| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究目的及意义 | 第10-11页 |
| 1.3 国内外研究的现状 | 第11-12页 |
| 1.3.1 国外研究现状 | 第11页 |
| 1.3.2 国内研究现状 | 第11-12页 |
| 1.4 本文的研究内容以及创新点和方法 | 第12-15页 |
| 1.4.1 主要研究内容 | 第12-13页 |
| 1.4.2 本文的创新点 | 第13-14页 |
| 1.4.3 研究方法和技术路线 | 第14-15页 |
| 第2章 房地产的价格理论及影响因素分析 | 第15-23页 |
| 2.1 房地产的价格内涵与计算 | 第15-16页 |
| 2.1.1 房地产价格的决定与构成 | 第15页 |
| 2.1.2 房地产价格的计算 | 第15-16页 |
| 2.2 商品住宅房价格的影响因素分析 | 第16-20页 |
| 2.2.1 行政因素 | 第16-18页 |
| 2.2.2 经济因素 | 第18-19页 |
| 2.2.3 社会因素 | 第19-20页 |
| 2.2.4 区位因素 | 第20页 |
| 2.3 影响房价指标的分析与选取 | 第20-23页 |
| 第3章 支持向量回归机的原理简介 | 第23-30页 |
| 3.1 支持向量机原理 | 第23页 |
| 3.2 线性支持向量机 | 第23-26页 |
| 3.3 非线性支持向量机 | 第26-28页 |
| 3.4 支持向量回归 | 第28-30页 |
| 第4章 基于支持向量回归房价预测模型的实证研究 | 第30-42页 |
| 4.1 武汉市概况 | 第30-31页 |
| 4.2 数据的来源 | 第31页 |
| 4.3 数据的分析和预处理 | 第31-32页 |
| 4.4 基于主成分分析的数据降维 | 第32-34页 |
| 4.5 参数寻优 | 第34-38页 |
| 4.5.1 粒子群算法的原理 | 第35-36页 |
| 4.5.2 遗传算法的原理 | 第36-37页 |
| 4.5.3 两种算法的参数寻优 | 第37-38页 |
| 4.6 基于粒子群算法的支持向量回归机在房价中的预测 | 第38-41页 |
| 4.7 本章小结 | 第41-42页 |
| 第5章 与BP神经网络和多元线性回归的比较 | 第42-52页 |
| 5.1 BP神经网络模型简介及实证 | 第42-46页 |
| 5.1.1 神经网络各层构建 | 第43页 |
| 5.1.2 参数设置及模型实证 | 第43-46页 |
| 5.2 多元线性回归模型简介及实证 | 第46-49页 |
| 5.2.1 模型介绍 | 第46-47页 |
| 5.2.2 模型实证 | 第47-49页 |
| 5.3 与BP神经网络和多元线性回归预测结果的对比分析 | 第49-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第6章 总结及展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间发表论文及参加科研项目情况 | 第58页 |