基于混沌理论房地产价格短期预测.docVIP

基于混沌理论房地产价格短期预测 　　内容摘要：本文应用混沌理论对房地产价格进行分析预测，在重构相空间的基础上，计算关联维和最大Lyapunov指数，实证房地产价格时间序列的混沌性。运用RBF神经网络对重构时间序列进行混沌预测，并得出相关结论。 　　关键词：房地产价格预测 混沌理论 　　 　　混沌理论 　　相空间重构。根据一维时间序列的特征反向构建出原系统的多维相空间，即相空间重构。基本思想是系统任一分量的演化是由系统中的其他分量共同决定的，其演化过程包含着这些分量的相关信息。具体计算方法见关联维数计算。 　　混沌特性判定： 　　时间延迟。选择时间延迟τ，使Xn与Xn+τ不完全无关又在某些方面保持独立，使他们能够在重构的相空间中作为独立的坐标处理。本文主要应用去偏复自相关法进行计算。定义m维的去偏复自相关法为 ： 　　 （1） 　　其中x为序列均值，在实际应用中通常近似无偏。一般情况下： 　　 （2） 　　因此选取的第一个零点为τ。 　　关联维数。本文应用G-P算法进行相空间重构和关联维计算。 　　确定一个较低维数的相空间，由时间序列{X(t)}构造出相空间向量Y(t) ： 　　 （3） 　　计算相空间中Y(t)的关联积分： 　　 （4） 　　Tn为n维相空间中向量点Y(t)的个数；ε为给定的向量点“点对”距离；为点对Y(i)、Y(j)的范数距离；θ(x)为赫维赛德函数。若Dm为序列{X(t)}的关联维数，对于ε，当N充分大，ε充分小时，C(ε)应满足下列关系式： 　　 （5） 　　有关联维数： 　　 （6） 　　增加空间维数m，当m增加到一定大时，Dm就不再随着m的增加而增加，而是趋于饱和值D。D就是该时间序列中混沌吸引子的关联维数，通常是非整数，一般m≥2D+1。 　　Lyapunov指数。当一个系统状态是混沌的，它在相空间中的演变轨迹对于初始条件的依赖应该是十分敏感的，这一特性可用Lyapunov指数来刻画。识别混沌运动时通常只计算最大Lyapunov指数。本文采用Wolf法计算Lyapunov指数。 　　设时间序列x(1)，x(2)，…x(t)，…，嵌入维数m，时间延迟τ，则重构相空间 　　 （7） 　　设初始点为X(t0)，与最近邻点X(t0)的距离为L0，追踪这两点的时间演化直到ti时刻，其间距超过某规定值ε(ε0)，L0′= 　　|X(t1)-X(t0)|ε，保留X(t1)，并在X(t1)领域内寻找另一个点X1(t1)，使L1=|X(t1)-X1(t1)|ε，与之夹角尽可能的小，继续上述过程，直至x(t)到达时间序列的终点N，这时追踪过程总的迭代次数为M，最大Lyapunov指数λ1为： 　　 （8） 　　用最大Lyapunov指数可以度量混沌系统对初始条件敏感依赖性程度：λ10，原时间序列x(t)存在混沌吸引子，为混沌状态；λ10，原时间序列x(t)不存在混沌吸引子，不为混沌状态。 　　对于混沌系统，在最大预测时间尺度范围内，系统预测误差随预测步长变化比较平稳，反之，误差会被成倍地扩大。因此，最大预测时间尺度被定义为衡量混沌系统可预测程度的一项指标。在系统的平均可预测时间尺度内，预测结果精确度较高。 　　系统最大可预测时间尺度 ： 　　 （9） 　　系统的平均可预测时间尺度 ： 　　 （10） 　　房地产价格混沌预测模型 　　（一）预测实例介绍 　　本文采用区域性数据对居民住宅商品房价格进行预测，选取1996-2010年的哈尔滨市居民住宅商品房价格进行短期预测。数据来源为《中国房地产统计年鉴》、《哈尔滨统计年鉴》和哈尔滨网上房地产，共15个数据，如表1所示。 　　（二）房地产价格时间序列的预处理 　　为了扩大样本，又不改变样本的性质，应用三次样条插值法扩大样本数量。通过三次样条插值处理，年度数据增加到141个，如图1所示。 　　（三）房地产价格时间序列的参数 　　1.房地产价格混沌时间序列的时间延迟。运行Matlab中的相关程序求取时间延迟的曲线（见图2），可以得到时间延迟τ=8。 　　2.房地产价格混沌时间序列的关联维数。利用Matlab工具箱中关联维数计算程序进行计算。对哈尔滨市房地产系统中从1996年到2010年的住宅商品房价格时间序列{Xi},i=1,2,…15进行状态空间重构，计算其关联维数。 　　依次构造m（m=2，3，4…）维向量空间Yi(m)(i =1,2,…N ), N=15-m+1。根据计算程序，分别算出每个m维空间向量的Cm(ε)，logCm(ε)，logε。为ε赋予适当的值，得logCm(ε)-logε的相关图形，如图3所示，可以看出哈尔滨市住宅商品房价格时间序列进行的状态空间重构过程中logCm(ε)和