基于遗传算法改进的BP神经网络房价预测

曹亚飞 郭亚萍

摘 要：商品房的价格受多方面因素的影响，传统的预测方法并不十分有效。为了探索新的房價预测理论模型，利用重庆市的数据，验证了遗传算法改进的BP神经网络房价预测的有效性，从而可以对房地产供求双方及监管机构提供一定的参考。

关键词：遗传算法；BP神经网络；房价预测；重庆市房价

文章编号：1004-7026（2018）14-0035-01 中国图书分类号：TP183 文献标志码：A

商品房作为生活的必需品和重要的投资领域，价格走势一直受到社会各层的广泛关注，房地产市场的过热或者过冷都不利于我国经济的可持续发展，其健康发展关联的不仅仅是这个市场，也直接关系到人民对美好生活的需求。由于房地产市场的复杂性和多变性，以传统计量方法为基础建立的经济模型大多是线性的，与实际误差较大，在当前大数据+机器学习的时代背景下，遗传算法改进BP神经网络为房价走向的预测提供了新的方法。

1 遗传算法改进的BP神经网络基本原理

BP神经网络也被成为误差反向传播神经网络，其学习过程分为数据的正向传播和误差的反向传播。在正向传播时，模型作用在输入层，数据从输入到输入层后，隐含层会逐层处理数据，进而传导到输出层。如果输出层实际输出和标准的期望输出有差距，那么就会进入到误差的反向传播进程。反向传播过程就是将误差传导到隐含层，在隐含层内向输入层不断返回数据，并传导到不同的神经单元，得到不同层单元的误差信号后会将其不断修正，使得连接权值误差不断减小。BP 神经网络的学习过程就是通过不断调整这种连接权数误差的过程，并最终使得输出的均方误差达到要求的标准。

遗传算法是一种模拟自然淘汰和生物进化过程的新型计算模型，其是受达尔文进化论的启发而提出的一种启发式搜索算法。通过将需要解决的函数关系模拟为一种生物进化的过程，可以经过交叉检验选择淘汰过滤掉那些适应性低的函数个体，并增加高适应性个体数量，在多代的循环过程之后，最终可以产生出一系列符合条件的个体。因此，可在BP神经算法学习训练时用遗传网络算法对其权数和阈值来寻求最优化，在缩小范围之后再利用BP神经网络进行预测[1]。

2 基于遗传算法改进的BP神经网络重庆市房价预测模型

2.1 变量的选取

根据BP神经网络的基本原理，本文选取2005—2015年重庆市房价影响相关因素的数据来进行学习训练，具体指标选取有：人均GDP（元）、所在地商品房投资额（亿元）、所在地人均住房面积（平方米）、所在地人均可支配收入（元）、所在地年人均支出（元）、所在地常住人数（万人）、所在地商品房年销售面积（万平方米）和商品房地价8个影响房价的指标作为输入变量节点。隐含节点的个数由公式：m=■+？琢决定，参数的具体数值通常由固定经验来决定，a一般为1～12之间的常数，m为输入变量个数，n为输出变量个数。

2.2 训练样本和预测样本的构造

基于遗传算法改进BP神经网络模型中建立一个8个输入层， 1个输出层的学习训练模型，通过将重庆市2005—2015年相关指标数据输入，不断调整隐含层权重阈值，学习间隔为用前3年的房价数据对下一年房价作出预测，在遗传算法改进下，BP神经网络的参数处于不断的修正当中，并在学习训练的过程中达到理想的预测精度。

2.3 神经网络的训练和结果

通过用遗传算法对BP神经网络改进，利用2005—2015年的各指标数据对学习训练过后的BP神经网络模型对重庆市2016年和2017年房价进行预测，再与统计局公布的真实房价数据对比，预测数据与真实数据的误差平均方差为1.1665e-005。从实际的结果来看，模型预测2016年房价为6 822.6元/m2，2017年房价为7 942.7元/m2。根据重庆市统计局的数据，2016年重庆市商品房销售均价为7 116元/m2，2017年商品房销售均价为8 324元/m2，与预测所得到的结果误差在5%以内，预测具有较高的可信度。

3 结束语

首先，对遗传算法和BP神经网络进行介绍，其次，利用遗传改进的BP神经网络算法对重庆市房价进行了预测，通过与实际数据进行对比分析，发现遗传算法改进的BP神经网络具有一定的预测价值，可对各方提供参考。但由于商品房价格形成机制复杂，还受到各地调控政策、宏观经济环境等因素影响，一定程度上影响了对房价预测的客观性，但这并不影响模型的预测价值。

参考文献：

[1]王筱欣，高攀.基于BP神经网络的重庆市房价验证与预测[J].重庆理工大学学报（社会科学），2016，30（9）：49-53.