游美莉 程建君

摘 要：人工神經(jīng)網(wǎng)絡(luò)是近十幾年來(lái)學(xué)者們研究的熱點(diǎn)，回顧了BP神經(jīng)網(wǎng)絡(luò)模型及其特征，根據(jù)BP神經(jīng)網(wǎng)絡(luò)算法以及影響房?jī)r(jià)的因素分析，建立了房?jī)r(jià)預(yù)測(cè)模型。運(yùn)用MATLAB軟件通過(guò)訓(xùn)練網(wǎng)絡(luò)，預(yù)測(cè)2015年該市房產(chǎn)均價(jià)。實(shí)驗(yàn)結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)能在有限的數(shù)據(jù)條件下，在預(yù)測(cè)方面具有良好的效果，為我國(guó)房地產(chǎn)業(yè)的可持續(xù)發(fā)展提供了科學(xué)的咨詢和決策手段。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)模型；METLAB仿真實(shí)驗(yàn)

中圖分類號(hào)：F27

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：16723198（2015）23006701

1 引言

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡(jiǎn)寫(xiě)為ANNs）是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。20世紀(jì)80年代，美國(guó)物理學(xué)家J.J.Hopfield建立全互連神經(jīng)網(wǎng)絡(luò)模型，以及Rumelhart，McClelland等學(xué)者提出反向傳播（Back Propagation，簡(jiǎn)稱BP）學(xué)習(xí)算法，人工神經(jīng)網(wǎng)絡(luò)的研究才獲得了飛速發(fā)展，目前，對(duì)人工神經(jīng)網(wǎng)絡(luò)理論的應(yīng)用已滲透到多個(gè)領(lǐng)域，如在智能控制、模式識(shí)別、自適應(yīng)濾波和信號(hào)處理、傳感技術(shù)和機(jī)器人、非線性優(yōu)化、知識(shí)處理、生物醫(yī)學(xué)工程、金融預(yù)測(cè)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礎(chǔ)之上，通過(guò)搜集相關(guān)的數(shù)據(jù)，建立BP神經(jīng)網(wǎng)絡(luò)模型并通過(guò)MATLAB仿真實(shí)驗(yàn)得出預(yù)測(cè)的結(jié)果對(duì)于鄭州市政府和市民在進(jìn)行房地產(chǎn)管理和購(gòu)房上面提供了一定的參考和決策依據(jù)，從這方面來(lái)說(shuō)本文具有一定的現(xiàn)實(shí)意義。

2 基于動(dòng)量BP算法的神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

2.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，80%-90%的人工神經(jīng)網(wǎng)絡(luò)模型都是用的BP神經(jīng)網(wǎng)絡(luò)（圖1）或者是它的變形形式，它也被稱為是前向網(wǎng)絡(luò)的核心部分。

2.2 房?jī)r(jià)預(yù)測(cè)模型構(gòu)建

經(jīng)濟(jì)因素，主要是國(guó)家、地區(qū)或城市的經(jīng)濟(jì)發(fā)展水平、經(jīng)濟(jì)增長(zhǎng)狀況、產(chǎn)業(yè)結(jié)構(gòu)、就業(yè)情況、居民收入水平、投資水平、財(cái)政收支、金融狀況。這些因素會(huì)影響房地產(chǎn)市場(chǎng)的總體供求，特別是影響需求；社會(huì)因素，包括人口、家庭、城市化狀況等。其中，人口因素包括人口的數(shù)量、密度、結(jié)構(gòu)（如文化結(jié)構(gòu)、職業(yè)結(jié)構(gòu)、收入水平結(jié)構(gòu)等）；影響房?jī)r(jià)的因素還有很多，比如房地產(chǎn)自身及其周邊環(huán)境狀態(tài)，建筑物的外觀、設(shè)備配置狀況等。但在建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的時(shí)候，這些因素不容易被量化，無(wú)法納入模型的訓(xùn)練樣本中。在本文的模型構(gòu)建中，選取5個(gè)（地區(qū)GDP、人均可支配收入、常住人口數(shù)、房產(chǎn)開(kāi)發(fā)投資、居民CPI）與房?jī)r(jià)密切相關(guān)的因素作為模型的輸入變量。

本文使用動(dòng)力BP算法計(jì)算出2015年的數(shù)據(jù)，即根據(jù)2004和2005年的數(shù)據(jù)預(yù)測(cè)2006年的數(shù)據(jù)，以此類推來(lái)預(yù)測(cè)2015年的數(shù)據(jù)。

3 實(shí)證分析

為了提高算法訓(xùn)練速度和靈敏性，現(xiàn)將數(shù)據(jù)進(jìn)行歸一化處理。利用MATLAB軟件建立BP網(wǎng)絡(luò)，輸入

樣本數(shù)據(jù)，初始化Epochs值和精度值，設(shè)置最大迭代

次數(shù)和誤差，并設(shè)置動(dòng)量因子mc、學(xué)習(xí)率。應(yīng)用sim函數(shù)進(jìn)行仿真，最后對(duì)結(jié)果進(jìn)行反歸一化。

由上圖可以看出，網(wǎng)絡(luò)在經(jīng)過(guò)8次訓(xùn)練之后，誤差低于0.1，迭代進(jìn)行到12次之后，誤差達(dá)到預(yù)期的目的，網(wǎng)絡(luò)停止訓(xùn)練。利用編好的程序，預(yù)測(cè)2012和2013年的房?jī)r(jià)，由于2012和2013年的房?jī)r(jià)已經(jīng)公布，因此可以將預(yù)測(cè)得到的值與實(shí)際值進(jìn)行比較，得到表2。

通過(guò)比較可知，2013、2014年對(duì)房?jī)r(jià)預(yù)測(cè)的誤差在訓(xùn)練要求的范圍內(nèi)，通過(guò)MATLAB軟件進(jìn)行預(yù)測(cè)得到2015年的房?jī)r(jià)為10068元/平方米。

4 結(jié)論及展望

（1）通過(guò)以上結(jié)果可以看出，利用動(dòng)量BP算法進(jìn)行房?jī)r(jià)的預(yù)測(cè)是有良好效果的。

（2）文中只選取了對(duì)房?jī)r(jià)影響較為重要的5個(gè)因素作為輸入變量，在以后的研究中，可以考慮把較為重要的其他因素考慮進(jìn)去，看看考慮多方面因素是否能夠提高BP神經(jīng)網(wǎng)絡(luò)對(duì)房?jī)r(jià)預(yù)測(cè)的精準(zhǔn)度。

參考文獻(xiàn)

[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.改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型及其應(yīng)用[J].武漢理工大學(xué)學(xué)報(bào)（交通科學(xué)與工程版），2012.

[6]柳冬，王雯珺，謝海濱等.我國(guó)房地產(chǎn)價(jià)格影響要素分析與趨勢(shì)預(yù)測(cè)[J].管理評(píng)論，2010.

[7]石林梅，黃紅梅，李玉梅.我國(guó)住房?jī)r(jià)格的影響因素研究[J].統(tǒng)計(jì)決策，2014.

[8]付克蘭，張玲.BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型及應(yīng)用[J].電子技術(shù)與軟件工程，2015.