| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.1.1 研究背景 | 第10-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 房地产项目投资风险研究现状 | 第13-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 研究内容及方法 | 第15-16页 |
| 1.3.1 研究内容 | 第15页 |
| 1.3.2 研究方法 | 第15-16页 |
| 1.4 技术路线及创新点 | 第16-17页 |
| 1.4.1 技术路线 | 第16页 |
| 1.4.2 创新点 | 第16-17页 |
| 第2章 房地产项目投资风险概述 | 第17-26页 |
| 2.1 风险概述 | 第17-18页 |
| 2.1.1 风险的概念和构成 | 第17页 |
| 2.1.2 风险的特征 | 第17-18页 |
| 2.2 房地产投资风险分析 | 第18-22页 |
| 2.2.1 房地产项目投资风险的定义及特点 | 第18-19页 |
| 2.2.2 房地产项目投资风险的类型 | 第19-22页 |
| 2.3 风险评价概述 | 第22-25页 |
| 2.3.1 风险评价的内容 | 第22页 |
| 2.3.2 风险评价的步骤 | 第22-23页 |
| 2.3.3 房地产项目投资风险的评价方法 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 房地产项目投资风险预测指标体系 | 第26-37页 |
| 3.1 房地产投资风险影响因素分析 | 第26-34页 |
| 3.1.1 政治风险 | 第26-28页 |
| 3.1.2 经济风险 | 第28-31页 |
| 3.1.3 社会风险 | 第31-32页 |
| 3.1.4 技术风险 | 第32-33页 |
| 3.1.5 自然风险 | 第33页 |
| 3.1.6 内部决策和管理风险 | 第33-34页 |
| 3.2 房地产项目投资风险预测指标选取原则 | 第34-35页 |
| 3.3 房地产项目投资风险评价指标体系建立 | 第35页 |
| 3.4 本章小结 | 第35-37页 |
| 第4章 支持向量机和蚁群算法的相关理论 | 第37-55页 |
| 4.1 统计学习理论 | 第37-39页 |
| 4.1.1 机器学习的基本问题 | 第37-38页 |
| 4.1.2 统计学习理论的内容 | 第38-39页 |
| 4.2 支持向量机原理 | 第39-47页 |
| 4.2.1 标准支持向量机 | 第39-43页 |
| 4.2.2 核函数的选择 | 第43-45页 |
| 4.2.3 最小二乘支持向量回归机 | 第45-46页 |
| 4.2.4 支持向量机的特点 | 第46-47页 |
| 4.3 蚁群算法原理 | 第47-54页 |
| 4.3.1 蚁群算法概述 | 第47-48页 |
| 4.3.2 基本蚁群算法 | 第48-50页 |
| 4.3.3 蚁群算法的特点 | 第50页 |
| 4.3.4 基于自适应信息素挥发因子的优化 | 第50-51页 |
| 4.3.5 基于十进制编码的连续域蚁群优化 | 第51-52页 |
| 4.3.6 蚁群算法中参数的选择 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 ACO-SVM房地产风险模型的构建及实现 | 第55-67页 |
| 5.1ACO-SVM算法设计 | 第55-57页 |
| 5.1.1ACO-SVM算法步骤 | 第55-57页 |
| 5.1.2 模型的评价指标 | 第57页 |
| 5.2 数据采集和处理 | 第57-63页 |
| 5.2.1 数据采集 | 第57-59页 |
| 5.2.2 数据处理 | 第59-63页 |
| 5.3 模型的建立 | 第63-65页 |
| 5.3.1 用改进的蚁群算法优化支持向量机的参数选择 | 第63-65页 |
| 5.3.2 ACO-SVM模型的建立 | 第65页 |
| 5.4 实验结果及分析 | 第65-66页 |
| 5.5 本章小结 | 第66-67页 |
| 结论与展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 作者简介 | 第72页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第72-73页 |