人工神经网络在房地产价格预测中的应用研究

发布时间：2023-02-06 18:09

　　我国房地产行业在住宅货币化、商品化、土地有偿使用等一系列的市场化改革之后,经过三十多年的建设与发展,产业规模不断扩大,已经成为国民经济的支柱性产业。面对房地产业的高风险和高收益,随着而来的是行业的投机、炒作现象日益严重。同时,房地产是资本密集型行业。因此,如何充分掌握信息资源,有效地预测房地产市场,使政府和房地产企业能对房地产市场进行较准确的估计、预测和判断,成为了重要而迫切的研究课题,具有很强的理论和现实意义。 现阶段的房地产市场价格预测方法常见的有线性回归预测模型、时间序列预测、趋势线预测法等。而影响房地产价格的主要数据指标涉及许多不确定因素,且相互关系错综复杂,预测房地产价格实际上是一个非线性问题。人工神经网络依据数据本身的内在联系建模,克服了传统线性分析和人员主观判断的影响,具有良好的自组织、自适应性,同时具有很强的学习能力以及抗干扰能力。 本文以人工神经网路作为主要研究工具。首先,对房地产价格特征及其影响因素进行概述,通过分析可以发现住宅商品房价格主要受该地生产总值、人均可支配收入水平、居民消费价格指数、土地开发投资、房地产开发投资额等因素的影响。其次,对人工神经网络理论和方...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
1 绪论
    1.1 研究目的和意义
        1.1.1 我国房地产行业的发展现状
        1.1.2 研究意义
    1.2 房地产价格预测相关研究现状
    1.3 本文的研究思路与目标
        1.3.1 研究目标
        1.3.2 研究内容
        1.3.3 技术路线
        1.3.4 可能的创新
2 房地产市场价格分析
    2.1 房地产概述
        2.1.1 房地产的定义
        2.1.2 房地产的特性
    2.2 房地产价格的特征和影响因素
        2.2.1 房地产价格的特征
        2.2.2 房地产价格影响因素
3 神经网络计算模型
    3.1 神经网络概述
        3.1.1 神经网络的发展史
        3.1.2 神经网络原理
        3.1.3 神经网络的应用
    3.2 基于神经网络的房地产价格预测原理
        3.2.1 正向建模
        3.2.2 逆向建模
    3.3 反向传播(Back-Propagation,BP)网络理论
        3.3.1 BP网络结构
        3.3.2 BP网络学习规则
        3.3.3 BP网络设计技巧
        3.3.4 初始值的选取
        3.3.5 BP网络的局限性
        3.3.6 提高泛化能力的方法
    3.4 Elman神经网络模型
        3.4.1 Elman神经网络结构
        3.4.2 Elman神经网络的学习过程
4 人工神经网络在房地产价格预测模型中的应用
    4.1 应用背景介绍
    4.2 BP神经网络在房地产价格预测模型中的应用
    4.3 BP改进模型在房地产价格预测中的应用
        4.3.1 主成分分析(Principal Component Analysis,PCA)
        4.3.2 实验仿真
    4.4 Elman网络在房地产价格预测中的应用
    4.5 本章小结
5 总结与展望
参考文献
攻读硕士期间发表的论文及科研成果
致谢



本文编号：3736371