恒通计算机自动评估技术标准()09号.docx

恒通计算机自动评估技术标准 市场法模型之------神经网络知识指南 （恒自评技009号） 本指南对市场法中人工神经网络进行简单介绍。 一、名词解释 人工神经网络（ArtificialNeuralNetworks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（ConnectionistModel），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。 二、现行估价技术的缺陷 现行房地产估价过程过于主观化，过于依赖房地产估价师的主观经验，客观依据支持不足。理论而言，同一估价对象，同一估价目的，在同一估价时点，应该得到相同的估价结果，这应该是房地产估价客观性、独立性、公正性甚至是房地产估价生命力所在，但是，现行的估价技术在实际估价业务中很难做到这一点。运用传统估价方法对房地产价格进行估算的过程中，很多关键参数的确定都缺乏科学、合理的理论指导，这就对估价人员经验丰富程度、数据处理能力等提出了较高要求，无形中增加了评估难度、提高了评估成本，而且估价人员的职业道德对“艺术”、“经验值”影响的风险更难以界定,估价的客观性、公正性很大程度上受到估价师的个人影响。 由于房地产价格的高低是由众多影响房地产价格因素综合作用的结果，价格与因素之间不是简单的函数关系，由于房地产价格与其影响因素之间存在着复杂的非线性关系，无法用一个具体的数学模型来准确地表达他们之间的关系，即各因素对价格的影响程度是未知的，这是现行估价技术不可逾越的技术障碍。 三、人工神经网络的优势 神经网络因其超强的自组织、自适应和自学习能力，特别擅长从事那些需要同时考虑诸多因素和条件、不精确和模糊的信息处理问题，对于这种常规数学方法无法解决或解决效果不佳问题人工神经网络便显示出巨大的优越性。 人工神经网络这一数学工具能够发现影藏在房地产价格与价格影响因素间的复杂关系。采用该方法进行房地产估价是通过对样本案例的学习，寻找房地产价格与其影响因素之间存在的客观规律。这种规律是非线性的，所以采用该方法进行估价，可以不用事先假设它们之间服从某种数学关系，故大大增强了估价客观性。网络通过样本学习，不需要人为给出权重，训练系统将求得每个影响因素与房地产价格之间关系的权数，而评估系统将训练得到的权值作为计算评估价格的依据，从而有效克服了传统方法在确定权重时的主观随意性，实际上是将神经网络的学习功能和非线性处理能力运用于评估系统以改善传统评估方法的随意性和不确定性。 基于神经网络的房地产价格预测模型是通过对训练样本的学习，建立起房地产价格与其影响因素之间的非线性关系，其实质就是市场比较法的人工智能化。 由于房地产价格与其影响因素之间复杂的非线性关系，以及神经网络的独特优势，将神经网络引入房地产评估领域是可行的，这样在充分发挥神经网络优势的基础上，能够很好地克服传统评估方法的局限性。 四、人工神经网络处理评估的基本思路 通过大量市场调研，对房地产样本中的影响因素按照一定方法进行量化处理，得到的量化值作为神经网络模型的输入数据，样本价格作为网络的期望输出，通过样本学习获得有用的知识，从而确定网络的拓扑结构和有关参数，网络结构确定了，则房地产价格与其影响因素之间的非线性关系也就建立起来了，在应用训练好的网络模型进行预测时，只需要输入待估房地产影响因素的量化值，输出端即可输出其预测价格。可以简单类比，求闭合曲线面积，传统方法为简单类比为矩形或圆形计算，而人工神经网络相当于用N个矩形来逼近，只要数量足够大其精度一定会比上一种方法更精准。 五、人工神经网络用于评估的要求 人工神经网络的成功使用有以下要求： 第一，能科学的界定用途和空间范围，即科学合理分层； 第二，要准确界定影响房价的因素，并能客观量化，或各项因素在市场域内能准确客观的比较； 第三，训练要求高质量的样本，这些样本必须有足够的客观性和代表性，如果样本本身偏差较大，那么训练好的网络就很难得到准确的评估结果。 价值是物的真实所值，是内在的，是相对客观和相对稳定的，是价格的波动“中心”；价格是价值的外在表现，围绕着价值而上下波动，是实际发生、已经完成并且可以观察到的事实，它因人而异，时高时低。现实中由于定价决策、个人偏好或者交易者之间的特殊关系和无知等原因，时常会出现“低值高价”或者“高值低价”等价格背离价值的情况。因此，强调城市住宅估价本质上是评估城市住宅的价值而不是价格。虽然估价是评估价值，而且理论上是价值决定价格，但估价实践中一般是