Интеллектуальная система оценки жилой недвижимости города

Интеллектуальная система оценки жилой недвижимости города
Объективная оценка стоимости жилой недвижимости нужна компаниям-строителям,
риелторам, бизнесменам, вкладывающим денежные средства в недвижимость, людям,
желающим продать или, наоборот, обеспечить себя постоянным жильем. Оценка
недвижимости необходима при получении кредита, взносе имущества в уставный
капитал, для судебных целей, при оформлении наследства, в операциях купли-продажи
или сдаче в аренду, при страховании недвижимости, при разработке и оценке
эффективности инвестиционных проектов, для расчета суммы налогов на недвижимость.
Стоимость дома или квартиры зависит от большого числа факторов, таких, как общая
площадь, удалённость от центра, экологическая обстановка, престижность, тип дома, вид
из окна, близость городского транспорта, наличие мусоропровода, лоджии, балкона, и т.д.
Так как вид этой зависимости неизвестен, то стандартные методы анализа здесь
неэффективны. Как правило, задача решается экспертами-оценщиками, работающими в
агентстве по недвижимости. Недостатком такого подхода является субъективность
оценщика, а также возможные разногласия между различными экспертами.
Нейросетевое моделирование рынка жилой недвижимости лишено указанных
недостатков.
Задание: создать нейронную сеть, предназначенную для оценки стоимости
однокомнатных квартир г. Тольятти, ограничившись учётом шести параметров:
x1 — удалённость от центра или категории престижности, которые можно закодировать
следующим образом:
1 — Центральный район; 2 — Автозаводский район; 3 — Комсомольск; 4 — Шлюзовой; 5
— Поволжский.
x2 — этаж: 1 — первый и последний этажи; 2 — все остальные.
x3 — планировка жилья, например 1 — “Хрущевка”; 2 — “Ульяновская”; 3 —
“Московская”; 4 — “Ташкентская”; 5 — “Улучшенная планировка”.
x4 — площадь (м2).
x5 — стены: 1 — кирпич; 2 — панель;
x6 — наличие балкона: 1 — балкон; 2 — лоджия; 3 – отсутствует.
Для создания сети необходимо составить обучающее и тестирующее множества примеров
оценки одного квадратного метра стоимости квартир г. Тольятти в зависимости от шести
выбранных входных параметров. Данные можно взять с сайта газеты «Рубиновый
вторник» http://gazeta.rubinoviyvtornik.ru/
Таким образом, согласно выбранной структуре входных и выходных векторов
проектируемый персептрон должен иметь 5 входных нейронов и один выходной нейрон.
Число нейронов скрытого слоя можно определить по формулам Арнольда – Колмогорова
– Хехт-Нильсена, подставляя в них Nx = 6, Ny = 1 и Q.
Запустив программу “Нейросимулятор” (лабораторная работа № 8), в режиме
“Проектирование сети” создайте персептрон с шестью входами, одним выходом и одним
скрытым слоем с вычисленным количеством нейронов.
В режиме “Обучение” введите множество обучающих примеров: либо вручную с
помощью многократного нажатия кнопки “Добавить обучающий пример”, либо путём
предварительной подготовки Excel-файла и считывания его с помощью кнопки “Загрузить
из Excel-файла”.
Изменив число эпох обучения на 2000 и нажав кнопку “Обучить сеть”, получите кривую
сходимости процесса обучения персептрона, изображенную на рис. 41.
Обратите внимание на то, что формы этих кривых при каждом новом нажатии кнопки
“Обучить сеть” получаются разными. Объясняется это тем, что при каждом новом запуске
процесса обучения начальные значения синаптических весовых коэффициентов задаются
датчиком случайных чисел. Поэтому рекомендуется сделать несколько попыток обучения
сети и остановиться на той, которая даст наименьшую ошибку обучения.
Переведите персептрон в режим “Проверка” и нажмите кнопку “Скопировать из
обучающих примеров”, а затем — кнопку “Вычислить”. В столбце d1 расположились
фактические (желаемые) значения стоимости квартир, а рядом в столбце y1 — то, что
вычислил персептрон. Внизу выведена максимальная (из всех примеров) относительная
ошибка обучения L.
Нажмите кнопку “Сбросить примеры” и путем многократного нажатия кнопки “Добавить
тестовый пример” введите примеры из тестирующего множества, после чего нажмите
кнопку “Вычислить”.
Результат полезно представить в графической форме в виде гистограммы, на которой
фактические цены квартир и прогнозные (полученные с помощью вычислений
персептрона) изображены в виде рядом стоящих столбиков. Гистограмма получена с
помощью редактора “Excel”, которому исходные данные переданы путем нажатия кнопки
“Отправить в Excel-файл”.
Часто бывает полезным оптимизировать структуру персептрона путем построения
графиков зависимости ошибки обобщения T от числа скрытых нейронов N. Если
увеличить число нейронов скрытого слоя, то погрешность обобщения можно снизить,
таким образов улучшив качество сети.
После того как сеть оптимизирована, обучена и протестирована, оценена погрешность, с
которой она может прогнозировать стоимость квартир, ее можно применять как
математическую модель рынка, адекватную моделируемой предметной области.
Нейросимулятор можно смело перевести в режим “Прогноз” и, вводя параметры
интересующих квартир, выполнять оценку их стоимости, помня, что точность прогнозов
будет колебаться в установленных пределах.
Кроме того, можно, исследуя модель, выявлять и изучать закономерности рынка
недвижимости. Например, придавая различные значения параметру “Удаленность от
центра” (параметр x1), можно получить зависимость стоимости квартир от удаления от
центра. Сделайте вывод.
Сделайте вывод по зависимости стоимости квартир от другого параметра.
Полученные путем математического моделирования выводы представляют практический
интерес для предпринимателей, занимающихся куплей-продажей квартир. Однако для
расчета экономической целесообразности проведения бизнес-мероприятий в каждом
конкретном случае следует обращаться к разработанной нейросетевой компьютерной
модели.
Для разработки более адекватной математической модели рынка городской
недвижимости, пригодной для более полноценного применения в жизни и в бизнесе,
количество входных параметров модели, по-видимому, должно быть увеличено.