住宅房地产估价中BP 神经网络的应用分析

李光明

江苏天元房地产评估造价集团有限公司 江苏南京 210000

1 住宅房地产估价指标体系构建

BP 神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。在构建基于BP 神经网络的住宅房地产估价模型中，首先需建立起住宅房地产估价指标体系。指标体系建立过程如下：

1.1 选取案例

在相似度较高的房地产区位分布、交易时间以及用途等条件下，选取具有可比较性的住宅房地产交易案例，分析交易案例中影响价格的因素。根据待估住宅房地产的特点，结合房地产评估的目的，确定影响住宅房地产价值的重要因素，将其视为价格修正因素[1]。

1.2 确定指标

一般情况下，影响住宅房地产价值的因素包括宏观因素、实体因素、区位因素、环境因素，其中宏观因素对所有房地产的影响程度一致，可剔除。所以，只需考虑其他三项因素，将实体因素、区位因素、环境因素确定为一级指标，并在各一级指标下设二级指标，共14 项，具体如下：

（1）实体因素（一级指标）。下设基本构造、建筑结构、工程质量、装修情况、新旧程度5 项二级指标。

（2）区位因素（一级指标）。下设区位位置、医疗情况、交通情况、教育资源、商业繁荣5 项二级指标。

（3）环境因素（一级指标）。下设卫生环境、视觉环境、社区文化、社会治安4 项二级指标。

1.3 指标量化

对上述住宅房地产估价指标进行量化处理，尤其要对定性指标进行科学量化，可采用主观赋权法、专家打分法进行量化。具体如表1 所示。

2 住宅房地产估价中BP 神经网络的应用

2.1 构建模型

基于BP 神经网络构建起住宅房地产估价模型，设计输入层、输出层、隐含层节点数，确定模型在神经网络中的各项参数。

（1）输入层。该层节点数为样本矢量维数，在BP 神经网络训练中要关注输入变量之间的相关性，选择相关性小的变量，将变量与参考数进行对比，剔除可靠性差的数据[2]；输入变量是房地产估价指标，所以节点数为14。

（2）输出层。该层节点数为输入信息的种类数，通过拟合函数计算输出空间维数；输出值为房地产评估价值，所以节点数为1。

（3）隐含层。该层数目越多，则神经网络处理大量数据的能力越强，可提高数据处理的精确度，但与此同时神经网络训练也会更加复杂。通过多次试验证明，将隐含层数目设定为4 时，不仅可匹配输入层与输出层节点数，而且还会降低BP 神经网络泛化能力。

2.2 训练神经网络

BP 神经网络初始权值在[-0．5,0．5]；BP 神经网络训练中确定的期望训练误差为0．00004；BP 神经网络学习率取值在[0．1，0．7]。建议运用MATLAB 提高BP 神经网络的训练效率，在MATLAB 的工具箱中建立BP 神经网络房地产估价模型，利用NFWEF 函数完成表达式，需输入样本个数、输入变量个数、隐含层节点数、传递函数、训练函数、学习函数、绩效函数、输入处理函数、数据分区等参数，之后再对上述函数进行调整优化，建立出模型。将各项指标参数导入到模型中，设置初始参数，开始BP 神经网络训练，训练集为全部样本数据的70%[3]。

3 结语

表1 房地产估价指标变量及量化描述表

综上所述，BP 神经网络在住宅房地产估价中的应用主要包括选取案例、确定指标、构建模型、训练神经网络、检测模型、估价结果输出六个环节，需要构建起合理的房地产估价指标体系，并借助MATLAB 软件建立BP 神经网络估价模型，实现对住宅房地产评估的程序化设计，有效解决模型参数输入输出中的非线性问题，从而保证住宅房地产估价的准确性，提高住宅房地产估价的工作效率。