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.
[email protected], ,

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




Букинистическая книга:

Список литературы по оценке недвижимости > сравнение временных рядов и нейросетевых методов в задаче прогнозирования стоимости и оценки недвижимости

сравнение временных рядов и нейросетевых методов в задаче прогнозирования стоимости и оценки недвижимости

Сурков Ф.А., Петкова Н.В., Суховский С.Ф. сравнение временных рядов и нейросетевых методов в задаче прогнозирования стоимости и оценки недвижимости // Моделирование, оптимизация и информационные технологии. 2018. Т. 6. № 3 (22). С. 88-103.

Скачать оригинал статьи

Фрагмент работы на тему "сравнение временных рядов и нейросетевых методов в задаче прогнозирования стоимости и оценки недвижимости"

Моделирование, оптимизация и информационные технологии. Научный журнал, Том 6, № 3 http://moit.vivt.ru/ 2018 88 УДК: 502.3 Ф.А. Сурков, Н.В. Петкова, С.Ф. Суховский СРАВНЕНИЕ ВРЕМЕННЫХ РЯДОВ И НЕЙРОСЕТЕВЫХ МЕТОДОВ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ СТОИМОСТИ И ОЦЕНКИ НЕДВИЖИМОСТИ НИИ Математики, Механики и Компьютерных Наук им. И.И. Воровича, Ростов-на-Дону, Россия В данной статье рассмотрена проблема прогнозирования цен на объекты недвижимости в долгосрочной и среднесрочной перспективе для принятия управленческих решений. Рынок недвижимости является одной из самых динамичных сфер российской экономики. По этой причине требуется проводить прогнозирование стоимости недвижимости, поскольку без планирования невозможно оценивать будущие расходы или строить экономические планы развития. Ценовая ситуация, описываемая средними ценами на жилом рынке недвижимости, является основополагающим объектом для оценки и прогнозирования в исследовании рынка жилой недвижимости. Стоимость на рынке недвижимости зависит как от средних цен, так и признаков объектов недвижимости. Данные показатели учитываются при прогнозировании рыночной цены недвижимости, которая важна в разработке субъектами рынка недвижимости вспомогательных техник выбора стратегических действий для развития и совершенствования жилищной сферы. В соответствии с вышесказанным, параметры объектов и динамика цен требуют пристального изучения новыми прогрессивными методами с использованием инновационных технологий. Массовая оценка недвижимости является сложной системой и требует не только определения параметров, характеризующих цену недвижимости, но и выявление зависимостей, связывающих эти параметры, с целью анализа и прогнозирования стоимости недвижимости в будущем. Рыночные условия постоянно меняются, в этой связи фактор времени непосредственно влияет на все рыночные процессы и на принятие решений. В работе была выполнена сезонная калибровка цен на объекты недвижимости. Проанализирована и предложена идея использования искусственных нейронных сетей, отвечающих современным требованиям оценки недвижимости. Построены и проанализированы математическая модель на основе гармонических рядов (ряды Фурье) и нейросетевая модель. Проведен сравнительный анализ тенденций роста стоимости недвижимости. Ключевые слова: временные ряды, массовая оценка недвижимости, ряды Фурье, статистические методы, искусственные нейронные сети. Введение. Рынок недвижимости является одной из самых динамичных сфер российской экономики. Поэтому для возможности планирования будущих расходов или построения экономических планов развития требуется пристальное изучение быстроизменяющихся факторов и динамики цен на рынке инновационными методами на основе современных технологий. Моделирование, оптимизация и информационные технологии. Научный журнал, Том 6, № 3 http://moit.vivt.ru/ 2018 89 Прогнозирование динамики цен является неотъемлемой частью массовой оценки недвижимости. Ценовая ситуация, описываемая средними ценами на рынке жилой недвижимости, является одним из основных факторов для оценки и прогнозирования стоимости недвижимости. Помимо средних цен, управление стоимостью на рынке жилой недвижимости происходит также и на основе параметров объектов недвижимости. Эти показатели учитываются при прогнозировании рыночной цены, которая важна в разработке субъектами рынка недвижимости вспомогательных техник выбора стратегических действий для развития и совершенствования жилищной сферы. Актуальность. Массовая оценка недвижимости является сложной системой и требует не только установления параметров, характеризующих стоимость недвижимости, но и определение зависимостей, связывающих эти параметры. Одной из задач массовой оценки является также и прогнозирование стоимости на недвижимость в будущем. В условиях динамичной рыночной экономики, возникает потребность в сравнительном изучении методов прогнозирования цен на недвижимость. Актуальной проблемой является также развитие новых методов прогнозирования цен на недвижимость и методик их применения в условиях российской экономики. Таким образом, научная значимость вопроса состоит в применении временных рядов и нейросетевых методов для оценки недвижимости, что должно позволить спрогнозировать цены в будущем на объекты жилой недвижимости. В результате прогноза можно принять решение в отношении объекта (его модернизация, ремонт, продажа, сдача в аренду и т.д.). Проблема прогнозирования и определения ценообразующих факторов была освящена и исследована рядом ученых в своих работах. Например, Демина Д.С. проводила сравнение результатов прогнозирования временного ряда на основе модели тенденции и авторегрессионного анализа [1]. Иванов В.В., Крянев А.В., Севастьянов Л.А., Удумян Д.К. изучали прогнозирование временных рядов с помощью метрического анализа [2]. Авторы Маркарян Д.М., Ледовская Н.В. в своей работе проводили многомерный статический анализ временного ряда [5]. Моделирование, оптимизация и информационные технологии. Научный журнал, Том 6, № 3 http://moit.vivt.ru/ 2018 90 Сидорова Н.П. и Демина Д.С. использовали методы прогнозирования на основе анализа временных рядов, которые можно применять при оценке объектов недвижимости [8]. Летова М.С. в своей статье исследовала аддитивную модель временного ряда [3]. Автор Магомедрагимова Э.Р. изучала прогнозирование рыночной стоимости недвижимости с помощью применения искусственных нейронных сетей, а также анализировала программное обеспечение, используемое для прогнозирования временных рядов [4]. Автором Москаленко М.А. в статье «Анализ временных рядов. Основы» рассматриваются основные понятия, используемые при анализе временных рядов. Отдельное внимание уделяется ответам на часто задаваемые вопросы при изучении эконометрических показателей. Описывается, что анализ временных рядов в настоящее время широко используется в экономике для поддержки принятия эффективных управленческих решений. [7]. Урубкин М.Ю. и Авакьянц А.В. рекомендуют использовать нейронные сети Кохонена и нечеткие нейронные сети при анализе статистических данных имеющих зашумленность [9]. Авторы Ярушев С.А. и Аверкин А.Н. в статье рассматривают нейро- нечеткие методы прогнозирования временных рядов [10]. Что касается рынка недвижимости, то авторы Медовый А.Е. и Медовый В.В. в статье «Математическая модель, описывающая тенденции рынка первичной недвижимости» представили модели развития первичного рынка недвижимости с учетом причинно-следственных связей функционирования объектов недвижимости. Также в данной статье был представлен процесс построения аддитивной и мультипликативной модели временного ряда ценовых индексов объектов недвижимого имущества. По результатам длительных наблюдений за изменениями во времени значений стоимости для разных кластеров объектов недвижимости, были сделаны выводы о том, что, несмотря на некоторые особенности, они меняются синхронно в рамках отдельных регионов страны [6]. Таким образом, задача исследования заключается в сравнении временных рядов и нейронных сетей в части прогнозирования стоимости на объекты жилой недвижимости. Задача прогнозирования очень важна, поскольку играет большую роль при инвестировании в недвижимость. Исходя из поставленной задачи, целью настоящего исследования стало выявление оптимального метода прогнозирования ценовой политики Моделирование, оптимизация и информационные технологии. Научный журнал, Том 6, № 3 http://moit.vivt.ru/ 2018 91 на рынке недвижимого имущества в среднесрочной и долгосрочной перспективе. Самой сутью инвестиций является вложение средств в настоящем, чтобы получить доход в будущем и заключается в идее прогнозирования изменения ценности актива. Основой для решения поставленной задачи стала база данных «средняя цена жилой недвижимости по каждому месяцу исследуемых лет». Определим теоретические аспекты. Отметим, что для инвестора наиболее ценным ресурсом является время. Рыночные условия постоянно меняются, в этой связи фактор времени непосредственно влияет на все рыночные процессы и на условия для принятия решений, поскольку реализация даже хороших идей в неудачный момент времени может не принести ожидаемых результатов. Учитывая данный факт, наиболее универсальным инструментом, который отражает динамику процессов, происходящих на рынке недвижимости, могут служить динамические индексы цен объекта недвижимости, которые являются функциями времени и строятся на базе анализа статистических данных относительно средних цен предложений продажи или аренды объектов недвижимого имущества, относящегося к исследуемому сегменту рынка [1]. Временной ряд – это совокупность наблюдений за определенными элементами данных, полученных путем многократных измерений с течением времени. Например, измеряя цены на недвижимость, каждая средняя цена в месяц будет включена во временной ряд. Это происходит потому, что средняя цена объекта недвижимости, последовательно измеряется через равные интервалы [7]. Наблюдаемый временной ряд может быть разложен на три составляющие: - тренд (долгосрочное направление); - сезонный (систематический); - нерегулярный (несистематический). Временные ряды можно разделить на два различных вида: запасы и потоки. Запасы рядов – это показатели некоторых атрибутов в определенный момент времени. Потоки рядов – это ряды, которые являются мерой активности за определенный период. Под потоком событий будем понимать временную последовательность, характеризуемую моментами наступления отдельных Моделирование, оптимизация и информационные технологии. Научный журнал, Том 6, № 3 http://moit.vivt.ru/ 2018 92 событий, независимо от природы этих событий. Для примера могут быть взяты опросы стоимости на недвижимое имущество. Производство — это подсчет расходов за определенное количество дней, суммированное для получения общего значения за данный отчетный период. Основное различие между запасами и потоками заключается в том, что потоки могут содержать результаты, связанные с календарем (эффект торгового дня). Оба типа рядов можно учитывать с помощью сезонных колебаний, используя процесс сезонной корректировки. Сезонная корректировка – это процесс оценки и в дальнейшем удаления из временного ряда влияний, которые являются систематическими [4]. Взятые за основу наблюдаемые данные подчиняются свойству сезонности. В свою очередь сезонные эффекты могут скрывать как истинные базовые движения в рядах, так и некоторые сезонные особенности, которые представляют интерес для аналитиков. Тренд временного ряда – это медленные изменения параметров исследуемого процесса [2]. В настоящее время для прогнозирования ценовой политики на рынке недвижимого имущества широко используются нейронные сети. 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 (Рисунок 1): Рисунок 1 – Искусственная нейронная сеть. Искусственная нейронная сеть представляет собой множество связанных процессоров, которые выполняют процессы в параллельном Моделирование, оптимизация и информационные технологии. Научный журнал, Том 6, № 3 http://moit.vivt.ru/ 2018 93 режиме [6,7]. На сегодняшний момент существует большое количество различных подходов к нейро-нечеткому прогнозированию временных рядов, в частности для обучения подобных сетей применяются генетические алгоритмы, методы роевой оптимизации, а также различные гибридные методы. В настоящее время реализовано значительное число программных продуктов, использующих технологии нейровычислений. Имеются, в том числе, и нейросетевые программы, предназначенные для решения только задач прогнозирования временных рядов. Следующие программные продукты 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. Пакет для работы с нейросетями используется в модуле, представляющего реализацию целого набора нейросетевых методов анализа. 2. MathLab – это интерактивная система. Основным объектом данной системы является массив, для которого не требуется указание явной размерности. Это позволяет решать многие инженерные задачи, связанные с векторно-матричными формулировками. Эксперты в сфере недвижимости, например, риэлторы, решают проблему оценки, используя собственные познания, основываясь на известных им аналогах. При проведении предварительной экспертизы было установлено, что стоимость недвижимости (Y) находится в зависимости от многочисленных факторов. В проводимом исследовании выполняется предварительная обработка и анализ следующих 11 параметров (Х1-Х11): географические координаты, тип постройки, этажность здания, этаж квартиры, количество комнат, площадь кухни, расположение на 1-ом или последнем этажах, наличие балкона, планировка, дата постройки, общее состояние квартиры. Данные познания принадлежат к числу недостаточно формализуемых, по этой причине разработка конкретного алгоритма установления цен на основе значений влияющих параметров – очень непростая задача. Однако, можно 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 (11 параметров), оказывающих значительное влияние на стоимость. В Моделирование, оптимизация и информационные технологии. Научный журнал, Том 6, № 3 http://moit.vivt.ru/ 2018 94 выходном слое будет 1 нейрон, который отвечает выходному условию – стоимости. Рисунок 2 – Расположение и взаимосвязь весов в нейронной сети На рисунке 2 представлено расположение и взаимосвязь весов (с отдельным участком сети справа) с целью наглядного представления их в построенной нейросети. Для определения стоимости (Y) нового объекта недвижимости на вход обученной сети подается вектор с координатами (Х1,...,Х11). Сеть определяет кластер, к которому данный вектор будет отнесен и тогда в качестве Y будет принято среднее значение для этого кластера. Так как сеть обучилась, и веса меняются не значительно, то среднее значение мало отличается от любого значения данного кластера. Учитывая, что в механизме Кохонена сумма координат у векторов весов обязана составлять 1, то координаты считаем равными долевым компонентами, которые пропорциональны этим коэффициентам. Настройка весовых векторов Wi осуществляется по алгоритму Кохонена, в основе которого, лежит критерий минимума целевой функции: (1) , где E(W) – функция минимизации расхождений, Xj i – входные нейроны (соответствуют изучаемым факторам, 11шт.), Wi – весовые вектора. Моделирование, оптимизация и информационные технологии. Научный журнал, Том 6, № 3 http://moit.vivt.ru/ 2018 95 В результате обучения сети, векторы обучающего множества разбиваются на кластеры в 11-мерном пространстве, центрами которых являются векторы весов нейронов. Значимость каждого из исследуемых параметров влияния на стоимость можно считать равной соответствующей координате в векторе весов на последней эпохе. Кластеризация с помощью карты Кохонена производится по следующему алгоритму: 1) Задаются исходные данные. 2) Создаётся сеть Кохонена. Для этого требуется определить: функцию топологии карты – прямоугольная карта, задаваемая nextop; функцию расстояния между нейронами – linkdist; параметр скорости обучения на этапе размещения – 0,9; число циклов обучения на этапе размещения – 4000; параметр скорости обучения на этапе подстройки - 0,05; размер окрестности на этапе подстройки – 1. 3) Задаются параметры обучения (эпохи) – 4000 и обучается сеть. Для решения поставленной задачи используется сеть следующего вида (Рисунок 3): Рисунок 3 – Искусственная нейронная сеть в MatLab 8.6. На рисунке 3 представлена основная схема сети сигмоидального типа, в которой y(t) – входные и выходные данные, w – блок настройки весов связи, b – блок входных векторов, 11 – число независимых параметров. Уже обученную нейронную сеть Кохонена в данном исследовании предлагается использовать для построения среднесрочных прогнозов. Практическая значимость заключается в том, что были составлены временные ряды на основании средней цены для однокомнатных квартир Советского района г. Ростова-на-Дону за 2014- 2017 года по каждому месяцу. Построена нейросетевая модель для прогнозирования цен на недвижимость. Проведено сравнение Моделирование, оптимизация и информационные технологии. Научный журнал, Том 6, № 3 http://moit.vivt.ru/ 2018 96 нейросетевой модели и временных рядов в части прогнозирования цен на жилую недвижимость г.Ростова-на-Дону. Результаты проведенного исследования. Применив для нахождения общей тенденции и периодических колебаний рядов динамики гармонический анализ, нами получена математическая модель (ряд Фурье с двумя гармониками): Y = 1957.62 + 10.17cos (t) - 50.22sin (t) + 24.46cos (2t) - 33.51sin (2t) (2) Рост цен на рынке недвижимости, согласно полученному уравнению, должен составлять спад 14 – 18% в 2014г., подъем 6 – 8% в 2015г., спад 4 – 6% в 2016г., спад 2 – 3% в 2017г. Фактические данные, которые отражают динамику роста цен объектов жилой недвижимости г.Ростова-на-Дону показаны в Таблице 1. Сравнительный анализ тенденций роста проведён для однокомнатных квартир Советского района г. Ростова-на-Дону. Таблица 1 - Анализ роста цен для однокомнатных квартир Советского района г. Ростова-на-Дону за период 2014 - 2017 гг. Месяц 2014 2015 Теоретические данные Фактические данные Теоретические данные Фактические данные Средний рост, % Средний рост, тыс. руб. Средний рост, % Средний рост, тыс. руб. Средний рост,% Средний рост, тыс. руб. Средний рост, % Средний рост, тыс. руб. январь 2,6% 2127 3,5% 2195 5,6% 1959 9,3% 2007 февраль 0,5% 2137 0,5% 2207 3,1% 2021 1,5% 2037 март 0,5% 2148 -0,1% 2204 3,0% 2083 1,5% 2067 апрель -2,6% 2094 -7,9% 2042 0,4% 2091 0,3% 2074 май -1,5% 2063 -0,5% 2032 -0,7% 2076 -0,4% 2066 июнь 0,5% 2073 0,3% 2039 -0,4% 2067 -0,9% 2048 июль 0,8% 2090 0,3% 2045 -1,2% 2042 -0,7% 2033 август -1,0% 2069 -0,7% 2030 -0,5% 2031 -0,4% 2024 сентябрь -1,5% 2038 0,5% 2040 -0,2% 2027 -0,1% 2023 октябрь -2,6% 1987 -5,2% 1939 -0,6% 2015 -1,2% 1998 ноябрь -2,6% 1937 -4,0% 1864 -0,7% 2001 -0,6% 1985 декабрь -4,7% 1850 -2,4% 1821 -0,7% 1988 -0,9% 1968 Моделирование, оптимизация и информационные технологии. Научный журнал, Том 6, № 3 http://moit.vivt.ru/ 2018 97 Месяц 2016 2017 Теоретические данные Фактические данные Теоретические данные Фактические данные Средни й рост, % Средни й рост, тыс. руб. Средни й рост, % Средний рост, тыс. руб. Средни й рост, % Средний рост, тыс. руб. Средни й рост, % Средний рост, тыс. руб. январь -0,5% 1978 -0,8% 1954 -1,5% 1873 -0,7% 1859 февраль -0,1% 1977 0,1% 1955 0,2% 1877 0,4% 1866 март -0,1% 1975 -0,4% 1947 0,1% 1879 0,1% 1867 апрель -0,1% 1973 0,0% 1947 0,0% 1879 -0,1% 1865 май -2,4% 1926 -0,6% 1935 -1,2% 1857 -0,2% 1860 июнь -0,3% 1920 -1,1% 1913 -0,1% 1855 -0,5% 1852 июль 0,1% 1921 -0,6% 1902 0,0% 1855 -0,1% 1850 август -1,2% 1899 -0,8% 1886 -0,2% 1851 0,0% 1849 сентябрь -1,3% 1875 -0,1% 1884 -0,2% 1847 -0,3% 1844 октябрь 0,6% 1886 0,2% 1888 -0,1% 1845 -0,4% 1836 ноябрь 0,1% 1887 0,0% 1889 -0,3% 1840 -0,3% 1829 декабрь 0,7% 1901 -0,9% 1873 -0,4% 1833 -0,1% 1828 Таблица 1 показывает, что теоретический средний спад цен на объекты жилой недвижимости в г. Ростов-на-Дону в 2014 году должен был составить 11,6%, а фактически был равен 15.7%; в 2015 году теоретический рост цен 6.9%, фактический 7.3%; в 2016 году теоретический спад 4.5%, фактический 5.0%; в 2017 году теоретический спад цен 3.7%, фактический 2.4%. Следовательно, средняя квадратичная ошибка статистической модели составляет ?cm=0,19, что является приемлемым, но недостаточным для построения качественного среднесрочного или долгосрочно прогноза. Допустимой средней квадратичной ошибкой для модели будем считать 0,12

Другие книги из этого раздела





© 2002 - 2024 RefMag.ru