基于ARIMA-BP组合模型的房地产价格预测方法研究

发布时间：2021-01-02 20:13

　　针对使用单一预测模型存在数据特征提取不充分,预测精度不高的问题,提出了一种基于ARIMA-BP组合模型的房地产价格预测方法。结合ARIMA模型处理线性问题的优势以及BP神经网络模型在非线性问题上的优势,利用误差方差加权平均训练法训练出最佳权重的组合并建立组合模型对某市区房地产价格和趋势预测进行实证分析。理论分析和实验结果表明,所提两者的组合模型有效解决了不能充分提取数据特征,预测精度不理想的问题,比单一预测模型能获得更准确的预测效果。 

【文章来源】：电脑知识与技术. 2020年09期

【文章页数】：7 页

【部分图文】：

ARIMA建模流程

自1982年Hopfield发表了关于自反馈神经网络的文章[10]以及Rumelhart等人发表了专著PDP[11]以来，研究神经网络的热潮便在世界范围内掀起。随后，BP神经网络在1986年由Rumelhart和McCelland为首的科学小组提出，是一种按照误差逆向传播算法训练的多层前馈网络，由1个输入层、若干隐含层和1个输出层构成[12]。同层的神经元之间并无关联，异层的神经元之间则前向连接。BP神经网络拓扑结构如图2所示。在整个BP中，重要的是两个环节，第一环节是信号实现从输入层到输出层的前向传播，另一部分是在输出层未得到期望输出时，误差信号则会继续沿着原来的网络连接路线返回并通过不断修改各层之间的权值以得到最终的期望误差。目前，BP神经网络在函数逼近、系统辨识与预测、分类以及数据压缩等方面均发挥着不可替代的作用，成为人工智能领域的热门[13]。

对于时间序列的平稳性处理与判定，本文案例基于两种数据分析工具，采用两种方法进行判定。初步采用SPSS 23.0工具绘制时间序列的自相关与偏自相关函数图进行判定，若序列平稳，则不做处理，若不平稳，则通过差分平稳化，本文案例通过一阶差分后的自相关与偏自相关函数如图3所示：由上图可知当K>3时，自相关函数图都落入置信区间，且逐渐趋向于0，证明序列具备平稳性和随机性，验证了差分次数的正确性。

【参考文献】：
期刊论文
[1]BP神经网络模型与学习算法[J]. 樊振宇.  软件导刊. 2011(07)
[2]房地产价格时间序列预测的BP神经网络方法[J]. 陈基纯,王枫.  统计与决策. 2008(14)
[3]基于MATLAB的BP神经网络预测系统的设计[J]. 李萍,曾令可,税安泽,金雪莉,刘艳春,王慧.  计算机应用与软件. 2008(04)
[4]基于神经网络的时间序列组合预测模型研究及应用[J]. 秦大建,李志蜀.  计算机应用. 2006(S1)
[5]AR模型应用于振动信号趋势预测的研究[J]. 徐峰,王志芳,王宝圣.  清华大学学报(自然科学版). 1999(04)
[6]人工神经网络固有的优点和缺点[J]. 杨晓帆,陈廷槐.  计算机科学. 1994(02)

硕士论文
[1]基于ARIMA-BP组合模型的某餐饮O2O企业订单预测研究[D]. 施佳.北京交通大学 2018
[2]时间序列分析方法研究及其在陕西省GDP预测中的应用[D]. 魏宁.西北农林科技大学 2010
[3]灰色组合预测方法在粮食产量中的应用[D]. 闫海霞.西安理工大学 2009
[4]时间序列预测模型及其算法研究[D]. 罗凤曼.四川大学 2006



本文编号：2953562