随着城市经济快速发展,本论文从居民最为关心的房价预测开始为研究对象,基于高准确度的预测前提下为实现城市房价各方面均衡发展提供支撑。关于房价的影响因素有很多,主要分为企业、消费者、房屋、经济、政策等主要因素,本论文主要通过研究并应用聚类分析,非参数检验等构成的指标动态筛选方法去实现对影响深圳房地产价格的指标进行选择,基于所选择的指标,应用灰色关联度模型对该市相关月度数据进行定量分析。实验结果表明房价的主要因素不但涉及到企业因素,其房屋本身属性也很大程度上决定的价格变化。目前关于房价预测这块的算法大部分还停留在传统的机器学习预测或者统计分析的基础上实现。本论文结合现阶段深度学习算法去研究,提出了一种基于注意力机制的递归神经网络,以提高房价预测的准确性,在某些方面具有很高的实用价值,为了更进一步的提高预测准确度,本论文在一般的Long Short-Term Memory（LSTM）算法中加入了注意力机制,增加了对特征属性值的提取,最后为提高预测算法的精确度,提出平滑注意力模型（Sliding Attention-BILSTM）,同时通过实验进行验证得出最佳的参数,提升了算法的预测精度。本论文数据来源是从专业的售房网站获取到相关信息作为数据来源,基于Scrapy框架的模型,进行数据采集,此外,在实验部分对各种深度学习算法进行了比较,最终结果表明我们提出地算法在多个数据集上具有更好的准确性。