基于灰色預(yù)測(cè)模型的W市商品房?jī)r(jià)格波動(dòng)的影響因素分析及其預(yù)測(cè)建模仿真研究摘要隨著住房政策的改革，房地產(chǎn)行業(yè)對(duì)我國(guó)國(guó)民經(jīng)濟(jì)的發(fā)展及人民生活的水平起著重大的影響作用，而對(duì)于房地產(chǎn)市場(chǎng)來說，最重要的就是價(jià)格問題。而影響房?jī)r(jià)的因素是相當(dāng)復(fù)雜的，包括地理位置、交通情況、環(huán)境情況、該城市的GDP、消費(fèi)水平等因素。因此本文先是對(duì)影響無錫市房?jī)r(jià)的因素進(jìn)行了具體的分析，再對(duì)未來的房?jī)r(jià)進(jìn)行一個(gè)簡(jiǎn)單的預(yù)測(cè)。首先，本文對(duì)無錫市房?jī)r(jià)影響因素進(jìn)行了分析。一方面，本文通過灰色關(guān)聯(lián)分析模型，并利用Excel軟件，計(jì)算出每個(gè)指標(biāo)的灰色關(guān)聯(lián)度，按照標(biāo)準(zhǔn)每一個(gè)指標(biāo)都通過了關(guān)聯(lián)度的檢驗(yàn)。且將這些指標(biāo)的影響程度按照由高到低的排序?yàn)椋撼擎?zhèn)常住居民人均可支配收入、GDP、居民人均儲(chǔ)蓄存款、商品房銷售面積、竣工房屋面積、房地產(chǎn)開發(fā)投資額、常住人口、城鎮(zhèn)失業(yè)率、CPI；另一方面，在灰色關(guān)聯(lián)度的的基礎(chǔ)之上，本文建立VAR模型，并利用Eviews軟件，得出結(jié)論：地區(qū)生產(chǎn)總值對(duì)房?jī)r(jià)的貢獻(xiàn)度最大，其次是居民人均儲(chǔ)蓄存款。其次，本文對(duì)無錫市房?jī)r(jià)進(jìn)行了預(yù)測(cè)。一方面，本文通過灰色預(yù)測(cè)模型，并利用Matlab軟件，得到用該模型進(jìn)行擬合的平均相對(duì)誤差為9.65%，并且對(duì)2020-2025年的房?jī)r(jià)進(jìn)行了一個(gè)簡(jiǎn)單的預(yù)測(cè)；另一方面，本文通過BP神經(jīng)網(wǎng)絡(luò)模型，并利用Matlab軟件，得到用該模型進(jìn)行擬合的平均相對(duì)誤差為6.405%，并且對(duì)2020-2024年的房?jī)r(jià)進(jìn)行了一個(gè)簡(jiǎn)單的預(yù)測(cè)。顯然，利用BP神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行預(yù)測(cè)效果更好。關(guān)鍵詞：無錫市房?jī)r(jià)；灰色關(guān)聯(lián)分析模型；VAR模型；灰色預(yù)測(cè)模型；BP神經(jīng)網(wǎng)絡(luò)目錄一、引言 年份商品房均價(jià)(元)地區(qū)生產(chǎn)總值(億元)城鎮(zhèn)常住居民人均可支配收入(元)常住人口（萬人）房地產(chǎn)開發(fā)投資額(億元)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竣工房屋面積(萬平方米)商品房銷售面積(萬平方米)居民人均儲(chǔ)蓄存款（元）CPI城鎮(zhèn)失業(yè)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代碼A灰色預(yù)測(cè)模型代碼clear,clcsymsab;c=[ab]';A=[367940004573537559977765863783857871755078668681106081148013977];B=cumsum(A);%原始數(shù)據(jù)累加n=length(A);fori=1:(n-1)C(i)=(B(i)+B(i+1))/2;%生成累加矩陣end%計(jì)算待定參數(shù)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);%預(yù)測(cè)后續(xù)數(shù)據(jù)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);%得到預(yù)測(cè)出來的數(shù)據(jù)endt1=2005:2019;t2=2005:2025;%多10組數(shù)據(jù)G;a,b%輸出預(yù)測(cè)值、發(fā)展系數(shù)和灰色作用量H=G(16:21);h=plot(t1,A,'*',t2,G,'-');%原始數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)的比較set(h,'Linewidth',1.5);title('GM（1,1）模型的擬合與預(yù)測(cè)')xlabel('年份'),ylabel('房?jī)r(jià)')legend('原始房?jī)r(jià)','預(yù)測(cè)房?jī)r(jià)')disp(['擬合值：',num2str(G)])disp(['預(yù)測(cè)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代碼BBP神經(jīng)網(wǎng)絡(luò)代碼%Backpropagation,supervisedlearning%%清空環(huán)境變量clcclearrand('seed',28)%%訓(xùn)練數(shù)據(jù)預(yù)測(cè)數(shù)據(jù)提取及歸一化input=load('input.txt');%輸入數(shù)據(jù)output=load('output.txt');%輸出數(shù)據(jù)[m,n]=size(input);%計(jì)算輸入數(shù)據(jù)的維度K=randperm(m);%對(duì)數(shù)據(jù)進(jìn)行隨機(jī)排列%定義一個(gè)變量M,表示選取訓(xùn)練樣本的個(gè)數(shù)。M=11;input_train=input(K(1:M),:)';;%%訓(xùn)練輸入output_train=output(K(1:M),:)';%%訓(xùn)練輸出input_test=input(K(M+1:end),:)';%%測(cè)試輸入output_test=output(K(M+1:end),:)';%%測(cè)試輸出%選連樣本輸入輸出數(shù)據(jù)歸一化[inputn,inputps]=mapminmax(input_train);[outputn,outputps]=mapminmax(output_train);%%BP網(wǎng)絡(luò)訓(xùn)練%%初始化網(wǎng)絡(luò)結(jié)構(gòu)net=newff(inputn,outputn,3);%5是隱含神經(jīng)元的個(gè)數(shù)，連接權(quán)值21%設(shè)置訓(xùn)練參數(shù)net.trainParam.epochs=1000;%迭代次數(shù)net.trainParam.lr=0.1;%mse均方根誤差小于這個(gè)值迭代停止net.trainParam.goal=0.00004;%學(xué)習(xí)率%網(wǎng)絡(luò)訓(xùn)練net=train(net,inputn,outputn);save('net')%%BP網(wǎng)絡(luò)預(yù)測(cè)%預(yù)測(cè)數(shù)據(jù)歸一化inputn_test=mapminmax('apply',input_test,inputps);%網(wǎng)絡(luò)預(yù)測(cè)輸出an=sim(net,inputn_test);%網(wǎng)絡(luò)輸出反歸一化BPoutput=mapminmax('reverse',an,outputps);%%結(jié)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網(wǎng)絡(luò)預(yù)測(cè)輸出','fontsize',12)ylabel('損耗量','fontsize',12)xlabel('sample','fontsize',12)string={['R^2='num2str(R21)]};title(string)%預(yù)測(cè)誤差figure(2)plot(error./BPoutput,'-*');title('神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差百分比')ylab