论文部分内容阅读
摘要：为了能够对我国BP神经网络对于房地产估价影响做一个充分的了解，本文主要梳理了BP神经网络的特点、模型、可行性等进行了分析。同时针对BP神经网络的以后发展提出了一些改进对策建议。本文对于刚才提到的问题只是做了简要的说明，便于在以后的学习中有个大致的思路。
关键词：BP神经网络、房地产估价、房价
中图分类号：F293文献标识码： A
我国从20世纪80年代后期开始，随着市场经济的发展，房地产制度改革不断深化，房地产作为商品参与流通。加之不同规模，不同性质的新建住宅往往差别很大，这就要求评估人员必须对评估对象做出更加准确的评估。科学地进行房地产估价已经成为一个十分紧迫的课题。BP神经网络，以其工作状态稳定、易于硬件实现、简单可行等优点，为广大科技工作者采用。但是，如何进一步提高待判样本模式的准确率，则是神经网络用于分类普遍存在的问题。
1.基于神经网络的房地产价格评估的特点
应用BP神经网络方法进行房地产估价，可以改善传统评估方法的随意性和不确定性，但是该技术方法也存在一定的缺陷与不足，对于其估价特点总结如下：
(1)BP神经网络应用于房地产估价，其适用范围很广。对于某类房地产，只要能够在市场上找到该类型一定数量的成交案例，就可以使用此方法。
(2)采用该方法进行房地产估价是通过对样本案例的学习，寻找房地产价格与其影响因素之间存在的客观规律。可以肯定的是，这种规律是非线性的，所以采用该方法进行估价，可以不用事先假设它们之间服从某种数学关系，一定程度上增强了估价客观性。
(3)训练样本的选择、网络拓扑结构的设计以及网络参数的设定对应用神经网络方法进行房地产估价有非常重要的作用，而当某种类型房地产估价的神经网络模型一旦训练成功，就可以对大批量的类似房地产进行快速、準确地估价。
2.BP神经网络的房地产估价模型
BP神经网络进行计算包括收集数据、设计神经网络、输入学习样本、网络的学习过程、计算评估结果等部分组成，对应市场比较法估价的流程。
(1)选择案例
运用市场法估价，首先需要拥有大量真实的交易实例。只有拥有了大量真实的交易实例，才能把握正常的市场价格行情，才能据此评估出客观合理价格或价值。
(2)分解影响因素
运用BP神经网络进行轨道交通周边房地产估价时，根据轨道交通对于房地产价格影响的因素，收集整个住宅小区中对房地产价格密切相关的因素，例如距离站点的直线距离、交通状况、建筑类型、容积率、绿化率、开发商实力、小区配套设施、周边环境等因素。
(3)因素修正
在市场比较法中，一般以待估房地产的各个因素指标为100，其他已成交案例的对应因素为100上下的数字，以此进行比较。采用房地产市场上已成交的交易案例作为学习样本。
(4)计算评估结果
市场比较法在最后计算待估房地产价格的过程中，一般采取算术平均法或者加权平均法，对于经过因素修正后的已成交案例价格进行计算。
3.网络参数的确定
(1)确定输入／输出变量
以下两条是选择输入／输出变量应该遵循的原N-一个输入变量选取对输出影响很大且能够检测或提取的变量；另一个要输入变量之间的不相关性值得关注。
(2)确定网络层数
具有偏差和至少一个S型隐层加上一个线性输出层的神经网络，在理论上被证明能够逼近任何有理函数。
(3)确定隐层单元数
为了使网络训练精度的提高，可以采用一个隐藏层，而增加其神经元数量的方法来实现，而且比增加网络隐含层数量的方法简单的多。隐藏层单元数的确定是关键。
(4)初始权值的选取
由于运算系统是非线性的，初始值直接影响学习是否达到局部最小、能否收敛。所以一般让经过初始加权后的每个神经元的输出值都接近于零，这样可以保证每个神经元的权值都能够在他们的S型激活函数变化最大之处进行调节。
(5)期望误差的选取应当
在设计网络的训练过程中，期望误差值也通过对比训练后确定一个合适的值，这是相对于所需要的隐含层的节点数来确定，因为较小的期望误差值是要靠增加隐含层的节点，以及训练时间来获得。本文训练模型根据实际训练情况采用期望误差为0.005。
4.BP神经网络应用于房地产估价的可行性分析
房地产估价人员依靠经验，对数据、资料进行处理，测算出评估结果。这种专家大脑的思维方式与神经网络的工作方法恰好吻合。根据市场比较法和神经网络理论特点，将神经网络理论引入于市场比较法，结合两者的优势，将会产生较好的应用前景。神经网络基本理论知识可知，神经网络具有极强的非线性动态处理问题的能力，不必事先假设数据服从何种分布、变量之间符合什么规律，更不需要精确地数学模型，通过对输入、输出数据的学习获得有用的知识，实现其预测功能。由于房地产价格与其影响因素之间存在着复杂的非线性关系，无法用一个具体的数学模型来准确地表达他们之间的关系，即各因素对价格的影响程度是未知的。
5.房地产估价引入BP神经网络的改进建议
房地产估价的前提是市场信息足够充分，能得到实际状况的数据，这样模型所模拟出的价格才是剔除泡沫成分，符合市场规律的。现行我国房地产价格居高不下，远远背离市场价值规律，投机成分是主要原因。我国现行国有土地招拍挂制度存在着一些不合理的现象，在土地价格的形成过程中从总体上提升了房价。因此运用BP神经网络进行房地产估价存在一定的前提条件：即在市场资料足够充分，提取能体现公允价值的不含泡沫成分的房地产价格信息。在现阶段，能够参考的体现公允价值的房地产价格信息参照二手房交易价格；随着我国土地交易制度改革的深入和完善，土地交易标底价或者静态博弈拍卖价格有可能成为重要估价的参考。在房地产估价的过程中，都要经历成交案例的选取、影响因素修正、待估房地产价格计算这三步骤。其中，影响因素修正和待估房地产价格计算容易由于估价人员根据主观判断和计算的不全面性，带来最后估价结果的偏差。如果在房地产估价的后两个环节里，运用一定的数学模型模拟房地产估价的过程，通过关键数据的录入能实现对房地产价格的预测，最终能够减少估价人员的主观性对估价结果的负面影响，提高估价的精确度。
参考文献
[1]彭涛.人工神经网络房地产价格评估模型的研究及应用[]]，时代金融，
2010.(7)
[2]王军武，林晶.BP神经网络在城市房屋拆迁估价中的应用 [J].2006.(11)
[3]段玉三．人工神经网络文献综述[J].科技信息.2011,(12)
[4]李刚.基于人工神经网络的房地产估价研究[J]．上海金融，2007．(12)
[5]杨先海，褚金奎，吕传毅．基于BP神经网络模型的城市生活垃圾产生量预测
研究[J]．经济问题探索.2010.(10)
关键词：BP神经网络、房地产估价、房价
中图分类号：F293文献标识码： A
我国从20世纪80年代后期开始，随着市场经济的发展，房地产制度改革不断深化，房地产作为商品参与流通。加之不同规模，不同性质的新建住宅往往差别很大，这就要求评估人员必须对评估对象做出更加准确的评估。科学地进行房地产估价已经成为一个十分紧迫的课题。BP神经网络，以其工作状态稳定、易于硬件实现、简单可行等优点，为广大科技工作者采用。但是，如何进一步提高待判样本模式的准确率，则是神经网络用于分类普遍存在的问题。
1.基于神经网络的房地产价格评估的特点
应用BP神经网络方法进行房地产估价，可以改善传统评估方法的随意性和不确定性，但是该技术方法也存在一定的缺陷与不足，对于其估价特点总结如下：
(1)BP神经网络应用于房地产估价，其适用范围很广。对于某类房地产，只要能够在市场上找到该类型一定数量的成交案例，就可以使用此方法。
(2)采用该方法进行房地产估价是通过对样本案例的学习，寻找房地产价格与其影响因素之间存在的客观规律。可以肯定的是，这种规律是非线性的，所以采用该方法进行估价，可以不用事先假设它们之间服从某种数学关系，一定程度上增强了估价客观性。
(3)训练样本的选择、网络拓扑结构的设计以及网络参数的设定对应用神经网络方法进行房地产估价有非常重要的作用，而当某种类型房地产估价的神经网络模型一旦训练成功，就可以对大批量的类似房地产进行快速、準确地估价。
2.BP神经网络的房地产估价模型
BP神经网络进行计算包括收集数据、设计神经网络、输入学习样本、网络的学习过程、计算评估结果等部分组成，对应市场比较法估价的流程。
(1)选择案例
运用市场法估价，首先需要拥有大量真实的交易实例。只有拥有了大量真实的交易实例，才能把握正常的市场价格行情，才能据此评估出客观合理价格或价值。
(2)分解影响因素
运用BP神经网络进行轨道交通周边房地产估价时，根据轨道交通对于房地产价格影响的因素，收集整个住宅小区中对房地产价格密切相关的因素，例如距离站点的直线距离、交通状况、建筑类型、容积率、绿化率、开发商实力、小区配套设施、周边环境等因素。
(3)因素修正
在市场比较法中，一般以待估房地产的各个因素指标为100，其他已成交案例的对应因素为100上下的数字，以此进行比较。采用房地产市场上已成交的交易案例作为学习样本。
(4)计算评估结果
市场比较法在最后计算待估房地产价格的过程中，一般采取算术平均法或者加权平均法，对于经过因素修正后的已成交案例价格进行计算。
3.网络参数的确定
(1)确定输入／输出变量
以下两条是选择输入／输出变量应该遵循的原N-一个输入变量选取对输出影响很大且能够检测或提取的变量；另一个要输入变量之间的不相关性值得关注。
(2)确定网络层数
具有偏差和至少一个S型隐层加上一个线性输出层的神经网络，在理论上被证明能够逼近任何有理函数。
(3)确定隐层单元数
为了使网络训练精度的提高，可以采用一个隐藏层，而增加其神经元数量的方法来实现，而且比增加网络隐含层数量的方法简单的多。隐藏层单元数的确定是关键。
(4)初始权值的选取
由于运算系统是非线性的，初始值直接影响学习是否达到局部最小、能否收敛。所以一般让经过初始加权后的每个神经元的输出值都接近于零，这样可以保证每个神经元的权值都能够在他们的S型激活函数变化最大之处进行调节。
(5)期望误差的选取应当
在设计网络的训练过程中，期望误差值也通过对比训练后确定一个合适的值，这是相对于所需要的隐含层的节点数来确定，因为较小的期望误差值是要靠增加隐含层的节点，以及训练时间来获得。本文训练模型根据实际训练情况采用期望误差为0.005。
4.BP神经网络应用于房地产估价的可行性分析
房地产估价人员依靠经验，对数据、资料进行处理，测算出评估结果。这种专家大脑的思维方式与神经网络的工作方法恰好吻合。根据市场比较法和神经网络理论特点，将神经网络理论引入于市场比较法，结合两者的优势，将会产生较好的应用前景。神经网络基本理论知识可知，神经网络具有极强的非线性动态处理问题的能力，不必事先假设数据服从何种分布、变量之间符合什么规律，更不需要精确地数学模型，通过对输入、输出数据的学习获得有用的知识，实现其预测功能。由于房地产价格与其影响因素之间存在着复杂的非线性关系，无法用一个具体的数学模型来准确地表达他们之间的关系，即各因素对价格的影响程度是未知的。
5.房地产估价引入BP神经网络的改进建议
房地产估价的前提是市场信息足够充分，能得到实际状况的数据，这样模型所模拟出的价格才是剔除泡沫成分，符合市场规律的。现行我国房地产价格居高不下，远远背离市场价值规律，投机成分是主要原因。我国现行国有土地招拍挂制度存在着一些不合理的现象，在土地价格的形成过程中从总体上提升了房价。因此运用BP神经网络进行房地产估价存在一定的前提条件：即在市场资料足够充分，提取能体现公允价值的不含泡沫成分的房地产价格信息。在现阶段，能够参考的体现公允价值的房地产价格信息参照二手房交易价格；随着我国土地交易制度改革的深入和完善，土地交易标底价或者静态博弈拍卖价格有可能成为重要估价的参考。在房地产估价的过程中，都要经历成交案例的选取、影响因素修正、待估房地产价格计算这三步骤。其中，影响因素修正和待估房地产价格计算容易由于估价人员根据主观判断和计算的不全面性，带来最后估价结果的偏差。如果在房地产估价的后两个环节里，运用一定的数学模型模拟房地产估价的过程，通过关键数据的录入能实现对房地产价格的预测，最终能够减少估价人员的主观性对估价结果的负面影响，提高估价的精确度。
参考文献
[1]彭涛.人工神经网络房地产价格评估模型的研究及应用[]]，时代金融，
2010.(7)
[2]王军武，林晶.BP神经网络在城市房屋拆迁估价中的应用 [J].2006.(11)
[3]段玉三．人工神经网络文献综述[J].科技信息.2011,(12)
[4]李刚.基于人工神经网络的房地产估价研究[J]．上海金融，2007．(12)
[5]杨先海，褚金奎，吕传毅．基于BP神经网络模型的城市生活垃圾产生量预测
研究[J]．经济问题探索.2010.(10)