基于神经网络的北京市房价预测研究

傅莹莹

【摘要】本文选取20052014年北京市的房价及其房价主要影响因素作为实验数据，对影响北京房价的多种因素进行分析，利用BP神经网络构建了房价预测模型，仿真后得出北京市2015年房价预测值，结果显示用此模型进行房价预测十分精确，具有可参考价值。

【关键词】BP神经网络；房价；预测模型；MATLAB

1 引言

房价事关国计民生，牵涉到方方面面的利益和资源，尤其关乎稀缺资源的优化配置的问题。与此同时，房价预测也就显得尤其重要。北京身为我国重要的一线城市，预测其房价对整个国民经济的研究更是具有重大的意义。

2 BP神经网络

人工神经网络是一种能够反映人脑特性的智能信息处理系统，它能够模仿人脑系统的结构和功能。目前在智能检测、非线性预测、模式识别、机器人控制等很多领域都得到了广泛的应用。

BP神经网络（Back Propagation Neural Network）也称为反向传播神经网络，是一种具有3层或3层以上结构的无反馈的、层内无互连的网络。标准的BP学习算法采用误差函数按梯度下降的方法学习，使网络的实际输出值和期望输出值之间的均方误差最小。

3 建立BP神经网络的北京市房价预测模型

3.1数据选择

本文为了使房价影响因素合理，选取了五个具有代表性的房价影响因素：地区生产总值、常住人口数量、商品房销售面积、房地产开发投资总额、商品房平均销售价格。数据来源于北京市住房和城乡建设局发布的房价统计信息，具体如下表所示：

3.2数据预处理

为了解决原始数据样本中各向量数量级差别大的问题，同时也为了提高网络的训练速率，对原始数据样本进行归一化处理。

3.3初始化参数的设定

本文选用带有动量梯度下降法作为网络的训练方法，其训练函数为traingdm函数，性能函数为mse函数，动量项系数为η=0.8，学习率μ=0.01，最大训练次数为10 000次，目标误差为0.001，初始的权值和阈值为系统默认的值，每运行50次显示一次训练过程，其他参数均为缺省值。

3.4隐含层节点数的确定

在实验中，往往根据经验公式得到一个粗略的估计值作为初始值，再用试凑法确定最佳节点数。

其中，m为隐含层节点数；n为输入层节点数；l为输出层节点数；α为1～10之间的整数。本文将输入层神经元设为4，输出层神经元设为1，选择该神经网络隐含层的神经元个数为4。

3.5转移函数的确定

在本文设计的BP神经网络中，隐含层的传递函数为Sigmoid型正切函数tansig，输出层的传递函数为purelin函数。

3.6模型训练和仿真结果

使用20052012年的因素数据作为输入向量；以20062013年的因素数据作为目标输出，同时作为训练样本；20122013年数据作为测试验证样本。最终根据20132014年的因素数据预测出2014及2015年北京市住宅商品房的平均销售价格。

3.6.1模型训练

网络经初始化，利用函数 TrainLm对网络进行4次训练后，网络误差达到了误差目标goal=0.001的要求，学习样本训练结束（如下图所示）。

3.6.2测试模型及数据预测

根据已经建立的BP神经网络模型，可以看出房价预测的结果是比较理想的。得到的预测值是0.9284，与实际值1相比，准确率达到了92.84%。进而对2014及2015年房价的预测，得出：

y_test=0.9450 0.9749。

可知最终预测出的2014年及2015年房价分别为17210.95元/平方米和17560.53元/平方米。

4 结论

本文利用BP神经网络模型对北京市房价进行了比较精准的预测，结果较为可靠。同时也存在一些不足，一方面除了文中用到的五个因素，房价还在不同程度上受国家调控政策、国际金融环境等难以用数据进行表达的因素影响；另一方面文中所参照的历史数据具有一定程度的局限性，这也制约了研究的准确度。在今后的研究中都需要改进。

参考文献：

[1]徐丽娜.神经网络控制[M].北京：电子工业出版社，2003

[2]朱双东.神经网络应用基础[M].沈阳：东北大学出版社，2000

[3]许光建，魏义方，戴李元等.中国城市住房价格变动影响因素分析[J].经济理论与经济管理，2010，（8）