摘要：如今房地產(chǎn)市場(chǎng)容易出現(xiàn)暴漲暴跌的情況，很多大城市的房?jī)r(jià)已經(jīng)達(dá)到了普通人不能接受的程度，如何高效地解決房地產(chǎn)的問(wèn)題，一個(gè)較好的方案是準(zhǔn)確地預(yù)測(cè)出未來(lái)的房地產(chǎn)市場(chǎng)行情。本文利用神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)房?jī)r(jià)的走勢(shì)，優(yōu)勢(shì)在于神經(jīng)網(wǎng)絡(luò)類(lèi)似于人腦的結(jié)構(gòu)，具有仿生的特點(diǎn)，能夠擬合出復(fù)雜的模型結(jié)構(gòu)，對(duì)房?jī)r(jià)預(yù)測(cè)的任務(wù)會(huì)有比較好的效果。房?jī)r(jià)預(yù)測(cè)模型可以有效地解決當(dāng)今房地產(chǎn)市場(chǎng)所存在的一些問(wèn)題，幫助人們理性的投資，切實(shí)地解決人們買(mǎi)房難的問(wèn)題，創(chuàng)造更加和諧美滿(mǎn)的社會(huì)。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);房?jī)r(jià)預(yù)測(cè);機(jī)器學(xué)習(xí);人工智能;大數(shù)據(jù)

中圖分類(lèi)號(hào)：F299.23;TP183 文獻(xiàn)識(shí)別碼：A文章編號(hào)：

2096-3157（2020）03-0128-03

一、引言

1.房?jī)r(jià)預(yù)測(cè)的目的

目前房地產(chǎn)市場(chǎng)有很多違規(guī)的建筑，價(jià)格不透明，為了獲利不擇手段導(dǎo)致房屋質(zhì)量下降，商品房的價(jià)格上漲過(guò)快，很多人面臨買(mǎi)房難的問(wèn)題，為了有效地緩解目前房地產(chǎn)所存在的問(wèn)題，本文提出了一種基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)房?jī)r(jià)的模型結(jié)構(gòu)。通過(guò)房?jī)r(jià)預(yù)測(cè)可以更好地觀(guān)察未來(lái)的房地產(chǎn)市場(chǎng)走向，以降低房地產(chǎn)投資風(fēng)險(xiǎn);利用房?jī)r(jià)預(yù)測(cè)的能力獲得更大的財(cái)富，更加規(guī)范房地產(chǎn)市場(chǎng)行情，避免出現(xiàn)暴漲暴跌。

2.當(dāng)今相關(guān)領(lǐng)域的現(xiàn)狀和弊端

當(dāng)今仍有許多的房?jī)r(jià)預(yù)測(cè)不夠精準(zhǔn)，導(dǎo)致人們?cè)谫?gòu)房，買(mǎi)房時(shí)遇到很大的困難，如資金不足、地段不理想等問(wèn)題。除此之外，炒房這一行為越來(lái)越風(fēng)靡。部分商品房漲價(jià)的速度非常之快，導(dǎo)致普通人的購(gòu)買(mǎi)力不足以支付此類(lèi)房產(chǎn)。隨著科技的快速發(fā)展、人們生活質(zhì)量的提高，越來(lái)越多的因素決定著房?jī)r(jià)的高低。所以在預(yù)測(cè)房?jī)r(jià)時(shí)，精準(zhǔn)把握影響房?jī)r(jià)的因素是十分關(guān)鍵的，但由于影響因素非常之多，所以常常難以準(zhǔn)確地預(yù)測(cè)出房?jī)r(jià)。同時(shí)。在眾多影響房?jī)r(jià)的因素里面，也有主次關(guān)系之分，能夠辨別出影響房?jī)r(jià)的主要因素，在進(jìn)行房?jī)r(jià)預(yù)測(cè)，可以更實(shí)際的反映房?jī)r(jià)。但是影響因素非常之多，難以準(zhǔn)確地找出影響房?jī)r(jià)的主導(dǎo)因素。

3.預(yù)測(cè)系統(tǒng)的優(yōu)點(diǎn)

該系統(tǒng)可以處理多種多樣的程序，并且進(jìn)行大規(guī)模的計(jì)算。如今有大量可使用的數(shù)據(jù)，這些數(shù)據(jù)是在過(guò)去幾年、幾十年中收集的。隨著科技的快速發(fā)展，使得神經(jīng)網(wǎng)絡(luò)能夠真正發(fā)揮其作用，因?yàn)樯窠?jīng)網(wǎng)絡(luò)獲得的數(shù)據(jù)越多，表現(xiàn)越好。而且神經(jīng)網(wǎng)絡(luò)的計(jì)算能力可以讓我們處理相對(duì)于傳統(tǒng)計(jì)算方法的更多數(shù)據(jù)。

二、利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)房?jī)r(jià)

1.神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是一種計(jì)算量大的算法。由于近年來(lái)計(jì)算機(jī)的迅速發(fā)展，它才可以進(jìn)行大規(guī)模的運(yùn)算。神經(jīng)網(wǎng)絡(luò)算法來(lái)源于人腦的結(jié)構(gòu)，由于人腦是可以處理多種任務(wù)的，所以也許有一種學(xué)習(xí)算法可以同時(shí)處理視覺(jué)、聽(tīng)覺(jué)和觸覺(jué)，而不是運(yùn)行數(shù)千個(gè)不同的程序。因此，我們需要做的是找到近似的人腦學(xué)習(xí)算法，然后讓該算法學(xué)習(xí)如何處理這些不同類(lèi)型的數(shù)據(jù)。

2.房?jī)r(jià)數(shù)據(jù)集的介紹

由于本研究需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)，但是一般情況下，交易中心都將房?jī)r(jià)數(shù)據(jù)保密，所以本文使用的數(shù)據(jù)來(lái)自于1970年美國(guó)波士頓的房地產(chǎn)相關(guān)信息，這些數(shù)據(jù)包括樓間距、小區(qū)環(huán)境、是否處于市中心等。通過(guò)運(yùn)轉(zhuǎn)下面兩個(gè)代碼①print（train_data.shape）②print（test_data.shape），從而測(cè)出訓(xùn)練集的大小。之后得到結(jié)果為（404，13）（102，13）。本文的數(shù)據(jù)單位是千美元，訓(xùn)練集對(duì)應(yīng)的結(jié)果如圖1。

圖1顯示，這一年波士頓的房?jī)r(jià)中位數(shù)在一萬(wàn)到一萬(wàn)五美元之間。但是，如果把不同格式、不同單位的數(shù)據(jù)雜糅一起輸入網(wǎng)絡(luò)會(huì)影響結(jié)果的準(zhǔn)確度。因此，本研究需要把數(shù)據(jù)的格式統(tǒng)一起來(lái)，將數(shù)據(jù)歸一化處理。歸一化可以利用如下的方式：將該數(shù)據(jù)減去這個(gè)屬性所有數(shù)據(jù)的最小值，然后除以該屬性最大值與最小值的差值，這樣就可以把該屬性的所有數(shù)據(jù)壓縮到[0，1]之間。

理解房?jī)r(jià)以及對(duì)房?jī)r(jià)影響較大的變量，對(duì)重要數(shù)據(jù)及影響方向有明確認(rèn)知，以保證建模的合理性，降低被數(shù)據(jù)帶偏的風(fēng)險(xiǎn)，可能的房?jī)r(jià)主要影響因素有房子地段、交通、面積、配套設(shè)施等。確認(rèn)數(shù)據(jù)變量構(gòu)成、含義及對(duì)因變量影響力，用神經(jīng)網(wǎng)絡(luò)處理后得到房?jī)r(jià)與主導(dǎo)因素的關(guān)系。

3.前向傳播算法

前向傳播算法也就是利用深度網(wǎng)絡(luò)中的若干的權(quán)重系數(shù)矩陣、偏置向量來(lái)和輸入值向量進(jìn)行一系列線(xiàn)性運(yùn)算和激活運(yùn)算，從輸入層開(kāi)始，一層層地向前計(jì)算，一直到輸出層，得到輸出結(jié)果為止。

當(dāng)用前向傳播算法從上一層算到下一層時(shí)，要使用激活函數(shù)，避免多次線(xiàn)性的運(yùn)算導(dǎo)致使用多層的神經(jīng)網(wǎng)絡(luò)和使用一層直接算出的方法沒(méi)有區(qū)別。常用的激活函數(shù)一共有四個(gè)，分別如圖2所示。

函數(shù)1的表達(dá)式為：y=11+e-x

函數(shù)2的表達(dá)式為：y=ex-e-xex+e-x

函數(shù)3的表達(dá)式為：y=x;x≥00;x<0

函數(shù)4的表達(dá)式為：y=x;x≥0ax;x<0，0

4.反向傳播算法

反向傳播算法允許來(lái)自代價(jià)函數(shù)的信息通過(guò)網(wǎng)絡(luò)向后流動(dòng)，以計(jì)算梯度。反向傳播是人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練中常用的與優(yōu)化方法相結(jié)合的方法。該方法計(jì)算網(wǎng)絡(luò)中所有權(quán)重的損失函數(shù)的梯度，反饋給優(yōu)化方法更新權(quán)重，使損失函數(shù)最小化。

代價(jià)函數(shù)的表達(dá)式如下：

J（θ）=-1m∑mi=1Cost（hθ（xi），yi），其中

Costhθx（i），y（i）=-log（hθ（x））ify=1-log （1-hθ（x））ify=0

由此可見(jiàn)，為了使代價(jià)函數(shù)變得更小，我們使用梯度下降算法：

從該公式可以得出需要先求得代價(jià)函數(shù)關(guān)于所有參數(shù)的偏導(dǎo)數(shù)，求偏導(dǎo)數(shù)的過(guò)程是一個(gè)從后往前逐步計(jì)算的過(guò)程，也就是說(shuō)首先計(jì)算代價(jià)函數(shù)關(guān)于最后一層參數(shù)的偏導(dǎo)數(shù)，然后再一層一層反向求出各層的誤差，直到算到倒數(shù)第一層。這時(shí)這種算法才體現(xiàn)了“反向”這個(gè)詞。然后再使用梯度下降算法，去更新參數(shù)讓代價(jià)函數(shù)變小。當(dāng)代價(jià)函數(shù)變小時(shí)，就說(shuō)明了這個(gè)模型的預(yù)測(cè)結(jié)果與我們實(shí)際結(jié)果更加相近，從而使得這個(gè)模型更加完善和精確。

5.實(shí)驗(yàn)驗(yàn)證

本文在開(kāi)發(fā)過(guò)程中應(yīng)用了Python語(yǔ)言，因?yàn)镻ython語(yǔ)言具有模塊化特性，易于編程和理解，并且支持各種庫(kù)，可以從各種庫(kù)中輕松獲取并便于編程。

此外，對(duì)于本文中使用的機(jī)器學(xué)習(xí)模型，一個(gè)非常重要的學(xué)習(xí)系統(tǒng)是TensorFlow。TensorFlow的使用使神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)，如神經(jīng)網(wǎng)絡(luò)層的設(shè)計(jì)和每層神經(jīng)元的數(shù)量，以及部分導(dǎo)數(shù)的計(jì)算非常方便。TensorFlow是一個(gè)人工智能學(xué)習(xí)系統(tǒng)，因此在使用TensorFlow進(jìn)行實(shí)驗(yàn)時(shí)，可以節(jié)省大量繁瑣的代碼。

實(shí)驗(yàn)首先將所有數(shù)據(jù)集劃分成70%的訓(xùn)練集和30%的測(cè)試集，然后對(duì)數(shù)據(jù)進(jìn)行歸一化處理，將所有數(shù)據(jù)都?jí)嚎s到[0，1]之間，接著利用TensorFlow的庫(kù)函數(shù)實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的運(yùn)算，輸入是506×13的矩陣，其中506表示的是506個(gè)房屋數(shù)，13表示的是特征個(gè)數(shù)，輸出為一個(gè)有506個(gè)維度的向量，表示的是每個(gè)房屋對(duì)應(yīng)的房?jī)r(jià)。經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)運(yùn)算收斂之后模型在測(cè)試集中的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果之間的關(guān)系如圖3所示，該模型預(yù)測(cè)的房?jī)r(jià)中位數(shù)與實(shí)際中位數(shù)誤差為-0.65±3.23，總體準(zhǔn)確率為92.348%。

三、總結(jié)和展望

隨著科技的快速發(fā)展，越來(lái)越多的工具進(jìn)入到人們的生活當(dāng)中，幫助人們更好地認(rèn)識(shí)這個(gè)世界，更好地運(yùn)用生活中方方面面的事物。比如說(shuō)神經(jīng)網(wǎng)絡(luò)，這是一項(xiàng)計(jì)算機(jī)的運(yùn)算技術(shù)，運(yùn)用的是仿生人的大腦的特點(diǎn)，具有同一性，可以對(duì)多種不同的問(wèn)題進(jìn)行統(tǒng)一處理，并得到結(jié)果，這是計(jì)算機(jī)領(lǐng)域的一大突破。再者將神經(jīng)網(wǎng)絡(luò)與生活中的一些活動(dòng)如房?jī)r(jià)預(yù)測(cè)聯(lián)系起來(lái)，通過(guò)神經(jīng)網(wǎng)絡(luò)技術(shù)計(jì)算并得出預(yù)測(cè)結(jié)果，為人們的行為作導(dǎo)向，是非常具有操作性、可靠性的。計(jì)算機(jī)技術(shù)的飛速發(fā)展為人民生活水平日益提高做出了巨大的貢獻(xiàn)，從機(jī)器學(xué)習(xí)延伸到生活中各個(gè)方面更好地為人們服務(wù)。展望未來(lái)，可以繼續(xù)通過(guò)各種途徑學(xué)習(xí)計(jì)算機(jī)技術(shù)，并嘗試將其與生活中的事例聯(lián)系起來(lái)，或生活中的某些活動(dòng)聯(lián)系起來(lái)，找到中間的銜接點(diǎn)，進(jìn)行分析，找到更多計(jì)算機(jī)在生活中運(yùn)用的方法，為生活中的活動(dòng)添加更多計(jì)算機(jī)技術(shù)的光彩。

參考文獻(xiàn)：

[1]葉斯林，雷忠雨.基于BP神經(jīng)網(wǎng)絡(luò)的城市房?jī)r(jià)預(yù)測(cè)[J].科技傳播，2018，10（14）：156～158.

[2]王筱欣，高攀.基于BP神經(jīng)網(wǎng)絡(luò)的重慶市房?jī)r(jià)驗(yàn)證與預(yù)測(cè)[J].重慶理工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)），2016，30（09）：49～53.

[3]高平，劉志堅(jiān)，袁立梅.基于BP神經(jīng)網(wǎng)絡(luò)的唐山房?jī)r(jià)預(yù)測(cè)[J].河北聯(lián)合大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2015，15（02）：48～51.

[4]高玉明，張仁津.基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的房?jī)r(jià)預(yù)測(cè)分析[J].計(jì)算機(jī)工程，2014，40（04）：187～191.

[5]陸麗麗，胡斌，李輝，等.中國(guó)房?jī)r(jià)構(gòu)成與預(yù)測(cè)的仿真分析[J].計(jì)算機(jī)仿真，2014，31（03）：230～238.

作者簡(jiǎn)介：

王葛成，廣東實(shí)驗(yàn)中學(xué)附屬天河學(xué)校學(xué)生。