基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)預(yù)警

王奕翔 李昂 王晟全

摘 要：社會飛速發(fā)展，研究人員通過各種各樣的智能算法可以解決諸多實(shí)際問題，尤其當(dāng)人工無法準(zhǔn)確執(zhí)行某些指令時，就更加需要智能算法的加持。目前智能算法種類較多，諸如蟻群算法、遺傳算法、BP神經(jīng)網(wǎng)絡(luò)等，這些算法均通過數(shù)據(jù)間的競爭來求解最優(yōu)解。目前常用人工分析法對房地產(chǎn)價格進(jìn)行準(zhǔn)確預(yù)測，但受主觀因素影響較多，準(zhǔn)確性難以得到保障，而文中介紹的基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的方法則可避免這一缺陷，效果較好。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);智能算法;房價預(yù)測;Matlab;風(fēng)險分析;科學(xué)評價

中圖分類號：TP391.41文獻(xiàn)標(biāo)識碼：A文章編號：2095-1302（2019）12-00-04

0 引 言

經(jīng)過10年的快速發(fā)展，影響國民經(jīng)濟(jì)健康運(yùn)行的房地產(chǎn)已成為20世紀(jì)90年代以來住房制度改革后中國國民經(jīng)濟(jì)的支柱產(chǎn)業(yè)之一。房地產(chǎn)項(xiàng)目因其自身特點(diǎn)而面臨諸多風(fēng)險。為了有效避免這些風(fēng)險，有必要對其進(jìn)行風(fēng)險分析、評估和管理。大多數(shù)具有過多主觀性和大偏差的傳統(tǒng)風(fēng)險評估方法仍存在定性陳述和缺乏科學(xué)評價等問題。隨著各種理論和技術(shù)的發(fā)展，可用更多辦法來預(yù)測和評估房地產(chǎn)市場的健康度。然而，這些方法也存在明顯缺點(diǎn)：

（1）人為設(shè)定的風(fēng)險因素權(quán)重仍具有很大的主觀性;

（2）廣泛使用的模型或公式仍存在較大偏差;

（3）如果影響房地產(chǎn)項(xiàng)目的因素較多或者因素發(fā)生變化，則將帶來較大風(fēng)險。

建立數(shù)學(xué)模型，并基于神經(jīng)網(wǎng)絡(luò)在Matlab中實(shí)現(xiàn)十分必要。

房地產(chǎn)開發(fā)是一項(xiàng)全面的、專業(yè)的技術(shù)活動，它可以為投資者帶來高收益，但也需承擔(dān)極大風(fēng)險。我們可以通過Delphi方法建立一個包含完整風(fēng)險指標(biāo)體系的系統(tǒng)，各季度宏觀指標(biāo)與某樓盤的價格見表1所列。借鑒國外房地產(chǎn)的發(fā)展歷史，并根據(jù)科學(xué)、指標(biāo)、可操作性等原則設(shè)計(jì)房地產(chǎn)風(fēng)險的BP神經(jīng)網(wǎng)絡(luò)模型。

（1）確定輸入層的神經(jīng)元數(shù)量。根據(jù)房地產(chǎn)項(xiàng)目的上述風(fēng)險因素指數(shù)形式，選擇12個風(fēng)險因素作為輸入層的神經(jīng)元數(shù)量。

（2）確定隱藏層單元的數(shù)量和隱藏層數(shù)。根據(jù)前面的介紹，任何三層網(wǎng)絡(luò)，即一個隱藏層神經(jīng)網(wǎng)絡(luò)都可以實(shí)現(xiàn)從n維到m維的映射，而這也是我們選擇隱藏層的原因。隱藏層單元的數(shù)量對于神經(jīng)網(wǎng)絡(luò)必不可少，當(dāng)隱藏層單元數(shù)為9時，速度和精度達(dá)到最佳。

國內(nèi)外一些工程為了不同的目的模擬了房地產(chǎn)市場。一些模擬模型側(cè)重于估計(jì)房地產(chǎn)市場的風(fēng)險（通常被投資者認(rèn)為是相關(guān)因素），例如，Pyhrr提出了一種計(jì)算機(jī)模擬模型，該模型為計(jì)算投資房地產(chǎn)的風(fēng)險提供了一些參考，他們考慮了商業(yè)風(fēng)險（與房地產(chǎn)交易及其價格相關(guān)）和金融風(fēng)險（與債務(wù)融資相關(guān)）。在這一系列工作中，有些研究者引入了一個用于評估房地產(chǎn)項(xiàng)目經(jīng)濟(jì)風(fēng)險的模擬模型，即通過使用機(jī)器學(xué)習(xí)來預(yù)測房地產(chǎn)。

1 相關(guān)工作

本文以宏觀因素來估計(jì)房價，構(gòu)造了一個綜合指標(biāo)體系，通過神經(jīng)網(wǎng)絡(luò)理論估計(jì)出任意樓盤（包括即將推出的樓盤）在2018年第三季度的季度均價。以某樓盤為例，根據(jù)其以往的房地產(chǎn)價格并應(yīng)用神經(jīng)網(wǎng)絡(luò)算法即可預(yù)測出此樓盤2018年

第三季度的樓盤價格，該辦法能很好地對任意房地產(chǎn)進(jìn)行估價和預(yù)測。

2 BP神經(jīng)網(wǎng)絡(luò)

2.1 一般的BP神經(jīng)網(wǎng)絡(luò)

基于BP算法的多層前饋型網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

2.2 改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)

由于基本BP算法具有無約束優(yōu)化的特點(diǎn)，在實(shí)驗(yàn)中，科研團(tuán)隊(duì)計(jì)劃采用BPNN算法來彌補(bǔ)這一缺點(diǎn)。房地產(chǎn)項(xiàng)目由于其自身的特點(diǎn)，面臨較多風(fēng)險，其風(fēng)險誘發(fā)因素之間的關(guān)系主要是非線性相關(guān)和模糊。人為給出了每個風(fēng)險因素的權(quán)重，使風(fēng)險因素相互分離，導(dǎo)致得出的結(jié)論往往不準(zhǔn)確且不科學(xué)。文中提出的BP神經(jīng)網(wǎng)絡(luò)可以通過非線性自組織、自學(xué)習(xí)來識別危險因素之間的內(nèi)在關(guān)系，減少人為主觀因素，使房地產(chǎn)項(xiàng)目的風(fēng)險評估變得更加客觀準(zhǔn)確。

3 房地產(chǎn)價格的分析

3.1 房地產(chǎn)價格的形成

房地產(chǎn)價格的影響因素如地段、人口類型、自然環(huán)境等均會對房地產(chǎn)價格產(chǎn)生影響。

3.2 房地產(chǎn)價格的特征

房地產(chǎn)價格受區(qū)域的影響較大，部分地價較貴的地區(qū)，其房價會隨之升高，并且漲價速度會高于其余地區(qū)，這種區(qū)域性特點(diǎn)使得房地產(chǎn)價格的分析更加復(fù)雜。

4 仿真實(shí)驗(yàn)

4.1 模型建立

在此實(shí)驗(yàn)中，已忽略了微觀因素對房價的影響，設(shè)置為僅考慮宏觀因素的情況。

以南京一樓盤為例，通過2018年第一季度的宏觀經(jīng)濟(jì)指標(biāo)對2018年第二季度進(jìn)行預(yù)測，形成一個新的矩陣。

4.2 模型求解

改進(jìn)型BP網(wǎng)絡(luò)預(yù)測輸出如圖2所示，改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差百分比如圖3所示，改進(jìn)型BP網(wǎng)絡(luò)預(yù)測誤差如圖4所示。

由圖2可看出，預(yù)測輸出和實(shí)際輸出完全吻合。檢驗(yàn)指標(biāo)見表2所列。

4.3 模型預(yù)測

利用神經(jīng)網(wǎng)絡(luò)測試一季度和二季度的房價。

第一季度預(yù)測值：2.898 8e+004，即28 988元/m2。

實(shí)際值：34 800。

第二季度預(yù)測值：3.039 1e+004，即預(yù)測第二季度均價為35 039.1元/m2。

此價位通過南京市某一樓盤預(yù)測得到，同樣可以將該方法應(yīng)用于其他城市房價的預(yù)測。如果輸入城市往年數(shù)據(jù)，通過改進(jìn)型的BP神經(jīng)網(wǎng)絡(luò)就能夠很容易預(yù)測到新季度城市房屋均價。

5 結(jié) 語

BP神經(jīng)網(wǎng)絡(luò)可以減少人的主觀性，方便房地產(chǎn)開發(fā)企業(yè)進(jìn)行有效的風(fēng)險規(guī)避。房地產(chǎn)市場的不透明性在于雖然一些房地產(chǎn)網(wǎng)站公開提供了大量房屋的價格，但缺少其余房屋的價格，而這些價格對于模擬它們的完整演變是必要的。

預(yù)測估計(jì)也可用于其他方面，例如評估房屋，讓買家知道最優(yōu)惠的價格（即與評估相比最低的價格）并建議買家設(shè)定初始價格。這項(xiàng)工作建議將降維方法與機(jī)器學(xué)習(xí)技術(shù)相結(jié)合以獲得估計(jì)的價格。特別是這項(xiàng)工作分析了非負(fù)分解的使用，將遞歸特征消除和具有方差閾值的特征作為降維方法。它將線性回歸、支持向量回歸、k近鄰和多層感知神經(jīng)網(wǎng)絡(luò)的應(yīng)用作為機(jī)器學(xué)習(xí)技術(shù)并進(jìn)行比較。這項(xiàng)工作采用十倍交叉驗(yàn)證，用于比較估計(jì)和誤差，并評估了模擬開始時常用基本估算器的改進(jìn)。目前該方法已經(jīng)解決了用BP神經(jīng)網(wǎng)絡(luò)估算未知房屋價格的問題。

此外，還可以結(jié)合使用機(jī)器學(xué)習(xí)和降維方法，可能將開啟一個相關(guān)的研究領(lǐng)域，即機(jī)器學(xué)習(xí)和降維方法的應(yīng)用，以支持用于估計(jì)未知信息的ABS的初始化。減少維數(shù)的應(yīng)用可能是應(yīng)用大數(shù)據(jù)的ABS的一個進(jìn)步。代理群體的初始化可以在不同的域中提供更逼真的模擬演進(jìn)。實(shí)驗(yàn)結(jié)果表明，維數(shù)降低允許在訓(xùn)練階段管理較少量信息，提供與真實(shí)信息無顯著差異的結(jié)果。實(shí)驗(yàn)表明，SVR是最好的回歸方法（優(yōu)于所有降維技術(shù)的基本估計(jì)），RFE是最好的降維方法（優(yōu)于基本估計(jì)的三種回歸方法，與其他降維方法相比，數(shù)字最高）。此外，SVR和RFE的組合獲得了最低的MSE。盡管線性預(yù)測器簡單，但它在RFE中獲得了較好的結(jié)果（RFE基于線性回歸來消除特征）。NMF表現(xiàn)不如預(yù)期，原因可能是我們的方法從13維降到6維，而其他研究的輸入更多（至少幾百）。線性回歸和KNN在響應(yīng)時間方面獲得了最高的性能。當(dāng)僅考慮與NMF的組合時，MLP實(shí)現(xiàn)了最低誤差。此外，與未降維的情況相比，具有NMF的MLP是在MSE中具有最低增加比率的組合。這項(xiàng)工作可能對購房者和賣家有實(shí)際意義。兩個利益相關(guān)者都可以使用預(yù)測模型來了解他們是否要以合理的價格購買或出售房屋、檢查機(jī)會、識別市場趨勢等。在本文考慮的情況下，該模型可以預(yù)測SVR-RFE組合平均MSE為0.105的價格。在這項(xiàng)研究中，我們還檢測到了NMF和MLP的特殊行為：盡管在平均MSE方面不是最好，但這種組合沒有異常值并且得到了最低的最壞情況誤差。

計(jì)劃擴(kuò)展當(dāng)前工作以解決ABS初始化中的其他兩個問題。第一個問題是從現(xiàn)有樣本中生成特定大小的未知實(shí)際樣本。在房地產(chǎn)市場背景下，有必要從現(xiàn)有的集合中生成缺失房屋的特征和價格。第二個問題是獲得一個現(xiàn)實(shí)的歷史樣本，只有平均價格已知。房屋的特征將與當(dāng)前房屋的特征類似。房屋的價格將通過現(xiàn)有房屋的監(jiān)督學(xué)習(xí)來計(jì)算，但旨在設(shè)定不同的平均值（過去的平均價格）。此外，目前的方法可以用更多的房屋進(jìn)一步評估，還計(jì)劃通過考慮更多的房屋特征來加強(qiáng)，例如他們的能源等級。此外，我們未來的工作將對此增強(qiáng)型數(shù)據(jù)集應(yīng)用廣義加性模型（GAM），以評估其在所提出方法中的效用。

參 考 文 獻(xiàn)

[1]孫喜波.BP神經(jīng)網(wǎng)絡(luò)算法與其它算法的融合研究及應(yīng)用[D].重慶：重慶大學(xué)，2011.

[2]陳建婷.基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的多變量時序預(yù)測方法[J].電子技術(shù)與軟件工程，2019（5）：163-165.

[3]閆飛宇，李偉卓，楊衛(wèi)衛(wèi)，等.基于Bagging神經(jīng)網(wǎng)絡(luò)集成的燃料電池性能預(yù)測方法[J].中國科學(xué)：技術(shù)科學(xué)，2019，49（4）：391-401.

[4]王楊，王非凡，張舒宜，等.基于TF-IDF和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的社交平臺垃圾文本過濾[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2019（3）：126-132.

[5]王古森，高波.基于自適應(yīng)學(xué)習(xí)率BP神經(jīng)網(wǎng)絡(luò)的火點(diǎn)定位模型[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2019（3）：250-254.

[6]馮玉芳，盧厚清，殷宏，等.基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型研究[J].計(jì)算機(jī)工程與應(yīng)用，2019（6）：24-30.

[7]但松林，劉尚奇，羅艷艷，等.基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測高含水層對SAGD開發(fā)效果的影響[J].大慶石油地質(zhì)與開發(fā)，2019（2）：73-80.

[8]張霄，錢玉良，邱正，等.基于蜻蜓算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的燃?xì)廨啓C(jī)故障診斷[J].熱能動力工程，2019（3）：26-32.

[9]許亮，趙松波，高強(qiáng)，等.PSO-BP神經(jīng)網(wǎng)絡(luò)在語音干擾效果評估中的應(yīng)用[J].現(xiàn)代電子技術(shù)，2019，42（6）：43-46.

[10]馬湧，王曉鵬，馬莎莎.基于Keras深度學(xué)習(xí)框架下BP神經(jīng)網(wǎng)絡(luò)的熱軋帶鋼力學(xué)性能預(yù)測[J].冶金自動化，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，王書濤，王貴川.粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在甲烷檢測中的應(yīng)用[J].光子學(xué)報，2019，48（4）：141-148.

[19]林江豪，陽愛民.基于BP神經(jīng)網(wǎng)絡(luò)和VSM的臺風(fēng)災(zāi)害經(jīng)濟(jì)損失評估[J].災(zāi)害學(xué)，2019，34（1）：24-28.

[20]陳闖，RYAD，CHELLALI，等.改進(jìn)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的語音情感識別[J].計(jì)算機(jī)應(yīng)用研究，2019（2）：344-346.

[21]查劉根，謝春萍.基于免疫遺傳算法的BP神經(jīng)網(wǎng)絡(luò)在紗線條干預(yù)測上的應(yīng)用[J].絲綢，2019，56（2）：19-26.

[22]姜康，尹宏程，馮忠祥.側(cè)風(fēng)對大跨度橋梁轎車行車安全影響的仿真分析[J]. 合肥工業(yè)大學(xué)學(xué)報（自然科學(xué)版），2019（2）：145-150.

[23]王法亮，徐大誠.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的MEMS加速度計(jì)溫度補(bǔ)償[J].傳感器與微系統(tǒng)，2019，38（2）：25-28.

[24]趙文清，嚴(yán)海，王曉輝.BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)相結(jié)合的電容器介損角辨識[J].智能系統(tǒng)學(xué)報，2019，14（1）：134-140.

[25]陳剛，劉發(fā)升.基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法[J].計(jì)算機(jī)與現(xiàn)代化，2006（10）：20-22.

[26]楊立苑，胡佳軍，李顯風(fēng)，等.基于BP神經(jīng)網(wǎng)絡(luò)的氣象云資源調(diào)度系統(tǒng)[J].計(jì)算機(jī)與現(xiàn)代化，2018 （7）：68-72.

[27]馮鈞，潘飛.一種LSTM-BP多模型組合水文預(yù)報方法[J].計(jì)算機(jī)與現(xiàn)代化，2018，275（7）：82-85.

[28]楊東，王移芝.基于Attention-based C-GRU神經(jīng)網(wǎng)絡(luò)的文本分類[J].計(jì)算機(jī)與現(xiàn)代化，2018（2）：96-100.

[29]陳希遠(yuǎn)，朱佳.基于聯(lián)合特征學(xué)習(xí)的多尺度卷積神經(jīng)網(wǎng)絡(luò)在外匯交易市場中的應(yīng)用[J].計(jì)算機(jī)與現(xiàn)代化，2018（9）：122-126.

[30]劉述忠. 基于GM-RBF神經(jīng)網(wǎng)絡(luò)的股票價格預(yù)測分析[J]. 計(jì)算機(jī)與現(xiàn)代化，2018（8）：8-11.