基于BP神經網絡的沈陽市房地產市場預警研究

摘 要 本文運用BP神經網絡，對指標進行訓練和檢驗，建立相對應的房地產市場預警模型，對房地產市場的警情進行預測。

關鍵詞 BP神經網絡 房地產市場 預警研究

中圖分類號：F293 文獻標識碼：A

一、房地產市場預警評價指標的構建

本著全面性、重要性、可測性、獨立性的房地產預警指標選取原則，筆者選取了房地產行業的發展協調度、和諧穩定度、和未知風險度三個一級指標以及12個二級指標作為警兆指標，如表1所示：

二、BP神經網絡預警模型的構建

（一）神經網絡結構的構建。

BP神經網絡模型拓撲結構一般包括輸入層（InPutLaver），隱含層（HideLaver）和輸出層（outPutLayer）三個方面。

由于任意一個連續函數都可以準確地用一個三層向前神經網絡來模擬。故本文采用只含有一個隱含層的三層神經網絡作為預警系統。

其中房地產市場警兆指標為輸入層，本文輸入層節點數X=12。相對應的警情為輸出層，本文警情采用三維向量的模式，故輸出層節點數Y=3。隱含層神經元數目N的確定，本文采用公式N=+C，其中，C 為 1 ～10 的常數。通過訓練，發現當N=8時，神經網絡的收斂效果最好。

（二）神經網絡的訓練方法。

1、信號向前傳輸。

首先，計算隱含層各單元的凈輸入Ij：

其中wij是輸入層第i單元與隱含層第j單元間的權重； j是隱含層第j單元的偏置值，p為隱含層單元總數。

第二，計算隱含層各單元的輸出yj：

第三，計算輸出層的實際輸出，計算方法與隱含層相同。

2、誤差反向傳輸。

通常用網絡實際輸出與目標輸出之間的方差ei來度量誤差。

其中di表示目標輸出，yi表示實際輸出。

（三）預警時差和警情的設定。

由于目前我國房地產發展不成熟以及相關警兆指標的局限性。本文將預警時差設定為2年，通過對上一年的警兆數據的分析來預測下一年的警情，即通過2011年的數據來預測2013年的警情。并將警情劃分為 “冷”、“正常”、“熱”三級，分別用三維向量（1，0，0）、（0，1，0）、（0，0，1）表示。

（四）神經網絡的預警過程。

將經過歸一化處理后的房地產市場警兆指標數據作為網絡系統的輸入，經過訓練好的神經網絡處理，輸出房地產市場的警情，實現評價指標與警情的非線性映射。

三、基于沈陽市房地產市場的實證研究

本文選取了沈陽市2004年到2011年的預警指標數據，其中2004年到2009年作為神經網絡的訓練樣本，2010年作為檢驗樣本，2011年作為預測2013年警情的基礎數據。其中根據相關專家的分析，給出2006年到2009年沈陽市房地產市場地警情。

（一）神經網絡的訓練。

為了使神經網絡獲得較好的訓練效果，本文運用MATLAB軟件對其進行訓練。其中中間層的激勵函數為正切s型激勵函數，輸出層的激勵函數為對數s型激勵函數。學習訓練率為0.06。經過342次迭代，網絡訓練誤差情況如圖迭代次數所示。

（二）神經網絡的檢驗。

為了使訓練好的神經網絡能夠更精確的預測警情，本文將2010年的相應指標數據輸入到已經訓練好的網絡中，對網絡進行檢驗。檢驗結果如下表所示。

由表結果可知，神經網絡輸出結果與目標輸出結果吻合度較好，故可以作為預測警情的模型。

（三）神經網絡的市場預警。

將2011年的相關指標數據輸入到BP網絡中去，得到結果表所示：

由網絡輸出可得出目標輸出為（0，1，0）。即2013年沈陽市房地產市場處于正常狀態。

四、結語

通過檢驗，本文建立的BP神經網絡模型輸出結果與目標結果吻合度較好，對沈陽市房地產市場具有較好地預警精度。

（作者單位：沈陽建筑大學管理學院）