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 > Применение нейронных сетей для оценки ценообразующих факторов на недвижимость

Применение нейронных сетей для оценки ценообразующих факторов на недвижимость

Емельянова И.А., Ефимова О.Е., Бессонова Ю.В. Применение нейронных сетей для оценки ценообразующих факторов на недвижимость // Информационные технологии в строительных, социальных и экономических системах. 2019. № 1 (15). С. 78-81.

Скачать оригинал статьи

Фрагмент работы на тему "Применение нейронных сетей для оценки ценообразующих факторов на недвижимость"

УДК 338.27 Федеральное государственное бюджетное образовательное учреждение высшего образования «Воронежский государственный университет», преподаватель кафедры информационных технологий и математических методов в экономике И.А. Емельянова Россия, г. Воронеж E-mail: eiavrn@mail.ru Федеральное государственное бюджетное образовательное учреждение высшего образования «Воронежский государственный технический университет», доцент кафедры систем управления и информационных технологий в строительстве, канд. техн. наук О.Е. Ефимова, студентка магистратуры Ю.В. Бессонова Россия, г. Воронеж E-mail: efimova_oe@mail.ru Federal public budgetary educational institution of higher education «Voronezh State University», Lecturer at the Department of Information Technology and Mathematical Methods for Economics I.A. Emelyanova Russian, Voronezh E-mail: eiavrn@mail.ru Federal public budgetary educational institution of higher education « Voronezh State Technical University», Associate Professor at the Department of Management Systems and Information Technologies in Construction, Ph.D.in Engineering O.E. Efimova, Master student Y.V. Bessonova Russian, Voronezh E-mail: efimova_oe@mail.ru И.А. Емельянова, О.Е. Ефимова, Ю.В. Бессонова ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОЦЕНКИ ЦЕНООБРАЗУЮЩИХ ФАКТОРОВ НА НЕДВИЖИМОСТЬ Аннотация: Рассматривается задача оценки стоимости недвижимости с использованием нейросетевых технологий. Проводится анализ полученной нейронной сети, который позволяет увидеть, как ключевые ценообразующие факторы влияют на стоимость квартир. Ключевые слова: моделирование, нейронная сеть, Neural Network Toolbox, фактор, алго- ритм, недвижимость, обучение нейронной сети, зависимость параметров, нейросетевые техно- логии. I.A. Emelyanova, O.E. Efimova, Y.V. Bessonova APPLICATION OF NEURAL NETWORK FOR EVALUATING THE PRICING FORMING FACTORS ON REAL ESTATE Abstract: The problem of real estate valuation using neural network technologies is considered. The analysis of the resulting neural network, which allows you to see how key pricing factors affect the cost of apartments. Keywords: modeling, neural network, Neural Network Toolbox, factor, algorithm, real estate, neural network training, dependence of parameters, neural network technologies Нейросетевые технологии находят всё большее применение в различных областях: безопасность и охранные системы, робототехника, автоматизация производства, связь и интернет, медицина и здравоохранение, геологоразведка, компьютерные и настольные игры. Они позволяют решать такие задачи, решение которых классическими формальными методами затруднено или не возможно, что соответствует природе большинства экономических процессов, так как они подвержены влиянию огромного количества факторов в условиях неопределенности [1]. Общие принципы работы сети состоят в следующем. Нейронная сеть производит аналитические вычисления, подобные тем, что делает человеческий мозг с помощью нейронов. Нейрон ? это вычислительная единица, которая получает информацию, производит над ней простые вычисления и передает ее дальше. Как выходной сигнал формируется из множества входных – определяет внутренний алгоритм нейрона. Точность результата прямо пропорционально зависит от количества нейронов в сети и качества обучающей выборки. Существуют различные программные решения для моделирования, обучения и тестирования нейронных сетей, такие как Alyuda NeuroIntelligence, Amygdala, Annie, NARIA, Cortex, DELVE, EasyNN, FANN, Genesis и другие. Для данного исследования был выбран пакет расширения MATLAB ? Neural Network Toolbox, который может использоваться для решения следующих задач: аппроксимация данных, распознавание образов, кластеризация, прогнозирование временных рядов, моделирование динамических систем и их управление. В данном пакете реализована как функции командной строки, так и графический интерфейс пользователя [2, 3]. MATLAB - Neural Network Toolbox имеет следующие ключевыми особенности: ? модульное представление сети, позволяющее создавать неограниченное количество входных слоев и объединенных сетей, а также графическое представление архитектуры сети; ? визуализация топологии и процесса обучения нейронной сети; ? поддержка распространенных сетевых структур; ? полный перечень обучающих и тестирующих функций; ? динамические алгоритмы обучения сетей; ? функции предварительной и пост обработки и блоки Simulink для улучшения процесса обучения и оценки производительности сети. В данном исследовании рассматривалась задача определения цены на квартиры в зависимости от нескольких параметров – ценообразующих факторов. Всего было использовано 5567 примеров для обучения и 57 для тестирования нейронной сети. Использовались следующие значимые факторы: этаж, всего этажей, всего комнат, в том числе совместные комнаты, в том числе раздельные комнаты, площадь. Дополнительно использовались 7 типов корректировок, с которыми обычно связываются потребительские качества объектов. Каждый фактор имеет значения: наихудший вариант – 0, все остальные – 1. К корректировкам относятся, например, этаж (первый или последний), количество комнат - однокомнатная, комнаты – смежные, площадь кухни – ощутимо недостаточная, отсутствие лоджии или балкона, ремонт требуется, перепланировка не согласована. Аналогичные факторы и корректировки используются риэлторами для оценки недвижимости. Для данных за 2016-2017 год была построена и обучена нейронная сеть, состоящая из 20 слоев. Общий вид полученной нейронной сети представлен на рисунке 1. Рис.1. - Схема нейронной сети В NEURAL NETWORK TOOLBOX представлены 3 алгоритма для обучения, которые отличаются тем, какие ресурсы используются больше – память или время – и для каких задач подходят лучше. Для данной задачи был выбран алгоритм Baseline Regularisation, который занимает больше времени, но имеет хорошую обобщающую способность для сложных данных [3]. При обучении получили следующее соответствие между вышеперечисленными параметрами и расчетной ценой: Рис. 2. - Зависимость целевого параметра от независимых переменных для обучающих данных Таким образом, на данных, использованных при обучении нейронной сети, получили, что 94,15 % исходных факторов объясняет цену на квартиру. Для тестовых значений, не участвовавших в обучении, корреляция незначительно меньше, следовательно, полученная модель также хорошо объясняет незнакомые данные и может быть использована в дальнейшем без переобучения. Результаты для тестовых данных представлены на рисунке 3, где прослеживается, закономерность: чем выше цена, тем сильнее ошибка. Такое поведение сети ожидаемо, так как при высокой цене для элитной недвижимости вступают специфические факторы, которые не учитывались в данной модели. Рис. 3. - Зависимость целевого показателя от независимых переменных для тестовых данных Рис. 4. - Сравнение результатов нейросети и реальных значений Рисунок 4 показывает, что текущая стоимость (красная кривая) практически везде приближается к рассчитанной нейронной сетью (синей кривой), кроме случаев стоимости элитной недвижимости. Таким образом, нейросетевые технологии позволяют на реальном примере оценить стоимость недвижимости при известных ценообразующих факторах. Также необходимо учитывать некоторые особенности и тщательно анализировать ситуацию перед началом работы: от качества выборки зависит правильность результатов. Необходимо обучать нейронную сеть на примерах, в которых действительно представлена зависимость параметров, а для повышения точности нужно использовать подходящий вид нейронной сети и достаточно большой объем примеров. Библиографический список 1. С. Хайкин. Нейронные сети: полный курс. - Изд-во: Вильямс, 2018 г. 2. Маслобоев Ю.П. Введение в Neural Network Toolbox [Электронный ресурс] - Режим доступа: http://matlab.exponenta.ru/neuralnetwork/book1/index.php 3. NEURAL NETWORK TOOLBOX [Электронный ресурс] - Режим доступа: https://matlab.ru/products/neural-network-toolbox.

Другие книги из этого раздела





© 2002 - 2026 RefMag.ru