葉斯林 雷忠雨
摘 要 近年來,房價(jià)持續(xù)上漲,買房人壓力逐漸增大,房價(jià)預(yù)測成為人們談?wù)摰慕裹c(diǎn)話題。文章針對近期房價(jià)走勢預(yù)測問題,在綜合考慮歷史房價(jià)、人口數(shù)目、GDP、在崗平均工資和人均可支配收入等5個(gè)因素對房價(jià)影響基礎(chǔ)上,利用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)城市房價(jià)預(yù)測,并對重點(diǎn)城市2018年3月到5月的房價(jià)進(jìn)行了預(yù)測,對房價(jià)預(yù)測影響因素的貢獻(xiàn)度進(jìn)行了分析。
關(guān)鍵詞 房價(jià)預(yù)測;影響因素;BP神經(jīng)網(wǎng)絡(luò);貢獻(xiàn)度分析
中圖分類號(hào) G2 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1674-6708(2018)215-0156-03
近年來,我國房地產(chǎn)市場迅猛發(fā)展,房價(jià)也在一路攀升,買房成為人們談?wù)撟疃嗟脑掝},同時(shí)如何在合適的時(shí)候出手買房也成為人們關(guān)注的焦點(diǎn),由此便產(chǎn)生了房價(jià)的預(yù)測問題。目前研究主要集中在兩個(gè)方面,一是研究引起房價(jià)變化的主要因素,另一方面是選擇合適的數(shù)學(xué)模型對房價(jià)進(jìn)行預(yù)測。
文獻(xiàn)[1]將房價(jià)的影響因素分為4個(gè)方面:自身因素、經(jīng)濟(jì)因素、政策因素和人口因素,并詳細(xì)分析了各因素的影響原因及影響大小。已有的數(shù)學(xué)模型主要包括確基于時(shí)間序列模型、基于經(jīng)驗(yàn)預(yù)測模型和基于智能化預(yù)測模型三大類。其中基于時(shí)間序列模型是認(rèn)為房價(jià)變動(dòng)只受時(shí)間的影響,根據(jù)房價(jià)隨時(shí)間的變化趨勢,對二者之間的關(guān)聯(lián)性進(jìn)行建模,再利用所建模型對未來房價(jià)進(jìn)行預(yù)測。
基于經(jīng)驗(yàn)預(yù)測模型是根據(jù)實(shí)際得到的與房價(jià)有關(guān)因素的數(shù)據(jù)進(jìn)行數(shù)理統(tǒng)計(jì)分析,再按照一定的原則,如誤差最小原則,歸納出各因素與房價(jià)之間滿足的數(shù)學(xué)關(guān)系,然后對未來房價(jià)進(jìn)行預(yù)測;基于智能化預(yù)測模型是利用仿生學(xué)原理進(jìn)行模型的設(shè)計(jì),屬于智能計(jì)算,主要的方法有遺傳算法、模擬退火、神經(jīng)網(wǎng)絡(luò)等。
本文主要選擇歷史房價(jià)、人口數(shù)目、GDP、在崗平均工資和人均可支配收入等5個(gè)因素,構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的房價(jià)預(yù)測問題,最后對具有代表性的6個(gè)城市未來3個(gè)月的房價(jià)進(jìn)行了預(yù)測,在此基礎(chǔ)上分析了個(gè)影響因素對房價(jià)走勢的貢獻(xiàn)度。
1 基于BP神經(jīng)網(wǎng)絡(luò)的房價(jià)走勢預(yù)測
1.1 BP神經(jīng)網(wǎng)絡(luò)基本原理
反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network)是人工神經(jīng)網(wǎng)絡(luò)理論的重要發(fā)展成果。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)較傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)更瘦,往往達(dá)到3層或3層以上,包括一個(gè)輸入層,一個(gè)輸出層,一個(gè)或多個(gè)隱含層。每層由若干個(gè)節(jié)點(diǎn)構(gòu)成,各層節(jié)點(diǎn)通過全連接的方式連接,而同層內(nèi)各神經(jīng)元之間相互獨(dú)立。BP神經(jīng)網(wǎng)絡(luò)在初始化權(quán)重后進(jìn)行訓(xùn)練,按照一定的規(guī)則(如梯度下降)使得輸出結(jié)果與期望輸出誤差最小。
BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程可以分為兩部分,即前向傳播與后向傳播。在正向傳播時(shí),輸入信號(hào)從輸入層輸入,在神經(jīng)元中進(jìn)行線性計(jì)算并通過激活函數(shù),并通過全連接的方式在網(wǎng)絡(luò)中傳遞,最終通過輸出層輸出。
我們通過某種度量反映輸出與期望的差異程度求取當(dāng)前誤差,并轉(zhuǎn)入誤差反向傳播過程。反向傳播的過程本質(zhì)上是求復(fù)合函數(shù)偏導(dǎo)的過程,通過某種方法由輸出層向輸入層逐層修正連接權(quán)值使誤差減小。輸入信號(hào)的正向傳播與誤差的反向傳播過程是相互交替并不斷循環(huán)的。BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程就是不斷調(diào)整神經(jīng)元內(nèi)參數(shù),使網(wǎng)絡(luò)輸出不斷逼近標(biāo)簽的過程,這個(gè)過程進(jìn)行到輸出的均方誤差達(dá)到要求的標(biāo)準(zhǔn)。
1.2 模型建立與求解
1.2.1 數(shù)據(jù)與處理
由于原始數(shù)據(jù)樣本中各向量表征了不同的物理含義,因此具有不同的量綱且不同的數(shù)量級(jí)。在實(shí)際應(yīng)用中,我們往往需要先將樣本數(shù)據(jù)歸一化,從而提高網(wǎng)絡(luò)的訓(xùn)練速率。其轉(zhuǎn)換公式為:

