A better formalization of place - where people live, perceive, and interact with others - is crucial for understanding socioeconomic environment and human settlement. The widely used hedonic pricing model for houses was proposed from the perspective of space, focusing mostly on static house structural information and objective built environment factors. However, the value of house settlement is not only determined by its spatial settings, but also varies from one place to another with different cultures, human dynamics, human perceptions and social interactions. In this work, we introduce a place-oriented hedonic pricing model (P-HPM) that incorporates human dynamics and human perceptions of places to understand human settlement. As an empirical study, we employ a large volume of house price data in Boston and Los Angeles, including detailed house and locational amenity information. Besides, we take the hourly number of visits to places as a proxy of human mobility patterns, and obtain human perceptions of places extracted from large-scale street-view images using deep learning. The results show that the P-HPM outperformed the traditional HPM significantly in these two cities. Moreover, through a geographically weighted regression analysis and the Monte Carlo test, we find that the impacts of the proposed place-related variables on house prices are stable across space. Our results provide new insights into the assessment of human settlement values by incorporating the role of place using multi-source big geo-data.

更好地形式化地方——人们生活、感知和与他人互动的地方——对于理解社会经济环境和人类住区至关重要。从空间的角度提出了广泛使用的房屋特征定价模型，主要关注静态房屋结构信息和客观建成环境因素。然而，房屋聚落的价值不仅取决于其空间设置，而且因不同的文化、人类动态、人类感知和社会互动而因地而异。在这项工作中，我们引入了一种面向地点的享乐定价模型 (P-HPM)，该模型结合了人类动态和人类对地点的感知，以了解人类住区。作为实证研究，我们采用了波士顿和洛杉矶的大量房价数据，包括详细的房屋和位置便利设施信息。此外，我们将每小时访问地点的次数作为人类移动模式的代理，并使用深度学习从大规模街景图像中提取人类对地点的感知。结果表明，P-HPM 在这两个城市中的表现明显优于传统的 HPM。此外，通过地理加权回归分析和蒙特卡洛检验，我们发现建议的地点相关变量对房价的影响在跨空间是稳定的。我们的结果通过使用多源大地理数据结合地方的作用，为人类住区价值的评估提供了新的见解。并使用深度学习从大规模街景图像中提取人类对地点的感知。结果表明，P-HPM 在这两个城市中的表现明显优于传统的 HPM。此外，通过地理加权回归分析和蒙特卡洛检验，我们发现建议的地点相关变量对房价的影响在跨空间是稳定的。我们的结果通过使用多源大地理数据结合地方的作用，为人类住区价值的评估提供了新的见解。并使用深度学习从大规模街景图像中提取人类对地点的感知。结果表明，P-HPM 在这两个城市中的表现明显优于传统的 HPM。此外，通过地理加权回归分析和蒙特卡洛检验，我们发现建议的地点相关变量对房价的影响在跨空间是稳定的。我们的结果通过使用多源大地理数据结合地方的作用，为人类住区价值的评估提供了新的见解。我们发现建议的地点相关变量对房价的影响在空间上是稳定的。我们的结果通过使用多源大地理数据结合地方的作用，为人类住区价值的评估提供了新的见解。我们发现建议的地点相关变量对房价的影响在空间上是稳定的。我们的结果通过使用多源大地理数据结合地方的作用，为人类住区价值的评估提供了新的见解。