基于bp神经网络的南昌市房价评估及预测

《基于bp神经网络的南昌市房价评估及预测》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于BP神经网络的南昌市房价评估及预测摘要本文将BP神经网络理论应用于南昌市房地产市场比较法价格评估与预测,讨论了网络结构的设计、学习算法等问题，并做了改进。房地产的市场价格受众多因素影响，我们把因素分为宏微观两方面。我们选取了南昌市各个行政区划多个小区新住宅房作为样本。并据此建立三个数学模型，并分别基于神经网络在matlab中实现。模型一：基于BP神经网络的估价模型我们固定某一时点，即宏观因素不变，仅考虑微观因素对房地产价格的影响。具体而言，将神经网络理论对各楼盘和其对应为微观指标的关系矩阵进行网络学习和训练，

2、通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小，我们就应用此模型估计其他楼盘的价格。模型二：基于改进BP的价格预测模型在此模型中，我们忽略微观因素对房价的影响，仅考虑宏观因素。我们选取6个反应房地产价格的滞后性经济指标，然后找出2007年一季度至2010年二季度的各经济指标值，构成一个房价价格指标与宏观经济因素的关系矩阵。并以东湖-红原星城楼盘为例，根据其以往的房地产价格并应用神经网络算法，就可预测出此楼盘2010年第三季度的楼盘价格。模型三：综合指标价格预测模型在此模型中，我们同时考虑微观因素和

3、宏观因素对房价的影响，构造了一个融合两种因素的综合指标体系，应用神经网络理论，就可以估计出任意楼盘（包括即将推出的楼盘）在2010年第三季度的季度均价。以东湖-红原星城楼盘为例，根据其以往的房地产价格并应用神经网络算法，就可预测出此楼盘2010年第三季度的楼盘价格。预测结果和模型二大致相同。此外还对南昌市2010年第三季度即将推出的楼盘：青山湖-天御国际公寓进行估价，并预测其2010年第三季度的价格为8246.1元模型三能很好地对任意房地产进行估价和预测，但缺点是只能预测下一季度的价格。在模型的改进与推广中，我们

4、提出基于ANFIS的价格预测模型，该模型能很好的预测出未来的房价，与模型三的预测值具有很强的一致性。且时间越接近，预测的误差越小。关键词：BP神经网络房价评估及预测改进的BP算法神经模糊推理系统宏微观指标一、问题重述结合南昌房价实际情况，收集有效数据评价南昌房价的合理性，分析确定影响商品房销售价格的重要因素，并建立南昌房地产价格预测模型问题一：根据影响房地产价格的微观指标与价格的关系，估计其他楼盘的房价。问题二：根据影响房地产价格的宏观滞后性指标与价格的关系，并依据某一具体楼盘的历史数据，预测其下一季度的价格。2

5、3问题三：综合考虑微观指标和宏观指标，预测出任意楼盘下一季度的价格。一、问题的分析问题一中我们首先选取反应房地产价格的7个主要微观因素[1]，建立房地产价格评估系统，然后根据评估系统对各指标进行模糊赋权，并进行归一化处理，即建立房地产价格和其微观因素的关系矩阵，把归一化后的数据矩阵作为可靠性样本进行BP网络学习和训练，以获得最终的权值矩阵。最后把要估价楼盘的归一化后微观指标参数代入，即可得该楼盘的估计价格。问题二中我们同样选取6个反应房地产价格的7个主要滞后性宏观因素，并假定滞后时间为一季度，即某一季度的宏观指标

6、反应下一季度的房价。以东湖-红原星城楼盘为例，将2007年一季度至2010年一季度的宏观指标模糊赋权并归一化后得到关系矩阵。采用改进的BP算法，获得最终的权值矩阵。将2010年二季度的宏观经济指标代入，即可预测出2010年第三季度的房价。对于问题三，我们将模型一合模型二综合考虑，即得到综合指标价格预测模型，将任一楼盘在2010年二季度的指标代入，即可预测出该楼盘在2010年第三季度的房价。该模型比模型二优越的一点在于，模型二对该楼盘的历史楼盘价格有很强的依赖性，且模型二不能预测即将推出楼盘的价格。而在现实生活中，

7、预测即将推出楼盘价格的预测是非常有意义的。三、模型的基本假设与说明(一)基本假设1.题目提供的数据在误差允许范围内真实有效2.房地产业健康稳定发展3.在着重讨论主要因素时，其他的次要因素对主要因素的影响可以忽略4.各宏观指标均为季度性指标且在每一季度内不变。其次宏观指标滞后性指标，滞后时间约为一季度5.所有的楼盘价格均为季平均价格6.未给出的楼盘季度数据均可由简单的线性插值得出(二)符号说明输出层节点数输入节点数隐含层节点数输出层阈值23链接权值初始化隐含层阈值BP神经网络的输入值BP神经网络的预测值四、模型建立

8、与求解（一）模型一：基于BP神经网络的估价模型（考虑房价微观因素）BP神经网络是一种多层前馈神经网络，主要特点是信号前向传递，误差反向传递。在前想传递中，输入信号从输入层京隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。BP神经网络的