基于粗糙集理论的数据挖掘法在房地产选址决策中的应用

通过构建粗糙集BP神经网络模型,对影响房地产选址决策的指标进行约简,提取影响选址评价的主要指标因素用属性约简算法约简,将降维后的数据送入网络进行学习和训练,最后用训练好的的网络检验测试样本.模型使学习训练的速度和识别率提高了,为房地产企业在房地产选址决策中提供了一种更为有效和实用的新方法.     

基于MIV-BP型网络实验的房地产价格影响因素研究

房地产价格是保证房地产经济健康运行和资源有效配置的关键.影响房地产价格的因素复杂,各因素的变化势必将对房地产价格的涨跌产生影响.以经济学中的供求理论为基础,以上海市商品住宅价格为研究对象,对BP神经网络进行训练,计算各因素对房价的平均影响值(MIV),构建MIV-BP模型,实证分析各因素对房地产价格的影响作用.结果表明:生产总值,贷款利率,居民人均可支配收入成为影响我国房地产价格的主要因素.居民消费价格指数,土地增值税对房价产生较显著影响.而在上述变量作用下,房地产供给面积与销售面积已经很难影响房地产价格的走势.因此应将生产总值,贷款利率,人均可支配收入作为房地产价格调控的着力点.     

基于媒体效应的房地产价格波动研究——以西安市为例

以网络搜索关键词的搜索量作为媒体效应的量化指标,建立考虑媒体效应的VAR模型研究房地产价格的波动趋势,并利用西安市2011年1月-2017年12月的数据进行验证.研究结果发现:媒体效应对房地产价格的影响存在两期的最优滞后效应;媒体效应与房地产价格之间具有长期稳定的协整关系;考虑媒体效应的VAR模型能够较好的分析媒体效应与房地产价格之间的动态关系,房地产价格受以下网络搜索关键词的正向影响,其影响程度由大到小依次为:行政类、房地产类、其他类、金融类、财政类关键词,而土地类关键词的影响为负.最后,将站在政府、相关部门和房地产开发商的角度,提出相关建议.     

数量型与价格型货币工具对房地产市场价格的影响机制研究

使用非线性边限(NARDL)模型探索数量型和价格型货币政策工具对房地产市场的影响.结果显示无论数量型货币政策和还是价格型货币政策都会对房地产价格产生非对称性效应.对于数量型货币政策来说,紧缩的货币政策和宽松的货币政策都会显著影响房地产价格.相对而言紧缩的货币政策对房地产市场的影响效果更明显.对于价格型货币政策来说,利率变动对房地产价格的影响在长端呈现非对称特征,而在短期则无此效应.降低利率水平能够推动房地产价格的提升,而提高利率无法有效地约束房地产价格的上涨.     

基于GM(1,N)模型的郑州市房地产价格预测

首先从房地产需求、房地产供给、宏观经济三个方面对影响郑州市房地产价格的因素进行了灰色关联度分析.分析结果显示,造成郑州市房地产价格上涨的主要因素为:城镇居民可支配收入,竣工房屋平均造价,人均GDP,而土地供应面积和贷款利率对房地产价格的影响不大.然后,根据主要因素,建立了相应的GM(1,4)预测模型,对郑州市未来5年的房地产价格进行了预测.预测结果表明:房地产价格依然会继续上涨,且以每年约9%的增长率增长.     

基于IGRA-ISVD约减和RBF的森林火灾消防直升机需求预测模型

针对森林火灾消防直升机需求预测问题,提出了一种基于改进灰色关联分析(IGRA)和改进奇异值分解(ISVD)约简的径向基函数(RBF)神经网络预测模型.首先,基于既有研究梳理了森林火灾消防直升机需求预测指标体系;然后,在改进灰色关联分析和奇异值分解方法的基础上,分别对消防直升机需求预测数据信息进行属性约简和维度约简;最后,利用约简预测数据信息对RBF神经网络进行训练,进而构建消防直升机数量预测模型.案例分析和对比分析表明了本文所提方法的可行性和合理性.     

新疆地区房地产价格影响因素的区域差异实证分析——基于北疆、南疆和东疆三个区域的截面数据

为揭示新疆不同区域房地产市场价格波动的区域差异,采用多元线性回归模型从房地产市场价格的供给与需求两个方面分析影响新疆北疆、南疆、东疆三个地区房地产市场价格区域波动的主要因素.研究表明:随着新疆经济社会发展,房地产的刚性需求增加,在一定程度上拉动了房地产价格的上涨,同时,由于稳定等方面的缘故及投资需求,又加剧了房地产价格的上涨.     

货币政策对房地产价格影响的非对称性分析——基于LSTVAR模型

由经济学理论分析可知,货币政策对房地产价格的具有显著的影响.利用LM检验和LR检验得到,包含货币政策变量和房地产价格变量的VAR模型具有非线性特征,并构建了相应的LSTVAR模型.运用广义脉冲响应函数研究了货币供应量与利率变化对中国房地产价格动态影响的非对称性.     

改进的简化决策表及属性约简

研究了不一致决策表的简化与属性约简问题,指出目前简化的决策表的局限:在简化的决策表上用现有的属性约简方法与在原决策表上基于正区域的属性约简方法,所得到的结果不一致.进一步对简化的决策表进行转换,得到新的决策表.基于正区域的属性约简,证明了在原决策表上约简与在新的决策表上约简结果相同.从而保证在实际应用中,对新的决策表可以用任意一种属性约简方法.     

土地市场波动与房地产价格的关系分析:基于VAR模型的实证研究

随着中国经济增长、城市化的发展,房价不断攀升,居民面临巨大的购房压力,而政府也开始对房地产市场进行调控,在房价构成因素中,土地成本占有很大比重,因此土地价格,土地供应面积与房地产价格之间的关系研究对促进房地产市场的合理发展有十分重要的意义.以2002年到2011年我国土地供应面积,土地购置价格和房地产价格的月度数据为样本,对土地供应面积,土地购置价格与房地产价格进行协整检验后,构建VAR模型进行格兰杰因果检验后发现土地供应价格,面积和房地产价格互为因果;对城市土地购置价格和房地产价格进行脉冲响应分析和方差分解后发现房地产价格和土地价格之间的存在相互影响,且在短期内都受土地供应面积的影响但程度不高.     

基于VAR—GM(1.1)—SVR模型的房地产价格预测研究

为提高房地产价格预测精度,克服传统统计数据真实性低、时效性差的缺点,本文以网络搜索数据为基础,首先通过斯皮尔曼相关分析和时差相关分析筛选出与房地产价格具有高度相关性的先行关键词,并利用向量自回归模型(VAR)和GM(1.1)模型分别预测房地产价格;然后构建基于向量自回归模型和GM(1.1)模型的VAR—GM(1.1)—SVR模型将以上两个模型的预测结果进行预测融合,并以西安市数据为例进行验证,得出均方误差(MSE)和标准平均方差(NMSE)分别为0.97和0.03,优于单一模型预测效果.     

基于PCA-GM-BP神经网络的猪肉价格预测分析

针对猪肉价格上下波动呈非线性关系和影响因素复杂等难以预测的问题,提出了基于PCA-GM-BP神经网络预测模型对猪肉价格进行有效预测.以2010年1月-2018年12月的月度价格数据作为样本,共计108组数据,利用PCA对影响猪肉价格变化的12种因素进行降维处理,选用对猪肉价格的主要累积贡献率超过96%的5个主成分,构建PCA-GM-BP神经网络猪肉价格预测模型.结果表明:与传统的BP神经网络、GM-BP神经网络预测模型相比,PCA-GM-BP神经网络预测模型在提高聚类效果的同时,增加了预测结果的精确性,对我国猪肉价格预测具有更高的适用性与参考价值性.     

基于MIV-BP型网络实验的房地产项目风险识别研究

为了更准确更客观地识别房地产项目中的风险,为房地产项目投资决策提供科学依据和参考,有效地规避风险,本研究在BP神经网络 (Back-Propagation Neural Network)建模的基础上,采取MIV(Mean Impact Value)算法对BP神经网络模型进行变量筛选的网络优化和改良,从而形成新的优化后的MIV-BP(Mean Impact Value Back-Propagation Neural Network)神经网络,并以此用于评价房地产项目中的风险度以及各因素在风险度中的影响作用大小;同时选取目前相关的房地产项目数据进行仿真实证分析和验证。验证实验结果表明,MIV-BP型神经网络对于房地产项目风险度识别具有良好的适应性和准确性,实验结果客观,达到专家评价的要求,并在风险因素作用度分析上具有良好的应用价值。     

基于邻域粗糙集的网络入侵分类诊断组合模型研究

网络入侵诊断直接影响网络正常运行和安全.针对入侵类型复杂,现有分类诊断模型精度有限的问题,提出一种基于邻域粗糙集的网络入侵分类诊断优化模型.首先,运用邻域粗糙集对网络入侵数据进行条件属性的约简,确定关键属性,然后将其作为训练输入构建相关向量机分类诊断模型,并同时运用遗传算法进行超参数优化,提高模型诊断精度和速度.通过KDDCup99数据集对优化模型性能进行检验,结果表明,组合预测方法精确度高于支持向量机、相关向量机和BP神经网络.组合模型诊断精度高、速度快,具有优异的综合性能.     

基于EEMD-Elman-Adaboost的中美股票价格预测研究

针对股票价格序列高度非正态、非线性、非平稳等复杂特征,文章以Elman神经网络为基础,引入集合经验模态分解(EEMD)与Adaboost算法,对中美股票的日收盘价进行预测。首先,利用EEMD算法将样本分解为多个本征模函数分量和1个残差分量。其次,用Adaboost算法优化Elman神经网络,对各个分量进行预测。最后,将各分量预测结果进行求和,作为最终预测结果。研究结果表明:EEMD-Elman-Adaboost模型对中美股票价格预测的均方根误差、平均相对误差、平均绝对误差均比现有的BP、Elman、EMD-Elman、EEMD-Elman模型小,新组合模型融合了EEMD、Elman神经网络、Adaboost算法的优点,具有更强的泛化能力和跟随能力。     

基于BP神经网络误差函数优化算法的武器装备承制商信用评价模型研究

信用评价是选择武器装备承制商的重要手段.以国标为基础,结合承制商具体情况确定了信用评价指标体系.分析了传统信用评价方法的不足,对经典BP神经网络的误差函数进行优化,优化后的网络模型收敛速度更快,预测精度更高.构建BP神经网络武器装备承制商信用评价模型,仿真实验表明武器装备承制商信用评价可以选用BP神经网络模型.     

基于改进PSO-BP神经网络的贮存可靠性预测

贮存可靠性是军事储备质量监测的重要环节,科学准确地预测贮存可靠度是现代化军事评估的必然要求。针对历史贮存数据,建立可靠度与年限的贮存可靠性预测模型,采用进化策略改进粒子群算法(PSO)优化BP神经网络进行贮存可靠性预测。通过数据扩充提高样本质量和数量,应用改进后的PSO算法优化BP神经网络的初始权值和阈值,提高网络的泛化能力。PSO算法较好的全局搜索能力与BP网络很强的局部搜索能力相结合,能够避免早熟现象,提高算法的收敛速度及预测精度。实验结果表明,改进的PSO-BP网络模型比PSO-BP和BP神经网络获得更好的预测性能。     

基于房地产行业发展现状的数学模型

基于我国房地产行业发展的现状,根据优化与运筹的相关数学理论,采用BP神经网络、灰色理论、目标规划等方法,建立了住房需求-供给模型、房地产行业与国民经济其他行业关系模型、房地产行业态势分析模型、房地产行业可持续发展模型、合理房价制定模型,对我国的房地产行业作了深入的分析和科学的探讨,给政府相关部门制定决策提供了重要的理论依据.     

Real estate price estimation in French cities using geocoding and machine learning

This paper reviews real estate price estimation in France, a market that has received little attention. We compare seven popular machine learning techniques by proposing a different approach that quantifies the relevance of location features in real estate price estimation with high and fine levels of granularity. We take advantage of a newly available open dataset provided by the French government that contains 5 years of historical data of real estate transactions. At a high level of granularity, we obtain important differences regarding the models’ prediction powers between cities with medium and high standards of living (precision differences beyond 70% in some cases). At a low level of granularity, we use geocoding to add precise geographical location features to the machine learning algorithm inputs. We obtain important improvements regarding the models’ forecasting powers relative to models trained without these features (improvements beyond 50% for some forecasting error measures). Our results also reveal that neural networks and random forest techniques particularly outperform other methods when geocoding features are not accounted for, while random forest, adaboost and gradient boosting perform well when geocoding features are considered. For identifying opportunities in the real estate market through real estate price prediction, our results can be of particular interest. They can also serve as a basis for price assessment in revenue management for durable and non-replenishable products such as real estate.

     

基于BP神经网络的时间序列预测问题研究

分析指出了基于标准BP神经网络的时间序列预测问题存在的不足.根据基于BP神经网络的时间序列预测问题的特点,研究给出了一种以y=x作为传递函数的时间序列预测方法,经实例验证表明,给出的以y=x作为传递函数的时间序列预测方法较基于标准BP神经网络的时间序列预测方法具有较好的结果.