房地产，从狭义的层次上理解，包括房地产所占有的土地，地上部分以及地下部分的各种建筑物；而地产从广义的层次上理解，即，从经济利益的层次上理解，是指一种财产，包括房地产本身的财富，房地产本身带来或者引起的各种权益，以及在房地产上进行各种经营活动。在社会主义市场经济体制下，我国的房地产行业已经出现了一套合理的运行体制，体现了欣欣向荣的繁荣景象。房地产行业是一个综合性的产业，它包含有以下各个流程产业，首先是土地开发，第二步是房屋建设，第三步是房屋维修，第四步是房屋管理。它还关系着其他的产业，例如，土地使用权的有偿转化更名，住房房屋所有权的买卖，房屋所有权的租赁，房屋房地产的抵押，由房地产引起的贷款等各种产业。房地产价格一直是民众关注的重点问题，房地产，是一种商品，是商品就有价格，价格随着价值上下波动。房地产又是一种特殊的商品，房地产价格持续走高，是多种因素产生的结果。房地产有需求，那么就有市场，而价格又是由需求和供应同时决定的。房地产不同于其他的商品，它还受其他因素的影响，例如，政府的宏观调控，通货膨胀，汇率的改变等等。本文研究的数据来自于《中国统计年鉴》中跟房地产相关的统计数据。本文主要建立了房地产预测模型，研究房价与其所在城市多个房地产相关指标的关系。即，由本年度的房地产相关指标数据预测下一年度的房价。本文的研究理论包括主成分分析算法，多元线性回归算法，以及RBF神经网络算法。主成分分析算法，是指利用降维的思想，将多个变量转化成少数主成分的过程。RBF神经网络即径向基函数(Radial Basis Function)神经网络，一种性能良好的前向网络。它具有最佳逼近性能，训练方法快速易行，不存在局部最优问题。本文在这些算法的基础上，提出了一种基于主成分分析的RBF神经网络预测算法，该算法首先对数据进行主成分分析，达到降维的目的，然后对数据进行RBF神经网络预测。该算法结合了主成分分析和RBF神经网络算法的优势，利用了主成分分析达到降维，从而使得RBF神经网络的输入节点减少，浓缩了主要信息，消除了冗余信息。将多元线性回归算法、RBF神经网络算法和本文提出的基于主成分分析的RBF神经网络预测算法，均用于建立房地产价格预测模型，经过建模，将得到的三种预测结果对比分析，发现本文提出的基于主成分分析的RBF神经网络预测算法预测效果比较好。