全文链接：http://tecdat.cn/?p=31938

原文出处：拓端数据部落公众号

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

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。


最受欢迎的见解

1.R语言实现CNN（卷积神经网络）模型进行回归

2.r语言实现拟合神经网络预测和后果可视化

3.python用遗传算法-神经网络-含糊逻辑控制算法对乐透剖析

4.R语言联合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络工夫序列剖析

5.Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格工夫序列和MSE评估准确性

6.Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类

7.用于NLP的seq2seq模型实例用Keras实现神经机器翻译

8.R语言用FNN-LSTM假近邻长短期记忆人工神经网络模型进行工夫序列深度学习预测

9.Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID-19新冠疫情新增人数工夫序列预测