傅瑩瑩

【摘要】本文選取20052014年北京市的房價(jià)及其房價(jià)主要影響因素作為實(shí)驗(yàn)數(shù)據(jù)，對影響北京房價(jià)的多種因素進(jìn)行分析，利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了房價(jià)預(yù)測模型，仿真后得出北京市2015年房價(jià)預(yù)測值，結(jié)果顯示用此模型進(jìn)行房價(jià)預(yù)測十分精確，具有可參考價(jià)值。

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；房價(jià)；預(yù)測模型；MATLAB

1 引言

房價(jià)事關(guān)國計(jì)民生，牽涉到方方面面的利益和資源，尤其關(guān)乎稀缺資源的優(yōu)化配置的問題。與此同時(shí)，房價(jià)預(yù)測也就顯得尤其重要。北京身為我國重要的一線城市，預(yù)測其房價(jià)對整個(gè)國民經(jīng)濟(jì)的研究更是具有重大的意義。

2 BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種能夠反映人腦特性的智能信息處理系統(tǒng)，它能夠模仿人腦系統(tǒng)的結(jié)構(gòu)和功能。目前在智能檢測、非線性預(yù)測、模式識(shí)別、機(jī)器人控制等很多領(lǐng)域都得到了廣泛的應(yīng)用。

BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）也稱為反向傳播神經(jīng)網(wǎng)絡(luò)，是一種具有3層或3層以上結(jié)構(gòu)的無反饋的、層內(nèi)無互連的網(wǎng)絡(luò)。標(biāo)準(zhǔn)的BP學(xué)習(xí)算法采用誤差函數(shù)按梯度下降的方法學(xué)習(xí)，使網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值之間的均方誤差最小。

3 建立BP神經(jīng)網(wǎng)絡(luò)的北京市房價(jià)預(yù)測模型

3.1數(shù)據(jù)選擇

本文為了使房價(jià)影響因素合理，選取了五個(gè)具有代表性的房價(jià)影響因素：地區(qū)生產(chǎn)總值、常住人口數(shù)量、商品房銷售面積、房地產(chǎn)開發(fā)投資總額、商品房平均銷售價(jià)格。數(shù)據(jù)來源于北京市住房和城鄉(xiāng)建設(shè)局發(fā)布的房價(jià)統(tǒng)計(jì)信息，具體如下表所示：

3.2數(shù)據(jù)預(yù)處理

為了解決原始數(shù)據(jù)樣本中各向量數(shù)量級差別大的問題，同時(shí)也為了提高網(wǎng)絡(luò)的訓(xùn)練速率，對原始數(shù)據(jù)樣本進(jìn)行歸一化處理。

3.3初始化參數(shù)的設(shè)定

本文選用帶有動(dòng)量梯度下降法作為網(wǎng)絡(luò)的訓(xùn)練方法，其訓(xùn)練函數(shù)為traingdm函數(shù)，性能函數(shù)為mse函數(shù)，動(dòng)量項(xiàng)系數(shù)為η=0.8，學(xué)習(xí)率μ=0.01，最大訓(xùn)練次數(shù)為10 000次，目標(biāo)誤差為0.001，初始的權(quán)值和閾值為系統(tǒng)默認(rèn)的值，每運(yùn)行50次顯示一次訓(xùn)練過程，其他參數(shù)均為缺省值。

3.4隱含層節(jié)點(diǎn)數(shù)的確定

在實(shí)驗(yàn)中，往往根據(jù)經(jīng)驗(yàn)公式得到一個(gè)粗略的估計(jì)值作為初始值，再用試湊法確定最佳節(jié)點(diǎn)數(shù)。

其中，m為隱含層節(jié)點(diǎn)數(shù)；n為輸入層節(jié)點(diǎn)數(shù)；l為輸出層節(jié)點(diǎn)數(shù)；α為1～10之間的整數(shù)。本文將輸入層神經(jīng)元設(shè)為4，輸出層神經(jīng)元設(shè)為1，選擇該神經(jīng)網(wǎng)絡(luò)隱含層的神經(jīng)元個(gè)數(shù)為4。

3.5轉(zhuǎn)移函數(shù)的確定

在本文設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)中，隱含層的傳遞函數(shù)為Sigmoid型正切函數(shù)tansig，輸出層的傳遞函數(shù)為purelin函數(shù)。

3.6模型訓(xùn)練和仿真結(jié)果

使用20052012年的因素?cái)?shù)據(jù)作為輸入向量；以20062013年的因素?cái)?shù)據(jù)作為目標(biāo)輸出，同時(shí)作為訓(xùn)練樣本；20122013年數(shù)據(jù)作為測試驗(yàn)證樣本。最終根據(jù)20132014年的因素?cái)?shù)據(jù)預(yù)測出2014及2015年北京市住宅商品房的平均銷售價(jià)格。

3.6.1模型訓(xùn)練

網(wǎng)絡(luò)經(jīng)初始化，利用函數(shù) TrainLm對網(wǎng)絡(luò)進(jìn)行4次訓(xùn)練后，網(wǎng)絡(luò)誤差達(dá)到了誤差目標(biāo)goal=0.001的要求，學(xué)習(xí)樣本訓(xùn)練結(jié)束（如下圖所示）。

3.6.2測試模型及數(shù)據(jù)預(yù)測

根據(jù)已經(jīng)建立的BP神經(jīng)網(wǎng)絡(luò)模型，可以看出房價(jià)預(yù)測的結(jié)果是比較理想的。得到的預(yù)測值是0.9284，與實(shí)際值1相比，準(zhǔn)確率達(dá)到了92.84%。進(jìn)而對2014及2015年房價(jià)的預(yù)測，得出：

y_test=0.9450 0.9749。

可知最終預(yù)測出的2014年及2015年房價(jià)分別為17210.95元/平方米和17560.53元/平方米。

4 結(jié)論

本文利用BP神經(jīng)網(wǎng)絡(luò)模型對北京市房價(jià)進(jìn)行了比較精準(zhǔn)的預(yù)測，結(jié)果較為可靠。同時(shí)也存在一些不足，一方面除了文中用到的五個(gè)因素，房價(jià)還在不同程度上受國家調(diào)控政策、國際金融環(huán)境等難以用數(shù)據(jù)進(jìn)行表達(dá)的因素影響；另一方面文中所參照的歷史數(shù)據(jù)具有一定程度的局限性，這也制約了研究的準(zhǔn)確度。在今后的研究中都需要改進(jìn)。

參考文獻(xiàn)：

[1]徐麗娜.神經(jīng)網(wǎng)絡(luò)控制[M].北京：電子工業(yè)出版社，2003

[2]朱雙東.神經(jīng)網(wǎng)絡(luò)應(yīng)用基礎(chǔ)[M].沈陽：東北大學(xué)出版社，2000

[3]許光建，魏義方，戴李元等.中國城市住房價(jià)格變動(dòng)影響因素分析[J].經(jīng)濟(jì)理論與經(jīng)濟(jì)管理，2010，（8）