房价预测的发展现状可以从以下几个方面来概括：

1. 数据驱动方法：随着大数据技术的发展，越来越多的房价预测模型开始采用数据驱动的方法。这些模型通常使用大量的历史房价数据、经济指标、人口数据等作为输入特征，通过机器学习算法（如线性回归、支持向量机、神经网络等）进行训练和预测。这种方法的优势在于可以充分利用现有的数据资源，提高预测的准确性。
2. 空间分析方法：房价预测模型中，空间分析方法也得到了广泛的应用。空间分析方法主要关注地理位置对房价的影响，通过地理信息系统（GIS）技术将地理位置信息与房价数据相结合，建立空间回归模型进行预测。这种方法可以有效地捕捉到地理位置对房价的影响，提高预测的精度。
3. 时间序列分析方法：时间序列分析方法在房价预测中也有一定的应用。这种方法主要关注房价随时间变化的趋势，通过建立时间序列模型（如ARIMA、LSTM等）进行预测。这种方法可以有效地捕捉到房价的季节性和周期性变化，提高预测的准确性。
4. 混合模型方法：为了克服单一模型的局限性，越来越多的研究开始尝试将多种模型进行组合，形成混合模型进行房价预测。这种方法可以充分利用各种模型的优点，提高预测的准确性和稳定性。
5. 深度学习方法：近年来，深度学习方法在房价预测领域也取得了显著的成果。深度学习方法可以自动学习数据的复杂特征表示，从而提高预测的准确性。目前，卷积神经网络（CNN）、循环神经网络（RNN）等深度学习模型在房价预测中已经取得了较好的效果。
6. 集成学习方法：集成学习方法是通过将多个弱学习器组合成一个强学习器，以提高预测的准确性。在房价预测领域，集成学习方法主要包括Bagging、Boosting、Stacking等。这些方法可以有效地提高预测的稳定性和准确性。

总之，房价预测的发展现状呈现出多元化、综合化的特点，各种方法和技术相互融合，共同推动房价预测领域的研究和应用。然而，由于房地产市场受到多种因素的影响，房价预测仍然是一个具有挑战性的问题，需要进一步的研究和探索。