Predecir con precisión los precios de la vivienda permitirá a los inversores obtener beneficios y puede proporcionar información a las partes interesadas sobre si los precios de la vivienda en la comunidad están cayendo, estabilizándose o aumentando. Los estudios previos sobre la previsión de precios de la vivienda utilizaron principalmente métodos de precios hedónicos y regresión ponderada, lo que llevó a la falta de consideración del modelo de relación no lineal y su poder explicativo. Además, los datos de atributos de las previsiones de precios de la vivienda son un estudio heterogéneo y son difíciles de prever con precisión. Por lo tanto, este estudio propone un modelo homogéneo inteligente basado en un mapa autoorganizado de núcleo ponderado mejorado (EW-KSOM) para prever los precios de las casas; es decir, este estudio propone un algoritmo EW-KSOM para agrupar los datos recopilados y luego aplica bosques aleatorios, árboles extra, percepción multicapa y regresión de vectores de soporte para prever los precios de las casas de datos completos, de distritos y de complejos de apartamentos. En la comparación experimental, comparamos el rendimiento del mapa autoorganizado de núcleo ponderado mejorado propuesto con los métodos de agrupamiento de listados. Los resultados muestran que el mejor algoritmo de previsión es la combinación de EW-KSOM y bosques aleatorios bajo el error cuadrático medio y el error cuadrático relativo raíz, y el método propuesto puede mejorar efectivamente la capacidad de previsión de los precios de la vivienda y comprender los factores que influyen en los precios de la vivienda en distritos completos e importantes. Además, obtenemos que los cinco factores clave que influyen en los precios de las casas son el área de terreno transferido, la antigüedad de la casa, el área total de transferencia de edificios, el porcentaje de población y el número total de pisos. Por último, los resultados de la investigación pueden proporcionar referencias para inversores y organizaciones relacionadas.