基于bp神經(jīng)網(wǎng)絡的南昌市房價評估及預測(編輯修改稿)
2025-07-17 12:28 本頁面
【文章內(nèi)容簡介】 性經(jīng)濟指標[2]，然后找出2007年一季度至2010年二季度的各經(jīng)濟指標值，構(gòu)成一個房價價格指標與宏觀經(jīng)濟因素的關(guān)系矩陣。再根據(jù)某樓盤以往的房地產(chǎn)價格，就可預測出此樓盤2010年第三季度的樓盤價格。此處我們以東湖紅原星城樓盤為例，將某季度的宏觀指標與下一季度的價格對應，而2010年第二季度的宏觀經(jīng)濟指標就成為2010年第三季度的預測，就形成一個新的矩陣，如表2。表2 各季度宏觀指標與紅原星城樓盤的價格利率物業(yè)管理價格指數(shù)土地交易價格指數(shù)住宅用地城鎮(zhèn)居民人均可支配收入CPI季度下一季度價格2007一季度1103577 3900二季度6517 4200三季度9762 4500四季度13222 50002008一季度3833 5250二季度7258 5280三季度1009559 5280四季度10011015112 52802009一季度1004240 5281二季度1008002 5282三季度12084 4800四季度16472 48002010一季度4656 4800歸一化后數(shù)據(jù)結(jié)果見附錄三模型的求解求解步驟與模型一基本一致。數(shù)次訓練后得出訓練圖6。預測誤差及百分比見圖7和圖8。 圖6 BPX網(wǎng)絡預測輸出由圖6可看出，預測輸出和實際輸出完全吻合圖7BPX 網(wǎng)絡預測誤差百分比圖8 BPX網(wǎng)絡預測誤差模型預測機器學習完畢后，我們利用神經(jīng)網(wǎng)絡檢驗二季度的房價和預測一季度的房價。檢驗指標利率物業(yè)管理價格指數(shù)土地交易價格指數(shù)住宅用地城鎮(zhèn)居民人均可支配收入CPI季度2010一季度4656 二季度8800 第一季度預測值：+003 實際值：4800第二季度預測值：+003 在此模型中，我們是以某一樓盤來算的。同理可推廣到城市房價。如果我們輸入城市往年數(shù)據(jù)，通過機器學習，就可以預測到新季度城市房屋均價。本模型的matlab程序見附錄四要求得南昌房地產(chǎn)的下季度均價，只需要把南昌市歷史數(shù)據(jù)代入，即可得南昌市2010年第三季度的房地產(chǎn)價格。（3） 模型三:基于改進BP的價格預測模型（綜合考慮宏觀和微觀因素）因為在現(xiàn)實生活中房價受宏觀因素和微觀因素影響，綜合模型一和二，我們采用改進的BP算法來進行房價預測。在此次模型求解中，我們發(fā)現(xiàn)，當影響房價的指標值相同或者很大部分相同時，我們將其不考慮，否則神經(jīng)網(wǎng)絡在學習的過程中找不到規(guī)律，求解不出來。在此次模型求解中，我們不需要考慮的指標是房子的結(jié)構(gòu)類型和裝修。數(shù)據(jù)見附錄六模型的求解運行和模型二相同的代碼，為求出更精準的值，我們將訓練次數(shù)改為2000，誤差圖和誤差百分比圖見圖10和11圖9 BPX網(wǎng)絡預測輸出圖10 BPX網(wǎng)絡預測誤差 圖11 BPX預測誤差百分比高新開發(fā)區(qū)中凱藍域樓盤預測，各指標歸一化后如下：周邊配套地段綠化率交通戶均車位利率物業(yè)管理價格指數(shù)土地交易價格指數(shù)住宅用地城鎮(zhèn)居民人均可支配收入CPI季度 0根據(jù)訓練過后，可以得到預測樓價值為 4350 元每平方米。其真實值為4400.，%此外我們還對南昌即將推出的青山湖天御國際公寓樓盤做了評估和預測，運用改進BP算法，在此模型中，我們綜合考慮了影響房價的微觀因素和宏觀因素，通過采用改進的BP算法來預測房價。五、模型的推廣與改進基于ANFIS的價格預測模型模型三能很好地對現(xiàn)有其他樓盤的估價和對新樓盤價格的預測，但缺點是只能預測一個季度的樓盤均價，因此我們提出模型四對此進行改進和補充。模型四既是模型二的改進，又是模型三的互補模型。模型原理ANFIS(Adaptive Networkbased Fuzzy Inference System）即神經(jīng)模糊推理系統(tǒng)，具有自適應學習能力的神經(jīng)網(wǎng)絡模糊推理系統(tǒng)(ANFIS)。運用神經(jīng)網(wǎng)絡模擬估價師大腦內(nèi)部的結(jié)構(gòu),借助模糊推理方法表達專家知識、模擬專家的判斷和推理,建立基于自適應神經(jīng)網(wǎng)絡模糊推理系統(tǒng)的商品住宅價格評估模型。這種價格模型的基本原理是:借用神經(jīng)網(wǎng)絡中比較成熟的“誤差逆向傳播”(Back Propagation)參數(shù)學習算法,對一組給定的輸入輸出數(shù)據(jù)集進行學習,來調(diào)整模糊推理系統(tǒng)中變量的隸屬函數(shù)的參數(shù)。其最大的特點是:基于數(shù)據(jù)進行建模,通過對大量已知數(shù)據(jù)的學習得到模糊隸屬度函數(shù)及模糊規(guī)則。模型的算法步驟1)建立估價體系,采集可比實例樣本2)運用訓練樣本,建立模糊推理系統(tǒng)3)借助神經(jīng)網(wǎng)絡對訓練樣本的學習,通過最小二乘反向傳播算法調(diào)整模糊推理系統(tǒng)中變量的隸屬度函數(shù)的形狀參數(shù)4)應用訓練好的神經(jīng)模糊推理系統(tǒng)對待估房地產(chǎn)進行價格評估模型的建立在在此模型中我們假設房地產(chǎn)未來的價格和過去可比數(shù)據(jù)有較強的相關(guān)性，根據(jù)過去大量的樣本，可以預測將來一段時間的房地產(chǎn)價格。我們以東湖紅原星城樓盤為例，其過去24個季度的價格樣本，建立表格如下：東湖紅原星城2004四季度28002008一季度50002005一季度3000二季度5250二季度3200三季度5280三季度3400四季度5280四季度34002009一季度52802006一季度3500二季度5281二季度3600三季度5282三季度3600四季度4800四季度38002010一季度48002007一季度3900二季度4800二季度3900三季度4200四季度4500用matlab編程實現(xiàn)，具體程序見附錄五輸出結(jié)果如下： 圖11anfis網(wǎng)絡預測輸出在圖11中，我們可以看到藍線和綠線在完全吻合，而綠線多出的的3個圈即為我們經(jīng)過訓練后得到函數(shù)，將指標輸入得到的預測房價。圖12網(wǎng)絡預測誤差
醫(yī)療健康相關(guān)推薦
鄂ICP備17016276號-1