基于PSO-LSTM的區域二手房價預測方法研究

收稿日期：2023-12-19

DOI：10.19850/j.cnki.2096-4706.2024.05.022

摘" 要：探究房價趨勢是一個高度復雜且充滿非線性特征的研究難題。針對目前二手房價預測精度低的問題，文章提出了基于PSO-LSTM的區域二手房價預測方法。粒子群算法通過對LSTM模型進行優化，找到最優的參數組帶入PSO-LSTM模型中，進而得到更符合實際情況的預測結果。文章通過湖南省株洲市天元區的二手房價時間序列數據集對PSO-LSTM模型進行訓練，并與LSTM神經網絡模型進行了對照分析。實驗結果顯示，PSO-LSTM模型對于區域二手房價的預測精度更優。

關鍵詞：區域二手房價預測；時間序列；PSO-LSTM模型；LSTM

中圖分類號：TP18" " 文獻標識碼：A" " 文章編號：2096-4706（2024）05-0102-05

Research on Regional Second-hand Housing Price Prediction Method Based on PSO-LSTM

ZHOU Changyu， LI Changyun

（Hunan University of Technology， Zhuzhou" 412007， China）

Abstract： Exploring the trend of housing prices is a highly complex and full of nonlinear features research challenge. Aiming at the current problem of low accuracy of second-hand housing price prediction， this paper proposes a regional second-hand housing price prediction method based on PSO-LSTM. The Particle Swarm Optimization optimizes the LSTM model to find the optimal parameter group and incorporate it into the PSO-LSTM model， and then get the prediction results that are more in line with the actual situation. In this paper， the PSO-LSTM model is trained by the time series dataset of second-hand housing price in Tianyuan District， Zhuzhou City， Hunan Province， and the PSO-LSTM model is analyzed against the LSTM neural network model. The experimental results show that the PSO-LSTM model has better prediction accuracy for regional second-hand housing prices.

Keywords： regional second-hand housing price prediction; time series; PSO-LSTM model; LSTM

0" 引" 言

在當今數字化時代，房地產市場一直以來都是全球經濟的一個關鍵組成部分。二手房價的波動不僅影響著個人和家庭的財務狀況，還對全球金融市場和城市規劃產生深刻的影響。對于政府、投資者、開發商和一般居民而言，準確預測二手房價變得愈加重要。二手房價的準確預測有助于投資者做出明智的決策，賣家可以更好地定價房產，政府能夠更好地規劃城市發展，金融機構則可以更有效地管理風險。然而，房價波動受到眾多復雜因素的影響，這使得預測二手房價變得復雜而具有挑戰性。

對于預測模型，早期的學者多采用的自回歸模型來進行預測，如AR、ARMA、ARIMA[1]等，但因二手房價影響因素復雜，波動也比較大，故預測的模型不能很好地將二手房價的趨勢反映出來。而隨著互聯網時代的發展，科學的預測方法也越來越多樣化。目前，常用的預測方法多是時間序列預測方法。其通過時間將數據進行排序，再通過數據之間的變化關系進行自主學習。其中長短時記憶模型[2]（Long Short-Term Memory， LSTM）在時間序列數據分析中嶄露頭角，已經廣泛應用于眾多領域。蔡兆暉[3]等引入LSTM神經網絡，對大宗商品時序數列進行自適應最優項數分解，顯著改善了大宗商品價格預測的準確性。許鈺林[4]等采用深度LSTM模型，對玉米和大豆期貨價格進行預測，提升了單個農產品期貨模型的預測性能，為農產品領域提供了高精度的預測模型。程先龍[5]等使用LSTM組合模型對我國西南某風電場的實測數據進行預測，有效提高了風電功率預測精度。方雪清[6]等使用LSTM的短期組合預測模型，對廣州市江南農副產品市場的富士蘋果日價格進行分析預測，證明了LSTM的短期組合預測模型對農產品價格的短期預測具有一定的優勢。高華睿[7]等通過LSTM的組合模型，對高速公路的交通流進行短時預測，模型的精度和泛化能力高，為高速公路短時交通流預測提供一種新的參考思路。上述表明LSTM[8]神經網絡在時間序列數據預測的優越能力，能夠有效捕捉時間序列中的依賴關系，并且能夠很好地處理傳統網絡模型的梯度爆炸等問題。但是參數的選擇對LSTM神經網絡模型具有很大的影響，參數取值不當會導致模型欠擬合或者過度擬合，進而導致預測精度的不準確。

本文針對上述問題，提出了基于PSO-LSTM的區域二手房價預測方法。通過獲取湖南省株洲市某區2015年4月至2022年12月售房網站的二手房價數據，對該數據進行預處理，構建LSTM神經網絡模型，通過粒子群算法[9]對LSTM模型的參數進行全局搜索最優和優化，以實現預測精度的提高。運用該模型進行區域二手房價的預測，并與LSTM模型進行預測評估指標的比對分析，進而獲得預測區域二手房價的優化模型。

1" 研究方法

1.1" LSTM原理

LSTM是對RNN的改進，成功應對了梯度消失和梯度爆炸問題，尤其在時間序列數據處理中具有顯著優勢，圖1為LSTM模型結構圖。LSTM單元的組成[10]包括遺忘門、輸入門、輸出門和細胞狀態。遺忘門、輸入門和輸出門是神經網絡中的關鍵元素，它們各自擔負著不同的責任，以確保網絡能夠高效地處理信息。遺忘門負責過濾當前單元的記憶，決定丟棄哪些信息以適應新的輸入。輸入門則負責控制新信息的引入，以更新當前單元的狀態。最后，輸出門則掌握著當前單元輸出哪些特征信息的控制權，以使網絡的輸出與任務需求相匹配。這三個門協同工作，使神經網絡能夠在不同時間步驟中有效地管理信息流，從而提高模型的性能和適用性。它們是深度學習中的關鍵組件，有助于實現更好的序列建模、自然語言處理、語音識別等任務。這種門控機制的使用使得神經網絡能夠更好地處理時序數據和長期依賴關系，為各種應用領域帶來了顯著的改進。通過組合三門等門控單元以實現信息的安全和當前狀態的更新。LSTM能夠將原始時間步長的有效信息傳遞到后續時間步長，從而克服了短時記憶的問題，改進了傳統RNN的限制。因此將復雜的時序序列數據通過LSTM進行大量訓練，其能夠更好地分辨數據的保留或刪除。LSTM神經網絡的性能受超參數的影響，通過調整超參數，以實現模型的穩定收斂并獲得可靠的實驗結果。

1.2" 粒子群算法

粒子群優化算法（Particle Swarm Optimization， PSO），是由Kennedy和Russell Eberhart于1995年提出的一種改進的全局尋優的算法[11]，起源于對大自然中的鳥群或魚群等生物群體覓食行為的研究。把每只鳥看作是一個粒子，其在空間范圍內不停運動，每個粒子擁有適應自身的速度和位置，空間中的粒子通過追搜尋最佳位置，不斷跟蹤和保存空間內最優粒子位置，從而得到全局最優解的過程實現。PSO算法式子如下：

（1）

式中： 中的t為t時刻個體最優位置解，gBest j（t）中的t為t時刻全局最優位置解， 為t時刻的第j個控制變量的第i個粒子的位置，C1和C2為學習因子，r1和r2為（0～1）區間內的隨機數。

（2）

式中： 為t時刻的第j個控制變量的第i個粒子的位置。

（3）

式中：w（t）為慣性權重因子。其可以調整尋優算法中的搜索能力。

圖1" LSTM模型結構圖

1.3" 預測性能評估公式

本文運用預測性能評估公式對模型的評估結果進行測算和評價，主要通過RMSE和MAPE的數值來進行預測評估。RMSE常用于度量回歸模型中預測值與實際值之間的偏離程度，其計算方式如式（4）所示：

（4）

其中Xi為區域二手房價預測實際值， 為區域二手房價預測值，n為樣本數量。

但在實際問題中，MAPE更適合處理極少數偏離程度極大的離群點，其計算方式如式（5）所示：

（5）

其中Yi為區域二手房價預測實際值， 為區域二手房價預測值，n為樣本數量。

2" PSO-LSTM優化方法

2.1" 數據集選擇

本文中的二手房價數據選取湖南省株洲市某區二手房價時序數據集進行預測實驗，該時間序列數據集從2015年4月到2022年12月共有154個樣本，部分數據如圖2所示。

圖2" 湖南省株洲市某區二手房價時序數據集

2.2" PSO-LSTM優化方法預測流程

LSTM神經網絡雖然解決了時間序列數據的梯度爆炸和依賴問題，但是在面對大量的數據集時，在最優參數的選擇上仍存在問題，不同的參數對于實驗結果存在很大的誤差。針對上述問題，本文通過采用PSO算法對LSTM神經網絡進行優化，獲得組合模型PSO-LSTM對區域二手房價進行預測，模型框架圖如圖3所示。

圖3" PSO-LSTM模型預測流程圖

具體預測步驟如下：

1）獲取湖南省株洲市某區二手房價原始數據，并對數據進行預處理。通過對原始數據采用X12方法并結合EViews軟件進行季節性因素的消除，如圖4所示，再通過歸一化等方法處理；接著對新得到的時序數據集進行劃分，將新的時序數據集分為訓練集和測試集，將前81條數據作為訓練集，后12條數據作為測試集。

圖4" EViews_X12方法圖

數據歸一化：本文通過最大最小標準化方法（Min-Max Normalization）進行歸一化處理，將數據縮放到[0，1]的范圍內，使得原始數據得到一個標準且變化平滑的數據集，計算方式如式（6）所示：

（6）

將歸一化后的數據集分為訓練集和驗證集，通過Adam算法更新模型的權重和偏差，經過反復訓練進而調整模型的超參數。得到預測結果后，需將預測結果進行反標準化處理，將縮放的預測值轉換回原始的房價范圍，從而與原始值進行對比。

2）初始化LSTM模型，本文采用LSTM標準的三層模型結構：輸入層、LSTM層和輸出層。初始化各參數值，構建LSTM神經網絡模型，包括迭代數、批處理數、神經元個數等參數。采用ReLU函數作為隱藏層的激活函數，進而應用Adam優化器對模型整體進行優化處理，使其具備更有效的調整學習率的能力。這有助于優化模型訓練過程，有效預防梯度爆炸問題的發生。

3）采用PSO算法對LSTM進行參數優化，粒子通過前一個粒子的最優位置，不斷地進行位置和速度的更替，而空間范圍內所有的粒子又同步向最優位置的粒子進行追蹤，進而不斷更新粒子的位置和速度，從而得到全局最優位置，通過全局尋優計算出最優粒子，從而得到LSTM的最優參數，提高預測模型的準確度。

4）將PSO得到的最優參數帶入LSTM模型，其中迭代次數150，隱藏元120，學習率0.04。模型使用區域二手房價數據進行學習，通過LSTM神經網絡深入分析時序數據，挖掘其中的潛在趨勢以預測第1時間步的房價價格。在預測第2時間步時，通過調整滑動窗口，將第1時間步的預測房價價格加入訓練集，以訓練模型預測第2時間步的房價價格。隨后，循環此過程，預測至第n時間步后停止。對輸出的預測值進行反歸一化的處理，得到最終的預測結果。

5）模型驗證輸出評價指標，采用RMSE和MAPE進行預測評估。兩者評估值越小，代表PSO-LSTM模型的性能就越好。

2.3" 實驗環境

本文的實驗采用64位的Win 10系統，處理器為AMD Ryzen 5 2500U with Radeon Vega Mobile Gfx，主頻2.00 GHz，內存8 GB，在Python3環境下通過Jupyter Notebook實現全部實驗過程。

2.4" PSO-LSTM模型擬合效果分析

在時序預測領域中，由于傳統的神經網絡預測存在梯度爆炸、梯度消失等問題，從而導致訓練難度大，而LSTM神經網絡模型的出現，改善了這一情況。因此，本文在模型的對比分析中采用LSTM模型與PSO-LSTM模型作為比對組，預測結果如圖5所示。

圖5" 各預測數據擬合圖

由圖可看出PSO-LSTM模型的模型擬合度比LSTM神經網絡模型的模型擬合度更接近實際值。且在2022年5月份的轉折處，PSO-LSTM模型的值更貼近于實際值。LSTM模型的整體預測趨勢與實際值的整體趨勢有偏離，而PSO-LSTM模型的整體趨勢更優于LSTM模型，更符合二手房價實際的趨勢走向，很好地提升了預測精度。

3" 實驗結果與分析

本文采用預測評估公式RMSE和MAPE來對模型的預測結果進行計算并預測評估，在對PSO-LSTM和LSTM模型的預測數據進行評估后得到的數據值，RMSE和MAPE的評估值越小，則代表模型的性能就越好。從預測訓練結果對比表表1中可看到，PSO-LSTM模型的RMSE值為137.28，相較LSTM降低了19.5%；而PSO-LSTM模型的MAPE值僅為1.59，比LSTM模型降低了22.05%。由評估預測值證實了PSO-LSTM模型的預測效果要優于LSTM模型。

表1" 模型預測訓練結果對比

預測模型 類別 RMSE MAPE

LSTM 時間序列模型 170.54 2.04

PSO-LSTM 神經網絡 137.28 1.59

由實驗結果證實了：通過PSO算法對LSTM模型進行優化可以很好地提升預測的精度，且優化后的模型能更好地適應大量的數據訓練，使得預測的精度大大提升，對實際數據的曲線擬合效果好。相較LSTM神經網絡模型，對真實數據的擬合效果更好，且預測評估也優秀。從上述評估角度可得出，PSO-LSTM模型對于區域二手房價的預測有更好的預測精度，能夠給買家、金融業、房地產業等提供更為可靠和科學的二手房價預測。

4" 結" 論

為了提升區域二手房價的預測精度，消除影響因素，達到更好的擬合趨勢，本文提出了一種基于PSO-LSTM的區域二手房價預測方法，通過引入PSO算法對LSTM模型進行優化，從而實現預測精度的提升。通過與LSTM神經網絡模型的實驗對比分析，PSO-LSTM模型預測方法能更好地對金融業、房地產業等產業進行高精度的預測，提供了合理且科學的預測參考。本文對PSO-LSTM的預測方法相較LSTM模型取得了更好的效果，預測精度也有提升，但對于整體的預測來說，并不能達到理想的預期。后續擬嘗試新的算法結合本文中基于LSTM的區域二手房價預測方法進行創新，通過多因素變量的分析，進一步提升區域二手房價的預測精度。

參考文獻：

[1] 王英偉，馬樹才.基于ARIMA和LSTM混合模型的時間序列預測 [J].計算機應用與軟件，2021，38（2）：291-298.

[2] 陳孝文，蘇攀，吳彬溶，等.基于改進長短期記憶網絡的時間序列預測研究 [J].武漢理工大學學報：信息與管理工程版，2022，44（3）：487-494+499.

[3] 蔡兆暉，曾凱，陳秋強.結合集合經驗模態分解的LSTM神經網絡在大宗商品價格預測應用研究 [J].冶金經濟與管理，2023（4）：52-56.

[4] 許鈺林，康孟珍，王秀娟，等.基于深度學習的玉米和大豆期貨價格智能預測 [J].智慧農業：中英文，2022，4（4）：156-163.

[5] 程先龍，保佑智，何度江，等.基于EMD-ELM-LSTM的短期風電功率預測 [J].昆明理工大學學報：自然科學版，2023，48（6）：78-87.

[6] 方雪清，吳春胤，俞守華，等.基于EEMD-LSTM的農產品價格短期預測模型研究 [J].中國管理科學，2021，29（11）：68-77.

[7] 高華睿，郝龍，王明明，等.基于Att-Bi-LSTM的高速公路短時交通流預測研究 [J].武漢理工大學學報，2020，42（9）：59-64.

[8] 于家斌，尚方方，王小藝，等.基于遺傳算法改進的一階滯后濾波和長短期記憶網絡的藍藻水華預測方法 [J].計算機應用，2018，38（7）：2119-2123+2135.

[9] 滿建峰，侯磊，楊凱，等.基于PSO-LSTM混合模型的天然氣管道多用氣節點負荷預測研究 [J].油氣與新能源，2022，34（6）：91-100.

[10] 高海翔，胡瑜，余樂安.基于分解集成的LSTM神經網絡模型的油價預測 [J].計算機應用與軟件，2021，38（10）：78-83.

[11] 呂柏行，郭志光，趙韋皓，等.標準粒子群算法的優化方式綜述 [J].科學技術創新，2021（28）：33-37.

作者簡介：周昌堉（1996—），男，漢族，廣東汕頭人，碩士研究生在讀，研究方向：數據分析、智能信息處理；李長云（1971—），男，漢族，湖南衡陽人，教授，博士，研究方向：軟件理論、物聯網工程、人工智能。