Les liens entre la complexité spatiale d’un tissu résidentiel – en particulier urbain – et les prix des biens sur le marché immobilier afférent posent des défis de modélisation mathématique tout à fait intéressants et originaux. En effet, deux logements présentant exactement les mêmes caractéristiques n’auront généralement pas le même prix en fonction de leur emplacement dans une ville, en raison d’effets de quartier. Ces spécificités locales et même micro-locales se révèlent difficiles à quantifier et/ou à mesurer sans faire entrer en jeu une connaissance intime de la ville en question. Partant, un des enjeux de cette thèse, réalisée au sein de l’entreprise d’estimation immobilière Meilleurs Agents dans le cadre d’une convention industrielle de formation par la recherche (CIFRE), a été d’élaborer des approches statistiques pour cette problématique, formalisée comme suit : étant donnée la carte géographique d’une ville et les transactions immobilières enregistrées dans cette ville jusqu’à un instant t, comment estimer au mieux le prix d’une transaction qui surviendrait à l’instant t + 1 en tel ou tel point de la ville ? Nous avons examiné un enrichissement des approches classiques de GWR et de krigeage à l'aide d'algorithmes de classification (cartes de Kohonen) et nous avons également proposé une nouvelle approche dans laquelle la ville elle-même (plus exactement l'ensemble de ses biens immobiliers) est représentée comme un réseau de neurone apprenant son propre marché immobilier.