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.[email protected], ,
Примеры выполненных работ: | контрольные | курсовые | дипломные | отзывы |
Букинистическая книга:
Список литературы по оценке недвижимости > Использование нейронных сетей для оценки рыночной стоимости недвижимости
Арефьева Е.А., Костяев Д.С. Использование нейронных сетей для оценки рыночной стоимости недвижимости // Известия Тульского государственного университета. Технические науки. 2017. № 10. С. 177-185.
Скачать оригинал статьи
Фрагмент работы на тему "Использование нейронных сетей для оценки рыночной стоимости недвижимости"Информационные системы в решении прикладных задач 177 УДК 004; 332.8 ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОЦЕНКИ РЫНОЧНОЙ СТОИМОСТИ НЕДВИЖИМОСТИ Е.А. Арефьева, Д.С. Костяев Рассматривается вопрос разработки и исследования методики оценки рыноч- ной стоимости недвижимости на основе нейросетевого подхода. Ключевые слова: оценка стоимости недвижимости, нейронные сети. Оценка стоимости недвижимости – процесс определения рыночной стоимости объекта или отдельных прав в отношении оцениваемого объек- та недвижимости. Оценка стоимости недвижимости включает: определе- ние стоимости права собственности или иных прав, например, права арен- ды, права пользования и т.д. в отношении различных объектов недвижи- мости. Оценочная практика показывает, что для выполнения отчета об оценке стоимости квартиры специалисту требуется около часа. Автомати- зация этого процесса позволит ускорить процесс принятия решения, учесть большее количество факторов оценки, снизить уровень субъективности оценки. Рассмотрев принципиальную возможность применения эксперт- ныхсистем, баз знаний, мультиагентных систем и нейросетевого подхода для автоматизации определения рыночной стоимости недвижимости, вы- бор был сделан в пользу нейронных сетей, которые позволяют учитывать неявные факторы формирования стоимости, адаптироваться к специфике территориальных рынков недвижимости. Целью данной работы является исследование и разработка методи- ки оценки стоимости недвижимости с использованием нейросетевых тех- нологий. Для достижения указанной цели необходимо решить следующие задачи: ? предварительный отбор факторов, оказывающих влияние на ры- ночную стоимость квартир; ? подготовка обучающей выборки для нейронной сети; ? определение оптимального типа и характеристик нейронной сети, а так же метода ее обучения. Задача оценки недвижимости схематично представлена на рис. 1. Основным WEB-сайтом для размещения сведений о продаже квар- тир является http://avito.ru/. Именно из базы данных сайта целесообразно формировать обучающую выборку. На основе анализа работ, исследую- щих влияние различных факторов на стоимость недвижимости, определен Известия ТулГУ. Технические науки. 2017. Вып. 10 178 набор параметров для формирования обучающей выборки: район; количе- ство комнат; этаж; количество этажей в доме; тип дома; площадь кварти- ры; вид реализуемого права. Рис. 1. Схема использования нейросетевого подхода для оценки стоимости квартир Обработка обучающей выборки предполагает отсечение «экстре- мальных» объектов, имеющих слишком значительное отличие от среднего. В качестве такого показателя выбрана стоимость квадратного метра квар- тиры, отсекается 10% выборки. Следующий этап - кодирование факторов, таких как район, тип дома, вид реализуемого права. Обучающая выборка построена для проектирования и обучения нейронной сети «с учителем» (рис. 3, 4), таким образом к реализации предполагается 3 типа сетей: многослойный персептрон (MLP) (табл. 1); сеть радиально-базисных функций (RBF); обобщенно-регрессионная ней- ронная сеть (GRNN). В качестве инструментального средства проектирования нейронной сети была выбрана STATISTICA Neural Networks. Для обучения много- слойных персептронов в пакете STATISTICA Нейронные сети реализовано пять различных алгоритмов обучения. Это хорошо известный алгоритм обратного распространения, быстрые методы второго порядка – спуск по сопряженным градиентам и Левенберга–Маркара, а также методы быстро- го распространения и «дельта–дельта с чертой» (представляющие собой вариации метода обратного распространения, которые в некоторых случа- ях работают быстрее). avito.ru сбор данных первоначальная выборка обработка вы- борки обработанная обучающая выборка ВНЕШНЯЯ СРЕДА тренировка нейросети ОБУЧЕННАЯ НЕЙРОСЕТЬ характеристики оцениваемого объекта стоимость объекта оценки Информационные системы в решении прикладных задач 179 На рис. 2 приведена структура построенной сети. Рис. 2. Построенный многослойный персептрон На первом скрытом слое находится 12 нейронов, на втором – 8. На обучение отводится 300 объектов из обучающей выборки, на контроль – 30, на тестирование – 31. Обучение производится по методу обратного распространения ошибки. Таблица 1 Параметры качества многослойного персептрона Тип Обучение Контроль Тест Средняя ошибка -7815.854 57316.31 -15922.77 Абсолютная средняя ошибка 149701.1 176512.5 203957 Коэф. Регрессии 0.1977065 0.2695267 0.2080191 Корреляция 0.9802613 0.9632102 0.9784249 Рис. 3. График ошибок обучения Известия ТулГУ. Технические науки. 2017. Вып. 10 180 Рис. 4. Анализ чувствительности для многослойного персептрона Далее рассмотрим сеть радиально-базисных функций. Обучение состоит из трех этапов: размещение центров радиальных элементов, выбор их отклонений и оптимизация линейного выходного слоя. Для первых двух этапов есть несколько вариантов работы алгоритма, выбор которых осуществляется в окне Радиальная базисная функция (доступ через меню Обучение); наи- более популярным сочетанием является метод К–средних для первого эта- па и К– ближайших соседей для второго. Линейный выходной слой опти- мизируется с помощью классического алгоритма псевдообратных матриц (сингулярного разложения). Программа STATISTICA Нейронные сети позволяет также строить гибридные РБФ–сети за счет выбора иных функций активации для выход- ного слоя (например, логистических), и в этом случае для обучения этого слоя можно использовать какой–либо из алгоритмов обучения многослой- ных персептронов, например, метод сопряженных градиентов. Далее проиллюстрирована построенная РБФ-сеть (рис. 5, 6, 7, табл. 2). Рис. 5. Визуализация сети радиально-базисных функций Информационные системы в решении прикладных задач 181 Таблица 2 Показатели качества для сети РБФ Тип Обучение Контроль Тест Средняя ошибка -4.168e-09 130071 -60229.71 Абсолютная средняя ошибка 356535.5 397528.1 390934.1 Коэф. Регрессии 0.5297183 0.663065 0.4245094 Корреляция 0.8481737 0.7635921 0.9197465 Рис. 6. График ошибок обучения для РБФ-сети Рис. 7. Анализ чувствительности для РБФ-сети Рассмотрим реализацию обобщенно-регрессионной нейронной се- ти. Вероятностные (PNN) и обобщенно–регрессионные нейронные сети (GRNN) основываются на статистических методах ядерных оценок плот- ности вероятности и предназначены соответственно для задач классифика- ции и регрессии. Их визуализация и основные характистики представлены на рис. 8, 9, табл. 3. Для них характерны простые и быстрые алгоритмы обучения, но получающиеся в результате нейросетевые модели оказыва- ются большими и работают сравнительно медленно. Известия ТулГУ. Технические науки. 2017. Вып. 10 182 Рис. 8. Визуализация GRNN-сети Таблица 3 Показатели качества для GRNN-сети Тип Обучение Контроль Тест Средняя ошибка 30.27681 -22907.96 -339579 Абсолютная средняя ошибка 32448.87 282364.5 551109 Коэф. Регрессии 0.1093958 0.5734317 0.8128172 Корреляция 0.9939984 0.8192535 0.5831827 Рис. 9. Анализ чувствительности для GRNN-сети Проведем совокупное сравнение полученных результатов (табл. 4, 5). Информационные системы в решении прикладных задач 183 Таблица 4 Сравнение результатов работы различных сетей Тип Обучение Контроль Тест MLP Средняя ошибка -7815.80 57316.31 -15922.77 Абсолютная сред- няя ошибка 149701.10 176512.5 203957 Коэф. регрессии 0.19 0.26 0.20 Корреляция 0.98 0.96 0.98 РБФ-сеть Средняя ошибка -4.168e-09 130071 -60229.71 Абсолютная сред- няя ошибка 356535.5 397528.1 390934.1 Коэф. регрессии 0.5297183 0.663065 0.43 Корреляция 0.84 0.76 0.92 GRNN-сеть Средняя ошибка 30.27681 -22907.96 -339579 Абсолютная сред- няя ошибка 32448.87 282364.5 551109 Коэф. регрессии 0.11 0.57 0.81 Корреляция 0.99 0.82 0.58 Таблица 5 Параметры построенных сетей Type Inputs Hidden Hidden(2) RBF 7 36 - GRNN 7 300 2 MLP 7 12 8 GRNN-сеть показала очень хорошие результаты на тестовой выбор- ке, в то время как на тестовой выборке ее эффективность оказалась значи- тельно ниже, чему прочих рассмотренных сетей. Наиболее вероятным здесь событием является нерешенная проблема переобучения. То есть ми- нимизировалась не та ошибка, которая ожидается от сети при подаче со- вершенно новых значений. Другими словами, у данной сети отсутствует способность обобщать результаты работы на новые наблюдения. РБФ-сеть не продемонстрировала высоких результатов, однако несомненным ее достоинством является более высокая скорость обучения. Известия ТулГУ. Технические науки. 2017. Вып. 10 184 Многослойный персептрон является наиболее подходящим вариан- том решения задачи определения стоимости жилых квартир. Полученные данные позволяют с достаточной точностью прогнозировать стоимость квартир по заданным параметрам. Достаточно высокая точность полученных результатов является следствием тщательно сформированной обучающей выборки. Сравнение различных алгоритмов тренировки нейронной сети позволило выявить оп- тимальный алгоритм для имеющегося набора данных. При этом, следует заметить, что все изучаемые алгоритмы продемонстрировали сравнительно высокую точность предсказания результата. В результате на основе нейросетевого подхода разработана методи- ка, позволяющая производить определение рыночной стоимости квартир, аппробирована на базе данныхо «новостройках» города Тула. Рассмотрены и реализованы 3 типа сетей: многослойный персеп- трон (MLP); сеть радиально-базисных функций (RBF); обобщенно- регрессионная нейронная сеть (GRNN). Многослойный персептрон являет- ся наиболее подходящим вариантом решения задачи определения стоимо- сти жилых квартир. Полученные данные позволяют с достаточной точно- стью прогнозировать стоимость квартир по заданным параметрам. Предложенный метод позволяет значительно сократить трудозатра- ты на определение стоимости типовых жилых квартир, учесть специфику территориального рынка недвижимости, снизить уровень субъективизма при принятии решения о стоимости квартиры. Методика может приме- няться как специализированными оценочными компаниями в своей теку- щей работе, банками, выдающими ипотечные кредиты, так и обычными пользователями, которые хотят определить возможную рыночную стои- мость собственной либо интересующей квартиры. Применение данной системы может не только являться хорошим дополнением в работе экспер- та-оценщика, позволяющим, кроме всего прочего, отслеживать возможные ошибки и делать неочевидные выводы. Кроме того, предложенный подход может являться фундаментом для исследования ситуации на рынке и про- гнозирования цен на недвижимость. Список литературы 1. Абдуллин М.В. Экспресс-Анализ Стоимости Недвижимости [Электронный ресурс]. URL: http://srgroup.ru/mc/services/express-analysis (Дата обращения: 10.05.2016). 2. Герасимов С.А. Моделирование нейронных сетей для оценки стоимости аренды объекта офисной недвижимости с наименьшей ошиб- кой. 2011. 192 с. Информационные системы в решении прикладных задач 185 3. Сенашов С.И. Информационная система оценки стоимости квар- тир на вторичном рынке жилья как инструмент управления инвестициями // Вестник Сибирского государственного аэрокосмического университета имени академика М.Ф. Решетнева, 2009. С. 219-222. 4. Климов А.В. Современные методы оценки недвижимости [Элек- тронный ресурс]. URL: http://www.bi-grouplabs.ru/Rech/nedvizh/nedv.html (Дата обращения: 13.05.2016). 5. Нейронныесети. Statistica Neural Networks: пер. с англ.. М.: Горя- чая линия - Телеком, 2015. 182 с. 6. Портал искусственного интеллекта [Электронный ресурс]. URL: http://www.aiportal.ru/ (Дата обращения 15.03.2017). Арефьева Елена Анатольевна, доц., [email protected], Россия, Тула, Тульский государственный университет, Костяев Дмитрий Сергеевич, студент, [email protected], Россия, Тула, Туль- ский государственный университет USING NEURAL NETWORKS FOR EVALUATION OF MARKET COST OF REAL ESTATE E.A. Arefeva, D.S. Kostyaev The article deals with the issue of development and research of methods for estimating the market value of real estate on the basis of the neural network approach. Key words: real estate valuation, neural networks. Aref'eva Elena Anatol’evna, docent, [email protected], Russia, Tula, Tula State Univesity, Kostyaev Dmitriy Sergeevich, student, [email protected], Russia, Tula, Tula State Univesity Другие книги из этого разделаОценка изменений рыночной стоимости жилой недвижимости в зоне введенной в эксплуатацию транспортной развязки внутригородской платной автомобильной дорогиЗонирование территории города на базе рыночной стоимости недвижимости как основа нормативной денежной оценки земельОсобенности применения понятий и принципов оценки стоимости недвижимости в современных условияхОценка изменений рыночной стоимости жилой недвижимости в зоне введенной в эксплуатацию транспортной развязки внутригородской платной автомобильной дорогиЗонирование территории города на базе рыночной стоимости недвижимости как основа нормативной денежной оценки земельОсобенности применения понятий и принципов оценки стоимости недвижимости в современных условиях