基于灰色GM(1,1)模型的房地产开发价值预测研究

合集下载

《灰色GM(1,1)模型的优化及其应用》范文

《灰色GM（1,1）模型的优化及其应用》篇一一、引言灰色系统理论是由我国学者邓聚龙教授提出的一种处理不完全信息的理论。

其中，灰色GM（1,1）模型是灰色系统理论中最为常用的一种预测模型。

该模型适用于数据量少、信息不完全的场景，能够有效地对未来趋势进行预测。

然而，原始的GM（1,1）模型在某些情况下可能存在预测精度不高的问题。

因此，本文旨在探讨灰色GM（1,1）模型的优化方法及其应用，以提高模型的预测精度和适用性。

二、灰色GM（1,1）模型概述灰色GM（1,1）模型是一种基于一阶微分方程的预测模型，主要用于处理含有不完全信息的数据序列。

该模型通过对原始数据进行累加生成序列，建立微分方程，进而对未来数据进行预测。

GM（1,1）模型具有建模简单、计算方便、对数据要求不高等优点，因此在各个领域得到了广泛应用。

三、GM（1,1）模型的优化针对原始GM（1,1）模型在预测精度方面的不足，本文提出以下优化方法：1. 数据预处理：在建立模型前，对原始数据进行预处理，如平滑处理、去噪等，以提高数据的质量。

2. 参数优化：通过引入背景值优化方法、灰色作用量系数优化等方法，对模型的参数进行优化，提高模型的预测精度。

3. 模型检验：在建立模型后，通过实际数据对模型进行检验，根据检验结果对模型进行修正和优化。

四、优化后GM（1,1）模型的应用经过优化后的GM（1,1）模型在各个领域得到了广泛应用，如经济预测、农业产量预测、人口预测等。

以经济预测为例，优化后的GM（1,1）模型能够更准确地预测未来经济走势，为政府和企业提供决策依据。

在农业领域，该模型可以用于预测农作物产量，为农业生产提供科学指导。

此外，该模型还可以应用于人口预测、能源需求预测等领域。

五、案例分析以某地区农产品产量预测为例，采用优化后的GM（1,1）模型进行预测。

首先，对原始数据进行预处理，建立GM（1,1）模型，并引入背景值优化方法和灰色作用量系数优化方法对模型参数进行优化。

灰色GM_1_1_模型在房价预测中的算法研究

!"#$%&%’($ !)*"*+, !""# 年第 $ 期 % 总第 &’& 期 (
企业经济
’#,
’&, %
格进行预测，但其精度不高，运用的不是很理想。其预测值、相对误差和平均相对误差如下表。
’$,， ……， & % #， 5， 6；作准光滑性检验，由 "’&, %
’#,
对3
即可判 ’&, %
定；检验 3
是否具有指数规律，由#
’#,
判定；对 3 ’ # , 作紧邻均值生成序列 ; ’ # , % 4 1 ’ # , ’ 5 , - 1 ’ # , ’ < , - …… - 1 ’ # , ’ 6 , 7 - 其中 1 ’ # , ’ & , % /= > 4 . ’ # , ’ & , ? . ’ # , ’ & 8 # , 7 ， & % 5- <- …… - 6= 设 @ % 4 . ’ / , ’ 5 , - . ’ / , ’ < , - $- . ’ / , ’ 6 , 7 A ，现在对模型的运用进行调整：为了预测 5//> 年，分别用最近 < 年（即取 5//G 年、 5//< 年和 5//5 年的实测最近 > 年… 数据作为样本，即连续的年份）、最近 G 年、 …的数据作为样本分别建立模型，并计算此模型相应的平均误差。下面从 #FCE 8 5//G 年的全国房屋平均销售价格中分别选取不同个数的样本作为已知数据的建立模型，研究此模型对已知数据模拟的平均误差，结果如表 5：
% 4.
’/ ,

基于灰色模型的主体结构价格预测研究 ——以邢台住宅项目为例

关键词：GM（1，1）模型；主体结构；造价管理
中图分类号：TU723.3
文献标识码：A
文章编号：1007-7359（2021）11-0183-03
DOI:10.16330/ki.1007-7359.2021.11.082
1
引言
2020 年全年全球范围内新冠疫情
肆虐，使全球经济遭到重创。虽然我国
安徽建筑
程晓丽
其中：
③在对累加生成序列做紧邻均值生
成，得到：
其中：
④定义灰色微分方程为：
其中：a 为发展系数，b 为灰色作用
量。
⑤构建白化方程：
⑥参数 a 和 b 的灰色参数矩阵为：
其中：
②对建立的原始数列做一次累加，
生成累加数列：
∧
其中：a 为待估参数向量
⑦时间响应函数的解方程式：
2017-2020年南京市住宅项目建安工程造价指标（单位：元/㎡）
已经基本控制疫情，并逐步恢复生产，但
对我国各行各业的短期冲击巨大，对建
筑行业的影响也是非常大的。例如项目
拖延进度、原材料、运输等成本的持续上
涨，资金周转难，供应链保障难等一系列
不确定因素，对建筑成本影响也是巨大
的。在 2020 年底世界范围内疫情尚未
有效控制，短期内世界经济发展前途扑
朔迷离，对我国经济影响程度难以评
表2
年份
类型
2015 年
2016 年
2017 年
2018 年
2019 年
2020 年
高层结构
1156.12
1162.22
1174.13
1210.55
1231.62
——

基于灰色系统GM(2,1)模型的商品房价格分析及预测

基于灰色系统GM（2，1）模型的商品房价格分析及预测作者：孙守瑄吴言潘亚诚张红伟来源：《电脑知识与技术》2019年第06期摘要：为了从定量和定性的角度分析影响商品住宅价格的因素、预估未来商品住宅价格的走向与波动情况，以海南省主要城市为例，通过主成分分析法得出“政府政策” “投资商投资行为”，“消费者消费行为”作为定性分析因素和9个用于定量分析的因素，通过灰色关联度模型给出各因素之间的关联度。

使用MATLAB建立多元线性回归的房价数学模型。

在将数据进行无量纲处理之后，运用灰色系统GM（2，1）模型对结果进行检测，结果和预期相符。

通过对建立的数学模型求解、对结果的讨论发现未来三亚和海口的商品住宅价格会快速增长，其中三亚房地产价格上涨更为迅速。

关键词：商品房价格；影响因素；主成分分析；多元线性回归；灰色预测中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2019）06-0191-02住房是居民的基本需求，十九大报告明确指出“坚持‘房子是用来住的、不是用来炒的’定位，加快建立多主体供给、多渠道保障、租购并举的住房制度，让全体人民住有所居。

”。

商品房、经济适用房、小产权房、房改房、集资房、廉租房、公租房、安置房等构成我国主要住房形式，其中我国城镇居民住房又以商品房为主。

商品房价格作为房地产业运行的“晴雨表”，不仅关系到国民经济的稳定发展，同时也重要民生问题。

因此准确的获得影响商品房的价格影响因素以及价格走向，对于政府和居民都非常重要。

孟莹、饶从军（2018）指出影响商品房的价格因素有土地供应、市场监管、居民的住房信贷、税收补贴以及落户购房等因素并利用灰色理论预测了湖北省商品房的均价[1]. 李永刚（2018）提出了土地出让金、房产税、城镇人口、城镇居民收入、人均社会产出、商品成本、房地产开发投资、银行信贷和利率等影响因素[2]. 袁秀芳，郑伯川，焦伟超（2016）的研究指出了影响房价的8个因素，并建立了基于SVR 的商品房价格预测模型[3]。

基于灰色GM(1,1)模型的广州市房地产投资分析

一
，
要想建立满意有效的Ｇ（，）模型，级比应落于界区Ｍ１１
ａ
ａ
（青 ‘）内。则，对原数作换以才建ｉ之否须始据变后能一－
模，常用的变换有：对数变换、方根变换、平移变换等，具体变
换方法见邓聚龙教授有关专著。
６给出原始数据序列Ｘ．的预测模型。对累加数据序列
检验和后验差检验。
（ ‘（）ｘ２Ｘ ’ １ ‘（） ’
，，
…
，
ｘ（） ‘ ｎ） ’
式中Ｘ（＝（（）＿， …，：ｉ ∑））（１，ｎ㈩）（ｋｉ２）０
ｋ＝ｌ
新生成的数据序列为一条单调增长的曲线，增加了原始
数据序列的规律性，弱化了波动性。而３建立微分方程。灰色系统建模思想是直接将时间序列．转化为微分方程，从而建立抽象系统的发展变化动态模型，
，
５．给出累加数据序列ｘ…的预测模型。求解上述ＧＭ
（，）１１模型一阶微分方程，得预测模型为：
（）１
’ ）（：ｋ
Ｘ…（）ｋ
（：一ｋ２３
，
ｎ）
Ｘ（＋）（（））－－（：１２ … ，）（）一ｋ１：Ｘ ’ 一ｅｋ－ｋ０，，ｎ３Ｏａ４Ｕ
据序列：
ｘ‘
：
（０］
＾
（１】
ｒ、ｎ
Ｘ
公式。
（）Ｘ（）Ｘ１１＝１＝ …（）
式（）（）３、４即为灰色Ｇ１１模型进行预测的基本计算Ｍ（，）（）型精度检验二模任何一个模型它的合理性，只有通过检验以后才能获得，灰色系统模型也不例外。灰色模型预测检验一般有残差

基于修正GM(1,1)模型对商品住宅价格预测

文献标识码：Ａ
文章编号：０６４１（０００ — ０２０１０ — ３ｌ２１）８０９ — ２
０引言
验性的因素转化为可定量分析的数据，但是该模型还是存在一定问
房地产是国民经济的重要支柱产业，商品住宅是房地产的重要题，本文对其进行修正的基础上，建立了新的Ｇ１１模型并以河Ｍ（，）组成部分，对广大人民群众的基本生活有重大的影响＿伴随着中国南省安阳的商品住宅价格为例进行预测。１＿。经济的发展，住房制度改革的深入，特别是金融危机的影响，使房地产成为高风险、高收益的行业。受到多种因素的影响，房地产的成本
关键词：Ｍ（，）型；Ｇ１１模函数变换法；金融危机；商品住宅价格
ＫｅｒｓＧ（，）ｏｅ：ｕｃｉｎｔｎｆｒｎｔｏ；ｎｎｉｌｒｉ；ｒｅｏｏｙｗｏｄ：Ｍ１１ｍｄｌｆｎｔａｓｍｉｇｍｅｈｄｆａｃｉｓｐｃｆｍｍｅｃａｅｉｅｃｏｒｏｉａｃｓｉｃｒｉｌｓｎｅｒｄ
摘要：在金融危机下对中小城市商品住宅市场进行投资决策前，首先需要对其价格进行预测分析，丈章采用修正后的Ｇ（，模型建立起商Ｍ１）１品住宅价格预测模型，安阳市商品住宅价格数据进行预测分析，选取在检验了模型精度的基础上，出在当前金融危机下，于国家刺激计划的得由作用以及金融危机的缓解，阳的商品住宅价格呈现上升的趋势，投资市场仍然具有很大的发展潜力的结论。安其

基于灰色系统GM(1,1)的淮安市房价预测模型

基于灰色系统GM(1,1)的淮安市房价预测模型王莹;王志祥【摘要】This paper analyzes the commercial housing sales data in Haian Statistical Yearbook,2008~2014.The average price of commercial housing is gained by using the total sales areas and sales.Based on the average price, a price prediction model of real estate in Haian via the system of GM(1,1) is established.In order to improve the accuracy of the model, the second order weakling factor is introduced to preprocess the raw data.By using the preprocessed data, the paper gets a price prediction model with higher accuracy.further more, this paper forecasts the average price in the next five years by using the model.%以淮安市统计局发布的2008~2014年统计年鉴中有关商品房的销售数据为分析对象,利用销售总面积和销售总额折算成商品房的平均价格,建立了基于灰色系统GM(1,1)的淮安市房价预测模型.为了提高模型精度,引入二阶弱化因子,对原始数据进行预处理.利用预处理后的数据建立了精度更为理想的预测模型.利用模型预测了随后5年的平均房价.【期刊名称】《淮阴师范学院学报（自然科学版）》【年(卷),期】2017(016)001【总页数】5页(P14-17,27)【关键词】灰色系统;弱化因子;预测模型;平均房价【作者】王莹;王志祥【作者单位】淮阴师范学院数学科学学院,江苏淮安 223300;淮阴师范学院数学科学学院,江苏淮安 223300【正文语种】中文【中图分类】F293.3灰色系统理论[1]由邓聚龙于1982 年创立,该理论着重研究“部分信息已知,部分信息未知”的“小样本”、“贫信息”不确定性系统,主要通过对“部分”已知信息的生成、开发,提取有价值的信息,实现对系统运行行为、演化规律的正确描述和有效监控.房价的高低、升降不仅对经济的发展有很大的影响,同时也影响着人们的生活水平[2].房价系统是一个多因素影响的复杂控制系统,受多种因素的综合作用,既有一定的规律性,同时又有随机性.有不少学者从定量的角度来分析影响房价走势和房地产行业发展的各类因素,建立了房价走势的预测模型,如,闫妍,许伟,部慧等研究了基于TEI@I方法论的房价预测方法[3];刘大江将灰色-马尔柯夫预测模型应用于房地产价格预测[4];龚平研究了基于BP网络的房地产价格预测[5];杨华对影响房价的一些主要因素建立房屋价格分析模型,进行归一化处理[6].但更多的研究认为房价系统是一个灰色系统,通过建立GM(1,1)模型,得到房价的预测模型[7-12].淮安地处江苏省长江以北的核心地区,长三角城市群成员,苏北重要中心城市.淮安是江苏省的重要交通枢纽交通,也是长三角北部地区的区域交通枢纽，因此，淮安市的房价也倍受人们关注.通过查找文献,目前暂时没有得到基于灰色系统的对淮安市商品房房价作预测研究以及对其突变点作预测分析的文献.本文根据淮安市2008～2014年所售商品房平均价格的实际数据,建立GM(1,1)模型,对淮安市商品房价格做出分析预测.1.1 数据的预处理为保证建模方法的可行性需对已知数据做必要的检验和预处理,设原始数据为x(0)={x(0)(1),x(0)(2),…，x(0)(n)},计算数列的级比若所有级比λ(t)都落在可容覆盖内则数列x(0)可作为模型GM(1,1)的数据进行灰色预测.否则,需对数列做必要的变换处理,使其落入可容覆盖内.即取适当的常数c,做平移变换X(0)(t)=x(0)(t)+c, t=1,2,…,n则使数列X(0)={X(0)(1),X(0)(2),…,X(0)(n)}的级比1.2 GM(1,1)模型1) 选取一组原始数据序列X(0)={X(0)(1),X(0)(2),…,X(0)(n)}2) 进行一次累加得到生成时间序列:X(1)={X(1)(1),X(1)(2),…,X(1)(n)}其中,n.3) 构造累加生成矩阵B和常数项向量YY=[X(0)(2),X(0)(3),…,X(0)(n)]T4) 用最小二乘法解灰参数,得到参数数列为5) 将灰色参数代入时间函数:6) 对(1)(t+1)求导还原得到预测模型1.3 模型检验(后验差检验)设X(0)为上述的原始序列,(0)为相应的模拟序列,ε(0)为残差序列.分别计算原始序列与残差序列的均值与方差:得到原始序列的标准方差S1,及残差的标准方差S2,从而得到均方差比;再计算小误差概率|<0.6745S1).一般地,式(10)的精度检验可由表1确定其级别.当所建立的模型精度不合格时,为提高精度,可引入二阶弱化因子D2,令X(0)D={X(0)(1)d,X(0)(2)d,…,X(0)(n)d}其中以及X(0)D2={X(0)(1)d2,X(0)(2)d2,…,X(0)(n)d2}其中然后对X(0)D2建立GM(1,1)模型.再对预测值进行还原.以淮安市2008～2014年所售商品房的平均价格作为原始数据,建立房价预测的GM(1,1)模型.原始数据见表2.数据源自淮安市统计年鉴.经验证,表2中的数据的级比.根据表2,选取以下3组数据{0.267, 0.281, 0.363130, 0.460, 0.443, 0.459, 0.492};{0.363, 0.460, 0.443, 0.459, 0.492};{0.460, 0.443, 0.459, 0.492}.利用第1.2节中的方法,使用matlab软件,经编程计算,建立GM(1,1)模型群该模型群的精度如表3所示.由表3可知,上述模型群(17)～(19)的精度不理想,因此,引入二阶弱化因子D2,对X(0)D2重新建立GM(1,1)模型群该模型群的精度如表4所示.由表4可知,模型群(20)～(22)的精度都是精度一级的,因此,其中每一个模型都可以作为房价的预测模型.又由于-a<0.3因此每一个模型都可以用于长期预测,比较该模型群中的3个模型,选择式(21)作为预测模型.X(0)D2序列与模拟序列及相对误差如表5所示.从表5中可以看出,模拟的结果的相对误差都很小.表6中给出了5个预测值,分别为2015-2019年的平均房价.房价系统属于灰色系统,通过对淮安市2008～2014年商品房房价的实际数据建立GM(1,1)灰色模型,得到了淮安市商品房房价的GM(1,1)模型群,并通过后验差验证了此预模型群的精确性,进而通过模型 (t+1)=0.470e0.015t对淮安市2015～2019年的商品房价格做出分析预测.【相关文献】[1] 刘思峰,谢乃明.灰色系统理论及其应用[M].北京:科学出版社,2008.[2] 姚翠友.基于GM(1,1)模型的北京市房地产投资分析[J].工业技术经济,2007,26(7):69-72.[3] 闫妍,许伟,部慧.基于TEI@I方法论的房价预测方法[J].系统工程理论与实践,2007(7):1-10.[4] 刘大江.灰色-马尔柯夫预测模型在房地产价格预测中的应用[J].唐山学院学报,2004,17(4):44-46.[5] 龚平.基于BP网络的房地产价格预测[J].科技创新导报,2008(8):183.[6] 杨华.房价分析模型及对策[J].武汉工业学院学报,2008,27(1):89-93.[7] 李东月,马智胜.灰色GM(1,1)模型在房价预测中的算法研究[J].企业经济,2006(9):96-98.[8] 郭培俊, 毛海舟.基于灰色理论的温州房价预测模型[J].数学的实践与认识,2011,41(20):10-16.[9] 闫鹏飞,王典,燕慧慧.基于GM(1,1) 模型的郑州市商品房房价预测[J].重庆交通大学学报:社会科学版,2013,13(3):60-63.[10] 李敏,王洋.基于灰色系统理论对成都市房价预测分析[J].云南民族大学学报:自然科学版,2013,22(6):441-443.[11] 任文娟,杜葵.基于GM(1,1)理论的昆明市房地产价格预测[J].河南科学,2012,30(12):1797-1800.[12] 孟洁,张文博.基于GM (1,1)模型的北京市商品房房价预测[J].中国市场,2014(46):110-112.。

灰色GM(1,1)模型的改进模型在房地产价格指数预测中的应用

认
识
３卷９
表１５个建模数据的各模型拟合效果比较表
时间真实值经典拟合值
误差
２００４１５６Ｏ．１５２９０．２
一０３１．７
２００５１６３０．ｌ６７９Ｏ。７
０４８．７
２００６１８２Ｏ．１８３８Ｏ．４
第２步基于误差绝对值总和最小原则，定最佳拟合曲线ｆｚ志，，）其满足：确（“（）ｎ６，
ｌ（（）（志，，ｌｉ｛ｌ（（）ｉ（））。应一ｆｚ）６ —ｍｎ ∑ 。志一；１２１２㈩（ａ）（五．。
４实证分析
较方便，现将经典ＧＭ（，）型原理叙述如下．１１模
１经典ＧＭ（，）型１１模
记原始序列为 ∞ 一（１， ‘ （） … ，）则经典ＧＭ（，） ’ ∞ （）ｚ。２， ∞ （），１１模型建模步骤如下：
‘ （）＋ａ ’ 志。志 ’ ｚ（）＝ｂ，ｋ一１２，，， … ，２（）１
钱峰，吕效国，朱帆
（通大学理学院，江苏南通２６０）南２０７
摘要：提出了一种结合非线性回归技术的灰色Ｇ（，）型的改进模型．Ｍ１１模利用我国的房地产价格指数预
测作为研究对象，用以验证所提方法的有效性和准确性．根据实证结果，明了新的改进模型有效提高了经说
图１５个建模数据时的散点图

房地产价格预测模型

1 预测模型房地产市场中价格预测通常有以下几种模型：基于GM(1.1)灰色预测模型、滞后变量模型、虚拟变量模型、BP神经网络模型和回归分析模型等。

下面主要分析灰色预测模型、虚拟变量模型和滞后变量模型，通过比较各自的优势选出最优的预测模型。

1.1 基于GM(1.1)灰色模型的研究灰色模型是灰色系统理论中一个比较基本的模型，同时也是灰色控制理论的基础。

一般模型的建立是利用原始数据序列建立差分方程，而灰色预测模型的建立则是利用原始数据序列生成数列后再建立微分方程。

灰色系统理论与方法的核心是灰色动态模型，此模型是以灰色生产函数概念为基础，以微分拟合的方法为核心。

灰色理论模型的步骤如下：（1）首先，第一步检验原始序列是否非负。

如果在原始序列中数据有负数，那么必须进行相应的处理—即将所有原始序列的数据加上最小负数的绝对值。

第二步将第一步进行非负化处理的序列中含有的零进行消除，方法则是做一次累加处理即可；（2）其次，还要检验原始序列是否满足准指数规律和准光滑性。

如果满足，那么继续（3）；如果不满足，那么要考虑对原始序列数据进行一定的处理，然后再建模；（3）设原始数据为：X(0)=(x(0)(1)，x(0)(2)，……x(0)(n))，经过一次累加后，得到新序列：X(1)=(x(1)(1)，x(1)(2)，……x(1)(n))，其中，x(0)(k)=∑x(0)(i)，k=1，2，3…n。

（4）构造紧邻均值生成序列Z(1)={z(1)(1)，z(1)(2)，…z(1)(n)}，其中(x(1)(k)+x(1)(k−1))，k=2，3…，n。

z(1)(k)=12)=(B T B)−1B T Y，求出估计值a、b，其中：（5）根据â=(abB =(−z (1)(2)1⋮⋮−z (1)(n)1)， Y =(x (0)(2)⋮x (0)(n)) 定义白化方程为：d x(1)d t +ax (1)=b 。

（6）利用时间响应方程：x ̂(0)(k +1)=(x (0)(1)−b a )e −ak +b a（7）利用后一项减去前一项的运算方式还原，即：x ̂(0)(k +1)=x ̂(1)(k +1)−x ̂(1)(k )， k =1，2，…，n 。

《灰色GM(1,1)模型的优化及其应用》范文

《灰色GM（1,1）模型的优化及其应用》篇一一、引言随着科技的飞速发展，大数据的崛起，预测与决策分析变得尤为重要。

灰色预测模型，特别是灰色GM（1,1）模型，以其对数据要求低、操作简单、效果良好的特点，被广泛应用于社会经济各个领域。

然而，传统灰色GM（1,1）模型在某些复杂、高精度的应用场景中存在一定局限性。

本文旨在探讨灰色GM（1,1）模型的优化方法及其在各领域的应用。

二、灰色GM（1,1）模型概述灰色GM（1,1）模型是一种以微分方程为基础的灰色预测模型，通过对原始数据进行累加生成（AGO）和累减生成（IAGO），构造出微分方程的系数，从而进行预测。

该模型在处理小样本、不完全信息的数据时具有较好的预测效果。

三、灰色GM（1,1）模型的优化针对传统灰色GM（1,1）模型在处理复杂、高精度数据时可能出现的局限性，本文提出以下几种优化方法：（一）改进数据处理方式对原始数据进行更为细致的预处理和后处理，包括但不限于利用更加先进的数据分析工具进行数据的筛选和净化，以及对AGO和IAGO的处理方法进行改进。

（二）引入其他变量和参数通过引入其他相关变量和参数，丰富模型的输入信息，提高模型的预测精度。

例如，可以通过引入时间变量、季节因素等，对模型进行时间和季节性优化。

（三）结合其他预测模型将灰色GM（1,1）模型与其他预测模型进行结合，如与神经网络、支持向量机等相结合，形成混合预测模型，以提高模型的预测精度和稳定性。

四、灰色GM（1,1）模型的应用（一）经济领域应用灰色GM（1,1）模型在经济领域的应用广泛，如对股票价格、房地产价格、经济周期等进行预测。

通过优化后的灰色GM（1,1）模型，可以更准确地预测经济走势，为政策制定提供科学依据。

（二）农业领域应用在农业领域，灰色GM（1,1）模型可以用于预测农作物产量、病虫害发生情况等。

通过优化后的模型，可以更准确地预测农业生产情况，为农业生产提供科学指导。

（三）其他领域应用除了经济和农业领域，灰色GM（1,1）模型还可以应用于其他领域，如医疗、能源、交通等。

我国海洋新兴产业发展预测研究——基于灰色预测模型GM(1,1)

收稿日期：２１ — ３２０２０～３
作者简介：李彬（８一，男，祖籍山东，青岛国家海洋科学研究中一，助理研究员，博士，研究方向：海洋１２）９ｔｋ，经济；戴桂林，男，中国海洋大学经济学院，教授；赵中华，男，青岛国家海洋科学研究中心，
（战略性。入新世纪，３）进随着海洋在国家竞争力中的地位日益提高，实施海洋发展战略、
大力发展海洋事业已成为各海洋强国的重要国家战略。海洋新兴产业作为能够体现国家的海洋战略意图，以海洋高新技术为主要特征的新兴产业，代表了海洋经济未来的发展方向，在海洋
经济发展中具有重要的战略地位和巨大发展潜力，同时海洋新兴产业的战略性也体现在通过自
研究员。
论文说明：２１０１年国家软科学研究计划 “ 技支撑引领山东半岛蓝色经济区建设战略研究 ”（目编号：科项２１ＧＱＤ５； “ 河三角洲高效生态经济区科技发展的重大问题研究 ” （目编号：０ｌＸ４０９）黄项２１ＧＳＤ２）资助，感谢本文匿名审稿人的宝贵建议，当然文责自负。０Ｘ２０５１
区海洋经济部署的重点领域，对海洋新兴产业发展的研究就成为海洋经济管理的重要组成部分。运用定性
与定量分析相结合的方式，对我国海洋新兴产业发展的规模和速度等现状进行分析，并利用灰色预测模型对其未来发展趋势进行科学预测；研究结果表明，我国海洋新兴产业规模较小，发展速度快、潜力较大，但现有的产业政策取得了较好的成效，需要政府部门从产业风险防范、技术创新成功转化等措施人手进一步

基于GM(1,1)模型的包头市房地产价格预测

建筑经济CONSTRUCTION ECONOMY第 41 卷第 S2 期2020 年 12 月Vol.41 No.S2Dec. 2020摘要：以包头市2015～2019年的年均房价数据为背景构造预测房地产价格波动的GM （1，1）模型，进而对包头市未来3年的房地产价格变化走势进行短期统计预测。

预测结果表明，自2020～2022年，包头市的房价持续小幅上涨，但总体走势相对稳定，波动不大。

测验结果表明，该模型模拟出来的价格与真实价格拟合程度较高，模型预测效果较好。

关键词：GM （1，1）模型；房地产价格；预测中图分类号：F407.9 文献标识码：A 文章编号：1002-851X （2020）S2-0266-04DOI ：10.14181/ki.1002-851x.2020S2266Price Forecast of Baotou Real Estate Based on GM （1，1）ModelZHANG Ailin ，BAI Lina（School of Civil Engineering ，Inner Mongolia University of Science and Technology ，Baotou 014010，China ）Abstract ：Based on the annual housing price data of Baotou from 2015 to 2019，the paper constructs the GM （1，1）model to predict the ﬂuctuation of real estate price ，and then makes the short-term statistical forecast of the trend of real estate price change in Baotou in next three years. The results show that since 2020～2022，Baotou house prices continued to rise slightly ，but the overall trend is relatively stable ，the ﬂuctuation is not big. Test results show that the model simulated prices and real price ，the model has a good prediction effect ，the prediction of real estate price trend has credibility ，and the prediction method is feasible for relevant departments reference.Keywords ：GM （1，1）model ；real estate price ；forecast 1　引　言近年来，房地产业发展迅速，对促进经济增长起到了不可或缺的作用。

基于GM(1,1)模型的北京市商品房房价预测

基于GM（1，1）模型的北京市商品房房价预测[摘要]由于近几年房价疯涨，开发商大量建房使得存量房增多和我国经济开始放慢经济增长速度，部分城市房价开始下跌，导致很多人认为我国房地产即将要崩盘言论。

为此，采用灰色预测模型，分析了北京市，预测了无其他经济因素影响下2014年房价，结果表明大概2014年6月北京平均价格为3444038833元/平方米。

[关键词]房价走势；GM（1，1）预测模型；北京市2014年房价预测值住房问题，关系民生之根本，近年来随着全国房价普遍在波动中呈上涨趋势，房价走势也成为全国各地人们最为关心的问题。

北京作为我国的首都，近年来房价飞涨使得购房成为北京市民最为沉重的负担与压力，资料显示北京目前商品房均价高于3万每平米，持续领跑全国各省房价上涨。

2014年2月习总书记视察北京，提出要努力实现京津冀一体化发展，打破自家“一亩三分地”的思维定式。

此后，北京城市总体规划也将改变，所以对北京房价指数序列进行现状分析及走势预测十分有意义。

1北京房价数据收集分析北京作为我国的政治中心，房价问题一直备受关注。

下图为北京201307—201404的平均房价。

数据来源于搜房产业网数据库中国房地产指数系统，该系统被称为中国房地产市场的“晴雨表”和引导投资置业的“风向标”。

样本平均价格注：数据来自搜房产业网数据库http：//fdcsoufuncom/index/。

由数据可初步看出，近期北京市住宅价格平均增长，使得北京市住宅价格整体呈上升趋势。

虽然近期一直有房价北京楼市会跌的消息放出，但数据显示北京的房价还是平稳有升。

那么我们关心的是北京房价以后是平稳上升还是有所下降。

2GM（1，1）模型的建立21模型介绍灰色系统理论[2-8]于1982年由邓聚龙创立，20多年的飞速发展使灰色系统理论渗透到自然科学和社会科学的许多领域。

灰色预测模时间序列进行预测，通过对数据进行处理，使其成为较有规律的时间序列数据。

该模型只需要较少的样本数据就可作系统分析、模型建立、未来预测、行为决策和过程控制的特点，解决了以往由于数据少、信息不确定而无法研究或难以研究的问题，具有很强的预测性。

灰色预测GM(1,1)模型分析

SPSS分析SPSS教程SPSSAU 灰色预测模型GM11 灰色模型灰色预测GM(1,1)模型分析Contents1背景 (2)2理论 (2)3操作 (3)4 SPSSAU输出结果 (3)5文字分析 (4)6剖析 (5)灰色预测模型可针对数量非常少（比如仅4个），数据完整性和可靠性较低的数据序列进行有效预测，其利用微分方程来充分挖掘数据的本质，建模所需信息少，精度较高，运算简便，易于检验，也不用考虑分布规律或变化趋势等。

但灰色预测模型一般只适用于短期预测，只适合指数增长的预测，比如人口数量，航班数量，用水量预测，工业产值预测等。

灰色预测模型有很多，GM(1,1)模型使用最为广泛，第1个数字表示进行一阶微分，第2个数字1表示只包含1个数据序列。

特别提示：GM(1,1)模型仅适用于中短期预测，不建议进行长期预测；GM(1,1)模型适用于数量少(比如20个以内)时使用，大量数据时不适合。

灰色预测模型案例Contents1背景 (2)2理论 (2)3操作 (3)4 SPSSAU输出结果 (3)5文字分析 (4)6剖析 (5)1背景当前某城市1986~1992共7年的道路交通噪声平均声级数据，现希望预测出往后一期器械声平均声级数据。

数据如下：年份城市交通噪声/dB(A)198671.10198772.40198872.40198972.10199071.40199172.00199271.602理论灰色预测GM(1,1)模型一般针对数据量少，有一定指数增长趋势的数据。

在进行模型构建时，通常包括以下步骤：第一步：级比值检验；此步骤目的在于数据序列是否有着适合的规律性，是否可得到满意的模型等，该步骤仅为初步检验，意义相对较小。

级比值=当期值/上一期值。

一般情况下级比值介于[0.982,1.0098]之间则说明很可能会得到满意的模型，但并不绝对。

第二步：后验差比检验；在进行模型构建后，会得到后验差比C值，该值为残差方差/ 数据方差；其用于衡量模型的拟合精度情况，C值越小越好，一般小于0.65即可。

基于灰色理论的武汉市商品房价格预测

经济管理
基于灰色理论的武汉市商品房价格预测
程莹谈凯邓辉琦
（华中师范大学，湖北武汉４３００７９）摘要：本文针对武汉市商品住宅价格问题，首先基于商品住宅价格波动率对武汉市各城区进行聚类，然后建立ＧＭ（１，１）模型对２０１３年第二季度至第四季度武汉市的房价进行预测，最后对模型的预测结果进行了误差检验。
２．２聚类分析模型的建立与求解
江岸区、斫口区、汉阳区、洪山区
江汉区、武昌区
２．２．１聚类分析模型的建立以】【＝表示分区ｉ在第ｊ时间点的商品住宅价格，则可以得到一个价格矩阵：
．
第三类第四类第五类
青ＬＵ区、东西湖区蔡甸区、黄陂区、江夏区汉南区、新洲区
（ＣｅｎｔｒａｌＣｈｉｎａＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｗｕ￣４３００７９，Ｃｈｉｎａ）
ＡｂｓｔｒａｃｔＡｉｍｉｎｇａｔｔｈｅｃｏｍｍｅｒｃｉａｌｈｏｕｓｉｎｇｐｉｃｒｅｉｎＷｕｈａｎ，ｉｆｒｓｌｆｙｗｅｍａｄｅｈｅｔｃｌａｓｓｉｉｆｃａｔｉｏｎａｆｈｅｔｄｉｓｔｒｉｃｔｓｉｎＷｕｈａｎｂａｓｅｄｏｎｈｅｔｏｔｒｅｏｆｃｏｍｍｅｒｃｉａｌｈｏｕｓｉｎｇ
区较远的郊区。
Ｘｎｌ
Ｘｎ２

基于GM(1,1)灰色系统韵房地产市场预测模型研究

系统控制理论是近几年发展起来的一种新型理论体系，灰用
色理论建立的灰色预测模型，仅预测精度高，且能对系不而
设＝（，）按最小二乘法可得到：ｎｕ，
石＝（ＢＹ，曰曰）．（）２
！
，
Ｙｌ
到一些资料和信息，即可以知道每年的房地产销量，而房因
地产的销量可视为灰色信息．外，年的房地产销量为非另历
一
÷ ）一＋（）（（１））ｎ）ｎ
口
负数据列．因此，以应用灰色控制系统理论建立动态预可
１ ● ● ，● ●● ● ●
统作长期预测．克服了传统系统理论分析需要数据量大、它要求数据分布较典型、算量大等缺点．计
其中：
一
灰色系统 … 作为预测模型主要是ＧＭ（，）型．于１１模由
基于以上理论，文取辽宁省大连市１９本９４年到２００３年１０年间房地产销量的数据作为依据来对未来几年辽宁省大连市的房地产销售量进行预测．３［３
的模型．其建模的实质是建立微分方程的系数．色模型预灰
Ｖ０．７１１ＮＯ３．
Ｓｐ２８ｅ．００

基于灰色GM(1,1)模型的房地产开发价值预测研究

基于灰色GM(1,1)模型的房地产开发价值预测研究内容摘要：本文针对如何预测房地产开发完成后的价值的问题，应用灰色系统GM（1,1）预测模型，对开发完成后的房地产价值进行预测，并进行实证分析。

实证结果表明GM（1,1）模型在房地产未来开发价值预测方面精度较好，能够精确反映房地产销售市场的动态变化趋势，对房地产市场行情预测、房地产销售市场宏观管理的决策均有参考价值。

关键词：房地产价值预测灰色系统GM（1,1）模型问题的提出房地产是目前我国最热门的行业之一，房价的节节攀升，较高的回报率等直接导致大量开发商盲目投资，由于不能正确合理的预测房地产的未来开发价值，致使投资失利，引来一系列问题，如房地产积压，一旦积压引发的泡沫产生，其对经济的负面影响就非常大。

因此，为正确预测投资效益，建立科学准确地反映市场变化规律的房地产未来开发价值的动态预测模型是非常必要的。

国内外学者对于房地产价值定性预测的研究成果比较多，但是对于房地产价值定量预测的文献较少。

目前国内外主要的预测方法有：指数平滑法、趋势外推法、时间序列法、回归分析法、模糊预测法，但这几种预测方法要求数据具有一定的规律或符合某些典型的概率分布。

而GM（1，1）模型恰恰弥补了这一空白，刘思峰，邓聚龙在《GM（1，1）模型的适用范围》中指出灰色系统GM（1，1）预测模型的优势是：适用于原始观测数据较少的预测问题，由于数据量很小，无法应用概率统计方法寻找统计规律。

开发完成后的房地产价值受到房地产的物理属性、区位属性、环境属性以及各种法律法规、政策等诸多因素的影响，这其中的因素一些是已知的，一些是未知的；一些是可以量化的，而一些是不可能量化的，并且还会受偶然因素影响而使价格的高低发生变化，故其有灰色成分。

所以我们可以把它看作一个既含有已知信息又含有未知或非确定信息的灰色系统（Grey Sys-tem），用灰色GM（1，1）模型进行预测。

文章以西安市2010年7至2011年4月以来10个月的住宅销售均价的统计数据为研究依据，引入二阶弱化缓冲算子来减少冲击扰动的影响，建立房地产开发价值的灰色GM（1，1）模型，并进行定量计算，同时结合定性分析，进行综合预测评估。

灰色GM(1,1)模型在商品房销售价格预测中的应用

灰色GM（1，1）模型在商品房销售价格预测中的应用作者：赵泰迟建英来源：《价值工程》2019年第23期摘要：商品房价格水平受到诸多因素的影响，准确预测商品房价格走向，对房地产市场的宏观调控及工作的开展有着重大意义。

以青岛市近8年商品房销售价格为基础，通过建立GM （1，1）模型并进行实际应用，验证了预测数据有较高的精度，证明了模型的有效性，可以为实际工作提供一定的参考。

Abstract： The price level of commercial housing is affected by many factors. Accurately predicting the price trend of commercial housing is of great significance to the macro-control of the real estate market and the development of its work. Based on the sales price of commercial housing in Qingdao for the past 8 years， the GM （1，1） model was established and applied in practice，which verified the high accuracy of the forecast data， proved the validity of the model， and provided certain reference for the actual work.關键词：GM（1，1）;青岛;商品房;销售价格;预测Key words： GM（1，1）;Qingdao;commercial housing;sales price;prediction中图分类号：F224.9 ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ;文献标识码：A ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ;文章编号：1006-4311（2019）23-0076-030 ;引言中国的房地产市场已进入快速发展时期，如何采取有效的措施对商品房价格进行价格引导，减少或消除价格偏离导致的不利影响，是事关我国房地产行业可持续发展的一个重要课题。