神經網絡房地產評估論文范文

本站小編為你精心準備了神經網絡房地產評估論文參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1房地產價格評估指標體系和方法

房地產價格是一個復雜的經濟范疇，房地產價格與其影響因素之間存在高度的復雜性和非線性。房地產價格一般是指市場價格，房地產市場價格是在其交易時間內由眾多因素綜合作用的結果。其主要分為3大因素：一般因素、區域因素和個別因素。其中，一般因素在總體上影響某地區、某類房地產的價格水平，而個別因素和區域因素僅直接影響到某一具體房地產的價格。區域因素是指房地產所在地區的自然條件與社會、經濟、行政等因素相結合所形成的地區特性對該區房地產價格水平的影響作用。個別因素是指構成房地產本身使用功能、質量優劣的因素。房地產評估中常用的方法有市場比較法、收益法、成本法，本文采用最常用的市場比較法。市場比較法是根據經濟學中的替換原理，選擇近期發生交易的實例，經過差別修正后，測算被評估房屋價格的方法。評估人員通過市場調查，選擇幾個同一供需圈、房屋用途一致、類型相似的交易案例作為參照物，然后經過評估人員實地查勘，對交易情況、交易日期、區域因素和個別因素等4項因素分別進行比較和修正，得出被評估對象最可能實現的合理價格［3］。

2遺傳算法優化神經網絡的理論基礎

2．1BP神經網絡原理

BP神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，網絡可分為輸入層、隱含層和輸出層，其中輸入和輸出都只有一層，隱藏層可有一層或多層，各層次之間結點全部互相連接，同層的網絡結點之間沒有連接。BP網絡能學習和存貯大量的輸入－輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。每個結點表示一個神經元，傳遞函數通常采用Sigmoid函數，BP網絡的訓練其實是對網絡輸出結果與期望結果之間差值求最小值，BP網絡的訓練過程是采用梯度下降法來調整各個神經元之間的權值和閾值，直到誤差函數值E達到最小。

2．2遺傳算法優化原理

傳統的BP網絡訓練需較長時間，學習性能不佳，采用遺傳算法優化BP網絡可改進神經網絡的性能。遺傳算法是借鑒生物界的適者生存，優勝劣汰遺傳機制進化規律演化的隨機化搜索方法。其主要特點是直接對結構對象進行操作，不需求導和限定函數的連續性；具有內在的隱并行性和出色的全局尋優能力。將遺傳算法應用于神經網絡可以指導權重優化和拓撲選擇［5］。遺傳算法優化BP神經網絡初始權值步驟如下：①初始化種群，一個染色體對應一組網絡權值，設定染色體種群數量為N，遺傳代數為gen，交叉概率為Pc，突變概率為Pm。②如果達到最大遺傳代數gen，轉至步驟⑧．③計算每個染色體的適應性，染色體i的適應值fi等于對應的網絡誤差Ei的倒數。④采用輪盤賭方法選擇群體中的一對染色體，以交叉概率Pc進行交叉操作，以Pm的概率對交叉后的染色體進行突變操作。⑤將后代染色體放入新種群中。⑥重復步驟④和⑤，直到新染色體種群的大小為N為止。⑦用新染色體種群取代雙親染色體種群，轉至步驟②。⑧將適應性最高的染色體解碼得到相應的網絡初始權值。在遺傳算法全局尋優的基礎上運用BP算法進行局部細致搜索，當達到要求的收斂精度時結束網絡訓練。

2．3遺傳神經網絡在房地產評估中應用的可行性分析

各種影響因素對房地產價格的影響方向、影響程度各有不同，它們之間是一種無法用具體的數學模型來表達的十分復雜的非線性關系。因此如何確定主要影響因素以及因素評估權重就成為房地產評估的一個難題。神經網絡具有極強的大規模并行處理能力和自組織、自適應、自學習的能力，這些特點使神經網絡特別適用于處理需要同時考慮多個因素且條件模糊的信息處理問題。神經網絡以影響房地產價格的多種因素量化值作為網絡的輸入數據x＝（x1，x2，…，xn），對應的房地產價格作為輸出數據y，利用足夠的交易案例即訓練樣本對神經網絡模型進行訓練［6］。一旦網絡訓練成功，通過將所獲取的數據輸入到已經訓練完成的網絡，就可得到相應的房地產評估價格，其可以作為實際的房地產交易價格的參考。因此神經網絡有能力發現房地產價格與其影響因素之間的客觀規律，并且能夠構建一個數學模型來表示這種映射關系。而遺傳算法優化神經網絡是一種有效的神經網絡優化方法，能夠提高神經網絡的收斂速度和預測精度。

3實證研究

3．1樣本數據的選擇

根據筆者在房地產估價工作中搜集的南昌市2013年度各類型房地產交易的詳細資料（見表2），選取其中90組完整樣本數據作為遺傳神經網絡訓練樣本，10組完整數據作為測試檢驗樣本。房地產價格影響因素的評估指標體系應具有概括性和動態性，能夠全面、客觀地反映影響房地產價格的主要因素以及導致個體房地產價格差異的主要因素。由于100組住宅交易數據出自同一城市和同一年度，表1所述的房地產評估指標體系中的一般因素對100套住宅交易的價格影響大體相當，因此其無需列入評估指標。本文在全面參考房地產評估研究成果和神經網絡模型的實際性能的基礎之上，選定了一種房地產價格影響因素的評估指標體系，在區域因素和個別因素中選取14個指標體系成員：地段、交通條件、配套設施、區域環境、建筑結構、工程質量、戶型、樓層、朝向、裝修情況、新舊程度、房產產權、建筑面積、租金水平。

3．2樣本數據的量化處理

在上述房地產價格影響因素評估指標體系中，部分指標是定性指標（如地段、環境、樓層），部分指標是定量指標（如租金水平）。為使系統中各指標具有可比性，應將定性指標進行量化處理，如果定性指標在一些通用的建筑物評分規則或國家標準中已有可行的量化方法，則采用已有的量化方法。如果定性指標還沒有可行的量化方法，則采用五級打分制來區分其優劣。由于各影響因素指標的表現形式不同，原始數據之間存在級差問題，個別輸入分量差距懸殊，不能體現各分量的同等地位。且輸入過大時，網絡容易進入S型函數的包河區，導致網絡無法收斂。因此在網絡計算之前需要對樣本數據進行標準化處理，以有利于提高網絡訓練效率。結合樣本數據的特點及量化標準與房地產價格成正比的特性，本文采用了歸一化的標準化方法。

3．3BP神經網絡模型構建

1）確定BP網絡的層數根據通用逼近定理等神經網絡理論可知，具有偏差和至少一個S型隱含層加上一個線性輸出層的網絡能夠逼近任何有理函數。增加隱含層層數在降低誤差、提高精度的同時會使網絡更加復雜，從而增加網絡的訓練時間。因此，本文中的BP神經網3絡確定選取3層網絡模型，即輸入層———隱含層———輸出層結構，各層結點采用全相連方式。確定隱含層神經元的數目是網絡構建過程中非常關鍵但又很難解決的問題，目前精確預測隱含層神經元的數目仍沒有廣泛使用的明確理論。通過一些學者對此給出的經驗性的公式，進行誤差實驗，本文確定隱含層節點數為8個。

3．4遺傳算法優化

BP網絡BP神經網絡隱含層的傳遞函數采用正切Sigmoid函數tansig（），輸出層的傳遞函數采用線性函數purelin（），而網絡訓練函數采用traingdm（）。設定遺傳算法優化神經網絡初始權值的種群數量N為40，遺傳代數gen為900，交叉概率Pc的值取0．9，突變概率Pm的值取0．1。利用MATLABR2011b對樣本數據進行仿真，在GA進行了600代搜索后染色體的平均適應度趨于穩定。

3．5模型訓練與結果分析

將遺傳算法的優化結果設置成BP網絡的初始權值和閾值，訓練BP網絡，設定訓練的誤差精度為0．001，學習率為0．05。在100組樣本中選取90組作為訓練樣本，選取10組作為預測樣本。同時，為了比較遺傳算法優化前后的區別，本文采用了相同參數對標準BP神經網絡進行訓練和預測。訓練結束后，利用訓練好的3層網絡，分別輸入測試的10組樣本數據。為了進一步說明GA－BP模型在房地產估價中的有效性，本文采用BP神經網絡模型、市場比較法和GA－BP模型對房地產的估價進行了比較分析。與BP神經網絡和市場比較法相比，GA－BP網絡的預測平均相對誤差是0．66％，標準BP網絡的預測平均相對誤差是2．85％，而傳統市場比較法的平均相對誤差是3．44％。這說明運用GA－BP模型進行房地產價格的估價具有更好的預測精度。

4結束語

考慮到房地產估價的復雜性，本文提出了一套房地產價格評價指標體系，將BP神經網絡與遺傳算法結合的混合啟發式算法應用于房地產估價。采用遺傳算法對BP神經網絡的初始連接權值進行訓練尋優，再用BP神經網絡進行訓練，從而獲得較高精度的解。仿真計算表明，基于遺傳算法優化神經網絡的房地產評估模型訓練時間短，收斂速度快，在學習過程中不易陷入局部極小點，具有良好的預測精度和應用前景。

作者：呂霽單位：江西財經職業學院財稅金融系