| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 序言 | 第8-12页 |
| 1 绪论 | 第12-20页 |
| 1.1 研究背景和研究意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-14页 |
| 1.1.2 研究意义 | 第14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 国外研究现状 | 第14-16页 |
| 1.2.2 国内研究现状 | 第16-18页 |
| 1.3 论文内容及逻辑结构 | 第18-20页 |
| 1.3.1 论文内容 | 第18-19页 |
| 1.3.2 论文结构 | 第19-20页 |
| 2 城市轨道交通沿线房地产价值评估方法分析 | 第20-30页 |
| 2.1 城市轨道交通对沿线房地产价值的影响机理 | 第20-23页 |
| 2.1.1 提升周边物业可达性 | 第20-21页 |
| 2.1.2 改变既有城市规划布局 | 第21页 |
| 2.1.3 提高土地开发强度 | 第21-22页 |
| 2.1.4 带来潜在负面影响 | 第22页 |
| 2.1.5 综合影响模型 | 第22-23页 |
| 2.2 根据评估特殊性对传统价值评估方法的选择 | 第23-25页 |
| 2.2.1 交通优势凸显,评估时需侧重考量 | 第23-24页 |
| 2.2.2 居住性用房为主,可比成交案例充足 | 第24-25页 |
| 2.2.3 市场法的优势与劣势 | 第25页 |
| 2.4 应用BP神经网络改进市场法的可行性与优越性 | 第25-30页 |
| 2.4.1 应用BP神经网络的可行性 | 第26-27页 |
| 2.4.2 应用BP神经网络的优越性 | 第27-30页 |
| 3 基于BP神经网络的价值评估模型构建 | 第30-44页 |
| 3.1 理论基础 | 第30-35页 |
| 3.1.1 BP神经网络的概念 | 第30-31页 |
| 3.1.2 BP神经网络的结构 | 第31-33页 |
| 3.1.3 BP神经网络的计算原理 | 第33-35页 |
| 3.2 网络参数的确定 | 第35-38页 |
| 3.2.1 输入层和输出层的设计 | 第36页 |
| 3.2.2 隐含层设计 | 第36页 |
| 3.2.3 BP人工神经网络算法的选取 | 第36-38页 |
| 3.3 输入变量的确定 | 第38-44页 |
| 3.3.1 建筑结构特征变量 | 第38-39页 |
| 3.3.2 地理区位特征变量 | 第39-40页 |
| 3.3.3 周边配套特征变量 | 第40页 |
| 3.3.4 交易环境特征变量 | 第40-41页 |
| 3.3.5 Hedonic模型优化输入变量体系 | 第41-44页 |
| 4 实证研究 | 第44-62页 |
| 4.1 数据的搜集和处理 | 第45-47页 |
| 4.1.1 数据的搜集 | 第45页 |
| 4.1.2 数据的处理 | 第45-47页 |
| 4.2 利用HEDONIC模型进行指标优化 | 第47-53页 |
| 4.2.1 样本数据抽取与输入 | 第47页 |
| 4.2.2 模型实证运算 | 第47-50页 |
| 4.2.3 结果选取与分析 | 第50-53页 |
| 4.3 BP人工神经网络的训练 | 第53-59页 |
| 4.3.1 数据的输入和整理 | 第53页 |
| 4.3.3 模型的初步训练 | 第53-56页 |
| 4.3.4 模型的优化 | 第56-59页 |
| 4.4 测试结果分析 | 第59-62页 |
| 4.4.1 证明了BP神经网络的可行性与优越性 | 第59页 |
| 4.4.2 证明了Hedonic模型优化指标的必要性与有效性 | 第59-60页 |
| 4.4.3 证明了城市轨道交通对沿线房地产价值的重要性 | 第60-62页 |
| 5 总结与展望 | 第62-64页 |
| 5.1 论文主要工作 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 附录A | 第68-94页 |
| 附录B | 第94-98页 |
| 作者简历 | 第98-102页 |
| 学位论文数据集 | 第102页 |
