基于遺傳算法改進的BP神經網絡房價預測

曹亞飛 郭亞萍

摘 要：商品房的價格受多方面因素的影響，傳統的預測方法并不十分有效。為了探索新的房價預測理論模型，利用重慶市的數據，驗證了遺傳算法改進的BP神經網絡房價預測的有效性，從而可以對房地產供求雙方及監管機構提供一定的參考。

關鍵詞：遺傳算法；BP神經網絡；房價預測；重慶市房價

文章編號：1004-7026（2018）14-0035-01 中國圖書分類號：TP183 文獻標志碼：A

商品房作為生活的必需品和重要的投資領域，價格走勢一直受到社會各層的廣泛關注，房地產市場的過熱或者過冷都不利于我國經濟的可持續發展，其健康發展關聯的不僅僅是這個市場，也直接關系到人民對美好生活的需求。由于房地產市場的復雜性和多變性，以傳統計量方法為基礎建立的經濟模型大多是線性的，與實際誤差較大，在當前大數據+機器學習的時代背景下，遺傳算法改進BP神經網絡為房價走向的預測提供了新的方法。

1 遺傳算法改進的BP神經網絡基本原理

BP神經網絡也被成為誤差反向傳播神經網絡，其學習過程分為數據的正向傳播和誤差的反向傳播。在正向傳播時，模型作用在輸入層，數據從輸入到輸入層后，隱含層會逐層處理數據，進而傳導到輸出層。如果輸出層實際輸出和標準的期望輸出有差距，那么就會進入到誤差的反向傳播進程。反向傳播過程就是將誤差傳導到隱含層，在隱含層內向輸入層不斷返回數據，并傳導到不同的神經單元，得到不同層單元的誤差信號后會將其不斷修正，使得連接權值誤差不斷減小。BP 神經網絡的學習過程就是通過不斷調整這種連接權數誤差的過程，并最終使得輸出的均方誤差達到要求的標準。

遺傳算法是一種模擬自然淘汰和生物進化過程的新型計算模型，其是受達爾文進化論的啟發而提出的一種啟發式搜索算法。通過將需要解決的函數關系模擬為一種生物進化的過程，可以經過交叉檢驗選擇淘汰過濾掉那些適應性低的函數個體，并增加高適應性個體數量，在多代的循環過程之后，最終可以產生出一系列符合條件的個體。因此，可在BP神經算法學習訓練時用遺傳網絡算法對其權數和閾值來尋求最優化，在縮小范圍之后再利用BP神經網絡進行預測[1]。

2 基于遺傳算法改進的BP神經網絡重慶市房價預測模型

2.1 變量的選取

根據BP神經網絡的基本原理，本文選取2005—2015年重慶市房價影響相關因素的數據來進行學習訓練，具體指標選取有：人均GDP（元）、所在地商品房投資額（億元）、所在地人均住房面積（平方米）、所在地人均可支配收入（元）、所在地年人均支出（元）、所在地常住人數（萬人）、所在地商品房年銷售面積（萬平方米）和商品房地價8個影響房價的指標作為輸入變量節點。隱含節點的個數由公式：m=■+？琢決定，參數的具體數值通常由固定經驗來決定，a一般為1～12之間的常數，m為輸入變量個數，n為輸出變量個數。

2.2 訓練樣本和預測樣本的構造

基于遺傳算法改進BP神經網絡模型中建立一個8個輸入層， 1個輸出層的學習訓練模型，通過將重慶市2005—2015年相關指標數據輸入，不斷調整隱含層權重閾值，學習間隔為用前3年的房價數據對下一年房價作出預測，在遺傳算法改進下，BP神經網絡的參數處于不斷的修正當中，并在學習訓練的過程中達到理想的預測精度。

2.3 神經網絡的訓練和結果

通過用遺傳算法對BP神經網絡改進，利用2005—2015年的各指標數據對學習訓練過后的BP神經網絡模型對重慶市2016年和2017年房價進行預測，再與統計局公布的真實房價數據對比，預測數據與真實數據的誤差平均方差為1.1665e-005。從實際的結果來看，模型預測2016年房價為6 822.6元/m2，2017年房價為7 942.7元/m2。根據重慶市統計局的數據，2016年重慶市商品房銷售均價為7 116元/m2，2017年商品房銷售均價為8 324元/m2，與預測所得到的結果誤差在5%以內，預測具有較高的可信度。

3 結束語

首先，對遺傳算法和BP神經網絡進行介紹，其次，利用遺傳改進的BP神經網絡算法對重慶市房價進行了預測，通過與實際數據進行對比分析，發現遺傳算法改進的BP神經網絡具有一定的預測價值，可對各方提供參考。但由于商品房價格形成機制復雜，還受到各地調控政策、宏觀經濟環境等因素影響，一定程度上影響了對房價預測的客觀性，但這并不影響模型的預測價值。

參考文獻：

[1]王筱欣，高攀.基于BP神經網絡的重慶市房價驗證與預測[J].重慶理工大學學報（社會科學），2016，30（9）：49-53.