基于改进型BP神经网络的房地产预警

工作中，有些研究者引入了一个用于评估房地产项目经济风险的模拟模型，即通过使用机器学习来预测房地产。

1 相关工作

本文以宏观因素来估计房价，构造了一个综合指标体系，通过神经网络理论估计出任意楼盘（包括即将推出的楼盘）在2018年第三季度的季度均价。以某楼盘为例，根据其以往的房地产价格并应用神经网络算法即可预测出此楼盘2018年

第三季度的楼盘价格，该办法能很好地对任意房地产进行估价和预测。

2 BP神经网络

2.1 一般的BP神经网络

基于BP算法的多层前馈型网络结构如图1所示。

2.2 改进型BP神经网络

由于基本BP算法具有无约束优化的特点，在实验中，科研团队计划采用BPNN算法来弥补这一缺点。房地产项目由于其自身的特点，面临较多风险，其风险诱发因素之间的关系主要是非线性相关和模糊。人为给出了每个风险因素的权重，使风险因素相互分离，导致得出的结论往往不准确且不科学。文中提出的BP神经网络可以通过非线性自组织、自学习来识别危险因素之间的内在关系，减少人为主观因素，使房地产项目的风险评估变得更加客观准确。

3 房地产价格的分析

3.1 房地产价格的形成

房地产价格的影响因素如地段、人口类型、自然环境等均会对房地产价格产生影响。

3.2 房地产价格的特征

房地产价格受区域的影响较大，部分地价较贵的地区，其房价会随之升高，并且涨价速度会高于其余地区，这种区域性特点使得房地产价格的分析更加复杂。

4 仿真实验

4.1 模型建立

在此实验中，已忽略了微观因素对房价的影响，设置为仅考虑宏观因素的情况。

以南京一楼盘为例，通过2018年第一季度的宏观经济指标对2018年第二季度进行预测，形成一个新的矩阵。

4.2 模型求解

改进型BP网络预测输出如图2所示，改进型BP神经网络预测误差百分比如图3所示，改进型BP网络预测误差如图4所示。

由图2可看出，预测输出和实际输出完全吻合。检验指标见表2所列。

4.3 模型预测

利用神经网络测试一季度和二季度的房价。

第一季度预测值：2.898 8e+004，即28 988元/m2。

实际值：34 800。

第二季度预测值：3.039 1e+004，即预测第二季度均价为35 039.1元/m2。

此价位通过南京市某一楼盘预测得到，同样可以将该方法应用于其他城市房价的预测。如果输入城市往年数据，通过改进型的BP神经网络就能够很容易预测到新季度城市房屋均价。

5 结 语

BP神经网络可以减少人的主观性，方便房地产开发企业进行有效的风险规避。房地产市场的不透明性在于虽然一些房地产网站公开提供了大量房屋的价格，但缺少其余房屋的价格，而这些价格对于模拟它们的完整演变是必要的。

預测估计也可用于其他方面，例如评估房屋，让买家知道最优惠的价格（即与评估相比最低的价格）并建议买家设定初始价格。这项工作建议将降维方法与机器学习技术相结合以获得估计的价格。特别是这项工作分析了非负分解的使用，将递归特征消除和具有方差阈值的特征作为降维方法。它将线性回归、支持向量回归、k近邻和多层感知神经网络的应用作为机器学习技术并进行比较。这项工作采用十倍交叉验证，用于比较估计和误差，并评估了模拟开始时常用基本估算器的改进。目前该方法已经解决了用BP神经网络估算未知房屋价格的问题。

此外，还可以结合使用机器学习和降维方法，可能将开启一个相关的研究领域，即机器学习和降维方法的应用，以支持用于估计未知信息的ABS的初始化。减少维数的应用可能是应用大数据的ABS的一个进步。代理群体的初始化可以在不同的域中提供更逼真的模拟演进。实验结果表明，维数降低允许在训练阶段管理较少量信息，提供与真实信息无显著差异的结果。实验表明，SVR是最好的回归方法（优于所有降维技术的基本估计），RFE是最好的降维方法（优于基本估计的三种回归方法，与其他降维方法相比，数字最高）。此外，SVR和RFE的组合获得了最低的MSE。尽管线性预测器简单，但它在RFE中获得了较好的结果（RFE基于线性回归来消除特征）。NMF表现不如预期，原因可能是我们的方法从13维降到6维，而其他研究的输入更多（至少几百）。线性回归和KNN在响应时间方面获得了最高的性能。当仅考虑与NMF的组合时，MLP实现了最低误差。此外，与未降维的情况相比，具有NMF的MLP是在MSE中具有最低增加比率的组合。这项工作可能对购房者和卖家有实际意义。两个利益相关者都可以使用预测模型来了解他们是否要以合理的价格购买或出售房屋、检查机会、识别市场趋势等。在本文考虑的情况下，该模型可以预测SVR-RFE组合平均MSE为0.105的价格。在这项研究中，我们还检测到了NMF和MLP的特殊行为：尽管在平均MSE方面不是最好，但这种组合没有异常值并且得到了最低的最坏情况误差。

计划扩展当前工作以解决ABS初始化中的其他两个问题。第一个问题是从现有样本中生成特定大小的未知实际样本。在房地产市场背景下，有必要从现有的集合中生成缺失房屋的特征和价格。第二个问题是获得一个现实的历史样本，只有平均价格已知。房屋的特征将与当前房屋的特征类似。房屋的价格将通过现有房屋的监督学习来计算，但旨在设定不同的平均值（过去的平均价格）。此外，目前的方法可以用更多的房屋进一步评估，还计划通过考虑更多的房屋特征来加强，例如他们的能源等级。此外，我们未来的工作将对此增强型数据集应用广义加性模型（GAM），以评估其在所提出方法中的效用。

参 考 文 献

[1]孙喜波.BP神经网络算法与其它算法的融合研究及应用[D].重庆：重庆大学，2011.

[2]陈建婷.基于改进型BP神经网络的多变量时序预测方法[J].电子技术与软件工程，2019（5）：163-165.

[3]闫飞宇，李伟卓，杨卫卫，等.基于Bagging神经网络集成的燃料电池性能预测方法[J].中国科学：技术科学，2019，49（4）：391-401.

[4]王杨，王非凡，张舒宜，等.基于TF-IDF和改进BP神经网络的社交平台垃圾文本过滤[J].计算机系统应用，2019（3）：126-132.

[5]王古森，高波.基于自适应学习率BP神经网络的火点定位模型[J].计算机系统应用，2019（3）：250-254.

[6]冯玉芳，卢厚清，殷宏，等.基于BP神经网络的故障诊断模型研究[J].计算机工程与应用，2019（6）：24-30.

[7]但松林，刘尚奇，罗艳艳，等.基于BP神经网络预测高含水层对SAGD开发效果的影响[J].大庆石油地质与开发，2019（2）：73-80.

[8]张霄，钱玉良，邱正，等.基于蜻蜓算法优化BP神经网络的燃气轮机故障诊断[J].热能动力工程，2019（3）：26-32.

[9]许亮，赵松波，高强，等.PSO-BP神经网络在语音干扰效果评估中的应用[J].现代电子技术，2019，42（6）：43-46.

[10]马湧，王晓鹏，马莎莎.基于Keras深度学习框架下BP神经网络的热轧带钢力学性能预测[J].冶金自动化，2019（2）：6-10.

[11] ZHAO N，HAN Z. A simulation model of seawater vertical temperature by using back-propagation neural network [J]. Polish maritime research，2015，22（s1）.

[12] QUAN G Z，ZOU Z Y，WANG T，et al. Modeling the hot deformation behaviors of as-extruded 7075 aluminum alloy by an artificial neural network with back-propagation algorithm [J]. High temperature materials and processes，2017，36（1）.

[13] Sadeghi B H M. A BP-neural network predictor model for plastic injection molding process [J]. Journal of materials processing technology，2000，103（3）：411-416.

[14] ZHANG Y，WU L. Stock market prediction of S&P 500 via combination of improved BCO approach and BP neural network [J]. Expert systems with applications，2009，36（5）：8849-8854.

[15] XIA X，LI T. A fuzzy control model based on BP neural network arithmetic for optimal control of smart city facilities [J]. Personal and ubiquitous computing，2019（4）：1-11.

[16] SONG T，PAN L，WU T，et al. Spiking neural P systems with learning functions [J]. IEEE transactions on nanobioscience，2019，99：1.

[17] LIU L，RAN W. Research on supply chain partner selection method based on BP neural network [J]. Neural computing and applications，2019（3）.

[18]王志芳，王书涛，王贵川.粒子群优化BP神经网络在甲烷检测中的应用[J].光子学报，2019，48（4）：141-148.

[19]林江豪，阳爱民.基于BP神经网络和VSM的台风灾害经济损失评估[J].灾害学，2019，34（1）：24-28.

[20]陈闯，RYAD，CHELLALI，等.改进遗传算法优化BP神经网络的语音情感识别[J].计算机应用研究，2019（2）：344-346.

[21]查刘根，谢春萍.基于免疫遗传算法的BP神经网络在纱线条干预测上的应用[J].丝绸，2019，56（2）：19-26.

[22]姜康，尹宏程，冯忠祥.侧风对大跨度桥梁轿车行车安全影响的仿真分析[J]. 合肥工业大学学报（自然科学版），2019（2）：145-150.

[23]王法亮，徐大诚.基于PSO-BP神经网络的MEMS加速度计温度补偿[J].传感器与微系统，2019，38（2）：25-28.

[24]赵文清，严海，王晓辉.BP神经网络和支持向量机相结合的电容器介损角辨识[J].智能系统学报，2019，14（1）：134-140.

[25]陈刚，刘发升.基于BP神经网络的数据挖掘方法[J].计算机与现代化，2006（10）：20-22.

[26]杨立苑，胡佳军，李显风，等.基于BP神经网络的气象云资源调度系统[J].计算机与现代化，2018 （7）：68-72.

[27]冯钧，潘飞.一种LSTM-BP多模型组合水文预报方法[J].计算机与现代化，2018，275（7）：82-85.

[28]杨东，王移芝.基于Attention-based C-GRU神经网络的文本分类[J].计算机与现代化，2018（2）：96-100.

[29]陈希远，朱佳.基于联合特征学习的多尺度卷积神经网络在外汇交易市场中的应用[J].计算机与现代化，2018（9）：122-126.

[30]刘述忠. 基于GM-RBF神经网络的股票價格预测分析[J]. 计算机与现代化，2018（8）：8-11.

推荐访问:神经网络 预警 改进型 房地产 BP