基于动量BP算法神经网络房价预测研究.docVIP

基于动量BP算法神经网络房价预测研究 　　摘要：房地产价格近年来持续上涨，对于房价趋势的预测成为经济社会热点，但这些预测大都停留在定性分析阶段。从定量分析的角度入手，提出利用加入动量因子的BP神经网络算法建立数学模型，运用Matlab仿真实现房价预测。详细分析了BP神经网络学习算法过程，并加入动量因子以加快收敛、避免陷入局部最优。以山东济南为例，分析得出影响房价的7大主要因素，搜集2000-2012年数据，运用Matlab建立单隐含层的BP神经网络，通过训练网络，预测2014年该市房产均价。实验结果表明，该方法能在有限的数据条件下，对房价预测精准度达99.1%，为我国房地产业的可持续发展提供了科学的咨询和决策手段。 　　关键词关键词：BP神经网络；学习算法；动量因子；房价仿真预测 　　DOIDOI：10.11907/rjdk.1431015 　　中图分类号：TP3-05 　　文献标识码：A文章编号 　　文章编号2015）002005903 　　0引言 　　房地产业属于基础性、先导性产业，其发展状况间接地反映了市场发展状况。伴随着我国经济的飞速发展，房地产业价格水涨船高，对于房地产价格的分析预测，一直是经济社会热点问题。房价受多个因素影响和制约，如国家宏观调控、地区经济发展水平、房地产业投资情况、居民收入水平、消费情况等，多种不同因素对房地产价格影响的方向和程度不尽相同，房价预测技术性强、难度大。 　　BP神经网络的概念由Rumelhart和McCelland所带领的科学家小组在1986年提出，是一种采用误差逆向传播算法进行有监督学习的多层前向网络，具备处理线性不可分问题的能力，相比于回归模型、AHP、灰色系统等方法，BP神经网络在容错性、精确性、自组织学习能力和不依赖固定数学模型方面表现优越＼[1＼]，是目前应用最为广泛的神经网络之一。本文利用基于动量BP算法的神经网络建立模型，对房价未来趋势进行预测。 　　1BP神经网络建模 　　1.1BP神经网络算法 　　典型的 BP神经网络包括： 输入层、隐含层和输出层，层与层之间实行全连接， 同层内神经元之间无连接。它的学习规则是使用最速下降法， 通过反向传播不断调整神经网络的权值和阈值， 直到网络的误差平方和达到最小＼[2＼]。 　　在拥有单隐含层BP网络中，设Im、Hm、Om分别表示输入端，隐含层和输出端第m个神经元，从Im到Hm的连接权值矩阵记ωmm=（ω11，......ω1m；......；ωm1，......ωmm） ，从Hm到Om的连接权值矩阵记为 δmm=（δ11，......，δ1m；......；δm1，......，δmm）。用U和V分别表示每层输入和输出，如U2H表示隐含层第二个神经元的输入，n代表迭代次数。 　　1.1.1工作信号正向传播 　　输入层的输出等于输入： VmI（n）=Im（n），隐含层第m个神经元的输入等于VmI（n）的加权和：UmH（n）=∑Mm=1ωmm（n）VmI（n），其中M为输入向量长度。隐含层传递函数必须可微，本方法采用非线性作用Sigmoid函数： 　　Logsig（x）=11+e-x（1） 　　则隐含层第m个神经元的输出： 　　VmH（n）=LogsigUmH（n）（2） 　　输出层第m个神经元的输入等于VmH（n）的加权和： 　　UmO（n）=∑Mm=1δmm（n）VmH（n）（3） 　　根据经验，输出层传递函数采用线性purelin函数，则第m个神经元输出： 　　VmO（n）=purelinUmO（n）（4） 　　经过n次迭代后，网络的总误差表示为： 　　E（n）=12∑Mm=1Tm（n）-VmO（n）2（5） 　　其中Tm（n）是网络的期望输出。 　　1.1.2误差信号反向传播 　　设BP网络学习率为φ，根据梯度下降法，隐含与输出之间的权值δmm调整为： 　　△δmm（n）=-φE（n）δmm（n）（6） 　　由于E（n）是Tm（n）-VmO（n）的二次函数，梯度值为： 　　E（n）δmm（n）=-Tm（n）-VmO（n）×purelin’UmO（n）×VmH（n） 　　权值修正量： 　　△δmm（n）=φ×Tm（n）-VmO（n）×VmH（n）（7） 　　类似地，对输入层与隐含层之间的权值ωmm调整，引入局部梯度βmH： 　　βmH=-E（n）VmHLogsig’UmH（n）=∑Mm=1βmIδmm（n）（8） 　　故有： 　　△ωmm（n）=φβmHVmI（n）（9） 　　1.2加入动量因子算法 　　典型的最速下降法易陷入局部极小值，而不能达到想要的全局最优解。我们要求权值更新的方向和幅度不但与该次计算所得梯度相关，还与上次