【技术实现步骤摘要】
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
本专利技术属于房地产领域，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。
技术介绍
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...
【技术保护点】
1.一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，其特征在于，包括以下步骤：/n1)获取网络搜索数据及房地产价格数据；/n2)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；/n3)利用步骤2)得到的与房地产价格具有高度相关性的先行关键词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，得房地产价格的预测值；/n4)利用步骤2)得到的与房地产价格具有高度相关性的先行关键词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，得房地产价格的预测值；/n5)将步骤3)得到的房地产价格的预测...
【技术特征摘要】
1.一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，其特征在于，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)利用步骤2)得到的与房地产价格具有高度相关性的先行关键词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，得房地产价格的预测值；
4)利用步骤2)得到的与房地产价格具有高度相关性的先行关键词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，得房地产价格的预测值；
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，得基于梯度提升决策树混合模型的房地产价格预测值。
2.根据权利要1所述的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，其特征在于，网络搜索数据为通过百度指数工具获取与房地产价格相关的网络搜索关键词的搜索量。
3.根据权利要1所述的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，其特征在于，步骤2)中的斯皮尔曼相关系数的数学表达式为：
其中，ρS为斯皮尔曼相关系数，n为样本数量；
时差相关分析的数学表达式为：
时间序列y为基准指标，时间序列x为分析指标，l为时差数，rl为时差相关系数，nl为样本个数。
4.根据权利要1所述的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，其特征在于，步骤4)中，给定训练样本集D＝{(xi,yi),i＝1,2,…,m}，其中，xi∈RN为输入值，yi∈R为对应的目标值，m为样本数，N为样本集的维数，在样本空间中，训练样本集的拟合关系为：ω为法向量，为非线性变换函数；b为阈值向量；
向支持向量回归模型中引入高斯核函数其中，σ为函数的宽度参数；
得支持向量回归模型的最终表达式为：其中，αi、为拉格朗日乘子，为高斯核函数，b为阈值向量，m为样本数量。
5.根据...
【专利技术属性】
技术研发人员：张新生，迟依涵，何思宇，张琪，蔡宝泉，王旭业，杨青，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。