Застосування рекурентної нейронної мережі для оцінки вартості об’єктів нерухомості



DOI: http://dx.doi.org/10.31548/energiya5(69).2023.088

O. Tymchuk, A. Pylypenko, A. Kicha

Анотація


Розглянуто проблему оцінки вартості об’єктів нерухомості. Автоматизація вирішення зазначеної проблеми є одним із способів надання об’єктивної оцінки, в якому виключені такі суб’єктивні фактори як помилка арифметичного розрахунку, оцінка під впливом емоцій, оцінка під впливом переслідування власних цілей. Найчастіше для вирішення задачі оцінки вартості об’єктів нерухомості використовується регресійний аналіз (гедонічна регресія) та методи машинного навчання. Метою цього дослідження є побудова моделі для оцінки вартості об’єктів нерухомості не лише на звичних кількісних показниках (наприклад, площа, кількість кімнат, поверх тощо), а й на базі текстового опису об’єкта нерухомості. У статті як об’єкти нерухомості розглядаються квартири в новозбудованих житлових комплексах м. Києва. Для досягнення мети розроблено математичну модель для класифікації класу житла новобудови на основі текстового опису за допомогою рекурентної нейронної мережі. Модель розроблена як багатошарова нейронна мережа прямого зв’язку, яка приймає текстові дані опису житлового комплексу (новобудови) та пропускає їх через серію прихованих шарів, де кожен шар складається з нейронів. Змодельована категоріальна змінна 'predictedClass' була використана як незалежна змінна лінійної регресії для розрахунку вартості квартири в новобудові. У порівнянні з класичною лінійною регресією з кількісними регресорами, нова модель забезпечила високий показник  при мінімальній кількості змінних.

Ключові слова: об’єкт нерухомості, категоріальна змінна, класифікація, рекурентна нейронна мережа, лінійна регресія


Повний текст:

PDF

Посилання


Sopranzetti, B.J. (2010). Hedonic Regression Analysis in Real Estate Markets: A Primer. In: Lee, CF., Lee, A.C., Lee, J. (eds) Handbook of Quantitative Finance and Risk Management. Springer, Boston, MA. https://doi.org/10.1007/978-0-387-77117-5_78

Vishwakarma, Vijay Kumar, Forecasting Real Estate Business: Empirical Evidence from the Canadian Market (2013). Global Journal of Business Research, v. 7 (3) pp. 1-14, 2013, Available at SSRN: https://ssrn.com/abstract=2148507

Baur, Katharina & Rosenfelder, Markus & Lutz, Bernhard. (2023). Automated real estate valuation with machine learning models using property descriptions. Expert Systems with Applications. 213. 119147. 10.1016/j.eswa.2022.119147.

Fan, Gang-Zhi & Ong, Seow Eng & Koh, Hian. (2006). Determinants of House Price: A Decision Tree Approach. Urban Studies. 43. 2301-2316. 10.1080/00420980600990928.

Wanga, Pei-Ying & Chen, Chiao-Ting & Su, Jain-Wun & Ting-Yun, Wang & Huang, Szu-Hao. (2021). Deep Learning Model for House Price Prediction Using Heterogeneous Data Analysis Along With Joint Self-Attention Mechanism. IEEE Access. PP. 1-1. 10.1109/ACCESS.2021.3071306.

Tymchuk, O., Pylypenko, A., Iepik, M. Forecasting of Categorical Time Series Using Computing with Words Model (Conference Paper) 9th International Scientific Conference ""Information Technology and Implementation"" Workshop, IT and I-WS 2022; Kyiv; Ukraine; CEUR Workshop Proceedings. Volume 3384, 2022, Pages 151-159 URL: http://www.scopus.com/inward/record.url?eid=2-s2.0-85159621875&partnerID=MN8TOARS


Метрики статей

Завантаження метрик ...

Metrics powered by PLOS ALM

Посилання

  • Поки немає зовнішніх посилань.


Bookmark and Share