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。     

基于时间序列的小波神经网络蔬菜价格预测模型

为准确预测蔬菜价格变化规律,现以合肥市周谷堆农产品批发市场2005年~2014年白菜月度市场价格及相关影响因素数据为样本,通过主成分分析,利用小波神经网络智能分析方法,构建基于小波神经网络的价格预测模型,并与BP神经网络模型比较。结果表明,小波神经网络预测模型的预测精度比BP神经网络更高,且更加的稳定。该模型的构建对蔬菜价格的稳定、农业管理部门的决策支持具有重要的理论研究意义和实际价值。     

基于GA-BP-AdaBoost 强预测模型的大坝变形应用

基于大坝变形量与多影响因素复杂非线性关系问题,提出了基于遗传算法优化BP 神经网络的AdaBoost 强预测模型( GA-BP-AdaBoost) 。算例分析表明,该强预测模型融合了遗传算法全局优化和BP 神经网络的局部寻优的特点,同时AdaBoost 强预测器通过给弱预测器的预测序列赋予不同的权重,综合不同预测序列的精度优势,实现了AdaBoost 强预测器“优中选优”的目的,最大限度地提高了预测精度,验证了本文基于遗传算法优化BP 神经网络的AdaBoost 强预测模型在大坝变形监测中的可行性和实用性。     

结合自适应遗传算法与弹性BP神经网络的亚硝酸盐预测模型

针对目前营养盐检测主要是通过化学方法实现,无法获得在线检测的问题,利用营养盐与其影响因子之间的关系,提出结合自适应遗传算法与弹性BP神经网络的预测模型.利用改进的自适应遗传算法,通过交叉、变异获取弹性BP神经网络的初始权值与阈值,加速预测过程.该模型通过营养盐影响因子数据,预测亚硝酸盐浓度.仿真结果表明:基于弹性BP神经网络的预测模型预测营养盐浓度是可行的,其预测得到的亚硝酸盐浓度值的相对误差主要集中于0~30%;结合自适应遗传算法与弹性BP神经网络的预测模型的预测效果好于基于弹性BP神经网络的预测模型.     

基于DE-BP和DE-SVM的风电功率预测研究

为提高风电功率预测精度,提出基于差分进化算法优化BP神经网络和支持向量机的组合预测方法,以进行风机发电功率预测.选取风速和风向角作为风机的影响因素.使用内蒙古某风电场实际数据对预测模型进行仿真,最终结果表明:组合预测方法比单一的BP神经网络或者支持向量机预测模型的准确性和有效性更高.     

基于改进灰色神经网络的房地产价格走势分析

针对房地产价格走势状况,通过对灰色预测模型GM（1,1）和BP神经网络的研究,将两大模型进行组合改良,形成新的组合灰色神经网络预测模型,以南京市中房指数为例,以Matlab为预测工具,进行2013年12个月份的价格指数预测,研究结果证明新的组合预测模型精度较高,可为房地产价格指数的预测和研究提供参考依据。     

基于神经网络的污水出水COD预测模型

研究了在污水处理过程中基于BP和RBF神经网络的活性污泥法污水处理系统建模方法,利用重庆唐家桥污水处理厂的监测数据对基于BP和RBF神经网络建立的污水处理厂出水COD预测模型进行了仿真分析,讨论了2种模型的学习效率和影响预测精度的诸多因素,同时对污水处理出水COD浓度预测模型进行了优化,最终确定了基于神经网络的污水处理厂出水水质预测模型.最后还使用重庆唐家桥污水处理厂的监测数据对确定的模型进行了应用实证研究.     

基于多层聚类和改进BP神经网络的短期负荷预测

随着电网规模的扩大,数据量的急剧增加,漏采、误采等不良数据及数据冗余会对短期负荷预测产生负面影响,造成预测准确度下降,预算结果无法正常使用.针对这些现象,提出一种基于多层聚类和改进BP神经网络的负荷预测模型.该模型基于多层聚类对原始数据进行预处理,选取形成与待预测数据相似的样本数据集,建立基于改进BP神经网络的预测模型.多层聚类模型减小了输入改进BP神经网络的数据量,避免了不良数据对预测模型造成的影响,预测模型更贴近待预测数据特点;改进BP神经网络避免了在训练过程中陷入局部最小解.预测结果表明:相比模糊C均值聚类方法,多层聚类与改进BP神经网络的负荷预测方法提高了预测精度与预测速度.     

煤层含气量预测的BP神经网络模型与应用

为了对煤层含气量进行定量预测,采用BP神经网络预测方法,建立了煤层含气量预测的BP神经网络模型．以沁水盆地南部主采煤层为对象,分析得出了影响沁水盆地南部煤层含气量分布的主要控制因素有煤层有效埋藏深度、煤变质程度和煤岩、煤质特征等,选择了煤层有效埋藏深度、水分与灰分以及镜质组最大反射率3参数作为BP神经网络模型的基本特征量,建立了煤层含气量与这些因素之间的相关关系和BP神经网络预测模型,对煤层含气量进行预测分析．结果表明：BP神经网络模型具有极强的非线性逼近能力,能真实反映煤层含气量与主控因素之间的非线性关系,预测结果与实测值之间误差小,相对误差小于10%,预测效果明显地优于基于朗格缪尔方程的煤层含气量预测模型．     

基于小波神经网络的松江区PM_(2.5)浓度预测

鉴于细颗粒物(PM2.5)浓度(质量浓度ρ,全文同)影响因素的复杂性,以及传统预测方法中存在的困难和不足,基于小波神经网络,利用松江区环保局PM2.5的浓度数据,建立了短时PM2.5浓度预测模型.通过与灰色理论预测模型、BP神经网络预测模型的对比试验分析,发现基于小波神经网络预测模型的预测值与实际值之间的误差最小,更能准确地反映样本数据之间的映射关系,预测精度明显高于其他两种预测模型.     

基于小波神经网络的房地产价格指数预测研究

要对非线性趋势房地产价格指数进行预测,就必须利用模拟非线性的模型。应用BP神经网络来对房地产价格指数进行预测,精度和收敛的速度都不是很理想,这主要是因为BP神经网络本身存在着缺陷。为了克服BP神经网络的缺陷,本文将小波变换和BP神经网络结合起来,运用小波神经网络来对房地产价格指数进行预测,并与BP网络的预测结果进行了比较,最后发现用小波神经网络进行经济预测可以达到很好的效果。     

基于BP神经网络的轨道交通对房地产价格影响分析

基于轨道交通对房地产影响的复杂性和不确定性,运用基于投标租金模型的BP神经网络模型,以北京八通线起点站为中心,选取13组楼盘为样本,以住宅价格为输出层,以汇集时间、行车时间为输入层,采用仅有一个隐含层的3层神经网络进行分析,得出交通成本与住宅价格的神经网络模型．结合样本数据验证了模型的准确性,为人们准确进行房地产收益开发预测提供了一种有效的方法．     

基于SD模型的湘潭市房地产住宅价格影响因素分析

房地产是人类赖以生存和生活的基础和载体,是我国当前宏观经济中的支柱产业。2012年全国“两会”上房地产话题再次成为热议焦点,其中房价成为连续三年“两会”热点。本文通过统计年鉴、湘潭市房地产管理局、国土资源局等官方网站以及收集调研资料得到相关数据,对影响房地产价格的因素进行分析。论文的研究以湖南湘潭市为对象,利用系统动力学理论对湘潭市房地产住宅价格的影响因素建立系统动力学模型。     

编制城市存量房价格指数的难点及相应对策

城市存量房价格指数是房地产价格指数中的一种，用来反映城市存量房价格的波动情况，预测价格的变动趋势，指导市民理性交易，并同时为政府部门制定相应政策提供依据，由于城市存量房交易情况错缩复杂，在指数编制过程中会遇到很多疑难问题。本文首先对典型区域的选择问题，基期的确定问题，样本资料的选取问题进行了细致的阐述，并提出了相应的解决对策。随后本文对区域性因素调整问题从定性和定量两个方面进行了重点分析，并建议使用德尔菲法确定影响程序，从而在定性分析的基础上得出区域性修正系数，在定量分析的基础上介绍了存量房价格指数的计算方法。     

基于LS—SVM的福房价格指数预测

提出一种基于最小二乘支持向量机（LS—SVM）的福房指数预测方法。采用感知机核函数、多项式核函数和高斯核函数进行仿真模拟,经过参数选优建立了精度较高的福房指数预测模型。预测结果表明,利用LS-SVM模型进行预测具有误差小、拟合程度高等优点,可适用于房地产价格指数的预测。     

BP神经网络在商品住宅投资风险分析中的应用

将BP神经网络的理论应用于商品住宅的风险分析,通过构建分析模型,对样本进行了训练和检测,分析了我国房地产投资风险及其变化规律。旨在防范投资风险,促进房地产业健康发展。     

宏观经济对房价影响的实证分析

中国房地产市场自20世纪80年代末起步以来得到了飞速的发展,与此同时房价也节节攀升,宏观经济基本面对房价的影响也引起了关注。为了证实房价与宏观经济基本面之间的关系,选用货币供应量M1,和人均国内生产总值作为宏观经济的代表变量,通过计量模型对宏观经济与房价的关系进行了实证研究,结果表明,经济基本面的持续繁荣对资产价格尤其是住房价格有积极的影响,货币供应量M1对房价的影响也非常显著,并据此提出完善我国房地产市场调控的政策建议。     

基于线性回归的我国房地产价格影响因素分析

自2000 年以来,为维持我国经济高速增长,房地产改革拉开帷幕。在此大背景下我国房价上涨幅度逐渐增大,为研究房价上涨的影响因素,选取国家统计局2000-2015 年间相关数据,采用计量经济学的研究分析方法,运用最小二乘法、WD 检验、BG 检验、WHITE 检验、ARCH 检验等计量方法,对国内生产总值,居民消费价格指数,年末总人口,房地产开发企业竣工房屋造价,房地产开发企业土地购置费用,房地产开发企业竣工房屋面积六个变量因素对住宅商品房平均销售价格的影响程度进行了研究分析。经过逐步分析法得出,房价的影响因素主要跟国内生产总值和年末总人口之间存在显著的线性关系。就此结论进行分析并给出了一些建议。