未来智讯 > 神经网络论文 > 基于BP神经网络的南京市房价预测

基于BP神经网络的南京市房价预测

发布时间:2019-04-26 22:20:57 文章来源:未来智讯    
基于BP神经网络的南京利率展望:未知摘要:一直以来,利率呈持续上升趋势,房地产整体市场形势错综复杂。 本文以南京市房地产价格为基础,建立了基于2001年至2016年南京房地产数据的BP神经网络模型。利用房地产开放投资,人均收入,人均累积支出,总量 人口和人均地理生产。 总价值和其他变量,2001年至2013年的数据作为培训集,2014年至2016年的数据作为验证集,2001年至2013年的模型,2014年至2016年的展望以及2014年至2016年的真实情况 比较年度数据,以验证该模型是否对房价前景有用。 该局发现该模型预计明年价格偏差较小,并期待在未来两三年内出现较大的价格偏差。 关键词:BP神经网络; 南京房价; 房屋价格展望
中图分类号:F293.3文献标识码:A文章编号:1008-4428(2019)02-0058-03
I.引言近年来,各大都市的价格在 国家一直在上升。 以南京为例,2001年南京市房屋平均价格为2,907元/平方米,到2010年达到1061元/平方米。 在过去10年中,房价上涨了四分之一,人均操纵收益猖獗三次。 为什么人均盈利能力的提高不如房价高? 原因是多方面的。 房地产供需不平衡,购房者的盈利能力,高人口,住房需求的改善以及对GDP增长的需求都归因于高房价。 综合考虑,影响房地产价格上涨的因素有很多,还有混乱,各种因素的相互作用,相互作用,如何期待房价的有用性,掌握住房价格的快速上涨,成为一个值得关注的问题 在今天的社会中,迫切想知道热门问题。 解决和阅读相关信息,影响房价的因素多而且混乱,如当局设定的土地价格,恒宇所在土地的位置,房屋供求关系,房地产政策等。 由国家发布,以及人口统计地位。 投资额,家庭平均收入,建筑面积,泳池面积和使用面积。 由于影响因素众多,影响因素之间存在相互关系,思维方面更加强大,处理房价的前景更加困难。 再加上许多影响因素的数据,很难获得作为影响因素的参考,但不容易插入模具,因此处理房价的前景只能尽可能多地进行改善 前景的准确性。 传统的计量经济模型,由模具凭证设定的变量可以很好地解释模具的操作,就像线性模型一样。 房价影响因素错综复杂,趋势多变。 传统模式用于期待住房价格的走势。子效率审查可能不太好,偏差很大。 BP神经网络模型不必区分输入和输出之间的函数关系。 虽然产量不太好,但房价前景更为理想。 由于BP神经网络模型的混沌函数关系,非线性更强。 综合考虑影响房价及其动荡的因素,本文在“南京统计年鉴”发布的基础上积累了数据,运用BP神经网络模型,对南京,2014,2015,2016年房价前景进行了验证及其验证。 正确性。 该局发现该模型在期待下一年的房价时具有更高的数据准确性,但在期待未来的第二年和第三年房价数据时更具偏见。 二,国家表的审查和审查
从古代到现在,“吃,穿,生活”构成了人们生活的主要部分,与人民生活和生活,生活是一个提供人的地方 窒息住房是口碑的象征。 如今,房价上涨的趋势和人们对房价的担忧使房价成为热点问题。 广大的大学生就房价问题进行了多次讨论。 从大都市商品房的价格影响来看,高夏,蒋丽红和李文平的决议因素分析将影响因素分为基本方法和因素因素,城市规模因素,都市经济因素。 和大都市的位置因素。 之后,分析了主成分回归方法,分析了上述因素与房价之间的关系。 结果发现,大都市经济因素,都市规模因素,基本方法和形势因素以及大都市区位因素等因素逐渐削弱了对房价的影响。 杨贵中解决了1997年至2005年成都市房价影响因素的相关数据,并期待房价的上涨。 他决定建立一个多边回报的片面模型。 他发现,在成都推广非农民口是影响成都商品住房价格的最重要因素。 一。 乔林和孔淑英利用2000 - 2009年4个一线城市和14个二线,三线城市的房地产数据,分析了两类城市房价因素。 发现影响第一线和第二线和第三线的因素都很大。 区别。 第一线的住房价格更受居民收入的影响。 第二层和第三层的价格受人口因素的影响更大。 局与杨桂中之间的讨论“影响成都房价的最严重因素是促进非农口”也是一致的。 随着社会经济的发展,影响房价的因素越来越混乱。 根据传统的计量模型,房价的范围变得越来越重要。 李东岳比较了房价预测模型,发现5度多项式模型的准确度高于灰色马尔可夫模型。 Limsombunchai和Gan等人。 基于来自夏威夷基督城的200个商业数据建立人工神经网络模型和Hedonic模具,并分析了这两个模型。 结果发现,人工神经网络模型比Hedonic具有更好的预期效率。模具很好。 周学军,陈文秀基于BP神经网络模型对黄冈市房价进行了A检验。 该局发现情况符合预期的偏差。 从学术研究的角度来看,有很多方法可以期待住房价格。 基于计量经济学建立的模型大多是线性模型。 如今,房价走势混乱,影响房价的因素错综复杂。 房价的变化存在非线性趋势。 预计只有线性模型的房价偏差很大,不可能给出更好的前景。 传统的计量模型尚未用于房价前景。 根据众多文献,BP神经网络不需要预先确定输入和输出之间的映射的数学方程。 它只决定自己的训练,学习某些标准,并在给出输出的环境中最大化输出。 通过这种方式,凭证输入和输出接近最大化办公室准确性的功能。 这是一个智能信息处理系统和技术发展的新产品。 本文采用BP神经网络模型对南京房价进行预测,然后对南京房价进行了验证,并对其正确性进行了评价。 三,BP神经网络模型BP神经网络(Back-ProPagation Network)是一种根据偏差反向传播算法训练的多层前馈神经网络,1986年由Rumelhart和McClelland科学家提出BP神经网络是最常见的神经网络 今天用的。 BP神经网络是在输入层和输出层之间添加几层神经元(一层或多层)。 这些神经元被称为隐藏单位。 添加的图层也称为隐藏图层。 隐藏层不直接连接到外部世界。 该层与输出层相关联,但它由输入层和输出层确定。 隐藏层实际上是神经网络自我训练训练的过程。 解决这种持续的自我教育,自我训练,提高网络输出的正确性,当偏差达到之前设定的偏差极限时,即停止训练,然后使用训练好的神经网络来制作局的情况 。 图1是m×n×r的三层BP网络模型。 4.南京市房价预测模型(1)变量的使用
南京是一个二线城市。 它现在仅限于新生产线。 对大量文件的提及是指南京经济增长相似的城市。 参考城市房价前景中使用的变量,如房地产开发投资,人均操纵收入,人均支出累计和总人口等,作为影响房价前景模型的因素。 此外,在文献和新闻发现的讨论中,当局提出的市场价格直接影响房地产开发商建房的成本; 房地产业对GDP的改善具有不可避免的影响,人均GDP不可避免地表明经济增长。 并预测房价的上涨和下跌。 因此,在房价预测过程中,除了影响文献的因素外,有必要将人均GDP和现场价格纳入模具。 但是,在收集数据的过程中,很难收集多年来的地价数据。 因此,它仅用作参考因子。 (2)数据的预处理在建立神经网络模型之前,有必要对原始数据进行标准化。 如果不进行标准化,模具中数据的训练率将优于此。 慢慢地,很可能找不到最佳功能模型,这意味着很可能无法接近输出值。 此外,除了训练率之外,归一化处理还可以提高策略的准确性。 归一化处理掌握[-1,1]之间的数据限制,将维数据转换为无量纲数据,并成为标量,以及排除因子对预期情况的影响。 (3)培训样本和探矿样本的机构
本文以2001年至2013年的数据为培训样本,以2014年至2016年的数据为试样,建立五输入层,5 a 隐藏层,输出层的神经网络,将归一化的输入样本导入网络,然后导入输出样本,确定隐藏层的权重,并设置阈值以确定因子和价格 这会影响每年的房价。 这种关系,同时选择旋转前景的要领,期待房价,即利用2001 - 2013年房价期待2014年房价,与2014年实际房价相比,神经网络的参数 朝着偏见减少偏差,等等达到训练的目的。 当偏差达到指标时,您可以使用训练有素的网络来期待它; 如果您测试外国到达指标,请返回培训直到测试成功。 (4)神经网络模型的建立本文使用的软件是MATLAB。 归一化原始数据的主要方法是在MATLAB中使用premnmx()函数。 选择Sigmoid函数作为隐藏层节点的激活函数,tansig是隐藏层神经元的传递函数,选择对数S型sigmoid函数作为输出节点的激活函数,而purein是转移 输出层神经元的功能。 创建BP神经网络并选择newff。 培训课程最多为5,000人,培训率为0.15,指标偏差为0.0000001。 (5)原始数据归一化后神经网络的训练和BP神经网络的训练。 经过反复训练和训练,模具显示的偏差达到指标的准确性。 最佳的网络训练本能如图2所示。从图2中可以看出,网络253次训练后的偏差低于0.0000001,然后暂停训练训练。 在神经网络模型达到最佳训练效率后,有必要保留当前网络模型,并且如果初始权重和阈值改变,则保留的目的是固定初始权重和阈值。然后无法保证无线电通信局的正确性。 在完成神经网络的训练之后,使用训练集中的数据(即2001-2013数据)测试训练的BP神经网络,并将预期房价与实际房价进行比较(2014-2016) 。 该局显示在表2中。从测试的角度来看,培训后的BP神经网络对于明年的邻近房价预测更好,第二年和第三年的第二次测试的效率是 越来越有效。 区别。 因此,借助BP神经网络模型,可以在必要的前提和不可避免的水平上,对明年的房价和房价走势进行预测。 五,结论本文探讨了房地产业的学术现状,区域经济增长环境及影响房价的相关因素,并采用了五个对房价影响较大且可量化的因素。 网络模型,解决方案将期待局和实际数据相比较,发现BP神经网络对房价前景有一定的实用性,就南京房价前景而言,该模型邻近房价前景较好 在明年。 然而,随着岁月的改善,前景的效率越来越差。 该模型的房价前景在当局的宏观调控中具有不可避免的参考价值。 另外,这篇文章也有一些局限性。 影响房屋销售价格的因素很多。 除了此模型中包含的因素外,还有许多因素无法量化。 例如,该国对房地产市场和经济状况的调控政策都是不可避免的。 影响,不能考虑进入模具,是本文的缺陷之一。 参考文献:[1]李云平。 房地产对中国经济的影响[J]。 技术与企业,2014(6):56。[2]王斌。 价格影响因素的房地产分析[D]。 北京:北京交通大学,2007。[3]高霞,蒋立红,李文平。 影响大都市商品房价格的因素分析[J]。价值月刊,2008(1):24-27。 [4]杨桂中。 影响成都商品价格的因素分析及房价前景[D]。 成都:西华大学,2007。[5]乔琳,孔淑红。 中国不同增长和分析影响房价的因素差异及对策[J]。 经济特区,2012(5):210-212。 [6]李东岳。 住房价格前景模型比较[J]。 工业技能经济,2006,25(9):65-67。 [7] Limsombunchai V,Gan C,Lee M.房价预测:Hedonic价格模型与人工神经元l网络[J]。 美国应用科学杂志,2004,1(3)。 [8]周学军,陈文秀。 基于人工神经网络BP算法的黄冈市房价预测[J]。黄冈师范学院学报,2014(3):13-15。 作者:吴昊,女,江苏盐城,南京财经大学科技硕士,偏向:区域经济,物业经济和经济统计。
转载请注明来源。原文地址:http://tangtes.cn/page/2019/0426/86743/
 与本篇相关的热门内容: