全文链接：http://tecdat.cn/?p=31938

最近咱们被客户要求撰写对于灰色模型的钻研报告，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