【基于灰色预测模型的W市商品房价格波动的影响因素分析及其预测建模仿真研究22000字（论文）】

基于灰色预测模型的W市商品房价格波动的影响因素分析及其预测建模仿真研究摘要随着住房政策的改革，房地产行业对我国国民经济的发展及人民生活的水平起着重大的影响作用，而对于房地产市场来说，最重要的就是价格问题。而影响房价的因素是相当复杂的，包括地理位置、交通情况、环境情况、该城市的GDP、消费水平等因素。因此本文先是对影响无锡市房价的因素进行了具体的分析，再对未来的房价进行一个简单的预测。首先，本文对无锡市房价影响因素进行了分析。一方面，本文通过灰色关联分析模型，并利用Excel软件，计算出每个指标的灰色关联度，按照标准每一个指标都通过了关联度的检验。且将这些指标的影响程度按照由高到低的排序为：城镇常住居民人均可支配收入、GDP、居民人均储蓄存款、商品房销售面积、竣工房屋面积、房地产开发投资额、常住人口、城镇失业率、CPI；另一方面，在灰色关联度的的基础之上，本文建立VAR模型，并利用Eviews软件，得出结论：地区生产总值对房价的贡献度最大，其次是居民人均储蓄存款。其次，本文对无锡市房价进行了预测。一方面，本文通过灰色预测模型，并利用Matlab软件，得到用该模型进行拟合的平均相对误差为9.65%，并且对2020-2025年的房价进行了一个简单的预测；另一方面，本文通过BP神经网络模型，并利用Matlab软件，得到用该模型进行拟合的平均相对误差为6.405%，并且对2020-2024年的房价进行了一个简单的预测。显然，利用BP神经网络模型来进行预测效果更好。关键词：无锡市房价；灰色关联分析模型；VAR模型；灰色预测模型；BP神经网络目录一、引言 年份商品房均价(元)地区生产总值(亿元)城镇常住居民人均可支配收入(元)常住人口（万人）房地产开发投资额(亿元)1990528160.441833417.711.8781991606184.822007421.222.4781992801304.062391423.95.4981993947441.413325426.5315.4919941024607.245045428.3220.6919951487761.115763429.1945.56199617368706500430.8235.6819971363960.016935432.2933.021998151710527178432.2134.04199916561138.017920433.442.07200017181200.28603434.6144.672001180813609454521.5649.3114200218131601.79988530.1277.0119200322161901.2211647536.23131.79220042534235013588547.14195.575920053679280516005559.51227.742920064000330018189584.17276.81120074573385820898599.21378.1224200853754419.523605610.73449.717120095997499225027619.57463.370620107765575827750637.44612.6662201186376679.0931638643.22877.7753201283857446.3735663646.55974.3675201378717919.8538999648.411128.9089201475508358.9841731650.011269.4837201578668685.9145129651.1991.6634201686819387.8148628652.91033.622620171060810511.852659655.31201.890320181148011438.6256989657.451314.858520191397711852.3261915659.151358.2905竣工房屋面积(万平方米)商品房销售面积(万平方米)居民人均储蓄存款（元）CPI城镇失业率（%）122.5939.331337104.51.18156.6442.391737109.41.24207.1264.072093109.11.19314.2187.562437120.30.8345.6697.783287124.91.26430.16115.094708115.71.47437.7121.356792111.81.45374.38151.88790103.11.24339.03172.7110816100.91.96367.05180.391226499.92.3365.05218.231276398.62.8347.44201.8214785100.23.57395.0073235.361852999.23.75961.08304.56225461013.861190.72410.057125943104.13.481637.76596.7829311401023.271878.03648.577936032101.73.21949.97767.737736842103.83.281845.81537.3536938105.13.122276.291110.784358799.52.82885.471045.0748313103.42.562492.68659.888451497105.12.572710.6926.272657719102.52.43004.4909.436863029102.12.123618.27862.497966791102.21.913452.11986.905171259101.81.892231.931276.414174551102.31.851879.821182.087277148101.91.821026.131378.349583833102.31.781642.981380.424994463102.91.75代码A灰色预测模型代码clear,clcsymsab;c=[ab]';A=[367940004573537559977765863783857871755078668681106081148013977];B=cumsum(A);%原始数据累加n=length(A);fori=1:(n-1)C(i)=(B(i)+B(i+1))/2;%生成累加矩阵end%计算待定参数的值D=A;D(1)=[];D=D';E=[-C;ones(1,n-1)];c=inv(E*E')*E*D;c=c';a=c(1);b=c(2);%预测后续数据F=[];F(1)=A(1);fori=2:(n+6)F(i)=((A(1)-b/a)/exp(a*(i-1)))+b/a;endG=[];G(1)=A(1);fori=2:(n+6)G(i)=F(i)-F(i-1);%得到预测出来的数据endt1=2005:2019;t2=2005:2025;%多10组数据G;a,b%输出预测值、发展系数和灰色作用量H=G(16:21);h=plot(t1,A,'*',t2,G,'-');%原始数据与预测数据的比较set(h,'Linewidth',1.5);title('GM（1,1）模型的拟合与预测')xlabel('年份'),ylabel('房价')legend('原始房价','预测房价')disp(['拟合值：',num2str(G)])disp(['预测值：',num2str(H)])z=A(1)-b/aep=zeros(1,n);q=zeros(1,n);p=0;fori=1:neq(i)=A(i)-G(i);e(i)=abs(A(i)-G(i));q(i)=e(i)/A(i)*100;endf=100-mean(abs(q)),c=std(e)/std(A)fori=1:nifabs(e(i)-mean(e))<0.675*std(A)p=p+1;endendp=p/nr1=min(abs(e));r2=max(abs(e));fori=1:nr(i)=(r1+0.5*r2)/(abs(e(i))+0.5*r2);endr=sum(r)/n代码BBP神经网络代码%Backpropagation,supervisedlearning%%清空环境变量clcclearrand('seed',28)%%训练数据预测数据提取及归一化input=load('input.txt');%输入数据output=load('output.txt');%输出数据[m,n]=size(input);%计算输入数据的维度K=randperm(m);%对数据进行随机排列%定义一个变量M,表示选取训练样本的个数。M=11;input_train=input(K(1:M),:)';;%%训练输入output_train=output(K(1:M),:)';%%训练输出input_test=input(K(M+1:end),:)';%%测试输入output_test=output(K(M+1:end),:)';%%测试输出%选连样本输入输出数据归一化[inputn,inputps]=mapminmax(input_train);[outputn,outputps]=mapminmax(output_train);%%BP网络训练%%初始化网络结构net=newff(inputn,outputn,3);%5是隐含神经元的个数，连接权值21%设置训练参数net.trainParam.epochs=1000;%迭代次数net.trainParam.lr=0.1;%mse均方根误差小于这个值迭代停止net.trainParam.goal=0.00004;%学习率%网络训练net=train(net,inputn,outputn);save('net')%%BP网络预测%预测数据归一化inputn_test=mapminmax('apply',input_test,inputps);%网络预测输出an=sim(net,inputn_test);%网络输出反归一化BPoutput=mapminmax('reverse',an,outputps);%%结果分析L=length(output_test);error=abs(BPoutput(1,:)-output_test(1,:));R21=(L*sum(BPoutput(1,:).*output_test(1,:))-sum(BPoutput(1,:))*sum(output_test(1,:)))^2/((L*sum((BPoutput(1,:)).^2)-(sum(BPoutput(1,:)))^2)*(L*sum((output_test(1,:)).^2)-(sum(output_test(1,:)))^2));errorsum=sum((error));w1=net.iw{1,1};theta1=net.b{1};w2=net.lw{2,1};theta2=net.b{2};figure(1)plot(BPoutput,':og')holdonplot(output_test,'-*');legend('BPNNpredicteddata','Experimentaldata')title('BP网络预测输出','fontsize',12)ylabel('损耗量','fontsize',12)xlabel('sample','fontsize',12)string={['R^2='num2str(R21)]};title(string)%预测误差figure(2)plot(error./BPoutput,'-*');title('神经网络预测误差百分比')ylab