灰色 GM（1,1）模型在重庆商品房销售价格预测中的应用

摘要：本文针对重庆市商品房价格预测问题，介绍了GM（1,1）模型基本原理，利用Python程序设工具，建立GM（1,1）灰色预测模型并进行预测，得到未来三年的预测价格并进行模型评价，从而为购房者提供决策。
关键词：GM（1,1）、重庆、商品房、销售价格、预测

一、 引言

    我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。因此，对商品房销售价格的合理分析和准确预测成为当务之急。
    重庆由于其独特的背景在全国各地的房价中处于“低价格”水平，在选择对象中具有研究价值，选取灰色 GM（1,1）模型对重庆市区 2021、2022、2023 年商品房价格进行预测分析，并拟合2012-2020年房价数据进行对比，测算其相对误差。

二、GM（1,1）模型基本原理

    灰色系统理论由我国学者邓聚龙等于 20 世纪 80 年代提出, 灰色系统是指相对于一定的认识层次,系统内部的信息部分已知, 部分未知, 即信息不完全的系统。
    灰色系统理论认为, 由于各种环境因素对系统的影响, 使得表现系统行为特征的离散数据呈现出离乱, 但是这一无规的离散序列是潜在的有规序列的一种表现, 系统总是有其整体功能, 也就必然蕴含着某种内在规律。因而任何随机过程都可看作是在一定时空区域变化的灰色过程, 随机量可看作是灰色量, 通过生成变换可将无规序列变成有规序列。
    GM（1,1）模型的基本原理是基于原始数据逐步变化特性，在数据处理过程中，对原始数列进行累加生成，能够生成具有指数增长规律的数列，通过建立一阶微分方程并对数据进行累减生成，即可得到预测数据。

2.1、模型的建立方法

（1）累加生成
    将原始数列作为随机数列做一次累加，得到累加生成序列$x_i^{(1)}(i=0,1,2,...n)$ 并且满足指数增长规律，因此，$x_i^{(1)}(i=0,1,2,...n)$ 满足一阶线性微分方程：
$$\frac{\mathrm{d}{X}^{(1)}}{\mathrm{d}t}+a{X}^{(1)}=u$$
    其中，$t$ 代表时间，$X^{(1)}$是时间的函数。

（2）参数估计
    $a$ 为待辨识参数，亦称发展系数，利用最小二乘法求解其近似值。计$u$ 为灰作用量，即待辨识内生变量，则:
$$\hat{a}=(B^{T}B{)}^{-1}{B}^T{y}_n=(\genfrac{}{}{0ex}{}{a}{u})$$
    然后，将近似值代入原微分方程进行求解。其中：
$$B=\left(\begin{array}{cc}-\frac{1}{2}(x_1^{(1)}+x_2^{(1)})& 1\\ -\frac{1}{2}(x_2^{(1)}+x_3^{(1)})& 1\\ :& :\\ -\frac{1}{2}(x_{n-1}^{(1)}+x_n^{(1)})& 1\end{array}\right)$$

$$y_n=\left[\begin{array}{c}{x}_2^{(0)}\\ x_3^{(0)}\\ :\\ x_n^{(0)}\end{array}\right]$$

（3）求解模型
    对原微分方程求解，可以得到离散时间响应函数，原微分方程的近似解为：
$$X_{i+1}^{(1)}=[X_i^{(0)}-\frac{u}{a}]e^{-ai}+\frac{u}{a}$$

（4）模型预测
    若检验合格，则可以用模型进行预测。
    计算出:
$$X_{i+1}^{(2)}=X_{i+1}^{(1)}-X_i^{(1)},X_{i+2}^{(2)}=X_{i+2}^{(1)}-X_{i+1}^{(1)},...$$
    即得到$X_{i+1}^{(0)},X_{i+2}^{(0)},...$的预测值。

2.2、模型基本特点

    灰色系统理论核心和基础的灰色模型(GreyMode1), 简称 GM 模型, 概括而言具有以下 3 个特点:
    (1)建模所需信息较少, 通常只要有 4 个以上数据即可建模;
    (2)不必知道原始数据分布的先验特征, 对无规或不服从任何分布的任意光滑离散的原始序列, 通过有限次的生成即可转化成为有规序列;
    (3)建模的精度较高, 可保持原系统的特征, 能较好地反映系统的实际状况。
    本文选用灰色 GM（1,1）模型，并借助Python程序设计，使得对重庆房价进行预测研究具有可行性。

三、房价预测模型的建立

3.1、原始数据的获取

    重庆市区为四个直辖市之一，吸引着各地的眼光，外来人口不断增加，房地产行业也不断发展，如何更好的掌握商品房销售价格增长规律，对城市的发展至关重要。以重庆市区 2012-2020 年商品房销售价格为例，对模型的灵敏性进行检验，通过“安居客”平台统计资料可查得相关数据。通过Python程序设计计算GM（1,1）参数并进行拟合预测，代码见附录一。

3.2、模型的应用

    根据灰色预测模型构建原理可得原始数据为：
    $[6550,6896,6718,6289,7493,9925,12080,11187,11275{]}^T$
    对原始数列进行累加，生成累加生成序列为：
    $[6550,13446,20164,26453,33946,43871,55951,67138,78413{]}^T$

    可求得参数B 矩阵：
$$B=\left[\begin{array}{cc}-9.99800e+03& 1\\ -1.68050e+04& 1\\ -2.33085e+04& 1\\ -3.01995e+04& 1\\ -3.89085e+04& 1\\ -4.99110e+04& 1\\ -6.15445e+04& 1\\ -7.27755e+04& 1\end{array}\right]$$

    $y$矩阵为：
$$y=[6896,6718,6289,7493,9925,12080,11187,11275{]}^T$$
    将以上参数带入公式 GM（1,1）求解,最小二乘估计参数为:
    $a$ = -0.09682929,$b$ =4549.89922748 ,$b/a$ = -46988.87347486
    将求解的 $a$、$b$ 数值带入公式,可以得到 GM（1,1）模型的函数式将 2012-2020 年原始数据带入公式，即可求得相对应的预测值。

3.3、房价预测及评价

    模型通过对房价进行预测，求得 2021-2023 年重庆市区商品房销售价格预测值，以及2012-2020 年的拟合值以及相对误差。

四、结论

    （1）求得 2021、2022、2023 年的预测值
    （2）从上述对于 2012-2020 年的拟合值中可以发现，其拟合值并不等于真实值，且相对误差有一定波动，模型效果一般。
    （3）针对上述（2）尚需改进的地方在于对拟合结果进行检验，判断GM（1,1）模型在本 问题研究中拟合效果的优良程度。

参考文献

[1]赵泰，迟建英.灰色 GM（1，1）模型在商品房销售价格预测中的应用[J].价值工程，2019.23（35）：76—77
[2]王全意. 重庆直辖以来城乡居民收入差距变化趋势预测[J].重庆理工大学学报（社会学科），2011，25（1）：45—50

附录一

#项目：实现GM（1,1）模型，求解参数及预测拟合。
#author：AdamCY888

import numpy as np
from math import e
m = 0
x0 = [ 6550, 6896,  6718, 6289, 7493,9925,12080,11187,11275]##2012-2020 年数据
x1 = list()
b = list()
for i in x0:
      m += i
      x1.append(m) ## x1 为 x0 的一次累加向量
for i in range(len(x0)-1):
      b.append(list((-0.5*(x1[i]+x1[i+1]),1)))
B = np.mat(b) ##高维列表转换为矩阵
Y = np.transpose(np.mat(x0[1:])) 
a = np.dot(np.dot(np.linalg.inv(np.dot(np.transpose(B),B)),np.transpose(B)),Y)
z = a[1]/a[0]
print("一次累加序列矩阵为：\n",x1)
print("B 矩阵为：\n",B)
print("Y 矩阵为：\n",Y)
print("最小二乘估计参数为:\n",a)
print("a = %s,b = %s"%(a[0],a[1]))
print("b/a = %s\n"%z)
mmm = list()
for i in range(len(x0)+2):
      A = (1-pow(e,float(a[0]))) * (x0[0] - z)*pow(e,-(float(a[0]))*(i+1) )
      mmm.append(A)
      print("%d 年的拟合值为%s" %(2013+i,A))
for i in range(len(x0)-1):
      AA = 100*abs(x0[i+1] - mmm[i])/x0[i+1]
      print("%d 年相对误差为：%s"%(2013+i,AA))