共计 1814 个字符，预计需要花费 5 分钟才能阅读完成。
全文链接：http://tecdat.cn/?p=31938
最近咱们被客户要求撰写对于预测房价的钻研报告，包含一些图形和统计输入。
以苏州商品房房价为钻研对象，帮忙客户建设了灰色预测模型 GM (1,1)、BP 神经网络房价预测模型，利用 R 语言别离实现了 GM (1,1)和 BP 神经网络房价预测可视化
因为房价的长期波动性及预测的复杂性，利用传统的办法很难精确预测房价，而灰色模型 GM (1,1)和神经网络的联合在肯定水平上能够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，而后利用 R 语言和其工具箱提供的预测房价性能，对住宅类商品房销售价格进行预测。结果表明该办法可能无效进步房价预测的精度，为房地产市场管理者及投资者提供肯定的参考。
灰色模型
灰色预测的次要特点是模型应用的不是原始数据序列, 而是生成的数据序列。
其外围体系是灰色模型 (Grey Model,GM), 即对原始数据作累加生成(或其余办法生成) 失去近似的指数法则再进行建模的办法。长处是不须要很多的数据, 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沛开掘零碎的实质, 精度高; 能将无规律的原始数据进行生成失去规律性较强的生成序列, 运算简便, 易于测验, 不思考散布法则, 不思考变化趋势。毛病是只实用于中短期的预测, 只适宜指数增长的预测。
# 训练数据
train=mynx[1:floor(length(mynx)*0.8)]GM11<-function(x0,t,x){ #x0 为输出训练数据序列列，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 的估计值代入工夫响应序列函数计算 x1 拟合序列 y GM11(train,lnx),mynx)# 拟合点击题目查阅往期内容
线性回归和工夫序列剖析北京房价影响因素可视化案例
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后果来看，将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后果来看，将来的房价会有较安稳的增长。
点击文末 “浏览原文”
获取全文残缺代码数据资料。
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》。
点击题目查阅往期内容
线性回归和工夫序列剖析北京房价影响因素可视化案例
向量自回归（VAR）模型剖析消费者价格指数 (CPI) 和失业率工夫序列
Matlab 用 BUGS 马尔可夫区制转换 Markov switching 随机稳定率模型、序列蒙特卡罗 SMC、M H 采样剖析工夫序列
Matlab 创立向量自回归（VAR）模型剖析消费者价格指数 (CPI) 和失业率工夫序列
Stata 狭义矩量法 GMM 面板向量自回归 VAR 模型抉择、预计、Granger 因果测验剖析投资、支出和生产数据 R 语言时变向量自回归（TV-VAR）模型剖析工夫序列和可视化
R 语言用向量自回归（VAR）进行经济数据脉冲响应钻研剖析
R 语言 arima，向量自回归（VAR），周期自回归 (PAR) 模型剖析温度工夫序列
R 语言 VAR 模型的不同类型的脉冲响应剖析
R 语言随机搜寻变量抉择 SSVS 预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 语言预计时变 VAR 模型工夫序列的实证钻研剖析案例
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 语言预计时变 VAR 模型工夫序列的实证钻研剖析案例
Python 和 R 用 EWMA，ARIMA 模型预测工夫序列
R 语言用 LASSO，adaptive LASSO 预测通货膨胀工夫序列
Python 中的 ARIMA 模型、SARIMA 模型和 SARIMAX 模型对工夫序列预测
R 语言 arima，向量自回归（VAR），周期自回归 (PAR) 模型剖析温度工夫序列
【视频】Python 和 R 语言应用指数加权均匀(EWMA)，ARIMA 自回归挪动均匀模型预测工夫序列
