1、“.....因此我们提出模型四对此进行改进和补充。模型四既是模型二的改进，又是模型三的互补模型。模型原理即神经模糊推理系统，具有自适应学习能力的神经网络模糊推理系统。运用神经网络模拟估价师大脑内部的结构,借助模糊推理方法表达专家知识模拟专家的判断和推理,建立基于自适应神经网络模糊推理系统的商品住宅价格评估模型。这种价格模型的基本原理是借用神经网络中比较成熟的“误差逆向传播”参数学习算法,对组给定的输入输出数据集进行学习,来调整模糊推理系统中变量的隶属函数的参数。其最大的特点是基于数据进行建模,通过对大量已知数据的学习得到模糊隶属度函数及模糊规则。模型的算法步骤建立估价体系,采集可比实例样本运用训练样本,建立模糊推理系统借助神经网络对训练样本的学习......”。

2、“.....根据过去大量的样本，可以预测将来段时间的房地产价格。我们以东湖红原星城楼盘为例，其过去个季度的价格样本，建立表格如下东湖红原星城四季度季度季度二季度二季度三季度三季度四季度四季度季度季度二季度二季度三季度三季度四季度四季度季度季度二季度二季度三季度四季度用编程实现，具体程序见附录五输出结果如下季度函数输出网络预测输出预测输出实际输出图网络预测输出在图中，我们可以看到蓝线和绿线在完全吻合，而绿线多出的的个圈即为我们经过训练后得到函数，将指标输入得到的预测房价。网络预测误差误差季度图网络预测误差神经网络预测误差百分比图神经网络预测误差从输出结果可以看出来，拟合结果比神经网络更好，误差不超过万分之三，也更小。预测结果如下第，季度房价值.即，年第二三四季度和年第季度该小区均价为元。六模型评价模型的优点.模型层层递进，逻辑清晰，容易理解和接受.模型考虑全面，功能十分强大，几乎能解决实际生活的任何房地产评估和预测的问题......”。

3、“.....有很强的实际意义.在模型四中我们采用进行改进，根据时间和楼盘价格的关系，来预测以后几个季度的值。模型四既是模型二的改进，又是模型三的互补模型模型的缺点.不能预测新楼盘几个季度的价格虽然其实际意义不是很大.指标的选取不够全面，且各指标的赋值比较主观.前期准备数据量十分庞大，很容易出错。有些数据不能找到我们只能人为地做处理。七参考文献中国房地产估价师与房地产经纪人学会，房地产估价理论与方法，中国建筑工业出版社，北京，郭宁，影反向传递。在前想传递中，输入信号从输入层京隐含层逐层处理，直至输出层。每层的神经元状态只影响下层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使神经网络预测输出不断逼近期望输出。神经网络的拓扑结构如图所示。图神经网络层次图图中神经网络的输入值是神经网络的预测值，固定权和可调权为神经网络权值。从图可以看出，神经网络可以看成个非线性函数......”。

4、“.....当输入节点数为，输出节点数为时，神经网络就表达了从个自变量到个因变量的函数映射关系。神经网络预测钱首先要训练网络，通过训练师网络具有联想记忆和预测能力。神经网络的训练过程包括以下几个步骤。步骤网络初始化。根据系统输入输出序列,去顶网络输入层节点数隐含层节点数，输出层节点数，初始化输入层隐含层和输出层神经元之间的连接权值，初始化隐含层阈值，输出层阈值，给定学习速率和神经元激励函数。步骤隐含层输出计算。根据输入向量，输入层和隐含层见链接权值以及隐含层阈值，计算隐含层输出。,公式中，为隐含层节点数为隐含层激励函数，该函数有多种形式，我们取步骤输出层输出计算。根据隐含层输出，链接权值和阈值，计算神经网络预测输出,步骤误差计算。根据网络预测输出和期望输出，计算网络预测误差。,步骤权值更新。根据网络预测误差更新网络连接权值，。,,式中......”。

5、“.....步骤阈值更新。根据网络预测误差更新网络节点阈值,。,,步骤判断算法迭代是否结束，若没有，返回步骤。.输入层的确定神经网络的输入层起缓冲存储器的作用，其向量的数目相三季度四季度季度二季度三季度四季度季度二季度三季度四季度季度附录四..为学习速率,为动量因子.为期望误差最小值为训练的最大次数......,为隐含层节点的数目利用函数对神经网络各层的权值和偏置值初始化。,计算仿真误差预测输出,实际输出网络预测输出函数输出样本,网络预测误差误差样本.神经网络预测误差百分比.附录五,计算仿真误差预测输出,实际输出网络预测输出函数输出季度,网络预测误差误差季度.神经网络预测误差百分比预测输出网络预测输出函数输出季度的各经济指标值，构成个房价价格指标与宏观经济因素的关系矩阵。再根据楼盘以往的房地产价格，就可预测出此楼盘年第三季度的楼盘价格。此处我们以东湖红原星城楼盘为例，将季度的宏观指标与下季度的价格对应......”。

6、“.....就形成个新的矩阵，如表。表各季度宏观指标与红原星城楼盘的价格利率物业管理价格指数土地交易价格指数住宅用地城镇居民人均可支配收入季度下季度价格季度二季度.三季度.四季度.季度.二季度.三季度四季度.季度二季度三季度.四季度.季度.归化后数据结果见附录三模型的求解求解步骤与模型基本致。数次训练后得出训练图。预测误差及百分比见图和图。样本函数输出网络预测输出预测输出实际输出图网络预测输出由图可看出，预测输出和实际输出完全吻合神经网络预测误差百分比图网络预测误差百分比网络预测误差误差样本图网络预测误差模型预测机器学习完毕后，我们利用神经网络检验二季度的房价和预测季度的房价。检验指标利率物业管理价格指数土地交易价格指数住宅用地城镇居民人均可支配收入季度季度.二季度.第季度预测值.即.元平米实际值第二季度预测值.即我们预测第二季度东湖红原星城楼盘均价为.元平米在此模型中，我们是以楼盘来算的......”。

7、“.....如果我们输入城市往年数据，通过机器学习，就可以预测到新季度城市房屋均价。本模型的程序见附录四要求得南昌房地产的下季度均价，只需要把南昌市历史数据代入，即可得南昌市年第三季度的房地产价格。三模型三基于改进的价格预测模型综合考虑宏观和微观因素因为在现实生活中房价受宏观因素和微观因素影响，综合模型和二，我们采用改进的算法来进行房价预测。在此次模型求解中，我们发现，当影响房价的指标值相同或者很大部分相同时，我们将其不考虑，否则神经网络在学习的过程中找不到规律，求解不出来。在此次模型求解中，我们不需要考虑的指标是房子的结构类型和装修。数据见附录六模型的求解运行和模型二相同的代码，为求出更精准的值，我们将训练次数改为，误差图和误差百分比图见图和.样本函数输出网络预测输出预测输出实际输出图网络预测输出.网络预测误差误差样本图网络预测误差.神经网络预测误差百房地产价格的宏观因素分析，合作经济与科技，西安......”。

8、“.....创建个新的前向神经网络,当前输入层权值和阈值.,.当前网络层权值和阈值.,.设置训练参数..调用算法训练网络对网络进行仿真,计算仿真误差比图预测误差百分比高新开发区中凯蓝域楼盘预测，各指标归化后如下周边配套地段绿化率交通户均车位利率物业管理价格土地交易价格指数住宅用地城镇居民人均季度指数可支配收入根据训练过后......”。

9、“.....其真实值为.，相对误差为.此外我们还对南昌即将推出的青山湖天御国际公寓楼盘做了评估和预测，运用改进算法，得出预测值为.元平米在此模型中，我们综合考虑了影响房价的微观因素和宏观因素，通过采用改进的算法来预测房价。五模型的推广与改进基于的价格预测模型模型三能很好地对现有其他楼盘的估价和对新楼盘价格的预测，但缺点是只已经充分利用信息网络系统进行营销业务管理，具备将整个市场向信息化管理过渡基本素质，也提出了这方面要求。人力资源人力资源是市场改扩建经营最充足资源。大东区已经成为沈阳市工业生产和物流业重点发展地区，对人才吸纳能力增强，外来就业经营管理型人才增多，另有沈阳市人才市场资源保证。为市场服务人力主要来源于两方面，是本区内下岗再就业工人，目前约有存量几万人他们适宜较稳定工作二是外来就业人员，他们追求短期内较高收入，流动性较大，随业务量大小可以随时调配。项目投入总资金及效益情况本项目总投资万元，建设投资万元，其中动态投资万元......”。