基于神經(jīng)網(wǎng)絡(luò)的多元時(shí)序房價(jià)預(yù)測方法
發(fā)布時(shí)間:2023-03-10 16:04
近些年,中國房地產(chǎn)行業(yè)已經(jīng)成為了國民經(jīng)濟(jì)重要組成的部分。房子因?yàn)槿藗冏宰〉膭傂孕枨蠛屯顿Y的金融屬性受到社會(huì)重點(diǎn)關(guān)注,如何能準(zhǔn)確預(yù)測隨時(shí)間變化的房價(jià)也成為一個(gè)重要研究課題。早期房價(jià)時(shí)序預(yù)測研究利用單維的價(jià)格進(jìn)行自回歸預(yù)測,未考慮到與房價(jià)相關(guān)多元特征的影響,但這些多元特征在時(shí)間線上與房價(jià)互相關(guān)聯(lián)。因此,為了充分利用影響房價(jià)的多元特征以及時(shí)間維度的信息,提高房價(jià)預(yù)測的精度,本論文重點(diǎn)從時(shí)間維度和影響房價(jià)的多維特征兩個(gè)方面對房價(jià)進(jìn)行時(shí)序預(yù)測。本論文的主要研究內(nèi)容如下:1.本論文使用一種基于神經(jīng)網(wǎng)絡(luò)的多元時(shí)序方法來對北京房價(jià)進(jìn)行預(yù)測,關(guān)注房價(jià)在短期局部變化和長期依賴趨勢。首先通過一維卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)地提取房子相關(guān)的多元時(shí)序特征,然后使用多個(gè)卷積核對多元時(shí)序特征卷積得到特征向量,最后把特征向量輸入到長短期記憶模型,利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)多元時(shí)序方法預(yù)測房價(jià)。本論文使用基于神經(jīng)網(wǎng)絡(luò)的多元時(shí)序預(yù)測方法在北京房價(jià)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,該方法能有效的提取多元房價(jià)時(shí)序特征的信息,擬合房價(jià)在短期局部變化和長期依賴趨勢。2.在基于神經(jīng)網(wǎng)絡(luò)的多元時(shí)序房價(jià)預(yù)測方法基礎(chǔ)上,為了進(jìn)一步提高模型在房價(jià)短期拐點(diǎn)變化的...
【文章頁數(shù)】:73 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
Abstract
第1章 引言
1.1 研究背景及意義
1.2 預(yù)測方法的研究現(xiàn)狀
1.2.1 國內(nèi)房價(jià)預(yù)測研究現(xiàn)狀
1.2.2 國外房價(jià)預(yù)測研究現(xiàn)狀
1.3 主要研究內(nèi)容
1.4 論文的組織結(jié)構(gòu)
第2章 房價(jià)預(yù)測相關(guān)理論
2.1 傳統(tǒng)時(shí)間序列模型
2.1.1 自回歸模型
2.1.2 移動(dòng)平均模型
2.1.3 差分整合移動(dòng)平均自回歸模型
2.1.4 差分整合移動(dòng)平均自回歸模型預(yù)測過程
2.2 神經(jīng)網(wǎng)絡(luò)相關(guān)理論
2.3 神經(jīng)網(wǎng)絡(luò)相關(guān)時(shí)間序列模型
2.3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
2.3.2 長短期記憶模型
2.4 本章小結(jié)
第3章 房價(jià)相關(guān)特征分析和數(shù)據(jù)預(yù)處理
3.1 影響房價(jià)因素分析
3.1.1 單維房價(jià)特征
3.1.2 多維房價(jià)特征
3.2 房價(jià)數(shù)據(jù)集預(yù)處理過程
3.3 本章小結(jié)
第4章 基于神經(jīng)網(wǎng)絡(luò)的多元時(shí)序房價(jià)預(yù)測
4.1 傳統(tǒng)房價(jià)預(yù)測模型存在的問題
4.2 基于神經(jīng)網(wǎng)絡(luò)的多元時(shí)序房價(jià)預(yù)測建模
4.2.1 卷積神經(jīng)網(wǎng)絡(luò)提取時(shí)序特征
4.2.2 融合神經(jīng)網(wǎng)絡(luò)的多元時(shí)序房價(jià)預(yù)測
4.3 實(shí)驗(yàn)結(jié)果與分析
4.3.1 實(shí)驗(yàn)評價(jià)指標(biāo)
4.3.2 實(shí)驗(yàn)環(huán)境設(shè)置
4.3.3 實(shí)驗(yàn)過程與分析
4.4 本章小結(jié)
第5章 引入注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)多元時(shí)序房價(jià)預(yù)測
5.1 引入注意力機(jī)制的融合神經(jīng)網(wǎng)絡(luò)
5.2 實(shí)驗(yàn)結(jié)果與分析
5.2.1 對比實(shí)驗(yàn)設(shè)置
5.2.2 融合神經(jīng)網(wǎng)絡(luò)中不同位置的注意力機(jī)制
5.3 本章小結(jié)
第6章 研究工作總結(jié)與展望
6.1 研究工作總結(jié)
6.2 研究工作未來展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果
本文編號:3758387
【文章頁數(shù)】:73 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
Abstract
第1章 引言
1.1 研究背景及意義
1.2 預(yù)測方法的研究現(xiàn)狀
1.2.1 國內(nèi)房價(jià)預(yù)測研究現(xiàn)狀
1.2.2 國外房價(jià)預(yù)測研究現(xiàn)狀
1.3 主要研究內(nèi)容
1.4 論文的組織結(jié)構(gòu)
第2章 房價(jià)預(yù)測相關(guān)理論
2.1 傳統(tǒng)時(shí)間序列模型
2.1.1 自回歸模型
2.1.2 移動(dòng)平均模型
2.1.3 差分整合移動(dòng)平均自回歸模型
2.1.4 差分整合移動(dòng)平均自回歸模型預(yù)測過程
2.2 神經(jīng)網(wǎng)絡(luò)相關(guān)理論
2.3 神經(jīng)網(wǎng)絡(luò)相關(guān)時(shí)間序列模型
2.3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
2.3.2 長短期記憶模型
2.4 本章小結(jié)
第3章 房價(jià)相關(guān)特征分析和數(shù)據(jù)預(yù)處理
3.1 影響房價(jià)因素分析
3.1.1 單維房價(jià)特征
3.1.2 多維房價(jià)特征
3.2 房價(jià)數(shù)據(jù)集預(yù)處理過程
3.3 本章小結(jié)
第4章 基于神經(jīng)網(wǎng)絡(luò)的多元時(shí)序房價(jià)預(yù)測
4.1 傳統(tǒng)房價(jià)預(yù)測模型存在的問題
4.2 基于神經(jīng)網(wǎng)絡(luò)的多元時(shí)序房價(jià)預(yù)測建模
4.2.1 卷積神經(jīng)網(wǎng)絡(luò)提取時(shí)序特征
4.2.2 融合神經(jīng)網(wǎng)絡(luò)的多元時(shí)序房價(jià)預(yù)測
4.3 實(shí)驗(yàn)結(jié)果與分析
4.3.1 實(shí)驗(yàn)評價(jià)指標(biāo)
4.3.2 實(shí)驗(yàn)環(huán)境設(shè)置
4.3.3 實(shí)驗(yàn)過程與分析
4.4 本章小結(jié)
第5章 引入注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)多元時(shí)序房價(jià)預(yù)測
5.1 引入注意力機(jī)制的融合神經(jīng)網(wǎng)絡(luò)
5.2 實(shí)驗(yàn)結(jié)果與分析
5.2.1 對比實(shí)驗(yàn)設(shè)置
5.2.2 融合神經(jīng)網(wǎng)絡(luò)中不同位置的注意力機(jī)制
5.3 本章小結(jié)
第6章 研究工作總結(jié)與展望
6.1 研究工作總結(jié)
6.2 研究工作未來展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果
本文編號:3758387
本文鏈接:http://www.sikaile.net/jingjilunwen/hongguanjingjilunwen/3758387.html
最近更新
教材專著