基于层次分析法和回归分析的房价分析与预测模型
房地产市场中的房价预测模型比较
房地产市场中的房价预测模型比较引言：随着经济的发展和城市人口的增加，房地产市场一直都是一个备受关注的领域。
了解和预测房价走势对于投资者、开发商和政府来说都至关重要。
然而，由于房地产市场的复杂性和不确定性，准确预测房价一直都是一个具有挑战性的任务。
因此，为了解决这个问题，许多研究人员和机构开发了各种不同的房价预测模型。
本文将比较几种常见的房价预测模型，分析它们的优缺点和适用场景。
一、回归模型回归模型是最常见和广泛使用的房价预测方法之一。
它使用历史数据和相应的影响因素来建立一个数学模型，通过对未来一段时间的数据进行回归分析来预测房价。
回归模型可以分为线性回归和非线性回归两种。
1.1 线性回归模型线性回归模型假设价格与影响房价的因素之间存在线性关系。
它使用各种因素（如房屋面积、房龄、地理位置等）来建立数学模型，通过回归分析来预测未来的房价。
线性回归模型的优点是简单易用，计算效率高；缺点是无法处理非线性关系。
1.2 非线性回归模型非线性回归模型进一步拓展了线性回归模型的概念，它允许因素之间存在非线性关系。
非线性回归模型使用更复杂的数学函数来建立模型，并根据历史数据进行参数估计。
非线性回归模型的优点是可以更好地拟合实际数据，处理较复杂的关系；缺点是模型复杂度较高，计算成本较高。
二、人工神经网络人工神经网络是一种模拟人类神经系统工作方式的数学模型。
它通过训练算法从历史数据中提取模式，并学习建立预测模型。
人工神经网络模型在房价预测中表现出色，尤其是处理复杂非线性关系方面。
2.1 多层感知器（MLP）多层感知器是最常用的人工神经网络结构之一。
它由输入层、隐藏层和输出层组成。
多层感知器通过训练算法学习输入和输出之间的复杂关系，并通过这种关系进行预测。
多层感知器的优点是能够处理复杂的非线性关系，但模型的训练过程需要大量数据和计算资源。
2.2 循环神经网络（RNN）循环神经网络是一种具有循环连接的神经网络结构，可以处理时间序列数据。
基于逐步回归分析的房屋售价预测模型研究
基于逐步回归分析的房屋售价预测模型研究一、引言在当今的社会生活中，房地产是一个非常重要的经济产业，其对于国家经济的发展与人民生活质量的提升都起到了很大的促进作用。
房地产开发商为了能够更好地进行房产销售管理，从而提高其竞争力，需要通过各种方法来预测房屋售价，以制定合适的价格策略。
因此，本文将基于逐步回归分析来研究房屋售价预测模型。
二、相关背景2.1 房屋售价预测模型的意义房地产业是重要的经济支柱之一，售价的波动与走势更是直接关系到房企的营业收入与经济利益。
因此，研究房屋售价预测模型，开发出有效的预测模型，具有非常重要的研究意义和现实应用价值。
2.2 逐步回归分析的理论背景逐步回归分析主要是在估计变量间关系时，通过逐个逐个加入依次调整参数。
其本质是模型变量选择，即在变量集中，选出对因变量解释效果最好的一些变量，以实现计算预测值与实际值差距最小化的目的。
三、逐步回归分析简述3.1 模型建立在建立房屋售价预测模型时，我们需要从多个方面来考虑决策变量与因变量之间的关系，如建筑面积、地理位置、装修情况、周边环境等因素。
在逐步回归分析中，首先需要确定一个房屋售价的初始模型，再逐步加入其他变量并分析这些变量对模型的影响。
3.2 模型优化在加入新变量后，要进行模型效果的观测与判断，比较各自的贡献程度，进而以均方误差等统计指标来评价模型的拟合程度，从而修正与优化模型。
四、实例应用4.1 数据预处理在模型实例的应用中，我们需要对数据进行处理，例如对数据进行筛选、去重、缺失值填充等，以确保得到的数据更完整、准确、可靠。
4.2 模型实施通过R软件、Python软件等进行逐步回归分析，可以得到包括各项参数的最终模型，同时也得到模型参数的系数与显著性检验，从而分析变量对实际值的贡献程度，并提供更加科学的参考依据。
五、总结本文主要介绍了基于逐步回归分析的房屋售价预测模型研究，通过数据处理、模型建立、优化与实例应用等环节的详细阐述，表明了该方法在房产销售中的重要作用与价值。
基于层次分析法的城市房地产价格分析
基于层次分析法的城市房地产价格分析一、问题的提出1．问题提出的背景1．1房地产在国家经济中的重要性。
房地产在国家经济中的有着重要的地位，是国家经济发展的重要驱动力。
在我们国家，房地产的蓬勃发展给国家的经济发展作出了巨大贡献,成为拉动国家和地区经济发展的支柱性行业。
同时，房地产关系到人们的日常生活，房地产行业的良好发展将极大的提高人们的生活质量，是国家关注的重要问题之一。
1．2房地产在国家经济中的高危险性。
房地产由于它的重要性，资金密集性和高回报性，也是一个容易出问题的行业，2008的金融危机主要是由于房地产的次贷抵押缺乏信誉而造成。
我们都知道金融危机给国家乃至整个世界的经济带来的危害都是空前的，常常会引来几年、十几年、甚至是几十年的经济倒退或停滞。
房地产是个交叉性行业，它的发展关系到材料、建筑、金融等好多个行业的发展，尤其是金融行业。
由于房地产是一个资金密集型行业，需要大量的资金，这些资金大部分都来源于金融。
金融行业由于其的高垄断性和对国家机器正常运转的高影响性，常常是影响国家经济发展的一个敏感性行业。
房地产出了问题，首先造成金融行业的混乱，如果金融行业的混乱不能得到有效制止，将直接影响到国家机器的运行。
房地产业的危险性有此可见一斑。
1．3房地产行业的高复杂性。
房地产行业关系到很多行业的发展，也关系到国家政治、经济、社会的很多方面。
房地产需要投资，首先对经济发展有影响；房地产的发展需要大量的资金，需要金融机构的支持，这就直接影响到国家的政治制度，这些制度又反过来作用于房地产业，影响房地产的发展；最后，房地产影响到国计民生，有着深刻社会性影响。
房地产高额的利润回报，常常成为社会一些大资本家投资的重点，这些资本家为了提高自己的话语权想尽千方百计，甚至于拉拢政府官员一起进行建设，不但会引起经济上的腐败，也会对政府在一些政策的制定上带来影响。
房地产行业的复杂性造成了房地产价格影响因素的错综复杂，使得房地产价格的分析成为了一个值得思考和研究的问题的问题。
基于回归分析的房价模型及预测
基于回归分析的房价模型及预测随着生活水平的提高和城市化进程的加速，房地产市场已经成为了国民经济的重要组成部分。
对于购房者而言，他们需要了解市场上的房价走势，以便更好地做出投资决策。
而对于开发商而言，他们需要明确自己产品的价值，以便正确定价并获得市场份额。
因此，基于回归分析的房价模型及预测在当前的经济背景下显得极其重要。
本文将介绍回归分析的相关知识，并利用Python语言建立基于多元线性回归的房价模型，并预测房价走势。
一、回归分析的知识介绍回归分析是一种通过对因变量与自变量之间的关系进行建模来对因变量进行预测的统计分析方法。
简单来说，回归分析就是用已知的自变量数据来预测未知的因变量数据。
在回归分析中，自变量与因变量之间的关系可以用一条直线或曲线来表示，这条直线或曲线称为回归线或回归曲线。
在回归分析中，自变量数量的不同可以分为简单线性回归和多元线性回归。
如果自变量只有一个，称为简单线性回归；如果自变量有多个，称为多元线性回归。
在建立回归模型之前，需要考虑一些问题，例如选择哪些自变量，如何评价模型的拟合程度等。
二、基于多元线性回归的房价模型建立在本文中，我们选择了三个自变量，分别是房屋面积、房间数量和街区位置。
我们使用Python语言来建立回归模型，其中使用了Pandas、NumPy、Scikit-learn和Matplotlib 等库。
具体代码如下所示：```pythonimport pandas as pdimport numpy as npfrom sklearn.linear_model import LinearRegressionimport matplotlib.pyplot as plt# 读取房屋数据data = pd.read_csv('house.csv')x = data.iloc[:, 1:4].valuesy = data.iloc[:, 0].values# 拟合回归模型model = LinearRegression()model.fit(x, y)R2 = model.score(x, y)print('R2 coefficient:', R2)# 显示散点图plt.scatter(data['Area'], data['Price'], color='blue')plt.xlabel('Area')plt.ylabel('Price')我们首先使用Pandas库读取房价数据，并将数据分为自变量和因变量。
房地产市场的价格预测模型与建模分析
房地产市场的价格预测模型与建模分析房地产市场是一个重要的产业，对于政府经济政策的制定和投资者的决策具有重要影响。
因此，对于该市场的价格预测模型与建模分析显得尤为重要。
本文将讨论房地产市场价格预测模型的建立与分析方法，以帮助投资者和政府决策者更好地理解市场趋势和未来走势。
一、房地产市场价格预测模型的建立方法房地产市场价格预测模型的建立可以采用多种方法，包括回归分析、时间序列分析和机器学习等。
下面将分别介绍这些方法的原理和应用。
1. 回归分析回归分析是一种常用的统计方法，用于探索变量之间的关系。
在房地产市场中，可以选择影响房价的相关变量，如地理位置、楼层、面积、楼龄等，作为自变量，房价作为因变量，建立回归模型进行预测。
通过分析各个自变量的系数和显著性水平，可以了解各因素对房价的影响程度和方向。
2. 时间序列分析时间序列分析是一种用于研究时间序列数据的方法，适用于预测具有一定规律性和趋势性的数据。
在房地产市场中，可以将历史的房价数据作为时间序列数据，通过分析趋势、周期性和季节性等特征，建立时间序列模型进行预测。
3. 机器学习机器学习是一种基于数据的自动化建模方法，可以利用大量的历史数据进行模型训练和预测。
在房地产市场中，可以使用机器学习算法，如决策树、随机森林、神经网络等，根据房产特征数据和历史价格数据进行训练，建立预测模型。
机器学习有着良好的拟合能力和预测性能，可以提供较为准确的房价预测结果。
二、房地产市场价格模型的分析方法建立价格预测模型之后，需要对模型进行分析以评估其准确性和稳定性，进而为投资者和政府决策者提供决策支持。
下面将介绍几种常见的模型分析方法。
1. 模型拟合度分析模型拟合度分析用于评估模型对观测数据的拟合程度，可以通过计算拟合优度指标（如R方值）来衡量模型的拟合效果。
拟合度分析可以帮助我们了解模型的预测能力和稳定性。
2. 模型参数显著性检验模型参数显著性检验可以用于评估各个自变量对因变量的影响是否显著。
基于回归的房价预测模型研究
产业经济基于回归的房价预测模型研究王景行(唐山市第二中学，河北唐山063000)摘要：本文关注房价的影响因素，从79个影响特征中选择重要的特征，并且使用特征处理方案来得到更优特征，用以训练多个回归模型，包括Lasso回归模型，以及XGBoost回归模型，最终使用Stacking模型融合方案来预测房价。
在测试数据集中的表现模型融合优于单模型结果，所以最终使用模型融合方案来对房价做预测。
通过#匕次房价预测，旨在发现房屋价格的影响因素以及得到房屋预测模型用以将来迁移学习其他地域的房屋价格预测。
关键词：模型融合；线性回归；房价预测；建模分析中图分类号:F299.23文献识别码：A文章编号：2096—3157(2020)19—0120—03—、研究背景随着大数据时代的到来，具备大数据思想至关重要，人工智能技术在各行各业的应用已是随处可见。
在生产制造业，人工智能技术可以极大地提高生产效率，节省劳动成本,提升产品质量;在服务业，可以优化行业现有产品和服务，提升其质量和劳动生产率;金融、医疗等领域，也因人工智能技术的加入而愈发繁荣，人们的生活也因为其更加便利。
房屋作为每个公民的必需品，在生活中的地位非常重要，买房已成为人们谈论较多的话题，如何在合适的时间买房卖房也成为了人们关注焦点，因此在这样的背景下，产生了本次的房价预测相关问题。
目前在房价预测领域主要体现在两个问题上：一是选择合适的数学模型来预测房价走向，用以评估房价的变化;二是寻找引起房价变化的原因，国家可借此来帮助市场协调房价变化，公民可以根据时事来判断入手时机。
本文主要分析第一个问题，即选择合适的数学模型来帮助预测房价。
本文将从波士顿的房价数据为着手点，以该市的房屋的相关属性来作为特征，筛选重要信息，并且将一些信息做适当处理，最终用以预测该市的其他房屋价格。
二、研究方法1.线性回归算法简介(1)算法思想在统计学中，线性回归曲(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析raM o这种函数是一个或多个称为回归系数的模型参数的线性组合。
基于回归分析和傅里叶级数分析的房价模型
基于回归分析和傅里叶级数分析的房价模型针对房地产价格问题，运用线性与非线性回归、主成分分析、傅里叶变换等方法，首先根据最近十年武汉分区数据得到了商品住宅价格与人均GDP、人均可支配收入、大宗商品价格指数的关系，然后对于2013年6月-12月的商品住宅价格变化趋势做出了预测。
标签：回归分析；傅里叶级数；主成分分析1模型的建立、求解与评价1.1模型介绍我们以行政区划作为划分，选择了武汉中心城区具有代表性的三个区（江岸区，江汉区，硚口区）进行建模分析。
根据武汉市统计局及武汉市统计年鉴中的数据，首先对于三个自变量两两之间进行了相关性分析，然后进行主成分分析，最后以贡献率最大的主成分为新的变量与商品住宅价格做回归拟合，得到各变量间的函数关系。
1.2模型建立根据武汉市统计局及权威网站查询、计算得出以最近10年各区以上四个变量数据（以江岸区为例）如下图1。
图1武汉市近十年分区商品住宅价格变化自变量之间相关性分析模型建立：r（Xi，Xj）=σ2（Xi，Xj）σ（Xi）*σ（Xj）（i，j=1，2，3）σ2（Xi，Xj）=2012n=2003（Xin-i）（Xjn-j）10通过主成分分析，将人均GDP、人均可支配收入及大宗商品价格指数三个相关性较大的变量重新组合成一组新的相互无关的综合指标来代替原来的指标。
由此定义主成分为：Gi=3t=1αitXt其中10i=1α2it=1（t=1，2，3）最后求出第i个主成分的贡献率，这个值越大，表明第i主成分综合信息能力越强。
主成分累积贡献率≥90%作为主成分个数的m的选择依据。
1.3模型的求解（1）主成分分析。
根据相关性结果，利用MATLAB软件进行主成分分析，结果如表1。
表1江岸区主成分分析结果特征值 2.87040.12770.0019贡献率0.95680.04260.0006累计贡献率0.95680.99941（2）回归拟合。
通过MATLAB中cftool对于图像进行拟合，比较各种函数之后发现三次多项式拟合效果较为理想，故选用三次多项式进行拟合。
基于层次分析法的购房决策分析
基于层次分析法的购房决策分析摘要：对于国人来说，住房肯定是人生最重要的事之一，那么购房当仁不让的成为了许多家庭深思熟虑的问题。
就现在的购房市场而言，可以将购买人群分为两类：工薪家庭和高薪家庭。
无论是哪一类家庭，他们在购房过程中都基本会考虑到房价、距市区的距离、周边环境、教育配套以及生活配套这五大因素。
本文在对层次分析法的发展现况以及该理论存在的问题综述的基础上,简述了AHP解决问题的基本步骤,并从数学原理角度对AHP中的重要概念——判断矩阵一致性做了较为简单的介绍；其次，利用层次分析法的理论对同一类住房进行排序,择优选出较理想的住房，旨在使得购买更加合理,获得较大价值的目的。
关键词：家庭购房；层次分析法；量化；决策Based on the analytic hierarchy process (AHP) a homebuyers decisionAbstract：For the people, house is certainly one of the most important things in life, then buyers an insight into the many families considered problem. The purchase of the crowd can be a buyers market, divided into two categories: the purchase of high-paying families, working families buyers. No matter what type of family, they are basically in the purchase process will be considered to the price, Away from the urban, the surrounding environment, education, as well as supporting the life supporting these five factors. On the basis of the current state of development of the analytic hierarchy process as well as the theoretical existence of review briefly the basic steps of AHP to solve the problem from the point of view of mathematical principles consistency of judgment matrix do important concept of AHP ——relatively simple introduction; Secondly, the use of the theory of the Analytic Hierarchy Process sort of the same type of housing, merit elect better housing, designed to make the purchase more reasonable for a larger value.Key words：home buyers; analytic hierarchy process; quantified; decision目录第一章引言 (1)1.1研究背景 (1)1.2层次分析法 (1)第二章应用层次分析法进行购房决策 (2)2.1工薪家庭购房分析 (3)2.1.1层次结构图 (3)2.1.2构建标度及两两比较矩阵 (4)2.1.3求各因素的权重 (4)2.1.4两两比较矩阵的一致性检验 (7)2.1.5选择最优方案 (8)2.2高薪家庭购房分析 (9)2.2.1层次结构图 (9)2.2.2构建标度及两两比较矩阵 (10)2.2.3求各因素的权重 (11)2.2.4两两比较矩阵的一致性检验 (12)2.2.5选择最优方案 (12)第三章综合评价及购房建议 (13)结束语 (13)致谢 (14)参考文献 (14)附录 (15)基于层次分析法的购房决策分析第一章引言1.1研究背景对于国人来说，住房肯定是人生最重要的事之一，那么购房当仁不让的成为了许多家庭深思熟虑的问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
题目：基于层次分析法和回归分析的房价分析与预测模型摘要随着我国住房制度的商品化改革，我国住宅产业蓬勃发展，逐渐成为影响国计民生的重要产业之一。
然而近年来国内大中型发达城市的商品住宅价格水平飞速增长，已经呈现出超过人民承受能力和经济发展水平的趋势。
为此，确定这些城市商品住宅价格水平合理性，并探究影响价格的相关因素，提出正确的对策措施成为稳定经济、改善人民生括的首要问题。
【1】为了反映不同因素对房价的影响，我们查阅各种资料利用互联网，收集到2010年5月以来的三个与房价联系紧密的数据，即人口数量、居民人均可支配收入和住房成本。
为了反映全国各类城市房价的情况，我们选取三类城市，即直辖市、沿海开放城市、一般省会城市，并兼顾地理位置分布，选取九个有代表性的城市：北京、上海、重庆、深圳、福州、大连、武汉、成都、西宁。
对于问题一，房价的合理性分析。
我们运用层次分析法。
以人口数量、居民人均可支配收入和住房成本为准则层，以房价的合理、基本合理和不合理为方案层，建立三层层次结构分析模型。
根据不同城市的特点，设置三个影响因素的权值，然后求出组合权向量，根据权向量中相应元素的数值大小，判断该城市房价的合理性。
对于问题二，房价未来走势的预测，我们运用回归分析法，将三个影响因素作为变量。
先分别讨论房价相对于各因素的变化情况，用EXCEL作出房价相对于各因素的变化图，利用移动平均法消除不规则因素的影响，求出房价与各因素的移动平均数，大致确定房价与影响因素之间的变化关系。
然后利用MATLAB软件对房价进行拟合，得出房价的函数表达式，对未来4个月房价的走势进行预测，并利用2011年5月的数据对模型进行检验，发现预测结果与实际结果比较吻合，有一定的通用性。
对于问题三，房价合理的具体措施，以及可能对经济发展产生的影响。
我们根据前两个问题所得的结果，针对不同城市出现的问题，和房价不合理的方面提出几点改善房价合理性的建议，并对房价在经济发展上的影响情况作简要分析。
关键词：层次分析法房价合理性移动平均法层次分析法房价预测一．问题重述房价问题事关国计民生，对国家经济发展和社会稳定有重大影响，一直是各国政府大力关注的问题。
我国自从取消福利分房制度以来，随着房价的不断飙升，房价问题已经成为全民关注的焦点议题之一，从国家领导人、地方政府官员，到开发商、专家学者、普通百姓通过各种媒体表达各种观点，但对于房价是否合理、未来房价的走势等关键问题，至今尚未形成统一的认识。
请根据中国国情，收集建筑成本、居民收入等与房价密切相关的数据，选取我国具有代表性的几类城市对房价的合理性及房价的未来走势等问题进行定量分析；根据分析结果，进一步探讨使得房价合理的具体措施，以及可能对经济发展产生的影响，并进行定量分析。
二．问题分析对题目进行分析，我们发现可以将问题分为三个，即房价的合理性分析为综合评价类问题，房价的未来走势分析为预测类问题，而房价合理的措施及对经济发展的影响是跟据前两个问题的结果综合分析得出结论。
首先，对于问题一：房价的合理性分析，由于2010年4月北京出台了“限购令”，全国各大城市纷纷效仿，这一政策对房价影响较大，因此我们收集了从2010年5月开始四个与房价联系紧密的数据，即住房成本、居民人均可支配收入、人口数量和通货膨胀率，考虑到住房成本内容繁杂，找不到十分合适的数据，为简化处理在这里用土地价格代替住房成本。
然后按城市类型，选取三类城市：直辖市、沿海开放城市、一般省会城市，并兼顾地理位置分布，选取九个有代表性的城市：北京、上海、重庆、深圳、福州、大连、武汉、成都、西宁。
然后运用层次分析法，结合收集的数据将每个城市的房价评价为合理、基本合理、不合理。
其次，对于问题二：房价未来走势的预测，属于预测类问题，我们运用回归分析法，将三个影响因素作为变量。
先分别讨论房价相对于各因素的变化情况，用EXCEL作出房价相对于各因素的变化图，利用移动平均法消除不规则因素的影响，求出房价与各因素的移动平均数，大致确定房价与影响因素之间的变化关系。
然后利用MATLAB软件对房价进行拟合，得出房价的函数表达式，对未来4个月房价的走势进行预测，并利用2011年5月的数据对模型进行检验，发现预测结果与实际结果比较吻合，有一定的通用性。
最后，对于问题三：房价合理的具体措施，以及可能对经济发展产生的影响。
我们根据前两个问题所得的结果，针对不同城市出现的问题，和房价不合理的方面提出几点改善房价合理性的建议，并对房价在经济发展上的影响情况作简要分析。
三．模型假设1.所收集到的大部分数据真实可靠。
2.国内外经济发展稳定，短期内通货膨胀没有明显变化，即通货膨胀率不变。
3.短期内城市居民生活状态趋于稳定，没有重大的自然灾害、战争和社会动乱等不稳定因素的影响。
4.今年各月供求关系、经济形势、政府政策等宏观因素与往年相应月份相同保持稳定。
5.在影响房价的因素中，各因素如住房成本和居民生活水平相互独立。
四．符号说明五．模型的建立与求解5.1数据的整合：确定了所需要的数据后，我们查询了国家统计局网站【2】、搜房网【3】、中国城市地价网【4】、各城市政府网站等官方网站，收集了大量真实可靠的数据。
由于数据种类较多，且数据量较大，不易于分析处理，我们将数据整合，并导入EXCEL表格中，制成各城市月房价表、月居民人均可支配收入表、月土地价格表（见附录一）,然后作出各城市地价与房价，居民人均可支配收入与房价的关系曲线。
为了消除政策调整，房产炒作，自然灾害等偶然因素的影响，而体现出价格变化趋势，运用移动平均法，重新制成各城市月房价移动平均值表、月居民人均可支配收入移动平均值表、月土地价格移动平均值表（见附录），然后分别作出地价移动平均值与房价移动平均值，居民人均可支配收入移动平均值与房价移动平均值的关系曲线。
5.2层次分析法（解决问题一：房价的合理性分析）5.2.1模型分析与建立要分析各城市房价是否合理，就需要对各城市房价的合理性进行评价，因此我们运用层次分析法。
【5】对于准则层的确定，通过查阅相关资料，我们了解到，房价的影响因素有人口数量、居民人均可支配收入、通胀水平、住房成本等，由于假设通胀水平在短期内不发生变化，所以以人口数量、居民人均可支配收入和住房成本为准则层，以房价的合理、基本合理和不合理为方案层，建立层次结构分析模型，模型结构如图5.2.1所示：图5.2.15.2.2模型求解利用层次分析法分析某个城市房价是否合理，首先要根据所收集到的数据，分析各影响因素对房价影响程度的大小；然后，根据分析的结果，设定各个影响因素的权值；最后，通过计算得到组合权向量。
根据组合权向量中对应的值来评价该城市的房价是否合理。
由于我们选取了九个城市，计算过程繁复芜杂，计算量大，此处以武汉市为例，对模型求解过程表述如下：房价的确定，主要应该考虑当地城镇居民的可支配收入水平，收入水平高房地产商自然会将房价抬高，因此把居民人均可支配收入的权重设为最大；而住房成本直接关系到房屋的售价，但是住房的成本包括很多方面，如土地，建材，人工，管理等，为了分析方便，这里做一下简化处理，用土地价格代替住房成本，通过对大量数据分析同时查阅了相关资料后，我们发现土地价格对房价有一定的影响，但影响不及居民人均可支配收入的大；人口决定了住房需求，因此人口多少也会在一定程度上影响房价，但是一个城市的人口在短时间内变化并不明显，而且买房人一般是有一定经济基础的，这些人在城市人口中只占有少数比例。
以武汉市为例，准则层B 的三个因素（B 1,B 2,B 3）的两两判断矩阵设定如表5.2.2.1所示。
1.成对比较矩阵A 的计算：从而得到其相对应的成对比较矩阵如下所示：⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=131331515111A通过MATLAB 软件求得矩阵A 的最大特征值0385.3max =λ，该最大特征值对应的特征向量为：U=(0.1506 0.9161 0.3715)T然后将其单位化后得到权向量：U=（0.1047 0.6370 0.2583）T2.对矩阵A 进行一致性检验： （1）矩阵一致性指标I C .的计算： 1.1max 1--=n nI C λ 公式1代入n=3,0385.31max =λ 求得 013.0.1=I C （2）矩阵一致比较率1.R C 计算： 查找n=3的平均一致性指标52.0.1=I R IR IC R C ...=公式2 得1.0025.0.1<=R C 可以判断矩阵A 满足一致性。
3.构造C B -层对比矩阵：⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=13/27/42/315/64/76/5111B ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=17/32/13/713/424/3112B ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=17/33/23/712/32/33/2113B通过计算C B -层两两判断矩阵的特征值、特征向量、一致性指标及一致性比较率，得出层次分析法的参数表如表5.2.2.2所示。
表5.2.2.2如表5.2.2.2所示，一致性比率均小于0.1，则矩阵均满足一致性条件。
总排序： []U B B B w 3217= 公式3求得[]Tw 1972.04552.03476.07=对于其他八个城市，我们根据收集到的数据和各个城市的具体情况，对各城市的特点分析如下：对于北京和上海市，考虑到其人口较多，且地理位置优越，人均收入水平较高；对于重庆市，虽然人口较多，但经济发展水平远不及北京和上海，且处于西南内陆，属丘陵地貌，地理条件较差，受炒作因素的影响较小；对于深圳、福州和大连这类沿海开放城市，其经济发达，气候条件优越，适宜居住，因此地价较高；对于武汉、成都和西宁这类处于中西部的普通省会城市，正处于稳定发展中，经济相对落后，人口较多，住房成本相对稳定，因此其房价主要受人口和居民人均可支配收入的影响较大。
同理可求得其它城市的总排序1w （北京）、2w (上海)、3w （重庆）、4w （深圳）、5w （福州）、6w （大连）、8w （成都）、9w （西宁）分别为：[]Tw 3871.04051.02078.01= []Tw 3974.04162.01864.02=[]Tw 1732.04812.03356.03= []Tw 2061.04757.03182.04=[]T w 1374.04553.04073.05= []Tw 1395.04253.04052.06= []T w 1368.04255.04377.08= []Tw 1751.04034.04215.09=5.3回归分析法（解决问题二：房价的未来走势分析）5.3.1模型分析与建立对于房价未来走势的分析，属于预测问题。
我们收集到了与房价有关的数据，这些数据与房价之间存在着一定的数学关系，利用回归分析法对数据进行拟合，求得房价关于各影响的函数表达式，就能利用此表达式对房价的未来走势作出预测。