亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)銷售額預(yù)測

        2020-10-30 17:06:54趙云柯
        科學導(dǎo)報·學術(shù) 2020年42期
        關(guān)鍵詞:機器學習房地產(chǎn)

        趙云柯

        摘 ?要:最近十幾年里普通民眾對房價的漲跌始終保持著很高的關(guān)注度,而這一關(guān)注度或許可以通過百度搜索指數(shù)得到量化。

        而另一個面向,我們相信房地產(chǎn)銷售額的波動會與多數(shù)民眾某些經(jīng)濟行為的特性發(fā)生關(guān)聯(lián)。這或許可以通過電影排片場次得到側(cè)面的體現(xiàn)。

        基于上述思考,我們希望利用神經(jīng)網(wǎng)絡(luò),通過以某一周“上海房價”的百度搜索指數(shù)、上海電影排片場次和上海房地產(chǎn)平均單位面積銷售價格為自變量建立模型,來擬合計算得出該周上海房地產(chǎn)銷售額。

        關(guān)鍵詞:神經(jīng)網(wǎng)絡(luò);機器學習;多元回歸;房地產(chǎn)

        一、具體問題及分析

        1)收集并整理從2016年到2019年每周“上海房價”百度搜索指數(shù)、每周上海電影排片場次、每周上海房地產(chǎn)單位面積平均售價,每周上海房地產(chǎn)銷售額的數(shù)據(jù),并制作樣本與測試集。

        2)搭建并使用1)中的數(shù)據(jù)訓(xùn)練基于深度學習的神經(jīng)網(wǎng)絡(luò)模型,利用均方差損失函數(shù)和梯度下降法擬合求解回歸模型。

        3)在2)所得出的回歸模型當中,解釋結(jié)果模型的各自變量對上海房地產(chǎn)銷售額的影響,解釋其在現(xiàn)實生活中的含義并進行相關(guān)探討。

        二、模型的假設(shè)

        本文所要研究的是百度搜索指數(shù)、電影排片場次及平均銷售價格對于房地產(chǎn)銷售總額的影響。對于本文所考慮的問題,基礎(chǔ)的線性回歸問題不足以擬合出貼合度較好的函數(shù),因此我們將線性關(guān)系轉(zhuǎn)為高次的函數(shù)。考慮到三個自變量之間關(guān)聯(lián)度并不高,我們將模型定義為:

        對應(yīng)索引i,即:

        同線性回歸問題一致,我們采用平方誤差函數(shù)作為損失函數(shù),小批量隨機梯度下降法作為優(yōu)化算法。可以得出索引i的損失函數(shù)為:

        因此同線性回歸問題,一次迭代中的平均損失函數(shù)為:

        即:

        顯然,每次迭代對于參數(shù)調(diào)整的優(yōu)化方法為:

        對于超參數(shù)的設(shè)置,我將迭代次數(shù)定為100000次,初始學習率定為0.1。隨著迭代的進行,我使用了類似于離散下降的方式來動態(tài)調(diào)整學習率:當該次迭代損失函數(shù)優(yōu)于上次時,學習率增長上次的5%;當該次迭代損失函數(shù)劣于上次時,學習率減少上次的50%,且保證學習率的波動范圍一直處在0.01與0.8之間。如此設(shè)置,既保證了迭代的效率,使得模型能夠在有限次內(nèi)高效地得出較優(yōu)解,也確保了準確度,使得函數(shù)不會波動過于動蕩。

        將所有數(shù)據(jù)進行整合后,我們令2016年1月4日到1月10日為第1周,將第1周至第200周的數(shù)據(jù)作為樣本,其余數(shù)據(jù)作為測試集。

        三、模型擬合結(jié)果

        我們設(shè)百度搜索指數(shù)為x1,電影排片場次為x2,單位面積平均售價為x3。通過python編程,可知w參數(shù)對應(yīng)不同自變量不同次項分別為:

        四、回歸模型擬合結(jié)果分析

        機器學習所得到的回歸模型平均損失函數(shù)值為0.000476。相比之下,沒有經(jīng)歷過任何優(yōu)化的初始模型損失函數(shù)值約為0.001,可以發(fā)現(xiàn)精確度得到了顯著的提升。對于樣本而言,我們的模型剔除了樣本中的極端值,預(yù)測結(jié)果的平均值與樣本因變量接近,而方差比樣本更小,相較于樣本更為平滑連貫,兩者的比對圖形如下圖1:

        其中橫軸為周數(shù),縱軸為上海每周房地產(chǎn)總銷售額除以10,000后的商。藍色為實際值的函數(shù),黃色為預(yù)測值的函數(shù)。藍色幾個異常的極低點,都是發(fā)生在春節(jié)期間。由于在春節(jié)放假期間幾乎不會有任何房屋交易,所以在這一非經(jīng)濟和關(guān)注度條件的影響下,藍色曲線的值會異常的低。社會文化因素也導(dǎo)致藍色實際值出現(xiàn)了個別因變量極高的數(shù)據(jù),這些都無法被我們基于經(jīng)濟水平和大眾關(guān)注的模型預(yù)測出來。但依然,我們可以看出兩者的趨勢大致吻合,總體來說依舊具有一定的適用性。

        而對于測試集所計算出的預(yù)測值與實際值,即使測試集中包含了2020年春節(jié)時期的數(shù)據(jù),具有顯著社會文化因素的影響,但兩者差距在5%顯著性對應(yīng)的z分數(shù)1.64個標準差之內(nèi)的占比依舊超過了80%??梢钥闯觯词箤τ谠跇颖緯r間段之外的測試集,我們的模型依舊擁有客觀的正確率。

        五、結(jié)論與展望

        本文針對百度搜索指數(shù)、電影排片場次及平均銷售價格對于房地產(chǎn)銷售總額的影響,提出了基于神經(jīng)網(wǎng)絡(luò)利用機器學習對各參數(shù)進行高次函數(shù)建模擬合的方法,并通過對百度搜索指數(shù)、電影排片場次、平均銷售價格與房地產(chǎn)銷售總額建立函數(shù)關(guān)系進行了應(yīng)用,為未來利用不同自變量對因變量的預(yù)測提供了指導(dǎo)。本文獲得的主要結(jié)論如下:

        (1)基于單層神經(jīng)網(wǎng)絡(luò),采用平方誤差函數(shù)作為損失函數(shù),小批量隨機梯度下降法作為優(yōu)化算法,近似離散下降的方式動態(tài)調(diào)整學習率,進而建立了以百度搜索指數(shù)、電影排片場次及平均銷售價格為自變量,房地產(chǎn)銷售總額為因變量的5次函數(shù)。所建模型適用于與處理后單位相同,且位于上海的數(shù)據(jù)。

        (2)以房地產(chǎn)銷售總額為對象,基于神經(jīng)網(wǎng)絡(luò)實踐了機器學習模型在互相之間關(guān)系較淺的多特征擬合問題的應(yīng)用。本文所建模型的預(yù)測值與實際值雖然有一定的誤差,但函數(shù)更為平緩,有利于對于樣本時期之外的數(shù)據(jù)進行預(yù)測。同時小批量隨機梯度下降法與動態(tài)調(diào)整學習率的使用使得模型效率較高,100000次迭代在普通的家用筆記本電腦上可以在約30分鐘內(nèi)完成。

        當然,本文的模型由于僅僅考慮了經(jīng)濟水平與大眾購買意愿這兩個因素,在實際使用時出于社會文化因素等原因的影響會出現(xiàn)一定的偏差。若要完全了解并構(gòu)建出能夠精準預(yù)測房地產(chǎn)銷售額的多特征模型,我們?nèi)孕柙谖磥硗度氪罅康墓ぷ?,考慮更多的因素,并展開更深入的研究。

        參考文獻

        [1] ?基于MATLAB的房價預(yù)測與調(diào)控模型研究[J]. 成鴻飛,王江鵬,余琴.科協(xié)論壇(下半月). 2010(06)

        [2] ?基于BP神經(jīng)網(wǎng)絡(luò)的房價預(yù)測[D]. 崔慶都.西南石油大學 2011

        [3] ?動手學深度學習[M]. 阿斯頓·張.人民郵電出版社.2019

        猜你喜歡
        機器學習房地產(chǎn)
        基于詞典與機器學習的中文微博情感分析
        基于網(wǎng)絡(luò)搜索數(shù)據(jù)的平遙旅游客流量預(yù)測分析
        時代金融(2016年27期)2016-11-25 17:51:36
        前綴字母為特征在維吾爾語文本情感分類中的研究
        房地產(chǎn)管理的重要性及其研究
        房產(chǎn)售樓寶項目研究
        科技視界(2016年22期)2016-10-18 15:02:46
        關(guān)于房地產(chǎn)是支柱產(chǎn)業(yè)的辨析
        中國市場(2016年33期)2016-10-18 12:38:42
        化解我國房地產(chǎn)庫存對策研究
        商(2016年27期)2016-10-17 05:17:30
        新形勢下的房地產(chǎn)企業(yè)成本控制研究
        商(2016年27期)2016-10-17 04:00:11
        基于支持向量機的金融數(shù)據(jù)分析研究
        “白銀時代”房企轉(zhuǎn)型,路在何方
        人民論壇(2016年27期)2016-10-14 13:21:12
        亚洲综合色成在线播放| 亚洲tv精品一区二区三区| 高清精品一区二区三区| 久久久久亚洲av无码专区导航| 成人无码区免费AⅤ片WWW| 亚洲av色无码乱码在线观看| 亚洲午夜久久久久中文字幕久 | 国产一区二区欧美丝袜| 国产一区二区三区成人av| 久久婷婷五月综合97色直播 | 最新国产日韩AV线| 午夜人妻中文字幕福利| 日韩精品一区二区免费| 中文字幕一区日韩精品| 人妻无码中文专区久久五月婷| 国产日韩AV无码免费一区二区 | 成人欧美一区二区三区的电影| 亚洲V在线激情| 无码国产一区二区色欲| 日本不卡视频一区二区三区| 日韩精品无码一区二区| 国精产品一品二品国在线| 国产又爽又黄又不遮挡视频| 精品嫩模福利一区二区蜜臀| 亚洲精品成人网站在线播放| 日本高清一区二区三区水蜜桃| 偷拍激情视频一区二区| 国产一区二区三区四色av| 中文字幕精品久久久久人妻红杏ⅰ| 国产91 对白在线播放九色| 国产在线a免费观看不卡| 亚洲成av人片天堂网无码| 亚洲中文字幕无码久久2020| 精品国产亚洲av麻豆尤物| 99精品国产一区二区三区| 精品9e精品视频在线观看| 午夜精品一区二区三区无码不卡 | 免费视频亚洲一区二区三区| 无码人妻一区二区三区免费视频 | 国产免费一区二区在线视频| 忘忧草社区www日本高清|