曹亚飞 郭亚萍
摘 要:商品房的价格受多方面因素的影响,传统的预测方法并不十分有效。为了探索新的房價预测理论模型,利用重庆市的数据,验证了遗传算法改进的BP神经网络房价预测的有效性,从而可以对房地产供求双方及监管机构提供一定的参考。
关键词:遗传算法;BP神经网络;房价预测;重庆市房价
文章编号:1004-7026(2018)14-0035-01 中国图书分类号:TP183 文献标志码:A
商品房作为生活的必需品和重要的投资领域,价格走势一直受到社会各层的广泛关注,房地产市场的过热或者过冷都不利于我国经济的可持续发展,其健康发展关联的不仅仅是这个市场,也直接关系到人民对美好生活的需求。由于房地产市场的复杂性和多变性,以传统计量方法为基础建立的经济模型大多是线性的,与实际误差较大,在当前大数据+机器学习的时代背景下,遗传算法改进BP神经网络为房价走向的预测提供了新的方法。
1 遗传算法改进的BP神经网络基本原理
BP神经网络也被成为误差反向传播神经网络,其学习过程分为数据的正向传播和误差的反向传播。在正向传播时,模型作用在输入层,数据从输入到输入层后,隐含层会逐层处理数据,进而传导到输出层。如果输出层实际输出和标准的期望输出有差距,那么就会进入到误差的反向传播进程。反向传播过程就是将误差传导到隐含层,在隐含层内向输入层不断返回数据,并传导到不同的神经单元,得到不同层单元的误差信号后会将其不断修正,使得连接权值误差不断减小。BP 神经网络的学习过程就是通过不断调整这种连接权数误差的过程,并最终使得输出的均方误差达到要求的标准。
遗传算法是一种模拟自然淘汰和生物进化过程的新型计算模型,其是受达尔文进化论的启发而提出的一种启发式搜索算法。通过将需要解决的函数关系模拟为一种生物进化的过程,可以经过交叉检验选择淘汰过滤掉那些适应性低的函数个体,并增加高适应性个体数量,在多代的循环过程之后,最终可以产生出一系列符合条件的个体。因此,可在BP神经算法学习训练时用遗传网络算法对其权数和阈值来寻求最优化,在缩小范围之后再利用BP神经网络进行预测[1]。
2 基于遗传算法改进的BP神经网络重庆市房价预测模型
2.1 变量的选取
根据BP神经网络的基本原理,本文选取2005—2015年重庆市房价影响相关因素的数据来进行学习训练,具体指标选取有:人均GDP(元)、所在地商品房投资额(亿元)、所在地人均住房面积(平方米)、所在地人均可支配收入(元)、所在地年人均支出(元)、所在地常住人数(万人)、所在地商品房年销售面积(万平方米)和商品房地价8个影响房价的指标作为输入变量节点。隐含节点的个数由公式:m=■+?琢决定,参数的具体数值通常由固定经验来决定,a一般为1~12之间的常数,m为输入变量个数,n为输出变量个数。
2.2 训练样本和预测样本的构造
基于遗传算法改进BP神经网络模型中建立一个8个输入层, 1个输出层的学习训练模型,通过将重庆市2005—2015年相关指标数据输入,不断调整隐含层权重阈值,学习间隔为用前3年的房价数据对下一年房价作出预测,在遗传算法改进下,BP神经网络的参数处于不断的修正当中,并在学习训练的过程中达到理想的预测精度。
2.3 神经网络的训练和结果
通过用遗传算法对BP神经网络改进,利用2005—2015年的各指标数据对学习训练过后的BP神经网络模型对重庆市2016年和2017年房价进行预测,再与统计局公布的真实房价数据对比,预测数据与真实数据的误差平均方差为1.1665e-005。从实际的结果来看,模型预测2016年房价为6 822.6元/m2,2017年房价为7 942.7元/m2。根据重庆市统计局的数据,2016年重庆市商品房销售均价为7 116元/m2,2017年商品房销售均价为8 324元/m2,与预测所得到的结果误差在5%以内,预测具有较高的可信度。
3 结束语
首先,对遗传算法和BP神经网络进行介绍,其次,利用遗传改进的BP神经网络算法对重庆市房价进行了预测,通过与实际数据进行对比分析,发现遗传算法改进的BP神经网络具有一定的预测价值,可对各方提供参考。但由于商品房价格形成机制复杂,还受到各地调控政策、宏观经济环境等因素影响,一定程度上影响了对房价预测的客观性,但这并不影响模型的预测价值。
参考文献:
[1]王筱欣,高攀.基于BP神经网络的重庆市房价验证与预测[J].重庆理工大学学报(社会科学),2016,30(9):49-53.