1、1关于对当今社会 BP 神经网络的房地产价格评估与研究方向摘要：随着我国改革开放的逐步推进和经济的迅速发展，人们的生活质量也越来越高，对居住要求也在不断提高，房地产行业也已经成为我国经济社会发展的支柱产业。但同时房地产也是最容易产生泡沫经济、引发金融风险的行业，因此，作为联系银行金融风险和房地产市场纽带的房地产抵押贷款评估体系的健全就显得极为重要。现如今我国的房地产行业还存在许多弊端，评估行业发展也存在许多问题。本文从 BP 神经网络方法对房地产的价格评估的应用与研究方向试作分析。 关键词：BP 神经网络，房地产价格评估，研究方向 一、BP 神经网络定义 1.概念：BP（Back Propag
2、ation）网络是 1986 年由 Rumelhart 和McCelland 为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP 网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP 神经网络模型拓扑结构包括输入层（input） 、隐层（hide layer）和输出层（output layer） 。二、BP 神经网络研究方向 21.人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经网络组成实际的
3、应用系统。如完成模式识别或者某种信号处理的功能，制成机器人和构建专家系统等。 2.网络模型与算法研究。这也可以叫做技术模型研究，包括网络学习算法研究。基于理论模型研究构作神经网络模型，以实现准备制作硬件或者计算机模拟目的， 3.生物原型研究。从生物科学如病理学、心理学、生理学和脑科学等方面研究神经网络、神将细胞和系统的生物原型结构及其功能机理。 4.建立理论模型。在生物原型研究的基础之上，建立神经网络和神经元理论模型，主要包括只是模型、数学模型、物理化学模型和概念模型等。 三、BP 神经网络结构与算法 1.结构：BP 神经网络模型拓扑结构包括输入层、隐层和输出层，信息的录入从输入层开始，通过隐
4、层再到输出层。其中，输入层及输出层的神经元个数分别为输入信号和输出信号的维数，隐层及其神经元个数要根据具体的实际情况来确定。每一个神经元的激活函数都是双曲正切函数或可微的 Sigmoid 函数的一种。 2.算法：BP 神经网络算法是一种有教师的学习算法，属于 A 学习规则，即通过实际输出 Yp1 与 Tp1 的误差来不断修正连接权和阐值，直至达到最大训练次数或者满足一定的允许误差。 （1）信号正向传播：即输入信号依次通过输入层、隐层和输出层，并在终端产生输出信号。网络权值在信号传递过程当中是不变的。加入最终在输出层没有得到预期的3输出结果，则会自动转入误差信号反向传播。 （2）误差信号反向传播
5、：误差信号即是实际输出和期望输出之间的差值，它的反向传播即信号自输出端依次往回传播，在此过程中，误差反馈调节网络权值变动，通过对权值的不断修正使网络实际输出与期望输出值更加接近。当达到最大训练次数或者满足允许误差时训练结束，相反则转入信号正向传播。 四、神经网络的房地产估价模型 针对住宅、商铺、别墅等不同类型的房地产，因为影响其价格的各种因素大不相同，所以应该分别构建不同的模型来进行估价，但是每一种模型所采用的神经网络模型却是可以一样的。房地产估价的神经网络模型主要由输入模块、测试模块、输出模块、数据库模块、评估模块和学习模块组成。 1.输入模块。主要负责当地产特征描述、交易情况、坐落位置和交
6、易日期等影响其价格的资料信息，这些数据本身是固定不变得，但其影响因素是不确定的，对模型和整个评价结果起着重要的作用。在实际的应用过程中，一定要仔细分析房地产的具体情况和其价格影响因素，为模型的成功创建和数据的准确性打好基础。一般情况下，为了提高网络收敛速度，适应神经网络数据处理要求，尽量获得较为准备的数据值，要对输入和输出向量进行归一化预处理。 2.测试模块。在实际运用评估模型之前，一般都要对模型的泛化能力进行测试。泛化能力即经训练后的网络对未在训练中集中出现的样本做出正确反应的能力。一般来说，正确训练的网络即使对训练样本存有一点误差，但依然能够对没有出现过的输入做出正确的反应。如果用训4练样
7、本以外具有典型意义的数据构成测试样本集测试网络得出的结果是符合预期的，那么可以表明该估价模型是比较成功的，具有很强的推广应用能力。 3.输出模块。包括神经网络的输出数据，即神经网络计算值输出，并将其转化成实际估价结果，供用户参考使用。 4. 数据库模块。这部分模块主要是对已交易的房地产案例信息，如交易情况、交易时间、特征描述、影响因素和评估价格等信息的存储与处理。此模块要具有基本的数据信息转换功能，能够将一些定性描述通过相应的处理转换成定量描述，并赋予相应的分值。待估房地产也可以通过此模块的转换功能进行相应的数据转换。 5.学习模块。神经网络学习是利用某种算法对网络权值与闭值进行不断的调整，目
8、的是通过对有限案例的归纳总结找某种隐藏的客观规律。BP 神经网络的学习既可以通过 Visual Basic， C 语言等来实现，也可以通过 MATLAB 提供的神经网络工具箱实现。 6.评估模块。在输入模块输入待估项目基本特征因素，然后利用通过测试的学习模块运行结果，采用某种计算方法得出待估房地产估价。 五、BP 神经网络模型的房地产估价流程 神经网络地房地产价格评估的过程主要包括数据准备、神经网络设计、学习样本输入、网络学习和评估计算等部分，具体分析如下： 1.数据信息准备。分析总结影响房地产价格的各种因素，然后收集整理各种房地产交易信息，找出能够量化的直接影响因素并进行具体的量化。 52.
9、神经网络设计。这部分设计主要包括网络参数的设定和网络拓扑结构的设计。网络学习与结构参数主要包括网络层数、网络权值、网络输入输出层参数、隐层单元个数、网络最大期望误差等等。其中，输入和输出层参数包括神经元维数和每个神经元所代表的具体物理量。 3.学习样本输入。学习样本的各数据资料信息都要转化成量化值，并使其标准化成系统识别的具体数值。学西样本可以采用收集整理到的市场交易案例或者已有的历史数据信息。 4.网络训练。也叫网络学习，就是对网络权值和闭值进行不断调整的过程。利用已经输入的学习样本信息进行训练，在网络最大训练次数和最大期望误差范围以内，检查误差是否达到精度要求，如果达标则保存训练结果即权值
10、闽值矩阵，不达标则继续调整学习参数与网络结构。 5.估价计算。输入各种影响待估房地产价格因素的量化值，运用已经设定好的网络模型和学习结果，进行评估以得到相应价格。 结语 BP 神经网络估价使用范围非常广泛，只要在房地产市场上能够找出类似的交易案例，就可以使用此方法。基于 BP 神经网络的房地产几个评估模型，可以利用神经网络自身极强的学习能力，从已有交易案例中找出房地产成交价格与其影响因素之间的客观规律，从而提高评估工作效率，为房经营、发展和管理提供更好的服务。 参考文献： 1韩力群.人工神经网络理论、设计及应用M.北京：化学工业出版社，2002. 2王洪元，史国栋.人工神经网络技术及其应用MJ.北京：中国石6化出版，2005. 3吴劲军.房地产估价研究：BP 神经网络区间估算法J.统计教育，2007， （2）. 4张协奎.基于人工神经网络的建筑物成新度评估J.中国营理科学，2008，2.
