Главная Недвижимость Квартиры Ипотека Земля и земельные участки Коттеджы Контакты
 
 

Оценка стоимости земельного участка, зданий, сооружений

Целью оценки является определение оценочной стоимости вероятной цены, за которую может быть продан земельный участок или недвижимость (с учетом существующих условий и ограничений) на дату оценки.
Рассмотрим данную проблему через призму технологии нейросетей, нечетких множеств и генетических алгоритмов. Такие подходы являются первой попыткой решения проблемы в отечественном землепользовании.
Теоретическая база нейросетевых технологий это отрасль искусственного интеллекта. Ее популярность объясняется прежде сходством с работой биологических нейронных систем, в частности головного мозга человека. Доказано, что искусственная нейронная сеть способна точно аппроксимировать практически произвольную функцию переменных, в том числе и сильно нелинейную. Любую математическую модель можно создавать, согласно концепции строения нейрона.
Для определения реальной стоимости земельного участка, дома и т.д. с помощью нейросетевых технологий необходимо прежде составить базу данных тех продаж, которые уже произошли за определенный промежуток времени. Очевидно, в каждом конкретном случае набор входных показателей, влияющих на стоимость объекта, может быть разнообразным, в зависимости, например, от района, где происходит оценка. Спустя выполняется первоначальное обучение нейронной сети, которая согласно этим данным формирует свои внутренние правила, отражающие влияние каждого из указанных факторов на реальную рыночную стоимость объекта. В дальнейшем количество входных параметров можно уменьшить, если становится известно, что некоторые из них мало влияют на исходную стоимость. Для этого в современных нейросетях предусмотрен специальный аналитический блок. После этого происходит окончательное обучения нейросети и, в дальнейшем, для того чтобы оценить любой из объектов, достаточно подать на вход обученной нейросети его параметры и тут же получить на выходе его стоимость. В зависимости от рыночных тенденций нейронную сеть можно "донавчаты" на примерах оценочной стоимости земельных участков, с целью адаптации системы к новым условиям. Для этой цели следует разработать нейросетевых пакет, который реализован, например, в виде ActiveX компоненты как надстройки к электронным таблицам Microsoft Excel 97. Авторами работы такой пакет создан. В нем реализованы два высокоэффективные адаптивные алгоритмы обучения багатоверствои нейронной сети Resilient Propagation i Scaled Conjugate Gradient Method. В указанной работе рассмотрен пример, демонстрирующий технологию оценки недвижимости с помощью рассматриваемого пакета. С рекламной прессы было выбрано 176 записей о продажные цены на жилую недвижимость в совокупности с ее параметрами. Для создания нейросетевых моделей были выбраны следующие параметры для входов нейросети: количество комнат, общая площадь, площадь, площадь кухни, этаж, количество этажей в доме, наличие телефона, лифта, тип санузла (совмещенный, раздельный). Выходом для заданной модели является цена. Рассматривалась недвижимость общей площади до 100 кв.м. и ценой в 30000 $. Исходные данные были размещены на листе Excel и спустя нормализованы. Для отображения качественных характеристик квартир, таких как тип санузла и количество комнат, использовались отдельные дискретные входы с значениями 0 или 1. Обучение производилось с помощью алгоритма Scaled Conjugate Gradient и продолжалось около трех минут (Pentium 233? 48 Mb RAM, Windows NT 4,0 / SP4). Погрешность нейросети после обучения составила 2,315. 10-3. Согласно этому примеру точность оценки в среднем колеблется в пределах 50-100 $, что во многих практических случаях вполне достаточна. Для совершенствования этой оценочной модели необходимо добавить в исходную таблицу другие, влияя на цену факторы, такие как: тип района, тип строения, год постройки и т.д.. Для учета рыночных тенденций необходимо подать на входы значения коэффициентов инфляции за некоторый прошлый период времени, динамику курса доллара и другие индикаторы, характеризующие состояние и динамику рынка недвижимости.
При отсутствии четкой базы знаний следует использовать модели аппроксимации нелинейных объектов согласно лингвистическими выражениями.

1  2  3  
 
 
2008-2009 www.yar-sn.ru
Материалы на сайте собраны из открытых и бесплатных источников или присланы нам посетителями сайта.
Все права на них принадлежат их авторам.
Все замечания и пожелания присылайте через форму обратной связи

Rambler's Top100