神经网络房地产评估论文范文

1房地产价格评估指标体系和方法

房地产价格是一个复杂的经济范畴，房地产价格与其影响因素之间存在高度的复杂性和非线性。房地产价格一般是指市场价格，房地产市场价格是在其交易时间内由众多因素综合作用的结果。其主要分为3大因素：一般因素、区域因素和个别因素。其中，一般因素在总体上影响某地区、某类房地产的价格水平，而个别因素和区域因素仅直接影响到某一具体房地产的价格。区域因素是指房地产所在地区的自然条件与社会、经济、行政等因素相结合所形成的地区特性对该区房地产价格水平的影响作用。个别因素是指构成房地产本身使用功能、质量优劣的因素。房地产评估中常用的方法有市场比较法、收益法、成本法，本文采用最常用的市场比较法。市场比较法是根据经济学中的替换原理，选择近期发生交易的实例，经过差别修正后，测算被评估房屋价格的方法。评估人员通过市场调查，选择几个同一供需圈、房屋用途一致、类型相似的交易案例作为参照物，然后经过评估人员实地查勘，对交易情况、交易日期、区域因素和个别因素等4项因素分别进行比较和修正，得出被评估对象最可能实现的合理价格［3］。

2遗传算法优化神经网络的理论基础

2．1BP神经网络原理

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，网络可分为输入层、隐含层和输出层，其中输入和输出都只有一层，隐藏层可有一层或多层，各层次之间结点全部互相连接，同层的网络结点之间没有连接。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。每个结点表示一个神经元，传递函数通常采用Sigmoid函数，BP网络的训练其实是对网络输出结果与期望结果之间差值求最小值，BP网络的训练过程是采用梯度下降法来调整各个神经元之间的权值和阈值，直到误差函数值E达到最小。

2．2遗传算法优化原理

传统的BP网络训练需较长时间，学习性能不佳，采用遗传算法优化BP网络可改进神经网络的性能。遗传算法是借鉴生物界的适者生存，优胜劣汰遗传机制进化规律演化的随机化搜索方法。其主要特点是直接对结构对象进行操作，不需求导和限定函数的连续性；具有内在的隐并行性和出色的全局寻优能力。将遗传算法应用于神经网络可以指导权重优化和拓扑选择［5］。遗传算法优化BP神经网络初始权值步骤如下：①初始化种群，一个染色体对应一组网络权值，设定染色体种群数量为N，遗传代数为gen，交叉概率为Pc，突变概率为Pm。②如果达到最大遗传代数gen，转至步骤⑧．③计算每个染色体的适应性，染色体i的适应值fi等于对应的网络误差Ei的倒数。④采用赌方法选择群体中的一对染色体，以交叉概率Pc进行交叉操作，以Pm的概率对交叉后的染色体进行突变操作。⑤将后代染色体放入新种群中。⑥重复步骤④和⑤，直到新染色体种群的大小为N为止。⑦用新染色体种群取代双亲染色体种群，转至步骤②。⑧将适应性最高的染色体解码得到相应的网络初始权值。在遗传算法全局寻优的基础上运用BP算法进行局部细致搜索，当达到要求的收敛精度时结束网络训练。

2．3遗传神经网络在房地产评估中应用的可行性分析

各种影响因素对房地产价格的影响方向、影响程度各有不同，它们之间是一种无法用具体的数学模型来表达的十分复杂的非线性关系。因此如何确定主要影响因素以及因素评估权重就成为房地产评估的一个难题。神经网络具有极强的大规模并行处理能力和自组织、自适应、自学习的能力，这些特点使神经网络特别适用于处理需要同时考虑多个因素且条件模糊的信息处理问题。神经网络以影响房地产价格的多种因素量化值作为网络的输入数据x＝（x1，x2，…，xn），对应的房地产价格作为输出数据y，利用足够的交易案例即训练样本对神经网络模型进行训练［6］。一旦网络训练成功，通过将所获取的数据输入到已经训练完成的网络，就可得到相应的房地产评估价格，其可以作为实际的房地产交易价格的参考。因此神经网络有能力发现房地产价格与其影响因素之间的客观规律，并且能够构建一个数学模型来表示这种映射关系。而遗传算法优化神经网络是一种有效的神经网络优化方法，能够提高神经网络的收敛速度和预测精度。

3实证研究

3．1样本数据的选择

根据笔者在房地产估价工作中搜集的南昌市2013年度各类型房地产交易的详细资料（见表2），选取其中90组完整样本数据作为遗传神经网络训练样本，10组完整数据作为测试检验样本。房地产价格影响因素的评估指标体系应具有概括性和动态性，能够全面、客观地反映影响房地产价格的主要因素以及导致个体房地产价格差异的主要因素。由于100组住宅交易数据出自同一城市和同一年度，表1所述的房地产评估指标体系中的一般因素对100套住宅交易的价格影响大体相当，因此其无需列入评估指标。本文在全面参考房地产评估研究成果和神经网络模型的实际性能的基础之上，选定了一种房地产价格影响因素的评估指标体系，在区域因素和个别因素中选取14个指标体系成员：地段、交通条件、配套设施、区域环境、建筑结构、工程质量、户型、楼层、朝向、装修情况、新旧程度、房产产权、建筑面积、租金水平。

3．2样本数据的量化处理

在上述房地产价格影响因素评估指标体系中，部分指标是定性指标（如地段、环境、楼层），部分指标是定量指标（如租金水平）。为使系统中各指标具有可比性，应将定性指标进行量化处理，如果定性指标在一些通用的建筑物评分规则或国家标准中已有可行的量化方法，则采用已有的量化方法。如果定性指标还没有可行的量化方法，则采用五级打分制来区分其优劣。由于各影响因素指标的表现形式不同，原始数据之间存在级差问题，个别输入分量差距悬殊，不能体现各分量的同等地位。且输入过大时，网络容易进入S型函数的包河区，导致网络无法收敛。因此在网络计算之前需要对样本数据进行标准化处理，以有利于提高网络训练效率。结合样本数据的特点及量化标准与房地产价格成正比的特性，本文采用了归一化的标准化方法。

3．3BP神经网络模型构建

1）确定BP网络的层数根据通用逼近定理等神经网络理论可知，具有偏差和至少一个S型隐含层加上一个线性输出层的网络能够逼近任何有理函数。增加隐含层层数在降低误差、提高精度的同时会使网络更加复杂，从而增加网络的训练时间。因此，本文中的BP神经网3络确定选取3层网络模型，即输入层———隐含层———输出层结构，各层结点采用全相连方式。确定隐含层神经元的数目是网络构建过程中非常关键但又很难解决的问题，目前精确预测隐含层神经元的数目仍没有广泛使用的明确理论。通过一些学者对此给出的经验性的公式，进行误差实验，本文确定隐含层节点数为8个。

3．4遗传算法优化

BP网络BP神经网络隐含层的传递函数采用正切Sigmoid函数tansig（），输出层的传递函数采用线性函数purelin（），而网络训练函数采用traingdm（）。设定遗传算法优化神经网络初始权值的种群数量N为40，遗传代数gen为900，交叉概率Pc的值取0．9，突变概率Pm的值取0．1。利用MATLABR2011b对样本数据进行仿真，在GA进行了600代搜索后染色体的平均适应度趋于稳定。

3．5模型训练与结果分析

将遗传算法的优化结果设置成BP网络的初始权值和阈值，训练BP网络，设定训练的误差精度为0．001，学习率为0．05。在100组样本中选取90组作为训练样本，选取10组作为预测样本。同时，为了比较遗传算法优化前后的区别，本文采用了相同参数对标准BP神经网络进行训练和预测。训练结束后，利用训练好的3层网络，分别输入测试的10组样本数据。为了进一步说明GA－BP模型在房地产估价中的有效性，本文采用BP神经网络模型、市场比较法和GA－BP模型对房地产的估价进行了比较分析。与BP神经网络和市场比较法相比，GA－BP网络的预测平均相对误差是0．66％，标准BP网络的预测平均相对误差是2．85％，而传统市场比较法的平均相对误差是3．44％。这说明运用GA－BP模型进行房地产价格的估价具有更好的预测精度。

4结束语

考虑到房地产估价的复杂性，本文提出了一套房地产价格评价指标体系，将BP神经网络与遗传算法结合的混合启发式算法应用于房地产估价。采用遗传算法对BP神经网络的初始连接权值进行训练寻优，再用BP神经网络进行训练，从而获得较高精度的解。仿真计算表明，基于遗传算法优化神经网络的房地产评估模型训练时间短，收敛速度快，在学习过程中不易陷入局部极小点，具有良好的预测精度和应用前景。

作者：吕霁单位：江西财经职业学院财税金融系