基于動量BP算法的神經(jīng)網(wǎng)絡(luò)應(yīng)用研究

游美莉 程建君

摘 要：人工神經(jīng)網(wǎng)絡(luò)是近十幾年來學(xué)者們研究的熱點(diǎn)，回顧了BP神經(jīng)網(wǎng)絡(luò)模型及其特征，根據(jù)BP神經(jīng)網(wǎng)絡(luò)算法以及影響房價的因素分析，建立了房價預(yù)測模型。運(yùn)用MATLAB軟件通過訓(xùn)練網(wǎng)絡(luò)，預(yù)測2015年該市房產(chǎn)均價。實(shí)驗結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)能在有限的數(shù)據(jù)條件下，在預(yù)測方面具有良好的效果，為我國房地產(chǎn)業(yè)的可持續(xù)發(fā)展提供了科學(xué)的咨詢和決策手段。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；預(yù)測模型；METLAB仿真實(shí)驗

中圖分類號：F27

文獻(xiàn)標(biāo)識碼：A

文章編號：16723198（2015）23006701

1 引言

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡寫為ANNs）是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。20世紀(jì)80年代，美國物理學(xué)家J.J.Hopfield建立全互連神經(jīng)網(wǎng)絡(luò)模型，以及Rumelhart，McClelland等學(xué)者提出反向傳播（Back Propagation，簡稱BP）學(xué)習(xí)算法，人工神經(jīng)網(wǎng)絡(luò)的研究才獲得了飛速發(fā)展，目前，對人工神經(jīng)網(wǎng)絡(luò)理論的應(yīng)用已滲透到多個領(lǐng)域，如在智能控制、模式識別、自適應(yīng)濾波和信號處理、傳感技術(shù)和機(jī)器人、非線性優(yōu)化、知識處理、生物醫(yī)學(xué)工程、金融預(yù)測和管理等方面都取得了令人鼓舞的成果。

本文在前人研究的基礎(chǔ)之上，通過搜集相關(guān)的數(shù)據(jù)，建立BP神經(jīng)網(wǎng)絡(luò)模型并通過MATLAB仿真實(shí)驗得出預(yù)測的結(jié)果對于鄭州市政府和市民在進(jìn)行房地產(chǎn)管理和購房上面提供了一定的參考和決策依據(jù)，從這方面來說本文具有一定的現(xiàn)實(shí)意義。

2 基于動量BP算法的神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

2.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，80%-90%的人工神經(jīng)網(wǎng)絡(luò)模型都是用的BP神經(jīng)網(wǎng)絡(luò)（圖1）或者是它的變形形式，它也被稱為是前向網(wǎng)絡(luò)的核心部分。

2.2 房價預(yù)測模型構(gòu)建

經(jīng)濟(jì)因素，主要是國家、地區(qū)或城市的經(jīng)濟(jì)發(fā)展水平、經(jīng)濟(jì)增長狀況、產(chǎn)業(yè)結(jié)構(gòu)、就業(yè)情況、居民收入水平、投資水平、財政收支、金融狀況。這些因素會影響房地產(chǎn)市場的總體供求，特別是影響需求；社會因素，包括人口、家庭、城市化狀況等。其中，人口因素包括人口的數(shù)量、密度、結(jié)構(gòu)（如文化結(jié)構(gòu)、職業(yè)結(jié)構(gòu)、收入水平結(jié)構(gòu)等）；影響房價的因素還有很多，比如房地產(chǎn)自身及其周邊環(huán)境狀態(tài)，建筑物的外觀、設(shè)備配置狀況等。但在建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的時候，這些因素不容易被量化，無法納入模型的訓(xùn)練樣本中。在本文的模型構(gòu)建中，選取5個（地區(qū)GDP、人均可支配收入、常住人口數(shù)、房產(chǎn)開發(fā)投資、居民CPI）與房價密切相關(guān)的因素作為模型的輸入變量。

本文使用動力BP算法計算出2015年的數(shù)據(jù)，即根據(jù)2004和2005年的數(shù)據(jù)預(yù)測2006年的數(shù)據(jù)，以此類推來預(yù)測2015年的數(shù)據(jù)。

3 實(shí)證分析

為了提高算法訓(xùn)練速度和靈敏性，現(xiàn)將數(shù)據(jù)進(jìn)行歸一化處理。利用MATLAB軟件建立BP網(wǎng)絡(luò)，輸入

樣本數(shù)據(jù)，初始化Epochs值和精度值，設(shè)置最大迭代

次數(shù)和誤差，并設(shè)置動量因子mc、學(xué)習(xí)率。應(yīng)用sim函數(shù)進(jìn)行仿真，最后對結(jié)果進(jìn)行反歸一化。

由上圖可以看出，網(wǎng)絡(luò)在經(jīng)過8次訓(xùn)練之后，誤差低于0.1，迭代進(jìn)行到12次之后，誤差達(dá)到預(yù)期的目的，網(wǎng)絡(luò)停止訓(xùn)練。利用編好的程序，預(yù)測2012和2013年的房價，由于2012和2013年的房價已經(jīng)公布，因此可以將預(yù)測得到的值與實(shí)際值進(jìn)行比較，得到表2。

通過比較可知，2013、2014年對房價預(yù)測的誤差在訓(xùn)練要求的范圍內(nèi)，通過MATLAB軟件進(jìn)行預(yù)測得到2015年的房價為10068元/平方米。

4 結(jié)論及展望

（1）通過以上結(jié)果可以看出，利用動量BP算法進(jìn)行房價的預(yù)測是有良好效果的。

（2）文中只選取了對房價影響較為重要的5個因素作為輸入變量，在以后的研究中，可以考慮把較為重要的其他因素考慮進(jìn)去，看看考慮多方面因素是否能夠提高BP神經(jīng)網(wǎng)絡(luò)對房價預(yù)測的精準(zhǔn)度。

參考文獻(xiàn)

[1]TsungJung Hsieh，HsiaoFen Hsiao，WeiChang Yeh.Forecasting stock markets using wavelet transforms and recurrent neural networks：An integrated system based on artificial bee colony algorithm[J].Applied Soft Computing，2011，（11）.

[2]Pan Zhili，Huang Zhongmin，Wang Na，etal.Prediction of shelf life for quickfrozen dumping based on BP neural network and effective accumulated temperature theory[J].Transactions of the Chinese Society of Agricultural Engineering，2012.

[3]Melike Bildirici.Improving forecasts of GARCH family models with the artificial neural networks：An application to the daily returns in Istanbul Stock Exchang[J]. Expert Systems with Applications，2009.

[4]Chunqiao Mi，Jianyu Yang，Shaoming Li，etal.Prediction of accumulated temperature in vegetation period using artificial neural network[J].Mathematical and Computer Modelling，2010.

[5]朱英.改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型及其應(yīng)用[J].武漢理工大學(xué)學(xué)報（交通科學(xué)與工程版），2012.

[6]柳冬，王雯珺，謝海濱等.我國房地產(chǎn)價格影響要素分析與趨勢預(yù)測[J].管理評論，2010.

[7]石林梅，黃紅梅，李玉梅.我國住房價格的影響因素研究[J].統(tǒng)計決策，2014.

[8]付克蘭，張玲.BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型及應(yīng)用[J].電子技術(shù)與軟件工程，2015.