房地产价值评估是让市场回归理性,使房价真正反映房地产的内在真实价值的结合点和着力点。在“房住不炒”的政策基调下,探索建立房地产价值批量评估模型,对于房地产长效管理机制的稳步推进具有重要意义。但是,现行的估价方法基本上具有经验性,且每次评估都是独立地重复做,当遇到大量的评估任务时,既耗时又费力,难以适合实际需求。当房地产价值发生剧烈波动时,无法实现对房地产市场进行监测预警,会直接危及到相关当事方的经济利益,甚至会引发更严重的问题,严重阻碍房地产行业的健康发展。本文采用基于最短路长的要素影响分值计算模型和方法对影响房地产价值的外部区位因素进行科学化、精确化的量化取值,放弃了传统房地产评估中靠评估人员主观评判的区位影响因素的步骤,实现了全因素指标的量化。运用深度学习的核心学习算法——深度神经网络对大数据处理的优势,构建房地产价值评估模型。通过在公开市场上采集到房地产交易数据共100个,将其按照6:4比例分别划分为训练集、测试集。在Spyder平台上运用python语言对训练集数据进行训练,建立房地产价值评估模型,将训练到的模型运用到测试集上进行测试,通过比较训练集和测试集的拟合精度大小,对模型进行诊断。结果表明,初始训练得到的模型存在过拟合现象且拟合精度不高。通过应用!=0.1的权值衰减方法对模型进行过拟合处理,改变模型中神经网络层数、每层神经元个数和参数更新方法对模型进行拟合精度的优化,直到找出表现最好的模型。本文最终使用5层网络,每层有100个神经元,激活函数为Re LU,用学习率为0.01的Ada Grad更新参数的方法确定模型,模型拟合精度达到了91.89%。最后,选取10个案例,将本文研究的模型与实务中的市场比较法进行比较分析。结果表明,两者精确率仅相差2.13%,但以深度学习构建的房地产价值评估模型,可实现批量、快速的房地产市场价值评估,以节省大量的时间、人力、物力。