开题报告基于《Bp神经网络模型的西宁市房价预测与评估》

青海大学毕业论文开题报告申请课题基于BP神经网络模型的西宁市商品房房价预测与评估学号0833105111班级专业申请者联系电话Email：指导教师申请日期2012年03月05日青海大学财经学院管理科学与工程系第1页研究课题名称基于BP神经网络模型的西宁市商品房房价预测与评估起止年月2011年11月15日～2012年6月15日成果形式学士学位论文申请者姓名性别男班级指导教师姓名性别女职称讲师课题组成员学号姓名性别班级在本项目中的分工0833105111金龙传男08管理科学独立完成数据收集和论文撰写研究项目主要内容1.导论1.1选题背景1.2研究目的和意义1.3文献综述2.国内外房价预测研究现状2.1国外房价预测研究现状2.2国内房价预测研究现状3.BP人工神经网络模型3.1BP人工神经网络模型的发展3.2BP人工神经网络模型的基本原理3.3BP人工神经网络模型预测的步骤4.基于BP人工神经网络模型的西宁市商品房房价预测4.1BP网络预测模型的建立4.2基于影响西宁商品房房价因素的BP网络预测模型的建立4.3模型测试和结果分析4.4运用模型预测5.评价分析结果5.1西宁市商品房房价走势评估5.2西宁市商品房房地产发展状况评估5.3政府宏观调控政策影响评估6.总结第2页拟采取的研究方法和技术路线（包括研究工作的总体安排、步骤和各时间段的工作任务等）1.研究方法实证分析法，数学模型法，比较研究法2.技术路线2.1思路本文通过对影响西宁市商品房房价的多种因素进行分析，筛选出影响房价的最主要的几个因素并预测这些因素的数据的预测值，然后利用建立的BP神经网络模型在matlab软件上进行仿真学习，得出较准确的西宁市商品房房价的预测值。并且在此基础上对预测值及其走势进行评估，得出结论。2.2步骤及时间安排(1)2011年11月15日—2011年12月10日,选题;(2)2012年12月10日—2012年03月01日,查阅、收集相关文献资料并撰写开题报告;(3)2011年03月01日—2012年03月08日,提交开题报告;(4)2012年03月08日—2012年05月31日,撰写论文;(5)2012年05月31日—2012年06月15日,提交论文,答辩.最终成果描述：本文通过对BP神经网络模型的运用，对西宁市商品房房价进行了预测，并在此基础上对房价走势进行评估并针对分析结果得到结论，向准备购买商品房的人者提供一定的参考。也可以对房地产商的投资决策和政府为西宁市调控房价政策的定制提供理论上的依据。最终形成一篇学士学位论文。第3页本研究项目的背景、意义和应用前景，国内外研究概况，发展趋势，立论依据，本项目的特色或创新之处，研究方案的可行性分析和已具备的研究条件以及主要的参考文献、软件等）：1.选题背景和意义1.1背景现今，商品房市场作为城市经济体系的一个重要组成部分，它的价格变化跟人民大众的生活密切相关，房地产市场的健康发展影响到中国整个经济的前进，所以政府密切关注房价的变化并及时制定相关政策来稳定和规范房地产的发展，而近十几来年，政府从来没有放松过对房价的关注和调控。特别是近几年，房价经过了高速增长使得政府逐渐加大对房价的调控，以便稳定房价的发展，例如历史罕见的2011年的“三次调控”说明政府对房价调控的决心。然而到了最近2011年末，2012年初，全国大范围地出现一线城市商品房下降的趋势，有些城市甚至出现一二手房“倒挂”的现象，房价走势扑朔迷离，这一轮房价下跌令人们对2012年的房价走势更加关心。BP（BackPropagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一，经过二十几年的发展，BP神经网络模型在生物原型研究、建立理论模型、网络模型与算法研究、人工神经网络应用系统等方面得到了广泛的应用。现今，在经济学领域，BP神经网络模型也进行了许多探索，在经济预测方面受到许多学者的亲睐。1.2意义在理论上，用BP神经网络模型进行房价的价格和预测，比许多预测方法更为有效。有效地预测西宁市房价，实践了BP神经网络模型的应用，丰富了BP神经网络在经济学预测中的应用。在实际中，买房是民众所关心的大事，有房价发展趋势的指导可以对准备买房的市民有一个良好的指导和参考作用。同时本文对房价的发展趋势状况进行评估，为西宁房地产投资决策者和政府政策制定者提供一些科学借鉴.2.国内外研究状况及发展趋势2.1国内研究状况国内有关房价预测的方法大体分为两类，一类为定性预测方法，如判断预测法，评估法等；另一类是定量预测方法，如时间序列分析法，回归分析法、状态转移法、经济计量模型分析法和灰色预测模型等。此外还有多元回归、ARMA模型、ARIMA模型、灰色序列预测、BP网络预测、模糊神经网络、马尔科夫预测等方法.有较多学者采用趋势外推法、多元线性和非线性回归等数学分析方法，考虑了更多的影响因素和变量，也尝试着将灰色预测理论和神经网络模型引入商品住宅市场需求预测进行了有益的探索，如赵黎明等人（2001）在对天津商品住宅市场需求预测中对神经网络、灰色模型预测方法进行了开创性的探索.王金明和高铁梅（2005）利用可变参数模型对我国房地产市场需求和供给进行了动态的定量分析，分析表明，在影响房屋需求的诸因素中，收入弹性最大，其次是价格、利率弹性；在影响供给的因素中，价格和利率弹性都较大.吴秀丽和张峰（2007）采用时间序列分析法，以广州市几个有代表性的行政区的房价数据为分析对象来建立预测模型，并经过残差分析，对误差进行检验，结果预测值与实际观测值基本吻合，达到了预测的目的.2.2国外研究状况在过去二十多年中，在学术界分析城市住房价格常采用hedonicprice第4页methodology和repeat-salemethodology，国外对房价格变动的分析和研究比较深入.1981年，Nellis和Longbottom通过分析英国的数据试图解释英国商品住宅价格的决定因素.作者将商品住宅的需求定义为人口数量、社区中抵押贷款的资产存量、平均的商品住宅价格、个人收入、消费品价格和抵押贷款利率的真实函数，将供给定义为商品住宅价格和商品住宅存量的函数根据供给和需求相等的原理，得到一个关于平均商品住宅价格的简化公式，从而推导出商品住宅的价格.计量经济学的结论显示，收入是影响商品住宅价格的最重要的因素其次是抵押贷款利率和社区中抵押贷款的资产存量.Mmanning（1989）使用1980年美国94个MSA（MeasurementSystemAnalysis）的普查数据建立了住宅价格方程，他认为气候环境等非经济性的价格已被资本化到了土地和住宅价格中.除了人们收入因素、环境因素外，人口因素也经常被用来解释和预测住宅价格变动及其走向，Mankiw和Will（1989）通过研究美国20世纪70年代一些城市的住宅价格，认为二战后生育高峰起出生的一代人进入购房阶段是导致住宅房价格上涨的主要原因.Walden和Michaek（1990）、Hayes和Taylor（1996）、Haurin和Brasington（1996）就住宅附近学区的好坏与住宅价格之间的关系进行了研究，结果表明，学校教学质量与住宅价格之间有明显的相关性，及教学质量越好，附近住宅价格越高.在房价预测方法中美国的Case和Shiller(1990)采用平行数据回归分析，Clapp和Giaccotto(1994)简单的回归进行城市住宅价格的预测，Potepan（1996）采取两阶段最小二乘法进行不同城市价格的预测，Malpezzi（1999）采用平行数据回归分析，对不同的城市并非随机价格和差异性进行预测，针对价格收入比以及房价变化利用误差修正模型得出了前期价格和收入变化对于房价的影响以及短期供给弱弹性的结论[8]；Quigley（1999）采取平行数据回归分析来于经济基本面的相关指标来解释各城市住宅价格走势.Seko通过平行数据回归分析，自回归模型调查了日本46个县的1998-2001年度数据，对日本各地区的住宅价格和经济基本的相关性进行预测.Anglin(2006)考虑到平均房价增长率的滞后三期以及CPI、住房抵押贷款利率和失业率，建立VAR模型，预测多伦多房价变动情况.3.已具备的研究条件BP神经网络在各大领域的大量研究与利用：大量的理论成果和参考文献以及通过网络对于国内外研究成果具有数据的可获得性；指导老师（杨亚老师）良好的工作态度和优秀的指导理念；4主要参考文献[1]张玉瑞，陈剑波．基于RBF神经网络的时间序列预测[J]．计算机工程与应用，2005.[2]郭宁．影响房地产价格的宏观因素分析[J].合作经济与科技，2009.[3]阎平凡，张长水．人工神经网络与模拟进化计算[M]．北京：清华大学出版社，2000．[4]周开利，康耀红．神经网络模型及其MATLAB仿真程序设计[M]．北京：清华大学出版社，2005．[5]李东月．房价预测模型的比较研究[J]．工业技术经济，2006．[6]惠彦涛．基于BP人工神经网络的商品住宅价格研究[J]．统计与决策，2007.第5页指导教师意见（对本研究（设计）项目的意义、方案、取得预期成果的可能性等签署具体意见）：指导教师（签字）：年月日系（部）学术委员会意见：负责人（盖章）：年月日