Las características de la vivienda y las condiciones de ubicación son los principales impulsores de las diferencias espaciales en los precios de la vivienda, un tema que atrae un gran interés tanto en la investigación inmobiliaria como en la geografía. Uno de los modelos más populares, el modelo de precios hedónicos (HPM), tiene limitaciones para identificar relaciones no lineales y distinguir la importancia de los factores influyentes. Por lo tanto, se combinó el aumento extremo de gradiente (XGBoost), una tecnología popular de aprendizaje automático, con el HPM para analizar los efectos integrales de los factores influyentes en los precios de la vivienda. Se empleó XGBoost para identificar el orden de importancia de los factores y se adoptó HPM para revelar el valor de los factores influyentes originales no valorados en el mercado. Los resultados mostraron que la combinación de los dos modelos puede llevar a un buen rendimiento y aumentar la comprensión de las variaciones espaciales en los precios de la vivienda. Nuestro trabajo encontró que (1) las cinco variables más importantes para los precios de la vivienda en Shenzhen fueron la distancia al centro de la ciudad, el índice de vista verde, la densidad de población, la tarifa de gestión de propiedades y el nivel económico; (2) la calidad del espacio a escala humana tuvo efectos importantes en los precios de la vivienda; y (3) algunos factores tradicionales, especialmente las variables relacionadas con la educación, deberían modificarse de acuerdo con el desarrollo del mercado inmobiliario. Los resultados mostraron que el marco de fusión de datos geolocalizados de múltiples fuentes demostrado, que integró XGBoost y HPM, es práctico y apoya una comprensión integral de las relaciones entre los precios de la vivienda y los factores influyentes. Los hallazgos de este artículo proporcionan implicaciones esenciales para informar políticas de vivienda equitativas y diseñar vecindarios habitables.