神经网络组合预测模型及其在房价趋势分析中的应用

论文摘要

房价一直是社会关注的热点问题。由于房地产市场是一个高度复杂的非线性系统,因此,对房价趋势变化这一复杂特征的精确描绘显得日益重要。同时,房价的预测也越来越引起人们的关注,如何选取合适的预测模型去预测价格的走势,已成为当务之急。针对多因素影响下的目标值预测,人工神经网络表现出良好的非线性映射能力、泛化能力和容错能力。它非常适用于具有非线性、时变性和不确定性的多因素复杂系统的预测问题。本文将神经网络与基于L1范数的加权几何平均的组合预测理论相结合,并有效地应用到合肥市住宅商品房价格趋势预测。主要完成了以下几方面工作：首先,对影响房价的多个因素利用EVIEWS软件采用最小二乘法进行统计分析,从初步确定的七个影响因素中去除对目标值影响较小的“已完成住宅投资”因素；其次,运用分析后的数据分别建立BP神经网络、E1man神经网络、灰色神经网络和支持向量机模型；最后,利用单一预测模型的预测值与实际值的误差,建立基于L1范数的加权几何平均的非线性组合预测模型。求解模型,得到4种单项预测模型在组合预测中所占权重依次分别为0.32,0.23,0,0.45。表明灰色神经网络模型较其它三种预测模型误差较大,组合模型对误差较大模型不敏感。利用建立的组合模型进行预测,经过误差对比分析,组合预测比任何一种单项预测都明显地减小了误差,预测效果较好,并对未来房价趋势做了有效预测。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题背景与研究意义
• 1.2 国内外研究现状
• 1.3 本文研究的主要内容
• 1.4 本文研究方法及创新点
• 第二章 神经网络模型与非线性组合预测相关理论简介
• 2.1 神经网络模型
• 2.1.1 BP神经网络模型
• 2.1.2 Elman神经网络模型
• 2.1.3 灰色神经网络模型
• 2.2 支持向量机预测模型
• 2.2.1 支持向量机的的定义与特征
• 2.2.2 支持向量机的基本原理
• 1范数的加权几何平均的非线性组合预测模型'>2.3 基于L₁范数的加权几何平均的非线性组合预测模型
• 2.4 本章小结
• 第三章 基于神经网络的组合预测模型的实例分析
• 3.1 实验数据准备与分析
• 3.1.1 实验数据的准备
• 3.1.2 影响因素的分析与筛选
• 3.2 神经网络模型预测
• 3.2.1 BP神经网络预测
• 3.2.2 Elman神经网络预测
• 3.2.3 灰色神经网络预测
• 3.3 支持向量机模型预测
• 1范数的加权几何平均的非线性组合预测'>3.4 基于L₁范数的加权几何平均的非线性组合预测
• 3.5 房价趋势预测
• 3.6 本章小结
• 第四章 结论与展望
• 4.1 结论
• 4.2 展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的论文