49826

Использование нейронных сетей на рынке недвижимости

Курсовая

Информатика, кибернетика и программирование

Представлен результат нейросетевого моделирования в графиках указывается ошибка обучения а также выведен закон зависимости цен на квартиры от удаленности от центра. Сама нейросеть представляет собой набор специальных математических функций с множеством параметров которые настраиваются в процессе обучения на прошлых данных. Другая существенная особенность нейронных сетей состоит в том что зависимость между входом и выходом находится в процессе обучения сети. Самые продвинутые симуляторы позволяют конструировать НС с экзотическими...

Русский

2014-01-10

850.5 KB

13 чел.

Федеральное агентство по образованию

Государственное образовательное учреждение высшего профессионального образования

«ПЕРМСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ»

Факультет информатики и экономики

Кафедра прикладной информатики

ККРСОВАЯ  РАБОТА

По интеллектуальным информационным системам

Использование нейронных сетей на рынке недвижимости

                                                   

ИСПОЛНИТЕЛЬ: студент  гр. 1233

И.А. Путко

 НАУЧНЫЙ РУКОВОДИТЕЛЬ:     профессор

Л.Н. Ясницкий

Пермь 2007

СОДЕРЖАНИЕ

ВВЕДЕНИЕ 3

ГЛАВА 1. Теоретические основы  4

             1.1. Обзор существующих нейросимуляторов      6

ГЛАВА 2. Практическая часть

             2.1 Обучение персептрона 22

             2.2.Результаты исследования 25

ЗАКЛЮЧЕНИЕ 27

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 29

Введение

Цель: показать, можно ли использовать нейронные сети при анализе цен на рынках жилой недвижимости, эффективно ли сейчас применение нейронных сетей, какие системы используются в настоящее время для  предсказания финансовых временных рядов.

Для достижения цели были поставлены следующие задачи:

-  раскрыть сущность искусственного интеллекта;

- ознакомиться с существующими нейросимуляторами;

- обучить один из нейросимуляторов;

-  вывести законы, показывающие результат работы.

Объектом исследования является роль искусственного интеллекта.

Предметом исследования является развитие нейросетей в области жилой недвижимости.

Структура работы.

Работа состоит из введения, двух глав и заключения.

В первой главе дается понятие искусственного интеллекта, рассматривается идея нейросетей, использование нейросетей на рынке недвижимости, а также обзор существующих нейросимуляторов.

Во второй главе - практическая часть моей работы: рассматривается пример нейросетевого моделирования рынка жилой недвижимости г. Перми. Представлен результат нейросетевого моделирования в графиках, указывается ошибка обучения, а также выведен закон зависимости цен на квартиры от удаленности от центра.

Теоретические основы

Сегодня искусственный интеллект- это обширная область исследований и разработок интеллектуальных систем, предназначенных для работы в трудно формализуемых областях деятельности человека. Для задач, решаемых методами искусственного интеллекта, характерно наличие большого числа степеней свободы с числом вариантов поиска решений, приближающимся к бесконечности. В отличие от жестко детерминированных компьютерных программ системы искусственного интеллекта сами ищут пути решения поставленной задачи. При этом они могут менять свои параметры и структуру, совершенствоваться и развиваться, жить самостоятельной, не зависящей от воли разработчика жизнью [5]. Рынок недвижимости России в настоящее время активно развивается: все большее количество инвесторов приходит к инвестированию в этот вид активов и с каждым годом возрастает потребность в проведении квалифицированных оценочных работ. Ключевым моментом при определении стоимости объекта недвижимости или оценке эффективности инвестирования в недвижимость, является моделирование будущих денежных потоков, т.е. прогноз развития того или иного показателя. Это может быть как ставки аренды офисной или торговой недвижимости, или стоимость квартир, или доход от использования сельскохозяйственных угодий под ту или иную культуру. Предсказание финансовых временных рядов, необходимый элемент любой инвестиционной деятельности. Сама суть инвестиций, вложение денег в настоящем, чтобы получить доход в будущем, заключается в идее прогнозирования изменения ценности актива в будущем. В настоящее время прогноз делается специалистами, аналитиками рынка, исходя из собственного понимания текущей ситуации. Но такое решение требует, во-первых, большого опыта работы в данной сфере, во-вторых, глубоко понимания процессов, происходящих на рынке, и, в-третьих, не дает точного количественного ответа на поставленный вопрос.  

Чтобы получить количественный прогноз развития искомого процесса (изменения доходности недвижимого имущества), необходимо описать рассматриваемый объект системой неравенств и уравнений, т. е. создать некую модель изменения доходность объекта недвижимости определенного целевого назначения. Применение математических моделей для прогнозирования финансовых временных рядов началось с 60-х годов прошлого века и получило общее название «гипотезы эффективного рынка». В настоящее время, примерно с конца 80-х, все шире используются нелинейные системы, в т. ч. системы на основе нейронных сетей.

Нейронные сети возникли из исследований в области искусственного интеллекта, а именно, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки, моделируя низкоуровневую структуру мозга. Идея нейросетей заключается в моделировании (повторении) поведения различных процессов на основе исторической информации. Сама нейросеть представляет собой набор специальных математических функций с множеством параметров, которые настраиваются в процессе обучения на прошлых данных. В основе нейронных сетей лежит поведенческий подход к решению задачи, сеть учится на примерах, подстраивая свои параметры при помощи специальных обучающих алгоритмов. С практической точки зрения методика принятия решения обученной нейросети проста, на входе задаются некоторые числовые данные, и нейросеть ищет похожие в исторических данных, на которых она обучалась.

Как правило, нейронная сеть используется тогда, когда неизвестен точный вид связей между входами и выходами, если бы он был известен, то связь можно было бы моделировать непосредственно. Другая существенная особенность нейронных сетей состоит в том, что зависимость между входом и выходом находится в процессе обучения сети. Среди профессионалов финансового рынка бытует скептическое отношение к прогнозированию курсов акций или фондовых индексов при помощи нейросетевых моделей, в частности бытует такая поговорка: «Если бы эти системы работали, то программисты были бы самыми богатыми людьми».

1.1 Обзор существующих нейросимуляторов

Сегодня на рынке программного обеспечения есть много различных нейросимуляторов. Толковый нейросимулятор легко приспособить для решения практических задач на персональном компьютере, если не требуется производить вычисления как можно быстрее. Существуют симуляторы, поддерживающие нейроускорители - платы с процессорами цифровой обработки сигналов (DSP). Признаком добротного симулятора является подробное описание по применению с вводным курсом в теорию НС плюс техническая поддержка. Самые продвинутые симуляторы позволяют конструировать НС с экзотическими архитектурами и применять алгоритмы обучения, разработанные пользователем, а также обеспечивают мощное графическое отображение поведения НС при обучении и, если верить рекламе, генерируют исходный код на Си++. У «продвинутых», как и следовало ожидать, единственный недостаток - заоблачная цена.

Другой отряд нейросетевого «персонального» программного обеспечения ориентирован на тугие кошельки и оптимизирован под выполнение конкретных задач. Наиболее распространены предназначенные для финансистов нейропредсказатели платежеспособности, банкротства и т. п. Кроме того, есть промышленное нейросетевое ПО, эксклюзивное, по сути и назначению, намертво взаимосвязанное со специализированным «железом». Последнее осуществляет предварительную обработку поступающих извне сигналов, передает полученные данные (образы) на вход НС, ускоряет функционирование самой НС и выводит готовую информацию в нужном виде. Возможность работы в реальном времени достигается посредством параллельных вычислений с использованием нейропроцессоров или же путем запараллеливания нескольких стандартных DSP. В некоторых случаях одного DSP оказывается достаточно, благо эти процессоры буквально «рождены» для НС, выполняя за один такт операцию умножения с накоплением суммы - наиболее часто используемую операцию в алгоритме любой нейросети. Дополнительные же DSP берут на себя ускорение вычислений на этапе предварительной обработки. Впрочем, на этом этапе НС пока используются больше в исследовательских целях, поскольку реализация совместной (особенно одновременной) работы нескольких НС разного типа не так проста, как казалось ранее.

Итак, ознакомимся с некоторыми наиболее интересными нейросимуляторами для персональных компьютеров.

Neural Works Pro II/Plus
(Aspen Technology)

Цена от $1995 до $4995 в зависимости от платформы (DOS, Windows, NT, Sun, RS6000, SGI) плюс $1,5-3 тыс. за консультации, обучение и поддержку. Судя по описанию, один из самых мощных - поддерживаются все известные типы нейросетей и алгоритмов обучения, включая разрабатываемые с использованием средств симулятора, обеспечивается автоматическая оптимизация спрятанного слоя нейронов, графически отображаются функционирование нейросетей и средства диагностики. Профессиональный вариант ($9995-14995), выполненный в виде специализированной среды разработки, позволяет генерировать исходный Си-код и использовать программирование на Си, то есть разрабатывать любые новые нейросети, а также включает пакеты для применений в реальном времени в совокупности с нечеткой логикой и генетическими алгоритмами.

NeuroSolution [9], [10]
(NeuroDimension)

Цена зависит от комплектации и предоставляемых возможностей и колеблется от $195 до $1995. Лицензия для коммерческого использования созданных продуктов - еще $1995. Дополнительный модуль ($195-1495 в зависимости от уровня основной программы) генерирует DLL-библиотеки нейросетей, созданных в NeuroSolution, а удовольствие работать непосредственно из Excel обойдется еще в $195.Широкий набор типов нейросетей (Multi Layer Perceptron, модульные MLP, симбиоз IIR-фильтров с MLP, гибридные нейросети, нейросети анализа главных компонентов - PCA, адаптивный фильтр, нейросети с обратными связями, Кохонен, LVQ и т. д.) и алгоритмов обучения: BPE, Momentum, QuickProp, а так же Sanger и Oja для PCA. Общее количество весовых коэффициентов - до одного миллиона. Симулятор прост в освоении, у него хорошая справочная система, прекрасный графический интерфейс (правда, несколько перегруженный украшениями).

Работа с этим нейросимулятором сродни игре в Lego, и создать НС можно четырьмя путями. Первый - с помощью wizard’а - очень полезен для начинающих. По ходу дела «помощник» будет выводить на экран множество информации о выбранной НС и окажет реальное содействие при создании нейросети с запланированной архитектурой. Другой путь - модифицировать прилагаемые демо-макросы. Третий - изменить макеты нейросетей из электронного руководства. Наконец, можно собирать (макетировать) НС «ручками», используя меню и пиктограммы.

Чтобы ввести данные (форматы: ASCII, двоичный, BitMap), достаточно подцепить картинку (объект) ввода к картинке (объекту) входа нейросети и, щелкнув правой кнопкой мыши, сделать необходимые настройки в свойствах объекта ввода. Из приятных мелочей следует отметить объекты вычисления FFT (до 4096 точек) и генератора сигналов (синус, две пилы, прямоугольник). Объекты различной индикации и графиков можно наплодить по своему усмотрению и наблюдать за поведением любого выхода в процессе обучения (рис. 1). Причем программа сама подсказывает, к какому из объектов макета допускается подцеплять новый объект.

Рис.1. NeuroSolution

MatLab + Neural Network Toolbox [8]
(Math Works)

Этому пакету досталось тяжелое наследство предыдущих версий: командно-строковый интерфейс, украшенный «виндовым» обрамлением. Запомнить все функции и их параметры - все равно что выучить от корки до корки новый язык, правда, по мере терпеливого освоения «языка» его достоинства видишь все лучше. Набор типов нейросетей стандартен. В версии 3.0 появилась возможность гибкого конструирования НС, а также были добавлены вероятностные и регрессионные нейросети. Несколько веселее с алгоритмами обучения: современный алгоритм обучения Levenberg-Marquardt собственной персоной.

Предусмотрен демонстрационный режим, воспользовавшись которым, оценим работу пресловутой НС с обратными связями (Elman). Здесь нейросеть должна предсказать периодические прямоугольные импульсы. Задачка служит хорошей проверкой на работоспособность НС подобной архитектуры. Не меняя настроек, можно загрузить готовый матлабовский файл, и обучение начинается. За изменением ошибки можно наблюдать в отдельном окне прямо по ходу обучения. Согласно замыслу авторов демонстрации, ошибка должна достичь величины 0,01. После предусмотренных пяти сотен повторов ошибка опустилась лишь до 1,00 (рис. 2), и даже начиная обучение заново, желаемого результата не последовало. Взамен программа предлагала попытаться продолжить обучение или добавить спрятанных нейронов.

Рис.2. MatLab + Neural Network Toolbox

BrainMaker
(California Scientific Software)

Цена пакета в Штатах варьируется от $195 за обычную версию до $795 за профессиональную (95/98/NT/2000). Реализована только MLP-нейросеть: до 512 нейронов в каждом слое, до 8 слоев, до 32К весов между слоями нейронов. Работает с форматами Excel, Lotus, dBase, ASCII, binary. В профи-версии добавлены «финансовые» форматы (CompuTrack, MetaStock, CSI), а также отображение тренда весов во времени, прунинг (шаманство с весовыми коэффициентами) и генерация Си-кода. Задействовано 32-битное ускорение вычислений за счет использования MMX-команд. Поддерживаются нейросетевые платы-ускорители, в частности производства Adaptive Solutions. Любопытная деталь: California Scientific Software не предлагает модные алгоритмы ускорения обучения, делая ставку на аппаратное ускорение, благо дешевеющие, но шустрые в векторно-матричных вычислениях DSP справляются с MLP отменно.

Рис.3. Brain Maker

Демонстрация BrainMaker сделана в лучших традициях черно-белого кино (рис. 3), поиграть можно только рандомизацией весовых коэффициентов. Классический по архитектуре MLP не является идеальным предсказателем в сравнении со  специализированными нейросетями.

NeuroPro
(Институт вычислительного моделирования СО РАН)

Реализована лишь MLP-нейросеть: до десяти слоев, до ста нейронов в каждом слое. Судя по поведению при обучении на прилагаемых данных, действительно работает нейросеть. Интерфейс не балует графикой и сервисом (рис. 4), за исключением отображения значимости входов. Назначение пакета - классификация и прогнозирование. Сначала надо ввести файл входных данных (форматы: dBase, FoxBase, FoxPro, Clipper, Paradox), после чего затруднений с освоением возникнуть не должно. Предусмотрено сокращение количества нейронов, весов и входов усилиями самой программы. Недостаток: трудно  понять, как обеспечить соответствие входов (симптомов) желаемому отклику (синдромам).

Рис.4. NeuroPro

Neuro Office’98
(АОЗТ «Альфа Систем», Санкт-Петербург)

Уникальность ее кроется в возможности создания многослойной НС разветвленной архитектуры по усмотрению пользователя и с обучением по правилу обратного распространения ошибок. В составе демо-версии - две программы. Первая, NeuroView+, предназначена для визуально-графического проектирования структурной модели и топологии нейронной сети. Утверждается, что размеры нейронной сети программно не ограничены. Вторая, NeuroEmulator, служит для обучения и тестовых испытаний спроектированной нейросети, а также для редактирования «синаптической карты» и функций активации нейронов.

Рис.5. Neuro Office’98

Главный недостаток в том, что каждую связь между нейронами приходится задавать вручную (рис. 5), поэтому соорудить большую НС очень тяжело, да и времени на это уходит уйма. Вот если бы связи можно было тянуть (или копировать) мышкой, как при создании рисунков в MS Word, а также размножать на целые группы нейронов, то работа бы закипела.

Еще одна досадная недоделка: после успешного завершения конструирования архитектуры не выдается подтверждающего сообщения.

Загрузив созданный проект в NeuroEmulator, вы получите возможность инициализировать весовые коэффициенты, задать тип пороговой функции для каждого слоя, открыть файл входных данных (форматы Excel: CSV и BDT), предъявить эталоны на выходе и, наконец, приступить к обучению. Предусмотрена генерация тестовых входных данных (в частности, синус), но что именно предъявить для них на выходе в качестве эталона, программа не подсказывает. А ведь как раз в демо-версии была бы очень уместна автоматическая загрузка всех данных, на которых демонстрировалась бы работа программы в режиме обучения. Чтобы оценить работоспособность самой нейросети, пришлось быстренько сочинять хоть какие-то входные и эталонные данные.

Рис.6.Процедура обучения Neuro Office’98

Процедура обучения НС имеет собственное окно, разделенное на четыре части, назначение которых ясно из рис. 6. Предусмотрено пошаговое обучение («одиночный урок») с выводом значения достигнутой ошибки для каждого примера из входных данных. Так называемое статическое обучение, по идее, должно формировать оптимальные стартовые значения весовых коэффициентов с учетом конкретных входных данных. Режим «обучения множеству» предполагает обучение на всех данных вплоть до задаваемого значения ошибки. К сожалению, проследить за процессом обучения во времени можно лишь по мелькающим цифрам среднеквадратичной ошибки (СКО), чего явно недостаточно, чтобы выяснить причину тех или иных «затыков». Возможность просмотра значений весовых коэффициентов и порогов («смещений»), безусловно, полезна, но в случае «затыка» положения не спасает.

NNet
(бета-версия)

NNet выделяется среди общей массы не только оригинальным интерфейсом       (рис. 7), который облегчает освоение и делает программу очень удобной в работе, но и хорошей скоростью вычислений (полностью 32-разрядная и многонитевая) и грандиозными возможностями. Хотя в бета-версии воплощена лишь MLP-нейросеть, зато предусмотрено функционирование в трех режимах (аппроксимация, фильтрация и классификация), но главное - количество нейронов в каждом слое может достигать 64К, а максимальное число весов - четырех миллиардов.

Рис.7. NNet

Алгоритмы обучения: BPE, Momentum и скрытый Scaled Conjugate Gradient. Формат файлов ввода/вывода данных - double (8 байт на число), доступен всем, кто способен запрограммировать пару операндов.

Другие типы нейросетей (с обратными связями, комбинированные, сети анализа независимых компонентов, слепого разделения сигналов) не были включены в бета-версию программы.

Нейросимулятор

Увы, зарубежное нейросетевое программное обеспечение слишком дорого. Нейросимулятора российского производства, в полной мере удовлетворяющего требованиям сегодняшнего дня и способного конкурировать с зарубежными, мне найти не удалось, хотя некоторые отечественные образцы, целиком и полностью разработанные без использования зарубежных кодов, могли бы послужить основой (скорее всего, после объединения усилий) для создания передового программного продукта, в том числе для продажи на мировом рынке. Поэтому я использовала уже готовый нейросимулятор      (рис 8 ):

Рис.8. Нейросимулятор

На вкладке «Проектирование сети» указываются: тип активационной функции у каждого слоя сети, число нейронов входного и выходного слоя сети, а также число скрытых слоев. На вкладке «Обучение» мы загружаем саму выборку, используемую для обучения. На этой вкладке задается число итераций обучения и скорость обучения, а уже на вкладке «Вычисления» вводим входные параметры для проверки работы нейросимулятора.

Основной принцип работы этого нейросимулятора: сигналы, поступающие на входы Х1,-,Хn, умножаются на коэффициенты (веса, синапсы) соответствующие каждому входу и определяют уровень возбуждения нейрона. Выходной сигнал получается пропусканием суммарного сигнала возбужденных нейронов скрытого слоя через нелинейную функцию.

Вывод: Рынок недвижимости России в настоящее время активно развивается.  Предсказание финансовых временных рядов, необходимый элемент любой инвестиционной деятельности. В настоящее время прогноз делается специалистами, аналитиками рынка, исходя из собственного понимания текущей ситуации. Но такое решение требует большого опыта работы в данной сфере, а также глубоко понимания процессов.  Чтобы получить количественный прогноз изменения доходности недвижимого имущества, необходимо описать рассматриваемый объект системой неравенств и уравнений. В настоящее время все шире используются нелинейные системы, в т. ч. системы на основе нейронных сетей. Ознакомившись с наиболее интересными нейросимуляторами для персональных компьютеров, можно сказать, что самым мощным нейросимулятором считается Neural Works ProII/Plus, но в то же время он является и самым дорогостоящим, профессиональный вариант от 9995 $ до 14995 $. Наиболее оптимальным вариантом можно считать нейросимулятор MatLab+Neural Network Toolbox.

Практическая часть

Инвестирование в недвижимость практически всегда осуществляется на средне- и долгосрочный периоды, рынок недвижимости инерционен, зависит от общей деловой активности рынка и других фундаментальных экономических факторов, а зависимость (слухов, новостей и т. д.) менее значительна. Следовательно, появляется вероятность успешного использования нейросетевых систем в сфере моделирования потока доходов при оценке эффективности инвестирования в недвижимость.

Приведем пример нейросетевого моделирования рынка жилой недвижимости г. Перми. В рассматриваемом примере выходами сети являлись цены на 2-х комнатные квартиры         г. Перми. На вход подавались следующие статистические данные:

  1.  удаленность от центра;
  2.  этаж;
  3.  тип жилья;
  4.  площадь;
  5.  состояние.     

Удаленность от центра (рис.9) рассчитывалась по следующим показателям:

 

Рис.9. Удаленность от центра

1-центр;                                                                                                                                             2-прилегающие к центру районы;                                                                                                  3-районы средней удаленности;                                                                                                    4-окраины центральных районов;                                                                                                 5-отдаленные районы.                                                                                                                                            Зонирование г. Перми по категориям престижности разработано доцентом кафедры Финансов, кредита и биржевого дела ПГУ Э.Д. Епишиной [6].

Тип жилья оценивался по следующим показателям:

1-ХР (хрущевка);                                                                                                                                     2-БР (брежневка);                                                                                                                            3-ПГ (полногабаритка);                                                                                                                    4-СП (серая панель);                                                                                                                       5-УП (улучшенная планировка).

Этаж оценивался по двум показателям:

  1.  первый и последний этажи;
  2.  все остальные.

Состояние квартиры оценивалось по трем показателям:

  1.  среднее;
  2.  хорошее;
  3.  отличное.

При проектировании персептронов необходимо понимать, что персептрон должен не только правильно реагировать на примеры, на которых он обучен, но и уметь обобщать приобретенные знания, т.е. правильно реагировать на примеры, которых в обучающей выборке не было. Погрешность персептрона, вычисленная на обучающей выборке называется погрешностью обучения, обозначаемой, а вычисленная на тестовой выборке- погрешностью обобщения, обозначаемой T  . При увеличении числа нейронов внутренних слоев персептрона N погрешность обучения   обычно падает, тогда как погрешность обобщения   сначала падает, а затем, начиная с некоторого оптимального значения N=N0, возрастает. Характерные кривые зависимости погрешностей обучения и обобщения от числа нейронов внутренних слоев персептрона приведены на рис. 10.

Рис.10. Характерные зависимости погрешности обучения и погрешности обобщения от числа нейронов внутренних слоев персептрона

В таблице 1 приведены данные  обучающей выборки нашей сети, а также тестируемые данные, которые не входили в процесс обучения, и на основе которых  мы можем понять, насколько точно обучилась сеть.

                                         

Данные обучающей и тестируемой выборки [7].

Обучающая выборка


Строгой теории выбора оптимального числа скрытых слоев персептрона пока нет. На практике же чаще всего используются персептроны, имеющие один или два скрытых слоя, причем число нейронов в скрытых слоях обычно колеблется от Nx до 3Nx. При моделировании в настоящей работе использовалась нейронная сеть с двумя скрытыми слоями нейронов. Сигналы, поступающие на входы Х1,-,Хn, умножаются на коэффициенты (веса, синапсы) соответствующие каждому входу и определяют уровень возбуждения нейрона. Выходной сигнал получается пропусканием суммарного сигнала возбужденных нейронов скрытого слоя через нелинейную функцию. В качестве нелинейной функции использовалась сигмовидная функция, являющаяся непрерывной и сколько угодно раз дифференцируемой. Настройка весов нейронной сети происходит в результате обучения с учителем. Это означает, что сети предъявляется как входной образец, так и выходные данные, которые нейросеть должна выдавать на этом образце. Для обучения сети использовался метод обратного распространения (Back Propagation), суть которого состоит в следующем.  Перед началом обучения сети весам и порогам случайным образом присваиваются небольшие по величине начальные значения. Тем самым отклики отдельных элементов сети имеют малый наклон и ориентированы хаотично - фактически они не связаны друг с другом. По мере того, как происходит обучение, поверхности отклика элементов сети вращаются и сдвигаются в нужное положение, а значения весов увеличиваются, поскольку они должны моделировать отдельные участки целевой поверхности отклика. Затем вычисляется вектор градиента поверхности ошибок. Этот вектор указывает направление кратчайшего спуска по поверхности из данной точки, поэтому при продвижении по нему, ошибка уменьшится. Значение ошибки, а также градиента поверхности ошибок используется для корректировки весов, после чего все действия повторяются. Начальная конфигурация сети выбирается случайным образом, и процесс обучения прекращается либо когда пройдено определенное количество эпох, либо когда ошибка достигнет некоторого определенного уровня малости, либо когда ошибка перестанет уменьшаться.  В качестве меры ошибки в простейшем случае берется средняя квадратичная ошибка, которая определяется как сумма квадратов разностей между величиной на выходе и требуемой величиной.

,

где СiТ -модельные значения (полученные в результате обучения сети);

СiП -практические значения .

2.1. Обучение персептрона

Результаты, полученные при использовании описанного метода обратного распространения, приведены в таблице 2. Значения брались произвольно, в таблице 1 они указаны жирным шрифтом.

                                                                                  Таблица 2

Результаты использования метода обратного распространения

№ п/п

Жилая недвижимость

практические значения, $/м2

модельные значения, $/м2

1

3400,0

3432,4

5

2550,0

2538,9

7

2100,0

2013,5

10

2000,0

1953,0

19

1800,0

1826,9

21

4100,0

4103,3

23

2700,0

2745,5

25

1500,0

1436,1

30

1400,0

1436,5

36

2000,0

1955,3

38

2150,0

1913,0

42

1700,0

1571,9

47

2100,0

2048,2

53

1900,0

1873,5

55

2100,0

2096,2

Данный метод выдал модельные результаты, наиболее близкие к практическим, т. е. можно с большой долей уверенностью предположить, что искомая зависимость найдена точно. Средняя ошибка нейросетевого моделирования для жилой недвижимости составила 5%. Для того, чтобы наглядно продемонстрировать это утверждение, на рисунке 11  покажем соотношение между теоретическими и модельными значениями.

Рис. 11. Результаты нейросетевого моделирования цен на квартиры г. Перми

На рис.12 можно увидеть, насколько точно обучилась наша сеть:

Рис.12. Ошибка сети

Несмотря на то, что модельные значения не полностью совпадают с практическими, можно утверждать, что тренд изменения искомых величин отражен точно. Для окончательного подтверждения работоспособности моделей на вход сетей были поданы социально-экономические показатели (рис. 13)

Рис. 13. Результаты нейросетевого моделирования тестируемой выборки цен на квартиры г. Перми

Предсказанные нейросетью значения цен на квартиры отличаются от реальных в случае жилой недвижимости 16,4%. Как видно ошибка предсказания выше ошибки обучения, но полученная точность все равно выше точности, которую можно получить используя обычный корреляционно-регрессионный анализ (регрессионные модели дают точность порядка 80 v 90%) [11].  

2.2. Результаты исследования

На формирование цен на квартиры влияют некоторые параметры, например: удаленность от центра, площадь и т.д. Исследуя 2-х комнатные квартиры г. Перми, я решила вывести закон зависимости цены от удаленности от центра, который представлен на рис. 14.

Квартиры, которые использовались для выведения закона:

№ п/п

удаленность

этаж

тип

Общ. площадь

состояние

Цена

5

1

1

1

54,2

2

2550

ХР

53

2

2

2

44

2

1900

БР

21

1

1

3

55

3

4100

ПГ

36

2

2

4

45

2

2000

СП

1

1

1

5

76

3

3400

УП

 Рис. 14.Зависимость цен на квартиры от удаленности от центра

Как видно из монограммы, чем дальше от центра находится квартира, тем ниже ее цена при любом типе жилья.

Еще один важный параметр, который влияет на цену- состояние квартиры. Попробуем вывести закон зависимости цены от состояния квартиры. Возьмем для примера те же квартиры, которые мы использовали для выведения закона зависимости цены от удаленности от центра. Покажем результат на рис.15.

Состояние квартиры оценивалось по трем признакам:

  1.  среднее;
  2.  хорошее;
  3.  отличное.

Рис. 15.Зависимость цен на квартиры от состояния.

Вывод: Рассмотрев пример нейросетевого моделирования рынка жилой недвижимости, мы пришли к выводу, что при использовании нейросимулятора с применением метода обратного распространения, результаты оказались наиболее близкими к практическим, а при тестируемой выборке ошибка составила 16,4 %. На этой основе вывели закон зависимости цен на квартиры от удаленности от центра, который показал, что чем дальше от центра находится квартира, тем ниже ее цена при любом типе жилья, а также закон зависимости цен от состояния квартиры, который показывает, что чем лучше состояние квартиры (сделан евроремонт и т.д.), тем выше цена на квартиру.

Заключение

Итак, мы ознакомились с некоторыми наиболее интересными нейросимуляторами для персональных компьютеров, таких как:

  1.  NeuralWorks Pro II/Plus
  2.  NeuroSolution
  3.  MatLab + Neural Network Toolbox
  4.  BrainMaker
  5.  Neuro Pro
  6.  Neuro Office’98
  7.  NNet

Так как нейросимулятора российского производства, в полной мере удовлетворяющего требованиям сегодняшнего дня и способного конкурировать с зарубежными, мне найти не удалось, то я использовала уже готовый нейросимулятор, в котором подавались некоторые статистические данные, указанные в работе. Далее я обучала нейросеть и проверяла его работу. Предсказанные нейросетью значения цен на квартиры отличаются от реальных в случае жилой недвижимости 16,4%. Как видно ошибка предсказания выше ошибки обучения, но полученная точность все равно выше точности, которую можно получить используя обычный корреляционно-регрессионный анализ (регрессионные модели дают точность порядка 80 v 90%).                                                                               

При применении методов нейрокомпьютинга следует учитывать тот факт, что никакая модель несовершенна. Абсолютных моделей не бывает, потому что экономика, рынки недвижимости находятся в постоянном движении, все меняется непрерывно. Даже цифры, которые описывают рынок, создают каждый раз разные картины. Эти картины похожи на прежние, но в каждой присутствуют небольшие отличия, которые очень сложно уловить. Эти отличия могут быть незначительными на первый взгляд, но по прошествии времени, окажется, что именно они были причиной того, что все пошло не в ту сторону, как ожидалось. Поэтому наилучшие результаты прогнозирование с помощью нейросетевых моделей, как, впрочем, и любых других, дает на краткосрочный период. Конечно, возможен и долгосрочный прогноз, но для избежания ошибок в принятии решений и экономических потерь инвестора, необходимо периодически корректировать модель, заново обучая сеть с учетом новых практических данных. И тогда, и только тогда, использование нейронных сетей для прогнозирования доходности коммерческой недвижимости и принятие на основе полученных прогнозов инвестиционных решений может дать наилучшие результаты.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ

Литература

  1.  Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – СПб:Питер, 2000. – 384 с.
  2.  Люгер Дж.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.:Изд. дом «Вильямс», 2003. – 864 с.
  3.  Уоссермен. Нейрокомпьютерная техника: теория и практика.
  4.  Хайкин С. Нейронные сети. Издательство «Вильямс», 2005.-1104 с.
  5.  Ясницкий Л.Н. Введение в искусственный интеллект: Учеб. пособие для студ. высш. учеб. заведений, М.: Издательский центр «Академия», 2005.-176 с.

  1.  Квартиры и комнаты// Пермские квартиры, дома & офисы. - 2005 г.
  2.  Квартиры и комнаты// Пермские квартиры, дома & офисы. - 2006 г.

Ссылки на ресурсы Интернет

  1.  MathLab-http://www.Mathworks.com
  2.  NeuralNetworks-http://www.nd.com
  3.  NeuroSolutions-http://www.neurosolutions.com
  4.  Инвестиции в недвижимость-http://www.investzem.ru/economy/investment/investment


X1 (
удаленность)

X2 (этаж)

X3 (тип жилья)

X4 (общ. площадь)

X5 (состояние)

Y1 (цена)

1

1

5

76

3

3400

5

1

5

55

2

1650

2

2

1

44,7

2

1650

2

1

2

45,5

2

1650

1

1

1

54,2

2

2550

1

2

1

44

2

2090

1

2

1

43,3

2

2100

2

2

2

48,5

2

1750

3

1

2

44

2

1650

2

2

1

46,2

3

2000

5

1

1

43

1

1350

2

2

5

54,2

2

2450

5

1

3

54

1

1360

3

2

4

45

1

1800

3

2

4

45,6

2

2000

2

2

4

45,7

2

1750

1

2

1

41

3

1650

2

1

2

41,1

2

1850

2

2

1

45

2

1800

2

1

4

46

2

2500

1

1

3

55

3

4100

1

2

1

44

3

2450

1

2

3

58

2

2700

4

2

5

49

2

1700

5

2

1

43

2

1500

2

2

4

44

2

2150

3

2

1

45

2

1750

2

1

4

46

2

2500

5

1

1

44

2

1400

5

2

1

42,6

2

1400

2

1

2

44

2

1650

3

1

2

44,3

2

1800

5

2

4

44

2

1600

5

1

1

42,6

3

1550

2

2

1

45,5

1

1850

2

2

4

45

2

2000

2

2

5

53,7

3

2270

2

2

5

45

1

2150

3

2

2

44,4

2

1700

1

2

5

52

3

2600

1

2

5

52

2

2450

4

1

4

46

2

1850

4

1

5

53

2

1700

3

2

5

47

2

1700

3

2

1

46,2

2

2000

5

1

1

42,2

1

1300

3

2

3

59

2

2100

3

2

5

52,2

3

2400

5

2

2

45

2

1350

4

2

2

42

2

1800

4

2

1

43

2

1300

3

2

3

43

1

1580

2

2

2

44

2

1900

3

1

3

45,6

3

1750

3

2

5

53

2

2100

5

2

1

44,5

1

1220

5

2

2

45,6

2

1350

Тестируемая выборка

2

2

5

74

2

3150

1

2

4

44

2

2300

5

1

1

43

2

1350

3

2

1

45

2

1800

4

2

1

65

2

1590

3

2

4

58

3

2400

1

1

3

56

3

3800

5

1

1

43

2

1400


 

А также другие работы, которые могут Вас заинтересовать

38534. Создание локальной сети и разработка системы управления удаленными офисами предприятия 238.5 KB
  Создание локальной сети и разработка системы управления удаленными офисами предприятия. Тема проекта Создание локальной сети и разработка системы управления удаленными офисами предприятия Тема утверждена приказом ПРЦ ВШ ф РГУИТП № 21Д от 15. Цель дипломного проекта – создание локальной сети и разработка системы управления удаленными офисами предприятия. Более 90 из них объединены в различные информационновычислительные сети начиная от малых локальных сетей в офисах заканчивая глобальной информационной сетью Internet.
38535. Разграничение изнасилования и насильственных действий сексуального характера от иных преступлений, посягающих на половую неприкосновенность и половую свободу 322 KB
  Уголовноправовой анализ насильственных действий сексуального характера. Разграничение изнасилования и насильственных действий сексуального характера от иных преступлений посягающих на половую неприкосновенность и половую свободу. Актуальность выбранной темы дипломной работы обусловлена тем что в нынешнее время нравственные устои в сфере половых отношений в российском обществе существенно расшатаны путем легализации однополых связей агрессивностью показа в средствах массовой информации и коммуникации технологии секса безбрежным...
38536. Назначение и характеристика парка обслуживания пассажирских вагонов в прямых поездах и поездах своего формирования 1019.5 KB
  Назначение и характеристика парка обслуживания пассажирских вагонов в прямых поездах и поездах своего формирования 3. Технология обслуживания ходовой части вагонов 4. Время ремонта вагонов на ПТО 5. Перечень инструментов приспособлений и оборудования применяемого при обслуживании вагонов 6.
38537. Электрофизические свойства ультра-тонких плёнок кремния на изоляторе, сформированных методом ионной имплантации и водородного переноса 787.5 KB
  «Кремний на изоляторе» (КНИ) — технология изготовления полупроводниковых приборов, основанная на использовании трёхслойной подложки со структурой кремний-диэлектрик-кремний вместо обычно применяемых монокристаллических кремниевых пластин. В качестве диэлектрика обычно выступает диоксид кремния SiO2
38539. Социальная защита детей-сирот и детей, оставшихся без попечения родителей: история вопроса и современное состояние 91.5 KB
  Исторические предпосылки возникновения социальной защиты детей сирот и детей оставшихся без попечения родителей 1. Зачатки социальной защиты детей – сирот и детей оставшихся без попечения родителей Во все времена были дети которым выпадала горькая участь расти без родителей. Первые учреждения для детей оставшихся без родителей были приютами для младенцев.
38540. Разработка компактного, надежного современного датчика алкогольных паров 1.06 MB
  Ширина печатного проводника рассчитывается по формуле:1 1 где I протекающий по проводнику ток А; J плотность тока А мм h толщина фольги мм; Для односторонней печатной платы изготовленной химическим способом методом сеткографии для бытовой аппаратуры плотность тока J= 30 ммпо справочнику. Сопротивление...
38542. ОПЫТНО-ЭКСПЕРИМЕНТАЛЬНАЯ РАБОТА ПО ФОРМИРОВАНИЮ ЭКОЛОГИЧЕСКОЙ КУЛЬТУРЫ МЛАДШИХ ШКОЛЬНИКОВ ПОСРЕДСТВОМ ДИДАКТИЧЕСКИХ ИГР 720 KB
  Формирования экологической культуры посредством дидактической игры . Эффективным методом формирования экологической культуры являются дидактические игры. В процессе использования дидактической игры у детей формируется умение действовать в какойлибо ситуации в соответствии с определенными нормами. Фицула в учебнике по педагогике отмечает что целью формирования экологической культуры в учебновоспитательном процессе используют экологопсихологическую терминологию групповые и ролевые игры мозговой штурм что направлены на...