城市住宅房地产销售价格指数分级预测方法的研究

发布时间：2017-03-26 18:00

  本文关键词：城市住宅房地产销售价格指数分级预测方法的研究，由笔耕文化传播整理发布。

【摘要】：近年来,我国房地产市场发展迅速,住房价格的涨跌日益成为社会各界关注的问题,尤其是一些一线城市房价增速已经超出人们的预期,尽管国家一度出台多种政策调控房地产市场,但是房价依然处于高速增长,已经超出广大民众的承受范围,房地产行业风险问题也日益突出。为了给政府、居民和开发商提供正确的引导信息,研究房地产市场的发展规律,用科学的方法对房地产价格变化趋势进行预测有着重要的意义。本文以房地产住宅销售价格指数作为研究对象,从房地产价格的相关理论入手,介绍房地产价格的构成和特点,并从不同的方面分析影响我国房地产价格变化的因素。房地产价格指数作为房地产市场的风向标,可以更合理地展现房地产市场变化的规律,选用不同的房地产价格指数可以从不同的角度反映房地产市场的发展情况,在对房地产价格指数的编制方法做了系统的介绍的同时,选取了中位数法作为本文编制房地产价格指数的方法,并利用收集到的房地产住宅销售价格数据编制出天级和周级两个时间尺度的价格指数。混沌理论认为房地产价格指数这种单一的时间序列中蕴含着众多影响其变化因素的信息,只要能够重构时间序列就能够还原房地产价格指数的相空间特性,避免了主观性因素对其影响。基于此,介绍了小波神经网络和支持向量机时间序列预测模型。首先,分别对编制的天级价格指数和周级价格指数进行混沌特性判别,同时利用互信息法和Cao氏法求出延迟时间和嵌入维数,并对天级价格指数和周级价格指数进行相空间重构。然后,分别利用基于相空间重构的小波神经网络和PSO-LSSVM模型对天级价格指数和周级价格指数建立分级预测模型进行预测,通过实例分析得出基于相空间重构的PSO-LSSVM模型更适合短期房地产价格指数的预测,为房地产价格指数预测的研究提供了新的思路。
【关键词】：房地产价格指数 混沌理论 支持向量机 小波神经网络 分级预测
【学位授予单位】：河北工程大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F299.23
【目录】：

• 摘要5-6
• Abstract6-11
• 第1章 绪论11-20
• 1.1 研究背景及意义11-13
• 1.1.1 研究背景11-12
• 1.1.2 研究意义12-13
• 1.2 国外研究现状13-15
• 1.2.1 国外房地产价格指数的研究13-14
• 1.2.2 国外房地产价格指数预测的研究14-15
• 1.3 国内研究现状15-18
• 1.3.1 国内房地产价格指数的研究15-16
• 1.3.2 国内房地产价格指数预测的研究16-18
• 1.4 论文的主要内容和技术路线18-20
• 1.4.1 技术路线18
• 1.4.2 论文的主要内容18-19
• 1.4.3 本文创新点19-20
• 第2章 房地产价格基本理论20-32
• 2.1 房地产价格理论20-23
• 2.1.1 房地产价格的定义20
• 2.1.2 房地产价格的构成20-21
• 2.1.3 房地产价格的特点21-22
• 2.1.4 房地产价格的形成机制22-23
• 2.2 房地产价格影响因素23-27
• 2.2.1 自然因素24
• 2.2.2 经济因素24-25
• 2.2.3 社会因素25-26
• 2.2.4 行政因素26-27
• 2.3 房地产价格指数的编制27-31
• 2.3.1 成本投入法27
• 2.3.2 重复交易法27-28
• 2.3.3 特征价格法28-29
• 2.3.4 加权平均法29-30
• 2.3.5 中位数法30-31
• 2.4 房地产价格指数的预测31
• 2.5 本章小结31-32
• 第3章 混沌时间序列和相空间重构32-39
• 3.1 混沌理论32-34
• 3.1.1 混沌的定义33-34
• 3.1.2 混沌的特征34
• 3.2 混沌相空间重构34-36
• 3.3 相空间重构参数的选择及混沌特性判断36-38
• 3.3.1 延迟时间的选取36-37
• 3.3.2 嵌入维数的选取37-38
• 3.3.3 时间序列的混沌特性判断38
• 3.4 本章小结38-39
• 第4章 房地产价格指数混沌时间序列预测模型39-50
• 4.1 小波神经网络预测模型39-44
• 4.1.1 混沌时间序列神经网络预测原理39
• 4.1.2 神经网络的拓扑结构39-40
• 4.1.3 神经网络模型的主要特征40-41
• 4.1.4 小波神经网络预测模型41-43
• 4.1.5 小波神经网络模型训练步骤43-44
• 4.2 支持向量机预测模型44-49
• 4.2.1 最小二乘支持向量机算法的基本理论45-46
• 4.2.2 LSSVM模型参数的优化46-48
• 4.2.3 PSO-LSSVM模型训练步骤48-49
• 4.3 本章小结49-50
• 第5章 城市住宅房地产销售价格指数分级预测模型实例分析50-65
• 5.1 房地产价格数据的编制和预处理50-51
• 5.1.1 数据的收集与编制50-51
• 5.1.2 数据的预处理51
• 5.2 混沌相空间重构和分级预测模型的建立51-62
• 5.2.1 混沌时间序列预测过程51-53
• 5.2.2 房地产价格指数时间序列相空间重构及混沌特性判别53-56
• 5.2.3 建立小波神经网络混沌时间序列分级预测模型56-59
• 5.2.4 建立PSO-LSSVM混沌时间序列分级预测模型59-62
• 5.3 预测模型仿真结果对比分析62-64
• 5.4 本章小结64-65
• 结论与展望65-67
• 参考文献67-71
• 致谢71-72
• 作者简介72
• 攻读硕士学位期间发表的论文和科研成果72-73

【参考文献】

中国期刊全文数据库 前10条

1 曹净;丁文云;赵党书;宋志刚;刘海明;;基于PSO-LSSVM模型的基坑变形时间序列预测[J];控制工程;2015年03期

2 崔东文;金波;;基于改进的回归支持向量机模型及其在年径流预测中的应用[J];水力发电学报;2015年02期

3 谷文成;柴宝仁;滕艳平;;基于粒子群优化算法的支持向量机研究[J];北京理工大学学报;2014年07期

4 董莉娟;;中位数房价指数编制方法研究[J];调研世界;2014年07期

5 苏昭斌;朱人杰;陈红卫;;基于粒子群支持向量机的海杂波序列回归预测[J];计算机测量与控制;2014年05期

6 许岩;王波;李鹏;;基于检测系统非线性相关性的相空间重构时间延迟估计[J];振动与冲击;2014年08期

7 谢东;张兴;曹仁贤;;基于小波变换与神经网络的孤岛检测技术[J];中国电机工程学报;2014年04期

8 白春华;周宣赤;林大超;王仲琦;;消除EMD端点效应的PSO-SVM方法研究[J];系统工程理论与实践;2013年05期

9 翟春;胡智强;;特征价格法的编制与应用[J];中国金融;2012年05期

10 王平;师青;;基于支持向量机回归的房地产单指标预测[J];统计与决策;2011年21期

中国博士学位论文全文数据库 前1条

1 刘蓉;城市住房价格PSO-LSSVR预测模型研究[D];重庆大学;2014年

中国硕士学位论文全文数据库 前1条

1 孙艳;基于混沌时间序列和神经网络的电力短期负荷预测[D];广西大学;2007年

  本文关键词：城市住宅房地产销售价格指数分级预测方法的研究，，由笔耕文化传播整理发布。

本文编号：269129