叶斯林雷忠雨
摘要近年来，房價持续上涨，买房人压力逐渐增大，房价预测成为人们谈论的焦点话题。文章针对近期房价走势预测问题，在综合考虑历史房价、人口数目、GDP、在岗平均工资和人均可支配收入等5个因素对房价影响基础上，利用BP神经网络实现城市房价预测，并对重点城市208年3月到5月的房价进行了预测，对房价预测影响因素的贡献度进行了分析。
关键词房价预测；影响因素；BP神经网络；贡献度分析
中图分类号G2文献标识码A文章编号674-6708（208）25-056-03
近年来，我国房地产市场迅猛发展，房价也在一路攀升，买房成为人们谈论最多的话题，同时如何在合适的时候出手买房也成为人们关注的焦点，由此便产生了房价的预测问题。目前研究主要集中在两个方面，一是研究引起房价变化的主要因素，另一方面是选择合适的数学模型对房价进行预测。
文献[]将房价的影响因素分为4个方面：自身因素、经济因素、政策因素和人口因素，并详细分析了各因素的影响原因及影响大小。已有的数学模型主要包括确基于时间序列模型、基于经验预测模型和基于智能化预测模型三大类。其中基于时间序列模型是认为房价变动只受时间的影响，根据房价随时间的变化趋势，对二者之间的关联性进行建模，再利用所建模型对未来房价进行预测。
基于经验预测模型是根据实际得到的与房价有关因素的数据进行数理统计分析，再按照一定的原则，如误差最小原则，归纳出各因素与房价之间满足的数学关系，然后对未来房价进行预测；基于智能化预测模型是利用仿生学原理进行模型的设计，属于智能计算，主要的方法有遗传算法、模拟退火、神经网络等。
本文主要选择历史房价、人口数目、GDP、在岗平均工资和人均可支配收入等5个因素，构建了基于BP神经网络的房价预测问题，最后对具有代表性的6个城市未来3个月的房价进行了预测，在此基础上分析了个影响因素对房价走势的贡献度。
基于BP神经网络的房价走势预测
BP神经网络基本原理
反向传播神经网络（BPrptNurlNtr）是人工神经网络理论的重要发展成果。BP神经网络结构较传统的人工神经网络更瘦，往往达到3层或3层以上，包括一个输入层，一个输出层，一个或多个隐含层。每层由若干个节点构成，各层节点通过全连接的方式连接，而同层内各神经元之间相互独立。BP神经网络在初始化权重后进行训练，按照一定的规则（如梯度下降）使得输出结果与期望输出误差最小。
BP神经网络的训练过程可以分为两部分，即前向传播与后向传播。在正向传播时，输入信号从输入层输入，在神经元中进行线性计算并通过激活函数，并通过全连接的方式在网络中传递，最终通过输出层输出。
我们通过某种度量反映输出与期望的差异程度求取当前误差，并转入误差反向传播过程。反向传播的过程本质上是求复合函数偏导的过程，通过某种方法由输出层向输入层逐层修正连接权值使误差减小。输入信号的正向传播与误差的反向传播过程是相互交替并不断循环的。BP神经网络的训练过程就是不断调整神经元内参数，使网络输出不断逼近标签的过程，这个过程进行到输出的均方误差达到要求的标准。
2模型建立与求解
2数据与处理
由于原始数据样本中各向量表征了不同的物理含义，因此具有不同的量纲且不同的数量级。在实际应用中，我们往往需要先将样本数据归一化，从而提高网络的训练速率。其转换公式为：
文章来源于：科技传播