粗糙集和小波神经网络模型的房地产价格走势预测研究

审计意见类型及其预测结果受到企业各利益相关方的高度关注。同时选用财务指标和非财务指标为变量,构建了基于邻域粗糙集神经网络的审计意见预测模型。将领域粗糙集作为bp神经网络的前置系统,在保持分类能力不变的前提下进行指标约简,提取关键指标,再将约简的指标体系作为神经网络模型的输入变量。以2013—2015年沪深a股176家公司数据作为研究样本,采用三种模型进行审计意见预测对比分析,结果表明：本模型预测准确率达到97.06%,与单纯利用神经网络建模或单纯利用财务指标建模的预测效果相比具有更好的预测效果。

审计意见类型及其预测结果受到企业各利益相关方的高度关注.同时选用财务指标和非财务指标为变量,构建了基于邻域粗糙集神经网络的审计意见预测模型.将领域粗糙集作为bp神经网络的前置系统,在保持分类能力不变的前提下进行指标约简,提取关键指标,再将约简的指标体系作为神经网络模型的输入变量.以2013-2015年沪深a股176家公司数据作为研究样本,采用三种模型进行审计意见预测对比分析,结果表明:本模型预测准确率达到97.06％,与单纯利用神经网络建模或单纯利用财务指标建模的预测效果相比具有更好的预测效果.

基于神经网络房地产价格指数的预测研究——研究表明,房地产价格指数常表现为非线性,要对它进行预测就必须利用一种能模拟非线性的模型。从理论上讲,神经网络能够无限逼近非线性函数,所以本文便尝试采用神经网络模型作为预测的模型。本文具体运用的是基于误差反向...

小波神经网络在房地产价格指数预测中的应用——随着房地产价格指数的作用充分显现,探求预测房地产价格指数的有效方法是需深入研究的方向“该文以中房上海住宅价格指数为例,首先对房地产价格指数序列性质进行分析,表明房地产价格指数是具有非线性特征的非平稳时...

随着房地产价格指数的作用充分显现,探求预测房地产价格指数的有效方法是需深入研究的方向。该文以中房上海住宅价格指数为例,首先对房地产价格指数序列性质进行分析,表明房地产价格指数是具有非线性特征的非平稳时间序列。采用小波神经网络对房地产价格指数进行预测,并将预测结果与指数平滑法和rbf神经网络预测做了对比。采用matlab对拟合和预测过程进行仿真。结果指标表明,在大样本数据的情况下,采用小波神经网络对房地产指数进行预测能够获得较好的效果。

文章针对房地产价格的动态特性,提出了基于elman神经网络的房地产价格预测方法,并通过其对上海市房地产价格的预测,证明了该方法的有效性,为房地产价格预测提供了一条新的方法。

探讨当因素分析和多元回归方法的使用条件未得到满足时,是否可采用粗糙集方法进行观察变量的精简,以及是否可采用神经网络方法进行预测效度检验。理论分析了粗糙集和神经网络在心理测量中应用的可能性,并运用粗糙集对于人事干部胜任力评估数据进行分析,比较了7种离散化方法和2种约简算法构成的14种组合,发现当采用manual方法进行离散化、遗传算法进行约简时,能够很好地对观测变量进行精简;运用概率神经网络能够比等级回归方法更好地进行预测效度检验。研究结果表明对于处理心理测量中的非等距变量,粗糙集和神经网络是非常有用的方法。

在对财务状况评价的机理和关键财务指标分析的基础上,提出了基于粗糙集的财务指标属性约简方法,设计了财务状况评价模型的构建流程和检验标准,建立了基于bp神经网络的财务状况评价模型。利用matlab软件对146家房地产上市公司的2007-2012年财务数据进行了研究,结果表明,基于bp神经网络的财务状况评价模型可以对房地产公司的财务状况作出评价。在此基础上,结合财务危机成因提出了房地产企业防范财务危机的建议。

研究表明,房地产价格指数常表现为非线性,要对它进行预测就必须利用一种能模拟非线性的模型。从理论上讲,神经网络能够无限逼近非线性函数,所以本文便尝试采用神经网络模型作为预测的模型。本文具体运用的是基于误差反向传播算法的多层前馈网络(bp神经网络)和径向基函数(rbf)神经网络。首先利用bp神经网络对采集到的中国房地产价格指数进行训练和模拟,最后进行预测,并比较预测结果和真实值,发现误差比较大,一方面是因为选取的样本数据少,另一方面是因为bp神经网络本身具有缺陷。为了克服bp神经网络预测的缺陷,本文接着运用rbf神经网络对选取的数据进行训练和模拟,用训练好的网络来进行预测,得到的预测结果与真实值相比较,误差很小,而且rbf神经网络的运行速度要比bp神经网络快很多。经过比较可以得出rbf神经网络用于经济预测可以达到很好的效果。

基于神经网络房地产价格指数的预测研究(续)——研究表明,房地产价格指数常表现为非线性,要对它进行预测就必须利用一种能模拟非线性的模型。从理论上讲,神经网络能够无限逼近非线性函数,所以本文便尝试采用神经网络模型作为预测的模型。本文具体运用的是基于误差...

通过分析粗糙集和神经网络的特点和原理,提出基于粗糙集和神经网络相结合的工程造价估算模型,并通过实例验证其有效性,具有较强的实用价值。

基于粗糙集-神经网络的工程造价估算模型研究——通过分析粗糙集和神经网络的特点和原理，提出基于粗糙集和神经网络相结合的工程造价估算模型，并通过实例验证其有效性，具有较强的实用价值。　　

在分析城市商品住宅价格影响因素的基础上,用人均国民生产总值、商品住宅销售面积、人均可支配收入、人均储蓄存款余额、人均居住面积等可定量的统计数据作为输入变量,单位面积商品住宅价格为输出变量,建立bp网络,拟合商品住宅价格模型。用西安市的统计数据作为分析实例表明,模型拟合性较好。

随着我国城乡建设的飞速发展,建筑火灾形势日趋严峻,依靠传统的管理技术和方法已远远不能适应社会和民众对安全的需要。针对某城市建筑火灾非线性时间序列,建立了小波神经网络(wnn)预测模型,计算分析证明了该模型的可行性。该模型可与消防工作相结合,建立和实施城乡综合防灾减灾系统,实现城乡综合防灾减灾的科学管理。

研究目的:分析人工神经网络应用于房地产估价的思路以及估价流程,采用matlab神经网络工具箱函数编程来实现基于神经网络的房地产估价模型的构建、训练与仿真。研究方法:文献资料法和案例分析法。研究结果:以训练样本为基础,建立基于神经网络的房地产估价模型,用测试样本检验,得出估价模型的精度较高。研究结论:神经网络对包含多种因素影响的房地产估价具有优势,基于神经网络的房地产估价模型具有很强的实用性和可操作性。

基于模糊神经网络的房地产价格评估问题研究——提出了一种基于神经模糊揄系统的商品住宅价格评估模型，分析了影响商品住宅价格的因素，给出了商品住宅价格评估指标体系，探讨了模型建立的原理及算法步骤。计算实例说明了该模型用于商品住宅价格准确评估的有效性...

lvq神经网络模型具有很好的模式识别特性,作者选取1995～2009年上海市房地产相关数据作为研究样本,构建了基于lvq神经网络的预警模型,经过训练测试后,该模型具有良好的分类功能.仿真结果表明,利用lvq网络进行模式识别是合适的,所构建的预警模型能够有效地预测房地产危机.

提出了一种基于神经模糊推理系统的商品住宅价格评估模型,分析了影响商品住宅价格的因素,给出了商品住宅价格评估指标体系,探讨了模型建立的原理及算法步骤。计算实例说明了该模型用于商品住宅价格准确评估的有效性和可行性,为房地产价格评估提供了科学的方法。

针对传统住宅特征价格模型特征变量多、变量间存在多重共线性等问题,提出采用主成分分析(pca)和bp神经网络相集成的方法对传统模型加以改进,即先利用pca对特征变量进行降维并消除变量之间的相关性,然后运用bp神经网络的非线性适应性信息处理能力对样本数据进行仿真.最后用青岛市西海岸新区70套商品住宅样本数据对改进模型进行了检验,检验结果表明,改进模型的平均预测误差为0.75%,明显优于传统的特征价格模型.

针对神经网络存在的网络冗余性较大的问题,提出一种基于粗糙集的神经网络优化方法。该方法将粗糙集理论和神经网络有机地结合在一起,利用粗糙集理论在知识获取方面具有智能的特点,对神经网络的数据进行预处理,从大量的原始数据中提取精简的规则,从而确定神经网络中的神经元个数,简化神经网络的拓扑结构,提高系统的速度。最后通过仿真研究表明该方法能有效地改善神经网络训练时间较长的缺点。

针对目前冰蓄冷空调运行管理中存在的每日蓄冰量过多,耗能严重的问题,提出了基于粗糙集和人工神经网络的冰蓄冷负荷的预测模型。该模型减少了数据样本的数量,提高了冷负荷预测精度,有利于冰蓄冷空调的节能运行。

边坡的地表位移监测是滑坡安全监控中的重要内容,对监测资料进行及时、合理和有效的分析,获取滑坡变形规律和安全状况是滑坡监测的重要工作之一。文章将基于bp算法的小波神经网络预测模型引入变形监测预报中,对工程实例进行了预测。结果表明小波神经网络预测可以取得良好的效果,且自适应预测能力较强。