Застосування рекурентної нейронної мережі для оцінки вартості об’єктів нерухомості
DOI:
https://doi.org/10.31548/energiya5(69).2023.088Анотація
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
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
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Стосунки між правовласниками і користувачами регулюються на умовах ліцензії Creative Commons Із Зазначенням Авторства – Некомерційна – Поширення На Тих Самих Умовах 4.0 Міжнародна (CC BY-NC-SA 4.0):https://creativecommons.org/licenses/by-nc-sa/4.0/deed.uk
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див.The Effect of Open Access).
