1、1基于 BP 神经网络的沈阳市房地产市场预警研究摘 要 本文运用 BP 神经网络，对指标进行训练和检验，建立相对应的房地产市场预警模型，对房地产市场的警情进行预测。 关键词 BP 神经网络 房地产市场 预警研究 中图分类号：F293 文献标识码：A 一、房地产市场预警评价指标的构建 本着全面性、重要性、可测性、独立性的房地产预警指标选取原则，笔者选取了房地产行业的发展协调度、和谐稳定度、和未知风险度三个一级指标以及 12 个二级指标作为警兆指标，如表 1 所示： 二、BP 神经网络预警模型的构建 （一）神经网络结构的构建。 BP 神经网络模型拓扑结构一般包括输入层（InPutLaver） ，隐
2、含层（HideLaver）和输出层（outPutLayer）三个方面。 由于任意一个连续函数都可以准确地用一个三层向前神经网络来模拟。故本文采用只含有一个隐含层的三层神经网络作为预警系统。 其中房地产市场警兆指标为输入层，本文输入层节点数 X=12。相对应的警情为输出层，本文警情采用三维向量的模式，故输出层节点数Y=3。隐含层神经元数目 N 的确定，本文采用公式 N=+C，其中，C 为 1 10 的常数。通过训练，发现当 N=8 时，神经网络的收敛效果最好。 （二）神经网络的训练方法。 21、信号向前传输。 首先，计算隐含层各单元的净输入 Ij： 其中 wij 是输入层第 i 单元与隐含层第
3、j 单元间的权重； j 是隐含层第 j 单元的偏置值，p 为隐含层单元总数。 第二，计算隐含层各单元的输出 yj： 第三，计算输出层的实际输出，计算方法与隐含层相同。 2、误差反向传输。 通常用网络实际输出与目标输出之间的方差 ei 来度量误差。 其中 di 表示目标输出，yi 表示实际输出。 （三）预警时差和警情的设定。 由于目前我国房地产发展不成熟以及相关警兆指标的局限性。本文将预警时差设定为 2 年，通过对上一年的警兆数据的分析来预测下一年的警情，即通过 2011 年的数据来预测 2013 年的警情。并将警情划分为 “冷” 、 “正常” 、 “热”三级，分别用三维向量（1，0，0） 、
4、（0，1，0） 、（0，0，1）表示。 （四）神经网络的预警过程。 将经过归一化处理后的房地产市场警兆指标数据作为网络系统的输入，经过训练好的神经网络处理，输出房地产市场的警情，实现评价指标与警情的非线性映射。 三、基于沈阳市房地产市场的实证研究 本文选取了沈阳市 2004 年到 2011 年的预警指标数据，其中 2004 年到 2009 年作为神经网络的训练样本，2010 年作为检验样本，2011 年作3为预测 2013 年警情的基础数据。其中根据相关专家的分析，给出 2006年到 2009 年沈阳市房地产市场地警情。 （一）神经网络的训练。 为了使神经网络获得较好的训练效果，本文运用 MA
5、TLAB 软件对其进行训练。其中中间层的激励函数为正切 s 型激励函数，输出层的激励函数为对数 s 型激励函数。学习训练率为 0.06。经过 342 次迭代，网络训练误差情况如图迭代次数所示。 （二）神经网络的检验。 为了使训练好的神经网络能够更精确的预测警情，本文将 2010 年的相应指标数据输入到已经训练好的网络中，对网络进行检验。检验结果如下表所示。 由表结果可知，神经网络输出结果与目标输出结果吻合度较好，故可以作为预测警情的模型。 （三）神经网络的市场预警。 将 2011 年的相关指标数据输入到 BP 网络中去，得到结果表所示： 由网络输出可得出目标输出为（0，1，0） 。即 2013 年沈阳市房地产市场处于正常状态。 四、结语 通过检验，本文建立的 BP 神经网络模型输出结果与目标结果吻合度较好，对沈阳市房地产市场具有较好地预警精度。 （作者单位：沈阳建筑大学管理学院）
