Вы здесь

Нейромережева технологія аналізу і прогнозування процесів на ринку нерухомості

Автор: 
Тазетдінов Валерій Абударович
Тип работы: 
Дис. канд. наук
Год: 
2005
Артикул:
3405U003485
99 грн
(320 руб)
Добавить в корзину

Содержимое

РОЗДІЛ 2
МЕТОДИЧНІ АСПЕКТИ ТА ВИБІР МЕТОДІВ
ДОСЛІДЖЕННЯ ПРОЦЕСІВ НА РИНКУ НЕРУХОМОСТІ
Складність ринку нерухомості як системи, призначеної для розв?язання великої сукупності задач, вимагає комплексного підходу до їх виокремлення та формалізації. Необхідно відзначити багатовекторність внутрішніх та зовнішніх факторів, що впливають на динаміку РН. Формулюючи задачі дослідження, враховуватимемо три макроблоки, що прямо чи опосередковано приймають участь у процесі його аналізу. Перший із них пов?язаний із формуванням інформаційного банку та роботою операторів; другий, аналітичний блок призначений для розробки та використання математичних моделей і методів; третій, консультативний блок є інтерфейсною частиною між суб?єктами РН та аналітиками.
Методика дослідження передбачає формування достатньо повної сукупності задач РН та їх формалізації. Головними з них повинні стати задачі ідентифікації функції оцінки ОН; визначення динаміки РН і залежність цін від значень параметрів ОН в часі; кластеризація та класифікація ОН і визначення еталонів у кожному кластері; адаптація ціни ОН до особливостей регіону та макроекономічної ситуації; автоматизоване визначення рівноважної ціни.
На першому етапі необхідно провести дослідження розв?язків вказаних задач, одержаних за допомогою класичних методів. Для збільшення точності результатів використати процедури препроцесінгу даних. Якщо це не приводить до бажаного результату раціонально використати нейромережеві моделі та провести аналіз відповідних алгоритмів їх функціонування на предмет придатності до розв?язання специфічних задач аналізу та прогнозування РН. Вибір ефективних методів дослідження здійснюватимемо за критеріями точності результату та швидкості його одержання, оскільки для нейронних мереж останній критерій є актуальним через низьку швидкість їх навчання.
2.1. Формалізовані постановки задач аналізу і прогнозування
процесів на ринку нерухомості та класифікація його параметрів

В якості початкових даних дослідження вважатимемо відомими зміст двох інформаційних банків та , перший з яких містить інформацію про ОН, які продаються, а також динаміку їх ціни, другий - інформацію про бажаний об'єкт покупки. Відмінність від полягає у тому, що містить однозначну інформацію, а в у певних полях містяться дані, представлені функціями належності [41], або інтервалом. Як відомо, нечіткою множиною на універсальній множині називається сукупність пар , де ? міра належності елемента нечіткій множині . Функцією належності називають функцію, яка дозволяє обчислити міру належності довільного елемента з універсальної множині нечіткій множині.
Значення полів ІБ мають різний формат: символьний, числовий, цілочисловий, булевий, дати. Процедури приведення їх до виду, адаптованому для аналізу з використанням обчислювальної техніки, розроблені в [56]. Інформація, що безпосередньо надходить на вхід обчислювального алгоритму, має числовий характер. Таблиці перетворення якісної інформації до кількісного виду наведені у таблицях А.1, Б.1 та В.1 додатків А, Б і В.
має таку формальну структуру (див. табл. В.1 додатку В):
, (2.1)
де ? ідентифікаційний номер ОН, , , ? внутрішні параметри, які характеризують ОН, ? початкова ціна, оголошена продавцем в момент часу , ? ціна, скоригована продавцем в момент часу , ? ціна, за якою ОН продали в момент часу .
Незадоволений попит реєструється в іншій таблиці , яка має таку
структуру:
, (2.2)
де ? бажана ціна, ? поле типу memo, яке містить інформацію про причину незадоволеного попиту. Формування та ведення та з наведеною структурою складають зміст першої та другої задач.
Нехай ? ціна ОН (квартира у багатоповерховому будинку). Вектор екзогенних факторів відповідає полям ІБ. Позначимо ? ціну, за якою було продано -й ОН, ? оцінка вартості ОН, розрахована за ідентифікованою залежністю. Перша задача, у загальному випадку, задача нелінійної багатопараметричної оптимізації, полягає у знаходженні
, (2.3)
де ? кількість записів у ІБ. Очевидно, що задача (2.3) еквівалентна задачі ідентифікації залежності
, (2.4)
або, точніше, ідентифікації залежностей
(2.5)
(2.6)
де і ? ціни продавця та покупця, відповідно.
Ідентифікація функцій оцінки ОН (2.4)?(2.6), як залежностей ціни від екзогенних факторів, дозволить розрахувати вартість об'єкта, визначити чутливість до зміни параметрів, тощо. Відомими методами розв'язання аналогічних задач є метод найменших квадратів [21, 99], методи самоорганізації моделей [32-34] із типовим представником - методом групового врахування аргументів, трендовий аналіз та апроксимація рядами Фур'є [18].
Визначення чутливості ендогенної характеристики (ціни ОН) до зміни
екзогенних факторів полягає у розрахунку коефіцієнтів чутливості [90]:
, , (2.7)
де ? абсолютний коефіцієнт чутливості, ? відносний коефіцієнт чутливості, ? середні значення -го фактора і ендогенної характеристики, відповідно, в певному класі ОН, який визначається аналітиком. Це могла б бути середня величина загальної площі однокімнатної квартири.
Прогнозування РН, значною мірою, залежить від результату розв'язання ще і такої задачі - знаходження тенденцій зміни вартості ОН з часом у залежності від значень певних вхідних факторів та їх композиції, тобто ідентифі-
кації залежностей
, (2.8)
де - -й вектор факторів, динаміку впливу якого на необхідно визначити.
Важливою для аналізу РН є задача загальної кластеризації, яка формулюється таким чином. Нехай , ? ОН, які присутні в ІБ. Кожен ОН характеризують набором значень параметрів . Апріорі аналітиком задається кількість кластерів . Зазвичай . Для формування к