叢蘇莉

摘 要： 為了克服單一灰色模型或者BP神經(jīng)網(wǎng)絡(luò)的局限性，提出灰色理論和神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)前期價格預(yù)測模型。該模型采用灰色模型對房地產(chǎn)前期價格的規(guī)律性進行分析，BP神經(jīng)網(wǎng)絡(luò)對房地產(chǎn)前期價格的隨機性進行刻畫，實現(xiàn)了優(yōu)勢互補，最后進行房地產(chǎn)前期價格預(yù)測具體應(yīng)用實例分析。結(jié)果表明，該模型可以準確描述房地產(chǎn)前期價格的變化趨勢，提高房地產(chǎn)前期價格的預(yù)測精度，為房地產(chǎn)前期價格預(yù)測提供了一種有效的建模工具。

關(guān)鍵詞： 房地產(chǎn)； 前期價格； 神經(jīng)網(wǎng)絡(luò)； 周期性； 非線性特點

中圖分類號： TN711?34； TP311 文獻標識碼： A 文章編號： 1004?373X（2017）11?0107?04

Research on real estate early?stage price prediction

based on grey theory and neural network

CONG Suli

（Department of Architectural Engineering， Wenjing College of Yantai University， Yantai 264000， China）

Abstract： In order to overcome the limitation of single grey model or BP neural network， a real estate early?stage price forecasting model based on grey theory and neural network is put forward. The gray model is adopted in the model to analyze the regularity of real estate early?stage price， and BP neural network is adopted to describe the randomness of real estate early?stage price to realize the complementary advantages. The specific application instance is applied to the analysis of real estate early?stage price prediction. The experimental results show that the model can describe the change trend of real estate early?stage price accurately， improved the forecasting accuracy of real estate early?stage price， and provides an effective modeling tool for real estate early?stage price forecasting.

Keywords： real estate； early?stage price； neural network； periodicity； nonlinear characteristic

0 引 言

近年來，我國的房地產(chǎn)市場非?；钴S，房地產(chǎn)價格成為人們經(jīng)常討論的話題[1]。為了防止房地產(chǎn)價格過度增長，國家和地方均出臺了一系列的政策進行調(diào)控，然而由于其他投資市場的隨機性太大，一些人沒有好的投資渠道，將大量資金投入到房地產(chǎn)市場中，導(dǎo)致房地產(chǎn)價格的隨機變化大。在各種政策和人們心理作用的影響下，房地產(chǎn)前期價格預(yù)測可以幫助人們了解房地產(chǎn)價格的變化態(tài)勢[2?3]，預(yù)測結(jié)果有利于政策制定者和房地產(chǎn)投資者做出準確判斷，因此房地產(chǎn)前期價格預(yù)測具有重要的實際價值[4]。

當前人們對房地產(chǎn)價格預(yù)測主要通過對政策、經(jīng)濟、房貸等因素進行分析，然后對未來房地產(chǎn)價格變化趨勢進行估計[5]。有學者認為房地產(chǎn)價格主要與土地價格密切相關(guān)，結(jié)果表明，土地價格要去行政化，減少政府部門干預(yù)，讓土地價格由市場決定，降低房地產(chǎn)的成本，有效降低房地產(chǎn)價格[6]。有學者采用時間序列分析法對房地產(chǎn)價格進行建模，通過擬合房貸和房地產(chǎn)價格之間的聯(lián)系，實現(xiàn)房地產(chǎn)價格預(yù)測[7?8]；文獻[9]以及文獻[10]采用神經(jīng)網(wǎng)絡(luò)對房地產(chǎn)價格變化趨勢進行擬合，分析了房地產(chǎn)價格變化的隨機性，預(yù)測結(jié)果要優(yōu)于時間序列法，但房地產(chǎn)價格同時具有季節(jié)性變化特點，導(dǎo)致有時預(yù)測精度低。灰色模型可以對房地產(chǎn)價格的季節(jié)性、周期性變化特點進行建模，挖掘數(shù)據(jù)中隱藏的變化特點，但不能對房地產(chǎn)價格隨機性進行擬合[11]。

雖然當前房地產(chǎn)價格研究很多，但是對房地產(chǎn)前期價格研究相當少，而且房地產(chǎn)前期價格預(yù)測的實際應(yīng)用價值更高[12]，為了解決當前房地產(chǎn)前期價格預(yù)測模型存在的局限性，提出灰色理論和神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)前期價格預(yù)測模型，分別采用灰色模型和BP神經(jīng)網(wǎng)絡(luò)對房地產(chǎn)前期價格的規(guī)律性和隨機性分別進行建模，實現(xiàn)它們之間的優(yōu)勢互補，實驗結(jié)果表明，該模型能夠有效地描述房地產(chǎn)前期價格的變化趨勢，提高房地產(chǎn)前期價格的預(yù)測精度。

1 灰色模型和神經(jīng)網(wǎng)絡(luò)

1.1 灰色模型

灰色模型有多種形式，其中GM（1，1）是最常用的一種，而且性能更優(yōu)，GM（1，1）的一階微分形式定義如下：

（1）

白化微分形式定義如下：

（2）

式中和為參數(shù)。

參數(shù)和對灰色模型的性能影響十分重要，選擇最小二乘算法對它們進行求解，具體為：

（3）

對于一個序列，其預(yù)測結(jié)果為：

（4）

要得到不同時刻的預(yù)測結(jié)果，需要對式（4）進行累減操作，即：

（5）

在第個時刻，灰色模型預(yù)測值與期望值之間的殘差計算公式為：

（6）

對于一個復(fù)雜的回歸問題，如房地產(chǎn)前期價格數(shù)據(jù)，灰色模型可以對其規(guī)律性進行建模預(yù)測，預(yù)測值與期望值之間的殘差包含了房地產(chǎn)前期價格的隨機變化特點，而灰色模型無法對隨機性變化特點進行建模，使得房地產(chǎn)前期價格預(yù)測精度有待進一步改善。

1.2 神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種有導(dǎo)師學習的人工智能算法，通過各層之間誤差反向傳播不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，從而逼近問題的最優(yōu)解，基本結(jié)構(gòu)如圖1所示。

1.3 正向傳播過程

BP網(wǎng)絡(luò)的輸入層有個節(jié)點，隱層有個節(jié)點，輸出層有個節(jié)點，輸入層到隱層之間的權(quán)值為，隱層到輸出層之間的權(quán)值為，隱層的傳遞函數(shù)為，輸出層的傳遞函數(shù)為。隱含層第個神經(jīng)元的輸入為：

（7）

隱含層的輸出為：

（8）

輸出層的輸入為：

（9）

輸出層的輸出為：

（10）

圖1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

1.4 反向傳播過程

在學習過程中，輸入個學習樣本，第個樣本得到的實際輸出與期望輸出的誤差為：

（11）

對于個樣本，總誤差函數(shù)為：

（12）

輸出層權(quán)值調(diào)整公式為：

（13）

隱含層權(quán)值調(diào)整公式為：

（14）

2 灰色模型和神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)前期價格預(yù)測

模型

2.1 建模原理

灰色模型和神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)前期價格預(yù)測模型的工作原理為：采用灰色模型對房地產(chǎn)前期價格的規(guī)律性進行建模，采用BP神經(jīng)網(wǎng)絡(luò)對房地產(chǎn)前期價格的隨機性進行有效擬合，實現(xiàn)優(yōu)勢互補，最后對兩者的結(jié)果進行組合，輸出房地產(chǎn)前期價格預(yù)測結(jié)果，具體如圖2所示。

圖2 房地產(chǎn)前期價格模型的構(gòu)架

2.2 房地產(chǎn)前期價格的建模步驟

Step1：收集某個房地產(chǎn)前期價格的數(shù)據(jù)，并做如下處理：

（15）

Step2：將房地產(chǎn)前期價格的數(shù)據(jù)分為訓(xùn)練樣本和測試樣本。

Step3：將房地產(chǎn)前期價格的訓(xùn)練樣本輸入到灰色模型進行學習，建立相應(yīng)的房地產(chǎn)前期價格預(yù)測模型，并得到預(yù)測結(jié)果。

Step4：對房地產(chǎn)前期價格預(yù)測結(jié)果與期望值的殘差進行計算，得到殘差序列。

Step5：BP神經(jīng)網(wǎng)絡(luò)對殘差序列進行學習，并對連接權(quán)值和閾值進行更新，得到殘差序列的預(yù)測結(jié)果。

Step6：將灰色模型的預(yù)測結(jié)果和相加，得到房地產(chǎn)前期價格最后的預(yù)測結(jié)果為：

（16）

3 房地產(chǎn)前期價格預(yù)測的實例驗證

3.1 數(shù)據(jù)來源

為了分析本文房地產(chǎn)前期價格預(yù)測模型的可靠性，選擇某市的房地產(chǎn)前期價格數(shù)據(jù)進行仿真測試，數(shù)據(jù)具體如圖3所示，其中最后100個數(shù)據(jù)作為測試樣本。

3.2 結(jié)果與分析

3.2.1 灰色模型的房地產(chǎn)前期價格預(yù)測結(jié)果

采用灰色模型對圖3的房地產(chǎn)前期價格進行建模預(yù)測，預(yù)測結(jié)果如圖4所示。從圖4可知，灰色模型可以對房地產(chǎn)前期價格規(guī)律性變化特點進行擬合，但無法反映房地產(chǎn)前期價格的隨機性，預(yù)測精度有待提高。

3.2.2 BP神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)前期價格預(yù)測結(jié)果

采用BP神經(jīng)網(wǎng)絡(luò)對圖3的房地產(chǎn)前期價格進行建模預(yù)測，預(yù)測結(jié)果如圖5所示。從圖5可以看出，BP神經(jīng)網(wǎng)絡(luò)可以對房地產(chǎn)前期價格隨機性變化特點進行刻畫，但不能描述房地產(chǎn)前期價格的周期性和季節(jié)性變化規(guī)律，預(yù)測效果有待改善。

3.2.3 房地產(chǎn)前期價格的最終預(yù)測結(jié)果

采用BP神經(jīng)網(wǎng)絡(luò)對灰色模型的殘差進行預(yù)測，并將兩者結(jié)果進行相加，得到房地產(chǎn)前期價格的最終預(yù)測結(jié)果，具體如圖6所示。

從圖6可知，本文模型的房地產(chǎn)前期價格預(yù)測精度更高，這是因為本文模型融合了灰色模型和BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點，采用灰色模型對房地產(chǎn)前期價格的規(guī)律性進行分析，BP神經(jīng)網(wǎng)絡(luò)對房地產(chǎn)前期價格的隨機性進行刻畫，實現(xiàn)了優(yōu)勢互補，可以更加準確地描述房地產(chǎn)前期價格的變化趨勢，提高了房地產(chǎn)前期價格預(yù)測精度。

4 結(jié) 語

房地產(chǎn)前期價格預(yù)測對房地產(chǎn)管理具有重要的實際意義，而房地產(chǎn)前期價格受到客觀因素和主觀因素的綜合作用，不僅具有規(guī)律性，而且具有隨機性，難以建立精確的數(shù)學模型，使得灰色模型或者神經(jīng)網(wǎng)絡(luò)無法全面擬合房地產(chǎn)前期價格復(fù)雜的變化特點。為了解決該問題，提出了灰色理論和神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)前期價格預(yù)測模型，采用灰色模型對房地產(chǎn)前期價格的規(guī)律性進行分析，BP神經(jīng)網(wǎng)絡(luò)對房地產(chǎn)前期價格的隨機性進行刻畫。實驗結(jié)果表明，本文模型可以描述房地產(chǎn)前期價格的變化趨勢，提高了房地產(chǎn)前期價格的預(yù)測精度，在房地產(chǎn)管理中具有廣泛的應(yīng)用前景。

參考文獻

[1] 葉劍平.我國房地產(chǎn)估價的發(fā)展趨勢與對策[J].中國房地產(chǎn)，2001（8）：76?78.

[2] 葉艷兵，丁烈云.房地產(chǎn)預(yù)警指標體系設(shè)計研究[J].基建優(yōu)化，2001，22（3）：1?3.

[3] 李永江，辛益軍，李海寧.房地產(chǎn)業(yè)預(yù)警預(yù)報系統(tǒng)影響因素的聚類分析[J].經(jīng)濟師，2003（6）：256.

[4] 丁烈云.房地產(chǎn)周期波動成因分析[J].華中科技大學學報（社會科學版），2003，17（2）：19?25.

[5] WERNECKE M， ROTTKE N， HOLZMANN C. Incorporating the real estate cycle into management decisions?evidence from Germany [J]. Journal of real estate portfolio management， 2004， 10（3）： 171?186.

[6] 翟洪濤.我國房地產(chǎn)價格影響因素分析[J].科技與管理，2011，13（4）：81?83.

[7] 閆金秋.基于多變量協(xié)整的房地產(chǎn)價格影響因素分析[J].企業(yè)經(jīng)濟，2012（11）：99?103.

[8] 施建剛，王萬力.基于時間序列的房地產(chǎn)價格走勢辨識[J].統(tǒng)計與決策，2007（16）：130?131.

[9] 花景新，薄煜明，陳志敏.基于改進粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)市場預(yù)測[J].山東大學學報（工學版），2014，44（4）：22?30.

[10] 章偉.粗糙集BP神經(jīng)網(wǎng)絡(luò)在房地產(chǎn)價格預(yù)測中的應(yīng)用[J].計算機仿真，2011，28（7）：365?368.

[11] 李大營，許偉，陳榮秋.基于粗糙集和小波神經(jīng)網(wǎng)絡(luò)模型的房地產(chǎn)價格走勢預(yù)測研究[J].管理評論，2009，21（11）：18?22.

[12] 何芳，王小川，肖森予，等.基于MIV?BP型網(wǎng)絡(luò)實驗的房地產(chǎn)項目風險識別研究[J].運籌與管理，2013（2）：229?234.