人工神经网络在房地产价格预测中的应用研究

论文摘要

我国房地产行业在住宅货币化、商品化、土地有偿使用等一系列的市场化改革之后,经过三十多年的建设与发展,产业规模不断扩大,已经成为国民经济的支柱性产业。面对房地产业的高风险和高收益,随着而来的是行业的投机、炒作现象日益严重。同时,房地产是资本密集型行业。因此,如何充分掌握信息资源,有效地预测房地产市场,使政府和房地产企业能对房地产市场进行较准确的估计、预测和判断,成为了重要而迫切的研究课题,具有很强的理论和现实意义。现阶段的房地产市场价格预测方法常见的有线性回归预测模型、时间序列预测、趋势线预测法等。而影响房地产价格的主要数据指标涉及许多不确定因素,且相互关系错综复杂,预测房地产价格实际上是一个非线性问题。人工神经网络依据数据本身的内在联系建模,克服了传统线性分析和人员主观判断的影响,具有良好的自组织、自适应性,同时具有很强的学习能力以及抗干扰能力。本文以人工神经网路作为主要研究工具。首先,对房地产价格特征及其影响因素进行概述,通过分析可以发现住宅商品房价格主要受该地生产总值、人均可支配收入水平、居民消费价格指数、土地开发投资、房地产开发投资额等因素的影响。其次,对人工神经网络理论和方法进行介绍,着重介绍了其中的BP网络模型、PCA-BP网络模型以及Elman网络模型。最后,结合人工神经网络理论和方法以及房地产价格影响因素,以扬州住宅商品房为例,建立房地产价格预测模型,分别运用之前介绍的三种模型进行训练,用训练好的网络进行预测,并对预测结果与真实结果进行比较,总结方法优点和改进之处。文章的最后,提出了本文研究的不足和后续研究的展望。

论文目录

• 中文摘要
• Abstract
• 1 绪论
• 1.1 研究目的和意义
• 1.1.1 我国房地产行业的发展现状
• 1.1.2 研究意义
• 1.2 房地产价格预测相关研究现状
• 1.3 本文的研究思路与目标
• 1.3.1 研究目标
• 1.3.2 研究内容
• 1.3.3 技术路线
• 1.3.4 可能的创新
• 2 房地产市场价格分析
• 2.1 房地产概述
• 2.1.1 房地产的定义
• 2.1.2 房地产的特性
• 2.2 房地产价格的特征和影响因素
• 2.2.1 房地产价格的特征
• 2.2.2 房地产价格影响因素
• 3 神经网络计算模型
• 3.1 神经网络概述
• 3.1.1 神经网络的发展史
• 3.1.2 神经网络原理
• 3.1.3 神经网络的应用
• 3.2 基于神经网络的房地产价格预测原理
• 3.2.1 正向建模
• 3.2.2 逆向建模
• 3.3 反向传播（Back-Propagation,BP）网络理论
• 3.3.1 BP网络结构
• 3.3.2 BP网络学习规则
• 3.3.3 BP网络设计技巧
• 3.3.4 初始值的选取
• 3.3.5 BP网络的局限性
• 3.3.6 提高泛化能力的方法
• 3.4 Elman神经网络模型
• 3.4.1 Elman神经网络结构
• 3.4.2 Elman神经网络的学习过程
• 4 人工神经网络在房地产价格预测模型中的应用
• 4.1 应用背景介绍
• 4.2 BP神经网络在房地产价格预测模型中的应用
• 4.3 BP改进模型在房地产价格预测中的应用
• 4.3.1 主成分分析（Principal Component Analysis,PCA）
• 4.3.2 实验仿真
• 4.4 Elman网络在房地产价格预测中的应用
• 4.5 本章小结
• 5 总结与展望
• 参考文献
• 攻读硕士期间发表的论文及科研成果
• 致谢