基于BP神经网络的学区房价值评估研究

发布时间：2020-11-13 09:27

　　 伴随着社会的不断向前发展,家长们将更多地精力投入子女的教育问题,以便子女在日后的竞争中能够获得快人一步,因此家长们不谋而合的为子女争取义务教育阶段的优质教育资源。因各种历史遗留原因,我国各地区普遍存在教育资源分配不均的问题,往往只有极少数的重点中小学校占据了绝大部分的优质教育资源。因此,努力让孩子进入重点中小学校学习成为了广大家长们的重要目标。伴随就近入学政策的逐步落实,重点中小学周边的学区型住宅备受家长们的关注,成为众人追捧的“学区房”,加上社会缺乏多样的入学渠道,“以房择校”成为望子成龙望女成凤的家长们的最佳选择。在强烈教育需求的裹挟下,学区房价格不断走高,优质教育资源对住宅价格的影响日益凸显,教育资源资本化的程度差异也引起了国内外学者们的广泛关注。BP神经网络能够模拟人类大脑的学习思维能力,是一种功能强大、应用广泛的机器学习算法,在价值评估领域被广泛应用。它具有自适应性和大规模并行处理数据的能力,这使得数据处理过程中的人力物力消耗大量减少,非线性问题处理高效,评估主观随意性降低,极大的提高评估的准确性。本文首先解释了学区房为什么出现以及对学区房的价值进行评估研究的重要性,接着论述了国内外学者在人工神经网络和学区房价值评估方面的相关研究现状,进而提出了本文的研究框架与研究思路。其次,从传统房地产价值评估的角度出发,介绍了传统房地产的种类和价值变量,分析学区房价值评估与传统房地产价值评估的异同。在概况分析了传统房地产评估方法的优劣之后,提出将BP神经网络模型应用到学区房价值评估之中,并对BP神经网络概念及操作步骤进行了详细的介绍,以证实运用BP神经网络评估的可行性和优越性。在评估学区房价值的过程中,还选择引入Hedonic特征价格模型对评估模型进行优化改进。利用Hedonic特征价格模型对样本指标体系进行优化,消除指标之间的共线性影响,以提高估计模型的准确度,将优化后的样本作为输入值导入BP神经网络模型当中,让其建立非线性映射关系、模拟大脑进行自我训练,最终准确的预测出房地产的价值。本文以南昌市教育资源较为集中的“中心六区”(红谷滩区、东湖区、西湖区、青山湖区、青云谱区、高新区)为研究范围,利用python对链家、安居客和南昌房地产信息网上符合条件的数据进行收集,并对这些数据作了筛选和处理。在利用Matlab构建了价值评估模型之后,通过实证分析并代入数据计算后发现,该模型能较为准确的预测出学区房的价值,证明了本文提出的这种改进后的评估方法具有充分的准确性与有效性。最后,由于作者水平有限,本文仍然存在一些不足,比如某些指标对房价影响不显著且难以量化,为降低评估难度只能将该指标删除,同时还存在交易双方信息不透明导致的特殊情况,使得房屋交易价格远远偏离平均线,希望以后能找到对这些特殊情况进行量化的方法;还有本文的大部分房地产价格数据为挂牌价格,小部分为房信网上的交易价格,因为对房信网的数据进行爬取有一定的违法风险,这也对评估的准确性有一点影响,希望以后南昌市政府能成立房地产交易数据库,这样大家对南昌市房地产市场研究更加准确,为南昌市房地产行业未来的发展提出更多有价值的建议。
【学位单位】：江西财经大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：TP183;F299.233.32
【部分图文】：

4实证研究37经过初步运行后，发现模型在14次迭代之后网络输出误差达到预期的误差范围内，而且耗时非常短，误差也很小，这说明网络学习状态良好。（3）模型的检验对模型的检验主要从两方面着手，有效性检验和准确性检验，顾名思义，有效性检验就是检验模型的合理性，比如网络收敛是否合理，模型结果是否可靠，准确性检验是模型的正确程度，常常通过误差率来衡量。有效性检验可通过程序的运行过程来体现，运行速度慢、迭代次数(epoch)太多、均方误差(gradient)大均表明神经网络的性能不佳。从上图可知，本文所建立的模型初次训练后各项指标相对来说是比较合理的，模型在14次迭代之后网络输出误差达到预期的误差范围内，误差值为0.001945在有效范围内，误差变化过程图如图4-1所示。图4-1误差变化图准确性检验主要是检验神经网络的输入值与期望值也即测试样本的实际值的差距，差距越小，准确性越高，通常会用误差或者误差率来表达，这比较适合单个样本的效果分析，也可以对多个样本求均值。因为本文采用了多个样本测试网络的性能，对于每一条样本数据都有一个误差值，我们希望误差率能尽量小于15%，所以本文选用了一个正确率来衡量所建模型的准确性，也就是在180个训练样本中，实际值和预测值的误差率在15%以内的次数占所有计算结
【相似文献】

相关期刊论文 前10条

1 王奕翔;李昂;王晟全;;基于改进型BP神经网络的房地产预警[J];物联网技术;2019年12期

2 马百皓;;基于BP神经网络的农产品跨境电商人才培养方案设计与应用[J];微型电脑应用;2020年05期

3 胡西民;支沛;姚李孝;白金;;基于BP神经网络的电网综合评价研究[J];电网与清洁能源;2016年09期

4 任晶晶;;基于BP神经网络的山西省农民收入预测模型[J];太原学院学报(自然科学版);2017年01期

5 王鸿;段晓明;伍燕翔;张玉龙;;基于BP神经网络的耕地土壤重金属污染评价——以宜宾市翠屏区土壤重金属污染评价为例[J];农业与技术;2017年10期

6 周阳;;基于BP神经网络的基金预测应用研究[J];企业科技与发展;2019年12期

7 高林;李琪琪;;改进BP神经网络对期货价格的研究与应用[J];电子测量技术;2019年23期

8 张良勇;郭猛;;基于BP神经网络的北京民航客运量预测[J];河北企业;2020年04期

9 杨昌昌;武瑛;王唯;王薪涵;王洁;;BP神经网络在大学生社团评价中的应用[J];电脑知识与技术;2020年08期

10 黄衍标;罗广岳;何铭金;;BP神经网络在巡逻机器人多传感器数据融合中的应用[J];传感技术学报;2016年12期

相关博士学位论文 前10条

1 王吉权;BP神经网络的理论及其在农业机械化中的应用研究[D];沈阳农业大学;2011年

2 李英伟;基于增量改进BP神经网络微波深度干燥模型及应用研究[D];昆明理工大学;2011年

3 吕军城;山东省农村居民自杀未遂预警BP神经网络及指标体系构建[D];山东大学;2015年

4 何毅;基于BP神经网络电容法刨花含水率测试仪的研究与开发[D];南京林业大学;2006年

5 江沸菠;基于神经网络的混合非线性电阻率反演成像[D];中南大学;2014年

6 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

7 肖理业;基于机器学习的电磁场建模与设计研究[D];电子科技大学;2019年

8 陈涵瀛;核电站热工水力系统工况预测与诊断方法研究[D];哈尔滨工程大学;2018年

9 梁智杰;聋哑人手语识别关键技术研究[D];华中师范大学;2019年

10 刘昂;微结构硅基光子学器件性能的研究[D];南京大学;2019年

相关硕士学位论文 前10条

1 何希文;基于BP神经网络的学区房价值评估研究[D];江西财经大学;2020年

2 吕琼帅;BP神经网络的优化与研究[D];郑州大学;2011年

3 李丽霞;BP神经网络及其在疾病预后分类问题中的应用[D];山西医科大学;2002年

4 黄博;基于BP神经网络的兰州地区军用油料消耗预测[D];兰州大学;2011年

5 周志文;灰色BP神经网络方法的研究[D];厦门大学;2009年

6 徐芳元;基于BP神经网络的桥梁健康状况评定[D];长安大学;2006年

7 刘天舒;BP神经网络的改进研究及应用[D];东北农业大学;2011年

8 李杨;基于遗传算法的BP神经网络在网络数据抓取中的研究[D];中国海洋大学;2010年

9 吕道禹;遗传算法优化的BP神经网络在降雨量预测中的应用[D];南昌工程学院;2015年

10 蒋亮;BP神经网络的优化研究及应用[D];南昌大学;2014年

本文编号：2882040