过去二十年，中国房地产市场高速发展，对房地产估价行业无论从精准度到效率都提出了较高的要求。现有数据分析公司，往往从数据、模型及算法的角度出发，缺乏房地产估价专业的知识对模型运算结果进行分析并改进；而传统的房地产估价公司，往往从估价专业理论角度出发，但缺乏数据、模型及算法的技术应用能力。
　　故本文对现有数据驱动的住房估价模型进行了解与学习，并搜集了天津市城区住房市场成交数据以及特征因素，通过整理，并在BP神经网络中进行应用、优化及调整实验，以期得到一个适合天津市城区的住房估价模型。
　　作者通过文献学习并结合数据情况进行分析，将住房价格影响因素分为一般因素、区域因素、个别因素及特殊因素四类，共计11项，参与到住房估价模型的模拟测试中。其中一般因素，使用成交日期所在的房地产价格指数作为概括，可以将模型的适用时间范围扩展到比较长的周期，且可以对过去和未来的价值进行可靠地评估；而对于特殊因素，我们选取了海河沿线河景因素，由于此类楼盘总量较少，故造成了相对的供给稀缺性，所以我们认为该因素会对住房估价模型的预测结果产生影响；区域和个别因素这两类比较一般，本文主要参考了现有文献的选择。
　　而后，本文通过对贝壳网等进行成交数据采集，并整理得到天津市区范围内2018-2019年共计35333个成交数据进行分析，约占天津市同期同区域成交总量的30%。
　　通过对BP神经网络模型的算法及参数实验，研究得出L-M算法模型在住房估价中具有较好的性能，其平均误差率可降至8.31%，其中相对误差率超过20%的估价结果仅为总样本的6.65%，这低于目前行业内普遍可以接受的误差水平，说明该住房估价模型有效。