針對房價波動大的數(shù)據(jù)特征,將多小波分析與房價預測問題結(jié)合,以北京市2010—2018年的房屋數(shù)據(jù)作為研究對象,探究了利用Haar小波變換、Daubechies系列小波變換以及基于過采樣預處理的GHM多小波變換和CL多小波變換處理房價數(shù)據(jù)的分解重構效果,并通過對高頻系數(shù)進行門限閾值量化重構處理以達到去噪的目的;建立支持向量機（SVM）預測模型,通過探究4種小波處理方法對房屋價格預測的影響結(jié)果,給出了相應預測效果更佳的數(shù)據(jù)處理方法和選擇依據(jù)。 

【文章來源】：北京化工大學學報(自然科學版). 2019,46(05)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

圖15層小波分解樹示意圖Fig．1Afive-layerwaveletdecompositiontreediagram

(x，y)+)b(9)根據(jù)式(6)判別x的類別，即為預測值。2模型建立2.1數(shù)據(jù)處理及分析收集北京市房屋市場2010—2018年的421891條相關數(shù)據(jù)，包括每天每筆成交的單價、面積、戶型、朝向、裝修類別、電梯數(shù)、樓層、總層數(shù)、建造年代、房屋結(jié)構、所處區(qū)域等相關指標，刪除其中有缺失值的記錄。由于收集的數(shù)據(jù)來自于每天成交網(wǎng)站，考慮到房價的時間成本，將單價以0.7%的貼現(xiàn)率按季度貼現(xiàn)成現(xiàn)值。處理后的房價數(shù)據(jù)原始狀態(tài)散點圖如圖2所示。圖2北京市房價與時間散點圖Fig．2Beijinghousepriceandtimescatterchart由圖2可以看出，在本預測模型中，房價數(shù)據(jù)信噪比低，信噪難以有效分離;且數(shù)據(jù)維數(shù)高、波動大，不能直接應用于預測模型。利用小波變換可將任一時間段內(nèi)的數(shù)據(jù)高頻部分和低頻部分分離，用高頻部分反映房屋市場的短期變化趨勢，低頻部分反映中、長期變化趨勢，使數(shù)據(jù)適用于傳統(tǒng)預測模型。2.2小波基的選擇小波基可以用較少非零小波系數(shù)有效逼近實際函數(shù)，這一特性被廣泛應用于數(shù)據(jù)壓縮、信號去噪以及快速計算中，所以選擇小波基應以最大量產(chǎn)生接近于零的小波系數(shù)為最優(yōu)［10］。在小波分析的應用中，不同的小波基或小波函數(shù)的選取會產(chǎn)生不同的結(jié)果，要把握小波函數(shù)的特征，包括消失矩、正則性、緊支性、對稱性以及正交性和雙正交性等，根據(jù)應用的需要選擇合適的小波基。表1簡要概括了常用小波基的特點［11］。本文基于小波基的特點選取了最簡單的Haar小波基函數(shù)以及目前應用最廣的Daubechies(Db)系列小波進行研究。表1常用小波基特點T

【參考文獻】：
期刊論文
[1]一種商品房價格預測方法[J]. 李佳音.  商品與質(zhì)量. 2011(S9)
[2]支持向量機理論與算法研究綜述[J]. 丁世飛,齊丙娟,譚紅艷.  電子科技大學學報. 2011(01)
[3]SVM分類核函數(shù)及參數(shù)選擇比較[J]. 奉國和.  計算機工程與應用. 2011(03)
[4]基于TEI@I方法論的房價預測方法[J]. 閆妍,許偉,部慧,宋洋,張文,袁宏,汪壽陽.  系統(tǒng)工程理論與實踐. 2007(07)
[5]灰色馬爾可夫模型在房價指數(shù)預測中的應用[J]. 楊楠,邢力聰.  統(tǒng)計與信息論壇. 2006(05)



本文編號：3375380