BP神经网络在房地产经济中的应用综述

□郭红禹

(广西大学商学院,广西 南宁 530004)



BP神经网络在房地产经济中的应用综述

□郭红禹

(广西大学商学院,广西 南宁 530004)

【摘要】BP神经网络作为人工智能化一种较为成熟的方法,应用领域广泛。本文首先简要介绍了BP神经网络的原理和方法,其次重点阐述了其在房地产市场风险和估价系统方面的应用。研究发现,BP神经网络比传统的数量模型更符合实际情况,预测精度较高、数据拟合效果好,在房地产领域已取得了较为广泛的应用。

【关键词】BP人工神经网络;房地产;市场风险;估价系统

房地产在我国发展的历史并不长,但是发展的速度却很快,在国民经济生活中扮演着越来越重要的角色,房地产的一举一动都牵动着国人的神经。随着人工神经网络研究的深入和计算机运算能力的提高,神经网络的应用领域将会越来越广泛。近年来不少学者将神经网络算法引入了房地产,取得了较好的成果,神经网络已成为房地产经济研究的热点之一。

1BP神经网络

近年来,随着对神经网络研究的深入,出现了很多算法,但就目前而言,应用最广泛,理论最成熟是BP神经网络算法(Back-Propagation Artificial Neural Network),BP神经网络最常见的是三层结构型,如图一所示。

图1　三层BP神经网络结构图

BP神经网络一般由一个输入层、N个隐藏层、一个输出层构成,图一展示的是最基本的三层神经网络结构,其中输入量为X=(X1,X2,…,Xn)T,对任意的训练样本XA=(X1,X2,…,Xr)T,经过隐藏层的加工处理,输出Y=(Yo1,Yo2,…,Yom)T,Y向量再经过输出层的运算,输出向量O=(O1,O2,…,Ol)T,期望输出向量为R=(R1,R2,…,RL)T,输入层到隐藏层的权重矩阵为W=(W1,W2,…,Wm),隐藏层到输出层的权重矩阵为V=(V1,V2,…,Vl),隐藏层神经元各阈值用Bm表示,输出层各神经元阈值用Cl表示,隐藏层激励函数为f1,输出层激励函数为f2。

1.1　数据的正向传播过程

数据经过输入层进入隐藏层,隐藏层各神经元对输入层的数据分别加权处理,输出Y矩阵。

neth=x1w1+x2w2+…+xmwm-Bm

经隐藏层处理过的数据进入输出层,经过输出层权值及阈值的处理,最终输出结果。

将模型输出的结果O=(O1,O2,…,Ol)T和期望输出向量为R=(R1,R2,…,RL)T进行对比,并计算误差。

将计算出的误差E与之前设定的误差e进行比对,如果E小于e,则计算停止,模型构建完毕,若E大于e,则进入逆向传播过程。

1.2　数据的逆向传播过程

逆向传播的主要任务是调整各层的连接权值和阈值,使输出的误差总和小于给定的误差。逆向传播的权值调整首先由输出层开始,沿着权重的负梯度方向进行调整,层层调整直至输入层。

阈值和连接权值的调整幅度为:

其中:为学习速率,一般为0.1-0.4左右。

下一轮的阈值和连接权值的更新值为:

在更新完阈值和连接权值之后,运算进入新的正向传播,周而复始,直至模型的误差E小于给定的误差e。

2BP人工神经网络在房地产中的应用

近年来,BP神经网络在房地产产业得到了广泛的应用,如在房地产公司财务预警、市场风险、企业竞争力、投资风险、估价系统等方面取得了丰硕的成果,为后续的研究奠定了基础。

2.1　在市场危机预警中的应用

房地产及其上下游相关产业已成为我国经济的支柱产业之一,有研究表明,与房地产经济直接相关的产业就有22个左右,间接相关的产业达100多个,房地产经济对国民经济具有牵一发而动全身的影响,所以对房地产市场危机的研究不仅具有重要理论意义,还具有重大的现实意义。

近年来,不少学者对房地产市场危机系统做了大量研究,市场危机预警系统的评价研究也大致经过了两个阶段。第一阶段主要为定性研究,主要方法为专家评分法和问卷调查法等，该阶段是我国房地产预警系统研究的起步阶段,尽管在方法上有些不足,掺杂了大量的主观因素,但对后续研究指标体系的构建具有重要的指导意义。第二个阶段是定性和定量综合分析阶段,主要方法是对建立的指标体系采用计量统计模型对其进行线性拟合，定量分析方法的引入大大增加了预警系统的解释力和可信度,得到了广泛应用。但是房地产市场是一个变化的动态市场,各种因素错综复杂,每个时期各因素作用也各不相同,很难采用固定的数量模型对其进行线性拟合,这种方法对房地产市场的危机处理存在着较大的时滞性。

BP神经网络具有自学习、高拟合、强泛化、高噪音承受能力等特点,在房地产市场预警研究领域开始崭露头角,得到了大量研究者的重视。吕绍成、何亚伯(2004)基于BP神经网络,采用9个监测预警指标对武汉市1991年-2000年的数据进行模拟训练,最后得出2001年武汉房地产市场处于正常状态的结论。商升亮、虞晓芬等(2005)综合运用主成分分析方法和BP神经网络相结合的方法,采用六个监测指标对杭州市1993年-2003年数据进行仿真模拟,对2004年和2005年的房地产市场进行了预测,得出了杭州房地产市场投资过热现象将逐渐消失,市场将越趋于稳定的结论。杨晓冬、王要武(2008)创新性地引入了敏感性分析方法来判断各指标在预警系统中的重要程度,采用功能系数方法测度了综合预警系数,最终建立了12-11-3的三层BP神经网络,利用北京市1993年-2004年14个样本作为训练样本,2005年-2006年数据作为实证集,用三级警度划分方法,判定2005年和2006年北京市房地产市场处于安全区。齐锡晶、赵亮等(2010)对传统的BP神经网络算法稍加改动,引入了动量规则对学习函数加以改进,利用1998年-2006年的数据经过1538次贝叶斯归一化网络训练,最终建立了10-7-1的三层BP神经网络,最后得出2007年和2008年沈阳新建商品房市场比较活跃的结论。罗贤杰(2014)通过建立12-25-3的BP神经网络,采用2001年-2012年的数据对我国31个省份及自治区进行了仿真模拟,最后得出2013年除了5个省和直辖市外,市场风险都处于中高水平的结论。

通过文献分析,研究者基本都提到了由于统计原因,数据样本不够而导致模型不太稳定的问题。本文认为,这主要是因为房地产预警系统理论还不够成熟,仍处于起步研究阶段,还没有专门针对房地产预警系统指标体系进行全面统计的规范。相信随着我国房地产市场及预警系统理论的发展,这一问题会逐步得到解决。

2.2　在房地产估价中的应用

房地产估价就是以房地产作为评估对象,以求价格能最合理、最客观的反映其价值。彭涛(2009)认为由于我国房地产发展起步较晚,房地产估价的概念和方法大部分引自国外,受到英国的影响显著。目前我国房地产估价方法仍以成本法、收益法和市场比较法为主,注重经验和艺术。在实际应用中,经常采用两种以上的方法来评价评估对象,综合得出一个评估价格,评估人员的主观性对其影响较大。叶剑平(2001),胡莉华(2003)认为,随着智能网络及计算机运算能力的提高,智能自动化房地产评估将成为可能。

房地产评估体是一个非常复杂的多元系统,自申玲(1988)首次将人工神经网络引入房地产估价系统以来,相关学者对其进行了大量研究。杨力(2002)探讨了将BP神经网络模型用于房屋租赁行业,对房屋租赁行业估价的复杂性和BP神经网络的特点进行了深入研究,文章认为,相对于线性估价模型,BP神经网络更符合租赁行业的实际情况,并对城市房屋租赁行业应用BP神经网络模型进行了系统设计。陈基纯、王枫(2008)研究了将房地产历史数据应用于BP神经网络,提出了一种基于时间序列的BP网络训练模型,利用1987年-2003年全国房屋平均售价作为训练样本,预测了2004年的平均售价,结果表明,采用时间序列的BP神经网络模型预测的2004年的数据是精确可靠的,证明了BP神经网络模型可以成功的运用房地产时间序列进行预测。张晓平、周芳芳等(2009)对房地产估价应用BP神经网络方法流程进行了梳理,采用26个样本的11个主要指标进行了实证研究,结果显示,BP神经网络模型预测精度高于基准地价修正法,说明BP神经网络在房地产估价方面具有较大的优越性。章伟(2011)针对房地产信息冗余影响BP神经网络学习效率和预测精度问题,提出了将粗糙集理论和BP神经网络相结合的方法。文章通过100个样本分别建立了传统的BP神经网络模型和基于粗糙集理论的BP神经网络模型(RS-BP),通过对比研究发现,RS-BP模型在运算时间及运算精度上都优于传统的BP神经网络模型。司继文、韩莹莹等(2012)采用特征价格模型与BP神经网络相结合,通过对美国2007年至2008年的数据进行实证分析,发现BP神经网络在处理大量数据时比传统的最小二乘法具有更好的拟合效果。

3结束语

BP神经网络在房地产领域已经取得了一定的研究成果,获得了令人满意的效果,但同时我们也应该看到,BP神经网络在房地产应用方面还处于起步阶段,相关理论和方法还不太成熟。另外我们也应该注意到,BP神经网络只是对大脑功能的简单模拟,作为一种智能模型其本身也存在着固有的缺陷,比如学习步长的确定,隐藏层神经元数目的选择等。但不可否认,人工智能将是未来发展的大趋势,随着相关理论的成熟、技术的进步,BP神经网络应用将会更加广泛。

参考文献：

[1]吕绍成,何亚伯.BP神经网络在房地产监测预警系统中的应用[J].科技进步与对策，2004(2).

[2]商升亮,虞晓芬,徐鹏飞,等.BP神经网络在杭州房地产市场预警中的应用[J].统计与决策，2005(16).

[3]杨晓冬,王要武.基于神经网络的房地产泡沫预警研究[J].中国软科学，2008(2).

[4]齐锡晶,赵亮,吴红爽,等.基于BP神经网络的沈阳房地产市场预警[J].东北大学学报(自然科学版)，2010(9).

[5]罗贤杰.基于BP神经网络的我国房地产市场风险评价研究[D].湘潭：湘潭大学,2014.

[6]彭涛.人工神经网络房地产价格评估模型的研究及应用[D].西安：长安大学,2009.

[7]叶剑平.我国房地产估价的发展趋势与对策[J].中国房地产，2001(8).

[8]胡莉华.新形势下我国房地产估价行业发展趋势分析[J].中国房地产估价与经纪，2013(5).

[9]申玲.基于BP神经网络的房地产市场比较法价格评估[J].系统工程理论与实践，1988(5).

[10]杨力.基于BP神经网络的城市房屋租赁估价系统设计[J].中国管理科学，2002,10(4).

[11]陈基纯,王枫.房地产价格时间序列预测的BP神经网络方法[J].统计与决策，2008(14).

[12]张晓平,周芳芳,谢朝.基于神经网络的房地产估价模型研究及其Matlab实现[J].技术经济与管理研究,2009(1).

[13]章伟.粗糙集BP神经网络在房地产价格预测中的应用[J].计算机仿真,2011,28(7).

[14]司继文,韩莹莹,罗希.Hedonic住宅特征价格模型的BP神经网络方法[J].管理学报,2012,9(7).

[责任编辑：王闽红]

作者简介：李玥(1990-)，女，山西太原人，现为四川大学经济学院在读硕士研究生，研究方向：银行业务与管理。

收稿日期：2015-09-20

【中图分类号】F224-39;TP183

【文献标识码】A

【文章编号】1008-9101(2015)04-0062-03