房地产是构成整个社会财富的重要部分,它的发展是推动工业化和城镇化的重要力量。房地产价格决定着社会和居民的财富,它的波动影响着金融体系的安危,也影响着宏观经济的稳定和发展。然而,由于受到国内经济、市场竞争程度以及和人自身有关等各种因素的影响,房地产价格总是处在不停的波动变化之中,而且各种因素对其影响又是极其复杂的,这让房地产价格的预测变得十分困难。通过阅读文献可以看到,不同的学者从不同的角度建立了不同的经济计量模型,例如灰色-马尔科夫预测模型、层次分析模型、N次多项式模型等对房地产的价格进行了模拟和预测,但是由于这些传统的线性回归预测方法在进行价格预测时存在着很多局限性并使许多有用的经济信息得不到有效的利用。 人工神经网络是一门新兴交叉学科,自开创以来一直深受许多学者的重视,并广泛运用于各种领域取得了辉煌的成就。预测是人工神经网络的一个重要的应用领域,这是因为神经网络具有优良的非线性特性,特别适用于高度非线性系统的处理。所以基于人工神经网络的预测是解决非线性预测问题的有效方法,为预测理论开辟了新的广阔发展空间,所以本文选择利用神经网络的方法对房地产价格进行预测和分析。 最常用的神经网络就是BP神经网络,80％～90％的人工神经网络模型都是采用BP神经网络,也叫多层前馈网络。虽然在预测领域,BP网络得到了广泛的应用,也取得了不俗的成效,但很多学者都发现,在进行预测时,BP网络存在很多问题。通过研究经典的BP算法并进行大量实验后发现,BP网络存在以下问题：①学习过程收敛速度慢,训练易陷入瘫痪；②网络容易出现过拟合现象,泛化能力不佳；③网络存在很大的冗余性。另外,网络结构的难以确定以及学习样本的数量和质量影响学习速度和质量等问题的存在也严重影响了BP神经网络的预测的效果,致使其理论发展缓慢。 针对以上问题,本文在参阅国内外大量相关文献的基础上,首先利用BP神经网络对房地产价格进行预测。根据预测中发现的问题,从理论上分析出现这些问题的原因,并尝试使用多种方法、针对网络的诸方面进行改进,最终对各种改进思想进行融合,给出了对房地产价格预测的优化的预测模型及其具体的实施步骤。然后,定性地分析了影响中国房地产价格的因素,并以这些经济变量作为网络输入,以全国商品房销售的平均价格作为预测目标进行了实证分析。其中,论文主要的工作是为网络的正式训练与预测作了三个方面的准备：样本数据的处理、优化算法的比较、网络结构和参数的确定。 1、样本数据的处理：首先,通过定性分析确定了对房地产价格有影响的主要因素,接着采用主成分分析的方法,对获得的原始数据进行数据预处理,包括样本数据的降维处理以及通过Z得分划分训练集和测试集。 2、优化的BP算法的性能比较：针对现在优化的BP算法很多,而不同的问题适用的算法不同的问题,本文分别比较了各种权值训练算法和各种误差函数在进行房地产价格预测时的预测效果,综合考虑性能和效率,选择最优的。 3、网络结构与参数的确定：在参数选择上,主要是在参考前人研究的基础上,再通过大量实验,确定适合本问题的参数；而在确定隐层节点数上,主要通过反复的网络“试训练”,根据训练集特别是测试集的MSE,找到对本问题的最佳隐层节点数。 在以上三方面准备工作的基础上,进行正式的网络训练,获得最终的预测模型,并用它进行房地产价格的预测。由试验结果可以看到,使用优化的预测模型进行房地产价格预测的平均相对误差仅为4.84％,并且较传统方法的预测效果提高了94.6％,这些都说明了采用优化的预测模型可以大大提高预测精度,其预测结果比较可靠。