基于支持向量机的房地产估价方法研究

论文摘要

近年来,随着房地产一级市场和二级市场的快速发展,房地产交易活动日益频繁,房地产估价越来越受到人们的重视。由于影响房地产价格的因素复杂多变,房地产价格的评估必须综合考虑房地产市场的特性及可能存在的影响因素,因此,房地产估价除了依据相应的理论与方法外,还必须依赖于估价人员对市场变化的把握程度与判断能力。市场比较法、成本法、收益法是目前房地产估价的常用方法,它们各有侧重,分别从不同的角度对房地产的价格做出估计,具有一定的主观性和局限性。机器学习可以通过数据集的学习,寻找输入与输出之间的函数关系,利用函数关系对任意给定的输入做出尽可能准确的输出预测。支持向量机是在统计学习理论基础上发展起来的一种新的机器学习方法,由于采用了结构风险最小化理论,特别适用于解决非线性、有限样本空间数据的拟合,具有推广能力强,结构稳定等特点,已在不同的领域得到了广泛的应用。本文在总结分析三种基本的房地产估价方法的基础上,针对房地产估价的特点,提出应用支持向量机进行房地产估价。论文简单阐述了支持向量机的相关概念、原则与方法,分析了影响房地产价格的因素,并建立了相应的量化指标。结合西安市2002-2006年实际交易的60组采样数据,通过反复试算,最终确定了支持向量机的三个参数,从而建立了房地产估价模型,并对其中的10组数据进行预测,得到了较高的预测效果。为了验证支持向量机的房地产估价模型的有效性,还与市场比较法及RBF进行了对比分析,得出了几点有意义的结论。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及研究意义
• 1.2 国内外研究现状
• 1.3 本文的主要研究内容
• 第二章 理论基础
• 2.1 引言
• 2.2 统计学习理论基础
• 2.2.1 VC 维
• 2.2.2 经验风险最小化原则（ERM）
• 2.2.3 结构风险最小化原则（SRM）
• 2.3 支持向量机的基本原理
• 2.4 SVM 回归
• 2.4.1 SVM 线性回归
• 2.4.2 SVM 非线性回归
• 2.4.3 核函数
• 2.5 SVM 学习算法
• 2.5.1 选块算法
• 2.5.2 分解算法
• 2.5.3 序列最小优化算法
• 2.6 SVM 损失函数
• 第三章 常用房地产估价方法
• 3.1 市场比较法
• 3.1.1 理论依据
• 3.1.2 适用范围
• 3.1.3 计算公式
• 3.1.4 存在的问题
• 3.2 成本法
• 3.2.1 理论依据
• 3.2.2 适用范围
• 3.2.3 计算公式
• 3.2.4 存在的问题
• 3.3 收益还原法
• 3.3.1 理论依据
• 3.3.2 适用范围
• 3.3.3 计算公式
• 3.3.4 存在的问题
• 第四章 基于支持向量机的房地产估价方法
• 4.1 影响房地产价格的因素分析
• 4.1.1 供求因素
• 4.1.2 行政因素
• 4.1.3 经济因素
• 4.1.4 人口因素
• 4.1.5 建筑物个别因素
• 4.2 房地产价格评估指标体系和量化标准的建立
• 4.2.1 房地产评估指标体系的形成
• 4.2.2 影响房地产价格指标量化标准的建立
• 4.3 基于支持向量机的房地产估价模型的建立
• 4.4 建立误差性能评价标准
• 第五章 基于支持向量机的房地产估价模型实例分析
• 5.1 样本数据的准备
• 5.2 用SVM 房地产估价模型进行预测分析
• 5.2.1 参数的选择
• 5.2.2 用SVM 房地产估价模型进行房价预测
• 5.3 SVM 与其它房地产估价方法的对比分析
• 5.3.1 SVM 与市场比较法的对比分析
• 5.3.2 SVM 与RBF 神经网络的对比分析
• 5.4 小结
• 结论
• 参考文献
• 附录
• 攻读学位期间发表的论文
• 致谢