基于bp神经网络的厦门楼盘走势预测 本科毕业设计.docVIP

2009年集美大学数学建模选拔题 选拔题目： 未来5年厦门楼盘走势预测 所属学校： 集美大学诚毅学院 参赛队员：1. 朱文宏 信息工程系电子 0793 2. 林建辉 信息工程系电子 0793 3. 蔡秀丽 信息工程系自动化 0791 日期： 2009 年 8 月 4 日 基于神经网络的预测 BP神经网络应用于预测的原理，提出预测步骤及预测可行性BP神经网络的预测模型的关键技术，包括样本的选取与预处理、输入输出变量的选取、隐层节点数的确定、初始权值和阈值的选取、激活函数、训练算法与参数的选取，最后建立合理的网络模型；结合住宅市场的实际情况，建立两类BP 神经网络预测模型：基于时间序列的趋势预测模型以及基于影响因素的回归预测模型，即分别采用神经网络趋势预测和回归预测的思路，把住宅市场的供给、需求与房价的历年数据以及其影响因素的数据分别作为学习样本，建立预测模型，进行预测。 关键词：BP 神经网络；住宅市场；时间序列；回归预测； 一：问题的提出与重述 华尔街金融风暴越演越烈，日本、欧洲一些国家都出现了经济衰退，世界经济增速放缓，悲观的情绪在市场上蔓延，国际经济环境的剧烈变化使中国经济正经受着严峻的挑战和重大考验。过去这两三年里，楼价节节攀升的消息，今年以来，厦门楼市由冷转暖，高性价比楼盘大受欢迎，商品住宅总成交量出现暴涨，楼市再现排队抢房现象，这或许是深度调整后的集中爆发。zi: 神经元的第i个输入: 神经元的阈值 Y4 ： 人均消费性支出（元）； Y5 ： 住宅平均售价（元/平方米）； Y6 : 房地产开发投资（亿元）； Y7?: 地区生产总值（亿元）； Y8 : 贷款利率（%）； Y9 : 住宅销售面积（平方米）； E: 测试集网络输出和目标的误差； : 输出层第k个神经元与隐含层第j个关联度 : 输出层第j个神经元与隐含层第i个关联度 : 输入量 : 输出量 : 隐含层节点数 : 输入层节点数 m : 输出层节点数 : 隐含层激活函数 Mse: 均方误差 η : 学习率； a : 动量因子 goal: 收敛误差界值；  三：模型的分析 BP 神经网络是目前神经网络中使用最为广泛的网络模型，它无论在网络理论还是网络性能方面都已经非常成熟，其突出的优点就是具有很强的非线性映射能力和柔性的网络结构。现实世界中的许多问题，如模式识别、图像处理、系统辨识、函数拟合、优化计算、最优预测等，都可以转换成这种神经元网络来处理，因而BP 网络的应用范围较为广泛。 3. BP 神经网络应用于预测的原理及步骤 3.1 BP 神经网络应用于预测的原理 BP 神经网络用于预测的基本原理是：建立一个神经网络，用历史数据来训练神经网络，通过神经网络的自学习、自适应来调整网络的连接权的权值去逼近预测对象与预测变量之间的非线性关系，各因子的权重隐含在神经网络的权值中而无需人工干预。经过训练的神经网络提取了蕴藏在样本中的非线性映射关系，并以权值的分布形式储存起来。在预测阶段，当向神经网络输入与训练集数据（非样本）相似的预测变量数据时，它便能完成从输入的预测变量到输出的预测对象的任意非线性映射，从而正确描述无法用数学关系来描述的预测变量与对象之间的规律。在一定的误差容限内，还可以处理非完全的数据。 3.2 BP 神经网络应用于预测的步骤 BP 神经网络用于预测有三种方式：趋势预测、回归预测和组合预测。本研究的目的就是在现有的数据条件下，采用BP 神经网络趋势预测和回归预测的思路，把厦门市房地产住宅市场的供给、需求与房价的历年数据以及其影响因素的数据分别作为学习样本，通过BP神经网络分析