基于改進型BP神經網絡的房地產預警

王奕翔 李昂 王晟全

摘 要：社會飛速發展，研究人員通過各種各樣的智能算法可以解決諸多實際問題，尤其當人工無法準確執行某些指令時，就更加需要智能算法的加持。目前智能算法種類較多，諸如蟻群算法、遺傳算法、BP神經網絡等，這些算法均通過數據間的競爭來求解最優解。目前常用人工分析法對房地產價格進行準確預測，但受主觀因素影響較多，準確性難以得到保障，而文中介紹的基于改進型BP神經網絡的方法則可避免這一缺陷，效果較好。

關鍵詞：BP神經網絡;智能算法;房價預測;Matlab;風險分析;科學評價

中圖分類號：TP391.41文獻標識碼：A文章編號：2095-1302（2019）12-00-04

0 引 言

經過10年的快速發展，影響國民經濟健康運行的房地產已成為20世紀90年代以來住房制度改革后中國國民經濟的支柱產業之一。房地產項目因其自身特點而面臨諸多風險。為了有效避免這些風險，有必要對其進行風險分析、評估和管理。大多數具有過多主觀性和大偏差的傳統風險評估方法仍存在定性陳述和缺乏科學評價等問題。隨著各種理論和技術的發展，可用更多辦法來預測和評估房地產市場的健康度。然而，這些方法也存在明顯缺點：

（1）人為設定的風險因素權重仍具有很大的主觀性;

（2）廣泛使用的模型或公式仍存在較大偏差;

（3）如果影響房地產項目的因素較多或者因素發生變化，則將帶來較大風險。

建立數學模型，并基于神經網絡在Matlab中實現十分必要。

房地產開發是一項全面的、專業的技術活動，它可以為投資者帶來高收益，但也需承擔極大風險。我們可以通過Delphi方法建立一個包含完整風險指標體系的系統，各季度宏觀指標與某樓盤的價格見表1所列。借鑒國外房地產的發展歷史，并根據科學、指標、可操作性等原則設計房地產風險的BP神經網絡模型。

（1）確定輸入層的神經元數量。根據房地產項目的上述風險因素指數形式，選擇12個風險因素作為輸入層的神經元數量。

（2）確定隱藏層單元的數量和隱藏層數。根據前面的介紹，任何三層網絡，即一個隱藏層神經網絡都可以實現從n維到m維的映射，而這也是我們選擇隱藏層的原因。隱藏層單元的數量對于神經網絡必不可少，當隱藏層單元數為9時，速度和精度達到最佳。

國內外一些工程為了不同的目的模擬了房地產市場。一些模擬模型側重于估計房地產市場的風險（通常被投資者認為是相關因素），例如，Pyhrr提出了一種計算機模擬模型，該模型為計算投資房地產的風險提供了一些參考，他們考慮了商業風險（與房地產交易及其價格相關）和金融風險（與債務融資相關）。在這一系列工作中，有些研究者引入了一個用于評估房地產項目經濟風險的模擬模型，即通過使用機器學習來預測房地產。

1 相關工作

本文以宏觀因素來估計房價，構造了一個綜合指標體系，通過神經網絡理論估計出任意樓盤（包括即將推出的樓盤）在2018年第三季度的季度均價。以某樓盤為例，根據其以往的房地產價格并應用神經網絡算法即可預測出此樓盤2018年

第三季度的樓盤價格，該辦法能很好地對任意房地產進行估價和預測。

2 BP神經網絡

2.1 一般的BP神經網絡

基于BP算法的多層前饋型網絡結構如圖1所示。

2.2 改進型BP神經網絡

由于基本BP算法具有無約束優化的特點，在實驗中，科研團隊計劃采用BPNN算法來彌補這一缺點。房地產項目由于其自身的特點，面臨較多風險，其風險誘發因素之間的關系主要是非線性相關和模糊。人為給出了每個風險因素的權重，使風險因素相互分離，導致得出的結論往往不準確且不科學。文中提出的BP神經網絡可以通過非線性自組織、自學習來識別危險因素之間的內在關系，減少人為主觀因素，使房地產項目的風險評估變得更加客觀準確。

3 房地產價格的分析

3.1 房地產價格的形成

房地產價格的影響因素如地段、人口類型、自然環境等均會對房地產價格產生影響。

3.2 房地產價格的特征

房地產價格受區域的影響較大，部分地價較貴的地區，其房價會隨之升高，并且漲價速度會高于其余地區，這種區域性特點使得房地產價格的分析更加復雜。

4 仿真實驗

4.1 模型建立

在此實驗中，已忽略了微觀因素對房價的影響，設置為僅考慮宏觀因素的情況。

以南京一樓盤為例，通過2018年第一季度的宏觀經濟指標對2018年第二季度進行預測，形成一個新的矩陣。

4.2 模型求解

改進型BP網絡預測輸出如圖2所示，改進型BP神經網絡預測誤差百分比如圖3所示，改進型BP網絡預測誤差如圖4所示。

由圖2可看出，預測輸出和實際輸出完全吻合。檢驗指標見表2所列。

4.3 模型預測

利用神經網絡測試一季度和二季度的房價。

第一季度預測值：2.898 8e+004，即28 988元/m2。

實際值：34 800。

第二季度預測值：3.039 1e+004，即預測第二季度均價為35 039.1元/m2。

此價位通過南京市某一樓盤預測得到，同樣可以將該方法應用于其他城市房價的預測。如果輸入城市往年數據，通過改進型的BP神經網絡就能夠很容易預測到新季度城市房屋均價。

5 結 語

BP神經網絡可以減少人的主觀性，方便房地產開發企業進行有效的風險規避。房地產市場的不透明性在于雖然一些房地產網站公開提供了大量房屋的價格，但缺少其余房屋的價格，而這些價格對于模擬它們的完整演變是必要的。

預測估計也可用于其他方面，例如評估房屋，讓買家知道最優惠的價格（即與評估相比最低的價格）并建議買家設定初始價格。這項工作建議將降維方法與機器學習技術相結合以獲得估計的價格。特別是這項工作分析了非負分解的使用，將遞歸特征消除和具有方差閾值的特征作為降維方法。它將線性回歸、支持向量回歸、k近鄰和多層感知神經網絡的應用作為機器學習技術并進行比較。這項工作采用十倍交叉驗證，用于比較估計和誤差，并評估了模擬開始時常用基本估算器的改進。目前該方法已經解決了用BP神經網絡估算未知房屋價格的問題。

此外，還可以結合使用機器學習和降維方法，可能將開啟一個相關的研究領域，即機器學習和降維方法的應用，以支持用于估計未知信息的ABS的初始化。減少維數的應用可能是應用大數據的ABS的一個進步。代理群體的初始化可以在不同的域中提供更逼真的模擬演進。實驗結果表明，維數降低允許在訓練階段管理較少量信息，提供與真實信息無顯著差異的結果。實驗表明，SVR是最好的回歸方法（優于所有降維技術的基本估計），RFE是最好的降維方法（優于基本估計的三種回歸方法，與其他降維方法相比，數字最高）。此外，SVR和RFE的組合獲得了最低的MSE。盡管線性預測器簡單，但它在RFE中獲得了較好的結果（RFE基于線性回歸來消除特征）。NMF表現不如預期，原因可能是我們的方法從13維降到6維，而其他研究的輸入更多（至少幾百）。線性回歸和KNN在響應時間方面獲得了最高的性能。當僅考慮與NMF的組合時，MLP實現了最低誤差。此外，與未降維的情況相比，具有NMF的MLP是在MSE中具有最低增加比率的組合。這項工作可能對購房者和賣家有實際意義。兩個利益相關者都可以使用預測模型來了解他們是否要以合理的價格購買或出售房屋、檢查機會、識別市場趨勢等。在本文考慮的情況下，該模型可以預測SVR-RFE組合平均MSE為0.105的價格。在這項研究中，我們還檢測到了NMF和MLP的特殊行為：盡管在平均MSE方面不是最好，但這種組合沒有異常值并且得到了最低的最壞情況誤差。

計劃擴展當前工作以解決ABS初始化中的其他兩個問題。第一個問題是從現有樣本中生成特定大小的未知實際樣本。在房地產市場背景下，有必要從現有的集合中生成缺失房屋的特征和價格。第二個問題是獲得一個現實的歷史樣本，只有平均價格已知。房屋的特征將與當前房屋的特征類似。房屋的價格將通過現有房屋的監督學習來計算，但旨在設定不同的平均值（過去的平均價格）。此外，目前的方法可以用更多的房屋進一步評估，還計劃通過考慮更多的房屋特征來加強，例如他們的能源等級。此外，我們未來的工作將對此增強型數據集應用廣義加性模型（GAM），以評估其在所提出方法中的效用。

參 考 文 獻

[1]孫喜波.BP神經網絡算法與其它算法的融合研究及應用[D].重慶：重慶大學，2011.

[2]陳建婷.基于改進型BP神經網絡的多變量時序預測方法[J].電子技術與軟件工程，2019（5）：163-165.

[3]閆飛宇，李偉卓，楊衛衛，等.基于Bagging神經網絡集成的燃料電池性能預測方法[J].中國科學：技術科學，2019，49（4）：391-401.

[4]王楊，王非凡，張舒宜，等.基于TF-IDF和改進BP神經網絡的社交平臺垃圾文本過濾[J].計算機系統應用，2019（3）：126-132.

[5]王古森，高波.基于自適應學習率BP神經網絡的火點定位模型[J].計算機系統應用，2019（3）：250-254.

[6]馮玉芳，盧厚清，殷宏，等.基于BP神經網絡的故障診斷模型研究[J].計算機工程與應用，2019（6）：24-30.

[7]但松林，劉尚奇，羅艷艷，等.基于BP神經網絡預測高含水層對SAGD開發效果的影響[J].大慶石油地質與開發，2019（2）：73-80.

[8]張霄，錢玉良，邱正，等.基于蜻蜓算法優化BP神經網絡的燃氣輪機故障診斷[J].熱能動力工程，2019（3）：26-32.

[9]許亮，趙松波，高強，等.PSO-BP神經網絡在語音干擾效果評估中的應用[J].現代電子技術，2019，42（6）：43-46.

[10]馬湧，王曉鵬，馬莎莎.基于Keras深度學習框架下BP神經網絡的熱軋帶鋼力學性能預測[J].冶金自動化，2019（2）：6-10.

[11] ZHAO N，HAN Z. A simulation model of seawater vertical temperature by using back-propagation neural network [J]. Polish maritime research，2015，22（s1）.

[12] QUAN G Z，ZOU Z Y，WANG T，et al. Modeling the hot deformation behaviors of as-extruded 7075 aluminum alloy by an artificial neural network with back-propagation algorithm [J]. High temperature materials and processes，2017，36（1）.

[13] Sadeghi B H M. A BP-neural network predictor model for plastic injection molding process [J]. Journal of materials processing technology，2000，103（3）：411-416.

[14] ZHANG Y，WU L. Stock market prediction of S&P 500 via combination of improved BCO approach and BP neural network [J]. Expert systems with applications，2009，36（5）：8849-8854.

[15] XIA X，LI T. A fuzzy control model based on BP neural network arithmetic for optimal control of smart city facilities [J]. Personal and ubiquitous computing，2019（4）：1-11.

[16] SONG T，PAN L，WU T，et al. Spiking neural P systems with learning functions [J]. IEEE transactions on nanobioscience，2019，99：1.

[17] LIU L，RAN W. Research on supply chain partner selection method based on BP neural network [J]. Neural computing and applications，2019（3）.

[18]王志芳，王書濤，王貴川.粒子群優化BP神經網絡在甲烷檢測中的應用[J].光子學報，2019，48（4）：141-148.

[19]林江豪，陽愛民.基于BP神經網絡和VSM的臺風災害經濟損失評估[J].災害學，2019，34（1）：24-28.

[20]陳闖，RYAD，CHELLALI，等.改進遺傳算法優化BP神經網絡的語音情感識別[J].計算機應用研究，2019（2）：344-346.

[21]查劉根，謝春萍.基于免疫遺傳算法的BP神經網絡在紗線條干預測上的應用[J].絲綢，2019，56（2）：19-26.

[22]姜康，尹宏程，馮忠祥.側風對大跨度橋梁轎車行車安全影響的仿真分析[J]. 合肥工業大學學報（自然科學版），2019（2）：145-150.

[23]王法亮，徐大誠.基于PSO-BP神經網絡的MEMS加速度計溫度補償[J].傳感器與微系統，2019，38（2）：25-28.

[24]趙文清，嚴海，王曉輝.BP神經網絡和支持向量機相結合的電容器介損角辨識[J].智能系統學報，2019，14（1）：134-140.

[25]陳剛，劉發升.基于BP神經網絡的數據挖掘方法[J].計算機與現代化，2006（10）：20-22.

[26]楊立苑，胡佳軍，李顯風，等.基于BP神經網絡的氣象云資源調度系統[J].計算機與現代化，2018 （7）：68-72.

[27]馮鈞，潘飛.一種LSTM-BP多模型組合水文預報方法[J].計算機與現代化，2018，275（7）：82-85.

[28]楊東，王移芝.基于Attention-based C-GRU神經網絡的文本分類[J].計算機與現代化，2018（2）：96-100.

[29]陳希遠，朱佳.基于聯合特征學習的多尺度卷積神經網絡在外匯交易市場中的應用[J].計算機與現代化，2018（9）：122-126.

[30]劉述忠. 基于GM-RBF神經網絡的股票價格預測分析[J]. 計算機與現代化，2018（8）：8-11.