房地产价格指数的智能预测方法研究

发布时间：2017-11-03 09:29

  本文关键词：房地产价格指数的智能预测方法研究

  更多相关文章： 房地产价格指数 支持向量机 粒子群 滚动预测

【摘要】：通过分析近期房地产市场的发展形势,不难看出房地产市场有下滑趋势,国防景气指数下跌严重,房地产投资增速减慢,房地产销售出现负增长。房地产价格指数的恶化波及到70多个城市,市场略显萎靡,为此国家放宽了限购、限贷政策,目前房地产回暖趋势明显。房地产是我国经济发展的支柱性产业。中国经济的发展无疑到了换挡时期,新常态的经济发展也必将带来房地产市场发展的新常态,成熟、理性、差异化将成为新时期房地产市场发展的目标。纵观全国房地产行业,其房地产价格相比其他国家相对较高,其价格变动难以受控。房地产价格指数是房地产市场发展的晴雨表和温度计,研究房地产价格指数的规律将为政府、投资者、购房者提供可靠的指导。因此对房地产价格指数的建立、发布、实施具有重大的现实意义。首先,房地产市场是一个复杂的非线性系统。基于此,本文在进行仿真试验的过程中加入了混沌理论,通过相空间重构房地产价格指数序列,还原多种因素的共同作用,从一定程度上增加了该非线性时间序列的客观性。其次,通过研究房地产价格指数的智能预测方法,提出了用支持向量机算来实现。通过运用几个不同的参数寻优方法对SVM的参数进行处理,对比预测结果,最终建立PSO-SVM相结合的预测模型。最后,对其建立了滚动预测模型。将滚动预测与PSO-SVM进一步结合,通过滚动预测使预测结果动态化、直观化。滚动预测模型的提出将更好为政府宏观调控、外商投资以及消费者购房提供相对准确、及时、客观的指导,具有一定的实用价值。
【关键词】：房地产价格指数 支持向量机 粒子群 滚动预测
【学位授予单位】：河北工程大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F299.23
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-19
• 1.1 房地产价格指数研究背景及意义10-13
• 1.1.1 房地产价格指数研究背景10-12
• 1.1.2 房地产价格指数研究意义12-13
• 1.2 国内外研究现状13-17
• 1.2.1 房地产价格指数的国内外现状研究13-15
• 1.2.2 房地产价格指数预测国内外研究现状15-17
• 1.3 论文的技术路线和主要内容17-19
• 1.3.1 论文的技术路线17
• 1.3.2 论文的主要内容17-19
• 第2章 房地产价格理论基础19-29
• 2.1 房地产价格19-22
• 2.1.1 房地产价格形成机制19-21
• 2.1.2 房地产价格的特点21-22
• 2.2 城市空间结构对房地产价格指数的影响22-24
• 2.2.1 城市的空间增长形态22-23
• 2.2.2 不同物业的地域结构23
• 2.2.3 房地产价格受空间结构影响大23-24
• 2.3 房地产价格内部关系24-25
• 2.3.1 房地产价格收入比24
• 2.3.2 房地产价格内部关系24-25
• 2.4 房地产价格指数编制25-27
• 2.4.1 成本投入法26
• 2.4.2 加权平均法26
• 2.4.3 重复交易法26-27
• 2.4.4 特征价格法27
• 2.4.5 混合模型方法27
• 2.5 本章小结27-29
• 第3章 时间序列预测过程及管理29-39
• 3.1 时间序列的预测过程29-32
• 3.1.1 预测步骤29-30
• 3.1.2 预测目标30-32
• 3.1.3 预测的应用32
• 3.1.4 有关预测的自动化水平问题32
• 3.2 预测方法简述32-35
• 3.2.1 以模型为基础的方法和以数据驱动为基础的方法32-33
• 3.2.2 外推预测法、计量模型预测法和外部信息33-34
• 3.2.3 人工预测和自动预测34
• 3.2.4 组合方法34-35
• 3.3 时间序列预测管理35-38
• 3.3.1 报告预测结果35
• 3.3.2 预测监测35-36
• 3.3.3 撰写报告36-37
• 3.3.4 对预测进行记录并一直保持37
• 3.3.5 对预测过程进行调整37-38
• 3.4 本章小结38-39
• 第4章 时间序列预测模型39-49
• 4.1 常用混沌时间序列模型介绍39-44
• 4.1.1 BP神经网络39-41
• 4.1.2 小波神经网络41-42
• 4.1.3 灰色时间序列预测模型理论42-43
• 4.1.4 支持向量机理论43-44
• 4.2 预测模型中参数寻优算法介绍44-48
• 4.2.1 粒子群算法理论44-46
• 4.2.2 遗传算法46-47
• 4.2.3 交叉验证法47-48
• 4.3 基于参数寻优的LSSVM模型48
• 4.4 本章小结48-49
• 第5章 实例分析49-60
• 5.1 数据选择49-50
• 5.1.1 天津市房地产现状分析49-50
• 5.1.2 天津市房地产数据选择50
• 5.2 混沌理论与相空间重构50-52
• 5.3 基于混沌理论的预测模型的建立52-58
• 5.3.1 基于粒子群算法（PSO）的支持向量机(SVM)模型52-54
• 5.3.2 基于遗传算法的支持向量机模型54-55
• 5.3.3 基于交叉验证选参的支持向量机模型55-58
• 5.4.基于粒子群算法的支持向量的滚动预测模型58
• 5.5 本章小结58-60
• 结论60-62
• 参考文献62-65
• 致谢65-66
• 作者简介66-67
• 攻读硕士期间发表的论文和科研成果67-68

【参考文献】

中国期刊全文数据库 前3条

1 王文波;费浦生;羿旭明;;基于EMD与神经网络的中国股票市场预测[J];系统工程理论与实践;2010年06期

2 焦玉磊;谢昌浩;;房地产价格指数研究现状与前景[J];云南财经大学学报(社会科学版);2011年05期

3 杨晓冬;王要武;;基于神经网络的房地产泡沫预警研究[J];中国软科学;2008年02期

，

本文编号：1135622