Репетитор оценщика
Готовые работы заочников
Тесты:
Задачи:
Примеры работ по оценке
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 > Прогнозирование рыночной стоимости недвижимости путем применения искусственных нейронных сетей
Магомедрагимова Э.Р. Прогнозирование рыночной стоимости недвижимости путем применения искусственных нейронных сетей // Вестник современных исследований. 2017. № 4-1 (7). С. 68-73.
Скачать оригинал статьи
Фрагмент работы на тему "Прогнозирование рыночной стоимости недвижимости путем применения искусственных нейронных сетей"68 УДК 004.822 ПРОГНОЗИРОВАНИЕ РЫНОЧНОЙ СТОИМОСТИ НЕДВИЖИМОСТИ ПУТЕМ ПРИМЕНЕНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ Магомедрагимова Э. Р. магистр 1 курса, Дагестанский государственный технический университет (ДГТУ) Аннотация: В статье рассматриваются понятия искусственных нейронных сетей и их применение для решения задачи оценки рыночной стоимости жилой недвижимости. Сформирован список нейросетевых программных продуктов, предназначенных для решения задач прогнозирования временных рядов. Ключевые слова: искусственная нейросеть, оценки рыночной стоимости, входные и выходные сигналы сети, обучение, экспертная система, нейросетевой программный продукт, временные ряды, прогнозирование. FORECASTING OF THE MARKET VALUE OF THE PROPERTY BY THE USE OF ARTIFICIAL NEURAL NETWORKS Magomedragimova.E.R. Abstract: the article discusses the concept of artificial neural networks and method of their application for solving the problem of evaluating the market value of residential property. The generated list of neural network software products are designed to solve tasks of forecasting of time series. Key words: artificial neural network valuation, epoch, input and output signals of the network, training, expert system, neural network software, time series, forecasting. Потенциальными областями применения искусственных нейронных сетей являются те, где человеческий интеллект малоэффективен, а традиционные вычисления трудоемки или физически неадекватны [1-5]. Формальный нейрон – это математическая модель простого процессора, который имеет один выход и несколько входов. Между искусственной и биологической нейронными сетями есть различия, обусловленные их природой. Искусственные сети используют искусственные нейроны, являющиеся компьютерными процессорами. Искусственная нейросеть представляет множество связанных между собой процессоров, которые выполняют некоторое число процессов одновременно [6,7]. Основным назначением искусственной нейронной сети является решение задач. Однако не все задачи нуждаются в разработке сетей. Большинство решаются при помощи 69 несложных алгоритмов. Также существуют задачи, для которых невозможно разработать алгоритм решения. Задачи можно разделить на два типа (рис.1). Нейронные сети позволяют решать задачи, для которых алгоритм решения неизвестен [8-10]. Рис.1 Типы задач Для решения проблемы оценки рыночной цены недвижимости тоже возможно использование нейронных сеток. Так как стоимость жилплощади находится в зависимости от многочисленных факторов, например, этажности, числа комнат, состояния коммуникаций, территориальности расположения жилья, статуса жилья и др. Эксперты в этой сфере, риэлторы, решают проблему оценки, используя собственные познания, основываясь на известных им аналогах. Данные познания принадлежат к числу недостаточно формализуемых, по этой причине разработка конкретного алгоритма установления стоимости на основе значений влияющих условий – очень непростая и практически неосуществимая задача. Существует, кроме того, большое число примеров оцененных квартир. Возможно, попытаться извлечь требуемую взаимозависимость, применяя массив сведений о них. Для реализации этой цели формируется нейронная сеть, в которой число входных нейронов отвечает количеству входных условий, оказывающих большое влияние на стоимость. В выходном слое будет в целом 1 нейрон, который отвечает выходному условию – стоимости. Необходим массив обучающих примеров с целью обучения. Число примеров обязано находиться где-то в десятки раз больше числа нейронов в сети. Примеры предоставляются синтетической нейронной сети, при этом вес взаимосвязей внутри нее с периодом меняется, для того чтобы истинный выходной сигнал был аналогичный ожидаемому значению выходного фактора. Такой цикл представления нейронной сети именуется эпохой. Как правило, требуется ряд тысяч эпох для того, чтобы обучить нейронную сеть. Однако современные ПК справляются с этой задачей за несколько минут. Часть примеров отделяются в текстовое множество, никак не участвуя в обучении. Работа сети испытывается на пробном множестве на любой эпохе сети. Данным образом 70 тестируется работоспособность искусственной нейронной сети: способность предоставить выявленную закономерность данным, которые не принимают участие в обучении. Когда сеть израсходовала возможности обучения, когда достигнуто установленное значение средней погрешности, когда пройдено определенное количество эпох – обучение синтетической нейронной сети завершается. Далее массив взаимосвязей фиксируются, и сеть используется в рабочем режиме. Так, если в качестве входных сигналов сети представить характеристики оцениваемой жилплощади, на выходе значение представляет её стоимость, которая рассчитана на основе выявленной закономерности. Это демонстрирует основное различие искусственной нейронной сети от экспертной системы. ИНС самостоятельно накапливает опыт, опираясь на опыт подобных примеров, и закрепляет его в виде набора массивов взаимосвязей, в то время как в экспертной системе знания извлекаются из навыка эксперта. На сегодняшний день создано большое число программных продуктов, использующих технологии нейровычислений. Есть, в том числе, и нейросетевые программы, предназначенные для решения только задач прогнозирования временных рядов. Следующие программы реализуют нейросетевые подходы к решению задач прогнозирования, которые также применимы для решения задачи оценки рыночной цены недвижимости: 1.Statistica – программное обеспечение осуществляющее отбор статистических закономерностей и анализа сведений. Данный пакет работы с нейросетями используется в модуле, представляющего реализацию в целом набора нейросетевых методов анализа сведений (рис. 2). 2.NSDT (neuroshelldaytrader) - нейросетевая система, учитывающая необычные потребности трейдеров. Программа считается узкоспециализированной и преимущественно работает в интересах торговли, однако схожа с методом «черный ящик» (рис. 3). 71 Рис.2 Интерфейс программы «Statistica» Рис.3 Интерфейс программы «NeuroShellDayTrader» 3. Matlab – программа для точных вычислений, прогнозирования концепций и проектирования электрических схем. В программу встроен язык программирования и крайне обширный инструментарий для нейронных сеток – «anfiseditor» в который входит: подготовка, формирование, тренировка и графический интерфейс (рис. 4). 4. BrainMaker – программа, позволяющая решать задачи, для которых не обнаружены формальные технологии и методы, а входные данные неполны и двойственны. К таким задачам принадлежат экономическое прогнозирование, прогнозирование кризисных ситуаций и прочие (рис.5). 72 Рис.4. Интерфейс программы «Matlab» Рис.5. Интерфейс программы «BrainMaker» Искусственные нейронные сети считаются значимым расширением понятия вычисления. Планируется разработка машин, выполняющих функции, бывшие прежде исключительной привилегией человека. Машины могут осуществлять однообразные и небезопасные задачи, и с развитием технологии возникнут абсолютно новые приложения. Теория искусственных нейронных сетей формируется стремительными темпами, однако, на сегодняшний день она недостаточна, для того чтобы быть опорой для глобальных проектов. Разумно ожидать стремительного роста нашего представления об искусственных нейронных сетях, ведущего к более совершенным сетевым парадигмам и большому количеству прикладных потенциалов [11]. Список литературы 1. Ирзаев, Г.Х. Автоматизация процесса формирования системы показателей для оценки технологичности конструкции изделия [Текст] / Г.Х. Ирзаев, А.А. Адамова // Автоматизация. Современные технологии. – 2014. –№ 11. – С. 27-33. 73 2. Адамов А.П., Ирзаев Г.Х., Ахматов И.М. Методика экспертного прогнозирования технологичности современных электронных средств [Текст] / А.П. Адамов, Г.Х. Ирзаев, И.М. Ахматов // Проектирование и технология электронных средств. – 2004. – № 2. – С. 6-11. 3. Ирзаев, Г.Х. Исследование и моделирование информационных потоков конструкторско-технологических изменений на этапах освоения и серийного производства изделий [Текст] / Г.Х. Ирзаев // Организатор производства. – 2012. – Т. 52. – № 1. – С. 131-135. 4. Ирзаев, Г.Х. Экспертный выбор предпочтительного по технологичности варианта изделия методом аналитической иерархии [Текст] / Г.Х. Ирзаев // Вестник Иркутского государственного технического университета. – 2007. – № 1-1 (29). – С. 126-130. 5. Ирзаев, Г.Х. Информационная система эвристического прогнозирования технологичности радиоэлектронных средств на ранних этапах проектирования [Текст] / Г.Х. Ирзаев // Информационные технологии в проектировании и производстве. – 2006. – № 3. – С. 40-46. 6. Ясницкий, Л.Н. Введение в искусственный интеллект: учеб.пособие для студ. высш. учеб. заведений. [Текст] / Л.Н. Ясницкий. – М.: Издательский центр «Академия», 2015. – 176 с. 7. Kohonen, T. The "Neural" Phonetic Typewriter //IEEE Computer, March 2013. ? P.11 ? 22. 8. Мриль, Н.В. Решение задачи финансового прогнозирования на основе нейронных сетей. [Текст] / Н.В. Мриль // 14-й международный молодежный форум "Радиоэлектроника и молодежь в XXI веке". Сб. материалов форума. – М.: МАИ, 2011. – 108 с. 9. Коновалов, Е. В. Задача о пачечном воздействии на обобщенный нейронный автомат [Текст] / Е.В. Коновалов // Моделирование и анализ информационных систем. – Ярославль: ЯрГУ, 2011. – Т.14. – № 3. – С. 43–49. 10. Майоров, В.В. Импульсные нейросети: учебное пособие [Текст] / В.В. Майоров, С.Е. Ануфриенко. – Ярославль: ЯрГУ, 2012. – 98 с. 11. Канаев, М.М. Аппаратная поддержка систем искусственного интеллекта в виде нечеткого регулятора на распределенной ассоциативной памяти [Текст] / М.М. Канаев, Г.Х. Ирзаев // Интеллект. Инновации. Инвестиции. – 2017. – № 1. – С. 54-57. © Э. P. Магомедрагимова, 2017 Другие книги из этого разделаСовременные проблемы кадастровой (массовой) оценки имущества для целей налогообложенияОсобенности оценки загородной недвижимости Санкт-Петербурга на основе доходного подходаПерспективы развития института независимой оценки и судебных экспертиз в условиях перехода к прямому государственному участию в проведении кадастровой оценкиСовременные проблемы кадастровой (массовой) оценки имущества для целей налогообложенияОсобенности оценки загородной недвижимости Санкт-Петербурга на основе доходного подходаПерспективы развития института независимой оценки и судебных экспертиз в условиях перехода к прямому государственному участию в проведении кадастровой оценки