大数据技术下房地产价格波动特征模型研究

金勇

(上海绿地控股集团， 上海 200023)

0 引言

近年来，随着中国房地产行业的快速发展，房地产价格波动的预测受到人们的极大重视[1-2]。目前，国内外有很多房地产价格波动特征的提取和预测方法，例如，Risse M等[3]使用动态建模和选择方法来研究各种宏观经济、货币和人口统计基础的信息内容，以预测欧洲货币联盟六个最大国家的房价增长；唐晓彬等[4]针对不恰当的参数设置会影响预测的精度问题，提出了基于蝙蝠算法SVR模型的北京市二手房价预测方法，为北京二手房价格的监测和调控提供了一定参考；刘洋等[5]将几何布朗运动模型引入房地产价格分析中，以模拟预测未来房地产价格。尽管很多学者对此进行了一定研究，但仍然可以发现以上传统方法预测性能较差，自适应特征分析能力较弱。

为了提高房地产价格波动预测性能，提升自适应特征分析能力，本文提出建立基于大数据分析技术的房地产价格波动特征模型。通过构建房地产价格波动大数据采样模型，通过方差识别和模糊辨识，得到房地产价格波动的市场引导参数分布模型。建立房地产价格波动的大数据先验信息挖掘模型，通过似然估计和二乘拟合算法，跟踪房地产价格波动的曲线，得到房地产价格波动的输出特征分布结果，结合定量递归模型，得到特征信息融合式。建立房地产价格波动特征预测的可靠性特征分布集，得到房地产价格波动的关联预测函数。结合模糊信息检测方法，建立房地产价格波动特征提取模型，通过该模型可以有效实现对房地产价格波动特征优化预测。仿真测试分析结果显示，本文方法在提高大数据技术下房地产价格波动特征提取能力和预测能力方面的性能较优越。

1 房地产价格波动大数据采样和信息融合

1.1 房地产价格波动大数据采样

为实现大数据技术下房地产价格波动特征模型设计，构建房地产价格波动大数据采样模型。假设房地产价格波动表示为一组具有正态特征分布性的随机变量[6]，各个房地产价格波动的随机变量z之间是相互独立的，结合利率数据以及价格因素的影响，建立房地产价格波动的价格因素引导模型，如式(1)。

(1)

通过市场引导机制，拟合房地产价格波动的信息[7]，得到房地产价格波动的市场引导参数X为连续变量。识别各变量数据模糊度参数θ，构建房地产价格波动的模糊度特征分析模型，如式(2)。

(2)

式中，V为房地产价格波动的约束参量。

在房地产的价格关联引导机制下，建立房地产价格波动特征分布矢量Xn，其表示在最优价格约束机制下房地产价格波动的最大化消费指数，房地产价格波动在受到政策引导下的影响因素为Xη(n)，从而得到房地产价格波动特征的市场引导参数分布模型，如式(3)。

(3)

根据上述模型，且在考虑价格因素和成本引导下，得到房地产价格波动特征的采样大数据分布项，如式(4)。

(4)

通过上述分析，建立房地产价格波动的大数据先验信息挖掘模型，根据对房地产价格波动特征挖掘结果进一步信息融合[8]。

1.2 房地产价格波动特征信息融合处理

构建房地产价格波动的均值曲线，通过似然估计和二乘拟合算法，跟踪房地产价格波动的曲线[9]，房地产价格波动的大数据关联目标函数为式(5)。

(5)

式中，k为房地产价格波动的大数据融合的概率密度函数；β为房地产价格波动的大数据信息分布的加权特征分布之和；α为价格序列；w为房地产价格波动的大数据的利率参考因素；u为房地产价格波动的房价指数与房贷关系均值向量。

在上述函数的基础上，建立房地产价格波动特征的可靠性特征分布集，房地产价格波动的特征均值函数为式(6)。

(6)

基于此，建立房地产价格波动特征预测的可靠性特征分布函数，得到房地产价格波动的输出特征分布结果如式(7)。

D=R(λ)w

(7)

式中，λ为房地产价格波动的特征分布矩阵。

结合定量递归模型，通过融合房地产价格波动的数据统计分析的结果信息[10]，得到融合表达式，如式(8)。

(8)

式中，x为一个k维房地产价格波动的内生变量。

分析房地产价格波动大数据的统计特征量和自相关特征匹配集，通过模糊信息调度和关联特征挖掘，预测价格波动[11]。

2 房地产价格波动特征分析和预测

2.1 房地产价格波动特征提取

基于模糊粗糙集理论，结合房地产价格波动特征的融合信息，融合感知处理的房地产价格波动特征，得到房地产价格波动的相关特征分布集[12]，如式(9)。

(9)

利用式(9)提取房地产价格波动特征分布集的关联度信息，根据关联度对比方法分割房地产价格波动的层次特征，分割函数为式(10)。

(10)

式中，t为房地产价格波动特征分布的回归系数。

利用式(10)并采用模糊信息融合方法，建立房地产价格波动特征预测的可靠性特征分布函数[13]，得到房地产价格波动的信息分布矩阵，如式(11)。

(11)

对式(11)进行归一化处理得到房地产价格波动特征调度的寻优参数为l，结合模糊信息检测方法和关联规则调度，建立房地产价格波动特征提取模型[14]，如式(12)。

(12)

式中，p为房地产价格波动的统计特征量；q为房地产价格波动特征预测的模糊特征量；o为房地产价格波动特征预测指数，基于此实现房地产价格波动的特征提取。

2.2 房地产价格波动预测算法

通过模糊信息调度和关联特征挖掘，分析房地产价格波动特征，提高房地产价格波动的大数据分析能力。房地产价格波动特征分布的有限数据集为式(13)。

(13)

结合模糊信息调度方法，进行房地产价格波动特征的特征采样，得到房地产价格波动特征采样的时间窗口为Δt，房地产价格波动的目标特征匹配集为式(14)。

(14)

建立房地产价格波动特征的相似度特征分析模型，得到相似度特征分量为式(15)。

(15)

式中，m为房地产价格波动特征交叉预测分布项。

采用多尺度深度学习，得到房地产价格波动特征预测的量化值为式(16)。

(16)

通过模糊度匹配和市场价格因素预测[15]，得到房地产价格波动特征预测的统计函数为式(17)。

(17)

式中，A为房地产价格波动的市场价格因素约束指标参量集，为一个标准的正态分布函数；ω为房地产价格波动特征的政策引导因素。根据上述分析，实现对房地产价格波动特征优化预测。

3 实验测试

房地产价格波动特征预测的实证实验分析采用SPSS 14.0 和Matlab 7仿真工具，得到描述性统计分析结果，如表1所示。

表1 房地产价格波动预测描述性统计分析结果

设定房地产价格波动的信贷资金影响因子为0.34，市场价格因素的作用因子为0.45，根据上述参数设计，得到原始的房地产价格先验样本时间序列波形图，如图1所示。

图1 原始的房地产价格先验样本时间序列波形图

以图1的数据为研究样本，预测原始的房地产价格波动特征，得到预测结果如图2所示。

分析图2得知，本文方法对原始房地产特征的预测的信息拟合度较高，价格跟踪能力较强。

图2 房地产价格波动特征预测结果

测试不同方法对房地产价格波动特征的预测精度，得到对比结果如图3所示。

分析图3得知，本文方法进行房地产价格波动特征预测的精度较高。

图3 预测精度对比

4 总结

由于传统方法房地产价格波动预测性能不好，自适应特征分析能力不强。因此，本文通过建立大数据技术下房地产价格波动预测和大数据拟合模型，提高大数据技术下房地产价格波动特征分析和预测能力。具体过程为，构建房地产价格波动的大数据统计分析模型，根据样本分析的结果分布式拟合房地产价格波动特征。通过模糊信息调度和关联特征挖掘，优化特征采样算法，得到房地产价格波动特征预测函数，有效实现房地产价格波动预测。分析得知，本文方法对房地产价格波动预测的精度较高，对特征的优化提取能力较好，性能较优越，为实际应用提供一定参考依据。