Нейромережева технологія аналізу і прогнозування процесів на ринку нерухомості

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Нейромережева технологія аналізу і прогнозування процесів на ринку нерухомості

Автореферат

дисертації на здобуття наукового ступеня кандидата технічних наук

Загальна характеристика роботи

Актуальність теми. Сучасний стан ринку нерухомості є зменшеною копією стану української економіки в цілому. Поступово закінчується період швидкого накопичення капіталу із його надприбутками і відбувається перехід до суспільства, в якому значна частина фінансових потоків продукується сферою інформаційних технологій. Зменшення норми прибутку викликає інтерес до вивчення ринку, його суб'єктів, структури і механізмів функціонування, причин і наслідків прийняття рішень. Зростає необхідність у використанні інформаційно-аналітичних методів прогнозування ситуації і передбачення майбутніх сценаріїв розвитку, які потрібні для потенційних інвесторів, органів державного управління з метою прийняття стратегічних рішень з розвитку бізнесу та удосконалення механізмів функціонування ринку.

Впровадження сучасних технологій в інформаційно-аналітичній інфраструктурі обслуговування клієнтів передбачає, насамперед, оптимізацію поведінки суб'єктів ринку нерухомості і забезпечення досягнення ними своїх цілей. Методи аналітичної обробки даних дозволять отримати інформацію про максимально можливу вартість об'єкта для продавця, забезпечити здійснення покупки за мінімальну ціну, збільшити прибуток за рахунок скорочення часу операцій продажу, збільшення кількості клієнтів і покращення якості обслуговування.

Розробка та застосування інформаційно-аналітичного забезпечення процесів на ринку нерухомості зумовлено необхідністю внесення порядку в його структурну та елементну базу, що дасть можливість проведення цілеспрямованої державної політики. На актуальність цієї діяльності вказують також нормативні акти Кабінету Міністрів, Закон України «Про іпотеку» та Указ Президента України, в якому запроваджується безвідсоткове кредитування державних службовців на придбання житла.

Вітчизняні та зарубіжні вчені досягли значних результатів у розв'язанні задач аналізу складних систем, однією з яких є ринок нерухомості, а також у прогнозуванні майбутніх сценаріїв їх розвитку. Зокрема, у роботах В.М. Глушкова, М.М. Моісєєва, М.З. Згуровського, Ю.П. Зайченка, Е.А. Трахтенгерца, А.І. Галушкіна, Н.Д Панкратової, А.А. Тимченка, Ю.М. Теслі, Г.М. Стерника, Т. Кохонена, Т. Сааті, Д. Голдберга розроблені моделі та методи ідентифікації та прогнозування процесів у динамічних системах.

Аналіз широкого спектру задач, які розв'язуються суб'єктами ринку нерухомості, та динаміки впливу зовнішнього середовища на ринкові процеси як об'єктивного, так і суб'єктивного характеру вказує на необхідність концептуальної перебудови інформаційного обслуговування та аналітичного забезпечення. Значна потужність множини початкових даних, їх різнотипність, суб'єктивний характер походження, врахування можливості форс-мажорних обставин та ймовірності їх виникнення, визначення міри відповідного реагування з метою мінімізації збитків не дають можливості адекватного аналізу інформації в рамках традиційних статистичних та інтегро-диференціальних методів. Необхідність підвищення достовірності, точності і своєчасності інформації для аналізу процесів на ринку нерухомості та ефективного управління на базі методів самоорганізації та нейромережевих парадигм зумовила актуальність дисертаційного дослідження. Вказані методи є складовими сучасної теорії штучного інтелекту, вони є значимими при створенні експертних систем, що базуються на знаннях, та їх оптимізації.

причому відображення «зліва-направо» відповідає етапу аналізу, навпаки - синтезу (прогнозування). Визначено ієрархію задач, які розв'язуються на ринку нерухомості. Сформовано структурно-логічну схему дослідження, в якій відображено етапи виконання дисертаційної роботи.

У другому розділі «Методичні аспекти та вибір методів дослідження процесів на ринку нерухомості» виконано формалізовані постановки задач аналізу ринку нерухомості, здійснено порівняння розвязків задачі ідентифікації оцінки вартості обєктів нерухомості класичними методами та запропоновано методику дослідження на основі використання нейромережевих парадигм.

Визначено випадки, коли використання нейромережевих технологій дає обгрунтовану перевагу перед використанням інтегро-диференціальних методів. Розроблено структуру двох інформаційних банків: пропозиції та незадоволеного попиту :

, (2)

де ідентифікаційний номер об'єкта нерухомості (ОН), , , внутрішні параметри, які характеризують ОН, початкова ціна, оголошена продавцем в момент часу , ціна, скорегована продавцем в момент часу , ціна, за якою ОН продали в момент часу ;

, (3)

де бажана ціна, поле типу memo, яке містить інформацію про причину незадоволеного попиту.

Виконано формалізовані постановки задач, які розв'язуються на РН. Нехай реальна ціна ОН, тобто ціна, за якою ОН може бути продано у визначений термін. Вектор вхідних факторів відповідає полям . Перша задача, у загальному випадку, задача нелінійної багатопараметричної оптимізації, полягає у знаходженні

, (4)

де кількість записів у (2), реальні ціни ОН із , функціональна оцінка залежності ціни від вхідних факторів, знаходження якої еквівалентно задачі ідентифікації залежності

(5)

Спорідненими до (4) є задачі визначення чутливості ендогенної характеристики (ціни ОН) до зміни вхідних факторів, які полягають у розрахунку абсолютних та відносних коефіцієнтів чутливості:

, , (6)

де середні значення -го фактора і ендогенної характеристики, відповідно, в певному класі ОН, який визначається аналітиком.

Встановлено, що прогнозування РН залежить від розв'язку задачі - знаходження тенденцій зміни вартості ОН з часом у залежності від значень вхідних факторів та їх композиції, тобто ідентифікації залежностей

, (7)

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 . Кожен ОН характеризують набором значень параметрів . Аналітиком задається кількість кластерів , кластери позначаємо . Зазвичай, і , . Задача кластеризації полягає у пошуку функції , яка визначає номер класу по індексу та мінімізує суму мір близькості:

(8)

за умови:

(9)

де кількість ОН в -му кластері,

Якщо ж значення -го фактора є постійним, то умова (9) є такою:

. (10)

Ефективне функціонування РН визначається правильністю розв'язку задачі ідентифікації залежностей

(11)

і пошуку точки рівноважної ціни , яка визначається рівністю

(12)

при виконанні умови, що де константа, кількість однотипних ОН, куплених на РН, кількість ОН, що пропонуються на РН. Розвязання задачі (12) дозволить максимально врахувати інтереси субєктів РН і здійснювати продаж ОН за мінімальний час.

Для суб'єктів РН існує дві проблеми, першою з яких є збіжність допустимих областей запропонованих цін (продавцем і покупцем), другою - мінімізація часу операції (продажу одного ОН). Ефективним механізмом їх вирішення є розробка технології аналізу РН та створення інформаційно-аналітичного забезпечення, за допомогою якого визначатиметься компромісна ціна.

Для розв'язку задачі (4) та ідентифікації (5) використано метод найменших квадратів (модель - лінійна множинна регресія), метод Брандона (нелінійна множинна регресія), методи групового врахування аргументів (модель - поліном). Аналіз їх результатів на внутрішніх та зовнішніх точках досліджуваної області показав низьку точність ідентифікованих залежностей, що пояснюється використанням для їх одержання модифікацій методу найменших квадратів та, як наслідок, необхідністю дотримання певних вимог, які ведуть до невиправданого спрощення моделі, суб'єктивізмом оцінки ОН та різнотипністю його параметрів. Тоді застосування нейронних мереж для розв'язання (4) - (5) є обгрунтованим, оскільки відомо, що для них немає жодних застережень щодо вихідної інформації. Необхідною є лише її попередня формалізація. В дисертаційному дослідженні визначено основні класи факторів у відповідності до областей їх значень: , ={Один із декількох}, ={«Декілька із багатьох»}, ={«Число»}, ={«Інтервал»}, ={«Нечіткий інтервал»}, ={«Слово»}, = {«Пропозиція»}.

У третьому розділі «Моделі та методи нейромережевого аналізу і прогнозування тенденцій ринку нерухомості» запропоновано моделі процесів на ринку нерухомості та розроблено методи їх дослідження.

В результаті попереднього аналізу встановлено, що для розвязання задачі ідентифікації найбільш ефективними є прямозвязні мережі із ітераційним навчанням, що базується на градієнтних методах, та мережа із радіально-базисними функціями активації. Недоліком останньої є низька точність апроксимації у точках, які знаходяться поза областю навчання та складність визначення «ширини» вікон активаційних функцій. Мережам із градієнтними методами навчання властиві проблеми «паралічу» та влучання в локальні оптимуми, що є особливо актуальним для аналізу РН, оскільки оцінка ОН є значною мірою субєктивізованою і визначається, найчастіше, в залежності від оптимальних значень одного-трьох факторів. Збалансована оцінка вартості ОН розраховується в результаті розвязання задачі ідентифікації (5), (7), (11). Для цього вибрано метод, який базується на стохастичній релаксації мережі і є, значною мірою, вільним від вказаних проблем. Разом із тим, швидкість збіжності для машини Больцмана та машини Коші, які є традиційними представниками нейронних мереж із стохастичним алгоритмом навчання, є досить низькою, що в умовах значної кількості факторів, потужної інформаційної бази та необхідності оперативного перенавчання визначена критичною. Крім того, у них процес навчання є послідовно-ітераційним для всіх наявних образів, що збільшує час навчання за рахунок більшої кількості обчислень для досягнення потрібної точності.

В дисертаційній роботі розроблено модифікований метод стохастичної релаксації, згідно із яким із випадковим чином відібрано 5% записів до перевірочної послідовності, інші записи розділено на дві послідовності: навчальну і контрольну у певному співвідношенні. Нехай функція нормального розподілу, функція розподілу Коші. Модифікований алгоритм методу стохастичної релаксації є таким:

Крок 1. Задати початкове, заздалегідь велике значення температури і точність результату .

Крок 2. Згенерувати рівномірно розподілені на інтервалі (0, 1) матриці значень вагових коефіцієнтів Нехай

Крок 3. Подати на вхід мережі -й навчальний образ і всі контрольні образи та обчислити значення функції енергії і , відповідно.

Крок 4. Змінити значення вагового коефіцієнта на рівномірно розподілену в (0, 1) величину .

Крок 5. Подати на вхід мережі -й навчальний і всі контрольні образи та обчислити значення функції енергії і .

5.1. Якщо і , то зміну вагового коефіцієнта зберегти.

5.2. Якщо і , то зміну скасувати.

5.3. Якщо і , то генеруємо рівномірно розподілене на (0,1) випадкове число та знаходимо . При виконанні нерівності зміну вагового коефіцієнта зберігаємо, у протилежному випадку значення вагового коефіцієнта залишаємо незмінним.

5.4. Якщо і , то процедура зміни значення вагового коефіцієнта аналогічна п. 5.3, лише використовується функція .

Крок 6. Якщо подані всі навчальні образи, то розрахувати значення цільової функції на всіх навчальних і контрольних образах. Якщо , то перейти на крок 9.

Крок 7. Якщо здійснено перебір усіх вагових коефіцієнтів із матриць і , зменшити значення температури, . Перейти на крок 3.

Крок 8. В якості взяти наступний ваговий коефіцієнт із або і перейти на крок 4.

Крок 9. Кінець.

Запропонований алгоритм майже унеможливлює виникнення традиційних для НМ із градієнтними методами навчання проблем із попаданням у локальні мінімуми функції енергії і «паралічем» мережі. Результати його реалізації за різних початкових умов показали те, що абсолютні відхилення середньоквадратичних похибок на точках перевірочної послідовності не перевищували 1,2%, що свідчить про знайдений глобальний квазіоптимум цільової функції. При поділі даних використано ранжирування початкових образів за величиною дисперсії і вибір у навчальну послідовність образів з більшою дисперсією, а в контрольну з меншою. Таким чином, навчальні образи виявляються більш рівномірно розподіленими по області навчання і мають більшу ентропію, ніж контрольні образи, які є зосередженими, як правило, біля її центра. Використання двох послідовностей при навчанні нейронної мережі дозволяє більш ефективно розвязувати задачу прогнозування у внутрішніх та зовнішніх точках області навчання. Такий варіант дозволив також збільшити швидкість навчання мережі при збереженні якості.

В дисертаційній роботі встановлено фактори, які не суттєво впливають на результати аналізу і прогнозування процесів на РН. Для їх зменшення запропоновано процедуру самоорганізації інформаційного банку, яка полягає у вилученні незначущих факторів і в якості базового елемента має розв'язки задачі кластеризації ОН. Останні одержуються з використанням самоорганізуючої мережі Кохонена. Для перевірки значущості факторів кластеризуємо образи із таблиці початкових даних при різних значеннях кількості кластерів . Низька кореляція значень фактора із номером кластера свідчить про його незначущість і відсутність впливу на формування кластеру. Кожному образу поставлено у відповідність число - номер класу, тобто виконано відображення:

, (13)

де номер образу, кількість кластерів. Далі знаходимо кореляційну матрицю таких векторів:

(14)

З усієї матриці для подальшого аналізу будуть потрібні лише елементи , . Знайдемо суми їх абсолютних значень по стовпчиках

. (15)

Для формування вектора значущих факторів особа, яка приймає рішення, повинна задати деяке додатне число і вилучити всі фактори, відповідні значення яких . У відповідності до теорії самоорганізації моделей таким чином відбувається скорочення області моделювання, виконується крок до одержання моделі (нейронної мережі) оптимальної складності та підвищується її завадостійкість. Доцільність застосування такої методики пояснюється необхідністю скорочення кількості факторів, які використовуються для визначення вартості ОН, адже переважна більшість їх є лінійно залежною. Певна частина факторів суб'єктивізована, має стохастичний характер із значеннями з нульовим математичним сподіванням та є джерелом шумових ефектів і, як наслідок, заважає встановленню «об'єктивної» ціни на ОН.

Реалізація домінуючого принципу свободи вибору супроводжується збільшенням кількості обчислень для одержання оптимального набору факторів. Запропонована процедура, у значній мірі, є вільною від вказаних недоліків. Найбільш ефективне її застосування можливе за умов наявності великої кількості факторів, більшість із яких є лінійно залежними, та мінімізації свободи вибору, яка обмежується вибором константи . Ще однією перевагою є паралельне розвязання задачі кластеризації РН та його сегментації.

Запропоновано процедуру поділу ОН на ті, які становлять інтерес для суб'єктів РН та інші. Для цього формуємо репрезентативну вибірку та визначаємо належність до цих класів випадковим чином вибраних представників. За допомогою мережі LVQ (Learning Vector Quantization) виконано класифікацію ОН, вказавши співвідношення потрібних ОН до всіх інших та ОН-еталонів, визначаємо множину ОН потрібного класу. Ця процедура допускає також визначення належності до такого класу певного ОН. На відміну від традиційних SQL-запитів значно скорочується кількість обчислень при визначенні записів інформаційного банку, які відповідають вимогам клієнтів, адже для цього потрібно перевіряти всі записи на відповідність кожного поля певному критерію. За розробленою процедурою достатньо навчити нейронну мережу класифікувати ОН на еталонних образах, а далі використовувати її для визначення належності певним класам всіх ОН. LVQ-мережа є ядром інформаційно-аналітичної системи і грає визначальну роль при наданні консультативних послуг суб'єктам РН.

Аналіз РН як складної системи був би неповним без дослідження впливу особливостей зовнішнього середовища і процесів, які в ньому відбуваються. Врахування характерних ознак району, міста, регіону та макроекономічної ситуації в країні є доцільним при визначенні ціни ОН. Необхідність цього визначається тим, що згідно із законом великих чисел при аналізі інформаційного банку значного обсягу особливості окремих ознак нівелюються і усереднюються, що значно зменшує точність прогнозування. Крім того, реалізація можливості визначення впливу зовнішніх факторів дозволить зробити інформаційно-аналітичну систему аналізу та прогнозування РН масштабованою та мобільною. В дисертаційному дослідженні виконана класифікація факторів, які характеризують район , місто , регіон , макроекономічні умови в країні , які визначаються експертами і представлені лінгвістичними змінними. З урахуванням вказаних факторів задача ідентифікації (5) уточнюється і є задачею ідентифікації

, (16)

де вектор коефіцієнтів, час. Для її розвязання запропоновано використати модифікований алгоритм стохастичного навчання нейронної мережі.

Розроблено процедуру визначення рівноважної ціни ОН, для чого запропоновано використати дві прямозв'язні нейронні мережі із модифікованими алгоритмом стохастичної релаксації. Вихідною інформацією є дані з та , що містять лише значущі фактори у числовому форматі. Одним з основних полів таблиць є фактор часу , де - кількість періодів, протягом яких здійснювався моніторинг ціни на ОН. Тоді нейронні мережі здійснюють ідентифікацію перетворень:

 (17)

(18)

де вектор значущих компонентів вектора , ціни куплених та проданих однотипних ОН.

Пошук рівноважної ціни здійснюємо за таким алгоритмом:

Серед всіх факторів визначимо значущих для суб'єкта РН, тобто .

Зробивши аналіз записів у базі даних, для яких , знайдемо мінімальні і максимальні значення неосновних факторів, тобто і , .

Подати на вхід навчених нейронних мереж вектори значень і і визначити мінімальні і максимальні ціни для покупця і продавця.

Якщо інтервали і не перетинаються, то визначення рівноважної ціни або неможливе, або вимагає додаткових досліджень. Якщо ж інтервали перетинаються, то міра їхнього перетину вказує на рівноважну ціну, і задача розв'язана.

У четвертому розділі «Програмно-алгоритмічне забезпечення процесів експертного аналізу ринку нерухомості та експериментальна частина досліджень» розроблено структуру, принципи функціонування інформаційно-аналітичної системи (ІАС) аналізу та прогнозування ринку нерухомості, проведено аналіз її ефективності та розроблено процедури інтерпретації результатів.

В основу розробки ІАС покладено принципи комплексності, стандартизованості, багаторівневості, гнучкості, багатоваріантності, доступності та відкритості, системної та інформаційної єдності. У відповідності до цих принципів визначено єдиний інформаційний елемент, яким є комірка проектування, що має складовими п'ятірку елементів:

, (19)

де множина початкових даних, множина обмежень, одержаний розв'язок задачі або проектне рішення, критерій його оцінки, сукупність методів, процедур, алгоритмів, за допомогою яких здійснюється перетворення

Інформаційно-аналітична підсистема ІАС призначена для надання аналітичних послуг суб'єктам РН і дозволяє класифікувати ОН за заданими еталонами (центрами класів, що задаються експертами); визначати тенденції зміни цін на однотипні ОН; визначати пріоритетні фактори і міру їх впливу на ціну ОН; знаходити еталон в класі, якому належить ОН; розрахувати діапазон, в якому може бути продано ОН (песимістична ціна - оптимістична ціна); визначити тенденції зміни ціни однотипних ОН за різними факторами та розв'язувати супутні задачі.

Запропонована технологія є ефективною при використанні у клієнт-серверній архітектурі, при знаходженні бази даних на сервері, а програмно-аналітичного забезпечення на робочій станції. Її використання значно зменшує час оцінки об'єкта та інформаційного супроводу його продажу і дозволяє державним органам управління прогнозувати тенденції та напрямки розвитку РН, будівельним організаціям планувати структуру виробництва, агентствам нерухомості вивчати перспективи РН, продавцям та покупцям РН задовольняти інформаційні потреби.

В дисертаційному дослідженні розроблено структурно-логічну схему ІАС, вказано на функціональну наповненість модулів системи, визначено особливості реалізації кожного із них та встановлено схему інформаційних потоків. На базі розробленої технології дослідження РН ІАС дозволяє реалізувати таку стратегію аналізу та прогнозування:

У відповідності з цілями дослідження здійснювати синтез моделі, вибір інформаційного базису, констант та методів дослідження.

При оцінці одержаних результатів згідно критеріальних функцій здійснювати аналіз ефективності алгоритмів, які використовувались, і при необхідності здійснювати корекцію моделі, настройку коефіцієнтів та вибирати альтернативні моделі та методи аналізу.

При функціонуванні ІАС здійснювати інтерактивну взаємодію із користувачем, необхідність якої може бути викликана особливістю моделювання НМ, можливістю їх паралічу та іншими причинами.

Згідно принципу інформаційної єдності здійснювати наскрізне супроводження процесу обробки даних з протоколюванням та видачею головних проміжних результатів у файл.

Здійснювати ідентифікацію законів зміни значень факторів, аналіз та прогнозування.

Зменшувати апріорну ентропію вихідних даних за рахунок попередньої обробки даних, в т.ч. і нейромережевими методами.

Здійснювати верифікацію одержаних результатів з використанням альтернативних методів дослідження.

Забезпечувати можливість функціонування відкритої архітектури ІАС, що пов'язано із постійним розширенням спектру задач на РН.

Наведено результати роботи ІАС з розв'язання задач кластеризації та самоорганізації інформаційного банку, точність результату внаслідок виконання процедури самоорганізації є вищою на 2,6%. Використання для навчання НМ модифікованого алгоритму стохастичної релаксації дозволило зменшити середнє абсолютне відхилення табличних значень ціни ОН від розрахованих за допомогою НМ, одержане на точках перевірочної послідовності (45 образів), до 0,05-0,98%, у залежності від співвідношення кількості точок у навчальній та контрольній послідовностях, що в середньому удвічі менше, ніж для градієнтних методів навчання, і у 8-10 раз менше, ніж для інтегро-диференціальних методів. Результати функціонування нейронної мережі із модифікованим алгоритмом стохастичної релаксації порівнювались із результатами роботи мереж з класичним алгоритмом оберненого поширення похибки, алгоритмом Левенберга-Маркуарда, алгоритмом спряжених градієнтів, мережі зустрічного поширення та мережі із радіально-базисними функціями активації Швидкість навчання НМ із модифікованим алгоритмом стохастичної релаксації, в середньому, удвічі більша, ніж для градієнтних методів при відсутності попередньої підготовки початкових даних, що з надлишком компенсується точністю та відсутністю проблеми «паралічу» мережі. Якщо така підготовка виконана, то швидкості алгоритмів є порівняними, враховуючи проблеми із реалізацією градієнтних методів.

Визначено оптимальний варіант сегментації місцезнаходження об'єктів нерухомості, що дозволило скоротити кількість факторів та підвищити точність ідентифікації функції оцінки. Розроблено та верифіковано метод її уточнення шляхом урахування зовнішніх факторів.

Висновки

В дисертаційній роботі наведено теоретичне узагальнення і нове розв'язання наукової задачі розробки моделей та методів аналізу і прогнозування ринку нерухомості на базі нейромережевої технології, що, відповідно до мети і задач дослідження, відображено в наукових результатах:

Виконано системний аналіз ринку нерухомості як складної цілеорієнтованої системи, визначено його структуру та функції, встановлено тенденції розвитку в останні роки, що дозволило виконати структуризацію ринку нерухомості та визначити аспекти його функціонування.

Виявлено особливості моделей і методів дослідження ринку нерухомості, порівняно інструментальні розробки, які функціонують на вітчизняних та зарубіжних ринках. Їх аналіз засвідчив використання, переважно, статистичних методів аналізу та дослідження динаміки процесів, що є недостатнім для надання інформаційно-консультативних послуг.

Виконано формалізовані постановки задач аналізу ринку нерухомості: ідентифікації функції оцінки об'єктів нерухомості, їх кластеризації, класифікації, пошуку рівноважної ціни та її адаптації до зовнішніх умов, що дозволило визначити множину адекватних моделей і методів їх розвязання.

Розроблено модифікований метод стохастичної релаксації навчання штучних нейронних мереж, який запропоновано використати для ідентифікації функції оцінки об'єктів нерухомості. В результаті його застосування, в цілому, збільшена швидкість навчання нейронної мережі у порівнянні з іншими методами стохастичного навчання та мінімізовані проблеми із «паралічем» мереж та їх влученням у локальні оптимуми.

Запропоновано класифікацію та формалізацію екзогенних факторів ринку нерухомості, що дозволило знизити трудомісткість обробки інформації за рахунок препроцесінгу даних.

Для кластеризації обєктів нерухомості та самоорганізації інформаційного банку розроблено процедуру на базі нейронної мережі Кохонена та кореляційного аналізу, в результаті використання якої зменшено присутність шумових ефектів у даних та збільшена точність розвязку ідентифікації.

Для розв'язання задачі класифікації об'єктів нерухомості запропоновано використати LVQ-мережу, за допомогою якої також виконується процедура визначення належності об'єкта нерухомості до певного класу, що дозволяє надавати інформаційно-консультативні послуги та виконувати сегментацію ринку нерухомості.

Розроблено адаптивну технологію аналізу синергетичних тенденцій на ринку нерухомості, яка призначена для коригування ціни об'єкта нерухомості у відповідності до значень зовнішніх факторів і базується на їх формалізації та застосуванні модифікованого алгоритму стохастичної релаксації.

На основі використання нейронної мережі запропоновано алгоритм пошуку рівноважної ціни об'єкта нерухомості, яка є важливим фактором ефективного та збалансованого функціонування ринку нерухомості.

Розроблено структуру та принципи функціонування автоматизованої системи обробки даних, яка призначення для супроводження процесів прийняття рішень на ринку нерухомості.

Запропоновано стратегію аналізу та прогнозування ринку нерухомості з використанням інформаційно-аналітичної системи. Проведено аналіз ефективності застосування та запропоновано процедури інтерпретації її результатів. В результаті експериментальної перевірки встановлено, що при розв'язанні задачі ідентифікації середня абсолютна похибка на точках перевірочної послідовності не перевищувала 1%, що є значно кращим результатом у порівнянні з класичними та іншими нейромережевими методами.

Таким чином, використання розробленої дисертантом нейромережевої технології аналізу та прогнозування процесів на ринку нерухомості розширює науково-методичну базу дослідження ринку нерухомості, а її достовірність підтверджується апробацією та впровадженням.

Список опублікованих праць за темою дисертації

1. Тазетдінов В.А. Компонентний аналіз задач і методів прогнозування структури ринку нерухомості // Вісник ЧДТУ. - 2003. №3. - С. 37-41.

2. Тазетдінов В.А. Самоорганізація інформаційної бази ринку нерухомості на основі нейромережевих технологій // АСУ и приборы автоматики. - 2004. - вып. 127. - С. 41-47.

3. Тазетдінов В.А. Адаптивна технологія нечіткого аналізу динаміки ринку нерухомості // Радіоелектроніка і інформатика. -2004. - №3 (28). - С. 126-129.

4. Тазетдінов В.А. Технология нейросетевого прогнозирования рынка недвижимости // Искусственный интеллект. - 2004. №3. C. 593-597.

5. Тазетдінов В.А., Тимченко А.А., Снитюк В.Є. Структуризація і формалізація задач ринку нерухомості. - Черкаси: Вісник ЧДТУ. - 2004. №2. - С. 22-27.

6. Снитюк В.Е., Тазетдинов В.А. Применение метода стохастической релаксации для прогнозирования рынка недвижимости // Сборник докладов Межд. научн. конф. «Нейросетевые технологии и их применение»: Краматорск. - 2003. - С. 226-236.

7. Тазетдінов В.А. Інтелектуалізація алгоритму функціонування інформаційно-аналітичного забезпечення ринку нерухомості // Збірник доп. Міжн. наук.-практ. конф. «Единое информационное пространство». - Дніпропетровськ. - 2003. - С. 158-159.

8. Тазетдінов В.А. Порівняльний аналіз варіантів просторової автоматизованої сегментації об'єктів нерухомості // Матеріали VII Міжнар. наук.-практ. конф. «Наука і освіта '2004». Дніпропетровськ: Наука і освіта. 2004. Том 72. С. 39-41.

Размещено на Allbest.ru