Целью работы являлось создание программного комплекса для экспертной оценки недвижимости по 107 заданным критериям. Задача усложнялась описательным неформализуемым характером ряда параметров, что делало невозможным непосредственное применение традиционных методов оценки и методов, основанных на нейросетевых технологиях. Для преодоления этого ограничения была реализована гибридная экспертная система с нейросетевым модулем оценки.
Оценка недвижимости является одной из наиболее востребованных и, вместе с тем, одной из наиболее сложных задач на рынке интеллектуальных систем оценки и принятия решений. Сложность заключается, во-первых, в большом количестве факторов, влияющих на оценку. Во-вторых, сам характер факторов представляет существенную проблему – некоторые из них довольно сложно формализовать (например, «степень престижности района нахождения объекта», «внешний вид объекта», информацию об истории объекта оценки, анализ местоположения объекта и др.). В-третьих, рынок недвижимости достаточно динамичен, что подразумевает высокую скорость изменения значения параметров оценки с течением времени. В-четвёртых, для формирования обучающих выборок и баз знаний приходится использовать опыт различных оценщиков, что может приводить к противоречивым решениям.
Среди факторов, влияющих на оценку недвижимости, можно выделить следующие:
Каждый из предложенных факторов является многокритериальным. Для учёта ряда критериев, в оценивающую систему были внедрены карты местности (геодезические, экономические и экологическая).
Для преодоления первой и четвертой проблем было решено использовать нейросетевое ядро экспертной оценки. Поскольку нейронные сети оперируют лишь с числовыми величинами, было решено использовать смешанную экспертную систему для формирования числовых значений, соответствующих неформализуемым критериям оценки.
Таким образом, преодоление второй проблемы свелось к формировании числовых значений 13 критериев описательных параметров на основе экспертной базы данных (базы прецедентов) и набора продукционных правил. Для анализа прецедентов была использована простая метрика, основанная на определении степени близости ключевых элементов. Полученные числовые значения передавались в нейросетевое ядро, где обрабатывались совместно с остальными параметрами.
Рис. 1. Структурная схема системы оценки
Ядро системы составляла трёхслойная гетерогенная искусственная нейронная сеть без обратных связей с 107, 90 и 96 тангенциальными нейронами в скрытых слоях соответственно. Обучающая выборка состояла из 2720 примеров, тестирующая выборка включала 453 примеров. Для обучения сети был использован упрощённый алгоритм обратного распространения ошибки Фальмана (SQuickprop), в соответствии с которым, модификация весов производится алгоритму.
,где
и
Здесь E – функция ошибки сети; Wi,j - вес связи между i и j нейронами; Θ - смещение j-го нейрона; t – временной параметр (номер итерации обучения); Ymax - постоянная Фальмана (1.75); η - скорость обучения (0.2).
При оптимизации архитектуры сети применялся алгоритм редукции ЛеКуна, основанный на использовании коэффициента значимости веса
cогласно которому, веса упорядочиваются в соответствии со степенью своей значимости, после чего происходит отсечение весов с наименьшим показателем k. Применение редукции позволило исключить из сети 24 нейрона.
Разработанный комплекс показал высокие результаты, обеспечивая достоверность оценки в 73-85% случаях. Во всех испытаниях гибридная система оценки показала лучшие результаты, чем нечёткая система оценки недвижимости FuzzyExtent. Существенные отклонения в оценке выявлены лишь в 2% случаев.
Оценка недвижимости является одной из наиболее востребованных и, вместе с тем, одной из наиболее сложных задач на рынке интеллектуальных систем оценки и принятия решений. Сложность заключается, во-первых, в большом количестве факторов, влияющих на оценку. Во-вторых, сам характер факторов представляет существенную проблему – некоторые из них довольно сложно формализовать (например, «степень престижности района нахождения объекта», «внешний вид объекта», информацию об истории объекта оценки, анализ местоположения объекта и др.). В-третьих, рынок недвижимости достаточно динамичен, что подразумевает высокую скорость изменения значения параметров оценки с течением времени. В-четвёртых, для формирования обучающих выборок и баз знаний приходится использовать опыт различных оценщиков, что может приводить к противоречивым решениям.
Среди факторов, влияющих на оценку недвижимости, можно выделить следующие:
- История объекта.
- Сведения об изменении формы собственности.
- Сведения о капитальных ремонтах.
- Сведения об исторических и памятных лицах и событиях, связанных с данным объектом.
- Анализ среды местоположения объекта.
- Природные и климатические условия.
- Состояние окружающей среды.
- Анализ местоположения объекта.
- Границы.
- Застроенность окружения.
- Местоположение и транспортная доступность объекта.
- Развитость инженерной инфраструктуры.
- Зонирование и типичное использование окружающей недвижимости.
- Локальное состояние окружающей среды.
- Описание объекта.
- Описание участка земли.
- Описание улучшений.
Каждый из предложенных факторов является многокритериальным. Для учёта ряда критериев, в оценивающую систему были внедрены карты местности (геодезические, экономические и экологическая).
Для преодоления первой и четвертой проблем было решено использовать нейросетевое ядро экспертной оценки. Поскольку нейронные сети оперируют лишь с числовыми величинами, было решено использовать смешанную экспертную систему для формирования числовых значений, соответствующих неформализуемым критериям оценки.
Таким образом, преодоление второй проблемы свелось к формировании числовых значений 13 критериев описательных параметров на основе экспертной базы данных (базы прецедентов) и набора продукционных правил. Для анализа прецедентов была использована простая метрика, основанная на определении степени близости ключевых элементов. Полученные числовые значения передавались в нейросетевое ядро, где обрабатывались совместно с остальными параметрами.
Рис. 1. Структурная схема системы оценки
Ядро системы составляла трёхслойная гетерогенная искусственная нейронная сеть без обратных связей с 107, 90 и 96 тангенциальными нейронами в скрытых слоях соответственно. Обучающая выборка состояла из 2720 примеров, тестирующая выборка включала 453 примеров. Для обучения сети был использован упрощённый алгоритм обратного распространения ошибки Фальмана (SQuickprop), в соответствии с которым, модификация весов производится алгоритму.
,гдеиЗдесь E – функция ошибки сети; Wi,j - вес связи между i и j нейронами; Θ - смещение j-го нейрона; t – временной параметр (номер итерации обучения); Ymax - постоянная Фальмана (1.75); η - скорость обучения (0.2).
При оптимизации архитектуры сети применялся алгоритм редукции ЛеКуна, основанный на использовании коэффициента значимости веса
cогласно которому, веса упорядочиваются в соответствии со степенью своей значимости, после чего происходит отсечение весов с наименьшим показателем k. Применение редукции позволило исключить из сети 24 нейрона.
Разработанный комплекс показал высокие результаты, обеспечивая достоверность оценки в 73-85% случаях. Во всех испытаниях гибридная система оценки показала лучшие результаты, чем нечёткая система оценки недвижимости FuzzyExtent. Существенные отклонения в оценке выявлены лишь в 2% случаев.