高速鐵路客站商業(yè)網(wǎng)點租價評估神經(jīng)網(wǎng)絡模型應用研究

汪天翔

WANG Tianxiang

（中國鐵路廣州局集團有限公司 經(jīng)營開發(fā)部，廣東 廣州 510088）

(Business Development Department， China Railway Guangzhou Group Co．， Ltd．， Guangzhou 510088， Guangdong，China)

1 概述

隨著高速鐵路事業(yè)的快速發(fā)展，市場需求也推動高速鐵路客站商業(yè)開發(fā)實現(xiàn)了質(zhì)的飛躍。高速鐵路客站商業(yè)開發(fā)在實現(xiàn)“專業(yè)化、規(guī)?；卑l(fā)展的同時，也面臨一些新的發(fā)展瓶頸。陳玉茂[1]通過將高速鐵路商業(yè)與機場商業(yè)及城市商業(yè)進行全方位比較分析，分析高速鐵路客站商業(yè)開發(fā)方面存在的“設計瓶頸”“資源瓶頸”和“客流瓶頸”。國內(nèi)外很多專家學者針對高速鐵路客站商業(yè)開發(fā)進行了宏觀分析，在開發(fā)規(guī)模、業(yè)態(tài)布局、空間設計、經(jīng)營模式和商業(yè)資源綜合評估等方面進行優(yōu)化[2-7]。由于“客流瓶頸”受限于鐵路運輸?shù)目傮w布局，難以在局部站點優(yōu)化實施；“資源瓶頸”取決于客站的整體功能定位，規(guī)模上限受各方因素影響客觀存在，突破難度較大；而“設計瓶頸”主要取決于商業(yè)設計布局和經(jīng)營模式等主觀因素，優(yōu)化的空間較大。

與國外鐵路公司類似[8]，國內(nèi)客站商業(yè)開發(fā)主要采取租賃經(jīng)營和合作經(jīng)營(“保底+提成”租賃)，通過“委外”的方式規(guī)避經(jīng)營風險，取得穩(wěn)定收益，即鐵路運輸企業(yè)完成商業(yè)網(wǎng)點建設，通過公開招商引入商家經(jīng)營。因此，從鐵路運輸企業(yè)的角度來看，應統(tǒng)籌考慮存在的客觀限制因素，通過科學合理的布局設計和招商方案設計，以及經(jīng)營環(huán)境的定量評估，找到最優(yōu)的開發(fā)方案，達到資源開發(fā)最優(yōu)化的目的。在理論研究方面，譚嘯等[9-10]利用灰色系統(tǒng)理論、小波神經(jīng)網(wǎng)絡等方法建立了以高速鐵路站點為基本單元的高速鐵路客站整體商業(yè)價值評估體系；楊柯[11]分析旅客的走行特點，以及商業(yè)網(wǎng)點位置對商業(yè)價值的影響，利用零售學中的磁石點理論結(jié)合專家打分，對單個商業(yè)網(wǎng)點與經(jīng)營環(huán)境的關(guān)聯(lián)度進行評估，從而優(yōu)化商業(yè)布局。在實踐應用方面，中國鐵路上海局集團有限公司比照大型購物中心經(jīng)營模式，運用統(tǒng)一支付的企業(yè)資源計劃(ERP)系統(tǒng)，實時掌握商鋪經(jīng)營情況，使“保底+提成”租賃模式得到了充分運用。但該系統(tǒng)只通過經(jīng)營結(jié)果反映租價，未實現(xiàn)更為全面的租價評估。

另外，傳統(tǒng)的房地產(chǎn)價值評估方法主要有收益法、成本法和市場法。收益法是以房地產(chǎn)的預期收益能力為導向，求取估價對象的價值。由于收益法僅可用于已經(jīng)投入運用可取得收益的資產(chǎn)，對待開發(fā)的資產(chǎn)不適用，因而存在一定的局限性。成本法是將估價對象在指定估價時點時的重置價格扣除折舊，從而估算對象的客觀合理價格。由于客站商業(yè)網(wǎng)點租價主要體現(xiàn)在交通可達性方面(或地理位置方面)，成本法難以準確計量。市場法是通過比較評估資產(chǎn)與最近售出的此類資產(chǎn)的異同，并將類似的市場價格進行調(diào)整，從而確定被評估資產(chǎn)的價值。由于客站商業(yè)開發(fā)趨于成熟，經(jīng)營者掌握了大量歷史經(jīng)營數(shù)據(jù)，可以通過參考與待開發(fā)商業(yè)網(wǎng)點經(jīng)營環(huán)境類似的已開發(fā)商業(yè)網(wǎng)點，實現(xiàn)價值評估。但是，在實際操作中，市場法價值評估需要進行大量經(jīng)營數(shù)據(jù)分析，才能得出較為準確的評估結(jié)果，評估周期長，不能適用于日常經(jīng)營要求。而神經(jīng)網(wǎng)絡具有極強的非線性處理問題能力，可以將經(jīng)營環(huán)境中各種非線性的影響因素通過神經(jīng)網(wǎng)絡非線性的傳輸函數(shù)映射成線性可分，讓網(wǎng)絡進行自我學習和訓練，找到商業(yè)網(wǎng)點租價與各影響因素的內(nèi)在聯(lián)系(函數(shù)擬合)，從而實現(xiàn)較為準確的租價評估。神經(jīng)網(wǎng)絡可實現(xiàn)的功能與人工市場法價值評估吻合，相比人工評估成本更低，加上日常的經(jīng)營管理不需要正式的評估報告，因而具有較高的實用價值。為此，將統(tǒng)籌運用影響商業(yè)網(wǎng)點租價的各類評估指標，利用神經(jīng)網(wǎng)絡技術(shù)實現(xiàn)獨立商業(yè)網(wǎng)點的租價評估，將租價評估功能植入資產(chǎn)管理信息系統(tǒng)，為商業(yè)經(jīng)營者優(yōu)化設計提供參考依據(jù)，以進一步提升高速鐵路客站開發(fā)效率效益。

2 高速鐵路客站商業(yè)網(wǎng)點租價評估指標構(gòu)建

影響客站商業(yè)網(wǎng)點租價的主要因素包括外部環(huán)境、客站經(jīng)營環(huán)境及管理機制等多個方面[3]。其中外部環(huán)境主要指城市、車站周邊區(qū)域等相關(guān)特征；客站經(jīng)營環(huán)境主要指站內(nèi)商業(yè)網(wǎng)點、客運設備設施、客站環(huán)境、客流等相關(guān)特征；管理機制指管理模式和盈利能力等。

相對獨立的商業(yè)網(wǎng)點而言，同一站點的不同商業(yè)網(wǎng)點具有相同外部環(huán)境，同一運營者的各商業(yè)網(wǎng)點租價不產(chǎn)生變化，且經(jīng)營商家的盈利能力無法在未經(jīng)營的情況下進行衡量。因此，對于獨立商業(yè)網(wǎng)點主要取決于客站經(jīng)營環(huán)境。商業(yè)網(wǎng)點對顧客的相關(guān)吸引力取決于商店的規(guī)模和距離2個要素[12]，利用系統(tǒng)設施布置方法(Systematic Layout Planning，SLP)[11]通過定量分析來描述客站經(jīng)營環(huán)境，特征指標包括位置特征、商業(yè)網(wǎng)點特征、客流特征和時間特征4個部分。

（1）位置特征。主要反映商業(yè)網(wǎng)點距客流主動線的距離，而客流主動線可以從以下方面進行描述。從宏觀來看，對于大中型車站而言(小型站一般沒有商業(yè)夾層且商業(yè)網(wǎng)點主要集中在候車區(qū))，按照區(qū)域功能可分為候車區(qū)、商業(yè)夾層、進出站區(qū)3類。候車區(qū)主要特點是旅客停留時間長，促成商業(yè)交易的可能性較大；商業(yè)夾層主要特點是雖能產(chǎn)生聚集效應，但遠離客流主動線；進出站區(qū)主要特點是客流密度大，但停留時間短。從微觀來看，對于同一區(qū)域而言，不同商業(yè)網(wǎng)點也有不同的位置特點。從旅客走行流線設計來看，安檢儀、樓/電梯、驗票閘機、衛(wèi)生間是旅客乘車使用頻率較高的設施，即客流較為集中的點位(熱點)。從目前的研究來看，單一熱點區(qū)域與商業(yè)網(wǎng)點租價并不存在明顯的線性關(guān)系，但從研究成果來看，應該存在相關(guān)性[12]?；诘乩硇畔⒓夹g(shù)相關(guān)功能，可以獲取任意商業(yè)網(wǎng)點距各類熱點的直線距離，來描述距客流主動線的位置特征。

（2）商業(yè)網(wǎng)點特征。主要反映商業(yè)網(wǎng)點規(guī)模和經(jīng)營質(zhì)量。從實際運用的角度來看，對于新增商業(yè)網(wǎng)點需要在出租前事先掌握商業(yè)網(wǎng)點的租價。在此階段，所掌握的信息只有商鋪面積和業(yè)態(tài)。因此，將商鋪面積、業(yè)態(tài)作為商業(yè)網(wǎng)點特征。

（3）客流特征。主要反映商業(yè)網(wǎng)點潛在顧客的體量和消費水平。消費水平體現(xiàn)在人均支配收入、消費水平等城市相關(guān)特征數(shù)據(jù)；體量水平體現(xiàn)在車站類型、車站性質(zhì)、站房面積、候車室面積、旅客發(fā)送量和到達量等車站特征數(shù)據(jù)。

（4）時間特征。結(jié)合目前的主要經(jīng)營模式，價值評估結(jié)果主要通過商鋪租價來量化體現(xiàn)。而在實際經(jīng)營過程中，商鋪的招商往往不是在同一時間節(jié)點完成的。同一商鋪在不同時間完成招商，可能得到不同結(jié)果。從目前的經(jīng)營模式來看，每年租價是根據(jù)首年租金價格加上年固定遞增率。因此，商鋪招商成交的時間將對評價結(jié)果產(chǎn)生顯著影響，需列為評估的一項特征。

綜上分析，高速鐵路客站商業(yè)網(wǎng)點租價評估指標體系大部分特征采用定量分析，盡可能地通過客觀描述來反映客站經(jīng)營環(huán)境。高速鐵路客站商業(yè)網(wǎng)點租價評估指標體系如表1所示。

表1 高速鐵路客站商業(yè)網(wǎng)點租價評估指標體系Tab.1 Evaluation index of commercial premises rent pricing

3 高速鐵路客站商業(yè)網(wǎng)點租價評估神經(jīng)網(wǎng)絡模型

神經(jīng)網(wǎng)絡是由多個神經(jīng)元相互鏈接組成，神經(jīng)元是神經(jīng)網(wǎng)絡最基本的組成部分，樣本參數(shù)通過輸入非線性傳輸函數(shù)，計算得到神經(jīng)元輸出。神經(jīng)網(wǎng)絡評估模型基本函數(shù)表達式如下。

式中：y為單個神經(jīng)元輸出；xi(i=1，2，…，R)為樣本各項參數(shù)；wi(i=1，2，…，R)為連接權(quán)值；b為偏置值。

在眾多神經(jīng)網(wǎng)絡模型中，結(jié)合神經(jīng)網(wǎng)絡的功能特點，采取適用于評估預測的BP前饋網(wǎng)絡[13]、RBF徑向基網(wǎng)絡[14-15]、ELMAN拉曼反饋網(wǎng)絡等，找到合適的優(yōu)化算法，通過一系列優(yōu)化算法，提升網(wǎng)絡的學習速度、泛化能力，提高預測的速度和準確率。神經(jīng)網(wǎng)絡模型主要步驟如下。

（1）完成數(shù)據(jù)預處理?；诟咚勹F路客站商業(yè)開發(fā)經(jīng)驗累積，確定指標選取的范圍，分析指標數(shù)據(jù)獲取的可行性，取得一定數(shù)量的指標樣本和歷史經(jīng)營結(jié)果(訓練目標)。通過分析樣本的特點，分析樣本各項參數(shù)對歷史評估結(jié)果的影響程度，刪除影響程度低的特征指標，以減少神經(jīng)網(wǎng)絡學習難度。利用統(tǒng)計分析中常用的特征價格模型[12]，通過逐步回歸的方式，對樣本特征進行篩選。特征價格模型常用的函數(shù)表達式為

式中：Pi為價值量；zi為解釋變量；n為解釋變量個數(shù)；ui為隨機誤差量；β0為特征變量之外其他影響價值的常量；βi為待測算特征變量參數(shù)。

通過對樣本特征進行顯著型分析，結(jié)合采集數(shù)據(jù)情況，剔除對商業(yè)網(wǎng)點租價影響不顯著的特征指標，減少特征之間多重共線性干擾，提高模型的準確性。

（2）數(shù)據(jù)歸一化和分類。確定輸入輸出后，還需要對所有數(shù)據(jù)進行歸一化處理，將所有數(shù)據(jù)轉(zhuǎn)化為[0，1]或[-1，1]之間的數(shù)，以減小各維數(shù)據(jù)間數(shù)量級差別對預測結(jié)果的影響，以提高網(wǎng)絡的訓練速度(收斂速度)。由于樣本數(shù)據(jù)體量較小，相鄰數(shù)據(jù)大多為同一車站樣本(樣本分布不均)，單次訓練可能導致神經(jīng)網(wǎng)絡泛化能力不足。樣本數(shù)據(jù)歸一化后，需要將數(shù)據(jù)樣本通過交叉驗證的方式循環(huán)測試，找尋泛化能力更高的訓練數(shù)據(jù)后，將樣本分為測試數(shù)據(jù)和樣本數(shù)據(jù)2個部分。該方式增加了大量計算時間，但在非實時預測的情況下，效果較好。

（3）選定神經(jīng)網(wǎng)絡結(jié)構(gòu)。神經(jīng)網(wǎng)絡模型的結(jié)構(gòu)是影響預測結(jié)果準確性的關(guān)鍵因素，為進一步提高預測的準確性，采用RBF和BP 2種模型分別進行測算。由于客站商業(yè)網(wǎng)點租價評估(預測)不需要在實時環(huán)境中應用，可以不選擇反饋網(wǎng)絡進行預測，以減少運算量。

①RBF神經(jīng)網(wǎng)絡。RBF神經(jīng)網(wǎng)絡是一種在高維空間進行插值的多層前饋神經(jīng)網(wǎng)絡，網(wǎng)絡結(jié)構(gòu)簡單，非常適合非線性函數(shù)擬合。一般僅有隱含層、輸出層共2層，算法原理是用RBF作為隱含層神經(jīng)元的“基”構(gòu)成高維空間，將低維的模式輸入數(shù)據(jù)變換到高維空間，使得在低維空間內(nèi)線性不可分的問題在高維空間內(nèi)線性可分，激活函數(shù)通常采用高斯函數(shù)。由于該模型隱含層節(jié)點數(shù)等于樣本數(shù)，對于每個訓練樣本，只需要對少量的權(quán)值和閾值進行修正，因此訓練速度快。第j個輸出節(jié)點的函數(shù)表達式如下。

式中：yj為第j個隱層節(jié)點的輸出值為第p個輸入樣本；p=1，2，…，P，P為樣本總數(shù)；σ為寬度常數(shù)；ci為網(wǎng)絡隱含層結(jié)點的中心；wi為隱含層到輸出層的連接權(quán)值；R為隱含層節(jié)點數(shù)。

基于K-均值聚類法，對于高斯基函數(shù)，其隱含層和輸出層之間的連接權(quán)值為

②BP神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡是多層神經(jīng)網(wǎng)絡中最典型的前饋網(wǎng)絡，算法基本原理是先確定網(wǎng)絡基本架構(gòu)，通過計算最后一層網(wǎng)絡的輸出誤差的反向傳播來修改網(wǎng)絡權(quán)值和閾值，實現(xiàn)網(wǎng)絡訓練。BP神經(jīng)網(wǎng)絡廣泛用于數(shù)據(jù)預測，小波神經(jīng)網(wǎng)絡[8]正是BP神經(jīng)網(wǎng)絡的一種變換形式，即利用小波基函數(shù)代替BP神經(jīng)網(wǎng)絡常用的傳輸函數(shù)。BP網(wǎng)絡學習算法有最速下降BP算法、動量BP算法、學習率可變的BP算法等多種形式，采取最速下降BP算法，表達函數(shù)如下。

式中：x(k)為迭代各層之間的連接向量；k為迭代次數(shù)；g(k)為神經(jīng)網(wǎng)絡輸出誤差對各權(quán)值或閾值的梯度向量；?為學習率；e(k)為網(wǎng)絡輸出的總誤差性能函數(shù)。

（4）完成神經(jīng)網(wǎng)絡算法的優(yōu)化。RBF、BP神經(jīng)網(wǎng)絡模型分別按照局部逼近和全局逼近的方式構(gòu)建網(wǎng)絡。對于相同的數(shù)據(jù)樣本，信息采集(訓練)的結(jié)果有很大差別，為了在有限數(shù)據(jù)樣本中提煉更多信息量，可在上述2種神經(jīng)網(wǎng)絡分別完成預測后，通過一定方式將2種預測結(jié)果優(yōu)化組合，形成一種組合預測模型，以進一步提高預測精度。在此基于熵值法完成組合預測，組合預測原理示意圖如圖1所示。

圖1 組合預測原理示意圖Fig.1 Schematic diagram of combined prediction principle

其中算法優(yōu)化主要是確定各單一預測模型的權(quán)重系數(shù)，對于信息量更大、不確定性更少的樣本，熵值也就越小，從而權(quán)重就越大，而衡量不確定的標準就是評估預測輸出與實際輸出之間的相對誤差。

組合預測算法主要步驟如下。

①對相對誤差數(shù)據(jù)進行歸一化，便于計算熵值。

式中：Pij為相對誤差歸一化結(jié)果；e為相對誤差；i為模型序列；j為預測樣本序列。

②計算不同神經(jīng)網(wǎng)絡模型相對誤差的熵值Si。

③計算不同模型的熵冗余度Di。

④得到不同模型的預測結(jié)果權(quán)重wi。

最終可得到組合模型的預測值。

4 仿真應用案例

以中國鐵路廣州局集團有限公司管內(nèi)廣州南、長沙南、深圳北等高速鐵路客站內(nèi)300個既有商鋪為例，通過采集商鋪所在的客站經(jīng)營環(huán)境指標數(shù)據(jù)和歷史租價，經(jīng)過樣本特征篩選（使用SPSS數(shù)據(jù)分析軟件實現(xiàn)），數(shù)據(jù)歸一化和分類處理后，利用神經(jīng)網(wǎng)絡對訓練樣本數(shù)據(jù)進行學習，再利用測試樣本數(shù)據(jù)檢驗模型評估預測的準確度（使用Matlab矩陣實驗室軟件實現(xiàn)）。

4.1 特征參數(shù)的獲取

高速鐵路客站商業(yè)網(wǎng)點特征參數(shù)、車站特征參數(shù)、時間特征參數(shù)、歷史租價來源于中國鐵路廣州局集團有限公司下屬公司日常經(jīng)營報表，其中定性分析的特征參數(shù)用實數(shù)表示(如業(yè)態(tài)特征參數(shù)設置，餐飲用“1”表示，零售用“2”表示，商務休閑用“3”表示)；位置特征來源公司正在使用的資產(chǎn)管理信息系統(tǒng)中的地理信息管理模塊，即利用地理信息技術(shù)的距離標尺功能，采集位置特征數(shù)據(jù)。

4.2 特征參數(shù)的篩選

高速鐵路客站商業(yè)網(wǎng)點租價樣本中部分數(shù)據(jù)有可能由于實際經(jīng)營過程中某些特殊因素，導致租價過高或過低，考慮到實際應用中難以通過系統(tǒng)進行識別，因而不對樣本進行初次篩選，僅對樣本特征進行顯著型分析，結(jié)合采集數(shù)據(jù)情況，剔除對商業(yè)網(wǎng)點租價影響不顯著的特征指標，減少特征之間多重共線性干擾，提高模型的準確性。

逐步回歸計算后，現(xiàn)有特征參數(shù)對商業(yè)網(wǎng)點租價的解釋能力為81.6%。其中，距飲水間位置距離、車站類別、旅客到達量、人均支配收入、消費指數(shù)共5項指標被剔除。經(jīng)初步分析，該5項指標較其他指標對租價影響性更低，如人均支配收入和消費指數(shù)取自于車站所在城市，但車站旅客多為長途旅客，來自不同區(qū)域，情況更為復雜。

最終確定高速鐵路客站商業(yè)網(wǎng)點租價神經(jīng)網(wǎng)絡輸入輸出指標如表2所示。

4.3 樣本數(shù)據(jù)分類

數(shù)據(jù)經(jīng)歸一化處理后，將300組高速鐵路客站商業(yè)網(wǎng)點租價樣本中30組樣本作為分析模型預測準確程度的測試數(shù)據(jù)，其余270組樣本作為模型訓練數(shù)據(jù)。值得注意的是，由于樣本數(shù)據(jù)體量較小，相鄰數(shù)據(jù)大多為同一車站樣本(樣本分布不均)，單次訓練可能導致神經(jīng)網(wǎng)絡泛化能力不足。為進一步優(yōu)化網(wǎng)絡機構(gòu)，采用隨機抽取樣本的方式分離測試數(shù)據(jù)和訓練數(shù)據(jù)，并通過交叉驗證的方式選取最優(yōu)網(wǎng)絡。在此，采用10折交叉驗證的方式，將270組樣本再次分類(10組)，通過循環(huán)測試，找尋泛化能力更高的訓練結(jié)果。該方式增加了大量計算時間，但在非實時預測的情況下，效果較好。

表2 高速鐵路客站商業(yè)網(wǎng)點租價神經(jīng)網(wǎng)絡輸入輸出指標Tab.2 Neural network input and output parameters

4.4 設計神經(jīng)網(wǎng)絡結(jié)構(gòu)

（1）RBF神經(jīng)網(wǎng)絡。采用逐步增加神經(jīng)元的方法創(chuàng)建徑向基神經(jīng)網(wǎng)絡，可使網(wǎng)絡結(jié)構(gòu)更為簡化，其需要設置的只有擴展常數(shù)和學習目標2個參數(shù)。在此設置學習目標0.01，擴展常數(shù)不宜設置過大，為實現(xiàn)尋優(yōu)，在1 ～ 40之間利用循環(huán)程序測試，選擇使基函數(shù)初始誤差(均方差)最小的擴展常數(shù)。此外，還可以根據(jù)樣本密度調(diào)整初始凝聚點，進一步優(yōu)化算法，提高預測準確度。

（2）BP神經(jīng)網(wǎng)絡。結(jié)合數(shù)據(jù)情況，設定網(wǎng)絡結(jié)構(gòu)為4層，輸入層節(jié)點等于特征參數(shù)數(shù)量12，輸出層節(jié)點為1，雙隱含層節(jié)點數(shù)均為4，設置訓練誤差目標為0.01，學習率為0.1。

4.5 預測結(jié)果分析

通過Matlab軟件仿真，將BRF模型、BP模型及兩者組合模型評估預測的30個結(jié)果與實際經(jīng)營結(jié)果（商鋪實際租價）進行比較分析。仿真與實際經(jīng)營結(jié)果比較如圖2所示。

從仿真結(jié)果可以看出，BRF模型、BP模型及兩者組合模型評估預測的正確率分別為85.3%，81.6%和90.3%，RBF神經(jīng)網(wǎng)絡較BP神經(jīng)網(wǎng)絡預測效果更好，但相對不同的數(shù)據(jù)樣本，評估預測準確度各有好壞，組合評估預測實現(xiàn)了2種模型在一定程度的優(yōu)勢互補，取得更好的效果。通過對最終結(jié)果的分析，發(fā)現(xiàn)高速鐵路客站商業(yè)網(wǎng)點租價評估預測不準確主要受2個方面因素的影響：一是高速鐵路較小客站的商業(yè)網(wǎng)點過少，可參照的歷史數(shù)據(jù)不夠多，導致網(wǎng)絡訓練時難以采集更多的信息量，影響了模型的判斷；二是測試樣本的實際經(jīng)營結(jié)果(期望輸出)受主觀因素影響，偏離了客觀結(jié)果。

圖2 仿真與實際經(jīng)營結(jié)果比較Fig.2 Comparison between simulation results and practical operation results

綜上分析，當運營方建立了基本的資產(chǎn)管理信息系統(tǒng)，掌握了上述已知特征數(shù)據(jù)指標后，可以通過構(gòu)建上述評估模型，完成既有數(shù)據(jù)的訓練，建立評價體系（在實際應用中，需將上述仿真模型通過AI開發(fā)平臺如TensorFlow編程實現(xiàn)）。訓練完成后，可以針對系統(tǒng)中存在的任意商業(yè)網(wǎng)點，實現(xiàn)租價評估預測。由于實際運用當中數(shù)據(jù)樣本較少，神經(jīng)網(wǎng)絡評估預測結(jié)果存在一定不確定性（正確率約為90%），不能直接作為法定評估結(jié)果使用。但在日常應用中，仍具備一定應用價值。例如：可用作預警分析，當某個商業(yè)網(wǎng)點實際經(jīng)營結(jié)果與評估預測數(shù)據(jù)差別過大時，可提醒經(jīng)營者在今后的經(jīng)營過程中進一步調(diào)整經(jīng)營方式。因此，在高速鐵路客站商業(yè)網(wǎng)點的經(jīng)營過程中，應及時反映商業(yè)網(wǎng)點經(jīng)營租價，以便進一步優(yōu)化商業(yè)網(wǎng)點租價評估預測結(jié)果。

5 結(jié)束語

通過運用神經(jīng)網(wǎng)絡模型，建立了高速鐵路客站商業(yè)網(wǎng)點租價評估方法。該方法可以用于高速鐵路客站商業(yè)網(wǎng)點租價信息系統(tǒng)大數(shù)據(jù)分析應用，進而擴展至客站廣告資源管理等其他方面，作為高速鐵路客站商業(yè)網(wǎng)點經(jīng)營管理的應用工具，有利于進一步提升高速鐵路客站經(jīng)營管理水平，實現(xiàn)高速鐵路客站商業(yè)網(wǎng)點管理的規(guī)?；?、專業(yè)化、智能化發(fā)展。