金勇

(上海綠地控股集團， 上海 200023)

0 引言

近年來，隨著中國房地產(chǎn)行業(yè)的快速發(fā)展，房地產(chǎn)價格波動的預測受到人們的極大重視[1-2]。目前，國內(nèi)外有很多房地產(chǎn)價格波動特征的提取和預測方法，例如，Risse M等[3]使用動態(tài)建模和選擇方法來研究各種宏觀經(jīng)濟、貨幣和人口統(tǒng)計基礎的信息內(nèi)容，以預測歐洲貨幣聯(lián)盟六個最大國家的房價增長；唐曉彬等[4]針對不恰當?shù)膮?shù)設置會影響預測的精度問題，提出了基于蝙蝠算法SVR模型的北京市二手房價預測方法，為北京二手房價格的監(jiān)測和調(diào)控提供了一定參考；劉洋等[5]將幾何布朗運動模型引入房地產(chǎn)價格分析中，以模擬預測未來房地產(chǎn)價格。盡管很多學者對此進行了一定研究，但仍然可以發(fā)現(xiàn)以上傳統(tǒng)方法預測性能較差，自適應特征分析能力較弱。

為了提高房地產(chǎn)價格波動預測性能，提升自適應特征分析能力，本文提出建立基于大數(shù)據(jù)分析技術(shù)的房地產(chǎn)價格波動特征模型。通過構(gòu)建房地產(chǎn)價格波動大數(shù)據(jù)采樣模型，通過方差識別和模糊辨識，得到房地產(chǎn)價格波動的市場引導參數(shù)分布模型。建立房地產(chǎn)價格波動的大數(shù)據(jù)先驗信息挖掘模型，通過似然估計和二乘擬合算法，跟蹤房地產(chǎn)價格波動的曲線，得到房地產(chǎn)價格波動的輸出特征分布結(jié)果，結(jié)合定量遞歸模型，得到特征信息融合式。建立房地產(chǎn)價格波動特征預測的可靠性特征分布集，得到房地產(chǎn)價格波動的關(guān)聯(lián)預測函數(shù)。結(jié)合模糊信息檢測方法，建立房地產(chǎn)價格波動特征提取模型，通過該模型可以有效實現(xiàn)對房地產(chǎn)價格波動特征優(yōu)化預測。仿真測試分析結(jié)果顯示，本文方法在提高大數(shù)據(jù)技術(shù)下房地產(chǎn)價格波動特征提取能力和預測能力方面的性能較優(yōu)越。

1 房地產(chǎn)價格波動大數(shù)據(jù)采樣和信息融合

1.1 房地產(chǎn)價格波動大數(shù)據(jù)采樣

為實現(xiàn)大數(shù)據(jù)技術(shù)下房地產(chǎn)價格波動特征模型設計，構(gòu)建房地產(chǎn)價格波動大數(shù)據(jù)采樣模型。假設房地產(chǎn)價格波動表示為一組具有正態(tài)特征分布性的隨機變量[6]，各個房地產(chǎn)價格波動的隨機變量z之間是相互獨立的，結(jié)合利率數(shù)據(jù)以及價格因素的影響，建立房地產(chǎn)價格波動的價格因素引導模型，如式(1)。

(1)

通過市場引導機制，擬合房地產(chǎn)價格波動的信息[7]，得到房地產(chǎn)價格波動的市場引導參數(shù)X為連續(xù)變量。識別各變量數(shù)據(jù)模糊度參數(shù)θ，構(gòu)建房地產(chǎn)價格波動的模糊度特征分析模型，如式(2)。

(2)

式中，V為房地產(chǎn)價格波動的約束參量。

在房地產(chǎn)的價格關(guān)聯(lián)引導機制下，建立房地產(chǎn)價格波動特征分布矢量Xn，其表示在最優(yōu)價格約束機制下房地產(chǎn)價格波動的最大化消費指數(shù)，房地產(chǎn)價格波動在受到政策引導下的影響因素為Xη(n)，從而得到房地產(chǎn)價格波動特征的市場引導參數(shù)分布模型，如式(3)。

(3)

根據(jù)上述模型，且在考慮價格因素和成本引導下，得到房地產(chǎn)價格波動特征的采樣大數(shù)據(jù)分布項，如式(4)。

(4)

通過上述分析，建立房地產(chǎn)價格波動的大數(shù)據(jù)先驗信息挖掘模型，根據(jù)對房地產(chǎn)價格波動特征挖掘結(jié)果進一步信息融合[8]。

1.2 房地產(chǎn)價格波動特征信息融合處理

構(gòu)建房地產(chǎn)價格波動的均值曲線，通過似然估計和二乘擬合算法，跟蹤房地產(chǎn)價格波動的曲線[9]，房地產(chǎn)價格波動的大數(shù)據(jù)關(guān)聯(lián)目標函數(shù)為式(5)。

(5)

式中，k為房地產(chǎn)價格波動的大數(shù)據(jù)融合的概率密度函數(shù)；β為房地產(chǎn)價格波動的大數(shù)據(jù)信息分布的加權(quán)特征分布之和；α為價格序列；w為房地產(chǎn)價格波動的大數(shù)據(jù)的利率參考因素；u為房地產(chǎn)價格波動的房價指數(shù)與房貸關(guān)系均值向量。

在上述函數(shù)的基礎上，建立房地產(chǎn)價格波動特征的可靠性特征分布集，房地產(chǎn)價格波動的特征均值函數(shù)為式(6)。

(6)

基于此，建立房地產(chǎn)價格波動特征預測的可靠性特征分布函數(shù)，得到房地產(chǎn)價格波動的輸出特征分布結(jié)果如式(7)。

D=R(λ)w

(7)

式中，λ為房地產(chǎn)價格波動的特征分布矩陣。

結(jié)合定量遞歸模型，通過融合房地產(chǎn)價格波動的數(shù)據(jù)統(tǒng)計分析的結(jié)果信息[10]，得到融合表達式，如式(8)。

(8)

式中，x為一個k維房地產(chǎn)價格波動的內(nèi)生變量。

分析房地產(chǎn)價格波動大數(shù)據(jù)的統(tǒng)計特征量和自相關(guān)特征匹配集，通過模糊信息調(diào)度和關(guān)聯(lián)特征挖掘，預測價格波動[11]。

2 房地產(chǎn)價格波動特征分析和預測

2.1 房地產(chǎn)價格波動特征提取

基于模糊粗糙集理論，結(jié)合房地產(chǎn)價格波動特征的融合信息，融合感知處理的房地產(chǎn)價格波動特征，得到房地產(chǎn)價格波動的相關(guān)特征分布集[12]，如式(9)。

(9)

利用式(9)提取房地產(chǎn)價格波動特征分布集的關(guān)聯(lián)度信息，根據(jù)關(guān)聯(lián)度對比方法分割房地產(chǎn)價格波動的層次特征，分割函數(shù)為式(10)。

(10)

式中，t為房地產(chǎn)價格波動特征分布的回歸系數(shù)。

利用式(10)并采用模糊信息融合方法，建立房地產(chǎn)價格波動特征預測的可靠性特征分布函數(shù)[13]，得到房地產(chǎn)價格波動的信息分布矩陣，如式(11)。

(11)

對式(11)進行歸一化處理得到房地產(chǎn)價格波動特征調(diào)度的尋優(yōu)參數(shù)為l，結(jié)合模糊信息檢測方法和關(guān)聯(lián)規(guī)則調(diào)度，建立房地產(chǎn)價格波動特征提取模型[14]，如式(12)。

(12)

式中，p為房地產(chǎn)價格波動的統(tǒng)計特征量；q為房地產(chǎn)價格波動特征預測的模糊特征量；o為房地產(chǎn)價格波動特征預測指數(shù)，基于此實現(xiàn)房地產(chǎn)價格波動的特征提取。

2.2 房地產(chǎn)價格波動預測算法

通過模糊信息調(diào)度和關(guān)聯(lián)特征挖掘，分析房地產(chǎn)價格波動特征，提高房地產(chǎn)價格波動的大數(shù)據(jù)分析能力。房地產(chǎn)價格波動特征分布的有限數(shù)據(jù)集為式(13)。

(13)

結(jié)合模糊信息調(diào)度方法，進行房地產(chǎn)價格波動特征的特征采樣，得到房地產(chǎn)價格波動特征采樣的時間窗口為Δt，房地產(chǎn)價格波動的目標特征匹配集為式(14)。

(14)

建立房地產(chǎn)價格波動特征的相似度特征分析模型，得到相似度特征分量為式(15)。

(15)

式中，m為房地產(chǎn)價格波動特征交叉預測分布項。

采用多尺度深度學習，得到房地產(chǎn)價格波動特征預測的量化值為式(16)。

(16)

通過模糊度匹配和市場價格因素預測[15]，得到房地產(chǎn)價格波動特征預測的統(tǒng)計函數(shù)為式(17)。

(17)

式中，A為房地產(chǎn)價格波動的市場價格因素約束指標參量集，為一個標準的正態(tài)分布函數(shù)；ω為房地產(chǎn)價格波動特征的政策引導因素。根據(jù)上述分析，實現(xiàn)對房地產(chǎn)價格波動特征優(yōu)化預測。

3 實驗測試

房地產(chǎn)價格波動特征預測的實證實驗分析采用SPSS 14.0 和Matlab 7仿真工具，得到描述性統(tǒng)計分析結(jié)果，如表1所示。

表1 房地產(chǎn)價格波動預測描述性統(tǒng)計分析結(jié)果

設定房地產(chǎn)價格波動的信貸資金影響因子為0.34，市場價格因素的作用因子為0.45，根據(jù)上述參數(shù)設計，得到原始的房地產(chǎn)價格先驗樣本時間序列波形圖，如圖1所示。

圖1 原始的房地產(chǎn)價格先驗樣本時間序列波形圖

以圖1的數(shù)據(jù)為研究樣本，預測原始的房地產(chǎn)價格波動特征，得到預測結(jié)果如圖2所示。

分析圖2得知，本文方法對原始房地產(chǎn)特征的預測的信息擬合度較高，價格跟蹤能力較強。

圖2 房地產(chǎn)價格波動特征預測結(jié)果

測試不同方法對房地產(chǎn)價格波動特征的預測精度，得到對比結(jié)果如圖3所示。

分析圖3得知，本文方法進行房地產(chǎn)價格波動特征預測的精度較高。

圖3 預測精度對比

4 總結(jié)

由于傳統(tǒng)方法房地產(chǎn)價格波動預測性能不好，自適應特征分析能力不強。因此，本文通過建立大數(shù)據(jù)技術(shù)下房地產(chǎn)價格波動預測和大數(shù)據(jù)擬合模型，提高大數(shù)據(jù)技術(shù)下房地產(chǎn)價格波動特征分析和預測能力。具體過程為，構(gòu)建房地產(chǎn)價格波動的大數(shù)據(jù)統(tǒng)計分析模型，根據(jù)樣本分析的結(jié)果分布式擬合房地產(chǎn)價格波動特征。通過模糊信息調(diào)度和關(guān)聯(lián)特征挖掘，優(yōu)化特征采樣算法，得到房地產(chǎn)價格波動特征預測函數(shù)，有效實現(xiàn)房地產(chǎn)價格波動預測。分析得知，本文方法對房地產(chǎn)價格波動預測的精度較高，對特征的優(yōu)化提取能力較好，性能較優(yōu)越，為實際應用提供一定參考依據(jù)。