基于网络搜索数据的房地产价格预测

本文以北京、上海、天津、重庆等16个大中城市的二手房价格和新房价格为研究对象,以来自我国最大搜索引擎的百度搜索指数为数据基础,使用6种计量模型分别对16个城市的二手房价格和新房价格进行了拟合和预测,得到预测二手房和新房价格变动情况的最优模型。结果显示:网络搜索数据不但能够较好地预测房价指数,而且能够分析经济主体行为的趋势与规律,有一定的时效性。预测的月度房地产价格能够比官方数据发布提前约两周时间。

基于BP神经网络与马尔可夫链的城市轨道交通周边房地产价格的组合预测方法

为解决先验数据有限且存在大量不确定因素情况下,城市轨道交通周边房地产价格的预测问题,提出一种基于BP神经网络与马尔可夫链的组合预测模型。首先,采用BP神经网络,使用较少量的样本数据完成城市轨道交通周边房地产价格曲线的粗略拟合;在此基础上,借助马尔可夫链进行系统状态划分,缩小预测区间以提高预测精确度;最后,运用基于BP神经网络与马尔可夫链的组合模型,对北京市轨道交通13号线周边房地产价格进行了预测分析。计算结果表明,该模型具有较高的精度和可靠性。

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.

神经网络算法在房地产价格分析和预测中的应用

房地产市场是一个复杂的系统，影响因素较多，本文引入了非线性分析的有效工具——人工神经网络（ANN）。利用BP神经网络中的误差反向传递算法（即BP算法）对房地产价格进行分析，建立了基于BP神经网络的房地产价格预测模型，并利用武汉市2010-2012年各季度商品房价格对模型进行了训练与测试，取得了较好结果，证明了该模型在房地产价格预测方面具有较好的效果，并具有误差小、效率高等优点。最后利用模型对武汉市2013年第3、4季度房地产价格进行了预测。

基于MATLAB动态神经网络进行时间序列预测房地产价格的研究

文章以MATLAB动态神经网络为前提,采用时间序列预测方法进行房地产价格预测。采用全国平均房地产价格为基础样本,利用训练样本和基础样本来建立房地产价格基于动态神经网络时间序列预测模型来预测近几年房地产价格,并与实际价格对比研究来证明此方法的有效性。

基于混沌理论的房地产价格短期预测

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。

基于二次平滑处理的沈阳市房地产价格指数研究

传统房地产价格指数的滞后特质表现出较大的局限性,一元指数平滑法虽然克服了移动平均存储数据量较大及近期数据等权不合实际的问题,但依旧存在明显的滞后性,因而采取二次平滑处理的方法,通过构建房地产动态价格指数完成了未来10年沈阳市房地产价格走势的预测。由于二次平滑处理对房地产价格参数φ值的依赖性比较大,利用蒙特卡洛模拟进行了房地产价格参数φ值的校验,进而通过价格指数预测得出了未来10年沈阳市房地产价格呈波动式上升的结论。