Нейромережеве прогнозування ринку нерухомості у кризових умовах

Размещено на http://www.allbest.ru/

Нейромережеве прогнозування ринку нерухомості у кризових умовах

Постановка проблеми. В умовах сьогодення ринок нерухомості перебуває не у кращому стані. Це є впливом економічної кризи, що склалася у межах держави, нестійким попитом, що є наслідком цього, та нестабільною пропозицією. На сьогодні питання прогнозування ринку нерухомості для багатьох є актуальним питанням, що потребує досліджень та інновацій. Аналітична робота у сфері нерухомості складна та багатогранна, що вимагає дослідження методологій у підходах та правилах інтерпретації даних і алгоритму вироблення рекомендацій.

На сьогодні, в умовах зростання соціальної інфраструктури, ділової активності, потреб забезпеченості житлом, недостатність аналітичних оцінок у рамках ринку нерухомості є прямим чинником впливу на територіальний розвиток, що, водночас, приводить до більшості криз місцевих громад.

Упродовж останніх кількох років, на основі програми розвитку державного регулювання ринку нерухомості діє методика формування інформаційної бази. В її основу закладено отримання інформації про ринок нерухомості, житловий фонд, ринок будівельних матеріалів та ін. Проте ця методика є доволі складною та потребує вдосконалення. Тому проблема прогнозування ринку нерухомості є актуальною в умовах сьогодення.

Ступінь дослідження в науковій літературі. Фундаментальну основу в розвитку теорії нейрокомп'ютинга і його застосування у фінансовій сфері склали вчені країн Заходу і США. Це насамперед: Д-Е. Бестенс, Ван ден Берг [1],

B. E. Rummelhart, G.E. Hinton, R.G. Williams [2], R.B. Berrens, M. McKee [3], J.B. Ramsey [4], D.F. Specht [5] та ін. До вітчизняних вчених варто віднести: А. Єжова [6], Б. Одинцова, А. Романова, С. Шумського, В.А. Бившего, А.І. Богомолова, В.І. Костюніна [7] та ін., котрі розробляють і впроваджують нейроме- режеві технології у галузі економіки.

З методологічної точки зору, моделювання динаміки макроекономічних показників у площині статистичного моделювання і прогнозування вивчено вітчизняними авторами, зокрема Г.М. Стерніком [8], Ж. А. Морозовою [9]. Механізм побудови класифікацій методів прогнозування та методик прийняття рішення про вибір оптимального методу прогнозування досліджено у роботах таких науковців, як H. Wittkemper, M. Steiner [10] та ін.

Мета роботи. Здійснити прогнозування ринку нерухомості у кризових умовах за допомогою нейромережі. Навести схематичний процес навчання нейромережі. На підставі даних про об'єкти нерухомості провести навчання нейромережі. Застосувати методи математичної статистики, засновані на сукупності певних правил для точних цифрових даних узагальненого характеру.

Виклад основного матеріалу. На сьогодні, у рамках сформованої ситуації на Сході України, і наслідків, що спричинили крах української економіки, прогнозування ринку нерухомості є досить актуальною проблемою. На основі проведеного дослідження методологічної бази прогнозування ринку нерухомості [8, 9] на перше місце виходить багатофакторне прогнозування - нейронне моделювання. Цей метод моделювання заснований на багатофакторній моделі нейронних мереж. В основу цього методу покладено структурний апарат, що має у своєму складі шість окремих параметрів, які певною мірою взаємопов'язані. Перший - це таблиця, вона містить певний склад індикаторів стану ринку по всіх його сегментах, який визначається на основі даних про об'єкти нерухомості (площа, термін введення в експлуатацію, якість, місце розташування).

Комірка дискретної моделі - це дані по одному конкретному сегменту у локальному ринку нерухомості. Ще одним, не менш важливим параметром, є просторова вісь, що визначає для кожної конкретної комірки її індивідуальне місце розташування або ж його адресу.

Параметр комірки описує безпосередньо набір даних про ціну як максимальну, так і мінімальну, про загальну кількість об'єктів, що потрапили у зону вибірки, про коливання ціни даного сегмента, про статистичні параметри попиту та пропозиції. Так само є таке поняття як набір комірок, це насамперед визначений шар із загальної картини, тобто якийсь набір комірок, схожих за вибірковими даними. В основі описаної моделі знаходиться штучні нейронні мережі, це свого роду програмно-апаратні реалізації математичних моделей, в основі побудови яких лежить принцип мереж нервових клітин живого організму.

Нейронна мережа - це безліч нейронів, зв'язки між якими задаються ваговими коефіцієнтами. Водночас, нейрон - це структурно-функціональна одиниця, яка реалізує операцію нелінійного перетворення суми вхідних сигналів на вагові коефіцієнти [1]. Важливим моментом є можливість штучних нейронних мереж піддаватися навчанню. Основою навчання є налаштування її вагових зв'язків для ефективного виконання конкретного завдання, а також топології.

Навчання нейромережі в рамках прогнозування ринку нерухомості у кризових умовах ґрунтується на послідовній генерації за певною процедурою вхідних векторів з одночасним підстроюванням ваг, щоб внаслідок роботи нейромережа для певної множини входів надавала бажану безліч виходів. Головною метою навчання мережі є максимальна мінімізація помилки у процесі формування виходів із заданих входів у нейронну мережу. Загальний алгоритм навчання нейронних мереж для успішного прогнозування ринку нерухомості складається з низки періодів, що взаємодіють поетапно у процесі навчання

нейромережа прогнозування ринок нерухомість

Рис. 1. Навчання нейронних мереж для успішного прогнозування ринку нерухомості. Поетапна структура (розробка автора на основі джерел [1, 5])

На першому етапі відбувається навчання першої безлічі мереж. На другому відбувається тестова вибірка і власне прогноз на третій етап, який полягає в утворенні регресійної моделі ув'язки прогнозів відібраних мереж з фактичними даними. Четвертий етап формує фактичні дані для порівняння з третім. У разі виявлення певних розбіжностей відбувається донавчання мереж, з першого ж по третій етапи відбувається початкове або базове навчання. Так само четвертим етапом формується прогноз на п'ятий етап. І так далі, процес триває до моменту повного навчання мережі.

Для нейромережевого прогнозування ринку нерухомості у кризових умовах необхідно створити зведену таблицю з даними про об'єкти нерухомості (рис. 2).

Таблиця

Рис. 2. Дані про об'єкти нерухомості

Схематичний процес навчання нейромережі зображено на рис. 3.

Рис. 3. Схематичний процес навчання нейромережі (розробка автора на основі джерел [1, 6])

На підставі даних про об'єкти нерухомості відбувається навчання нейро- мережі, при завданні параметрів навчання на вхід мережі подаються всі значення параметрів комірок, що входять у перший шар. А на виході отримаємо такий цільовий параметр, значення якого буде відомо тільки надалі. Таким чином, маємо модель навчання, в якій число входів буде дорівнювати кількості комірок, які увійшли в один шар, помноженому на кількість параметрів, а число виходів дорівнює кількості комірок в одному шарі. Отже, під час оброблення даних про об'єкти нерухомості отримаємо чотири нейронні мережі, навчання яких пройде на однаковому наборі початкових даних з рис. 2, проте спосіб введення даних буде значно відрізнятися згідно з параметрами. Під час проведення навчання на виходах мереж деякі дані будуть збігатися, це результат збігу вторинних параметрів.

Важливо зазначити, що цей метод прогнозування ринку нерухомості у кризових умовах передбачає прогнозування, за якого нейронна мережа є проміжним етапом аналізу. У представленій моделі дані на виході нейронних мереж - це сукупність прогнозів по кожній комірці.

Тобто для точних цифрових даних узагальненого характеру є потреба застосування методів математичної статистики, заснованих на сукупності певних правил, а саме регресійного аналізу

/(X*) = Е(у |X-X*),(1)

де: Еу - математичне очікування випадкової величини у, а Е(у | X*) - умовне математичне очікування випадкової величини у, обчислене за умови, що значення пояснюючих змінних Х зафіксовані на рівні Х*.

Загальний результат нейромережевого прогнозування ринку нерухомості у кризових умовах представлено у табл. 1.

Табл. 1. Нейромережеве прогнозування ринку нерухомості у кризових умовах

Виходячи з отриманих даних, із застосуванням методів математичної статистики, отримаємо результат прогнозування у числовому еквіваленті (табл. 2). Загальний прогноз з нейромережевого прогнозування ринку нерухомості у кризових умовах здійснюємо шляхом множення значення детермінації на кожне індивідуальне значення, отримане на основі результату нейромереже- вого моделювання з табл. 1. Отримаємо результат (табл. 3).

Табл. 2. Результат прогнозування із застосуванням методів математичної статистики