基于Pearson系数和萤火虫算法优化BP神经网络的住宅价格预测模型

为进一步提高住宅价格预测精度,进而为有关部门提供相关数据参考,帮助其及时准确地制定相关政策,提出了基于Pearson系数和萤火虫算法优化BP神经网络的住宅价格预测模型。该模型首先使用Pearson系数对影响房价的相关因素进行特征筛选,舍弃与住宅价格关联性不强的因素;然后使用萤火虫算法对BP神经网络进行优化,建立基于萤火虫算法优化的BP神经网络预测模型;最后以上海市统计局最新发布的相关数据进行实验验证。实验结果表明,所提模型优于其他5种模型,能够实现住宅价格的有效预测。

基于主成分支持向量机的商品住宅价格预测——以郑州市商品住宅价格为例

支持向量机在数据挖掘中已被广泛应用,结合郑州市近年来的相关统计数据,通过季度统计数据,分析影响商品住宅价格的经济因素,利用主成分分析对原始统计数据进行降维,然后将季度的经济指标与下一季度商品住宅价格形成对应学习样本,通过网格寻优找到最优的学习参数,应用支持向量机进行预测。

基于GA-BP神经网络的城市住宅价格预测方法研究

住宅价格预测是国民进行房屋购买时最重要的先行步骤,针对传统住宅价格预测存在影响因素单一,样本单薄,短期线性等问题,本文分析了影响住宅价格的结构因素和区位因素,并将邻避因素考虑在内,提出了一种基于遗传算法改进的BP神经网络预测模型。以宁波市220个住宅楼盘的9756条二手房挂牌数据为例,基于GA-BP神经网络模型对其进行仿真模拟,结果表明基于遗传算法优化的BP神经网络模型对住宅价格有着良好的预测效果,其预测精度更高,误差值更小,具有一定的适用性和可行性。

基于灰色分析法对海南省商品住宅价格的预测

针对海南省主要城市商品住宅价格的问题,利用海南省2003年~2018年相关数据,运用了灰色系统理论、最小二乘法、偏估计回归法及风险价值理论等,构建了灰色关联模型、岭回归模型及VAR模型,综合运用了Matlab和EViews软件编程求解,对海南省未来商品住宅价格进行分析并预测.