R語(yǔ)言用灰色模型 GM (1,1)、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)房?jī)r(jià)數(shù)據(jù)和可視化|附代碼數(shù)據(jù)
被客戶要求撰寫關(guān)于灰色模型的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。
以蘇州商品房房?jī)r(jià)為研究對(duì)象，幫助客戶建立了灰色預(yù)測(cè)模型 GM (1,1)、 BP神經(jīng)網(wǎng)絡(luò)房?jī)r(jià)預(yù)測(cè)模型，利用R語(yǔ)言分別實(shí)現(xiàn)了 GM (1,1)和 BP神經(jīng)網(wǎng)絡(luò)房?jī)r(jià)預(yù)測(cè)可視化
由于房?jī)r(jià)的長(zhǎng)期波動(dòng)性及預(yù)測(cè)的復(fù)雜性，利用傳統(tǒng)的方法很難準(zhǔn)確預(yù)測(cè)房?jī)r(jià)，而灰色模型 GM (1,1)和神經(jīng)網(wǎng)絡(luò)的結(jié)合在一定程度上可以很好的解決這個(gè)問題。文章首先介紹了 GM (1,1)模型和神經(jīng)網(wǎng)絡(luò)模型，然后利用R語(yǔ)言和其工具箱提供的預(yù)測(cè)房?jī)r(jià)功能，對(duì)住宅類商品房銷售價(jià)格進(jìn)行預(yù)測(cè)。結(jié)果表明該方法能夠有效提高房?jī)r(jià)預(yù)測(cè)的精度，為房地產(chǎn)市場(chǎng)管理者及投資者提供一定的參考。
灰色模型
灰色預(yù)測(cè)的主要特點(diǎn)是模型使用的不是原始數(shù)據(jù)序列,而是生成的數(shù)據(jù)序列。
其核心體系是灰色模型(Grey Model,GM),即對(duì)原始數(shù)據(jù)作累加生成(或其他方法生成)得到近似的指數(shù)規(guī)律再進(jìn)行建模的方法。優(yōu)點(diǎn)是不需要很多的數(shù)據(jù),就能解決歷史數(shù)據(jù)少、序列的完整性及可靠性低的問題;能利用微分方程來(lái)充分挖掘系統(tǒng)的本質(zhì),精度高;能將無(wú)規(guī)律的原始數(shù)據(jù)進(jìn)行生成得到規(guī)律性較強(qiáng)的生成序列,運(yùn)算簡(jiǎn)便,易于檢驗(yàn),不考慮分布規(guī)律,不考慮變化趨勢(shì)。缺點(diǎn)是只適用于中短期的預(yù)測(cè),只適合指數(shù)增長(zhǎng)的預(yù)測(cè)。
#訓(xùn)練數(shù)據(jù) ?train=mynx[1:floor(length(mynx)*0.8)]
GM11<-function(x0,t,x){???? #x0為輸入訓(xùn)練數(shù)據(jù)序列列，t為預(yù)測(cè)個(gè)數(shù),x為原始數(shù)據(jù)（訓(xùn)練數(shù)據(jù)+測(cè)試集） ?? x1<-cumsum(x0) #一次累加生成序列1-AG0序列 ?? b<-numeric(length(x0)-1) ?? n<-length(x0)-1 ?? for(i in 1:n){ #生成x1的緊鄰均值生成序列 ? ?\n','\n') #利用最小二乘法求得參數(shù)估計(jì)值a,u ?? y<-numeric(length(c(1:t))) ?? y[1]<-x1[1] ?? for(w in 1:(t-1)){? #將a,u的估計(jì)值代入時(shí)間響應(yīng)序列函數(shù)計(jì)算x1擬合序列y
GM11(train,lnx),mynx)#擬合
點(diǎn)擊標(biāo)題查閱往期內(nèi)容
線性回歸和時(shí)間序列分析北京房?jī)r(jià)影響因素可視化案例
左右滑動(dòng)查看更多
01
02
03
04
gm=GM11(train,length(mynx)+20,mynx)#預(yù)測(cè)20年的房?jī)r(jià)
從灰色模型的結(jié)果來(lái)看，未來(lái)的趨勢(shì)房?jī)r(jià)有較大上漲。
神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
fcast <- forecast(fit,h=20) ?plot(fcast)
從神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的結(jié)果來(lái)看，未來(lái)的房?jī)r(jià)會(huì)有較平穩(wěn)的增長(zhǎng)。
?
點(diǎn)擊文末?“閱讀原文”
獲取全文完整代碼數(shù)據(jù)資料。
本文選自《R語(yǔ)言用灰色模型 GM (1,1)、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)房?jī)r(jià)數(shù)據(jù)和可視化》。
點(diǎn)擊標(biāo)題查閱往期內(nèi)容
線性回歸和時(shí)間序列分析北京房?jī)r(jià)影響因素可視化案例
向量自回歸（VAR）模型分析消費(fèi)者價(jià)格指數(shù) (CPI) 和失業(yè)率時(shí)間序列
Matlab用BUGS馬爾可夫區(qū)制轉(zhuǎn)換Markov switching隨機(jī)波動(dòng)率模型、序列蒙特卡羅SMC、M H采樣分析時(shí)間序列
Matlab創(chuàng)建向量自回歸（VAR）模型分析消費(fèi)者價(jià)格指數(shù) (CPI) 和失業(yè)率時(shí)間序列
Stata廣義矩量法GMM面板向量自回歸 VAR模型選擇、估計(jì)、Granger因果檢驗(yàn)分析投資、收入和消費(fèi)數(shù)據(jù)R語(yǔ)言時(shí)變向量自回歸（TV-VAR）模型分析時(shí)間序列和可視化
R語(yǔ)言用向量自回歸（VAR）進(jìn)行經(jīng)濟(jì)數(shù)據(jù)脈沖響應(yīng)研究分析
R語(yǔ)言arima，向量自回歸（VAR），周期自回歸(PAR)模型分析溫度時(shí)間序列
R語(yǔ)言VAR模型的不同類型的脈沖響應(yīng)分析
R語(yǔ)言隨機(jī)搜索變量選擇SSVS估計(jì)貝葉斯向量自回歸（BVAR）模型
R語(yǔ)言時(shí)變參數(shù)VAR隨機(jī)模型
R語(yǔ)言估計(jì)時(shí)變VAR模型時(shí)間序列的實(shí)證研究分析案例
R語(yǔ)言向量自回歸模型(VAR)及其實(shí)現(xiàn)
R語(yǔ)言實(shí)現(xiàn)向量自回歸VAR模型
R語(yǔ)言估計(jì)時(shí)變VAR模型時(shí)間序列的實(shí)證研究分析案例
Python和R用EWMA，ARIMA模型預(yù)測(cè)時(shí)間序列
R語(yǔ)言用LASSO，adaptive LASSO預(yù)測(cè)通貨膨脹時(shí)間序列
Python中的ARIMA模型、SARIMA模型和SARIMAX模型對(duì)時(shí)間序列預(yù)測(cè)
R語(yǔ)言arima，向量自回歸（VAR），周期自回歸(PAR)模型分析溫度時(shí)間序列
【視頻】Python和R語(yǔ)言使用指數(shù)加權(quán)平均(EWMA)，ARIMA自回歸移動(dòng)平均模型預(yù)測(cè)時(shí)間序列
