基于神經(jīng)網(wǎng)絡(luò)對房價(jià)預(yù)測的研究
發(fā)布時(shí)間:2021-07-03 13:05
如今房地產(chǎn)市場容易出現(xiàn)暴漲暴跌的情況,很多大城市的房價(jià)已經(jīng)達(dá)到了普通人不能接受的程度,如何高效地解決房地產(chǎn)的問題,一個(gè)較好的方案是準(zhǔn)確地預(yù)測出未來的房地產(chǎn)市場行情。本文利用神經(jīng)網(wǎng)絡(luò)來預(yù)測房價(jià)的走勢,優(yōu)勢在于神經(jīng)網(wǎng)絡(luò)類似于人腦的結(jié)構(gòu),具有仿生的特點(diǎn),能夠擬合出復(fù)雜的模型結(jié)構(gòu),對房價(jià)預(yù)測的任務(wù)會(huì)有比較好的效果。房價(jià)預(yù)測模型可以有效地解決當(dāng)今房地產(chǎn)市場所存在的一些問題,幫助人們理性的投資,切實(shí)地解決人們買房難的問題,創(chuàng)造更加和諧美滿的社會(huì)。
【文章來源】:全國流通經(jīng)濟(jì). 2020,(03)
【文章頁數(shù)】:3 頁
【部分圖文】:
激活函數(shù)
由于本研究需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí),但是一般情況下,交易中心都將房價(jià)數(shù)據(jù)保密,所以本文使用的數(shù)據(jù)來自于1970年美國波士頓的房地產(chǎn)相關(guān)信息,這些數(shù)據(jù)包括樓間距、小區(qū)環(huán)境、是否處于市中心等。通過運(yùn)轉(zhuǎn)下面兩個(gè)代碼①print(train_data.shape)②print(test_data.shape),從而測出訓(xùn)練集的大小。之后得到結(jié)果為(404,13)(102,13)。本文的數(shù)據(jù)單位是千美元,訓(xùn)練集對應(yīng)的結(jié)果如圖1。圖1顯示,這一年波士頓的房價(jià)中位數(shù)在一萬到一萬五美元之間。但是,如果把不同格式、不同單位的數(shù)據(jù)雜糅一起輸入網(wǎng)絡(luò)會(huì)影響結(jié)果的準(zhǔn)確度。因此,本研究需要把數(shù)據(jù)的格式統(tǒng)一起來,將數(shù)據(jù)歸一化處理。歸一化可以利用如下的方式:將該數(shù)據(jù)減去這個(gè)屬性所有數(shù)據(jù)的最小值,然后除以該屬性最大值與最小值的差值,這樣就可以把該屬性的所有數(shù)據(jù)壓縮到[0,1]之間。
實(shí)驗(yàn)首先將所有數(shù)據(jù)集劃分成70%的訓(xùn)練集和30%的測試集,然后對數(shù)據(jù)進(jìn)行歸一化處理,將所有數(shù)據(jù)都?jí)嚎s到[0,1]之間,接著利用TensorFlow的庫函數(shù)實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的運(yùn)算,輸入是506×13的矩陣,其中506表示的是506個(gè)房屋數(shù),13表示的是特征個(gè)數(shù),輸出為一個(gè)有506個(gè)維度的向量,表示的是每個(gè)房屋對應(yīng)的房價(jià)。經(jīng)過神經(jīng)網(wǎng)絡(luò)運(yùn)算收斂之后模型在測試集中的預(yù)測結(jié)果與實(shí)際結(jié)果之間的關(guān)系如圖3所示,該模型預(yù)測的房價(jià)中位數(shù)與實(shí)際中位數(shù)誤差為-0.65±3.23,總體準(zhǔn)確率為92.348%。三、總結(jié)和展望
【參考文獻(xiàn)】:
期刊論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)的城市房價(jià)預(yù)測[J]. 葉斯林,雷忠雨. 科技傳播. 2018(14)
[2]基于BP神經(jīng)網(wǎng)絡(luò)的重慶市房價(jià)驗(yàn)證與預(yù)測[J]. 王筱欣,高攀. 重慶理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué)). 2016(09)
[3]基于BP神經(jīng)網(wǎng)絡(luò)的唐山房價(jià)預(yù)測[J]. 高平,劉志堅(jiān),袁立梅. 河北聯(lián)合大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版). 2015(02)
[4]基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的房價(jià)預(yù)測分析[J]. 高玉明,張仁津. 計(jì)算機(jī)工程. 2014(04)
[5]中國房價(jià)構(gòu)成與預(yù)測的仿真分析[J]. 陸麗麗,胡斌,李輝,端木怡婷. 計(jì)算機(jī)仿真. 2014(03)
本文編號(hào):3262637
【文章來源】:全國流通經(jīng)濟(jì). 2020,(03)
【文章頁數(shù)】:3 頁
【部分圖文】:
激活函數(shù)
由于本研究需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí),但是一般情況下,交易中心都將房價(jià)數(shù)據(jù)保密,所以本文使用的數(shù)據(jù)來自于1970年美國波士頓的房地產(chǎn)相關(guān)信息,這些數(shù)據(jù)包括樓間距、小區(qū)環(huán)境、是否處于市中心等。通過運(yùn)轉(zhuǎn)下面兩個(gè)代碼①print(train_data.shape)②print(test_data.shape),從而測出訓(xùn)練集的大小。之后得到結(jié)果為(404,13)(102,13)。本文的數(shù)據(jù)單位是千美元,訓(xùn)練集對應(yīng)的結(jié)果如圖1。圖1顯示,這一年波士頓的房價(jià)中位數(shù)在一萬到一萬五美元之間。但是,如果把不同格式、不同單位的數(shù)據(jù)雜糅一起輸入網(wǎng)絡(luò)會(huì)影響結(jié)果的準(zhǔn)確度。因此,本研究需要把數(shù)據(jù)的格式統(tǒng)一起來,將數(shù)據(jù)歸一化處理。歸一化可以利用如下的方式:將該數(shù)據(jù)減去這個(gè)屬性所有數(shù)據(jù)的最小值,然后除以該屬性最大值與最小值的差值,這樣就可以把該屬性的所有數(shù)據(jù)壓縮到[0,1]之間。
實(shí)驗(yàn)首先將所有數(shù)據(jù)集劃分成70%的訓(xùn)練集和30%的測試集,然后對數(shù)據(jù)進(jìn)行歸一化處理,將所有數(shù)據(jù)都?jí)嚎s到[0,1]之間,接著利用TensorFlow的庫函數(shù)實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的運(yùn)算,輸入是506×13的矩陣,其中506表示的是506個(gè)房屋數(shù),13表示的是特征個(gè)數(shù),輸出為一個(gè)有506個(gè)維度的向量,表示的是每個(gè)房屋對應(yīng)的房價(jià)。經(jīng)過神經(jīng)網(wǎng)絡(luò)運(yùn)算收斂之后模型在測試集中的預(yù)測結(jié)果與實(shí)際結(jié)果之間的關(guān)系如圖3所示,該模型預(yù)測的房價(jià)中位數(shù)與實(shí)際中位數(shù)誤差為-0.65±3.23,總體準(zhǔn)確率為92.348%。三、總結(jié)和展望
【參考文獻(xiàn)】:
期刊論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)的城市房價(jià)預(yù)測[J]. 葉斯林,雷忠雨. 科技傳播. 2018(14)
[2]基于BP神經(jīng)網(wǎng)絡(luò)的重慶市房價(jià)驗(yàn)證與預(yù)測[J]. 王筱欣,高攀. 重慶理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué)). 2016(09)
[3]基于BP神經(jīng)網(wǎng)絡(luò)的唐山房價(jià)預(yù)測[J]. 高平,劉志堅(jiān),袁立梅. 河北聯(lián)合大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版). 2015(02)
[4]基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的房價(jià)預(yù)測分析[J]. 高玉明,張仁津. 計(jì)算機(jī)工程. 2014(04)
[5]中國房價(jià)構(gòu)成與預(yù)測的仿真分析[J]. 陸麗麗,胡斌,李輝,端木怡婷. 計(jì)算機(jī)仿真. 2014(03)
本文編號(hào):3262637
本文鏈接:http://sikaile.net/jingjilunwen/fangdichanjingjilunwen/3262637.html
最近更新
教材專著