針對使用單一預測模型存在數(shù)據(jù)特征提取不充分,預測精度不高的問題,提出了一種基于ARIMA-BP組合模型的房地產(chǎn)價格預測方法。結(jié)合ARIMA模型處理線性問題的優(yōu)勢以及BP神經(jīng)網(wǎng)絡模型在非線性問題上的優(yōu)勢,利用誤差方差加權(quán)平均訓練法訓練出最佳權(quán)重的組合并建立組合模型對某市區(qū)房地產(chǎn)價格和趨勢預測進行實證分析。理論分析和實驗結(jié)果表明,所提兩者的組合模型有效解決了不能充分提取數(shù)據(jù)特征,預測精度不理想的問題,比單一預測模型能獲得更準確的預測效果。 

【文章來源】：電腦知識與技術(shù). 2020年09期

【文章頁數(shù)】：7 頁

【部分圖文】：

ARIMA建模流程

自1982年Hopfield發(fā)表了關(guān)于自反饋神經(jīng)網(wǎng)絡的文章[10]以及Rumelhart等人發(fā)表了專著PDP[11]以來，研究神經(jīng)網(wǎng)絡的熱潮便在世界范圍內(nèi)掀起。隨后，BP神經(jīng)網(wǎng)絡在1986年由Rumelhart和McCelland為首的科學小組提出，是一種按照誤差逆向傳播算法訓練的多層前饋網(wǎng)絡，由1個輸入層、若干隱含層和1個輸出層構(gòu)成[12]。同層的神經(jīng)元之間并無關(guān)聯(lián)，異層的神經(jīng)元之間則前向連接。BP神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)如圖2所示。在整個BP中，重要的是兩個環(huán)節(jié)，第一環(huán)節(jié)是信號實現(xiàn)從輸入層到輸出層的前向傳播，另一部分是在輸出層未得到期望輸出時，誤差信號則會繼續(xù)沿著原來的網(wǎng)絡連接路線返回并通過不斷修改各層之間的權(quán)值以得到最終的期望誤差。目前，BP神經(jīng)網(wǎng)絡在函數(shù)逼近、系統(tǒng)辨識與預測、分類以及數(shù)據(jù)壓縮等方面均發(fā)揮著不可替代的作用，成為人工智能領域的熱門[13]。

對于時間序列的平穩(wěn)性處理與判定，本文案例基于兩種數(shù)據(jù)分析工具，采用兩種方法進行判定。初步采用SPSS 23.0工具繪制時間序列的自相關(guān)與偏自相關(guān)函數(shù)圖進行判定，若序列平穩(wěn)，則不做處理，若不平穩(wěn)，則通過差分平穩(wěn)化，本文案例通過一階差分后的自相關(guān)與偏自相關(guān)函數(shù)如圖3所示：由上圖可知當K>3時，自相關(guān)函數(shù)圖都落入置信區(qū)間，且逐漸趨向于0，證明序列具備平穩(wěn)性和隨機性，驗證了差分次數(shù)的正確性。

【參考文獻】：
期刊論文
[1]BP神經(jīng)網(wǎng)絡模型與學習算法[J]. 樊振宇.  軟件導刊. 2011(07)
[2]房地產(chǎn)價格時間序列預測的BP神經(jīng)網(wǎng)絡方法[J]. 陳基純,王楓.  統(tǒng)計與決策. 2008(14)
[3]基于MATLAB的BP神經(jīng)網(wǎng)絡預測系統(tǒng)的設計[J]. 李萍,曾令可,稅安澤,金雪莉,劉艷春,王慧.  計算機應用與軟件. 2008(04)
[4]基于神經(jīng)網(wǎng)絡的時間序列組合預測模型研究及應用[J]. 秦大建,李志蜀.  計算機應用. 2006(S1)
[5]AR模型應用于振動信號趨勢預測的研究[J]. 徐峰,王志芳,王寶圣.  清華大學學報(自然科學版). 1999(04)
[6]人工神經(jīng)網(wǎng)絡固有的優(yōu)點和缺點[J]. 楊曉帆,陳廷槐.  計算機科學. 1994(02)

碩士論文
[1]基于ARIMA-BP組合模型的某餐飲O2O企業(yè)訂單預測研究[D]. 施佳.北京交通大學 2018
[2]時間序列分析方法研究及其在陜西省GDP預測中的應用[D]. 魏寧.西北農(nóng)林科技大學 2010
[3]灰色組合預測方法在糧食產(chǎn)量中的應用[D]. 閆海霞.西安理工大學 2009
[4]時間序列預測模型及其算法研究[D]. 羅鳳曼.四川大學 2006



本文編號：2953562