基于BP神经网络的南昌市房价评估及预测（终稿）.doc

基于BP神经网络的南昌市房价评估及预测 摘要 本文将BP神经网络理论应用于南昌市房地产市场比较法价格评估与预测,讨论了网络结构的设计、学习算法等问题，并做了改进。 房地产的市场价格受众多因素影响，我们把因素分为宏微观两方面。我们选取了南昌市各个行政区划多个小区新住宅房作为样本。并据此建立三个数学模型，并分别基于神经网络在matlab中实现。 模型一：基于BP神经网络的估价模型 我们固定某一时点，即宏观因素不变，仅考虑微观因素对房地产价格的影响。具体而言，将神经网络理论对各楼盘和其对应为微观指标的关系矩阵进行网络学习和训练，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小，我们就应用此模型估计其他楼盘的价格。 模型二：基于改进BP的价格预测模型 在此模型中，我们忽略微观因素对房价的影响，仅考虑宏观因素。我们选取6个反应房地产价格的滞后性经济指标，然后找出2007年一季度至2010年二季度的各经济指标值，构成一个房价价格指标与宏观经济因素的关系矩阵。并以东湖-红原星城楼盘为例，根据其以往的房地产价格并应用神经网络算法，就可预测出此楼盘2010年第三季度的楼盘价格。 模型三：综合指标价格预测模型 在此模型中，我们同时考虑微观因素和宏观因素对房价的影响，构造了一个融合两种因素的综合指标体系，应用神经网络理论，就可以估计出任意楼盘（包括即将推出的楼盘）在2010年第三季度的季度均价。以东湖-红原星城楼盘为例，根据其以往的房地产价格并应用神经网络算法，就可预测出此楼盘2010年第三季度的楼盘价格。预测结果和模型二大致相同。此外还对南昌市2010年第三季度即将推出的楼盘：青山湖-天御国际公寓进行估价，并预测其2010年第三季度的价格为8246.1元 模型三能很好地对任意房地产进行估价和预测，但缺点是只能预测下一季度的价格。在模型的改进与推广中，我们提出基于ANFIS的价格预测模型，该模型能很好的预测出未来的房价，与模型三的预测值具有很强的一致性。且时间越接近，预测的误差越小。 关键词：BP神经网络 房价评估及预测 改进BP算法改进BP算法 1.题目提供的数据在误差允许范围内真实有效 2.房地产业健康稳定发展 3.在着重讨论主要因素时，其他的次要因素对主要因素的影响可以忽略 4.各宏观指标均为季度性指标且在每一季度内不变。其次宏观指标滞后性指标，滞后时间约为一季度 5.所有的楼盘价格均为季平均价格 6.未给出的楼盘季度数据均可由简单的线性插值得出 (二)符号说明 输出层节点数 输入节点数 隐含层节点数 输出层阈值 链接权值 初始化隐含层阈值 BP神经网络的输入值 BP神经网络的预测值 四、 模型建立与求解 （一） 模型一：基于BP神经网络的估价模型（考虑房价微观因素） BP神经网络是一种多层前馈神经网络，主要特点是信号前向传递，误差反向传递。在前想传递中，输入信号从输入层京隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。BP神经网络的拓扑结构如图1所示。 图1 BP神经网络层次图 图1中，BP神经网络的输入值，是BP神经网络的预测值，固定权和可调权为BP神经网络权值。从图可以看出，BP神经网络可以看成一个非线性函数，网络输入值和预测值分别为该函数的自变量和因变量。当输入节点数为，输出节点数为时，BP神经网络就表达了从个自变量到个因变量的函数映射关系。 BP 神经网络预测钱首先要训练网络，通过训练师网络具有联想记忆和预测能力。BP神经网络的训练过程包括以下几个步骤。 步骤1:网络初始化。根据系统输入输出序列（,）去顶网络输入层节点数、隐含层节点数，输出层节点数，初始化输入层、隐含层和输出层神经元之间的连接权值，初始化隐含层阈值，输出层阈值，给定学习速率和神经元激励函数。 步骤2：隐含层输出计算。根据输入向量，输入层和隐含层见链接权值以及隐含层阈值，计算隐含层输出。 公式中，为隐含层节点数；为隐含层激励函数，该函数有多种形式，我们取： 步骤3：输出层输出计算。根据隐含层输出，链接权值和阈值，计算BP神经网络预测输出 步骤4：误差计算。根据网络预测输出和期望输出，计算网络预测误差。 步骤5：权值更新。根据网络预测误差更新网络连接权值，。 式中，为学习速率。 步骤6：阈值更新。根据网络预测误差更新网络节点阈值。 步骤7：判断算法迭代是否结束，若没有，返回步骤2。 1.输入层的确定 神经网络的输入层起缓冲存储