重庆市房价预测基于BP神经网络陈谣【Summary】2016年底本市的房地产市场出现异象，房价上涨速度加快，引起了大家的关注。房价的上涨不仅与消费水平，还与GDP、供地价格等有关。本文利用2006——2016的重庆GDP数据等相关数据，建立神经网络模型。通过与实际数据进行比较验证模型有效性，并预测2017年房价。【Key】重庆市房价预测神经网络1引言自2010年以来，房地产市场突然爆发，出现了房产“小高峰”。由此带来房价上涨的速度加快，在此期间城镇化的发展加快，购房者人数增多，也诱发了房价上涨。不仅如此也吸引了一大批炒房者加入，包括本市和外地炒房者，导致---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---供大于求，一时间出现了“泡沫经济”、大量的“存量房”，但至少抑制了房价上涨。从2016年11月份开始，我市的楼市出现猛增的异象。一部分是由于长期的房价平稳、政府的调控，但随着人们生活质量的提高，需要拉动消费增长带动经济的增长，从而解决存量房的问题。同时，出现一大批外地投资者炒房，加速了房价上涨的速度，反而本市购房者造成了一定的经济压力。2影响房价的主要因素地区生产总值是指在一定时期内，一个地区的经济中所产生的全部最终产品和劳务的市场价值，常常被认为是衡量地区经济状况和发展水平的重要指标。一般来说，本地生产总值是消费、投资、政府支出和净出口额的总和。其中消费反映了当地家庭的收入水平，投资包含了产地产业的资金，政府支出包含了政府对房价的政策及影响。因此，GDP包含了许多影响房价因素。供地价格和房价的关系一直是受很多人关注，地价作为房地产开发的一个重要组成部分，也是影响房价开发的一个重要组成部分，也是影响房价的一个重要因素，这也是由于地价作为商品房的组成成分所决定。在一些地区土地价格甚至占据房价的一半，可见地价对房价的影响力是相当大。当然影响房价的因素还有很多，比如政府力量、地方的政策调控、房屋的硬件环境、房屋的需求量、人们的消费水平，房地产开发投资量等等。但是在建立神经网络预测模型时，有一些因素不能量化，因此只能当作参考。3神经网络机器学习的一般模型。可用三个部分来进行描述，其分别是：产生器（GenerateMachine）：产生独立同分布的实例数据x，即产生随机向量x，他们服从固定但未知的概率分布函数F（x）。---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---训练器（SampleMachine）：也称为目标算子（也叫训练器算子，训练器），对每个输入向量x得到一个输出值y，服从固定但未知的条件分布函数F（y|x）。学习机器（LearningMachine）：给定函数集Ω={f（x，α）|α∈A}，其中A为参数集，学习机器LM在学习标准下通过学习确定函数集Ω中的一个函数f（x，α0），α0∈Λ。学习机器LM观察数据对（x，y），训练后，学习机器必须对任意输入x给出输出y。本文主要运用BP神经网络的预测作用，用于房价的预测。影响房价的因素有很多，包括重庆市人均地区生产总值、供地价格、城镇居民人均可支配收入、城镇居民人均消费水平、房地产开发投资等等因素。这里我们利用过去十年的房价作为我们的样本集和测试集，并预测2017年的房均价。BP网络学习算法的具体步骤如下：从训练集中取一些样本，把它的输入信息输入到网络中；由网络正向计算出各层节点的输出；计算网络的实际输出与期望输出的误差；从输入层起始反向计算到隐层，按一定原则向减小误差方向调整网络的各个联接权值；对训练样本集中的每一个样本重复以上步骤，直到对整个训练样集的误差达到要求为止。4房价预测模型分为神经网络的训练和预测两部分，具体操作如下：（1）选取训练集数据来构造训练样本。本文选择对房价影响最大的因素GDP为训练样本。（2）对房价训练样本数据进行预处理，为避免原始数据过大造成神经网络瘫痪，我们对训练样本进行预处理，将数据归于{0，1}内，这样可以尽可能平滑处理数据，从而减少预测结果噪声。（3）建立并训练预测模型，建立一个含2个输入层，3个隐层，1个输出层的神经网络，将2008——2016年的GDP数据作为输入样本导入网络，将2008——--...