基于人工神经网络的商服基准地价评估研究.docVIP

基于人工神经网络的商服基准地价评估研究 　　【摘 要】根据基准地价评估的特点，以商丘市为例，对人工神经网络在基准地价评估中的应用进行了探索。以商业定级因子分值为自变量，以修正后的样点地价为因变量，通过学习样本训练，建立了商丘市商服基准地价神经网络模型。经验证，神经网络模型的预测平均误差为5.54%。根据商丘市6个商业服务用地级别的定级因子平均值，预测了各级别基准地价，结果与实际地价结果基本一致，平均误差仅为1.66%，与传统方法――多元回归分析法相比预测精度提高了4.72个百分点。说明基于人工神经网络的城市基准地价评估简便可行，比传统方法更客观。 　　【关键词】基准地价 人工神经网络 土地定级 估价模型 　　基准地价是指在城市规划区范围内，对现状利用条件下不同级别或不同均质地域的土地，按照商业、居住、工业等用途，分别评估确定的某一估价期日土地使用权区域的平均价格[1]。常用的基准地价评估方法有市场比较法、收益还原法、剩余法、成本法。常用的方法虽然在城镇基准地价的评估中占据主导地位，但其过程比较复杂，数据涉及的领域较多，所需要采集的地价样本量大，造成效率不高，不仅费时费力，而且也增加了评估成本。为了提高评估效率，降低评估成本，因此，需要引入一种更好的方法来准确预测城市基准地价。基准地价作为政府宏观调控土地需求的主要手段之一，如何在快速、准确、高效地进行基准地价的更新评估的同时，保证基准地价评估的精度，已成为当今国土管理部门十分关注的问题。 　　1 理论基础[2-8] 　　人工神经网络（Artificial Neural Net Work，简称ANN）是一种信息处理系统，其模型是由多个基本单元以某种规则连接而成的层次网络结构。它以基本单元模拟生物大脑中的神经元，通过单元间信息的相互传递来模拟大脑神经网络的学习、记忆、推理、归纳等功能。其优点在于不需要设计任何数学模型，只需靠过去的经验来学习，具较强的容错性，对不完全信息、带噪音的信息具良好的适应性，对非线性关系的模拟更具优越性。目前神经网络已广泛应用于智能识别、自动控制、图像与语言处理等方面， 而预测评估也是其重要的应用领域之一。人工神经网络的种类很多，BP神经网络就是最具代表性、应用最广泛、效果最好的方法之一。因为BP神经网络能够调整权值，使网络总误差最小，同时网络学习过程也是一种误差边向后传播边修正权系数的过程。 　　BP神经网络又称误差反向神经网络，属于向前多层传播、有导学习的神经网络，由大量简单的处理单元（神经元）广泛互连形成的复杂的非线性系统。BP神经网络模型通常由输入层、包含一层或多层的隐含层和输出层组成，同层各神经元互不连接，相邻层的神经元通过权连接。 　　针对含有m个样本的训练集，BP网络学习训练的基本步骤，如图1所示： 　　（1）初始化。设置各个权值 和阈值 的初始值，并保证这些值在（0，1）范围内，同时设置最大迭代次数M（Mm）和目标误差； 　　（2）提供训练样本。随机取出一个样本，设定其输入向量 和对应期望输出向量 ； 　　（3）计算网络的实际输出及隐含层。 ，其中： 表示第 个样本在第 层的输入， 表示第 层和第 层的连接权值， 表示第 个样本在第 层的输出， 为第 层的阈值； 　　（4）计算训练误差。 ， 表示第 个样本在第 层的输入， ，当 为输出层时； 　　（5）修正权值和阈值。 ，当 为输出层时， ； 　　（6）样本经过反复训练，当达到最大迭代次数M时，网络不收敛；或者训练误差小于等于目标误差时，网络收敛时，就达到期望效果，得到输出向量，则训练结束。 　　2 研究思路 　　本文利用人工神经网络研究基准地价的基本思路：首先，根据地价样点图与各定级因子图之间的空间关系，得到地价与定级因子间的关系表，抽取商业地价记录作为神经网格学习样本；其次，以各定级因子的作用分值为自变量，修正后的地价为因变量，训练神经网络模型；第三，利用未进入学习样本的地价样点，验证网络模型精度；最后，利用神经网络模型评估不同级别的基准地价。 　　3实例验证――以商丘市为例 　　3.1 数据来源 　　（1）商丘市2013年城镇商业定级数据。具体包括商服繁华影响度分值图、道路通达度分值图、公交便捷度分值图、对外交通便利度分值图、作用分值完备度分值图和人口密度分值图，数据格式为10m×10m的ArcGIS软件的栅格数据。 　　（2）商丘市2013年城镇商业地价样点数据。主要包括土地出让、出租、转让等地价调查样点。地价样点按照基准地价内涵进行修正，即估价基准日为2013年1月1日，通路、通电、通讯、通上水、通下水、通气及土地平整的六通一平开发标准，土地容积率为2.2，土地出让年限为40年。地价样点数据格式为ArcGIS的Shape点数据图层。