гибридная система оценки недвижимости

В.В. Аюев, С.В. Рыбкин

Калужский филиал МГТУ имени Н.Э. Баумана

Россия, 248600, Калуга, ул. Баженова, д.4

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:

1. История объекта.

1.1. Сведения об изменении формы собственности.

1.2. Сведения о капитальных ремонтах.

1.3. Сведения об исторических и памятных лицах и событиях, связанных с данным объектом.

2. Анализ среды местоположения объекта.

2.1. Природные и климатические условия.

2.2. Состояние окружающей среды.

3. Анализ местоположения объекта.

3.1. Границы.

3.2. Застроенность окружения.

3.3. Местоположение и транспортная доступность объекта.

3.4. Развитость инженерной инфраструктуры.

3.5. Зонирование и типичное использование окружающей недвижимости.

3.6. Локальное состояние окружающей среды.

4. Описание объекта.

4.1. Описание участка земли.

4.2. 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

,

где

и

.

Здесь E – функция ошибки сети; - вес связи между i и j нейронами; - смещение j-го нейрона; t – временной параметр (номер итерации обучения); - постоянная Фальмана (1.75); - скорость обучения (0.2).

При оптимизации архитектуры сети применялся алгоритм редукции ЛеКуна, основанный на использовании коэффициента значимости веса

,

согласно 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.