大数据背景下的房价归因模型

房价由于与国计民生休戚相关,而成为了当今社会最热门的话题之一,所以数十年来,为了对房价进行更加精准的预测,大量国内外各领域的专家和学者都致力于建立一个精度较高的房价预测模型,促使房价预测理论不断丰富和完善。但从以往的研究来看,大多数模型对于房价预测的效果都不够理想,鉴于此情况,本研究着眼于影响房价的因素,基于多元线性回归模型,提出了基于多种方法的房价归因模型,比较有效地甄选出了对于房价影响力比较大的因素,在一定程度上改善了预测效率和精度。     

基于RNN的房地产估价回归模型

随着机器学习及相关领域的飞速发展,机器学习也随之进入到房产行业,科学地对房价进行评估和预测.由于现有的方法存在着精度不高等问题,提出一个新的更复杂的分析模型.该模型是基于所收集的房屋数据信息,然后利用一个递归神经网络结合XGBoost树的新模型,对这些数据进行分析,从而实现对房价的预测.通过实验表明,这个模型相对于现有...     

基于数据挖掘的图书馆借阅量预测研究

图书馆借阅量受多种因素影响，导致传统基于线性回归和灰色理论的预测方法预测精度较低。针对该问题，引入数据挖掘理论和方法，提出一种基于因子分析(FA)模型联合粒子群(PSO)优化BP神经网络的图书馆借阅量预测模型。利用FA对借阅量原始数据进行建模分析，确定与借阅量密切相关的公共因子，将公共因子作为BP神经网络模型的输入神经元，进而建立预测模型实现对未来借阅量的预测，同时针对BP神经网络模型初始参数设置难题，提出改进的粒子群算法进行全局寻优，提升预测精度。仿真实现表明，所提模型相对于对比方法预测精度更高，整体预测性能更加优越。     

基于集成学习算法的房价预测模型

如何有效预测房屋价格,对地方经济发展具有十分重要的作用。房屋价格作为一个综合指标,受诸多因素的影响,目前的房价预测模型大多数为单一模型,存在精度低、泛化能力差、容易过拟合等缺点。针对这些问题,提出基于特征选择与集成学习的房价预测模型。首先,选用ElasticNet、LightGBM、支持向量回归（Support Vector Regression,SVR）、梯度提升决策树（Gradient Boosting Decision Tree,GBDT）作为基础模型,采用随机森林进行特征重要度排序,并进行特征选择。其次,对这4个基础模型分别进行训练,使用blending方式进行融合。最后,在AmesHousing数据集上验证这个模型的有效性。验证结果表明,相对于单一的预测模型,集成学习模型能够提高预测精度,具有更好的泛化性能。     

基于Python爬虫的二手房信息数据可视化分析

利用Python网络爬虫技术对各大城市的二手房信息进行爬虫分析,通过数据可视化技术,直观地展示二手房价和房源数量的城市分布及市场热点,分析二手房源的面积、价格、户型情况等二手房市场现状,为政府干预房地产业提供参考,也为购房者提供帮助。     

基于BP的森林未来收获量预估

利用神经网络，根据森林资源连续清查的固定样地调查资料，建立森林未来收获量预测，并对所建立的模型进行适应性检验。检验结果表明用人工神经网络的方法对森林未来收获量的动态变化是可以满足林业生产经营的精度要求。     

基于优化的非等间距灰色模型对健康的预测

针对通过有限的不等时间间隔的健康数据预测未来健康情况难度较大，传统的非等间距灰色预测模型在应用中精度偏低的问题，本文提出一种优化的非等间距灰色马尔科夫预测模型。首先，该模型通过数据预处理和优化预测流程降低数据突变对预测结果造成的影响；其次，设计最佳权重系数来优化模型的构建；最后，采用灰色和马尔科夫修正相结合的策略对残差进行修正。经过实例和对比分析，结果表明，该优化模型具有更高的预测精度，从而可以相对准确地预测短期健康情况。     

基于ARIMA模型与DES模型的政府卫生支出预测

基于2006-2019年辽宁省政府卫生支出历史数据，分别构建了差分自回归移动平均（ARIMA）模型和二次指数平滑（DES）模型，对辽宁省未来五年政府卫生支出进行预测。结果表明，ARIMA模型与DES模型均具有较高的预测精度，并且ARIMA模型较DES模型有明显优势。该研究可为政府优化医疗卫生政策提供参考。     

基于BASFPA-BP的可靠性预测模型研究

软件可靠性预测以软件可靠性预测模型为基础，对软件的可靠性以及与其直接相关的度量进行分析、评价和预测，利用软件运行中所收集的失效数据对未来的软件可靠性进行预测，成为了评估软件失效行为和保障软件可靠程度的重要手段。BP神经网络结构简单、参数少、易实现，在软件可靠性预测领域已经得到了广泛应用。然而基于传统BP神经网络搭建的软件可靠性预测模型的预测精度无法达到预期目标，因此提出了基于BASFPA-BP的软件可靠性预测模型。该模型利用软件失效数据，在BP神经网络训练过程中利用BASFPA算法优化网络权值、阈值，从而提高模型的预测精度。选用3组公开的软件失效数据，将实际值与预测值的均方误差作为预测结果的衡量标准，同时将BASFPA-BP与FPA-BP,BP,Elman这3种模型进行对比研究。实验结果表明，基于BASFPA-BP的软件可靠性预测模型在同类型模型中实现了较高的预测精度。     

基于随机森林算法的用电负荷预测研究

为了解决当下用电负荷预测精度不高,难以很好模拟实际用电负荷的分布情况而不能对未来的负荷数据进行合理预测的问题,实现了基于随机森林的分类模型、回归模型以及结合Weka的时间序列模型,对某省份的负荷数据进行预测,通过对不同模型的大量的实验及评估,发现这三个模型皆能合理地预测未来的用电负荷数据。此外,在同一评估指标下随机森林算法结合WEKA中的时间序列模型的方法能够较好地预测未来时刻的负荷数据。     

CAR-BPNN在股票价格预测中的应用

研究股票价格准确预测问题,股票价格变化具有非线性、时变性,且含有噪声,单一或传统线性预测模型不能全面反映其变化规律,预测精度低,误差大。为了提高股票价格预测精度,提出一种组合的股票价格预测模型(CAR-BPNN)。首先采用主成分分析对股票价格数据进行预处理,消除噪声,然后采用CAR对线部分进行预测,BPNN对非线性部分进行预测。采用熵值法确定CAR和BPNN对预测结果进行组合,获得股票价格的最终预测结果。通过股票价格实际数据对CAR-BPNN进行测试,测试结果表明,CAR-BPNN充分利用两种模型的优点,比单一模型的预测精度更高,可以为股票价格精确预测提供依据。     

基于EMD改进的Elman神经网络对股票的短期预测模型

Elman神经网络在短期预测股市收盘价时存在预测趋势良好但准确度较低的问题。在Elman神经网络的思想上提出以经验模态分解EMD为基础的Elman新组合模型。应用EMD将各交易日的收盘价序列分解成不同时间尺度上的本征模函数IMF分量和剩余分量,进而利用偏自相关函数PACF计算每一个分量的滞后期,以确定各分量在Elman神经网络中的输入和输出变量,从而得到各分量的预测值,相加得到最终的预测结果。与EMD单一网络、EMD-Elman模型、BP网络及EMD-BP模型进行实验对比,结果表明:该短期预测模型的预测值均方误差、平均绝对误差和平均绝对百分比误差都得到较大的改善;新组合模型可有效实现对股票收盘价的短期预测,且能降低非平稳性对预测结果的影响。该研究为进一步预测股市的走向提供了有效依据,也为投资者提供了更充分的决策参考。     

股票价格预测的建模与仿真研究

研究股票价格准确预测问题,由于股票价格数据具非线性、随机性等变化规律,同时股票市场与国内外经济政治变化有关,传统股票价格预测方法只能对其线性变化规律进行准确预测,无法反映股票价格非线性部分进行有效建模,导致股价预测精度不高。为了提高股票价格预测精度,提出了一种遗传优化BP神经网络的股票价格预测模型。充分利用BP神经网络良好的非线性映射能力,对股票价格变化规律进行建模,并通过遗传算法对BP神经网络模型参数进行优化,从而获最优股票价格最优预测模型。实验结果表明,相对于传统股票价格预测模型,遗传算法优化BP神经网络的股票价格预测模型拟合程度更好,预测精度更高,为股票价格预测提供了依据。     

Determinants of house prices in Turkey: Hedonic regression versus artificial neural network

Determinants of house prices in Turkey are examined in this paper using the 2004 Household Budget Survey Data. In property valuation and housing market research, the locational value is usually analyzed by hedonic methods that use multiple regression techniques on large data sets and require a formality based on microeconomic theory in the analyses. Because of potential non-linearity in the hedonic functions, artificial neural network (ANN) is employed in this study as an alternative method. By comparing the prediction performance between the hedonic regression and artificial neural network models, this study demonstrates that ANN can be a better alternative for prediction of the house prices in Turkey.     

灰色神经网络在股票价格预测中的应用

研究股票价格预测问题,股票价格具非线性和不确定性变化规律。传统单一模型只能反映股票价格部分信息,预测精度不高。为了提高股票价格预测精度,在分析股票价格变化特征基础上,提出一种灰色神经网络的股票价格预测方法。首先采用GM(1,1)模型对股票价格进行预测,捕捉其线性、灰色变化规律,然后采用BP神经网络对GM(1,1)预测残差进行建模预测,捕捉其非线性和不确定性变化规律,最后两者结果相加得到股票价格最终预测结果。将灰色神经网络用于浦发银行(60000)股票收盘价为例预测,结果表明,相于传统预测模型,灰色神经网络提高了股票价格预测精度,更能全面挖掘股票价格变化规律,在股票价格预测中具有广泛的应用前景。     

基于ARIMA-BP组合模型的房地产价格预测方法研究

针对使用单一预测模型存在数据特征提取不充分,预测精度不高的问题,提出了一种基于ARIMA-BP组合模型的房地产价格预测方法。结合ARIMA模型处理线性问题的优势以及BP神经网络模型在非线性问题上的优势,利用误差方差加权平均训练法训练出最佳权重的组合并建立组合模型对某市区房地产价格和趋势预测进行实证分析。理论分析和实验结果表明,所提两者的组合模型有效解决了不能充分提取数据特征,预测精度不理想的问题,比单一预测模型能获得更准确的预测效果。     

基于图神经网络和长短期记忆模型的房价预测方法

针对目前仅单独考虑价格序列中样本的趋势或仅考虑多个关联属性与价格间的函数关系,而不能更准确地进行房价预测的问题,构建了时空注意力图卷积长短期记忆模型AG-LSTM,包含局部特征提取模块、区域特征提取模块、复合预测模块。局部特征提取模块分别使用同构图和异构图神经网络提取各小区及价格关系属性、各小区和配套邻居节点相关性的特征信息;区域特征提取模块先对邻近小区节点进行聚类,再结合图注意力网络获得小区节点对所属区域的重要性程度,建立区域与小区之间的映射矩阵,根据小区节点信息和映射矩阵得到区域特征;复合预测模块使用长短期记忆模型对由局部特征和区域特征组成的复合特征进行时序建模,实现房价预测。以链家网北京房价数据进行了实验,结果表明AG-LSTM预测结果优于已有基线模型。该模型同时挖掘了小区间位置关系、小区与其配套间位置关系、多个关联属性、价格时序趋势对房屋价格的影响,较好地实现了房屋价格的预测。     

基于后效时间长度的股票价格预测

研究股票价格准确预测问题,针对股票走势预测受政治经济变化等多种因素的影响,具有较强的时变性和非线性特性。传统方法多为线性系统的预测方法,不能有效提高预测精度。为准确确定股票走势后效的时间长度,提高预测精度,根据地统计学与支持向量机提出了一种新的股票价格预测方法。先对数据进行平稳化处理并以地统计学分析股票价格数据的结构性,确定后效时间长度,根据后效时间长度确定各样本的拓阶次数,并对数据进行主成分分析,消除各描述特征携带的噪音。最后采用非线性支持向量机对得到的主成分构建模型并预测。以深发展A股与上证A股两个数据集进行仿真,预测精度均明显高于参比模型。仿真结果表明,新方法能准确预测股价走势,且稳定性好,为股价预测领域提供了有效的手段。     

最优组合模型在证券市场预测中的应用研究

研究证券市场预测中的股票价格预测精度问题,股票价格受到政治、经济、投资者心理等多种因素影响,股票价格波动较大,系统具有非线性复杂变化规律,单一预测模型只能反映股票价格变化时段信息,预测精度比较低。为了提高股票价格预测精度,提出一种组合模型的股票价格预测方法。首先分别采用ARIMA、GM、RBF神经网络对股票价格进行预测,然后通过权重值获得最优组合预测模型进行股票价格预测。结果表明,组合预测模型提高了股票价格预测精度,降低了预测误差,克服了单一预测模型在股票价格预测中的缺陷,为股票价格等非线性系统准确性预测提供了参考依据。     

Residential property price time series forecasting with neural networks

The residential property market accounts for a substantial proportion of UK economic activity. Professional valuers estimate property values based on current bid prices (open market values). However, there is no reliable forecasting service for residential values with current bid prices being taken as the best indicator of future price movement. This approach has failed to predict the periodic market crises or to produce estimates of long-term sustainable value (a recent European Directive could be leading mortgage lenders towards the use of sustainable valuations in preference to the open market value). In this paper, we present artificial neural networks, trained using national housing transaction time series data, which forecasts future trends within the housing market.