论文部分内容阅读
摘 要：人工神经网络是近十几年来学者们研究的热点，回顾了BP神经网络模型及其特征，根据BP神经网络算法以及影响房价的因素分析，建立了房价预测模型。运用MATLAB软件通过训练网络，预测2015年该市房产均价。实验结果表明，BP神经网络能在有限的数据条件下，在预测方面具有良好的效果，为我国房地产业的可持续发展提供了科学的咨询和决策手段。
关键词：BP神经网络；预测模型；METLAB仿真实验
中图分类号：F27
文献标识码：A
文章编号：16723198（2015）23006701
1 引言
人工神经网络（Artificial Neural Networks，简写为ANNs）是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。20世纪80年代，美国物理学家J.J.Hopfield建立全互连神经网络模型，以及Rumelhart，McClelland等学者提出反向传播（Back Propagation，简称BP）学习算法，人工神经网络的研究才获得了飞速发展，目前，对人工神经网络理论的应用已渗透到多个领域，如在智能控制、模式识别、自适应滤波和信号处理、传感技术和机器人、非线性优化、知识处理、生物医学工程、金融预测和管理等方面都取得了令人鼓舞的成果。
本文在前人研究的基础之上，通过搜集相关的数据，建立BP神经网络模型并通过MATLAB仿真实验得出预测的结果对于郑州市政府和市民在进行房地产管理和购房上面提供了一定的参考和决策依据，从这方面来说本文具有一定的现实意义。
2 基于动量BP算法的神经网络模型构建
2.1 BP神经网络结构
在人工神经网络的实际应用中，80%-90%的人工神经网络模型都是用的BP神经网络（图1）或者是它的变形形式，它也被称为是前向网络的核心部分。
2.2 房价预测模型构建
经济因素，主要是国家、地区或城市的经济发展水平、经济增长状况、产业结构、就业情况、居民收入水平、投资水平、财政收支、金融状况。这些因素会影响房地产市场的总体供求，特别是影响需求；社会因素，包括人口、家庭、城市化状况等。其中，人口因素包括人口的数量、密度、结构（如文化结构、职业结构、收入水平结构等）；影响房价的因素还有很多，比如房地产自身及其周边环境状态，建筑物的外观、设备配置状况等。但在建立BP神经网络预测模型的时候，这些因素不容易被量化，无法纳入模型的训练样本中。在本文的模型构建中，选取5个（地区GDP、人均可支配收入、常住人口数、房产开发投资、居民CPI）与房价密切相关的因素作为模型的输入变量。
本文使用动力BP算法计算出2015年的数据，即根据2004和2005年的数据预测2006年的数据，以此类推来预测2015年的数据。
3 实证分析
为了提高算法训练速度和灵敏性，现将数据进行归一化处理。利用MATLAB软件建立BP网络，输入
样本数据，初始化Epochs值和精度值，设置最大迭代
次数和误差，并设置动量因子mc、学习率。应用sim函数进行仿真，最后对结果进行反归一化。
由上图可以看出，网络在经过8次训练之后，误差低于0.1，迭代进行到12次之后，误差达到预期的目的，网络停止训练。利用编好的程序，预测2012和2013年的房价，由于2012和2013年的房价已经公布，因此可以将预测得到的值与实际值进行比较，得到表2。
通过比较可知，2013、2014年对房价预测的误差在训练要求的范围内，通过MATLAB软件进行预测得到2015年的房价为10068元/平方米。
4 结论及展望
（1）通过以上结果可以看出，利用动量BP算法进行房价的预测是有良好效果的。
（2）文中只选取了对房价影响较为重要的5个因素作为输入变量，在以后的研究中，可以考虑把较为重要的其他因素考虑进去，看看考虑多方面因素是否能够提高BP神经网络对房价预测的精准度。
参考文献
[1]TsungJung Hsieh，HsiaoFen Hsiao，WeiChang Yeh.Forecasting stock markets using wavelet transforms and recurrent neural networks：An integrated system based on artificial bee colony algorithm[J].Applied Soft Computing，2011，（11）.
[2]Pan Zhili，Huang Zhongmin，Wang Na，etal.Prediction of shelf life for quickfrozen dumping based on BP neural network and effective accumulated temperature theory[J].Transactions of the Chinese Society of Agricultural Engineering，2012.
[3]Melike Bildirici.Improving forecasts of GARCH family models with the artificial neural networks：An application to the daily returns in Istanbul Stock Exchang[J]. Expert Systems with Applications，2009.
[4]Chunqiao Mi，Jianyu Yang，Shaoming Li，etal.Prediction of accumulated temperature in vegetation period using artificial neural network[J].Mathematical and Computer Modelling，2010.
[5]朱英.改进的BP神经网络预测模型及其应用[J].武汉理工大学学报（交通科学与工程版），2012.
[6]柳冬，王雯珺，谢海滨等.我国房地产价格影响要素分析与趋势预测[J].管理评论，2010.
[7]石林梅，黄红梅，李玉梅.我国住房价格的影响因素研究[J].统计决策，2014.
[8]付克兰，张玲.BP神经网络预测模型及应用[J].电子技术与软件工程，2015.
关键词：BP神经网络；预测模型；METLAB仿真实验
中图分类号：F27
文献标识码：A
文章编号：16723198（2015）23006701
1 引言
人工神经网络（Artificial Neural Networks，简写为ANNs）是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。20世纪80年代，美国物理学家J.J.Hopfield建立全互连神经网络模型，以及Rumelhart，McClelland等学者提出反向传播（Back Propagation，简称BP）学习算法，人工神经网络的研究才获得了飞速发展，目前，对人工神经网络理论的应用已渗透到多个领域，如在智能控制、模式识别、自适应滤波和信号处理、传感技术和机器人、非线性优化、知识处理、生物医学工程、金融预测和管理等方面都取得了令人鼓舞的成果。
本文在前人研究的基础之上，通过搜集相关的数据，建立BP神经网络模型并通过MATLAB仿真实验得出预测的结果对于郑州市政府和市民在进行房地产管理和购房上面提供了一定的参考和决策依据，从这方面来说本文具有一定的现实意义。
2 基于动量BP算法的神经网络模型构建
2.1 BP神经网络结构
在人工神经网络的实际应用中，80%-90%的人工神经网络模型都是用的BP神经网络（图1）或者是它的变形形式，它也被称为是前向网络的核心部分。
2.2 房价预测模型构建
经济因素，主要是国家、地区或城市的经济发展水平、经济增长状况、产业结构、就业情况、居民收入水平、投资水平、财政收支、金融状况。这些因素会影响房地产市场的总体供求，特别是影响需求；社会因素，包括人口、家庭、城市化状况等。其中，人口因素包括人口的数量、密度、结构（如文化结构、职业结构、收入水平结构等）；影响房价的因素还有很多，比如房地产自身及其周边环境状态，建筑物的外观、设备配置状况等。但在建立BP神经网络预测模型的时候，这些因素不容易被量化，无法纳入模型的训练样本中。在本文的模型构建中，选取5个（地区GDP、人均可支配收入、常住人口数、房产开发投资、居民CPI）与房价密切相关的因素作为模型的输入变量。
本文使用动力BP算法计算出2015年的数据，即根据2004和2005年的数据预测2006年的数据，以此类推来预测2015年的数据。
3 实证分析
为了提高算法训练速度和灵敏性，现将数据进行归一化处理。利用MATLAB软件建立BP网络，输入
样本数据，初始化Epochs值和精度值，设置最大迭代
次数和误差，并设置动量因子mc、学习率。应用sim函数进行仿真，最后对结果进行反归一化。
由上图可以看出，网络在经过8次训练之后，误差低于0.1，迭代进行到12次之后，误差达到预期的目的，网络停止训练。利用编好的程序，预测2012和2013年的房价，由于2012和2013年的房价已经公布，因此可以将预测得到的值与实际值进行比较，得到表2。
通过比较可知，2013、2014年对房价预测的误差在训练要求的范围内，通过MATLAB软件进行预测得到2015年的房价为10068元/平方米。
4 结论及展望
（1）通过以上结果可以看出，利用动量BP算法进行房价的预测是有良好效果的。
（2）文中只选取了对房价影响较为重要的5个因素作为输入变量，在以后的研究中，可以考虑把较为重要的其他因素考虑进去，看看考虑多方面因素是否能够提高BP神经网络对房价预测的精准度。
参考文献
[1]TsungJung Hsieh，HsiaoFen Hsiao，WeiChang Yeh.Forecasting stock markets using wavelet transforms and recurrent neural networks：An integrated system based on artificial bee colony algorithm[J].Applied Soft Computing，2011，（11）.
[2]Pan Zhili，Huang Zhongmin，Wang Na，etal.Prediction of shelf life for quickfrozen dumping based on BP neural network and effective accumulated temperature theory[J].Transactions of the Chinese Society of Agricultural Engineering，2012.
[3]Melike Bildirici.Improving forecasts of GARCH family models with the artificial neural networks：An application to the daily returns in Istanbul Stock Exchang[J]. Expert Systems with Applications，2009.
[4]Chunqiao Mi，Jianyu Yang，Shaoming Li，etal.Prediction of accumulated temperature in vegetation period using artificial neural network[J].Mathematical and Computer Modelling，2010.
[5]朱英.改进的BP神经网络预测模型及其应用[J].武汉理工大学学报（交通科学与工程版），2012.
[6]柳冬，王雯珺，谢海滨等.我国房地产价格影响要素分析与趋势预测[J].管理评论，2010.
[7]石林梅，黄红梅，李玉梅.我国住房价格的影响因素研究[J].统计决策，2014.
[8]付克兰，张玲.BP神经网络预测模型及应用[J].电子技术与软件工程，2015.