南京市未来短期房价预测

论文总字数：12590字

目 录

1、 绪 论 1

1.1 研究背景及意义 1

1.2房价预测实例 1

2、时间序列预测及神经网络 2

2.1 时间序列预测 2

2.1.1 时间序列特性 3

2.1.2 预测模型 4

2.2神经网络 5

2.2.1 BP神经网络 5

2.2.2 改进的BP神经网络 6

2.3 评价网络性能的指标 6

3、 时间序列预测 6

3.1 样本数据的处理 6

3.2 平稳性检测 7

3.3 时间序列建模 8

3.4 结果分析 9

4、BP神经网络的时间序列预测模型 9

4.1 样本数据的处理 10

4.2 神经网络的训练及预测仿真 10

4.3结论分析 11

5、遗传算法优化神经网络 11

5.1构建基本BP网络模型 12

5.2遗传算法优化BP神经网络 12

5.3遗传算法优化网络的仿真结果 12

6、总 结 13

参考文献: 14

致谢 15

南京市未来短期房价预测

杨雷官

，China

Abstract:Taking the most heated topic among general public, the house price as the subject of study, this article holds great significance in predicting the trend of house price and reflecting the livelihood of residents. As the issue of house price is receiving increasing attention, some scholars try to explore the laws of price changes in real estate industry proceeding from various kinds of theories, and relative prediction models are established to realize the prediction of house price as well. Utilizing a time series prediction method based on BP neural network, this article forecasts the house price in 2016 and 2017 respectively according to the price data of houses in Nanjing during 2006 to 2015. The purpose as well as importance of this research topic are introduced in the first place, then a general introduction and development background of time series are given, examples are cited to illustrate the advantages and shortcomings of some prediction models such as gray model and time series model. The article later moves to the situation of time series, BP neural network and its related learning algorithm. Data are processed through time series in the third chapter, and a time series prediction model is built to envision the house price in Nanjing and also other predictive index. Besides, another time series prediction approach based on neural network is also applied to forecast the house price of Nanjing in 2016 and 2017 according to the house price data of Nanjing from 2006 to 2015. Finally, the conclusion is drawn in the end.

Keywords: time series neural network prediction Nanjing house price

1. 绪 论

1.1 研究背景及意义

自21世纪初，我国政府为了国内内需的增长，开始启动房产改革，房地产市场便如雨后春笋般快速发展。之后，经过不到10年的发展，房地产市场的快速发展已经影响到了人们的日常生活。房价增长迅速，物价也跟着上涨。严重影响了我国房地产市场的健康发展。 从2010年开始，中央政府不断出台了相应的调控政策，全国的房地产市场经历了多轮调控。南京市政府也出台了相应的调控政策，如果不进行调控，房地产市场会进入怎么样的发展趋势，是否有方法和理论解释我国房地产发展规律，从而预测其发展趋势[1]，人民政府和广大百姓都迫切探求我国房价的预测方法。

国内外学者已从社会的多种角度（如经济、政治、人口等）对房地产价格的影响因素做出了各种深入研究，并取得了大量的研究结论。在国内，由于在理论上对房地产价格波动的形成机制、影响因素、相应的实证研究、房地产价格的预测等研究尚存在争议。因此，探究适用于我国的房地产价格分析与预测的方法具有重要的学术价值。为对房地产价格的变动特征、影响因素及预测进行分析，许多学者从丰富的的数据入手，在现有的理论基础上，合理筛选房地产价格的影响因素，并利用线性回归模型[10]，灰色模型[11]，时间序列预测模型[12]等方法进行分析和预测，作为对现有研究工作的补充和完善，因而具有重要的理论意义。

本文构建了一个基于神经网络的时间序列预测模型，根据房地产市场的一些影响因素，尝试预测了南京房地产市场未来短期的发展趋势。首先构建了多维的时间序列BP网络拓扑结构，然后分别应用时间序列的MA预测模型、BP神经网络模型以及遗传算法优化的BP神经网络模型，根据南京房价和其影响因素的实践数据，预测了未来短期南京的房价走势。横向、纵向对比了三种预测模型，得到了其中最优的预测模型及预测结论。

1.2房价预测实例

在国内外，人们用过各种预测模型预测房价，并都取得了一定的成果。但是，在模型的建立过程和预测过程中可能存在一些不足，从而导致模型应用的局限性和预测结果的不稳定性。下面列举了关于灰色模型和时间序列模型预测实例。

杨奎星根据武汉市2011年1月至10月商品住房价格序列（如表1所示）预测其未来走势[7]。分别用灰色模型预测（如图1所示）和时间序列模型预测（如图2所示）。

表1 2011年1月-10月商品住房价格

图1 灰色模型预测图

图2 ARIMA时间序列预测图

实例中分别采用了灰色模型和时间序列模型对武汉市房价进行了预测。从图1预测的结果中，我们可以看出，灰色模型虽然数据很少时也可以进行预测，但是缺点也是很明显的，模型的预测精度受数据列表的光滑度影响较大，即预测精度受个别突变的数据影响大，如图1中2月误差很大，导致了后续预测结果误差偏大。如果数据集选择不恰当，势必影响预测结果。从图2中，我们可以看出一个比较准确的预测结果曲线图，但是ARIMA时间序列预测模型仅在预测短期经济时间序列方面表现不错。同时，两个模型都有一个共同的缺点，那就是忽略了其他因素对房价的影响。灰色模型只关注于数据的内在发展规律，时间序列预测模型仅研究了房价随时间的变化。

2、时间序列预测及神经网络

2.1 时间序列预测

时间序列可分为线性时间序列和非线性时间序列，或单变量时间序列和多变量时间序列。多变量时间序列是有多个参数变量的时间序列，不同的参数变量可能存在联系，但也可能存在冗余信息[14]。本文预测房价问题是基于一个多变量非线性的时间序列。

时间序列的建模首先要对数据进行采样。采样是按照一定时间间隔采取样本，对连续的时间段的样本曲线进行离散化的过程。采样的常用方法分为三种[8]。

1. 直接采样。直接取样本在第t-1个时间间隔点上的值。
2. 累计取样。取值为样本在区间[，]上的累计值。
3. 特征采样。按照一定的时间间隔和特征值筛选样本。如最大值，最小值，平均值等。

本文对南京市每月房价及相关数据进行累计采样，取平均值的方法处理样本数据。

剩余内容已隐藏，请支付后下载全文，论文总字数：12590字

相关图片展示：