论文部分内容阅读
房地产价格构成复杂,形成过程中影响因素众多且具有较大的随机波动性,因此采用科学、有效的定价方法就显得尤为重要。目前我国常用的几种房地产估价方法是成本法、收益法和市场法。然而这些方法都存在一些不足,如市场比较法在选择可比实例时过于简单粗糙,系数修正过程无法用精确的数学语言定量描述,随意性较大；成本分析法片面的以成本定价格,不能反映市场的供求规律；收益还原法在预测未来收益、费用等方面也存在较大不确定性和模糊性。可见,传统的估价方法往往依靠房地产估价师知识、经验积累的综合判断,存在较大的主观性与随意性。针对传统房地产估价方法存在的问题,本文提出了一种基于蚁群算法优化的最小二乘支持向量机(ACO-LS-SVM)的商品住宅价格评估模型。支持向量机作为人工智能的一种新方法,能够根据有限样本的经验信息实现经验风险和置信范围的双重最小化,在非线性、小样本回归函数拟合问题中以极高的拟合精度表现出了突出的优势。因而,本文着力探讨了一种运用支持向量机方法,以待估房地产与类似交易案例的数据为基础,建立以房地产价格的各影响因素为自变量,房地产价格为因变量的多元非线性回归函数逼近估价模型。本文通过支持向量机(SVM)模型用于房地产估价的优缺点分析,针对支持向量机内存有限、运行速度慢等问题提出了运用最小二乘支持向量机(LS-SVM)加以改进；又考虑其参数不易选取的问题,提出了运用蚁群算法(ACO)进行优化,经整合建立了基于蚁群算法优化的最小二乘支持向量机(ACO-LS-SVM)的房地产估价模型。在分析了建立基于ACO-LS-SVM的房地产估价模型的必要性和可行性的基础上,探讨了基于ACO-LS-SVM的房地产估价模型的思路和其实现的算法步骤,并采用MATLAB软件编程,以训练样本为基础、用测试样本检验了模型,并通过该模型与传统市场法、神经网络模型、支持向量机模型的比较,用实例验证了ACO-LS-SVM房地产估价模型用于商品住宅价格评估的准确性、有效性和可行性。