房地產銷售價格指數的神經網絡預測

張 喆姚亞輝

1.中原工學院理學院，鄭州 4500072.安陽師范學院，安陽 455000

房地產銷售價格指數的神經網絡預測

張 喆1姚亞輝2

1.中原工學院理學院，鄭州 4500072.安陽師范學院，安陽 455000

房地產銷售價格指數是指導業界活動和市場研究的有效工具,但是預測的準確程度一直是人們倍加關注的。人工神經網絡是一門新興交叉學科，近年來被越來越多的應用到了實際問題的預測中，顯示出其廣闊的應用前景，特別是人工神經網絡具有預測非線性系統未來行為的巨大潛力。因此，本文提出了用人工神經網絡對房地產銷售價格指數進行預測的方法，首先將輸入數據進行預處理，再利用多層前饋神經網絡BP算法來研究人工神經網絡在房地產銷售價格指數預測中的應用問題，最后得出神經網絡方法預測精度較高的結論。

房地產銷售價格指數；人工神經網絡；預測

引言

近幾年來，隨著市場經濟的快速發展，我國的房地產價格出現了較大幅度的上漲。隨著房地產市場的持續升溫,一方面給人們的生活帶來了很大影響，另一方面房地產行業的風險問題也日益突出。那么如何利用科學的方法來反映房地產價格的變化,給市場主體正確的引導信息已變得十分的迫切。

運用價格指數進行房地產市場總體分析, 在我國已有很多年的經驗, 這種研究在實際經濟活動中起到了重要的作用。房地產價格指數是動態描述一定區域內一段時間各類房地產(如商業、住宅和工業)價格變動及其總體價格平均變動趨勢和變動程度的相對數,它是指導業界活動和市場研究的有效工具。定量地研究價格指數的運行軌跡并做出準確的描述和預測,對于研究房地產市場具有極其重要的作用。

我們知道, 科學的預測是正確作出決策的前提。研究表明, 房地產銷售價格指數常表現為非線性, 要對它進行預測就必須利用一種能模擬非線性的模型。從理論上講, 神經網絡能夠無限逼近非線性函數, 所以本文嘗試采用神經網絡模型作為預測模型。文章中利用BP神經網絡對采集到的1998～2008年的全國房地產銷售價格指數季度數據進行預測, 最終達到了滿意的效果。

1 BP神經網絡模型

BP(Baekpro Pagation Network簡稱BP網絡)網絡是采用誤差反傳算法或其變化形式的網絡模型。標準的BP網絡是采用梯度下降算法，對非線性可微分函數進行權值訓練的多層網絡。BP神經網絡通常由輸入層、輸出層和若干隱含層構成，每層由若干個結點組成，每一個結點表示一個神經元，上層結點與下層結點之間通過權連接，層與層之間的節點采用全互聯的連接方式，每層內結點之間沒有聯系。典型的BP網絡是含有一個隱含層的三層結構的網絡。

BP網絡訓練方式包含兩個階段：前饋階段和反向傳播階段。前饋階段是指輸入向量由輸入層引入，以前饋方式經由隱層傳至輸出層，并求出網絡輸出；反向傳播階段是指以期望輸出值減去網絡輸出值從而得到誤差信號，然后將此信號逐層反向傳遞回網絡中，進而修改連接權值和閾值。

BP算法的一般步驟可描述如下:

3、T3時刻下，最大沉降量增大至1.90m，可見進行堆載后，土體含水進一步排出，排水板下方的淤泥層也在堆載作用下得到加固。

（7）判斷是否學完所有的訓練樣本，是則結束，否則，返回（2）。

通過信號的正向傳播與誤差的反向傳播兩個過程的不斷進行，在一定精度的要求下，權值和閥值得到不斷的調整，直到網絡輸出與目標輸出達到設定的精度。BP神經網絡可以實現從輸入到輸出之間的高度非線性映射關系，因而，在函數擬合、仿真預測等方面有著廣泛的應用。

2 實例分析

下面我們就利用BP神經網絡首先對全國房地產銷售價格指數1998年～2008年各個季度的數據進行預測分析。

表1 全國原始數據

首先在國家統計局下載了1998年～2008年各個季度全國房地產銷售價格指數最新的數據，如表1所示：

對于單極型Sigmoid函數來說，其輸出在0～1之間變化，并且只有當輸入為時，輸出才達到[0，l]，一般方法是將輸入量歸一化至[0，l]。本文采用S型函數作為激勵函數，該函數特點是值域為(-1，l)。對樣本數據進行如下歸一化處理公式為:

其中，max和min分別為樣本數據中的最大值和最小值，x為原始樣本數據，y為變換后的數值。這樣不但避免了輸入數據落入飽和區域，也保持了數據的原有特征。

當神經網絡處理結束后，再做反歸一化運算。對網絡輸出數據采用如下公式還原數據：

表2 處理后的全國數據

經歸一化處理的數據如表2所示:

然后對全國房地產銷售價格指數數據做訓練，將數據進行分類，以1998年～2007年第一季度的數據作為訓練樣本，2007年第二季度～2008年第二季度的數據作為檢測樣本。

由于數據具有周期性，且前后具有很大聯系，故將1998年四個季度的數值作為輸入，1999年第一季度的數值作為輸出，依次類推建立預測數據序列，選用三層結構BP網絡(單隱層BP神經網絡)，進行單步預測。利用matlab軟件進行多次反復訓練測試以后，確定選用“trainlm”函數，隱含層數目為7層效果比較好，訓練輸出與檢測輸出均能達到較高精度。訓練接近150次時，標準數值誤差就達到1e-25，網絡訓練圖如圖1所示：

通過對原始數據進行回檢，發現精度全部為100%，見表3：

圖1 全國數據訓練圖

表3 全國數據網絡訓練后回檢結果

表4 全國數據的網絡預測結果

用訓練后的模型對2007年二季度～2008年二季度的五個樣本進行預測，并將預測數據轉換成原始數值結果見表4：

從表4中的預測結果可以看出，用BP神經網絡模型預測的精度較高，2007年二季度～08年二季度的預測值精度分別達到99.8%，99.6%，97.8%，97.8%，97.5%。

再用2007年第三季度到2008年第二季度的數據向后預測2008年第三、四季度的數值為117.90、104.75，由于是用預測出來的值接著向后預測，誤差會較大。

3 結論

通過基于BP神經網絡模型的房地產銷售價格指數的預測, 我們能得到以下結論:

(1) BP神經網絡對非線性系統具有良好的函數逼近功能,BP神經網絡對該領域的應用是可行的, 并能取得很好的預測精度。

(2)通過對房地產銷售價格指數的預測，可以綜合考慮地理因素和經濟因素，分析綜合指標，給居民和房地產廠商提供參考，使他們有明確的目標和更好的效益！

(3) 結束以前那種繁瑣的預測手段，能更加簡潔的反映出市場走向，簡潔易懂，而且節省更多的人力物力。

(4) 由于2008年以來國家頒布了一系列政策措施控制房地產市場過熱發展，因此如果仍用得到的網絡對2008年三季度以后的數據進行預測會有較大誤差。所以雖然從數據上來看在未來的一段時間內，我國的房地產銷售價格指數仍會有上升趨勢，但是國家宏觀調控的出臺對其造成一定的影響，故近期我國的房地產銷售價格應該不會有太大的波動。這也進一步說明國家對房地產銷售價格的宏觀調控是有效的。要想準確預測出后面的數據，還需要積累一定量的近期數據或者嘗試采用其他方法。

[1]蔣宗禮.人工神經網絡導論[M].北京：高等教育出版社，2001.

[2]王洪元,史國棟.人工神經網絡技術及其應用[M].中國石化出版社，2002.

[3]飛思科技產品研發中心.神經網絡理論與MATLAB7實現[M].電子工業出版社，2005.

[4]許月卿,李雙成.中國經濟發展水平區域差異的人工神經網絡判定[J].資源科學，2005.

[5]李文學,李慧,賀琳.BP神經網絡在非線性時間序列預測中的應用[J].長春工業大學學報，2003年9月（第三期）.

[6]董長虹.Matlab神經網絡與應用[M].北京：國防工業出版社，2007.

[7]中華人民共和國國家統計局.中國統計年鑒(1991-2007) [M].北京：中國統計出版社，1991-2007.

Predication of the Price Index of Real Estate Sales by Neural Network

Zhang Zhe1，Yao Yahui21.College of Science, Zhongyuan University of Technology 4500072.Anyang Normal University 455000

10.3969/j.issn.1001-8972.2012.19.062

張喆（1979—），女，碩士，講師，主要從事組合最優化研究。

AbstractThe price index of real estate sales is an effective tool of guiding industry and market research activities, but people are more concerned about the accuracy of the prediction.ANN(Artificial Neural Network) is an rising cross subject，and in the recent years，it has been used in more and more sphere in society，industry and science，which display a great application foreground in these field.Consequently，the thesis adopt ANN method to predict the Real estate sales price index.First of all, pre-treat the input data, then use the BP algorithm of multilayer feed forward neural network to study the problem that ANN is applied in the prediction of real estate sales price index.At last, the thesis makes a conclusion that the accuracy of the ANN prediction is excellent.

KeywordsReal estate sales price index;ANN;prediction