打开文本图片集

摘要：针对传统BP神经网络在学习过程中存在的收敛缓慢、容易陷入局部极小化等缺点，引入收敛速度快、全局寻优能力强的粒子群算法，从而建立了PSO-BP模型，并以重庆市江北区二手房市场挂牌房源为例，对二手房市场价值行了预测，对比真实市场价值和PSO-BP模型预测模型的结果，PSO-BP模型在二手房市场价值评估中具有精准度高和可行性强的优点。

关键词：二手房市场价值;PSO-BP神经网络;粒子群算法

1.引言

1.1研究背景

时日至今，房地产行业的规模日益增长，已经成为了国民经济的支柱产业。我国房地产行业收入近10年间，从2012年的51028.41亿元增长到2021年的134342.24亿元，随着我国房地产行业的繁荣发展，房地产评估的需求与日俱增，高涨的评估需求呼吁更高质更快捷的评估。与此同时，评估需求的高速飞涨，也需要一种能快速批量化评估的评估方法。在税价评估中，因其对一致性和统一性的需求，存在单独个案评估的成本高、效率低、税负不公、税收流失等问题。因此，提出一种客观有效的批量化、自动化评估方法，实现低成本、高效率、大规模完成评估任务是房地产市场和评估行业的迫切需求。

1.2研究意义

针对二手房价格的评估，本文在评估方法上结合跨学科知识，将粒子群算法优化后的BP神经网络模型用于二手房价格评估，以期为房地产评估研究领域贡献新的思路。由于传统的房地产评估基础方法存在着评估精准度低、主观性影响大、效率慢等缺陷和不足，本文选择的基于粒子群算法优化BP神经网络模型对比传统房地产评估基础方法具有准确性更高的准确性和稳定性，该方法不仅能降低评估过程中评估人员主观性对评估结果的影响还能减少评估的人力物力投入。

2.模型数据处理

2.1特征变量选取及量化

根据重庆市江北区二手房市场的特点，参考房地产评估公司的二手房评估考察表，再结合学者对二手房价值影响因素显著性的研究，本文从区位特征、实物状况出发，选取了建筑面积、房龄、装修状况、卧室数、客厅数、朝向、最近的地铁站距离、最近的公交站距离、最近的大型超市距离、最近的公园距离、最近的医院距离、最近的商圈距离，12个特征变量初步构建了二手房价格影响指标体系。

其中，装修状况、房屋朝向为虚拟变量，量化标准如下：

二手房交易网站把房屋装修状况分为三类，分别是毛胚、简装、精装。本文把这三种装修状况分别赋值1分、2分、3分、4分。朝向影响着房屋的采光、通风和风水，本文将朝向南北通透赋值4分、朝向南赋值3分，朝向北为1分，其他朝向2分。其余指标按二手房交易网站实际获取数据为准。

2.2数据来源

本文选取重庆市江北区作为研究区域，通过二手房交易网站采集2023年3月8日的江北区420套二手房挂牌样本数据，剔除其中部分异常数据。最后选取的江北区400套房源信息，二手房市场价格平均为13100.64元/㎡，最大值为21050元/㎡，最小值为8910元/㎡。

3.模型构建

3.1模型理论基础

BP神经网络是一种基于误差反向传播算法的人工神经网络，它由输入层、隐藏层和输出层组成。BP神经网络的原理是通过反向传播算法来调整每个神经元之间的连接权重，以使网络输出的误差最小化。粒子群中每个粒子都有一个位置和速度，代表了搜索空间中的一种可能解。在每一次迭代中，每个粒子会根据当前位置和历史最优位置、全局最优位置等信息来更新自己的速度和位置，并不断搜索更优解。同时，整个群体也会在粒子之间共享信息，从而实现协同优化。

3.2模型设计

从400条房地产的挂牌信息中，随机抽取50条房地挂牌信息作为测试组，其余360条房地挂牌信息作为训练组。输入层为1，输入层节点数量为12，输出层为1，隐藏层为1，隐藏层节点数量按经验公式确定，隐藏层节点数为25。传递函数一般常用tansig函数和logsig函数，本文选择tansig作为模型的传递函数。在构建PSO-BP模型时，选择traingdm函数作为训练函数。粒子群初始设置数量一般大于20，多取值为40，本文取值40。本模型构建时，学习参数取值C1=C2=2。本文惯性权重算法采取典型线性递减策略，本文取Wmin惯性权重最小值0.4，Wmax惯性权重最大值取值为1。

4.实证分析

图1为训练集、测试组和全部数据的拟合结果，其中训练组样本数据拟合优度为99.25%，测试组数据样本拟合优度为92.42%，全部数据的拟合优度为96.97%。从数据和图中我们可以看出，样本数据点密集的聚集在回归线周围，拟合优度证明模型的训练效果优秀且模型预测结果准确度高，模型能预测96.97%的二手房价格。

图2是测试组40组样本数据的二手房价格PSO-BP模型预测值与二手房市场价格的对比。从图中可以看出，大部分测试组预测值点与真实值点接近重合或距离较小，证明模型在测试组的二手房价格预测中表现优秀。

测试组40套房地产样本数据中，40组房源平均市场价格15430，PSO-BP模型预测值平均为15050，平均绝对误差为380，平均相对误差为2.46%。从上述数据中可以看出PSO-BP模型在二手房价格预测中稳定性和准确性都非常高，能很好的预测二手房市场价格。

5.结论

本文结合房地产评估的特征价格理论和PSO-BP模型模型对重庆市江北区二手房住宅的价格进行了实证研究，所构建在对所选取地区样本具有更好的解释性，且在批量评估结果误差分析中，模型得出的评估值与真实值之间的误差较小，处于合理范围内。由此，本文认为在房地产批量评估方面，PSO-BP模型能够提高房地产批量评估的效率与准确性。