房地產(chǎn)銷售價格指數(shù)的神經(jīng)網(wǎng)絡(luò)預(yù)測

張 喆姚亞輝

1.中原工學(xué)院理學(xué)院，鄭州 4500072.安陽師范學(xué)院，安陽 455000

房地產(chǎn)銷售價格指數(shù)的神經(jīng)網(wǎng)絡(luò)預(yù)測

張 喆1姚亞輝2

1.中原工學(xué)院理學(xué)院，鄭州 4500072.安陽師范學(xué)院，安陽 455000

房地產(chǎn)銷售價格指數(shù)是指導(dǎo)業(yè)界活動和市場研究的有效工具,但是預(yù)測的準確程度一直是人們倍加關(guān)注的。人工神經(jīng)網(wǎng)絡(luò)是一門新興交叉學(xué)科，近年來被越來越多的應(yīng)用到了實際問題的預(yù)測中，顯示出其廣闊的應(yīng)用前景，特別是人工神經(jīng)網(wǎng)絡(luò)具有預(yù)測非線性系統(tǒng)未來行為的巨大潛力。因此，本文提出了用人工神經(jīng)網(wǎng)絡(luò)對房地產(chǎn)銷售價格指數(shù)進行預(yù)測的方法，首先將輸入數(shù)據(jù)進行預(yù)處理，再利用多層前饋神經(jīng)網(wǎng)絡(luò)BP算法來研究人工神經(jīng)網(wǎng)絡(luò)在房地產(chǎn)銷售價格指數(shù)預(yù)測中的應(yīng)用問題，最后得出神經(jīng)網(wǎng)絡(luò)方法預(yù)測精度較高的結(jié)論。

房地產(chǎn)銷售價格指數(shù)；人工神經(jīng)網(wǎng)絡(luò)；預(yù)測

引言

近幾年來，隨著市場經(jīng)濟的快速發(fā)展，我國的房地產(chǎn)價格出現(xiàn)了較大幅度的上漲。隨著房地產(chǎn)市場的持續(xù)升溫,一方面給人們的生活帶來了很大影響，另一方面房地產(chǎn)行業(yè)的風(fēng)險問題也日益突出。那么如何利用科學(xué)的方法來反映房地產(chǎn)價格的變化,給市場主體正確的引導(dǎo)信息已變得十分的迫切。

運用價格指數(shù)進行房地產(chǎn)市場總體分析, 在我國已有很多年的經(jīng)驗, 這種研究在實際經(jīng)濟活動中起到了重要的作用。房地產(chǎn)價格指數(shù)是動態(tài)描述一定區(qū)域內(nèi)一段時間各類房地產(chǎn)(如商業(yè)、住宅和工業(yè))價格變動及其總體價格平均變動趨勢和變動程度的相對數(shù),它是指導(dǎo)業(yè)界活動和市場研究的有效工具。定量地研究價格指數(shù)的運行軌跡并做出準確的描述和預(yù)測,對于研究房地產(chǎn)市場具有極其重要的作用。

我們知道, 科學(xué)的預(yù)測是正確作出決策的前提。研究表明, 房地產(chǎn)銷售價格指數(shù)常表現(xiàn)為非線性, 要對它進行預(yù)測就必須利用一種能模擬非線性的模型。從理論上講, 神經(jīng)網(wǎng)絡(luò)能夠無限逼近非線性函數(shù), 所以本文嘗試采用神經(jīng)網(wǎng)絡(luò)模型作為預(yù)測模型。文章中利用BP神經(jīng)網(wǎng)絡(luò)對采集到的1998～2008年的全國房地產(chǎn)銷售價格指數(shù)季度數(shù)據(jù)進行預(yù)測, 最終達到了滿意的效果。

1 BP神經(jīng)網(wǎng)絡(luò)模型

BP(Baekpro Pagation Network簡稱BP網(wǎng)絡(luò))網(wǎng)絡(luò)是采用誤差反傳算法或其變化形式的網(wǎng)絡(luò)模型。標準的BP網(wǎng)絡(luò)是采用梯度下降算法，對非線性可微分函數(shù)進行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)通常由輸入層、輸出層和若干隱含層構(gòu)成，每層由若干個結(jié)點組成，每一個結(jié)點表示一個神經(jīng)元，上層結(jié)點與下層結(jié)點之間通過權(quán)連接，層與層之間的節(jié)點采用全互聯(lián)的連接方式，每層內(nèi)結(jié)點之間沒有聯(lián)系。典型的BP網(wǎng)絡(luò)是含有一個隱含層的三層結(jié)構(gòu)的網(wǎng)絡(luò)。

BP網(wǎng)絡(luò)訓(xùn)練方式包含兩個階段：前饋階段和反向傳播階段。前饋階段是指輸入向量由輸入層引入，以前饋方式經(jīng)由隱層傳至輸出層，并求出網(wǎng)絡(luò)輸出；反向傳播階段是指以期望輸出值減去網(wǎng)絡(luò)輸出值從而得到誤差信號，然后將此信號逐層反向傳遞回網(wǎng)絡(luò)中，進而修改連接權(quán)值和閾值。

BP算法的一般步驟可描述如下:

3、T3時刻下，最大沉降量增大至1.90m，可見進行堆載后，土體含水進一步排出，排水板下方的淤泥層也在堆載作用下得到加固。

（7）判斷是否學(xué)完所有的訓(xùn)練樣本，是則結(jié)束，否則，返回（2）。

通過信號的正向傳播與誤差的反向傳播兩個過程的不斷進行，在一定精度的要求下，權(quán)值和閥值得到不斷的調(diào)整，直到網(wǎng)絡(luò)輸出與目標輸出達到設(shè)定的精度。BP神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)從輸入到輸出之間的高度非線性映射關(guān)系，因而，在函數(shù)擬合、仿真預(yù)測等方面有著廣泛的應(yīng)用。

2 實例分析

下面我們就利用BP神經(jīng)網(wǎng)絡(luò)首先對全國房地產(chǎn)銷售價格指數(shù)1998年～2008年各個季度的數(shù)據(jù)進行預(yù)測分析。

表1 全國原始數(shù)據(jù)

首先在國家統(tǒng)計局下載了1998年～2008年各個季度全國房地產(chǎn)銷售價格指數(shù)最新的數(shù)據(jù)，如表1所示：

對于單極型Sigmoid函數(shù)來說，其輸出在0～1之間變化，并且只有當(dāng)輸入為時，輸出才達到[0，l]，一般方法是將輸入量歸一化至[0，l]。本文采用S型函數(shù)作為激勵函數(shù)，該函數(shù)特點是值域為(-1，l)。對樣本數(shù)據(jù)進行如下歸一化處理公式為:

其中，max和min分別為樣本數(shù)據(jù)中的最大值和最小值，x為原始樣本數(shù)據(jù)，y為變換后的數(shù)值。這樣不但避免了輸入數(shù)據(jù)落入飽和區(qū)域，也保持了數(shù)據(jù)的原有特征。

當(dāng)神經(jīng)網(wǎng)絡(luò)處理結(jié)束后，再做反歸一化運算。對網(wǎng)絡(luò)輸出數(shù)據(jù)采用如下公式還原數(shù)據(jù)：

表2 處理后的全國數(shù)據(jù)

經(jīng)歸一化處理的數(shù)據(jù)如表2所示:

然后對全國房地產(chǎn)銷售價格指數(shù)數(shù)據(jù)做訓(xùn)練，將數(shù)據(jù)進行分類，以1998年～2007年第一季度的數(shù)據(jù)作為訓(xùn)練樣本，2007年第二季度～2008年第二季度的數(shù)據(jù)作為檢測樣本。

由于數(shù)據(jù)具有周期性，且前后具有很大聯(lián)系，故將1998年四個季度的數(shù)值作為輸入，1999年第一季度的數(shù)值作為輸出，依次類推建立預(yù)測數(shù)據(jù)序列，選用三層結(jié)構(gòu)BP網(wǎng)絡(luò)(單隱層BP神經(jīng)網(wǎng)絡(luò))，進行單步預(yù)測。利用matlab軟件進行多次反復(fù)訓(xùn)練測試以后，確定選用“trainlm”函數(shù)，隱含層數(shù)目為7層效果比較好，訓(xùn)練輸出與檢測輸出均能達到較高精度。訓(xùn)練接近150次時，標準數(shù)值誤差就達到1e-25，網(wǎng)絡(luò)訓(xùn)練圖如圖1所示：

通過對原始數(shù)據(jù)進行回檢，發(fā)現(xiàn)精度全部為100%，見表3：

圖1 全國數(shù)據(jù)訓(xùn)練圖

表3 全國數(shù)據(jù)網(wǎng)絡(luò)訓(xùn)練后回檢結(jié)果

表4 全國數(shù)據(jù)的網(wǎng)絡(luò)預(yù)測結(jié)果

用訓(xùn)練后的模型對2007年二季度～2008年二季度的五個樣本進行預(yù)測，并將預(yù)測數(shù)據(jù)轉(zhuǎn)換成原始數(shù)值結(jié)果見表4：

從表4中的預(yù)測結(jié)果可以看出，用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的精度較高，2007年二季度～08年二季度的預(yù)測值精度分別達到99.8%，99.6%，97.8%，97.8%，97.5%。

再用2007年第三季度到2008年第二季度的數(shù)據(jù)向后預(yù)測2008年第三、四季度的數(shù)值為117.90、104.75，由于是用預(yù)測出來的值接著向后預(yù)測，誤差會較大。

3 結(jié)論

通過基于BP神經(jīng)網(wǎng)絡(luò)模型的房地產(chǎn)銷售價格指數(shù)的預(yù)測, 我們能得到以下結(jié)論:

(1) BP神經(jīng)網(wǎng)絡(luò)對非線性系統(tǒng)具有良好的函數(shù)逼近功能,BP神經(jīng)網(wǎng)絡(luò)對該領(lǐng)域的應(yīng)用是可行的, 并能取得很好的預(yù)測精度。

(2)通過對房地產(chǎn)銷售價格指數(shù)的預(yù)測，可以綜合考慮地理因素和經(jīng)濟因素，分析綜合指標，給居民和房地產(chǎn)廠商提供參考，使他們有明確的目標和更好的效益！

(3) 結(jié)束以前那種繁瑣的預(yù)測手段，能更加簡潔的反映出市場走向，簡潔易懂，而且節(jié)省更多的人力物力。

(4) 由于2008年以來國家頒布了一系列政策措施控制房地產(chǎn)市場過熱發(fā)展，因此如果仍用得到的網(wǎng)絡(luò)對2008年三季度以后的數(shù)據(jù)進行預(yù)測會有較大誤差。所以雖然從數(shù)據(jù)上來看在未來的一段時間內(nèi)，我國的房地產(chǎn)銷售價格指數(shù)仍會有上升趨勢，但是國家宏觀調(diào)控的出臺對其造成一定的影響，故近期我國的房地產(chǎn)銷售價格應(yīng)該不會有太大的波動。這也進一步說明國家對房地產(chǎn)銷售價格的宏觀調(diào)控是有效的。要想準確預(yù)測出后面的數(shù)據(jù)，還需要積累一定量的近期數(shù)據(jù)或者嘗試采用其他方法。

[1]蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：高等教育出版社，2001.

[2]王洪元,史國棟.人工神經(jīng)網(wǎng)絡(luò)技術(shù)及其應(yīng)用[M].中國石化出版社，2002.

[3]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實現(xiàn)[M].電子工業(yè)出版社，2005.

[4]許月卿,李雙成.中國經(jīng)濟發(fā)展水平區(qū)域差異的人工神經(jīng)網(wǎng)絡(luò)判定[J].資源科學(xué)，2005.

[5]李文學(xué),李慧,賀琳.BP神經(jīng)網(wǎng)絡(luò)在非線性時間序列預(yù)測中的應(yīng)用[J].長春工業(yè)大學(xué)學(xué)報，2003年9月（第三期）.

[6]董長虹.Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].北京：國防工業(yè)出版社，2007.

[7]中華人民共和國國家統(tǒng)計局.中國統(tǒng)計年鑒(1991-2007) [M].北京：中國統(tǒng)計出版社，1991-2007.

Predication of the Price Index of Real Estate Sales by Neural Network

Zhang Zhe1，Yao Yahui21.College of Science, Zhongyuan University of Technology 4500072.Anyang Normal University 455000

10.3969/j.issn.1001-8972.2012.19.062

張喆（1979—），女，碩士，講師，主要從事組合最優(yōu)化研究。

AbstractThe price index of real estate sales is an effective tool of guiding industry and market research activities, but people are more concerned about the accuracy of the prediction.ANN(Artificial Neural Network) is an rising cross subject，and in the recent years，it has been used in more and more sphere in society，industry and science，which display a great application foreground in these field.Consequently，the thesis adopt ANN method to predict the Real estate sales price index.First of all, pre-treat the input data, then use the BP algorithm of multilayer feed forward neural network to study the problem that ANN is applied in the prediction of real estate sales price index.At last, the thesis makes a conclusion that the accuracy of the ANN prediction is excellent.

KeywordsReal estate sales price index;ANN;prediction