基于隨機森林算法的房地產經濟周期性波動預測

陳祖欽

一、前言

針對房地產經濟周期性波動進行預測時，主要使用支持向量機算法設計預測方案，但面對大量數據時容易陷入過擬合情況，使預測結果均方根誤差（RMSE）較大。因此，本文提出以隨機森林算法為基礎的房地產經濟周期性波動預測方法。運用主成分分析方法選取合適的指標，定義房地產經濟景氣指數，描述房地產經濟變化情況。根據已實現房地產經濟波動率，考慮動態估計誤差，建立經濟周期性波動率模型。依托于隨機森林算法布置多個決策回歸樹，通過該結構從大量數據中篩選出包含重要特征的數據樣本，并通過合理的基尼系數構建隨機森林組合預測結構。最后，向組合預測結構中添加模糊信息粒化處理模塊，提取有效分量信息。基于此進行后續預測分析，生成房地產經濟周期性波動預測結果。實驗結果表明，所提方法預測結果的均方根誤差僅為0.08，滿足了房地產經濟波動預測要求。

房地產行業是國民經濟的支柱產業，其帶動了家電業、建筑業、服務業等數十個產業發展，在增加財政收入方面發揮了巨大作用[1]。但是，任何產業的發展都不是完全規則的，往往呈現出周期變化特點。房地產行業在經過幾十年的繁榮后，也步入了經濟周期性波動發展階段。受到資源約束、消費約束等條件的影響[2]，房地產市場出現下降趨勢，而在資源供給充裕的情況下又會表現出上升特點，從而形成了循環往復的周期性波動特點。各個房地產企業參與市場博弈過程中，了解房地產經濟周期波動規律，并預測未來波動情況，都是不可或缺的環節。

吳江斌等[3]結合廣義回歸條件異方差模型、混頻數據抽樣模型，構建了非線性組合預測模型，并在該模型中添加了馬爾可夫算法，實現數據高效轉換處理，穩定實現經濟波動預測。實驗結果表明，該方法預測精度較低。桂文林、程慧[4]針對歷史經濟數據進行濾波處理和分離處理，提取出循環成分，而后按照最大化原則構建改進prohit模型（廣義的線性模型），通過該模型得到波動預測結果。但是，該預測方法在實際應用中難以與大規模數據相匹配。李曉寒等[5]從關系維度入手，針對歷史經濟波動數據構建異構子圖，并引入多重注意力機制，實現圖和數據的有效融合。設計基于圖神經網絡門控循環單元的預測模型，通過該模型完成經濟波動預測。實驗結果表明，該方法預測結果穩定性較差。

本研究以提升房地產經濟波動預測準確率為目的，提出應用隨機森林算法的新型預測方法。

二、基于隨機森林算法的房地產經濟周期性波動預測

（一）定義房地產經濟景氣指數

（二）構建經濟周期性波動率模型

（三）波動預測

（四）生成房地產經濟周期性波動預測結果

三、實驗

（一）房地產企業概況

以某房地產企業為研究對象，進行波動預測實驗分析。該房地產企業原本是1984年成立的科教儀器展銷中心，直到1987年才正式更名為現代企業有限公司，同一年公司更改為股份制。本次實驗準備階段，選定2019年4月-2022年4月的房地產經濟數據作為實驗數據，設置樣本的采樣周期為1個月，采集36個月的房地產經濟波動數據，作為后續經濟周期性波動預測的基礎。

（二）數據處理與參數設置

（三）波動預測結果分析

四、結語

為了制定更好的房地產發展計劃，文中針對房地產經濟周期性波動預測問題進行了研究，提出結合隨機森林算法的新型預測方法。通過隨機森林模型對海量數據進行篩選，避免無關信息的輸入引起預測誤差。此外，所提方法還引入了模糊信息粒度處理理念，將原始數據分解為多個分量的粒度信息，分別輸入隨機森林組合預測模型進行分析，綜合處理后可以得出高精度波動預測結果。從實驗測試結果也可以看出，本文提出預測方法的通用性較強，且最終預測結果更加準確，代表該研究思路的可行性。

引用

[1]畢文杰，扶春娟.基于機器學習的Airbnb房源價格預測及影響因素研究——以北京市為例[J].運籌與管理，2022，31（9）：217-224.

[2]邵為爽，李曉紅，張天抒，等.數據挖掘在房地產價格預測中的應用研究[J].數學的實踐與認識，2020，50（5）：306-311.

[3]吳江斌，王璐，夏正蘭，等.基于MS-GARCH-MIDAS的組合預測模型的研究及應用[J].重慶理工大學學報（自然科學），2022，36（9）：288-296.

[4]桂文林，程慧.基于多變量動態Probit模型的中國經濟景氣預測[J].統計與決策，2020，36（11）：16-22.

[5]李曉寒，王俊，賈華丁，等.基于多重注意力機制的圖神經網絡股市波動預測方法[J].計算機應用，2022，42（7）：2265-2273.

[6]吳曉峰，林曉言，靳雅楠.基于時間序列模型遴選的集成組合預測模型[J].統計與決策，2021，37（9）：5-8.

[7]陸長瑋.上海房地產市場的多尺度周期波動特征——基于集合經驗模態分解和周期相位識別的分析[J].上海經濟研究，2020（8）：46-57.

[8]高世樂，王瀅，李海林，等.基于矩陣畫像的金融時序數據預測方法[J].計算機應用，2021，41（1）：199-207.

[9]向為民，謝靜，李嬌.中國房地產市場的脆弱性評估：來自房價波動的證據[J].改革，2022（3）：87-100.

[10]張新生，遲依涵，蘭峰.基于媒體效應的房地產價格波動研究——以西安市為例[J].數學的實踐與認識，2020，50（10）：64-72.

作者單位：福州新區福清功能區投資促進中心