關于對當今社會BP神經網絡的房地產價格評估與研究方向

摘要：隨著我國改革開放的逐步推進和經濟的迅速發展，人們的生活質量也越來越高，對居住要求也在不斷提高，房地產行業也已經成為我國經濟社會發展的支柱產業。但同時房地產也是最容易產生泡沫經濟、引發金融風險的行業，因此，作為聯系銀行金融風險和房地產市場紐帶的房地產抵押貸款評估體系的健全就顯得極為重要。現如今我國的房地產行業還存在許多弊端，評估行業發展也存在許多問題。本文從BP神經網絡方法對房地產的價格評估的應用與研究方向試作分析。

關鍵詞：BP神經網絡，房地產價格評估，研究方向

一、BP神經網絡定義

1.概念：BP（Back Propagation）網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層（input）、隱層（hide layer）和輸出層（output layer）。

二、BP神經網絡研究方向

1.人工神經網絡應用系統。在網絡模型與算法研究的基礎上，利用人工神經網絡組成實際的應用系統。如完成模式識別或者某種信號處理的功能，制成機器人和構建專家系統等。

2.網絡模型與算法研究。這也可以叫做技術模型研究，包括網絡學習算法研究。基于理論模型研究構作神經網絡模型，以實現準備制作硬件或者計算機模擬目的，

3.生物原型研究。從生物科學如病理學、心理學、生理學和腦科學等方面研究神經網絡、神將細胞和系統的生物原型結構及其功能機理。

4.建立理論模型。在生物原型研究的基礎之上，建立神經網絡和神經元理論模型，主要包括只是模型、數學模型、物理化學模型和概念模型等。

三、BP神經網絡結構與算法

1.結構：BP神經網絡模型拓撲結構包括輸入層、隱層和輸出層，信息的錄入從輸入層開始，通過隱層再到輸出層。其中，輸入層及輸出層的神經元個數分別為輸入信號和輸出信號的維數，隱層及其神經元個數要根據具體的實際情況來確定。每一個神經元的激活函數都是雙曲正切函數或可微的Sigmoid 函數的一種。

2.算法：BP神經網絡算法是一種有教師的學習算法，屬于A學習規則，即通過實際輸出Yp1與Tp1 的誤差來不斷修正連接權和闡值，直至達到最大訓練次數或者滿足一定的允許誤差。（1）信號正向傳播：即輸入信號依次通過輸入層、隱層和輸出層，并在終端產生輸出信號。網絡權值在信號傳遞過程當中是不變的。加入最終在輸出層沒有得到預期的輸出結果，則會自動轉入誤差信號反向傳播。（2）誤差信號反向傳播：誤差信號即是實際輸出和期望輸出之間的差值，它的反向傳播即信號自輸出端依次往回傳播，在此過程中，誤差反饋調節網絡權值變動，通過對權值的不斷修正使網絡實際輸出與期望輸出值更加接近。當達到最大訓練次數或者滿足允許誤差時訓練結束，相反則轉入信號正向傳播。

四、神經網絡的房地產估價模型

針對住宅、商鋪、別墅等不同類型的房地產，因為影響其價格的各種因素大不相同，所以應該分別構建不同的模型來進行估價，但是每一種模型所采用的神經網絡模型卻是可以一樣的。房地產估價的神經網絡模型主要由輸入模塊、測試模塊、輸出模塊、數據庫模塊、評估模塊和學習模塊組成。

1.輸入模塊。主要負責當地產特征描述、交易情況、坐落位置和交易日期等影響其價格的資料信息，這些數據本身是固定不變得，但其影響因素是不確定的，對模型和整個評價結果起著重要的作用。在實際的應用過程中，一定要仔細分析房地產的具體情況和其價格影響因素，為模型的成功創建和數據的準確性打好基礎。一般情況下，為了提高網絡收斂速度，適應神經網絡數據處理要求，盡量獲得較為準備的數據值，要對輸入和輸出向量進行歸一化預處理。

2.測試模塊。在實際運用評估模型之前，一般都要對模型的泛化能力進行測試。泛化能力即經訓練后的網絡對未在訓練中集中出現的樣本做出正確反應的能力。一般來說，正確訓練的網絡即使對訓練樣本存有一點誤差，但依然能夠對沒有出現過的輸入做出正確的反應。如果用訓練樣本以外具有典型意義的數據構成測試樣本集測試網絡得出的結果是符合預期的，那么可以表明該估價模型是比較成功的，具有很強的推廣應用能力。

3.輸出模塊。包括神經網絡的輸出數據，即神經網絡計算值輸出，并將其轉化成實際估價結果，供用戶參考使用。

4. 數據庫模塊。這部分模塊主要是對已交易的房地產案例信息，如交易情況、交易時間、特征描述、影響因素和評估價格等信息的存儲與處理。此模塊要具有基本的數據信息轉換功能，能夠將一些定性描述通過相應的處理轉換成定量描述，并賦予相應的分值。待估房地產也可以通過此模塊的轉換功能進行相應的數據轉換。

5.學習模塊。神經網絡學習是利用某種算法對網絡權值與閉值進行不斷的調整，目的是通過對有限案例的歸納總結找某種隱藏的客觀規律。BP神經網絡的學習既可以通過Visual Basic， C 語言等來實現，也可以通過MATLAB 提供的神經網絡工具箱實現。

6.評估模塊。在輸入模塊輸入待估項目基本特征因素，然后利用通過測試的學習模塊運行結果，采用某種計算方法得出待估房地產估價。

五、BP神經網絡模型的房地產估價流程

神經網絡地房地產價格評估的過程主要包括數據準備、神經網絡設計、學習樣本輸入、網絡學習和評估計算等部分，具體分析如下：

1.數據信息準備。分析總結影響房地產價格的各種因素，然后收集整理各種房地產交易信息，找出能夠量化的直接影響因素并進行具體的量化。

2.神經網絡設計。這部分設計主要包括網絡參數的設定和網絡拓撲結構的設計。網絡學習與結構參數主要包括網絡層數、網絡權值、網絡輸入輸出層參數、隱層單元個數、網絡最大期望誤差等等。其中，輸入和輸出層參數包括神經元維數和每個神經元所代表的具體物理量。

3.學習樣本輸入。學習樣本的各數據資料信息都要轉化成量化值，并使其標準化成系統識別的具體數值。學西樣本可以采用收集整理到的市場交易案例或者已有的歷史數據信息。

4.網絡訓練。也叫網絡學習，就是對網絡權值和閉值進行不斷調整的過程。利用已經輸入的學習樣本信息進行訓練，在網絡最大訓練次數和最大期望誤差范圍以內，檢查誤差是否達到精度要求，如果達標則保存訓練結果即權值閩值矩陣，不達標則繼續調整學習參數與網絡結構。

5.估價計算。輸入各種影響待估房地產價格因素的量化值，運用已經設定好的網絡模型和學習結果，進行評估以得到相應價格。

結語 BP神經網絡估價使用范圍非常廣泛，只要在房地產市場上能夠找出類似的交易案例，就可以使用此方法。基于BP神經網絡的房地產幾個評估模型，可以利用神經網絡自身極強的學習能力，從已有交易案例中找出房地產成交價格與其影響因素之間的客觀規律，從而提高評估工作效率，為房經營、發展和管理提供更好的服務。

參考文獻：

[1]韓力群.人工神經網絡理論、設計及應用〔M].北京：化學工業出版社，2002.

[2]王洪元，史國棟.人工神經網絡技術及其應用[MJ.北京：中國石化出版，2005.

[3]吳勁軍.房地產估價研究：BP 神經網絡區間估算法[J].統計教育，2007，（2）.

[4]張協奎.基于人工神經網絡的建筑物成新度評估[J].中國營理科學，2008，2.