葉斯林 雷忠雨

摘 要 近年來，房價持續(xù)上漲，買房人壓力逐漸增大，房價預測成為人們談論的焦點話題。文章針對近期房價走勢預測問題，在綜合考慮歷史房價、人口數(shù)目、GDP、在崗平均工資和人均可支配收入等5個因素對房價影響基礎上，利用BP神經(jīng)網(wǎng)絡實現(xiàn)城市房價預測，并對重點城市2018年3月到5月的房價進行了預測，對房價預測影響因素的貢獻度進行了分析。

關鍵詞 房價預測；影響因素；BP神經(jīng)網(wǎng)絡；貢獻度分析

中圖分類號 G2 文獻標識碼 A 文章編號 1674-6708（2018）215-0156-03

近年來，我國房地產(chǎn)市場迅猛發(fā)展，房價也在一路攀升，買房成為人們談論最多的話題，同時如何在合適的時候出手買房也成為人們關注的焦點，由此便產(chǎn)生了房價的預測問題。目前研究主要集中在兩個方面，一是研究引起房價變化的主要因素，另一方面是選擇合適的數(shù)學模型對房價進行預測。

文獻[1]將房價的影響因素分為4個方面：自身因素、經(jīng)濟因素、政策因素和人口因素，并詳細分析了各因素的影響原因及影響大小。已有的數(shù)學模型主要包括確基于時間序列模型、基于經(jīng)驗預測模型和基于智能化預測模型三大類。其中基于時間序列模型是認為房價變動只受時間的影響，根據(jù)房價隨時間的變化趨勢，對二者之間的關聯(lián)性進行建模，再利用所建模型對未來房價進行預測。

基于經(jīng)驗預測模型是根據(jù)實際得到的與房價有關因素的數(shù)據(jù)進行數(shù)理統(tǒng)計分析，再按照一定的原則，如誤差最小原則，歸納出各因素與房價之間滿足的數(shù)學關系，然后對未來房價進行預測；基于智能化預測模型是利用仿生學原理進行模型的設計，屬于智能計算，主要的方法有遺傳算法、模擬退火、神經(jīng)網(wǎng)絡等。

本文主要選擇歷史房價、人口數(shù)目、GDP、在崗平均工資和人均可支配收入等5個因素，構建了基于BP神經(jīng)網(wǎng)絡的房價預測問題，最后對具有代表性的6個城市未來3個月的房價進行了預測，在此基礎上分析了個影響因素對房價走勢的貢獻度。

1 基于BP神經(jīng)網(wǎng)絡的房價走勢預測

1.1 BP神經(jīng)網(wǎng)絡基本原理

反向傳播神經(jīng)網(wǎng)絡（Back Propagation Neural Network）是人工神經(jīng)網(wǎng)絡理論的重要發(fā)展成果。BP神經(jīng)網(wǎng)絡結構較傳統(tǒng)的人工神經(jīng)網(wǎng)絡更瘦，往往達到3層或3層以上，包括一個輸入層，一個輸出層，一個或多個隱含層。每層由若干個節(jié)點構成，各層節(jié)點通過全連接的方式連接，而同層內(nèi)各神經(jīng)元之間相互獨立。BP神經(jīng)網(wǎng)絡在初始化權重后進行訓練，按照一定的規(guī)則（如梯度下降）使得輸出結果與期望輸出誤差最小。

BP神經(jīng)網(wǎng)絡的訓練過程可以分為兩部分，即前向傳播與后向傳播。在正向傳播時，輸入信號從輸入層輸入，在神經(jīng)元中進行線性計算并通過激活函數(shù)，并通過全連接的方式在網(wǎng)絡中傳遞，最終通過輸出層輸出。

我們通過某種度量反映輸出與期望的差異程度求取當前誤差，并轉(zhuǎn)入誤差反向傳播過程。反向傳播的過程本質(zhì)上是求復合函數(shù)偏導的過程，通過某種方法由輸出層向輸入層逐層修正連接權值使誤差減小。輸入信號的正向傳播與誤差的反向傳播過程是相互交替并不斷循環(huán)的。BP神經(jīng)網(wǎng)絡的訓練過程就是不斷調(diào)整神經(jīng)元內(nèi)參數(shù)，使網(wǎng)絡輸出不斷逼近標簽的過程，這個過程進行到輸出的均方誤差達到要求的標準。

1.2 模型建立與求解

1.2.1 數(shù)據(jù)與處理

由于原始數(shù)據(jù)樣本中各向量表征了不同的物理含義，因此具有不同的量綱且不同的數(shù)量級。在實際應用中，我們往往需要先將樣本數(shù)據(jù)歸一化，從而提高網(wǎng)絡的訓練速率。其轉(zhuǎn)換公式為：