قیمت گذاری املاک مسکونی به کمک الگوریتم ترکیبی یادگیری عمیق- فازی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
اهمیت روزافزون مسکن به لحاظ تأثیرات عمیق و قابل توجهی که بر ابعاد مختلف اجتماعی، سیاسی و اقتصادی کشورها می گذارد، بر کسی پوشیده نیست؛ بنابراین برآورد دقیق و قابل اعتماد قیمت به طورقطع امر سیاست گذاری در این زمینه را آسان می نماید. در شرایط مختلف ممکن است صدها عامل به صورت زیرمجموعه ای از عوامل ساختاری، مکانی و اجتماعی – اقتصادی بر قیمت املاک تأثیر بگذارد. بنابراین بایستی با در نظر گرفتن این عوامل، قیمت گذاری املاک به طور کارآمد انجام شود. با توجه به ماهیت پیچیده ی بازار املاک در تحقیقات انجام شده از الگوریتم های متداول یادگیری عمیق مانند DNN ، RNN، CNNو ... استفاده شده است، اما این الگوریتم ها در خصوص داده های جدولی چندان مناسب نمی باشند. از طرفی مدل های یادگیری عمیق موجود در قیمت گذاری ملک نیز کاملاً قطعی هستند و عدم قطعیت داده ها را لحاظ نمی کنند. در این مقاله سعی شده است که در به کارگیری روش های یادگیری عمیق به ساختار جدولی داده های املاک توجه شود. برای این منظور معماری عمیق جدید TabNet به کار گرفته شده است. این الگوریتم برخلاف سایر الگوریتم های متداول یادگیری عمیق داده های جدولی خام را بدون هیچ گونه پیش پردازشی دریافت می کند. در این پژوهش هم چنین با استفاده از تکنیک های ترکیب موجود، منطق فازی با الگوریتم های یادگیری عمیق ترکیب شده است تا ضمن یادگیری سریع و دقیق تر مسائل پیچیده، بر کاستی های قطعی بودن مدل های یادگیری عمیق و در نظر نگرفتن عدم قطعیت ذاتی داده ها در این مدل ها غلبه شود. همچنین با به کارگیری سیستم اطلاعات مکانی (GIS) ارزیابی شفاف تری ارائه شد تا بصری سازی کامل الگوی مکانی ویژگی های ملک و همچنین ارتباط این ویژگی ها و قیمت گذاری تضمین و متغیرهای مکانی نیز در مدل ارزش گذاری لحاظ شوند. به منظور ارزیابی روش های پیشنهادی از داده های املاک منطقه ی پنج تهران استفاده شده است. ترتیب و اولویت بندی تأثیرگذاری ویژگی ها در قیمت گذاری املاک مسکونی تهران توسط الگوریتم TabNet نشان دهنده ی تأثیر قابل توجه عوامل مکانی می باشد. به طوری که در این رتبه بندی پس از مساحت دو ویژگی مکانی طول و عرض جغرافیایی به ترتیب رتبه ی دوم و سوم را دارا می باشند. درنهایت برای مجموعه داده ی تهران الگوریتم های TabNet، DNN،CNN ، RNN، LSTM، خود رمزگذار و همچنین الگوریتم یادگیری ماشین XGBoost به کار گرفته شده و معیارهای ارزیابیRMSE ،MAE و مقایسه شدند که بر اساس معیار، با به کارگیریTabNet پنج درصد بهبود دقت حاصل شد. درنهایت RMSE الگوریتم ترکیبی FuzzyTabNet برای داده ی تهران نسبت به الگوریتم پایه ی TabNet 4.65% کاهش یافت. همچنین شبکه ی خود رمزگذار فازی نیز نسبت به شبکه ی خود رمزگذار معمولی 6.52 درصد بهبود یافت.Residential property valuation using a hybrid fuzzy deep learning approach
Extended Abstract-Introduction: The growing importance of housing is not hidden from anyone in terms of the profound and significant effects it has on the various social, political, and economic dimensions of countries; Therefore, accurate and reliable price estimation definitely facilitates policy-making in this field. Hundreds of factors may affect property prices in different situations as a subset of structural, spatial, and socio-economic factors. Therefore, considering these factors, property pricing should be done efficiently. Due to the complex nature of the real estate market, research has used common deep learning algorithms such as DNN, RNN, CNN, etc., but these algorithms are not very suitable for tabular data. On the other hand, the deep learning models in property pricing are also completely definite and do not take into account data uncertainty.Materials & Method: In this article, we have tried to pay attention to the tabular structure of real estate data in applying deep learning methods. The TabNet deep new architecture is used for this purpose. In addition, at the same time as the learning process, it makes feature selection fully interpretable. In this study, also using existing combination techniques, fuzzy logic is combined with deep learning algorithms to learn complex problems faster and more accurately, to overcome the shortcomings of the certainty of deep learning models and not consider the inherent uncertainty of the data in this models. In this study, using the existing combination techniques, also using spatial information system (GIS) to provide a clearer evaluation to ensure full visualization of the spatial pattern of property properties as well as the relationship between these properties and pricing and spatial variables are included in the valuation model. In order to evaluate the proposed methods, real estate data of District 5 of Tehran were used.Results & Discussion: The order and prioritization of the impact of features on the pricing of Tehran residential properties by the TabNet algorithm indicate the significant impact of spatial factors. So that in this ranking, after the area, the two spatial characteristics of latitude and longitude have the second and third ranks, respectively. Basically, latitude and longitude indicate the criteria of neighborhoods and the type and prestige of different places in the city, and the social class of different streets and neighborhoods in the city, which is clearly a factor in influencing the price. Finally, TabNet, DNN, CNN, RNN, LSTM, Autoencoder algorithms as well as XGBoost machine learning algorithms were used for the Tehran data set, and RMSE, MA and evaluation criteria were compared, which according to the criterion, a 5% improvement in accuracy was achieved by using TabNet. Finally, the RMSE of the FuzzyTabNet hybrid algorithm for Tehran data decreased by 4/65% compared to the basic TabNet algorithm. The fuzzy Autoencoder network also improved by 5/52% compared to the common Autoencoder network.
تبلیغات
