[发明专利]基于梯度提升决策树混合模型的房地产价格预测研究方法

说明书

本发明公开了一种基于梯度提升决策树混合模型的房地产价格预测研究方法，包括以下步骤：1)获取网络搜索数据及房地产价格数据；2)通过计算斯皮尔曼相关系数及时差相关分析从网络搜索数据及房地产价格数据筛选出与房地产价格具有高度相关性的先行关键词；3)建立长短期记忆模型，通过长短期记忆模型进行房地产价格预测；4)建立支持向量回归模型，再利用支持向量回归模型预测房地产价格；5)将步骤3)得到的房地产价格的预测值及步骤4)得到的房地产价格的预测值作为梯度提升决策树混合模型的原始样本集，利用梯度提升决策树混合模型进行预测融合，该方法能够较为准确的预测房地产价格。

技术领域

本发明属于房地产领域，涉及一种基于梯度提升决策树混合模型的房地产价格预测研究方法。

背景技术

互联网的快速发展推动了大数据时代的到来，从多个方面对人们的活动和决策产生巨大影响，大量消费者做出决策前习惯利用搜索引擎检索有效信息。截止2018年12月，我国网民数量高达8.29亿人，互联网普及率59.2％，且网民数量仍逐年递增。近年来，互联网逐步应用于多个社会经济领域，其中也包括房地产业。房地产业作为我国国民经济的支柱型产业，在我国国民经济发展中始终处于至关重要的地位，其中最令人关注的就是房地产价格。自我国停止住房分配以来，房地产价格持续高速上涨，我国政府虽然出台了多项政策抑制房地产价格的快速增长，但收效甚微。因此，研究房地产价格的影响因素和对房地产价格进行预测成为当今学者关注的重点问题。目前关于房地产价格的研究数据主要来源于历年统计年鉴和国家统计局，其数据的时效性和真实性较低，影响了研究结果的准确性。基于此，诸多学者以时效性较高的网络搜索数据作为预测房地产价格研究数据，以提高预测结果的真实性和时效性，如“白丽娟，闫相斌，金家华.基于搜索关键词关注度的商品房价格指数预测[J].预测,2015,34(4):65-70.”一文中作者以网络搜索数据作为房地价格指数预测的研究数据，研究表明以网络搜索数据作为研究数据预测房地产价格可以提高模型的拟合度和时效性。

目前关于房地产价格预测的研究中，大多采用的研究方法为计量经济模型、一般均衡模型和机器学习。如“张所地，范新英.基于面板分位数回归模型的收入、利率对房价的影响关系研究[J].数理统计与管理,2015,34(6):1057-1065.”一文中作者利用面板分位数回归模型研究了房地产价格的影响因素和波动趋势。“原鹏飞，魏巍贤.房地产价格波动经济影响的一般均衡研究[J].管理科学学报,2012,15(3):30-43.”一文中作者采用一般均衡模型研究了生产、贸易等经济因素与房地产价格的关系。但是诸多学者认为基于计量经济模型对房地产价格与各影响因素之间相关性的研究由于脱离微观基础而不适用于中长期分析。并且房地产价格预测研究中大部分数据难以获取，数据波动较大，采用一般均衡模型同样会影响预测准确性和拟合度。因此作者采用机器学习方法中的长短期记忆模型、支持向量回归模型分别预测房地产价格，再利用梯度提升决策树混合模型将以上两个模型的预测结果进行预测融合，以获取最优预测结果。前人在应用机器学习方法预测房地产价格也做了很多相关工作。如“梁坤，聂会星，徐枞巍.基于支持向量机的北京市房地产价格指数预测[J].合肥工业大学学报(自然科学版),2011,34(4):588-592.”利用支持向量机模型预测房地产价格指数，研究表明该方法能较好地处理复杂的房地产数据,具有较高的泛化能力和很好的预测精度。“章伟.粗糙集BP神经网络在房地产价格预测中的应用[J].计算机仿真,2011,28(7):365-368.”研究表明该模型在预测房地产价格时比传统的BP神经网络模型计算速度更快，预测精度更高。

以上是机器学习方法在房地产价格预测研究领域所取得的成果，但是这些模型都仍然存在一定损失函数，影响了预测结果，并且在筛选数据时只考虑了变量之间的相关性，忽略了时间序列数据的时滞性，预测准确性较差。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于梯度提升决策树混合模型的房地产价格预测研究方法，该方法能够较为准确的预测房地产价格。