论文基于BP神经网络的城市房价预测，本文是关于神经网络论文范文例文和神经网络和BP神经网络和城市房价预测相关论文例文.
摘 要 近年来,房价持续上涨,买房人压力逐渐增大,房价预测成为人们谈论的焦点话题.文章针对近期房价走势预测问题,在综合考虑历史房价、人口数目、GDP、在岗平均工资和人均可支配收入等5 个因素对房价影响基础上,利用BP 神经网络实现城市房价预测,并对重点城市2018 年3 月到5 月的房价进行了预测,对房价预测影响因素的贡献度进行了分析.
关键词 房价预测；影响因素；BP 神经网络；贡献度分析
中图分类号 G2 文献标识码 A 文章编号 1674-6708（2018）215-0156-03
近年来,我国房地产市场迅猛发展,房价也在一路攀升,买房成为人们谈论最多的话题,同时如何在合适的时候出手买房也成为人们关注的焦点,由此便产生了房价的预测问题.目前研究主要集中在两个方面,一是研究引起房价变化的主要因素,另一方面是选择合适的数学模型对房价进行预测.
文献[1] 将房价的影响因素分为4 个方面：自身因素、经济因素、政策因素和人口因素,并详细分析了各因素的影响原因及影响大小.已有的数学模型主要包括确基于时间序列模型、基于经验预测模型和基于智能化预测模型三大类.其中基于时间序列模型是认为房价变动只受时间的影响,根据房价随时间的变化趋势,对二者之间的关联性进行建模,再利用所建模型对未来房价进行预测.
基于经验预测模型是根据实际得到的与房价有关因素的数据进行数理统计分析,再按照一定的原则,如误差最小原则,归纳出各因素与房价之间满足的数学关系,然后对未来房价进行预测；基于智能化预测模型是利用仿生学原理进行模型的设计,属于智能计算,主要的方法有遗传算法、模拟退火、神经网络等.
本文主要选择历史房价、人口数目、GDP、在岗平均工资和人均可支配收入等5 个因素,构建了基于BP 神经网络的房价预测问题,最后对具有代表性的6 个城市未来3 个月的房价进行了预测,在此基础上分析了个影响因素对房价走势的贡献度.
1 基于BP 神经网络的房价走势预测
1.1 BP 神经网络基本原理
反向传播神经网络(Back Propagation NeuralNetwork) 是人工神经网络理论的重要发展成果.BP神经网络结构较传统的人工神经网络更瘦,往往达到3 层或3 层以上,包括一个输入层,一个输出层,一个或多个隐含层.每层由若干个节点构成,各层节点通过全连接的方式连接,而同层内各神经元之间相互独立.BP 神经网络在初始化权重后进行训练,按照一定的规则（如梯度下降）使得输出结果与期望输出误差最小.
BP 神经网络的训练过程可以分为两部分,即前向传播与后向传播.在正向传播时,输入信号从输入层输入,在神经元中进行线性计算并通过激活函数,并通过全连接的方式在网络中传递,最终通过输出层输出.
我们通过某种度量反映输出与期望的差异程度求取当前误差,并转入误差反向传播过程.反向传播的过程本质上是求复合函数偏导的过程,通过某种方法由输出层向输入层逐层修正连接权值使误差减小.输入信号的正向传播与误差的反向传播过程是相互交替并不断循环的.BP 神经网络的训练过程就是不断调整神经元内参数,使网络输出不断逼近标签的过程,这个过程进行到输出的均方误差达到要求的标准.
1.2 模型建立与求解
1.2.1 数据与处理
由于原始数据样本中各向量表征了不同的物理含义,因此具有不同的量纲且不同的数量级.在实际应用中,我们往往需要先将样本数据归一化,从而提高网络的训练速率.其转换公式为：
其中p 和t 分别表示原始数据样本的输入和输出值,min 和max 分别为取最小值和最大值函数；PN 和TN 分别为归一化处理后的输入值和输出值.训练完成后,BP 神经网络在预测过程中输出的结果仍然是归一化数据,因此我们需要我们再次通过postmnmx 函数将输出数据还原为正常值.
1.2.2 初始化参数设定
在本文方法中,我们采用带有动量梯度下降法作为网络的训练方法.性能函数为MSE 函数.动量项系数η 等于 0.8 ,学习率μ 等于 0.01 ,最大训练次数为5 000 次,目标误差为10?6.其他参数均为缺省值.
另外,本文实验设置的BP 神经网络深度为3 层.其中每个隐含层的神经元数量通常用试凑法确定.试凑法是在同一样本集下,通过先在较少的隐含层神经元条件下训练网络,然后逐渐增加隐含层神经元数量,最终选取网络误差最小时对应的神经元数量.在实验中,我们可以根据经验公式得到一个粗略的估计值作为初始值,再用试凑法确定最优的神经元数量.经验公式为：
其中n 是隐含层神经元数量； i n 是输入层神经元数量； 0 n 是输出层神经元数量；a 为常数,值取1-10 之间.根据前文所述,输入历史房价、人口因素、GDP、工资水平、可支配收入等影响因素,因此BP神经网络的输入层神经元个数为5 ；输出层神经元个数是为1,根据经验公式求得该神经网络隐含层的神经元个数应该为5 ～ 14,通过试凑法本文选取13 个.
1.3 实验分析
选取北京、南京、郑州等个代表性城市的各个影响因素作为输入,采用2018 年2 月之前60 个月的数据作为训练样本.当到达最大训练次数5 000 次或目标误差10?6 以下时,即认为完成训练.各城市房价预测结果如图1所示.
2 各因素对房价预测贡献度分析
BP 神经网络模型可以用于对多因素处理,而且能够得到良好的预测效果,本节在此基础上,将第二部分的样本数据划分为两组：2017 年1 月至2017 年10 月和2017 年11 月至2018 年2 月.第一组数据用于神经网络的学习与训练,第二组数据作为测试验证样本,量化各因素的贡献.
各因素对房价贡献的量化过程如下：
步骤1 ：以某一城市为例,首先利用第一组各因素样本数据完成对BP 神经网络的训练,然后输入第二组样本数据,从而实现对该城市2017 年11 月至2018 年2 月房价的预测,计算出预测房价与真实房价的均方根误差,记为0 RMSE ；
步骤2 ：第二组样本在只缺失某一因素的数据（ 如人口因素） 后,重新输入BP 神经网络,再次实现对该城市2017 年11 月至2018 年2 月房价的预测,并计算出均方根误差,记为1 RMSE ；
步骤3 ：将第二组样本的缺失数据轮流换为前文叙述的其他因素后,重新输入BP 神经网络,实现对该城市2017 年11 月至2018 年2 月房价的预测,并计算出均方根误差,记为( 2,3,4,5) i RMSE i 等于 ；
步骤4 ：由于因素缺失,房价预测误差增大,记各因素缺失引起的均方根误差变化量为：
i i 0 Δ 等于 RMSE ? RMSE （3）
步骤5 ：如果一因素对房价的贡献大,必然引起房价预测产生较大变动,即i Δ 较大,因此,定义各种因素对房价的贡献为：
5 个因素对各个城市房价的贡献量化结果如表1 所示,从表中可以看出,不同城市各因素的贡献不同.整体来看,GDP 和历史房价对当前房价的影响较大,人口数目和人均可支配收入的影响相对较小.
3 结论
本文针对近期房价走势预测问题,将BP 神经网络模型运用于多因素影响下的房价预测中,综合考虑人口、GDP、工资和支出4 种因素,准确给出了各城市未来3 个月的平均房价预测值,并在BP神经网络房价预测的基础上,通过各因素逐一缺失对房价预测均方根误差引起的变动,实现了各因素对房价贡献的量化.
参考文献
[1]中华人民共和国国家统计局.http：//www.stats.gov.cn/.[2]安居客网站.http：//www.anjuke.com.
[3]周艳慧.我国房地产影响因素研究[D].郑州：郑州大学,2015.
[4]闫妍,许伟,部慧,等.基于TEI@I 方法论的房价预测方法[J].系统工程理论与实践,2007,7（1）：1-9.
[5]崔庆都.基于BP神经网络的房价预测[D].成都：西南石油大学,2011.
[6]成鸿飞,王江鹏,余琴.基于MATLAB的房价预测与调控模型研究[J].经济管理月科学决策,2010,6（4）：123：124.
[ 7 ] 凤凰财经h t t p ： / / f i n a n c e . i f e n g . c o m / a / 2 0 1 6 1 2 1 6 /15083537_0.shtml.
归纳总结:上述文章是一篇关于神经网络方面的大学硕士和本科毕业论文以及神经网络和BP神经网络和城市房价预测相关神经网络论文开题报告范文和职称论文写作参考文献资料.
参考文献：
1、 基于遗传算法的优化BP神经网络算法 王军涛（北华航天工业学院,河北廊坊065000）WANG Juntao（NorthChina Institute ofAerospaceEngineering,Langfang065000,China.
2、 人工神经网络在宏观经济预测中的应用 人工神经网络在宏观经济预测中的应用研究王志刚 吉林省经济信息中心摘要对一个国家或地区的总体经济情况,可以根据宏观经济加以体现,其中,宏观经济预测是一项重要工作 根据历史资料和经济现状,采用相应理论与.
3、 神经网络在计算机网络安全评价中的应用 周宇摘要随着计算机技术的快速发展,信息能够在短时间内在全世界范围内流动 信息的实时共享使得计算机技术更有价值,同时也充分发挥了信息快速传递的优势 计算机网络给人类社会带来的影响具有两面性；一方面,计算.
4、 卷积神经网络的方程组求解 摘要通过迭代求解方程组的解,提出了一种基于卷积神经网络求解线性方程组的病态方程组的方法,由于条件数过大,影响求解的精度,将求解方程组的过程转换为神经网络学习的过程 通过神经网络学习同目标数据形成一种映.
5、 离散混沌系统的神经网络阶逆系统控制 摘要提出用神经网络α阶逆系统方法控制一类未知模型的离散混沌系统,针对离散混沌系统的特殊性,调整了神经网络建模的输入输出结构,并以Logistic系统为假想未知系统进行实际控制,仿真结果说明.
6、 基于matlab实现人工神经网络在股票评级中的应用 1 引言 近年,我国股市跌宕起伏,远有2008年次贷危机,近有由于场外配资清理、场内融资和分级基金去杠杆形成连锁反应造成的2015年的股灾,国家推出的“熔断机制”……应对措施.