基于深度神经网络法的房地产价格批量评估研究

发布时间：2021-08-05 23:44

　　习近平总书记在十九大提出了“房住不炒”要求,国家不断加强房地产市场监管力度和对调整房地产政策,房地产行业在此背景下依然发展迅速,并且有大量的投资和消费等交易活动出现。所以,房地产行业的健康发展,公平交易就离不开客观公正的价格,而此恰恰需要资产评估来给予保证。在评估实务中,市场法、收益法、资产基础法都有一些限制条件,在有些情况下不适用,而且有许多影响的方面是由评估师主观定下的,而对于最终估值,这种主观性至关重要,所以评估是否准确就很难界定;同时,由于商业房地产交易数量众多,若是一个一个评估,工作量相对于评估师比较大,伴随着评估效率较低,除这些外评估成本相对较大。所以在传统评估方法之外,我们需要探索更加科学合理的评估方法,进行批量评估房地产价值。本文在相关文献资料的基础上,采用理论与实证、定性与定量相结合等方法,对房地产批量评估中的机器学习进行研究和实证。首先,介绍在房地产行业不断发展壮大的宏观背景下,选题的重要价值和意义,以及国内外研究现状和文献述评;其次,介绍批量评估的概念和相关理论,以及房地产评估程序和方法,如多元回归、特征价值法、深度学习方法等;然后,深入探讨深度学习中的深度神经网... 

【文章来源】：江西财经大学江西省

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

神经网络基本模型

第4章房地产价格批量评估的深度神经网络（DNN）模型构建23图4.2多层深度神经网络模型图4.2从左到右分别为输入层，第一层隐藏层，第二层隐藏层，第三层隐藏层和输出层，每层都有若干个单元。前文提到了神经网络中的一些困难，或者说是比较难解决的限制。深度学习方法就改善了其中的机制，使得训练中存在的问题得以解决。首先提一下经典神经网络，一般是反向传播，先给模型设定一个初始值，经过训练得出输出值，依照输出值和实际值的差距大小，对模型参数和权重自我调整，知道最后输出值和实际值越发接近，达到一个收敛的效果。而深度学习法就不能采用这种反向传递机制。因为我们的深度学习法拥有比较多的隐藏层，输出层与实际值的差距传递到前面将会越来越小，学术上称其为“梯度扩散”，放到深度学习模型训练中就很难优化结果。4.1.3深度神经网络的运作机理（1）使用自下上升非监督学习（就是从底层开始，一层一层的往顶层训练）：采用无标定数据（有标定数据也可）分层训练各层参数，这一步可以看作是一个无监督训练过程，是和传统神经网络区别最大的部分（这个过程可以看作是特征学习过程）：具体的，先用无标定数据训练第一层，训练时先学习第一层的参数（这一层可以看作是得到一个使得输出和输入差别最小的三层神经网络的隐层），由于模型

第4章房地产价格批量评估的深度神经网络（DNN）模型构建25下的数据进行验证。经过上述解释，我们可以暴力的将神经网络预测说成是一个数学上的最值问题，他的自变量和应变量的分别对应这输入层的样本和输出层的预测值，而隐藏层则意味着不同的权重和系数，输出值和实际的误差大小就意味着训练结果的优劣。对比单层神经网络，多层感知机在其基础上引入了一到多个隐藏层。隐藏层位于输入层和输出层中间。图4.3展示了一个多层感知机的神经网络图。输出层隐藏层输入层图4.3：带有隐藏层的多层感知机.它含有个隐藏层，该层中有5个隐藏单元在图4.3所示的多层感知机中，输入和输出个数分别为4和3，中间的隐藏层中包含了5个隐藏单元（hiddenunit），如图隐藏层中的五项和输出层中的三项一一相连，与输入层的四项也一一相对，所以模型中的不同层其实是全连接的。由于会引入非线性的影响因素，所以在这里我们要引入激励函数。4.2.2激励函数激励函数又称激活函数，是一个“扭曲”函数图像的工具，最直接的说法就是可以将线性的有规律的函数，变得没有规律，但是逼近能力却能得到很大的提升。若是不用到这个工具，那有再多的隐藏层，与最初只有输入输出和一个隐藏层的感知机，预测的效果差别不大。所以真正想要使非线性的函数也一一对应，就要引入这个工具。也因为激活函数，当多层网络的层数加深时，预测的准确度也将更加提升，特征值和预测结果的函数关系甚至能够达到任意的图像。。其中比较常见的有Sigmoid函数，它的特点是能够把输入的连续实值变换为0和1之间的输出，特别的，如果是非常大的负数，那么输出就是0；如果是非常


本文编号：3324658