基于小波神经网络的房地产价格指数预测研究

论文摘要

通过观察房地产价格指数的走势,人们既可从宏观上把握房地产市场的景气状况和市场变化,也可从微观上依据其走势进行投资分析,这些作用的实现要依据对房地产价格指数的分析和预测。近几年,随着房地产市场的持续升温,房地产行业的风险问题日益突出。用科学的方法来反映房地产价格的变化,给市场主体正确的引导信息已变得十分的迫切。由于房地产价格指数常表现为非线性,要对它进行预测就必须利用一种能模拟非线性的模型。从理论上讲,神经网络能够无限逼近非线性函数,但传统的误差反向传播算法的多层前馈网络(BP神经网络)进行预测存在着收敛速度慢、易陷入局部极小解且预测准确率不高的缺陷。小波分析是一门新兴理论,它克服了传统Fourier分析的不足,在时域和频域都具有良好的局部化特性,在信号处理、图像处理、语音分析等领域有重要的应用价值。本文在前面几章介绍了房地产价格指数理论、小波分析理论和神经网络理论,并在后面的几章里对BP神经网络进行改进,将其和小波分析结合在一起建立一种新的模型—小波神经网络模型(WNN);运用小波神经网络对选取的数据进行训练和模拟,用训练好的网络来进行预测,把得到的预测结果与真实值进行比较,减小误差,并与单纯地运用BP神经网络进行预测相比较,能够克服BP神经网络存在的不足,从而使预测达到更好地效果。在文章的最后提出了本文研究的不足和后续研究的展望。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 选题背景及科学意义
• 1.1.1 选题背景
• 1.1.2 科学意义
• 1.2 国内外研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 本文的研究内容及创新点
• 1.3.1 研究内容
• 1.3.2 创新点
• 1.4 小结
• 第2章 房地产价格指数理论
• 2.1 房地产价格指数的涵义
• 2.2 房地产价格指数的作用
• 2.3 房地产价格指数的种类
• 2.3.1 国内主要房地产价格指数简介
• 2.3.2 国外房地产价格指数简介
• 2.3.3 国内外房地产价格指数的对比分析
• 2.4 房地产价格指数编制
• 2.4.1 房地产价格指数编制应注意的问题
• 2.4.2 房地产价格指数编制的前期调查工作
• 2.4.3 房地产价格指数的编制方法综述
• 2.4.4 “中房指数”的编制
• 2.5 小结
• 第3章 相关理论与模型
• 3.1 小波分析理论
• 3.1.1 小波分析简介
• 3.1.2 小波分析理论
• 3.1.3 小波变换
• 3.1.4 小波分析的应用前景
• 3.2 BP神经网络模型
• 3.2.1 神经网络原理
• 3.2.2 神经网络的种类
• 3.2.3 神经网络的特征
• 3.2.4 神经网络的结构
• 3.2.5 神经网络的常用学习规则
• 3.2.6 BP神经网络预测模型
• 3.2.7 神经网络的应用前景
• 3.3 小结
• 第4章 小波神经网络预测模型在房地产价格指数预测中的应用
• 4.1 小波神经网络预测模型的建立
• 4.1.1 小波神经网络简介
• 4.1.2 小波神经网络的分类
• 4.1.3 小波神经网络预测模型
• 4.2 小波神经网络预测模型在房地产价格指数预测中的应用研究
• 4.2.1 数据的选取与预处理
• 4.2.2 小波神经网络结构的训练
• 4.2.3 小波神经网络预测模型预测结果
• 4.3 小结
• 第5章 小波神经网络与BP神经网络预测模型在房地产价格指数预测中的对比研究
• 5.1 理论上小波神经网络与常规神经网络的比较
• 5.2 小波神经网络与BP神经网络预测模型的实证对比研究
• 5.3 小结
• 结论与展望
• 参考文献
• 附录
• 致谢
• 作者简介