基于神經網絡對房價預測的研究

摘要：如今房地產市場容易出現暴漲暴跌的情況，很多大城市的房價已經達到了普通人不能接受的程度，如何高效地解決房地產的問題，一個較好的方案是準確地預測出未來的房地產市場行情。本文利用神經網絡來預測房價的走勢，優勢在于神經網絡類似于人腦的結構，具有仿生的特點，能夠擬合出復雜的模型結構，對房價預測的任務會有比較好的效果。房價預測模型可以有效地解決當今房地產市場所存在的一些問題，幫助人們理性的投資，切實地解決人們買房難的問題，創造更加和諧美滿的社會。

關鍵詞：神經網絡;房價預測;機器學習;人工智能;大數據

中圖分類號：F299.23;TP183 文獻識別碼：A文章編號：

2096-3157（2020）03-0128-03

一、引言

1.房價預測的目的

目前房地產市場有很多違規的建筑，價格不透明，為了獲利不擇手段導致房屋質量下降，商品房的價格上漲過快，很多人面臨買房難的問題，為了有效地緩解目前房地產所存在的問題，本文提出了一種基于神經網絡預測房價的模型結構。通過房價預測可以更好地觀察未來的房地產市場走向，以降低房地產投資風險;利用房價預測的能力獲得更大的財富，更加規范房地產市場行情，避免出現暴漲暴跌。

2.當今相關領域的現狀和弊端

當今仍有許多的房價預測不夠精準，導致人們在購房，買房時遇到很大的困難，如資金不足、地段不理想等問題。除此之外，炒房這一行為越來越風靡。部分商品房漲價的速度非常之快，導致普通人的購買力不足以支付此類房產。隨著科技的快速發展、人們生活質量的提高，越來越多的因素決定著房價的高低。所以在預測房價時，精準把握影響房價的因素是十分關鍵的，但由于影響因素非常之多，所以常常難以準確地預測出房價。同時。在眾多影響房價的因素里面，也有主次關系之分，能夠辨別出影響房價的主要因素，在進行房價預測，可以更實際的反映房價。但是影響因素非常之多，難以準確地找出影響房價的主導因素。

3.預測系統的優點

該系統可以處理多種多樣的程序，并且進行大規模的計算。如今有大量可使用的數據，這些數據是在過去幾年、幾十年中收集的。隨著科技的快速發展，使得神經網絡能夠真正發揮其作用，因為神經網絡獲得的數據越多，表現越好。而且神經網絡的計算能力可以讓我們處理相對于傳統計算方法的更多數據。

二、利用神經網絡預測房價

1.神經網絡

神經網絡是一種計算量大的算法。由于近年來計算機的迅速發展，它才可以進行大規模的運算。神經網絡算法來源于人腦的結構，由于人腦是可以處理多種任務的，所以也許有一種學習算法可以同時處理視覺、聽覺和觸覺，而不是運行數千個不同的程序。因此，我們需要做的是找到近似的人腦學習算法，然后讓該算法學習如何處理這些不同類型的數據。

2.房價數據集的介紹

由于本研究需要大量的數據進行訓練和學習，但是一般情況下，交易中心都將房價數據保密，所以本文使用的數據來自于1970年美國波士頓的房地產相關信息，這些數據包括樓間距、小區環境、是否處于市中心等。通過運轉下面兩個代碼①print（train_data.shape）②print（test_data.shape），從而測出訓練集的大小。之后得到結果為（404，13）（102，13）。本文的數據單位是千美元，訓練集對應的結果如圖1。

圖1顯示，這一年波士頓的房價中位數在一萬到一萬五美元之間。但是，如果把不同格式、不同單位的數據雜糅一起輸入網絡會影響結果的準確度。因此，本研究需要把數據的格式統一起來，將數據歸一化處理。歸一化可以利用如下的方式：將該數據減去這個屬性所有數據的最小值，然后除以該屬性最大值與最小值的差值，這樣就可以把該屬性的所有數據壓縮到[0，1]之間。

理解房價以及對房價影響較大的變量，對重要數據及影響方向有明確認知，以保證建模的合理性，降低被數據帶偏的風險，可能的房價主要影響因素有房子地段、交通、面積、配套設施等。確認數據變量構成、含義及對因變量影響力，用神經網絡處理后得到房價與主導因素的關系。

3.前向傳播算法

前向傳播算法也就是利用深度網絡中的若干的權重系數矩陣、偏置向量來和輸入值向量進行一系列線性運算和激活運算，從輸入層開始，一層層地向前計算，一直到輸出層，得到輸出結果為止。

當用前向傳播算法從上一層算到下一層時，要使用激活函數，避免多次線性的運算導致使用多層的神經網絡和使用一層直接算出的方法沒有區別。常用的激活函數一共有四個，分別如圖2所示。

函數1的表達式為：y=11+e-x

函數2的表達式為：y=ex-e-xex+e-x

函數3的表達式為：y=x;x≥00;x<0

函數4的表達式為：y=x;x≥0ax;x<0，0

4.反向傳播算法

反向傳播算法允許來自代價函數的信息通過網絡向后流動，以計算梯度。反向傳播是人工神經網絡訓練中常用的與優化方法相結合的方法。該方法計算網絡中所有權重的損失函數的梯度，反饋給優化方法更新權重，使損失函數最小化。

代價函數的表達式如下：

J（θ）=-1m∑mi=1Cost（hθ（xi），yi），其中

Costhθx（i），y（i）=-log（hθ（x））ify=1-log （1-hθ（x））ify=0

由此可見，為了使代價函數變得更小，我們使用梯度下降算法：

從該公式可以得出需要先求得代價函數關于所有參數的偏導數，求偏導數的過程是一個從后往前逐步計算的過程，也就是說首先計算代價函數關于最后一層參數的偏導數，然后再一層一層反向求出各層的誤差，直到算到倒數第一層。這時這種算法才體現了“反向”這個詞。然后再使用梯度下降算法，去更新參數讓代價函數變小。當代價函數變小時，就說明了這個模型的預測結果與我們實際結果更加相近，從而使得這個模型更加完善和精確。

5.實驗驗證

本文在開發過程中應用了Python語言，因為Python語言具有模塊化特性，易于編程和理解，并且支持各種庫，可以從各種庫中輕松獲取并便于編程。

此外，對于本文中使用的機器學習模型，一個非常重要的學習系統是TensorFlow。TensorFlow的使用使神經網絡的設計，如神經網絡層的設計和每層神經元的數量，以及部分導數的計算非常方便。TensorFlow是一個人工智能學習系統，因此在使用TensorFlow進行實驗時，可以節省大量繁瑣的代碼。

實驗首先將所有數據集劃分成70%的訓練集和30%的測試集，然后對數據進行歸一化處理，將所有數據都壓縮到[0，1]之間，接著利用TensorFlow的庫函數實現神經網絡的運算，輸入是506×13的矩陣，其中506表示的是506個房屋數，13表示的是特征個數，輸出為一個有506個維度的向量，表示的是每個房屋對應的房價。經過神經網絡運算收斂之后模型在測試集中的預測結果與實際結果之間的關系如圖3所示，該模型預測的房價中位數與實際中位數誤差為-0.65±3.23，總體準確率為92.348%。

三、總結和展望

隨著科技的快速發展，越來越多的工具進入到人們的生活當中，幫助人們更好地認識這個世界，更好地運用生活中方方面面的事物。比如說神經網絡，這是一項計算機的運算技術，運用的是仿生人的大腦的特點，具有同一性，可以對多種不同的問題進行統一處理，并得到結果，這是計算機領域的一大突破。再者將神經網絡與生活中的一些活動如房價預測聯系起來，通過神經網絡技術計算并得出預測結果，為人們的行為作導向，是非常具有操作性、可靠性的。計算機技術的飛速發展為人民生活水平日益提高做出了巨大的貢獻，從機器學習延伸到生活中各個方面更好地為人們服務。展望未來，可以繼續通過各種途徑學習計算機技術，并嘗試將其與生活中的事例聯系起來，或生活中的某些活動聯系起來，找到中間的銜接點，進行分析，找到更多計算機在生活中運用的方法，為生活中的活動添加更多計算機技術的光彩。

參考文獻：

[1]葉斯林，雷忠雨.基于BP神經網絡的城市房價預測[J].科技傳播，2018，10（14）：156～158.

[2]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（09）：49～53.

[3]高平，劉志堅，袁立梅.基于BP神經網絡的唐山房價預測[J].河北聯合大學學報（社會科學版），2015，15（02）：48～51.

[4]高玉明，張仁津.基于遺傳算法和BP神經網絡的房價預測分析[J].計算機工程，2014，40（04）：187～191.

[5]陸麗麗，胡斌，李輝，等.中國房價構成與預測的仿真分析[J].計算機仿真，2014，31（03）：230～238.

作者簡介：

王葛成，廣東實驗中學附屬天河學校學生。