CN117372070A - 地产市场趋势的确定方法、装置、计算机设备及存储介质 - Google Patents
地产市场趋势的确定方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117372070A CN117372070A CN202311315206.9A CN202311315206A CN117372070A CN 117372070 A CN117372070 A CN 117372070A CN 202311315206 A CN202311315206 A CN 202311315206A CN 117372070 A CN117372070 A CN 117372070A
- Authority
- CN
- China
- Prior art keywords
- data
- market data
- socioeconomic
- market
- real estate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 230000015654 memory Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001364 causal effect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000009916 joint effect Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 238000003012 network analysis Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- JWZZKOKVBUJMES-UHFFFAOYSA-N (+-)-Isoprenaline Chemical compound CC(C)NCC(O)C1=CC=C(O)C(O)=C1 JWZZKOKVBUJMES-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229960004042 diazoxide Drugs 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及关系网络分析领域,公开了一种地产市场趋势的确定方法、装置、计算机设备及存储介质,以解决单个时间序列模型对地产市场走势进行确定时,无法满足其复杂性的问题,从而提升对房地产走势确定的准确性和稳定性。该方法包括:获取地产市场数据以及地产市场数据相关联的第一社会经济指标数据;将地产市场数据输入基于时间序列预测算法的自回归递归网络模型,得出依照预期时间序列分布的预测值;将地产市场数据和第一社会经济指标数据输入向量自回归模型,得出在预期时间序列中第一社会经济指标数据与地产市场数据之间的动态关系;将预测值和动态关系按照预期时间序列排列起来,进行加权平均,得出地产市场的趋势。
Description
技术领域
本发明涉及关系网络分析领域,尤其涉及一种地产市场趋势的确定方法、装置、计算机设备及存储介质。
背景技术
近些年来金融科技和投资研究中,人工智能的应用技术飞速发展。其中,机器学习是人工智能的代表技术,利用机器学习对相关指标进行量化,并对其将来的趋势研究进行确定,也就是基于过去的历史收益,利用机器学习得出对市场未来的趋势进行预测。这种方式不仅促进了人工智能在时序预测技术的发展,更为投资者模拟出制定产品在未来的市场走势,并分析其投资价值,为投资者的资产配置优化调整提供了更有利的科学依据。
而在房地产市场的投资研究中,通常使用单个时间序列模型对地产市场走势进行确定。但现有技术中,由于地产市场的走势受诸多政策、经济、环境因素影响,且地产市场相较于其他投资更为复杂,其走势在各种因素的综合作用下具更高的不确定性。另外,类似于房地产这种大类资产配置,确定这些大类资产的后续走势,将需要模拟相较于其他中小类资产更多样的情境,进而更好地确定出每种不同情境下可能出现的机遇与风险。因此,需要对现有技术中,利用单个时间序列模型确定房地产市场的趋势的方法进行改进,以便提升地产市场趋势的确定方式的稳定性和准确性。
发明内容
本发明实施例提供一种地产市场趋势的确定方法、装置、计算机设备及存储介质,以解决单个时间序列模型对地产市场走势进行确定时,无法满足其复杂性的问题,从而提升对房地产走势确定的准确性和稳定性。
一种地产市场趋势的确定方法,包括:
获取地产市场数据以及所述地产市场数据相关联的第一社会经济指标数据;
将所述地产市场数据输入基于时间序列预测算法的自回归递归网络模型,得出依照预期时间序列分布的预测值;
将所述地产市场数据和所述第一社会经济指标数据输入向量自回归模型,得出在所述预期时间序列中所述第一社会经济指标数据与所述地产市场数据之间的动态关系;
将所述预测值和所述动态关系按照所述预期时间序列排列起来,进行加权平均,得出所述地产市场的趋势。
在一种可能的设计中,所述获取地产市场数据以及所述地产市场数据相关联的第一社会经济指标数据,包括:
采集所述地产市场数据和第二社会经济指标数据;
将所述地产市场数据和所述第二社会经济指标数据进行因果性关联,筛选出与所述地产市场数据相关联的第一社会经济指标数据。
在一种可能的设计中,所述将所述地产市场数据输入基于时间序列预测算法的自回归递归网络模型,得出依照预期时间序列分布的预测值,包括:
将所述地产市场数据输入所述自回归递归网络模型,输出按照所述预期时间序列分布的预测结果和所述预测结果对应的概率;
将所述预测结果和所述预测结果对应的概率,作为所述预测值。
在一种可能的设计中,所述将所述地产市场数据输入所述自回归递归网络模型之前,所述方法还包括:
利用超参数优化算法中的贝叶斯优化算法库对初始自回归递归网络模型进行调参,得出模型最优参数;
通过模型最优参数,得出所述自回归递归网络模型。
在一种可能的设计中,所述将所述地产市场数据和所述第一社会经济指标数据输入向量自回归模型,得出在所述预期时间序列中所述第一社会经济指标数据与所述地产市场数据之间的动态关系,包括:
通过所述向量自回归模型,分析联合所述地产市场数据和所述第一社会经济指标数据之间的相互影响关系;
将所述相互影响关系作为所述动态关系。
在一种可能的设计中,所述通过所述向量自回归模型,分析联合所述地产市场数据和所述第一社会经济指标数据之间的相互影响关系之前,所述方法还包括:
使用赤池信息量准则,选择出初始向量自回归模型的滞后阶数;
利用所述滞后阶数,训练出所述向量自回归模型。
在一种可能的设计中,所述通过所述向量自回归模型,分析联合所述地产市场数据和所述第一社会经济指标数据之间的相互影响关系,包括:
将多组所述地产市场数据和所述地产市场数据对应的所述第一社会经济指标数据输入所述向量自回归模型,以依照所述预期时间序列进行并行分析,得出不同的场景变量、所述场景变量对应的滞后项、白噪音序列;
将所述场景变量、所述场景变量对应的滞后项以及白噪音序列作为所述相互影响关系。
一种地产市场趋势的确定装置,包括:
获取模块,用于获取地产市场数据以及所述地产市场数据相关联的第一社会经济指标数据;
第一计算模块,用于将所述地产市场数据输入基于时间序列预测算法的自回归递归网络模型,得出依照预期时间序列分布的预测值;
第二计算模块,用于将所述地产市场数据和所述第一社会经济指标数据输入向量自回归模型,得出在所述预期时间序列中所述第一社会经济指标数据与所述地产市场数据之间的动态关系;
输出模块,用于将所述预测值和所述动态关系按照所述预期时间序列排列起来,进行加权平均,得出所述地产市场的趋势。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述地产市场趋势的确定方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述地产市场趋势的确定方法的步骤。
上述地产市场趋势的确定方法、装置、计算机设备及存储介质,通过获取地产市场数据以及地产市场数据相关联的第一社会经济指标数据,然后,将地产市场数据输入基于时间序列预测算法的自回归递归网络模型,得出依照预期时间序列分布的预测值。接着,将地产市场数据和第一社会经济指标数据输入向量自回归模型,得出在预期时间序列中第一社会经济指标数据与地产市场数据之间的动态关系,最后,将预测值和动态关系按照预期时间序列排列起来,进行加权平均,得出地产市场的趋势,从而改变现有技术中,仅依靠单一时序模型对地产市场的趋势进行分析确定,造成无法综合考虑多种不同的相关联因素(包括但不仅限于政策、经济、环境等诸多因素),也就是不同的社会经济指标数据,而本预测方法则通过采集地产市场数据的基础上,获取与地产市场数据相关联的社会经济指标数据,并在后续的确定过程中,对确定出地产市场数据与社会经济指标数据的动态关系,依照预期时间序列排列预测值和动态关系,并对其加权平均,最终形成地产市场趋势,从而简洁、高效地提升了确定地产市场趋势的稳定性和准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中地产市场趋势的确定方法的一应用环境示意图;
图2是本发明一实施例中地产市场趋势的确定方法的一流程示意图;
图3是本发明一实施例中地产市场趋势的确定方法的一流程示意图;
图4是本发明一实施例中地产市场趋势的确定方法的一流程示意图;
图5是本发明一实施例中地产市场趋势的确定方法的一流程示意图;
图6是本发明一实施例中地产市场趋势的确定方法的一流程示意图;
图7是本发明一实施例中地产市场趋势的确定方法的一流程示意图;
图8是本发明一实施例中地产市场趋势的确定方法的一流程示意图;
图9是本发明一实施例中地产市场趋势的确定装置的一示意图;
图10是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的地产市场趋势的确定方法,可应用在如图1的应用环境中,其中,终端设备通过网络与服务器进行通信,通过终端设备获取地产市场数据以及地产市场数据相关联的第一社会经济指标数据,进而发送给服务器。其中,终端设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
确定地产市场趋势是一种投资研究中常见的时间序列预测问题,主要是通过模拟未来地产市场的趋势,分析预期时间序列内地产市场的投资价值,为资产配置优化调整提供参考依据。目前常用的时间序列模型有自回归移动平均模型(ARMA)、自回归积分滑动平均模型(ARIMA)、向量自回归模型(VAR)、深度学习的长短期记忆网络(LSTM)、Transformer等模型。尽管已经有了许多用于模拟地产市场走势的模型,但这些单个模型在确定地产市场趋势的应用场景中会存在三方面缺陷:第一,数据不充分。地产市场的趋势会受到多种因素的影响,例如政策、经济、环境等,然而,大多数模型只考虑了地产市场自身的历史数据,比如自回归移动平均模型(ARMA)、单整自回归移动平均模型(ARIMA)、长短期记忆网络(LSTM)等,导致预测结果过于简化。第二,预测不确定性高。由于地产市场的复杂性,确定地产市场的趋势具有高度的不确定性。且大多数模型的预测结果是单一的预测值,模型效果受模型精度、参数的影响很大。第三,不满足大类资产配置场景需求。在大类资产配置场景中,需要模拟正常情景、风险情境、激进情境等多种情境下的市场走势,以期望能及时发现机遇、暴露风险。而常见的ARIMA、LSTM、Transformer等模型预测结果只有单一值无法满足业务场景需求。因此,需要采用复合模型来模拟地产市场的走势以满足业务场景的需求,也就是本实施例中,如图2所示,提供的一种地产市场趋势的确定方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤:
S10:获取地产市场数据以及所述地产市场数据相关联的第一社会经济指标数据。
服务器获取地产市场数据,并获取地产市场数据相关联的第一社会经济指标数据,其中,社会经济指标数据指反映一定社会经济现象数量方面的名称及其数值,包括但不仅限于社会消费品零售总额、公共财政收入、公共财政支出、广义货币供应量、金融机构各项存款余额、企业家信心指数等。地产市场数据指地产市场的供求关系中的各项数据,包括但不仅限于人均居住面积、住宅消费支出水平等。
S20:将所述地产市场数据输入基于时间序列预测算法的自回归递归网络模型,得出依照预期时间序列分布的预测值。
在获取到地产市场数据后,将地产市场数据输入基于时间序列预测算法的自回归递归网络模型,进而得出依照预期时间序列分布的预测值,其中,基于时间序列预测算法的自回归递归网络模型包括但不仅限于DeepAR(Probabilistic Forecasting withAutoregressive Recurrent Networks)模型。预测值包括但不仅限于预测结果、结果对应的概率等。DeepAR可以学习数据的规律和特征,生成多个可能的预测值。
S30:将所述地产市场数据和所述第一社会经济指标数据输入向量自回归模型,得出在所述预期时间序列中所述第一社会经济指标数据与所述地产市场数据之间的动态关系。
在获取地产市场数据和第一社会经济指标数据后,将地产市场数据和第一社会经济指标数据输入向量自回归模型,得出在预期时间序列中,第一社会经济指标数据与地产市场数据之间的动态关系。其中,向量自回归模型包括但不仅限于VAR(Vectorautoregressive model)模型,这是一种常用的计量经济模型。动态关系指第一社会经济指标数据对地产市场数据的影响以及它们之间的关系。动态是指滞后。VAR模型可以捕捉多个因素对地产市场的影响,从而提供更加全面和准确的预测。
S40:将所述预测值和所述动态关系按照所述预期时间序列排列起来,进行加权平均,得出所述地产市场的趋势。
将预测值和动态关系按照预期时间序列排列起来,进行加权平均,从而得出地产市场的趋势。其中,加权平均指利用预期时间序列排列起来的预测值并以时间顺序变量出现的次数为权数,计算出观测值的加权算术平均数。
具体地,将自回归递归网络模型和向量自回归模型的结果通过加权平均结合起来,生成预期时间序列内地产市场的走势分布预测。结合模型可以更准确地模拟未来时间段内地产市场的走势,同时也可以提高预测的准确性和稳定性。
值得注意的是,通过结合两种模型,可以更好地利用历史数据,准确地描述出地产市场过去的趋势,并根据历史数据准确地确定出未来的地产市场趋势。
需要说明的是,在现有技术中,仅依靠单一时序模型对地产市场的趋势进行分析确定,造成无法综合考虑多种不同的相关联因素(包括但不仅限于政策、经济、环境等诸多因素),也就是不同的社会经济指标数据,而本实施例则通过采集地产市场数据的基础上,获取与地产市场数据相关联的社会经济指标数据,并在后续的确定过程中,对确定出地产市场数据与社会经济指标数据的动态关系,依照预期时间序列排列预测值和动态关系,并对其加权平均,最终形成地产市场趋势,从而简洁、高效地提升了确定地产市场趋势的稳定性和准确性。
在一实施例中,如图3所示,步骤S10中,即获取地产市场数据以及所述地产市场数据相关联的第一社会经济指标数据,具体包括如下步骤:
S11:采集所述地产市场数据和第二社会经济指标数据。
S12:将所述地产市场数据和所述第二社会经济指标数据进行因果性关联,筛选出与所述地产市场数据相关联的第一社会经济指标数据。
在本实施例中,采集地产数据和第二社会经济指标数据,将地产市场数据和第二社会经济指标数据进行因果性关联,其中,因果性关联指第一个事件(即“因”)和第二个事件(即“果”)之间的作用关系,其中后一事件被认为是前一事件的结果。
具体地,对预处理后的地产市场数据和社会经济指标数据,首先使用格兰杰因果检验方法来验证地产市场数据与不同的第二社会经济指标数据之间是否存在因果性关系,对于不存在因果性关系的第二社会经济指标数据,可以不在VAR模型中使用。其中,因果性关系包括但不仅限于格兰杰因果关系检验(全称为Granger Causality Test)。
需要说明的是,在计算数据之间的相关性时,相关性完全不等于因果关系。但本实施例中,需要收集到与地产市场数据有因果关系的第一社会经济指标数据,因此在服务器采集到大量第二社会经济指标数据后,需要对第二社会经济指标数据进行过滤,从而得出与地产市场数据有因果性关系的第一社会经济指标数据,以便后续输入向量自回归模型的第一社会经济指标数据足够准确、有效,从而高效、准确地得出第一社会经济指标数据与地产市场数据之间的动态关系,最终形成准确、稳定的地产市场趋势,从而简洁、高效地提升了确定地产市场趋势的稳定性和准确性。
在一实施例中,如图4所示,步骤S20中,即将所述地产市场数据输入基于时间序列预测算法的自回归递归网络模型,得出依照预期时间序列分布的预测值,具体包括如下步骤:
S21:将所述地产市场数据输入所述自回归递归网络模型,输出按照所述预期时间序列分布的预测结果和所述预测结果对应的概率。
S22:将所述预测结果和所述预测结果对应的概率,作为所述预测值。
本实施例中,地产市场数据输入自回归递归网络模型,输出按照预期时间序列分布的预测结果和所述结果对应的概率。将预测结果和预测结果对应的概率,作为预测值。
具体地,本实施例中,使用地产市场数据,采用DeepAR模型进行训练。模型将学习地产市场数据的规律和特征,并能够生成多个可能的预测结果,同时计算每个结果的概率。
需要说明的是,本实施例中使用的DeepAR模型是一种自回归循环神经网络模型,同时也是多元时间序列模型,可以通过学习与预测值相关的地产市场数据来拟合更复杂的场景。相比于LSTM等循环神经网络,DeepAR并不是直接简单地输出一个确定的预测值,而是输出预测值的一个概率分布。也就是,生成多个可能的预测结果,以便可以更好地捕捉地产市场数据的不确定性,最终形成准确、稳定的地产市场趋势,从而简洁、高效地提升了确定地产市场趋势的稳定性和准确性。
在一实施例中,如图5所示,步骤S21之前,即将所述地产市场数据输入所述自回归递归网络模型之前,该方法还包括如下步骤:
S51:利用超参数优化算法中的贝叶斯优化算法库对初始自回归递归网络模型进行调参,得出模型最优参数。
S52:通过模型最优参数,得出所述自回归递归网络模型。
本实施例中,在初始自回归递归网络模型中,利用超参数优化算法中的贝叶斯优化算法库进行调参,得出模型最优参数。通过模型最优参数,得出自回归递归网络模型。
具体地,为了寻找到DeepAR模型的最优参数,在DeepAR模型中引入超参数优化算法中的贝叶斯优化算法库Hyperopt来搜索最优参数,包括但不仅限于神经网络类型、神经网络层数、神经网络单元数、迭代次数、学习率、Dropout Rate等。DeepAR模型可以通过学习与预测值相关的数据来拟合更复杂的场景。相比于LSTM等循环神经网络,DeepAR并不是直接简单地输出一个确定的预测值,而是输出预测值的一个概率分布。
其中,
=h(h,t-1,Zt-1,X,Θ)
函数是多层递归神经网络的一个网络单元。l(zi,t|θ(hi,t,Θ))似然函数是一个固定的分布,其参数由神经网络θ(·)将hi,t转换而来。
需要说明的是,本实施例中自回归递归网络模型能够考虑预期时间序列中的周期性、趋势性和突发性等多种因素,并且能够生成多个可能的预测结果,从而可以更好地捕捉数据的不确定性。自回归递归网络模型可以通过生成的多个预测结果和概率分布来量化模型的不确定性,提高了模型的解释性。自回归递归网络模型可以生成多个预测结果,并计算每个结果的概率,这使得用户可以选择最优的预测结果,并对预测结果的不确定性进行更准确的量化,最终形成准确、稳定的地产市场趋势,从而简洁、高效地提升了确定地产市场趋势的稳定性和准确性。
在一实施例中,如图6所示,步骤S30中,即将所述地产市场数据和所述第一社会经济指标数据输入向量自回归模型,得出在所述预期时间序列中所述第一社会经济指标数据与所述地产市场数据之间的动态关系,具体包括如下步骤:
S31:通过所述向量自回归模型,分析联合所述地产市场数据和所述第一社会经济指标数据之间的相互影响关系。
S32:将所述相互影响关系作为所述动态关系。
本实施例中,通过向量自回归模型,分析联合地产市场数据和第一社会经济指标数据之间的影响值和关联度,将影响值和关联度作为动态关系。其中,联合是指研究多个数据之间的相互影响关系,
具体地,对地产市场数据和第一社会经济指标数据,使用确定滞后阶数的VAR模型生成模拟结果。模型将学习这些指标对地产市场的影响,以及它们之间的关系。
需要说明的是,本实施例中向量自回归模型可以捕捉地产市场数据与其他相关因素之间的相互影响,也就是地产市场数据和第一社会经济指标数据之间的相互影响。向量自回归模型可以将地产市场与第一社会经济指标数据的影响考虑在内,提高了模型的准确性和可靠性。另外,向量自回归模型是一种线性模型,可以很好地解释不同变量之间的关系和影响,从而有助于理解地产市场的复杂性和不确定性。值得注意的是,向量自回归模型可以将不同的地产数据和第一社会经济指标数据之间的关系和影响考虑在内,生成多种可能的场景,提供更多的决策支持和决策建议,从而最终形成准确、稳定的地产市场趋势,以简洁、高效地提升了确定地产市场趋势的稳定性和准确性。
在一实施例中,如图7所示,步骤S31之前,即通过所述向量自回归模型,分析联合所述地产市场数据和所述第一社会经济指标数据之间的相互影响关系之前,该方法还包括如下步骤:
S61:使用赤池信息量准则,选择出初始向量自回归模型的滞后阶数。
S62:利用所述滞后阶数,训练出所述向量自回归模型。
本实施例中,使用赤池信息量准则(简称AIC,全称为Akaike InformationCriterion)选择出初始向量自回归模型的滞后阶数。接着,利用滞后阶数,训练出向量自回归模型。其中,滞后阶数指的是当前数据与前面的几个数据之间的时间间隔数量。
具体地,本实施例中,使用赤池信息量准则选择VAR模型的滞后阶数。
需要说明的是,本实施例中利用赤池信息量准则选择出向量自回归模型的滞后阶数,从而保证了衡量统计模型拟合优良性,最终形成准确、稳定的地产市场趋势,以简洁、高效地提升了确定地产市场趋势的稳定性和准确性。
在一实施例中,如图8所示,步骤S32中,即通过所述向量自回归模型,分析联合所述地产市场数据和所述第一社会经济指标数据之间的相互影响关系,具体包括如下步骤:
S321:将多组所述地产市场数据和所述地产市场数据对应的所述第一社会经济指标数据输入所述向量自回归模型,以依照所述预期时间序列进行并行分析,得出不同的场景变量、所述场景变量对应的滞后项、白噪音序列。
S322:将所述场景变量、所述场景变量对应的滞后项以及白噪音序列作为所述相互影响关系。
本实施例中,将多组地产市场数据和所述地产市场数据对应的所述第一社会经济指标数据,输入向量自回归模型,以依照预期时间序列进行并行分析,得出不同的场景变量、场景变量对应的滞后项、白噪音序列。将场景变量、场景变量对应的滞后项和白噪音序列作为相互影响关系。向量自回归模型是分析联合内生变量之间的动态关系的动态模型。
例如,一个三组并行时间序列数据的场景,在二阶的条件下,公式如下:
展开格式如下:
y1,t=φ01+φ11,1*y1,t-1+φ12,1*y2,t-1+φ13,1*y3,t-1+φ11,2·y1,t-2+φ12,2·y2,t-2+φ13,2·y3,t-2
其中,y2,t-1、y3,t-1、y2,t-2、y3,t-2都是其他变量的滞后项,εt是随机误差,也就是白噪声序列。
需要说明的是,本实施例中使用向量自回归模型进行计算,过程简洁明了,并且统一了风险计量标准。由于可以事前计算,降低市场风险。使得本实施例既具有很强的科学性,又表现出方法操作上的简便性,从而保证了衡量统计模型拟合优良性,最终形成准确、稳定的地产市场趋势,以简洁、高效地提升了确定地产市场趋势的稳定性和准确性。
本发明提供了一种结合自回归递归网络模型和向量自回归模型来确定地产市场的趋势的方法。该方法首先使用自回归递归网络模型来学习地产市场自身的规则特征,生成多个可能的预测结果,并计算每个结果的概率,从而对模型的不确定性进行更准确的量化。然后,利用向量自回归模型,将地产市场数据与第一社会经济指标数据进行结合,以模拟这些指标数据对地产市场数据的影响,进一步提高趋势确定的精度,以简洁、高效地提升了确定地产市场趋势的稳定性和准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种地产市场趋势的确定装置,该地产市场趋势的确定装置与上述实施例中地产市场趋势的确定方法一一对应。如图9所示,该地产市场趋势的确定装置包括获取模块10、第一计算模块20、第二计算模块30和输出模块40。各功能模块详细说明如下:
获取模块10,用于获取地产市场数据以及所述地产市场数据相关联的第一社会经济指标数据;
第一计算模块20,用于将所述地产市场数据输入基于时间序列预测算法的自回归递归网络模型,得出依照预期时间序列分布的预测值;
第二计算模块30,用于将所述地产市场数据和所述第一社会经济指标数据输入向量自回归模型,得出在所述预期时间序列中所述第一社会经济指标数据与所述地产市场数据之间的动态关系;
输出模块40,用于将所述预测值和所述动态关系按照所述预期时间序列排列起来,进行加权平均,得出所述地产市场的趋势。
关于地产市场趋势的确定装置的具体限定可以参见上文中对于地产市场趋势的确定方法的限定,在此不再赘述。上述地产市场趋势的确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储地产市场数据以及地产市场数据相关联的第一社会经济指标数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种地产市场趋势的确定方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取地产市场数据以及所述地产市场数据相关联的第一社会经济指标数据;
将所述地产市场数据输入基于时间序列预测算法的自回归递归网络模型,得出依照预期时间序列分布的预测值;
将所述地产市场数据和所述第一社会经济指标数据输入向量自回归模型,得出在所述预期时间序列中所述第一社会经济指标数据与所述地产市场数据之间的动态关系;
将所述预测值和所述动态关系按照所述预期时间序列排列起来,进行加权平均,得出所述地产市场的趋势。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取地产市场数据以及所述地产市场数据相关联的第一社会经济指标数据;
将所述地产市场数据输入基于时间序列预测算法的自回归递归网络模型,得出依照预期时间序列分布的预测值;
将所述地产市场数据和所述第一社会经济指标数据输入向量自回归模型,得出在所述预期时间序列中所述第一社会经济指标数据与所述地产市场数据之间的动态关系;
将所述预测值和所述动态关系按照所述预期时间序列排列起来,进行加权平均,得出所述地产市场的趋势。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种地产市场趋势的确定方法,其特征在于,包括:
获取地产市场数据以及所述地产市场数据相关联的第一社会经济指标数据;
将所述地产市场数据输入基于时间序列预测算法的自回归递归网络模型,得出依照预期时间序列分布的预测值;
将所述地产市场数据和所述第一社会经济指标数据输入向量自回归模型,得出在所述预期时间序列中所述第一社会经济指标数据与所述地产市场数据之间的动态关系;
将所述预测值和所述动态关系按照所述预期时间序列排列起来,进行加权平均,得出所述地产市场的趋势。
2.如权利要求1所述房地产投资的预测方法,其特征在于,所述获取地产市场数据以及所述地产市场数据相关联的第一社会经济指标数据,包括:
采集所述地产市场数据和第二社会经济指标数据;
将所述地产市场数据和所述第二社会经济指标数据进行因果性关联,筛选出与所述地产市场数据相关联的第一社会经济指标数据。
3.如权利要求1所述房地产投资的预测方法,其特征在于,所述将所述地产市场数据输入基于时间序列预测算法的自回归递归网络模型,得出依照预期时间序列分布的预测值,包括:
将所述地产市场数据输入所述自回归递归网络模型,输出按照所述预期时间序列分布的预测结果和所述预测结果对应的概率;
将所述预测结果和所述预测结果对应的概率,作为所述预测值。
4.如权利要求3所述房地产投资的预测方法,其特征在于,所述将所述地产市场数据输入所述自回归递归网络模型之前,所述方法还包括:
利用超参数优化算法中的贝叶斯优化算法库对初始自回归递归网络模型进行调参,得出模型最优参数;
通过模型最优参数,得出所述自回归递归网络模型。
5.如权利要求1所述房地产投资的预测方法,其特征在于,所述将所述地产市场数据和所述第一社会经济指标数据输入向量自回归模型,得出在所述预期时间序列中所述第一社会经济指标数据与所述地产市场数据之间的动态关系,包括:
通过所述向量自回归模型,分析联合所述地产市场数据和所述第一社会经济指标数据之间的相互影响关系;
将所述相互影响关系作为所述动态关系。
6.如权利要求5所述房地产投资的预测方法,其特征在于,所述通过所述向量自回归模型,分析联合所述地产市场数据和所述第一社会经济指标数据之间的相互影响关系之前,所述方法还包括:
使用赤池信息量准则,选择出初始向量自回归模型的滞后阶数;
利用所述滞后阶数,训练出所述向量自回归模型。
7.如权利要求5所述房地产投资的预测方法,其特征在于,所述通过所述向量自回归模型,分析联合所述地产市场数据和所述第一社会经济指标数据之间的相互影响关系,包括:
将多组所述地产市场数据和所述地产市场数据对应的所述第一社会经济指标数据输入所述向量自回归模型,以依照所述预期时间序列进行并行分析,得出不同的场景变量、所述场景变量对应的滞后项、白噪音序列;
将所述场景变量、所述场景变量对应的滞后项以及白噪音序列作为所述相互影响关系。
8.一种房地产投资的预测装置,其特征在于,包括:
获取模块,用于获取地产市场数据以及所述地产市场数据相关联的第一社会经济指标数据;
第一计算模块,用于将所述地产市场数据输入基于时间序列预测算法的自回归递归网络模型,得出依照预期时间序列分布的预测值;
第二计算模块,用于将所述地产市场数据和所述第一社会经济指标数据输入向量自回归模型,得出在所述预期时间序列中所述第一社会经济指标数据与所述地产市场数据之间的动态关系;
输出模块,用于将所述预测值和所述动态关系按照所述预期时间序列排列起来,并进行加权平均,得出所述地产市场的趋势。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述房地产投资的预测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述房地产投资的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311315206.9A CN117372070A (zh) | 2023-10-11 | 2023-10-11 | 地产市场趋势的确定方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311315206.9A CN117372070A (zh) | 2023-10-11 | 2023-10-11 | 地产市场趋势的确定方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117372070A true CN117372070A (zh) | 2024-01-09 |
Family
ID=89392237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311315206.9A Pending CN117372070A (zh) | 2023-10-11 | 2023-10-11 | 地产市场趋势的确定方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372070A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118229326A (zh) * | 2024-04-09 | 2024-06-21 | 深圳市鼎尖软件有限公司 | 一种基于数据分析的房源信息录入系统及方法 |
-
2023
- 2023-10-11 CN CN202311315206.9A patent/CN117372070A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118229326A (zh) * | 2024-04-09 | 2024-06-21 | 深圳市鼎尖软件有限公司 | 一种基于数据分析的房源信息录入系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Short-term load forecasting based on LSTM networks considering attention mechanism | |
Guo et al. | Bitcoin price forecasting: A perspective of underlying blockchain transactions | |
Liu et al. | Stock market prediction with deep learning: The case of China | |
Chen et al. | Stock Price Forecast Based on CNN‐BiLSTM‐ECA Model | |
Ouyang et al. | Agricultural commodity futures prices prediction via long-and short-term time series network | |
Jung et al. | An algorithmic crystal ball: Forecasts-based on machine learning | |
Salehnia et al. | Forecasting natural gas spot prices with nonlinear modeling using Gamma test analysis | |
Bucci | Cholesky–ANN models for predicting multivariate realized volatility | |
CN114971748B (zh) | 预测数据生成、模型训练方法、计算机设备以及存储介质 | |
CN112508265A (zh) | 面向业务流程管理的时间与活动多任务预测方法及系统 | |
Ghimire et al. | Efficient daily electricity demand prediction with hybrid deep-learning multi-algorithm approach | |
Yasynska et al. | Assessment of the level of business readiness for digitalization using marketing and neural network technologies | |
Stødle et al. | Data‐driven predictive modeling in risk assessment: Challenges and directions for proper uncertainty representation | |
CN117372070A (zh) | 地产市场趋势的确定方法、装置、计算机设备及存储介质 | |
Caporin et al. | Thresholds, news impact surfaces and dynamic asymmetric multivariate GARCH | |
Xu et al. | Interpretable transformer-based model for probabilistic short-term forecasting of residential net load | |
Zhao et al. | Point and interval forecasting for carbon trading price: a case of 8 carbon trading markets in China | |
CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
Jiang et al. | Deep learning with regularized robust long‐and short‐term memory network for probabilistic short‐term load forecasting | |
Balcilar et al. | Was the recent downturn in US real GDP predictable? | |
Zang | Construction of Mobile Internet Financial Risk Cautioning Framework Based on BP Neural Network | |
Bekiroglu et al. | A multi-method forecasting algorithm: Linear unbiased estimation of combine forecast | |
Zhang et al. | A combinational QoS-prediction approach based on RBF neural network | |
Draz et al. | Software cost estimation predication using a convolutional neural network and particle swarm optimization algorithm | |
Iqbal et al. | Forecasting stock market using machine learning approach encoder-decoder ConvLSTM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |