基于BP神经网络的煤炭价格影响因素及预测研究.pdf

丛苏莉

摘 要： 为了克服单一灰色模型或者BP神经网络的局限性，提出灰色理论和神经网络的房地产前期价格预测模型。该模型采用灰色模型对房地产前期价格的规律性进行分析，BP神经网络对房地产前期价格的随机性进行刻画，实现了优势互补，最后进行房地产前期价格预测具体应用实例分析。结果表明，该模型可以准确描述房地产前期价格的变化趋势，提高房地产前期价格的预测精度，为房地产前期价格预测提供了一种有效的建模工具。

关键词： 房地产； 前期价格； 神经网络； 周期性； 非线性特点

中图分类号： TN711?34； TP311 文献标识码： A 文章编号： 1004?373X（2017）11?0107?04

Research on real estate early?stage price prediction

based on grey theory and neural network

CONG Suli

（Department of Architectural Engineering， Wenjing College of Yantai University， Yantai 264000， China）

Abstract： In order to overcome the limitation of single grey model or BP neural network， a real estate early?stage price forecasting model based on grey theory and neural network is put forward. The gray model is adopted in the model to analyze the regularity of real estate early?stage price， and BP neural network is adopted to describe the randomness of real estate early?stage price to realize the complementary advantages. The specific application instance is applied to the analysis of real estate early?stage price prediction. The experimental results show that the model can describe the change trend of real estate early?stage price accurately， improved the forecasting accuracy of real estate early?stage price， and provides an effective modeling tool for real estate early?stage price forecasting.

Keywords： real estate； early?stage price； neural network； periodicity； nonlinear characteristic

0 引 言

近年来，我国的房地产市场非常活跃，房地产价格成为人们经常讨论的话题[1]。为了防止房地产价格过度增长，国家和地方均出台了一系列的政策进行调控，然而由于其他投资市场的随机性太大，一些人没有好的投资渠道，将大量资金投入到房地产市场中，导致房地产价格的随机变化大。在各种政策和人们心理作用的影响下，房地产前期价格预测可以帮助人们了解房地产价格的变化态势[2?3]，预测结果有利于政策制定者和房地产投资者做出准确判断，因此房地产前期价格预测具有重要的实际价值[4]。

当前人们对房地产价格预测主要通过对政策、经济、房贷等因素进行分析，然后对未来房地产价格变化趋势进行估计[5]。有学者认为房地产价格主要与土地价格密切相关，结果表明，土地价格要去行政化，减少政府部门干预，让土地价格由市场决定，降低房地产的成本，有效降低房地产价格[6]。有学者采用时间序列分析法对房地产价格进行建模，通过拟合房贷和房地产价格之间的联系，实现房地产价格预测[7?8]；文献[9]以及文献[10]采用神经网络对房地产价格变化趋势进行拟合，分析了房地产价格变化的随机性，预测结果要优于时间序列法，但房地产价格同时具有季节性变化特点，导致有时预测精度低。灰色模型可以对房地产价格的季节性、周期性变化特点进行建模，挖掘数据中隐藏的变化特点，但不能对房地产价格随机性进行拟合[11]。

虽然当前房地产价格研究很多，但是对房地产前期价格研究相当少，而且房地产前期价格预测的实际应用价值更高[12]，为了解决当前房地产前期价格预测模型存在的局限性，提出灰色理论和神经网络的房地产前期价格预测模型，分别采用灰色模型和BP神经网络对房地产前期价格的规律性和随机性分别进行建模，实现它们之间的优势互补，实验结果表明，该模型能够有效地描述房地产前期价格的变化趋势，提高房地产前期价格的预测精度。

1 灰色模型和神经网络

1.1 灰色模型

灰色模型有多种形式，其中GM（1，1）是最常用的一种，而且性能更优，GM（1，1）的一阶微分形式定义如下：

（1）

白化微分形式定义如下：

（2）

式中和为参数。

参数和对灰色模型的性能影响十分重要，选择最小二乘算法对它们进行求解，具体为：

（3）

对于一个序列，其预测结果为：

（4）

要得到不同时刻的预测结果，需要对式（4）进行累减操作，即：

（5）

在第个时刻，灰色模型预测值与期望值之间的残差计算公式为：

（6）

对于一个复杂的回归问题，如房地产前期价格数据，灰色模型可以对其规律性进行建模预测，预测值与期望值之间的残差包含了房地产前期价格的随机变化特点，而灰色模型无法对随机性变化特点进行建模，使得房地产前期价格预测精度有待进一步改善。

1.2 神经网络

BP神经网络是一种有导师学习的人工智能算法，通过各层之间误差反向传播不断调整网络的权值和阈值，从而逼近问题的最优解，基本结构如图1所示。

1.3 正向传播过程

BP网络的输入层有个节点，隐层有个节点，输出层有个节点，输入层到隐层之间的权值为，隐层到输出层之间的权值为，隐层的传递函数为，输出层的传递函数为。隐含层第个神经元的输入为：

（7）

隐含层的输出为：

（8）

输出层的输入为：

（9）

输出层的输出为：

（10）

图1 BP神经网络的结构

1.4 反向传播过程

在学习过程中，输入个学习样本，第个样本得到的实际输出与期望输出的误差为：

（11）

对于个样本，总误差函数为：

（12）

输出层权值调整公式为：

（13）

隐含层权值调整公式为：

（14）

2 灰色模型和神经网络的房地产前期价格预测

模型

2.1 建模原理

灰色模型和神经网络的房地产前期价格预测模型的工作原理为：采用灰色模型对房地产前期价格的规律性进行建模，采用BP神经网络对房地产前期价格的随机性进行有效拟合，实现优势互补，最后对两者的结果进行组合，输出房地产前期价格预测结果，具体如图2所示。

图2 房地产前期价格模型的构架

2.2 房地产前期价格的建模步骤

Step1：收集某個房地产前期价格的数据，并做如下处理：

（15）

Step2：将房地产前期价格的数据分为训练样本和测试样本。

Step3：将房地产前期价格的训练样本输入到灰色模型进行学习，建立相应的房地产前期价格预测模型，并得到预测结果。

Step4：对房地产前期价格预测结果与期望值的残差进行计算，得到残差序列。

Step5：BP神经网络对残差序列进行学习，并对连接权值和阈值进行更新，得到残差序列的预测结果。

Step6：将灰色模型的预测结果和相加，得到房地产前期价格最后的预测结果为：

（16）

3 房地产前期价格预测的实例验证

3.1 数据来源

为了分析本文房地产前期价格预测模型的可靠性，选择某市的房地产前期价格数据进行仿真测试，数据具体如图3所示，其中最后100个数据作为测试样本。

3.2 结果与分析

3.2.1 灰色模型的房地产前期价格预测结果

采用灰色模型对图3的房地产前期价格进行建模预测，预测结果如图4所示。从图4可知，灰色模型可以对房地产前期价格规律性变化特点进行拟合，但无法反映房地产前期价格的随机性，预测精度有待提高。

3.2.2 BP神经网络的房地产前期价格预测结果

采用BP神经网络对图3的房地产前期价格进行建模预测，预测结果如图5所示。从图5可以看出，BP神经网络可以对房地产前期价格随机性变化特点进行刻画，但不能描述房地产前期价格的周期性和季节性变化规律，预测效果有待改善。

3.2.3 房地产前期价格的最终预测结果

采用BP神经网络对灰色模型的残差进行预测，并将两者结果进行相加，得到房地产前期价格的最终预测结果，具体如图6所示。

从图6可知，本文模型的房地产前期价格预测精度更高，这是因为本文模型融合了灰色模型和BP神经网络的优点，采用灰色模型对房地产前期价格的规律性进行分析，BP神经网络对房地产前期价格的随机性进行刻画，实现了优势互补，可以更加准确地描述房地产前期价格的变化趋势，提高了房地产前期价格预测精度。

4 结 语

房地产前期价格预测对房地产管理具有重要的实际意义，而房地产前期价格受到客观因素和主观因素的综合作用，不仅具有规律性，而且具有随机性，难以建立精确的数学模型，使得灰色模型或者神经网络无法全面拟合房地产前期价格复杂的变化特点。为了解决该问题，提出了灰色理论和神经网络的房地产前期价格预测模型，采用灰色模型对房地产前期价格的规律性进行分析，BP神经网络对房地产前期价格的随机性进行刻画。实验结果表明，本文模型可以描述房地产前期价格的变化趋势，提高了房地产前期价格的预测精度，在房地产管理中具有广泛的应用前景。

参考文献

[1] 叶剑平.我国房地产估价的发展趋势与对策[J].中国房地产，2001（8）：76?78.

[2] 叶艳兵，丁烈云.房地产预警指标体系设计研究[J].基建优化，2001，22（3）：1?3.

[3] 李永江，辛益军，李海宁.房地产业预警预报系统影响因素的聚类分析[J].经济师，2003（6）：256.

[4] 丁烈云.房地产周期波动成因分析[J].华中科技大学学报（社会科学版），2003，17（2）：19?25.

[5] WERNECKE M， ROTTKE N， HOLZMANN C. Incorporating the real estate cycle into management decisions?evidence from Germany [J]. Journal of real estate portfolio management， 2004， 10（3）： 171?186.

[6] 翟洪涛.我国房地产价格影响因素分析[J].科技与管理，2011，13（4）：81?83.

[7] 闫金秋.基于多变量协整的房地产价格影响因素分析[J].企业经济，2012（11）：99?103.

[8] 施建刚，王万力.基于时间序列的房地产价格走势辨识[J].统计与决策，2007（16）：130?131.

[9] 花景新，薄煜明，陈志敏.基于改进粒子群优化神经网络的房地产市场预测[J].山东大学学报（工学版），2014，44（4）：22?30.

[10] 章伟.粗糙集BP神经网络在房地产价格预测中的应用[J].计算机仿真，2011，28（7）：365?368.

[11] 李大营，许伟，陈荣秋.基于粗糙集和小波神经网络模型的房地产价格走势预测研究[J].管理评论，2009，21（11）：18?22.

[12] 何芳，王小川，肖森予，等.基于MIV?BP型网络实验的房地产项目风险识别研究[J].运筹与管理，2013（2）：229?234.