基于神经网络对房价预测的研究

发布时间：2021-07-03 13:05

　　如今房地产市场容易出现暴涨暴跌的情况,很多大城市的房价已经达到了普通人不能接受的程度,如何高效地解决房地产的问题,一个较好的方案是准确地预测出未来的房地产市场行情。本文利用神经网络来预测房价的走势,优势在于神经网络类似于人脑的结构,具有仿生的特点,能够拟合出复杂的模型结构,对房价预测的任务会有比较好的效果。房价预测模型可以有效地解决当今房地产市场所存在的一些问题,帮助人们理性的投资,切实地解决人们买房难的问题,创造更加和谐美满的社会。 

【文章来源】：全国流通经济. 2020,(03)

【文章页数】：3 页

【部分图文】：

激活函数

由于本研究需要大量的数据进行训练和学习,但是一般情况下,交易中心都将房价数据保密,所以本文使用的数据来自于1970年美国波士顿的房地产相关信息,这些数据包括楼间距、小区环境、是否处于市中心等。通过运转下面两个代码①print(train_data.shape)②print(test_data.shape),从而测出训练集的大小。之后得到结果为(404,13)(102,13)。本文的数据单位是千美元,训练集对应的结果如图1。图1显示,这一年波士顿的房价中位数在一万到一万五美元之间。但是,如果把不同格式、不同单位的数据杂糅一起输入网络会影响结果的准确度。因此,本研究需要把数据的格式统一起来,将数据归一化处理。归一化可以利用如下的方式:将该数据减去这个属性所有数据的最小值,然后除以该属性最大值与最小值的差值,这样就可以把该属性的所有数据压缩到[0,1]之间。

实验首先将所有数据集划分成70%的训练集和30%的测试集,然后对数据进行归一化处理,将所有数据都压缩到[0,1]之间,接着利用TensorFlow的库函数实现神经网络的运算,输入是506×13的矩阵,其中506表示的是506个房屋数,13表示的是特征个数,输出为一个有506个维度的向量,表示的是每个房屋对应的房价。经过神经网络运算收敛之后模型在测试集中的预测结果与实际结果之间的关系如图3所示,该模型预测的房价中位数与实际中位数误差为-0.65±3.23,总体准确率为92.348%。三、总结和展望

【参考文献】：
期刊论文
[1]基于BP神经网络的城市房价预测[J]. 叶斯林,雷忠雨.  科技传播. 2018(14)
[2]基于BP神经网络的重庆市房价验证与预测[J]. 王筱欣,高攀.  重庆理工大学学报(社会科学). 2016(09)
[3]基于BP神经网络的唐山房价预测[J]. 高平,刘志坚,袁立梅.  河北联合大学学报(社会科学版). 2015(02)
[4]基于遗传算法和BP神经网络的房价预测分析[J]. 高玉明,张仁津.  计算机工程. 2014(04)
[5]中国房价构成与预测的仿真分析[J]. 陆丽丽,胡斌,李辉,端木怡婷.  计算机仿真. 2014(03)



本文编号：3262637