基于人工神经网络的商服基准地价评估研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于人工神经网络的商服基准地价评估研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
【摘 要】根据基准地价评估的特点，以商丘市为例，对人工神经网络在基准地价评估中的应用进行了探索。以商业定级因子分值为自变量，以修正后的样点地价为因变量，通过学习样本训练，建立了商丘市商服基准地价神经网络模型。经验证，神经网络模型的预测平均误差为5.54%。根据商丘市6个商业服务用地级别的定级因子平均值，预测了各级别基准地价，结果与实际地价结果基本一致，平均误差仅为1.66%，与传统方法――多元回归分析法相比预测精度提高了4.72个百分点。说明基于人工神经网络的城市基准地价评估简便可行，比传统方法更客观。
【关键词】基准地价 人工神经网络 土地定级 估价模型
基准地价是指在城市规划区范围内，对现状利用条件下不同级别或不同均质地域的土地，按照商业、居住、工业等用途，分别评估确定的某一估价期日土地使用权区域的平均价格[1]。常用的基准地价评估方法有市场比较法、收益还原法、剩余法、成本法。常用的方法虽然在城镇基准地价的评估中占据主导地位，但其过程比较复杂，数据涉及的领域较多，所需要采集的地价样本量大，造成效率不高，不仅费时费力，而且也增加了评估成本。为了提高评估效率，降低评估成本，因此，需要引入一种更好的方法来准确预测城市基准地价。基准地价作为政府宏观调控土地需求的主要手段之一，如何在快速、准确、高效地进行基准地价的更新评估的同时，保证基准地价评估的精度，已成为当今国土管理部门十分关注的问题。
1 理论基础[2-8]
人工神经网络（Artificial Neural Net Work，简称ANN）是一种信息处理系统，其模型是由多个基本单元以某种规则连接而成的层次网络结构。它以基本单元模拟生物大脑中的神经元，通过单元间信息的相互传递来模拟大脑神经网络的学习、记忆、推理、归纳等功能。其优点在于不需要设计任何数学模型，只需靠过去的经验来学习，具较强的容错性，对不完全信息、带噪音的信息具良好的适应性，对非线性关系的模拟更具优越性。目前神经网络已广泛应用于智能识别、自动控制、图像与语言处理等方面， 而预测评估也是其重要的应用领域之一。人工神经网络的种类很多，BP神经网络就是最具代表性、应用最广泛、效果最好的方法之一。因为BP神经网络能够调整权值，使网络总误差最小，同时网络学习过程也是一种误差边向后传播边修正权系数的过程。
BP神经网络又称误差反向神经网络，属于向前多层传播、有导学习的神经网络，由大量简单的处理单元（神经元）广泛互连形成的复杂的非线性系统。BP神经网络模型通常由输入层、包含一层或多层的隐含层和输出层组成，同层各神经元互不连接，相邻层的神经元通过权连接。
针对含有m个样本的训练集，BP网络学习训练的基本步骤，如图1所示：
（1）初始化。设置各个权值 和阈值 的初始值，并保证这些值在（0，1）范围内，同时设置最大迭代次数M（M>m）和目标误差；
（2）提供训练样本。随机取出一个样本，设定其输入向量 和对应期望输出向量 ；
（3）计算网络的实际输出及隐含层。 ，其中： 表示第 个样本在第 层的输入， 表示第 层和第 层的连接权值， 表示第 个样本在第 层的输出， 为第 层的阈值；
（4）计算训练误差。 ， 表示第 个样本在第 层的输入， ，当 为输出层时；
（5）修正权值和阈值。 ，当 为输出层时， ；
（6）样本经过反复训练，当达到最大迭代次数M时，网络不收敛；或者训练误差小于等于目标误差时，网络收敛时，就达到期望效果，得到输出向量，则训练结束。
2 研究思路
本文利用人工神经网络研究基准地价的基本思路：首先，根据地价样点图与各定级因子图之间的空间关系，得到地价与定级因子间的关系表，抽取商业地价记录作为神经网格学习样本；其次，以各定级因子的作用分值为自变量，修正后的地价为因变量，训练神经网络模型；第三，利用未进入学习样本的地价样点，验证网络模型精度；最后，利用神经网络模型评估不同级别的基准地价。
3实例验证――以商丘市为例
3.1 数据来源
（1）商丘市2013年城镇商业定级数据。具体包括商服繁华影响度分值图、道路通达度分值图、公交便捷度分值图、对外交通便利度分值图、作用分值完备度分值图和人口密度分值图，数据格式为10m×10m的ArcGIS软件的栅格数据。
（2）商丘市2013年城镇商业地价样点数据。主要包括土地出让、出租、转让等地价调查样点。地价样点按照基准地价内涵进行修正，即估价基准日为2013年1月1日，通路、通电、通讯、通上水、通下水、通气及土地平整的六通一平开发标准，土地容积率为2.2，土地出让年限为40年。地价样点数据格式为ArcGIS的Shape点数据图层。
3.2 选取学习样本
影响样本的因素包括一般因素、区域因素和个别因素。由于预测的宗地都位于商丘市，一般因素都相同，不需要考虑；土地级别综合反映了土地的自然条件和区位条件，能反映出土地的区域差异，因此可以用土地级别来区分区域因素[9]。由于土地用于商业，商服繁华度和交通便捷度对商业的影响较大，同时设施完善度和对外便捷度对商业的开发成本影响较大，进而影响价格，综合以上分析这里选取的个别因素主要有：商服繁华度、公交便捷度、基础设施完善度、对外交通便利度、道路通达度、人口密度。
将地价与定级因子关系表中数据导入MATLAB软件中，从200多个样本中剔除存在明显错误的数据，随机选取了61个商业地价样本，用于BP神经网络建模。将学习样本分为训练样本和测试样本两类，前55个样本点为训练样本，后6个样本点为测试样本。为了充分发挥BP神经网络的预测功能，提高其输出精度，需将输入数据作归一化处理，一般将输入量归一化到[0，1]区间[10]。
式中： 为标准化后商丘市某因素的指标值， 为标准化前商丘市某因素 的指标值， 为标准化前商丘市某因素指标的最小值， 为标准化前某因素指标的最大值。其具体情况如表l所示：
3.3 建立神经网络模型
MATLAB软件提供了强大的神经网络工具箱，本研究利用MATLAB2012软件系统进行建模。理论上已经证明，具有一个隐含层的三层网格可以逼近任意非线性函数，因此将网络设置为三层。将6个影响因子的作用分值作为输人层神经元，即自变量，将样点地价作为输出层神经元，即因变量。隐含层神经元数的选取是比较重要的，也是比较困难的问题，神经元太少，则网络学习效果较差，且网络训练次数增加；神经元个数太多，则训练时间较长，且可能出现网络不收敛的情况，在本模型建立过程中经过多次调试对比，当选取4个隐含层神经元时，网络的收敛速度比较快，因此隐含层神经元数设置为4。隐含层中的神经元采用S型激发函数，输出层传递函数采用Purelin线性传递函数，其参数设置为0.9，最小训练速率为0.05，动态参数0.8，训练的目标误差为0.005，训练步长为500。经过55个训练样本的训练，并由系统不断地自动调节网络权值和阈值，最后得到误差满足精度要求的估价神经网络，网络训练误差曲线如图3所示。
3.4 网格模型验证
将这6个测试样本的基准地价定级因子输入神经网络模型，由神经网络预测出地价，通过与实际地价比较，判断神经网络是否具有推广能力。结果如表2所示，可以看出，用BP神经网络模型模拟的基准地价和验证样本点的结果是比较吻合的，其中最大误差为8.99%，最小误差为2.84%，平均误差为5.62%，预测精度在90%以上。
3.5 基准地价评估
商丘市商服用地定级工作中，将城市用地划分为6个级别，利用ArcGIS系统的分区统计功能，分别统计6个商服用地级别的商服繁华影响度、公交便捷度、基础设施完善度、对外交通便利度、道路通达度、人口密度等6个定级因子的平均值，如表3所示，随商服用地级别从高到低变化，各级定因子分值均呈逐步减少的趋势。
将表3中各级别的因子平均分值代入神经网络模型，进行基准地价模拟预测，并将预测结果与商丘市用传统方法――多元回归分析法确定的基准地价结果对比分析，结果如表4所示。从表4可以看出，神经网络预测的基准地价随土地级别降低而下降，对传统方法计算的结果基本一致，误差百分比最大的为六级用地，达到3.76%，最小的为二级用地，仅为0.30%，整体平均值为1.66%，误差百分比整体呈现二、三、四级小，一、五、六大的趋势，这与神经网络建模的学习样本有关，神经网络建模的学习样本主要分布在二、三、四级用地区域中。神经网络预测值整体比传统方法计算值偏小，经调查分析发现，商丘市基准地价在进行区域地价平衡时，进行了人为的上调。经过以上分析可以看出，基于BP神经网络的基准地价评估达到了较高的精度，该方法在基准地价评估中，有很高的应用价值。
4结论及分析
本文以商丘市商服用地为例，开展了人工神经网络建模与应用研究，结果表明：
（1）利用3层神经网络，4个隐含层神经元时，网络可以快速收敛，通过地价样点验证，模型平均误差为5.54%，达到了较高的精度。
（2）将建立的神经网络模型应用于商服基准地价评估，与实际地价结果基本一致，平均误差仅为1.66%。多元回归分析法预测的结果与实际值的相对误差为5.54%，预测精度提高了4.72个百分点。
本文的研究实例充分说明，将人工神经网络运用于基准地价评估的实践中，是切实可行的。随着人工神经网络技术的不断发展和完善，可以预见其应用将会得到实现和推广。
本文仅选取城市商业用地中部分样本进行了建模分析和研究，存在样本量小、土地区域或地价范围有限等局限性，对于大样本、多级别、大范围的土地估价模型的建立和应用，还有待进一步深入探讨和研究。
参考文献：
[1] 中华人民共和国国家质量监督检验检疫总局.城镇土地估价规程（GB/T18508-2001）[S]. 北京：中国标准出版社，2002.
[2] 葛哲学，孙志强.神经网络理论与MATLAB R2007实现[M].北京：电子工业出版社，2008，269～311.
[3] 王小川，史风.MATLAB神经网络43个案例分析[M].北京：北京航空航天大学出版社，2013，1～32.
[4] 张威.MATLAB基础与编程入门[M].西安：西安电子科技大学出版社，2013，48～132.
[5] 袁曾任.人工神经元网络及其应用[M].西安：西安电子科技大学出版社，1988.
[6] 夏建国，申文金.基于BP神经网络的征地区片综合地价评估[J].经济地理，2007，27（6）.
[7] 王胜武，郑新奇.基于神经网络的宗地地价评估探析[J].山东师范大学学报（自然科学版），2006，21（4）.
[8] 吴明发，陈美球.基于GIS的神经网络法在宗地地价评估中的应用[J].华南热带农业大学学报，2007，13（1）.
[9] 孙晓，刘文锴.基于人工神经网络的地价评估系统[J].焦作工学院学报（自然科学版），2003，22（2）.
[10] 吴迪军，刘耀林，黄全义.城镇基准地价评估的人工神经网络模型研究[J].测绘科学技术学报，2007，4.
作者简介：张轶莹（1988―），女，河南郑州人，硕士研究生，研究方向为土地估价与地理信息系统。
通讯作者：霍明明（1989―），女，河南郑州人，硕士研究生，研究方向为土地估价与土地利用规划。