基于区域特征的城市住宅价格评估模型

针对传统住宅价格模型不足,根据地学区位理论,将区域经济因素引入特征价格模型,提出了基于区域特征的城市住宅价格评估模型.依托郑州市数字房产数据库,选取2007～2010年新建商品房买卖合同数据,利展GIS技术获取样本的位置、距离信息,采用多元线性回归方法对该模型进行了验证.结果表明住宅价格与区域经济、位置特征、邻里特征、...     

融GIS和BP神经网络的住宅房产评估模型

针对房产税征收对住宅房产价格批量评估的需求问题,该文提出融合GIS和BP神经网络的住宅房产批量评估模型。该模型以特征价格理论为依据,利用GIS数据分析方法构建了16个住宅房产价格的影响因子及量化指标,对房产交易案例库及待估房产进行批量量化,然后利用BP神经网络挖掘房产估价因子与价格之间的对应关系,对量化的待估房产进行批量评估,并开发了相应的软件系统。该文以赣州市章贡区10处待估房产为例,对模型进行验证。结果表明,估算出的房产价格与实际成交价格接近,模型具有较高准确性。     

基于BP神经网络的霍普菲尔德模型改进研究

为了分析对流层延迟的时空变化规律、提高对流层延迟的改正精度,利用BP神经网络处理非线性问题的优势,改进传统的霍普菲尔德模型得到一种新的融合模型(Hop+BP模型)。分别对比Hop+BP模型与传统的霍普菲尔德模型、多元线性回归模型、BP神经网络等模型的计算结果,得到如下结论:霍普菲尔德模型存在一个明显的系统误差,精度较低;多元线性回归的预测精度有所提高,但是其本质是将数据强制拟合,缺少物理解释,难以推广使用;传统的BP神经网络的计算精度较之霍普菲尔德模型有80%的提高,但存在明显的不稳定性;Hop+BP模型具有预测精度高、稳定性好等优点,预测中误差为1.1cm,明显优于传统方法。     

一种基于BP神经网络的空间异常探测方法

空间异常探测旨在发现偏离普遍模式的小部分异常目标.对揭示地理现象潜在的发展变化规律有着重要意义.在现有的空间异常探测方法中,空间邻近域的确定直接影响探测结果的可靠性.为此,在顾及空间数据分布特征的前提下,利用人工神经网络机器学习的优势,发展了面向空间异常探测的BP神经网络结构和学习规则,提出了基于BP神经网络的空间异常探测方法,定义了基于BP神经网络的空间异常度概念,进而探测空间异常.最后,通过3组实际算例验证所提方法的可行性,并分析得出实验结论.     

北京市房地产价格空间分布变化研究

针对北京市主城区房地产价格长区间的空间分布变化及其成因进行研究,为北京市房价的空间分布规律提供参考.采用空间相关性分析方法中的平均最近邻分析、全局Moran'sI指数、Moran散点图和LISA集聚图等分析工具结合空间自相关理论对北京市主城区房地产价格的空间分布变化进行分析,通过克里金插值分析方法验证房价的空间特征,分析空间分布的变化及其成因.得出北京市主城区房地产价格20152019年,空间集聚特征不变,正向空间自相关增强,价格中心由单中心变为中心—副中心的多中心形式,区位因素和交通可达性条件是影响房价空间分布变化的重要因素.     

基于神经网络的房地产估价研究

根据房地产估价的特点将人工神经网络引入到房地产价格评估领域,创建了基于神经网络的房地产估价模型,在对训练样本验证结果分析的基础上,对两种神经网络估价模型进行了对比分析,指出了两种网络各自的优缺点以及改进措施。     

基于ArcGIS的房地产价格空间分布研究

首先以深圳市福田区部分普通住宅的房地产价格为数据基础,利用空间分布分析中的最近邻距离分析法确定了各住宅的空间分布情况,即呈簇状分布状态;然后,运用空间自相关理论和方法,选用Moran,指数对研究区域的房价自相关关系进行测度和实证分析,从而得到深圳市景田区部分住宅房地产价格的空间自相关性情况;最后,利用ArcGIS中的地统计分析工具对整个区域的房地产价格进行了拟合,得到研究区域房价的空间分布情况。     

房地产计税价格批量评估实证研究

结合批量评估的技术思路,以深圳市二手住宅计税价格批量评估为例,构建了以长期趋势法,成本法为基本原理,结合地理信息技术(GIS)的批量评估模型,并提出研究结论与未来发展设想.     

西安市住宅价格空间分布特征及影响因素北大核心CSCD

针对目前西部二线城市住宅价格的空间分布研究较少的问题,该文从地质统计学角度出发,以西安市主城区452处的住宅价格数据为例,利用空间自相关、变异函数、克里金空间插值等理论方法,对住宅价格的空间分布特征及其影响因素进行了研究。研究发现,西安市主城区内住宅价格整体呈现空间正相关性,在各向同性上,住宅价格的最优拟合模型为指数模型,但在不同方向上变异程度不尽相同。目前,西安市主城区住宅价格的空间结构呈现一个极值中心,两个次级核心组团,两个新新组团的局面,价格整体南高北低、东高西低。究其原因,历史背景、新一轮城市规划和特定的景观环境及文化底蕴等要素均影响住宅价格的空间分布。     

顾及空间异质性的自回归模型应用研究北大核心CSCD

针对传统的空间自回归模型拟合精度较低且无法顾及空间异质性的问题,该文提出了改进的地理加权自回归模型。并以北京市住宅小区特征价格数据为例,利用探索式空间数据分析方法分析住宅价格数据的空间自相关性,探讨其时空演变特征;建立了空间自回归模型、地理加权回归模型和地理加权自回归模型,并在模型之间进行精度对比和分析。实验结果表明:北京市住宅价格具有明显的空间相关性与空间集聚特征;由于综合考虑了空间自相关性和空间异质性,地理加权自回归模型不仅能大幅度提高模型的拟合优度和解释能力,还能更好地揭示住宅价格的空间变化规律,为数据的空间探索提供了新的方向。     

房产价格时空演变分析

以时空数据模型及房产价格为研究对象,在同时满足基于特征和事件的空间时态数据模型基础上,结合数据库、统计分析、数据挖掘等技术创建基于位置(栅格)和对象(矢量)相结合的时空数据模型,实现了对马鞍山市房产价格的查询和管理.     

利用BP神经网络改进电离层短期预报模型

电离层总电子含量TEC(Total Electron Content)是电离层的一个重要特征参数。对TEC的预报也已经成为电离层研究的一个热点。根据JS CORS中心提供的GPS观测数据,建立了区域实时多站多项式模型;并分别以模型计算得到的南京地区的电离层电子含量数据和苏州地区的电离层电子含量数据为样本,采用时间序列和BP神经网络融合模型进行了预报。结果表明,采用融合模型在短期预报中能够取得较好的效果,精度比时间序列模型提高20%左右。     

基于不动产空间本体模型的数据共享研究

分析了当前不动产数据的共享需求,基于Linked Data技术提出了一种新的不动产数据共享模型与应用框架;并详细阐述了该框架的总体架构以及每层架构的作用与关键技术,以期为不动产数据的共享应用提供借鉴。     

基于BP神经网络技术的区域短期地震预测模型研究

地震预测是一个世界性科学难题,特别是短期与临震预测的水平与社会需求相距甚远。论文在详细分析研究地震数据特征以及常规地震预测方法的基础上,提出了一种可以实现地震震级量化预测的新方法,此方法通过解算出地震参数和天文时变参数并建立地震预测模型,对未来预测周期内发生的最大地震震级进行量化预测。本文以实验区域为研究对象并选取6个月为预测周期,采用线性回归分析方法和常规BP神经网络方法进行研究。经回溯检验,其地震震级预测中误差分别为±0.78级和±0.61级,精度均有待提高。经过总结上述两种方法的优缺点,创新的提出了基于线性回归与神经网络技术的地震预测融合模型,回溯检验结果表明,融合模型的震级预测中误差为±0.41级,地震预测效果显著提高。     

改进BP神经网络模型在索塔变形预测中的应用

通过分析温度、风速气压、日照和拉索拉力等因素,建立函数关系模型,结合南京长江五桥钢壳-混凝土索塔变形监测实例,采用基于小波阈值去噪、岭回归、BP神经网络的多算法组合模型,进行不同组合算法的实验,预测索塔监测点的坐标,与全站仪观测的索塔变形数据进行比较,得到小波-岭回归-BP神经网.     

基于遗传BP神经网络模型的土地利用变化预测模型研究

针对已有的遗传BP神经网络土地利用变化预测模型存在BP神经网络隐层节点不易确定、创建过程烦琐等问题,本文利用输入层与隐藏层神经节点数量关系原理确定隐层节点,在Sheffield工具箱环境下进行遗传算法的编程,简化遗传BP神经网络土地利用变化预测模型的创建。结果表明,利用输入层和隐含层节点数量关系创建的遗传BP神经网络土地利用变化预测模型,可以实现土地利用变化的预测,而且在效率和精度上均优于传统BP神经网络模型,且操作简便。     

基于退火BP神经网络的GPS高程转换

阐述模拟退火算法的基本思想和原理,提出并介绍模拟退火算法优化的BP神经网络模型在GPS高程转换中的具体应用,同时编写相应的MATLAB处理程序,结合大量数据进行仿真实验,结果表明文中提出的退火BP神经网络模型具有收敛速度快、精度高、避免陷入局部最小的优良特性。     

小波变换和BP神经网络模型在沉降变形监测中的应用研究

变形预测在预报工程险情方面起着关键性的作用,针对施工中需及时、准确地预测变形的问题,本文利用小波变换原理对监测数据进行降噪处理,并采用BP神经网络分析不同训练样本下的预测效果和精度水平。实验结果表明:基于小波消噪后的BP网络模型,以连续的近期观测数据作为训练样本,对下期变形预测精度高,效果好,相对误差很小。因此,小波变换和BP神经网络模型在沉降变形监测工程中能作为预测研究与应用的参考。     

融合BP神经网络的组合模型地铁结构变形预测

基于误差平方和最小准则构建回归分析模型和时间序列模型的组合模型,采用BP(black propagation)神经网络优化其组合模型的预测结果,最终获得信息最大化的预测结果.将此方法应用于南京地铁某号线自动化监测,结果显示其预测精度高于任何单一模型,预测精度得到有效提升.