全文鏈接：http://tecdat.cn/?p=31938

原文出處：拓端數(shù)據(jù)部落公眾號(hào)

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;能利用微分方程來充分挖掘系統(tǒng)的本質(zhì),精度高;能將無規(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yGM11(train,lnx),mynx)#擬合

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)果來看，未來的趨勢(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)果來看，未來的房?jī)r(jià)會(huì)有較平穩(wěn)的增長(zhǎng)。

?最受歡迎的見解

1.R語言實(shí)現(xiàn)CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型進(jìn)行回歸

2.r語言實(shí)現(xiàn)擬合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)和結(jié)果可視化

3.python用遺傳算法-神經(jīng)網(wǎng)絡(luò)-模糊邏輯控制算法對(duì)樂透分析

4.R語言結(jié)合新冠疫情COVID-19股票價(jià)格預(yù)測(cè)：ARIMA，KNN和神經(jīng)網(wǎng)絡(luò)時(shí)間序列分析

5.Python TensorFlow循環(huán)神經(jīng)網(wǎng)絡(luò)RNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票市場(chǎng)價(jià)格時(shí)間序列和MSE評(píng)估準(zhǔn)確性

6.Matlab用深度學(xué)習(xí)長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)對(duì)文本數(shù)據(jù)進(jìn)行分類

7.用于NLP的seq2seq模型實(shí)例用Keras實(shí)現(xiàn)神經(jīng)機(jī)器翻譯

8.R語言用FNN-LSTM假近鄰長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行時(shí)間序列深度學(xué)習(xí)預(yù)測(cè)

9.Python用RNN循環(huán)神經(jīng)網(wǎng)絡(luò)：LSTM長(zhǎng)期記憶、GRU門循環(huán)單元、回歸和ARIMA對(duì)COVID-19新冠疫情新增人數(shù)時(shí)間序列預(yù)測(cè)