基于神經網絡的北京市房價預測研究

傅瑩瑩

【摘要】本文選取20052014年北京市的房價及其房價主要影響因素作為實驗數據，對影響北京房價的多種因素進行分析，利用BP神經網絡構建了房價預測模型，仿真后得出北京市2015年房價預測值，結果顯示用此模型進行房價預測十分精確，具有可參考價值。

【關鍵詞】BP神經網絡；房價；預測模型；MATLAB

1 引言

房價事關國計民生，牽涉到方方面面的利益和資源，尤其關乎稀缺資源的優化配置的問題。與此同時，房價預測也就顯得尤其重要。北京身為我國重要的一線城市，預測其房價對整個國民經濟的研究更是具有重大的意義。

2 BP神經網絡

人工神經網絡是一種能夠反映人腦特性的智能信息處理系統，它能夠模仿人腦系統的結構和功能。目前在智能檢測、非線性預測、模式識別、機器人控制等很多領域都得到了廣泛的應用。

BP神經網絡（Back Propagation Neural Network）也稱為反向傳播神經網絡，是一種具有3層或3層以上結構的無反饋的、層內無互連的網絡。標準的BP學習算法采用誤差函數按梯度下降的方法學習，使網絡的實際輸出值和期望輸出值之間的均方誤差最小。

3 建立BP神經網絡的北京市房價預測模型

3.1數據選擇

本文為了使房價影響因素合理，選取了五個具有代表性的房價影響因素：地區生產總值、常住人口數量、商品房銷售面積、房地產開發投資總額、商品房平均銷售價格。數據來源于北京市住房和城鄉建設局發布的房價統計信息，具體如下表所示：

3.2數據預處理

為了解決原始數據樣本中各向量數量級差別大的問題，同時也為了提高網絡的訓練速率，對原始數據樣本進行歸一化處理。

3.3初始化參數的設定

本文選用帶有動量梯度下降法作為網絡的訓練方法，其訓練函數為traingdm函數，性能函數為mse函數，動量項系數為η=0.8，學習率μ=0.01，最大訓練次數為10 000次，目標誤差為0.001，初始的權值和閾值為系統默認的值，每運行50次顯示一次訓練過程，其他參數均為缺省值。

3.4隱含層節點數的確定

在實驗中，往往根據經驗公式得到一個粗略的估計值作為初始值，再用試湊法確定最佳節點數。

其中，m為隱含層節點數；n為輸入層節點數；l為輸出層節點數；α為1～10之間的整數。本文將輸入層神經元設為4，輸出層神經元設為1，選擇該神經網絡隱含層的神經元個數為4。

3.5轉移函數的確定

在本文設計的BP神經網絡中，隱含層的傳遞函數為Sigmoid型正切函數tansig，輸出層的傳遞函數為purelin函數。

3.6模型訓練和仿真結果

使用20052012年的因素數據作為輸入向量；以20062013年的因素數據作為目標輸出，同時作為訓練樣本；20122013年數據作為測試驗證樣本。最終根據20132014年的因素數據預測出2014及2015年北京市住宅商品房的平均銷售價格。

3.6.1模型訓練

網絡經初始化，利用函數 TrainLm對網絡進行4次訓練后，網絡誤差達到了誤差目標goal=0.001的要求，學習樣本訓練結束（如下圖所示）。

3.6.2測試模型及數據預測

根據已經建立的BP神經網絡模型，可以看出房價預測的結果是比較理想的。得到的預測值是0.9284，與實際值1相比，準確率達到了92.84%。進而對2014及2015年房價的預測，得出：

y_test=0.9450 0.9749。

可知最終預測出的2014年及2015年房價分別為17210.95元/平方米和17560.53元/平方米。

4 結論

本文利用BP神經網絡模型對北京市房價進行了比較精準的預測，結果較為可靠。同時也存在一些不足，一方面除了文中用到的五個因素，房價還在不同程度上受國家調控政策、國際金融環境等難以用數據進行表達的因素影響；另一方面文中所參照的歷史數據具有一定程度的局限性，這也制約了研究的準確度。在今后的研究中都需要改進。

參考文獻：

[1]徐麗娜.神經網絡控制[M].北京：電子工業出版社，2003

[2]朱雙東.神經網絡應用基礎[M].沈陽：東北大學出版社，2000

[3]許光建，魏義方，戴李元等.中國城市住房價格變動影響因素分析[J].經濟理論與經濟管理，2010，（8）