城市房地产供应量预测模型及应用(图文)

城市房地产供应量预测模型及应用(图文)随着我国经济的不断发展，城市化进程也在不断加快，因此城市房地产市场成为一个重要的经济领域。对于房地产市场参与者来说，了解城市房地产供应量的预测情况对市场分析和投资决策具有重要意义。本文将介绍一个城市房地产供应量预测模型及其应用。一、模型介绍本文采用的城市房地产供应量预测模型为时间序列模型——ARIMA模型（自回归移动平均模型）。ARIMA模型是一种基于时间序列的预测模型，可以对未来一定时间内的数据进行预测。ARIMA模型包括自回归模型（AR模型）、移动平均模型（MA模型）和自回归移动平均模型（ARMA模型）。其中，AR模型是指一组与前一时期的观察结果相关的线性回归模型，MA模型是指一组与当前随机误差项相关的线性回归模型，ARMA模型则是两种模型的结合。ARIMA模型基于以下假设：1.时间序列具有趋势性或周期性或季节性或随机波动性等变化模式。2.时间序列的任意一段观察值之间存在序列相关（即某一时期的观察值受到其前面一段时间观察值的影响）。3.时间序列的相关性能够被用过自回归和移动平均的线性组合来解释。基于这些假设，ARIMA模型可以对未来一定时间内的数据进行预测。二、数据收集本文采用的数据为某市区房地产供应量的历史数据。数据时间范围为2015年1月至2019年12月，共60个月份。数据来源于该区市政府统计局。三、模型构建1.模型的平稳性检验首先，需要检验时间序列数据是否平稳。平稳性是时间序列模型的核心假设，不满足平稳性条件的数据不能用于时间序列模型的构建。检验平稳性可以通过观察时序图、自相关图和偏自相关图等方法。以下图表为例：时序图：自相关图：偏自相关图：通过观察，可以发现该时间序列数据并没有平稳性，因此无法用于ARIMA模型的构建。需要对数据进行差分操作，将其转化为平稳时间序列。2.模型的选择经过一定的差分操作之后，就可以选择合适的ARIMA模型。选择模型的方法可以采用信息准则（AIC和BIC）和残差检验（Ljung-Box检验）等方法。通过使用Python中statsmodels库的ARMA函数，试探多个ARIMA模型，最后得出AIC值最小的模型。该模型的自回归项p=1,移动平均项q=2。3.模型的拟合对于该模型，需要对其进行参数估计，即对p和q的值进行估计。Python中的statsmodels库中提供了ARIMA函数，将参数传入该函数中，即可获得拟合后的模型。在本文中，我们将数据集的前50个月份用于训练模型，后10个月份用于测试模型。训练得到的模型对测试数据进行预测。四、模型应用根据训练得到的模型，对测试集进行预测。以下图表为例：原始数据：预测结果：可以发现，模型预测的趋势与实际数据基本一致，且