RefMag.ru - Оценка. Помощь в решении задач, тестов, практикумов, курсовых, аттеста­ционных

RefMag.ru - Помощь в решении в учебе
Заказать:
- заказать решение тестов и задач
- заказать помощь по курсовой
- заказать помощь по диплому
- заказать помощь по реферату

Репетитор оценщика

Готовые работы заочников

Тесты:

Задачи:

Примеры работ по оценке

Примеры курсовых работ
Примеры аттест­ационных работ
Учебные дисциплины
Литература
Заказ работ:




Экспертная и репетиторская помощь по решению тестов, задач, практикумов и всех других видов работ. Сергей.
admin@refmag.ru,

, ,

Примеры выполненных работ: | контрольные | курсовые | дипломные | отзывы |




Букинистическая книга:

Список литературы по оценке недвижимости > Математическое моделирование процесса оценки стоимости аренды недвижимости с использованием искусственных нейронных сетей

Математическое моделирование процесса оценки стоимости аренды недвижимости с использованием искусственных нейронных сетей

Евсина В.А., Евсина В.А., Продан Е.А., Широбокова С.Н. Математическое моделирование процесса оценки стоимости аренды недвижимости с использованием искусственных нейронных сетей // Инженерный вестник Дона. 2019. № 1 (52). С. 34.

Скачать оригинал статьи

Фрагмент работы на тему "Математическое моделирование процесса оценки стоимости аренды недвижимости с использованием искусственных нейронных сетей"

Инженерный вестник Дона, №1 (2019) ivdon.ru/ru/magazine/archive/n1y2019/5456 © Электронный научный журнал «Инженерный вестник Дона», 2007–2019 Математическое моделирование процесса оценки стоимости аренды недвижимости с использованием искусственных нейронных сетей В.А. Евсин, Е.А. Продан, В.А. Евсина, С.Н. Широбокова Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова, Новочеркасск Аннотация: В данной статье рассматривается проблема определения стоимости аренды недвижимости. Обосновывается идея о минимизации функции абсолютной ошибки с использованием искусственных нейронных сетей. Особое внимание уделено процессу определения входных данных нейронной сети. В частности, рассмотрена проблематика определения таких параметров, как благоустройство региона и помещения. В статье выяснены особенности определения весовых коэффициентов для определения технического оснащения помещения с использованием генетического алгоритма. Предложена модель архитектуры нейронной сети. Описана модель изменения весовых коэффициентов. По итогу произведена апробация модели на тестовых данных, а также описана модель корректировки данных с учетом динамики цен. Ключевые слова: нейронная сеть, data mining, анализ данных, аренда недвижимости, регрессия, генетический алгоритм, информатика, машинное обучение, оценка стоимости, моделирование, экстраполяция. Оценка недвижимости в настоящее время получает все большее значение для поддержания конкурентоспособности на рынке агентств недвижимости. Основной группой методов при проведении оценки являются методы сравнения, в ходе которых производится оценка недвижимости с точки зрения сравнения ее характеристик с существующими оцененными объектами, подробнее о которых в [1]. Для проведения подобной оценки может быть использован аппарат искусственных нейронных сетей [2-4]. Функционал качества прогноза в данном случае может быть основан на минимизации суммы квадратов отклонений и иметь следующую форму: ] min, ~ [ 2 1 ( ) 1 2 ?= = ? ? m j T T J w C C где T C – стоимость объекта фактическая, T C ~ – стоимость объекта прогнозируемая, которая может быть выражена следующей формулой: * * * * * * * , ~ 1 2 3 4 5 6 7 C = IH w + IR w + DC w + M w +TS w + LN w + LT w + ? T Инженерный вестник Дона, №1 (2019) ivdon.ru/ru/magazine/archive/n1y2019/5456 © Электронный научный журнал «Инженерный вестник Дона», 2007–2019 где IH – коэффициент благоустройства помещения, IR – коэффициент благоустройства региона, DC – удаленность от центра, M – материал помещения, TS – коэффициент технического оснащения квартиры, LN – долгота, LT – широта, ? – случайная ошибка модели. С учетом представленных параметров функционал приобретает следующую форму: [ ( * * * * * * * )] min, 2 1 ( ) 1 = ? = ? 1 + 2 + 3 + 4 + 5 + 6 + 7 ? m j T J w C IH w IR w DC w M w TS w LN w LT w параметры которой идентичны представленным ранее. Для выявления интегральной оценки влияния t-го типа объектов инфраструктуры региона на стоимость объекта недвижимости необходимо вывести дифференциальное уравнение, описывающее данный процесс. Рассматривая связь между приращением аргумента t ?Ki , который представлен объектами t-го типа инфраструктуры региона, и приращением влияния i ?IR , можно вывести зависимость. Для восстановления данных следует провести процедуру интерполяции данных формулой Ньютона, подробнее о которой в [5,6], при которой зависимость будет иметь следующий вид: ( ) ( ,..., )*( )*...*( ), 1 0 ? 0 0 1 = = + ? ? ? n i i i t t t IR K IR IR K K K K K K где IR (K) t – функциональная зависимость влияния от количества объектов данного типа, t IR0 – значение зависимости при отсутствии объектов данного типа, ( ,..., ) 0 i t IR K K – разделенная разность i-го порядка для характеристики влияния. Для определения коэффициента благоустройства региона от влияния объектов t-го типа используется следующая зависимость: * * ( ), 1 * ?= ? = m t t a r IR Mt e t t Ln K где M – коэффициент влияния от объектов t-го типа, a – функция насыщения объектами t-го типа, r – усредненное расстояние до объектов, K – количество значимых объектов региона. Инженерный вестник Дона, №1 (2019) ivdon.ru/ru/magazine/archive/n1y2019/5456 © Электронный научный журнал «Инженерный вестник Дона», 2007–2019 Интегральная оценка благоустроенности помещения складывается из оценки характеристических показателей помещения, а также показателей состояния предметов в помещении с учетом их качества и имеет вид: * * *(1 ), 1 2, 2, 2, 1 ? 1, 1, ? = = = + ? n i i i i r s IH W s C s W C a где IH – коэффициент благоустроенности помещения, W1,s – весовой коэффициент s-го характеристического показателя, C1,s – степень качества s-го характеристического показателя, B2,i – весовой коэффициент от наличия i-го предмета, C2,i – степень ценности i-го предмета, a2,i – коэффициент износа. Коэффициент технического оснащения квартиры включает следующие данные: газовое обеспечение, наличие интернета, холодное водоснабжение, горячее водоснабжение, водоотведение, электричество. Для определения весовых коэффициентов от наличия каждого из компонент необходимо определить следующий функционал качества: ? ? ? ? ? ? ? = < < = ? + + + ? ? ?= 1 0 1 [ ( * * ... * )] min 2 1 ( ) 1 2 1 1 2 2 7 7 i i i m j T x x J w C k x k x k x , где i = 1,n – компоненты технического обеспечения, xi – весовой коэффициент i-й компоненты, ki – коэффициент наличия i-й компоненты, причем: ? ? ? = 0, иначе 1,если помещение обеспечено i -м компонентом i k . Данный функционал качества исходит из предположения, что наличие каждой компоненты положительно сказывается на стоимости недвижимости. Для решения данного функционала может быть использован аппарат генетических алгоритмов [7]. Хромосома может быть представлена в следующей форме: [ ; ;...; ; ],|| || {0,1} Ch = b1 b2 b48 b49 bi = . Инженерный вестник Дона, №1 (2019) ivdon.ru/ru/magazine/archive/n1y2019/5456 © Электронный научный журнал «Инженерный вестник Дона», 2007–2019 В качестве начальной популяции принимаются наборы бинарных данных, которые в десятичном представлении формируют допустимое множество решений. Фитнес-функция модели имеет следующую форму: ? ? = = ? m i j i j j i T p Dec BinArray FF С 0 , * ) 100 ( ) ( , где FF – фитнес-функция модели, Dec(BinArrayj) – десятичное представление j-го параметра хромосомы, pi,j – значение j-го параметра i-й строки набора данных. В качестве модели селекции используется модель элитарного отбора по критерию минимальной фитнес-функции хромосом. Для определения генов новых потомков используется модель четырнадцати точечного кроссовера. Кроме того, с вероятностью 0.7 возникает мутация у рассматриваемой хромосомы. Условие выхода из процесса селекции имеет следующую форму: ? ? ? ? ? ? < = = ? 0, иначе | | или _ _ 1 1, если FFB FFB c ep m ep Ex n j j ? , где FFBj – наиболее приспособленная особь j-й эпохи, FFB – усредненный показатель наиболее приспособленных особей за последние n-эпох, ? – максимальная ошибка модели, c_ep – номер текущей эпохи, m_ep – максимальное количество эпох. При построении нейронной сети используется оптимизация методом стохастического градиентного спуска, который имеет следующую форму: ) 1 (1 ) 1 ( ? ? ? (1 ) | | (1 ) ( ), 1 1 1 1 1 1 2 2 1 2 1 1 1 t t t t t t t t t t t t t t t w t w v w w v v m m J w t ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? + ? ? + = ? = + ? = + ? = ? + ? ? , где ? t – градиент, mt – момент расчета, ? – темп обучения, 1 2 ? , ? – параметры обучения. Инженерный вестник Дона, №1 (2019) ivdon.ru/ru/magazine/archive/n1y2019/5456 © Электронный научный журнал «Инженерный вестник Дона», 2007–2019 Сеть имеет входной, выходной слой, а также 10 скрытых слоев с конфигурацией количества нейронов в каждом: 7/7/64/128/64/8/6/5/4/3/2/1. В качестве функции активации используется модель SELU (масштабная экспоненциальная линейная единица), которая имеет следующую форму: ? ? ? ? > = , иначе ,если 0 ( ) ae a x x SELU x x ? . В результате обучения модели сформирован график динамики средней абсолютной ошибки обучения, представленный на рис. 1. Результаты проверки модели на тестовых данных представлены на рис. 2. Рис. 1. – Динамика изменения абсоютной средней ошибки обучения Рис. 2. – Диаграмма распределения ошибки прогноза После обучения модели необходимо провести корректировку полученных результатов с учетом динамики средних цен на недвижимость по периодам. Для проведения данной корректировки может быть Инженерный вестник Дона, №1 (2019) ivdon.ru/ru/magazine/archive/n1y2019/5456 © Электронный научный журнал «Инженерный вестник Дона», 2007–2019 использована адаптивная модель прогнозирования Брауна второго порядка, подробнее о которой в [8] и которая имеет следующую форму: 2 M (t + k) = A0 + A1 * k + A2* k , где t – текущее время, k – время упреждения. Порядок модели определяется априорно из предварительного анализа временного ряда и законов развития динамики рынка недвижимости, A0,A1,A2 – коэффициенты регрессии. Для формирования модели необходимо определить коэффициенты методом парной регрессии, после чего итеративно исчислять ошибку прогнозирования и корректировать значения коэффициентов. Модель корректировки коэффициентов на каждой итерации имеет следующую форму: *( 1) (1 ) * ( 1) ( 1) *( 1) (1 ) * ( 1) ( ) *( 1) *( 1) (1 ) * ( 1) ( 1)) ~ ( 1) ( ( 1) ( 1) *( 1) *( 1) ~ 2 2 2 2 2 2 1 1 2 2 2 0 0 1 2 2 0 1 2 = + + ? + = + + + + ? + = + + + + + ? + + = + ? + + = + + + + A A t e t A A t A t e t A A t A t A t e t e t abs Y t Y t Y t A A t A t ? ? ? , где ( 1) ~ Y t + – прогнозируемое значение в (t+1) периоде, Y(t +1) – реальное значение в (t+1) периоде, e – ошибка модели, ? – коэффициент обучения. Данная модель позволит провести уточнение стоимости недвижимости с учетом динамики цен. Проектируемый модуль может быть использован в информационных системах по управлению недвижимостью, в частности, в распределенном реестре, применение искусственных нейронных сетей и математическое моделирование которого представлено в [9,10]. Дальнейшее проектирование модуля будет направлено на совершенствование модели нейронной сети. Литература 1. Симионова Н. Е., Шеина С.Г. Методы оценки и технической экспертизы недвижимости. М.: ИКЦ "МарТ", 2006. 448 с. Инженерный вестник Дона, №1 (2019) ivdon.ru/ru/magazine/archive/n1y2019/5456 © Электронный научный журнал «Инженерный вестник Дона», 2007–2019 2. Хайкин С. Нейронные сети. Полный курс. 2 изд. М.: Издательский дом "Вильямс", 2006. 1104 с. 3. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия. Телеком, 2002. 382 с. 4. Dean J. Big Data, Data Mining, and Machine Learning. Value Creation for Business Leaders and Practitioners. New Jersey: John Wiley & Sons Limited, 2014. 208 p. 5. Gautschi W. Numerical Analysis. 2 edition. Basel: Birkh?user, 2012. 615 p. 6. Богуславский И.А. Полиномиальная аппроксимация для нелинейных задач оценивания и управления. 2 изд. М.: Физматлит, 2006. 208 с. 7. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия – Телеком, 2006. 383 с. 8. Munbaev K. Short-Memory Linear Processes and Econometric Applications. New Jersey: John Wiley & Sons Limited, 2011. 451 p. 9. Евсин В.А., Широбокова С.Н., Продан Е.А. Использование технологии распределенных реестров при проектировании информационной системы «Аренда недвижимости» с применением искусственных нейронных сетей // Инженерный вестник Дона, 2018, №1. URL: ivdon.ru/ru/magazine/archive/n1y2018/4655. 10. Евсин В.А., Широбокова С.Н., Евсина В.А., Продан Е.А. Математическое моделирование распределенного реестра в сфере аренды недвижимости как сети массового обслуживания // Инженерный вестник Дона, 2018, №3. URL: ivdon.ru/ru/magazine/archive/n3y2018/5078. Инженерный вестник Дона, №1 (2019) ivdon.ru/ru/magazine/archive/n1y2019/5456 © Электронный научный журнал «Инженерный вестник Дона», 2007–2019 References 1. Simionova N. E., Sheina S.G. Metody otsenki i tekhnicheskoy ekspertizy nedvizhimosti [Methods of evaluation and technical expertise of real estate]. M.: IKTs "MarT", 2006. 448p. 2. Hajkin S. Nejronnye seti. Polnyj kurs. [Neural networks. A Comprehensive Foundation]. 2 izd. M.: Izdatel'skij dom "Vil'jams", 2006. 1104p. 3. Kruglov V.V., Borisov V.V. Iskusstvennye nejronnye seti. Teorija i praktika. [Artificial neural network. Theory and practice.] M.: Gorjachaja linija. Telekom, 2002. 382p. 4. Dean J. Big Data, Data Mining, and Machine Learning. Value Creation for Business Leaders and Practitioners. New Jersey: John Wiley & Sons Limited, 2014. 208p. 5. Gautschi W. Numerical Analysis. 2 edition. Basel: Birkh?user, 2012. 615p. 6. Boguslavskiy I.A. Polinomial'naya approksimatsiya dlya nelineynykh zadach otsenivaniya i upravleniya [Polynomial approximation for nonlinear estimation and control problems]. 2 izd. M.: Fizmatlit, 2006. 208 p. 7. Rutkovskaja D., Pilin'skij M., Rutkovskij L. Nejronnye seti, geneticheskie algoritmy i nechetkie sistemy. [Neural networks, genetic algorithms and fuzzy systems] M.: Gorjachaja linija. Telekom, 2006. 383 p. 8. Munbaev K. Short-Memory Linear Processes and Econometric Applications. New Jersey: John Wiley & Sons Limited, 2011. 451 p. 9. Evsin V.A., Shirobokova S.N., Prodan Е.А. In?enernyj vestnik Dona (Rus), 2018, №1. URL: ivdon.ru/ru/magazine/archive/n1y2018/4655. 10. Evsin V.A., Shirobokova S.N., Evsina V.A., Prodan Е.А. In?enernyj vestnik Dona (Rus), 2018, №3. URL: ivdon.ru/ru/magazine/archive/n3y2018/5078.

Другие книги из этого раздела





© 2002 - 2026 RefMag.ru