住宅房地產估價中BP 神經網絡的應用分析

李光明

江蘇天元房地產評估造價集團有限公司 江蘇南京 210000

1 住宅房地產估價指標體系構建

BP 神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡。在構建基于BP 神經網絡的住宅房地產估價模型中，首先需建立起住宅房地產估價指標體系。指標體系建立過程如下：

1.1 選取案例

在相似度較高的房地產區位分布、交易時間以及用途等條件下，選取具有可比較性的住宅房地產交易案例，分析交易案例中影響價格的因素。根據待估住宅房地產的特點，結合房地產評估的目的，確定影響住宅房地產價值的重要因素，將其視為價格修正因素[1]。

1.2 確定指標

一般情況下，影響住宅房地產價值的因素包括宏觀因素、實體因素、區位因素、環境因素，其中宏觀因素對所有房地產的影響程度一致，可剔除。所以，只需考慮其他三項因素，將實體因素、區位因素、環境因素確定為一級指標，并在各一級指標下設二級指標，共14 項，具體如下：

（1）實體因素（一級指標）。下設基本構造、建筑結構、工程質量、裝修情況、新舊程度5 項二級指標。

（2）區位因素（一級指標）。下設區位位置、醫療情況、交通情況、教育資源、商業繁榮5 項二級指標。

（3）環境因素（一級指標）。下設衛生環境、視覺環境、社區文化、社會治安4 項二級指標。

1.3 指標量化

對上述住宅房地產估價指標進行量化處理，尤其要對定性指標進行科學量化，可采用主觀賦權法、專家打分法進行量化。具體如表1 所示。

2 住宅房地產估價中BP 神經網絡的應用

2.1 構建模型

基于BP 神經網絡構建起住宅房地產估價模型，設計輸入層、輸出層、隱含層節點數，確定模型在神經網絡中的各項參數。

（1）輸入層。該層節點數為樣本矢量維數，在BP 神經網絡訓練中要關注輸入變量之間的相關性，選擇相關性小的變量，將變量與參考數進行對比，剔除可靠性差的數據[2]；輸入變量是房地產估價指標，所以節點數為14。

（2）輸出層。該層節點數為輸入信息的種類數，通過擬合函數計算輸出空間維數；輸出值為房地產評估價值，所以節點數為1。

（3）隱含層。該層數目越多，則神經網絡處理大量數據的能力越強，可提高數據處理的精確度，但與此同時神經網絡訓練也會更加復雜。通過多次試驗證明，將隱含層數目設定為4 時，不僅可匹配輸入層與輸出層節點數，而且還會降低BP 神經網絡泛化能力。

2.2 訓練神經網絡

BP 神經網絡初始權值在[-0．5,0．5]；BP 神經網絡訓練中確定的期望訓練誤差為0．00004；BP 神經網絡學習率取值在[0．1，0．7]。建議運用MATLAB 提高BP 神經網絡的訓練效率，在MATLAB 的工具箱中建立BP 神經網絡房地產估價模型，利用NFWEF 函數完成表達式，需輸入樣本個數、輸入變量個數、隱含層節點數、傳遞函數、訓練函數、學習函數、績效函數、輸入處理函數、數據分區等參數，之后再對上述函數進行調整優化，建立出模型。將各項指標參數導入到模型中，設置初始參數，開始BP 神經網絡訓練，訓練集為全部樣本數據的70%[3]。

3 結語

表1 房地產估價指標變量及量化描述表

綜上所述，BP 神經網絡在住宅房地產估價中的應用主要包括選取案例、確定指標、構建模型、訓練神經網絡、檢測模型、估價結果輸出六個環節，需要構建起合理的房地產估價指標體系，并借助MATLAB 軟件建立BP 神經網絡估價模型，實現對住宅房地產評估的程序化設計，有效解決模型參數輸入輸出中的非線性問題，從而保證住宅房地產估價的準確性，提高住宅房地產估價的工作效率。