2022年粗糙集BP神经网络在房地产价格预测中的应用 .pdf

《2022年粗糙集BP神经网络在房地产价格预测中的应用 .pdf》由会员分享，可在线阅读，更多相关《2022年粗糙集BP神经网络在房地产价格预测中的应用 .pdf（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、收稿日期 ： 2010 10 27修回日期 ： 2010 12 26第 28 卷第 7 期计算机仿真2011 年 7 月文章编号 ： 1006 9348（ 2011） 07 0365 04粗糙集 BP 神经网络在房地产价格预测中的应用章伟（ 贵州财经学院信息学院， 贵州 贵阳 550008）摘要： 研究房地产价格准确预测问题。由于房地产价格影响因子间信息严重冗余， 受到社会上多种因素的影响。传统预测方法不能消除因子间的冗余信息， 导致学习时间长、 预测精度低。为了提高房地产价格的预测精度， 提出一种粗糙集理论BP 神经网络的房地产价格预测模型（ RS BPNN） 。RSBPNN 模型首先采用粗

2、糙集理论消除房地产价格因子间冗余信息，提取重要因子， 然后采用非线性预测能力非常强的BP 神经网络对处理后的数据进行学习建模， 用建立好的模型对房地产价格进行预测。仿真结果表明， RS BPNN房地产价格预测速度比传统预测方法快，预测精度更高，说明RS BPNN的预测结果可以为政策制定者和房地商及买房提供参考。关键词 ： 粗糙集 ； 神经网络 ； 房地产价格 ； 预测中图分类号 ： F270文献标识码： BApplicationon Real Estate Price PredictionBased on RS and PBNNZHANG Wei（ The Schoolof Informati

3、cs，GuizhouCollege of Finance and Economics ，GuiyangGuizhou550008，China）ABSTRACT ： Due to the influence of manyfactors in the real estateprices，redundantinformation exist amongvari-ous factors，and the traditional neural network training time is to long We use rough set theory in real estatepricepredi

4、ction，and put forward the real estateprice predict model basedon rough set theory combined with BP neuralnetwork Rough setstheory hasstrongerability to deal with uncertain information，which can insure the prediction ac-curacy，removethe redundant information and retain the necessaryelementsin the rea

5、l estateprice forecast，reducethe number of the input neuroneffectively andsimplify the structure of BP neuronnetworks The empirical researchshowsthat，comparedwith traditional neural network，the combinationmodel s operatingspeedis faster，the forecas-ting accuracy is better andvalid KEYWORDS ： Rough s

6、et；Neural network；Real estateprice；Prediction1引言随着我国城市化进程和经济发展速度的持续增长， 房地产价格呈快速增长的趋势， 但近年来 ， 国家不断对房地产价格进行宏观调整， 以及全球金融危机的影响， 房地产市场价格出了大幅度的波动1 。如何正确预测我国房地产市场的走势 ， 使房地产市场沿着健康有序的方向发展， 是当前房地产研究中一个重要课题。传统的房地产价格预测都是基于统计的数学方法， 影响房地产价格变化的因素非常多， 房地产价格变化与各因素间呈非线性关系 ， 这样 ， 传统基于线性模型的统计方法不能正确地反应房地产价格的变化趋势， 导致预测精确

7、度不高2 。为了提高房地产价格的预测精度， 许多学者提出了采用多元线性回归 、 灰色理论模型、 模糊数学等非线性方法对房地产价格进行预测 ， 较大程度地提高了房地产价格预测的精度，但由于影响房地产价格的因素较多， 具有较大的波动性， 从而影响了这些方法的预测精度， 限制了应用的范围3 。随着人工智能发展 ， 其中人工神经网络具有自组织、 自适应 、 自我学习能力和并行处理能力， 能很好地处理多因素、 非线性问题， 因此人工神经网络在房地产价格预测中得到广泛应用，但在房地产价格预测中， 影响房地产价格因素之间存在大量的冗余信息 ， 若直接采用神经网络对采集的房地产价格进行学习 ， 那么人工神经网

8、络结构就相当复杂， 学习速度十分慢，预测精度不理想， 导致人工神经网络的房地产价格预测结果不可靠4 。粗糙集理沦 （ Rough SetTheory） 是近年发展起来的一种处理不确定知识的数学工具， 其能够很好消除变量间的冗余信息 ， 简化数据输入维数， 从中发现隐含知识和潜在规律5。为了提高房地产价格预测精度，本文利用RS理论与BP563名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 4 页 - - - - - - - - - 神经网络 （ BPNN） 各自的优点 ，

9、将两者有机地结合起， 进行房地产价格的预测。首先利用 RS 理论对影响房地产价格的因素进行属性约简， 消除因素间的冗余信息， 然后将处理后的数据输入到非线性能力非常强的BPNN 中进行学习 ， 最后获得房地产价格的预测结果。仿真结果表明 ， 相对于其它房地产预测模型 ， RSBPNN模型的预测精度更高。2房地产价格预测原理房地产价格预测原理为： 通过对历史和当前的房地产价格数据进行分析， 然后采用一定的预测模型对未来房地产的价格变化进行预测， 从而为房地产商和政府制定相应政策提供参考依据 ， 其预测结构如图1 所示 。图 1房地产价格的预测图房地产价格变化与一个国家政治、 社会 、 环境和经济

10、等多种因素有关 ， 是一种十分复杂的非线性系统， 采用传统线性预测方法无法准确预测房地产价格。BPNN 是一种非线性预测能力强的预测方法， 适合于房地产价格预测。但其在预测过程中，房地产价格变化影响因素多，因素间存在着冗余信息 ， 使得 BPNN的结构复杂， 学习速度慢。粗糙集理论可以对房地产价格影响因子进行属性约简， 提取其中主要指标， 可以有效地简化了神经网络的结构， 加快了其训练和预测的速度 。因此 ， 本文将粗糙集理论和BPNN 相结合应用于房地产价格预测。RSBPNN 思想为 ： 首先利用粗糙理论提取房地产价格的主要影响因素， 消除无用的信息， 然后通过主要影响因素和房价构成的训练集

11、， 采用 BPNN 进行其训练和建模 ， 最后 ， 利用建立好的模型对房地产价格进行预测。3RS_BPNN 的房地产价格预测模型3 1粗糙集理论粗糙集理论是Pawlak提出的一种数据分析理论， 是一种擅长于处理不完整性、 不确定性的数据工具， RS理论用一张二维决策表描述论域的信息， 其中 ， 行表示对象 ， 每一行表示该对象的一条信息， 列表示属性 ， 属性分为条件属性和决策属性 。在 RS 理论分类过程中 ， 有一些条件属性是必要的， 直接影响预测结果， 而另一些则可能是多余的， 消除这些多余的属性不会影响预测的结果。在房地产价格预测中， 粗糙集约简步骤如下：1） 以观察和的整理的房地数据

12、为行， 以影响房地产价格因素为列 ， 形成二维决策表格。2）对决策表进行整理，删除冗余以及有误的对象。3） 进行属性约简 ， 去除冗余的属性值， 然后 ， 考察决策表中的具体属性值， 在约简过程中 ， 保证决策表相容。4） 重新整理决策表， 对决策表中某些行进行合并。产生的约简的决策表可能有若干个， 但这些决策具有相同的核。决策表的核是各个约简决策表的交集， 是那些不能约简的特征属性的集合 ， 是时行约简的计算基础。设一个知识表示系统为S = （ U， A， V， f）（ 1）其中 ， U 为论域 ， 是有限非空对象集合， 假若 P 和 Q 是 U上的两个等价关系族， 用 RQ（ P）表示 P

13、 的 Q 约简 ， 则 P 对 Q核 CQ（ P）是所有 Q 约简的交集 ， 见式 （ 1）CQ（ P）= RQ（ P）（ 2）3 2BPNN 算法BPNN 是一种多层前馈型神经网络6 ， 是迄今为止应用最广泛的一种神经网络络， 典型的 BP 网络由输入层、 隐层 、输出层组成 ， 隐层可以为一层或多层， 每层由一个或基干个神经元构成 ， 神经元的传递函数一般采用S 型变换函数 。 在确定了网络的结构后， 利用输入输出样本集对网络进行训练， 即对网络的权值和阈值进行学习和训练， 以使网络实现给定的输入输出映射关系。 以三层 BPNN 为例 ， 其结构如图 2所示 。图 2BPNN 结构BPNN

14、 的学习过程为 ：1）网络权值初始化： 用随机数加到网络各层权值和阈值上；2）依次输入训练的学习样本， 设当前输入的为第P个样本。3）计算出各层的输出： xj、 yk。4）依照式 （ 3）和（ 4）求出各层反传误差， 并记下 x pj、 xpi。p1jk= （ tp1kyp1k） yp1k（ 1 yp1k）（ 3）p1ij=n1k =0p1jkjk（ t） xp1j（ 1 xp1j）（ 4）5）记录已经学习训练过的样本数P。 如果 P 小于总训练样本个数 ， 则转到步骤2）继续计算 ； 如果 P 等于总训练样本个数 ， 则转到步骤6） 。6） 按式 （ 3） 和式 （ 4） 修正网络各层的权值

15、和阈值。663名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 4 页 - - - - - - - - - 3 3RS BPNN 的房地产价格预测流程将房地产房价及其相关因素通过粗糙集理论进行处理，首先通过调研得到初始属性决策表； 然后 ， 进行属性约简， 采用最小属性约简的并集作为房地产价格预测中BPNN 的输入变量 ， 根据神经网络的输入层与输出层神经元的个数确定其隐层神经元的个数。RS BPNN 的房地产价格预测过程如下 ：1） 获取初始属性决策表。根据房地产交易实例

16、， 构建房地产价格预测的初始属性决策表；2） 离散化 。由于粗糙集理论研究的元素对象只能是离散值对象 ， 因此需要将构建的属性决策表中的数据进行离散化处理 ， 常用的离离散化的方法有很多， 常用的离散化方法有 SemiNaiveScaler离散化方法、 NaiveScaler离散化方法、 贪心算法以及Nguyen 等改进的贪心算法等。由于 Nguyen贪心算法离散化效果较好， 且适合大规模计算， 因此 ， 本研究采用 Nguyen贪心算法离散化方法对初始决策表进行离散化；3） 属性约简 。由于在房地产预测中， 房地产价格的影响因素与房地产价格间呈非线性关系， 且因素间存在着冗余信息， 进行属性

17、约简就是在正确的预测房地产价格的能力的前提下 ， 去掉其中一些不必要的属性， 从而达到降维的效果。 本文应用一种改进的基于广义特征表的属性约简的启发式算法进行约简；4） 确定 BP 网络输入变量 。将经过粗糙集理论处理得到的属性约简后最小属性约简的并集， 作为网络的输入变量。5） 构建 BPNN 结构 。根据约简后的最小属性约简的并集， 确定 BPNN 隐层神经元的个数， 从而构建出BPNN 的结构；6） 利用样本值对BPNN 进行训练 ， 当达到预定的误差精度或达到最大的训练次数， 停止网络训练 ；7） 进行房地产价格的预测。房地产价格预测过程见图3。4仿真研究4 1房地产价格影响因子选择本

18、文以房地产市场上最活跃、 最具代表性 、 交易量最大的普通住宅为研究对象，对某市住宅类房地产市场进行了深入地调查研究 。在调研过程中， 首先锁定2009 年 8 月该市各城区房地产市场100 个成交案例 ， 为保证用于创建BPNN的训练样本的质量， 满足网络训练的要求， 将该市整体上分为城东 、 城南 、 城西 、 城北和城中等五个区域， 尽量在每个区域锁定数量相当的成交案例。此外 ， 在各城区成交案例的选择过程中 ， 注意到所选案例要尽量囊括该区域各种环境和条件属性 ， 较好地保证网络训练样本类别的全面性， 从而使得本研究所创建的BPNN 通过训练有可能寻找到影响因素与房地产价格之间暗含的复

19、杂规律。由于有些影响因素中属图 3RS BPNN 的房地产价格预测流程于定性指标 ， 在研究的过程中必须对其进行量化， 为减少量化过程中的主观随意性，本文采用德尔菲法，聘请专家采用统一的量化标准进行打分， 最后采用加权平均确定每一个交易案例 、 每个影响因素的量化值。本文从影响房地产价格的所有因素中选择了11个预测指标，分别为：商服繁华程度（ X1） 、 交通便利程度 （ X2） 、 公共配套设施（ X3） 、 区域环境条件（ X4） 、 建 筑 结 构 类 型 （ X5） 、 房 屋 新 旧 程 度 （ X6） 、 户 型（ X7） 、 面积 （ X8） 、 装修 程 度 （ X9） 、 设

20、 施 设 备 （ X10）和 楼 层（ X11） 等 11 个指标 。4 2粗糙集对影响因子约简应用粗糙集工程软件ROSETTA进行变量筛选 ， ： 对条件属性进行属性约简和求核， 得到最小条件属性集为 X1、 X2、X3、 X4、 X7、 X8 ， X2、 X3、 X4、 X7、 X9、 X10 ， X2、 X3、 X4、 X7、X8、 X10 ； 核为 X2、 X3、 X4 。以最小条件属性集的并集元素 X1、 X2、 X3、 X4、 X7、 X8、 X10 为输入层神经元， 输出向量Y为输出层神经元， 为了保证网络输出的精度， 首先对Y 进行归一化处理 ， 利用经验公式确定隐层神经元个数

21、：槡M = entL + N + M0（ 5）式中 ， ent为取整函数 ， L 和 N 分别为输入层 、 输出层神经无的个数 ， M0取值范围为 1， 10 。 利用式 （ 5）计算出隐层神经元为 9 个， 同时互连核元素和输出层神经元： （ X2， D） ， （ X3，D） ， （ X4， D） ，构成优化后的网络模型。4 3实验结果与分析本文取前 95 个样本作为神经网络的训练样本， 取学习速率 =0 2， 惯性校正系数= 0 8， 误差 E0 06， 最大训练次数为 500 次， 对训练样本进行训练， 当网络训练完成后，利用后 5 个样本作为测试样本进行测试。同时为了说明本文算法的优越

22、性， 在研究过程中亦进行了对比试验， 利用未763名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 4 页 - - - - - - - - - 经过粗糙集属性约简的指标构建了11 15 1 的 BPNN 进行对比试验 ， 然后分别将两种算法的输出进行反归一化处理， 得到房地产价 ， 两种算法的运算结果与原房地产价格比较见图 4。表 1房地产价格及影响指标案例输入向量X1X2X3X4X5X6X7X8X9X10X11输出向量Y14444143141540252343335314

23、8544753444455555456562433321443445465196444415333145105975555154552560139844441431423417599444414413334374100434455555956425图 4两种算法与原始房地产价格图由图 4 可知 ， 利用粗糙集BPNN 预测的房地产价格更接近于原始房地产价格， 误差更小 ， 而传统的 BP 算法预测的结果与原始数据相比， 误差较本文算法大， 而且在训练 、 预测的过程中， BPNN的用时较粗糙集BPNN更长，从而说明本文利用粗糙集对BPNN 进行优化是成功的。但从图中可以看出，两种算法都能较正确

24、预测出房地产的价格， 从而也说明了本文利用 BP 算法进行房地产价格的预测是有效可行的。5结束语本文提出的混合模型主要包括粗糙集方法和BPNN技术。充分利用了粗糙集理论在处理不确定信息方面的优点，将基于粗糙集理论与BPNN 相结合的预测方法引入房地产价格的预测中 。采用粗糙集理论对影响房地产价格的影响因素进行条件属性和对象约简， 从而有效地去掉冗余的属性和对象 ， 减少 BPNN 输入层神经元的个数， 简化网络规模和结构 ， 有效地缩短了训练时间， 弥补了传统BPNN 预测的不足， 对影响因素多 、 存在着冗余信息的房地产价格的预测有一定的实用价值。参考文献 ：1叶剑平 我国房地产估价的发展趋

25、势与对策J中国房地产，2001， （ 8） ： 76 782王家庭 房地产估价 M大连 ： 东北财经大学出版社，2004 3张昌法 ， 徐云池 ， 王虹 房地产统计学M北京 ： 中国铁道出版社，20004李大营 ， 许伟 ， 陈荣秋 基于粗糙集和小波神经网络模型的房地产价格走势预测研究J 经济与金融，2009， 21（ 11） ： 18 225周洪宝 ， 闵珍 ， 宫宁生 基于粗糙集的神经网络在模式识别中的应用J 计算机工程与设计，2007， 28（ 22） ： 5464 54676褚辉 ， 赖惠成 一种改进的BP 神经网络算法及其应用J 计算机仿真 ，2007， 24（ 4） ：75 111作者简介章伟（ 1963 ） ， 男（布依族 ） ， 贵州贵阳人， 副教授， 毕业于重庆大学， 主要研究方向为数据库在经济活动中的应用。863名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 4 页 - - - - - - - - -