基于人工神经网络BP算法的黄冈市房价预测

周学君，陈文秀

(1.黄冈师范学院 数理学院，湖北 黄州 438000；2.黄冈广播电视大学 黄州分校，湖北 黄州 438000)



基于人工神经网络BP算法的黄冈市房价预测

周学君1，陈文秀2

(1.黄冈师范学院 数理学院，湖北 黄州 438000；2.黄冈广播电视大学 黄州分校，湖北 黄州 438000)

利用2003年至2010年黄冈市区人均地区生产总值、房地产开发投资、城镇居民人均住房使用面积等相关数据，根据人工神经网络BP算法，预测出2011年和2012年黄冈市区房价，与已经公布的这两年房价数据比较，符合预期误差范围。在此基础上，预测出2013年的房价，可以看出黄冈市区房价总体保持增长趋势，结合预测结果，给出合理化的解释。

黄冈市房价；房价预测；BP神经网络算法；误差

近年来，在中国的许多地方，房地产业是国民经济增长的引擎。而房价在市场经济中具有非常重要的功能和作用，它在一定程度上决定着市场总体价格水平，关乎着居民的生活水平。由于一、二线城市严厉的限购政策和产能过剩，大量开发商向三、四线城市进军和转移，黄冈市作为湖北省的三线城市，房地产业得到飞速发展，房价也在不断提高。

对于房价的分析和预测，一直是经济社会的热点问题，它受到很多因素的影响和制约。本文通过搜集相关统计资料，主要考虑总人口、人均地区生产总值、房地产开发投资、人均住房使用面积、人均可支配性收入等因素，利用人工神经网络BP算法分析和预测房价的大致走势，为黄冈市房地产业的可持续发展提供科学决策咨询。

人工神经网络算法是模仿生理神经网络的机构和功能设计的一种信息处理方法，已经在人工智能、模式识别等领域得到广泛的应用。BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一[1-2]。它对于价格预测问题有很好的效果[3-4]，本文以2003～2010年数据为基础，分析预测2011年、2012年、2013年房价，并与相关真实数据比较，进行误差分析，给出合理化的解释。

1 黄冈市区房价预测的BP神经网络模型

BP神经网络算法的基本原理是，利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。利用该算法解决问题大致上需要3步：(1)输入输出变量的确定及其数据的预处理，在这一步中需要对神经网络的输入、输出数据进行一定的预处理，以便加快网络的训练速度；(2)神经网络拓扑结构的确定，在这一步中，我们要确定网络层数与隐层，选取初始权值、训练算法和参数；(3)神经网络的训练和结果，在这一步中，我们把输入样本输入到神经网络，计算网络输出值，然后与实际输出相比较，使用选定的网络训练算法，以一定的规则修改网络的连接权值。反复计算误差和修改权值，直到误差达到一定的范围以内，输入检验样本，判断检验结果[5]。

在现有数据的基础上，利用Matlab软件对2003～2010年黄冈市人均地区生产总值、房地产开发投资、城镇居民人均住房使用面积、城镇居民人均可支配收入、城镇居民人均消费性支出和贷款利率(5年以上)等主要因素数据作为学习样本，分析房价与这些因素之间的关系，预测黄冈市房价的变化趋势[6-7]。

1.1 输入输出变量的确定及其数据的预处理

在BP神经网络中输入变量即为待分析系统的内生变量(影响因子)，这里我们选取影响房价的6个主要因素：人均地区生产总值A1、房地产开发投资A2、城镇居民人均住房使用面积A3、城镇居民人均可支配收入A4、城镇居民人均消费性支出A5和贷款利率(5年以上)A6。输出变量即为系统待分析的外生变量(系统性能指标)，这里我们选取住宅平均售价B1。为了提高算法的训练速度和灵敏性，一般要求输入数据的值在0～1之间，所以要对输入数据进行预处理，这里我们选用标准化方法(新数据=原数据/数据最大值)对原始数据进行预处理。具体原始数据如表1(A1-A5栏数据来自于黄冈市历年统计年鉴[8]，A6栏数据来自于中国人民银行公布的相关利率，B1栏数据来自于黄冈市房地产管理局[9])，预处理后的数据如表2。

表1 原始数据

表2 预处理后的数据

1.2 神经网络拓扑结构的确定

因为输入数据有6个属性，所以输入层的维数是6，即为(A1,A2,A3,A4,A5,A6)=(人均地区生产总值，房地产开发投资，城镇居民人均住房使用面积，城镇居民人均可支配收入，城镇居民人均消费性支出，贷款利率)，则网络的输入节点数为6，输出层的维数是1。

确定隐层节点数的最基本原则是，在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数。不妨根据Hornik公式

来计算隐层节点数N，其中n为输入层节点数，这里n=2，m为输出层节点数，这里m=1，可得隐层节点数N的范围是3～13。为了确定最佳的隐层节点数，我们利用Matlab的BP神经网络工具箱进行实验测试，实验参数设置为学习精度goal=0.1，训练步数epochs=500，动量因子α=0.9，学习率η=0.05，通过实验测试最后确定最佳的隐层节点数为9。这样，设计的BP神经网络模型如图1。

图1 BP神经网络模型

1.3 神经网络的训练和结果

BP网络的训练是通过应用误差反传原理不断调整网络权值使网络模型输出值与已知的训练样本输出值之间的误差平方和达到最小或小于某一期望值。这里利用Matlab的BP神经网络工具箱[10]，不妨训练函数设为trainlm,学习函数设为learngdm,传递函数设为purelin,训练步数为500，训练精度为0.05。

利用2003～2010年各指标数据，输入设计的BP神经网络中，得到网络输出值，与实际值作比较，按算法规则修改网络的连接权值。不断计算误差和修改权值，直到误差达到要求的范围，再输入需检验样本，由此判断检验结果，对结果进行还原和分析，得到实际值。如果它在训练误差的允许范围内，则说明设计的BP神经网络的推广能力强。就可以利用训练好的BP神经网络算法来预测2011年、2012年、2013年的房价发展情况。事实上，2011年、2012年的房价数据已经公布，我们可以通过比较预测值与真实值，如表3，训练误差都在允许的误差范围之内，于是这样的BP神经网络算法有很好的推广能力，可以用该算法来预测未来的房价情况。

表3 2011～2013年黄冈市区房价预测值与真实值的比较

*表3中2013年的真实值的数据，来自黄冈市住房信息网上公布的1～5月份的数据[9]。

2 结果分析和结论

从预测数据的误差数据来看，本文设计的BP神经网络算法模型对于黄冈市区房价预测达到了目标，有一定参考价值。特别是，预测的2013年房价虽然只是和1～5月份的数据进行对比，但是该结果还是可控的，基本满足设计要求。另一方面，由于房价的走势不仅与文中提到的6个方面因素有关，还与国家政策、经济环境、调控手段等一些不可控的因素也有关系，这在一定程度上影响了算法模型的客观性。再者，所利用的原始数据有限，也影响了算法的精度和稳定性。

近年来，随着武汉城市圈战略上升为国家战略，黄冈市的经济社会发展取得了跨越式发展，房地产业也得到了长足的发展，房价也节节攀升。当然，除了国家政策是今年黄冈市区房价增长的诱因外，房地产开发投资和城镇居民人均可支配收入也是重要因素。

[1] 刘焕彬，库在强，廖小勇等. 数学模型与实验[M]. 北京：科学出版社，2008.

[2] 王钰，周志华，周傲英. 机器学习及其应用[M]. 北京：清华大学出版社，2006.

[3] 杨华.房价分析模型及对策[J].武汉工业学院学报，2008，27(1):89-93.

[4] 胡六星，吴结飞.基于灰色系统理论的两种房价预测方法比较[J].统计与决策，2010(7):22-24.

[5] 杜道渊，柏宏斌，周锋. 基于BP神经网络自贡房地产价格走势预测[J]. 四川理工学院学报：自然科学版，2011，24(3)：366-369.

[6] 闫鹏飞，王典，燕慧慧.基于GM(1,1)模型的郑州市商品房房价预测[J].重庆交通大学学报：社科版，2013，13(3):60-64.

[7] 闫海波，陈敬良.地价增长率的GM(1,1)预测模型[J].统计与决策，2011(22):168-170.

[8] 湖北省统计局. 2003-2010年黄冈市统计年鉴[DB]. [2012-11-19]. http://www.stats-hb.gov.cn/szbmtjsj.htm.

[9] 黄冈市房地产管理局. http://www.hgfdcxx.com/PubInfo/StatData.asp.

[10] 朱凯，王正林. 精通MATLAB神经网络[M]. 北京：电子工业出版社，2009.

(李鑫)

Prediction of Housing prices in Huanggang City based on artificial neural network BP algorithm

ZHOU Xue-jun1, CHEN Wen-xiu2

(1.College of Mathematics and Physics，Huanggang Normal University，Huangzhou 438000，Hubei，China;2.Huangzhou Branch Campus, Huanggang Radio and TV University, Huangzhou 438000，Hubei，China)

Based on artificial neural network BP algorithm, referring to urban per capita GDP of Huanggang, investment in real estate development, the per-capita living space of urban residents and other related data from 2003 to 2010, we predict the 2011 and 2012 housing prices of Huanggang urban area. Compared with the data published, the data predicted meet the expected error bound. On this basis, we further predict housing prices in 2013, and find out that housing prices of Huanggang will keep increasing. From the results obtained, reasonable explanation is presented.

Huanggang housing prices; prediction of housing prices; BP neural network algorithm; error

TP183

A

1003-8078(2014)03-0013-03

2013-09-02 doi 10.3969/j.issn.1003-8078.2014.03.04

周学君，男，湖北蕲春人，讲师，硕士，研究方向为机器学习及其应用。

黄冈师范学院科学研究项目(2013020103)；黄冈师范学院教学研究项目(2013ce21)。