基于灰色马尔柯夫链在商品房价格中的预测.docVIP

基于灰色马尔柯夫链在商品房价格中的预测 　　摘要：本文将马尔柯夫理论与灰色理论相结合，建立了GM（（1，1）模型，并将其应用于实际。本文针对重庆市商品房价格进行了建模分析，并预测了未来价格的发展的趋势，相对于单用马尔柯夫理论建模提高了精度。 关键词：灰色系统 马尔柯夫 商品房价格 预测 一、引言 灰色系统理论是我国著名学者邓聚龙教授创立的“以部分信息已知，部分信息未知的小样本、贫信息”不确定性系统为研究对象的一门系统科学新学科。其基本思想是通过灰色系统建模，把时间序列转化为微分方程，为农业、气象、经济等复杂系统提出一种新颖的预测预报工具。其理论核心主要适用于时间短，数据资料少随机波动不大的系统现象。 马尔柯夫理论是一种具有“马尔柯夫性”的随机过程。马尔柯夫预测描述的是一个随机序列的动态变化过程。它根据状态转移概率来推断系统的未来发展变化，转移概率反映了各种随机因素的影响程度，因而马尔柯夫链适合于随机波动性较大的预测问题。 灰色预测与马尔柯夫预测可以互补，这既考虑了灰色系统中对随机性波动较大预测的拟合较差问题，也考虑了马尔柯夫中需要大量历史数据的问题，将两者结合，能更精确地对实际问题进行预测，从而得到更好的预测效果。 从指标的选择上看，商品房价格是由很多因素影响的，如供求关系、国家对房产的调控、国家调控下的政治和经济、房地产原料、房地产用地等。这些因素共同影响了其价格。我们可以将商品房价认为是一个部分信息已知，部分信息未知的灰色系统来处理。从另外个方面来看，它也是一个非平稳的随机时间序列，因此其适合用灰色马尔柯夫链来进行预测。 二、灰色GM（（1，1）模型 ①首先，设原始时间序列数据为： X（0） x（0）（1），x（0）（2），...x（0）（n-1），x（0）（n） （1） ②X（0）进行一次累加生成新序列： X（1） x（1）（1），x（1）（2），...x（1）（n-1），x（1）（n） （2） x（1）（n） ■x（0）（i），i 1，2，...，n ③构成累加矩阵B与常数项向量Q B -■（x（1）（1）+x（1）（2）） 1-■（x（1）（2）+x（1）（3）） 1 ┆ ┆-■（x（1）（n-1）+x（1）（n））1 Q x（0）（2）x（0）（3） ┆x（0）（n） 根据灰色理论，对生成的序列X（1）建立时间趋势项的灰色微分方程预测模型为： ■+aX（1） b （3） 其中，a，b为待估参数，称a为发展系数，其大小反应了数据序列X（0）的增长速度，b为灰色作用量。 ④计算参数（最小二乘法）： 设？觠为待估计参数量： ？觠 （a，b）T ？觠 （BTB）-1BTQ （4） ⑤估计出参数a，b后，则方程（3）的解（即响应函数）为： x（1）（k+1） （x（0）（1）-■）e-ak+■，k 0，1，2...n （5） ⑥令Y（k） X（0）（k+1），则X（0）（k+1） X（1）（k+1）-X（1）（k） Y（k），Y（k）为预测值。 ⑦确定状态转移矩阵 X（n）设是具有马氏性，状态空间和时间参数都是离散的随机过程即马氏链。数据序列由状态Ei经过k步转移到状态Ej的概率称为k步状态转移概率，记作：pij（k） ■， 其中m？觨（k）为状态Ei经过k步转移到状态Ei的原始数据样本数，mi为状态Ei的原始数据样本数。则k状态转移概率矩阵为： p（k） P■■P■■ … P■■P■■P■■ … P■■… … … …P■■P■■ … P■■ 实际中，只需要考虑一步状态转移矩阵P，设预测状态处于Ei状态，考虑P中第i行，若max（Pij） Pij，则认为下一时刻最有可能从i状态转向k状态。根据已确定的系统未来时刻状态，预测结果最可能为：Y（k） Y（k）+（Ai上+Ai下）/2。 三、在房地产价格预测中的应用 （一）数据的选择 选取重庆市2011年6月至2013年3月月销售均价为样本数据，见下表： 重庆房价统计数据表 ■ 数据来源：重庆统计年鉴，重庆统计局 （二）GM（（1，1）模型的建立 通过原始数据构造累加生成序列，确定数据矩阵： ■■ 计算参数：？觠 （-0.00座机电话号码，4472.6569）T 确定GM（1，1）模型：x（1）（k+1） （x（0）（1）-■）e-ak+■ （x（0）（1）+724260.6983）e-0.0座机电话号码k-764260.6983 768597.425e-0.0座机电话号码k-764260.6983 将x（1）序列进行累减还原，得到x（0）序列的GM（1，1）灰色预测结果 Y（k） X（1）（k+1）-X（1）（k） （三）状态划分并确定状态转移概率矩阵 以预测值Y（k）为基准，在其上下两侧作4条与之平行的曲线Yi（k） Y（k）+ai（ai为常数），每相邻两条曲线之间的区域为一个