本文關(guān)鍵詞：房地產(chǎn)價格指數(shù)的智能預測方法研究

  更多相關(guān)文章： 房地產(chǎn)價格指數(shù) 支持向量機 粒子群 滾動預測

【摘要】：通過分析近期房地產(chǎn)市場的發(fā)展形勢,不難看出房地產(chǎn)市場有下滑趨勢,國防景氣指數(shù)下跌嚴重,房地產(chǎn)投資增速減慢,房地產(chǎn)銷售出現(xiàn)負增長。房地產(chǎn)價格指數(shù)的惡化波及到70多個城市,市場略顯萎靡,為此國家放寬了限購、限貸政策,目前房地產(chǎn)回暖趨勢明顯。房地產(chǎn)是我國經(jīng)濟發(fā)展的支柱性產(chǎn)業(yè)。中國經(jīng)濟的發(fā)展無疑到了換擋時期,新常態(tài)的經(jīng)濟發(fā)展也必將帶來房地產(chǎn)市場發(fā)展的新常態(tài),成熟、理性、差異化將成為新時期房地產(chǎn)市場發(fā)展的目標。縱觀全國房地產(chǎn)行業(yè),其房地產(chǎn)價格相比其他國家相對較高,其價格變動難以受控。房地產(chǎn)價格指數(shù)是房地產(chǎn)市場發(fā)展的晴雨表和溫度計,研究房地產(chǎn)價格指數(shù)的規(guī)律將為政府、投資者、購房者提供可靠的指導。因此對房地產(chǎn)價格指數(shù)的建立、發(fā)布、實施具有重大的現(xiàn)實意義。首先,房地產(chǎn)市場是一個復雜的非線性系統(tǒng)。基于此,本文在進行仿真試驗的過程中加入了混沌理論,通過相空間重構(gòu)房地產(chǎn)價格指數(shù)序列,還原多種因素的共同作用,從一定程度上增加了該非線性時間序列的客觀性。其次,通過研究房地產(chǎn)價格指數(shù)的智能預測方法,提出了用支持向量機算來實現(xiàn)。通過運用幾個不同的參數(shù)尋優(yōu)方法對SVM的參數(shù)進行處理,對比預測結(jié)果,最終建立PSO-SVM相結(jié)合的預測模型。最后,對其建立了滾動預測模型。將滾動預測與PSO-SVM進一步結(jié)合,通過滾動預測使預測結(jié)果動態(tài)化、直觀化。滾動預測模型的提出將更好為政府宏觀調(diào)控、外商投資以及消費者購房提供相對準確、及時、客觀的指導,具有一定的實用價值。
【關(guān)鍵詞】：房地產(chǎn)價格指數(shù) 支持向量機 粒子群 滾動預測
【學位授予單位】：河北工程大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：F299.23
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-19
• 1.1 房地產(chǎn)價格指數(shù)研究背景及意義10-13
• 1.1.1 房地產(chǎn)價格指數(shù)研究背景10-12
• 1.1.2 房地產(chǎn)價格指數(shù)研究意義12-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-17
• 1.2.1 房地產(chǎn)價格指數(shù)的國內(nèi)外現(xiàn)狀研究13-15
• 1.2.2 房地產(chǎn)價格指數(shù)預測國內(nèi)外研究現(xiàn)狀15-17
• 1.3 論文的技術(shù)路線和主要內(nèi)容17-19
• 1.3.1 論文的技術(shù)路線17
• 1.3.2 論文的主要內(nèi)容17-19
• 第2章 房地產(chǎn)價格理論基礎(chǔ)19-29
• 2.1 房地產(chǎn)價格19-22
• 2.1.1 房地產(chǎn)價格形成機制19-21
• 2.1.2 房地產(chǎn)價格的特點21-22
• 2.2 城市空間結(jié)構(gòu)對房地產(chǎn)價格指數(shù)的影響22-24
• 2.2.1 城市的空間增長形態(tài)22-23
• 2.2.2 不同物業(yè)的地域結(jié)構(gòu)23
• 2.2.3 房地產(chǎn)價格受空間結(jié)構(gòu)影響大23-24
• 2.3 房地產(chǎn)價格內(nèi)部關(guān)系24-25
• 2.3.1 房地產(chǎn)價格收入比24
• 2.3.2 房地產(chǎn)價格內(nèi)部關(guān)系24-25
• 2.4 房地產(chǎn)價格指數(shù)編制25-27
• 2.4.1 成本投入法26
• 2.4.2 加權(quán)平均法26
• 2.4.3 重復交易法26-27
• 2.4.4 特征價格法27
• 2.4.5 混合模型方法27
• 2.5 本章小結(jié)27-29
• 第3章 時間序列預測過程及管理29-39
• 3.1 時間序列的預測過程29-32
• 3.1.1 預測步驟29-30
• 3.1.2 預測目標30-32
• 3.1.3 預測的應(yīng)用32
• 3.1.4 有關(guān)預測的自動化水平問題32
• 3.2 預測方法簡述32-35
• 3.2.1 以模型為基礎(chǔ)的方法和以數(shù)據(jù)驅(qū)動為基礎(chǔ)的方法32-33
• 3.2.2 外推預測法、計量模型預測法和外部信息33-34
• 3.2.3 人工預測和自動預測34
• 3.2.4 組合方法34-35
• 3.3 時間序列預測管理35-38
• 3.3.1 報告預測結(jié)果35
• 3.3.2 預測監(jiān)測35-36
• 3.3.3 撰寫報告36-37
• 3.3.4 對預測進行記錄并一直保持37
• 3.3.5 對預測過程進行調(diào)整37-38
• 3.4 本章小結(jié)38-39
• 第4章 時間序列預測模型39-49
• 4.1 常用混沌時間序列模型介紹39-44
• 4.1.1 BP神經(jīng)網(wǎng)絡(luò)39-41
• 4.1.2 小波神經(jīng)網(wǎng)絡(luò)41-42
• 4.1.3 灰色時間序列預測模型理論42-43
• 4.1.4 支持向量機理論43-44
• 4.2 預測模型中參數(shù)尋優(yōu)算法介紹44-48
• 4.2.1 粒子群算法理論44-46
• 4.2.2 遺傳算法46-47
• 4.2.3 交叉驗證法47-48
• 4.3 基于參數(shù)尋優(yōu)的LSSVM模型48
• 4.4 本章小結(jié)48-49
• 第5章 實例分析49-60
• 5.1 數(shù)據(jù)選擇49-50
• 5.1.1 天津市房地產(chǎn)現(xiàn)狀分析49-50
• 5.1.2 天津市房地產(chǎn)數(shù)據(jù)選擇50
• 5.2 混沌理論與相空間重構(gòu)50-52
• 5.3 基于混沌理論的預測模型的建立52-58
• 5.3.1 基于粒子群算法（PSO）的支持向量機(SVM)模型52-54
• 5.3.2 基于遺傳算法的支持向量機模型54-55
• 5.3.3 基于交叉驗證選參的支持向量機模型55-58
• 5.4.基于粒子群算法的支持向量的滾動預測模型58
• 5.5 本章小結(jié)58-60
• 結(jié)論60-62
• 參考文獻62-65
• 致謝65-66
• 作者簡介66-67
• 攻讀碩士期間發(fā)表的論文和科研成果67-68

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 王文波;費浦生;羿旭明;;基于EMD與神經(jīng)網(wǎng)絡(luò)的中國股票市場預測[J];系統(tǒng)工程理論與實踐;2010年06期

2 焦玉磊;謝昌浩;;房地產(chǎn)價格指數(shù)研究現(xiàn)狀與前景[J];云南財經(jīng)大學學報(社會科學版);2011年05期

3 楊曉冬;王要武;;基于神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)泡沫預警研究[J];中國軟科學;2008年02期

，

本文編號：1135622