DOI: https://doi.org/10.26642/tn-2019-1(83)-154-160

Застосування нейронної мережі в якості основи системи прогнозування оціночної вартості об’єктів нерухомості

D. S. Shybaiev, T. V. Otradskaya, M. V. Stepanchuk, N. O. Shybaieva, N. D. Rudnichenko

Анотація


Автоматизація робочих процесів користувачів є невід'ємною частиною розвитку сучасних інформаційних і програмних систем. Багато фахівців в різних предметних областях виконують більшість повсякденних завдань з використанням комп'ютерних технологій. Це дозволяє поліпшити зв'язок, автоматизувати частину робочих процесів, забезпечити єдине сховище даних. Метою роботи є розробка мобільного програмного забезпечення для прогнозування оціночної вартості нерухомості на основі використання штучних нейронних мереж. Науково-практична значимість роботи полягає в дослідженні алгоритмів штучних нейронних мереж в області прогнозування і формування оціночної вартості об'єктів нерухомості та практичне застосування таких алгоритмів у рамках концепції мобільних додатків. Загальна методика роботи включає використання багатошарової архітектури перцептронів і алгоритму зворотного поширення помилок в якості методу навчання нейронної мережі, а також методів і навичок проектування і розробки мобільних програмних рішень для автоматизації діяльності ріелторів. Особливістю розробленого програмного рішення є система прогнозування оптимального значення ціни об'єкта нерухомості. Взаємодія програмних компонентів здійснюється з використанням критеріїв пошуку і бази даних нерухомості. Отримані значення є вхідними даними для роботи моделі штучної нейронної мережі. Результати проведеного дослідження забезпечують високий рівень точності підсумкової розрахунків при рішенні задач прогнозування оціночної вартості об'єктів нерухомості з використанням багатошарової штучної нейронної мережі. Результатом роботи є розробка мобільного додатку для прогнозування фінансової оцінки нерухомого майна. Середня точність прогнозу вартості нерухомості становить 95,7%, що є найвищим значенням для використання системи на практиці.


Ключові слова


інтелектуальний аналіз даних; штучні нейронні мережі; класифікація; оцінка нерухомості; аналіз даних

Повний текст:

PDF (English)

Посилання


Shibaev, D.S., Vychuzhanin, V.V., Shibaeva, N.O. and Rudnichenko, N.D. (2017), «Optimizatsiya otbora i analiza informatsii v raznostrukturnykh khranilishchakh dannykh», Informatika i matematicheskie metody v modelirovanii, No. 3, рр. 318–324.

Shibaev, D.S., Vychuzhanin, V.V., Shibaeva, N.O. and Rudnichenko, N.D. (2018), «Optimizatsiya metodov prognozirovaniya, obrabotki i analiza informatsii v raznostrukturnykh khranilishchakh dannykh», Informatika i matematicheskie metody v modelirovanii, No. 1, рр. 78–85.

Rudnichenko, N.D. and Vychuzhanin, V.V. (2016), «Razrabotka modeli neiroseti dlya prognozirovaniya riska otkazov komponentov slozhnykh tekhnicheskikh sistem», Informatika i matematicheskie metody v modelirovanii, No. 4, рр. 333–338.

Michael S. Gashler Ashmore and Stephen, C. (2014), «Training Deep Fourier Neural Networks To Fit Time-Series Data», International Conference on Intelligent Computing, Springrt, Cham, рр. 48–55.

Gorban', A.N. (1990), Obuchenie neironnykh setei, SP ParaGraf, M.

Osovskii, S. (2002), Neĭronnye seti dlya obrabotki informatsii, per. s pol'skogo Rudinskogo I.D., Finansy i statistika, M., 344 р.

Gorban', A.N. (1998), «Obobshchennaya approksimatsionnaya teorema i vychislitel'nye vozmozhnosti neĭronnykh seteĭ», Sibirskiĭ zhurnal vychislitel'noĭ matematiki, Vol. 1, No. 1, pp. 12–24.

Rozenblatt, F. (1965), Printsipy neirodinamiki: Pertseptrony i teoriya mekhanizmov mozga, Mir, M., 480 р.

Shadrina, V.V. and Kosenko, E.Yu. (2011), «Primenenie metodov prognozirovaniya v tekhnicheskikh sistemakh», Izvestiya Yuzhnogo federal'nogo universiteta. Tekhnicheskie nauki, No. 2, Vol. 115, рр. 141–145.


Пристатейна бібліографія ГОСТ


  1. Оптимизация отбора и анализа информации в разноструктурных хранилищах данных / Д.С. Шибаев, В.В. Вычужанин, Н.О. Шибаева, Н.Д. Рудниченко // Информатика и математические методы моделировании. – 2017. – № 3. – C. 318–324.
  2. Оптимизация методов прогнозирования, обработки и анализа информации в разноструктурных хранилищах данных / Д.С. Шибаев, В.В. Вычужанин, Н.О. Шибаева, Н.Д. Рудниченко // Информатика математические методы в моделировании. – 2018. – № 1. – C. 78–85.
  3. Рудниченко Н.Д. Разработка модели нейросети для прогнозирования риска отказов компонентов сложных технических систем / Н.Д. Рудниченко, В.В. Вычужанин // Информатика и математические методы моделировании. – 2016. – № 4. – С. 333–338.
  4. Michael S. Gashler Ashmore Training Deep Fourier Neural Networks To Fit Time-Series Data / S.Gashler Michael, C.Stephen // International Conference on Intelligent Computing. – Cham : Springrt, 2014. – С. 48–55.
  5. Горбань А.Н. Обучение нейронных сетей / А.Н. Горбань. – М. : СП ПараГраф, 1990.
  6. Осовский С. Нейронные сети для обработки информации / С.Осовский ; пер. с польского И.Д. Рудинского. – М. : Финансы и статистика, 2002. – 344 с.
  7. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей / А.Н. Горбань // Сибирский журнал вычислительной математики. – 1998. –Т. 1, № 1. – С. 12–24.
  8. Розенблатт Ф. Принципы нейродинамики: Перцептроны и теория механизмов мозга Ф.Розенблатт. – М. : Мир, 1965. – 480 с.
  9. Шадрина В.В. Применение методов прогнозирования в технических системах / В.В. Шадрина, Е.Ю. Косенко // Известия Южного федерального университета. Технические науки. – 2011. – № 2. – Т. 115. С. 141–145.




Copyright (c) 2019 D. S. Shybaiev, T. V. Otradskaya, M. V. Stepanchuk, N. O. Shybaieva, N. D. Rudnichenko

Ліцензія Creative Commons
Це видання ліцензовано за ліцензією Creative Commons Із Зазначенням Авторства - Некомерційна 4.0 Міжнародна.