以苏州商品房房价为研究对象，帮助客户建立了灰色预测模型 GM (1,1)、 BP神经网络房价预测模型，利用R语言分别实现了 GM (1,1)和 BP神经网络房价预测可视化
由于房价的长期波动性及预测的复杂性，利用传统的方法很难准确预测房价，而灰色模型 GM (1,1)和神经网络的结合在一定程度上可以很好的解决这个问题。文章首先介绍了 GM (1,1)模型和神经网络模型，然后利用R语言和其工具箱提供的预测房价功能，对住宅类商品房销售价格进行预测。结果表明该方法能够有效提高房价预测的精度，为房地产市场管理者及投资者提供一定的参考。
灰色模型
灰色预测的主要特点是模型使用的不是原始数据序列,而是生成的数据序列。
其核心体系是灰色模型(Grey Model,GM),即对原始数据作累加生成(或其他方法生成)得到近似的指数规律再进行建模的方法。优点是不需要很多的数据,就能解决历史数据少、序列的完整性及可靠性低的问题;能利用微分方程来充分挖掘系统的本质,精度高;能将无规律的原始数据进行生成得到规律性较强的生成序列,运算简便,易于检验,不考虑分布规律,不考虑变化趋势。缺点是只适用于中短期的预测,只适合指数增长的预测。
#训练数据
train=mynx[1:floor(length(mynx)*0.8)]
GM11<-function(x0,t,x){ #x0为输入训练数据序列列，t为预测个数,x为原始数据（训练数据+测试集）
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的紧邻均值生成序列
\n','\n') #利用最小二乘法求得参数估计值a,u
y<-numeric(length(c(1:t)))
y[1]<-x1[1]
for(w in 1:(t-1)){ #将a,u的估计值代入时间响应序列函数计算x1拟合序列y
GM11(train,lnx),mynx)#拟合
点击标题查阅往期内容
左右滑动查看更多
01
02
03
04
gm=GM11(train,length(mynx)+20,mynx)#预测20年的房价
从灰色模型的结果来看，未来的趋势房价有较大上涨。
神经网络预测
fcast <- forecast(fit,h=20)
plot(fcast)
从神经网络模型预测的结果来看，未来的房价会有较平稳的增长。
点击文末 “阅读原文”
获取全文完整代码数据资料。
本文选自《R语言用灰色模型 GM (1,1)、神经网络预测房价数据和可视化》。
点击标题查阅往期内容
线性回归和时间序列分析北京房价影响因素可视化案例
向量自回归（VAR）模型分析消费者价格指数 (CPI) 和失业率时间序列
Matlab用BUGS马尔可夫区制转换Markov switching随机波动率模型、序列蒙特卡罗SMC、M H采样分析时间序列
Matlab创建向量自回归（VAR）模型分析消费者价格指数 (CPI) 和失业率时间序列
Stata广义矩量法GMM面板向量自回归 VAR模型选择、估计、Granger因果检验分析投资、收入和消费数据R语言时变向量自回归（TV-VAR）模型分析时间序列和可视化
R语言用向量自回归（VAR）进行经济数据脉冲响应研究分析
R语言arima，向量自回归（VAR），周期自回归(PAR)模型分析温度时间序列
R语言VAR模型的不同类型的脉冲响应分析
R语言随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型
R语言时变参数VAR随机模型
R语言估计时变VAR模型时间序列的实证研究分析案例
R语言向量自回归模型(VAR)及其实现
R语言实现向量自回归VAR模型
R语言估计时变VAR模型时间序列的实证研究分析案例
Python和R用EWMA，ARIMA模型预测时间序列
R语言用LASSO，adaptive LASSO预测通货膨胀时间序列
Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测
R语言arima，向量自回归（VAR），周期自回归(PAR)模型分析温度时间序列
【视频】Python和R语言使用指数加权平均(EWMA)，ARIMA自回归移动平均模型预测时间序列