Тема: СРАВНИТЕЛЬНЫЙ АНАЛИЗ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ЦЕН КОММЕРЧЕСКОЙ НЕДВИЖИМОСТИ В РОССИЙСКОЙ ФЕДЕРАЦИИ

В условиях динамичного развития рынка коммерческой недвижимости возрастает потребность в точной оценке и прогнозировании стоимости объектов. Данная процедура приобретает особую значимость в связи с необходимостью принятия обоснованных управленческих решений различными экономическими агентами, каждый из которых руководствуется специфическими мотивами.
Актуальность выбранной темы заключается в том, что полноценного автоматизированного инструмента для массовой оценки коммерческой недвижимости в настоящий момент не существует. В данной работе машинное обучение выступает эффективным инструментом для решения прогнозирования стоимости коммерческих объектов на основе анализа рыночных данных, а также сравниваются различные подходы к построению моделей прогнозирования цен.
Объектом исследования данной работы выступает рынок коммерческой недвижимости РФ.
Предметом исследования выступают модели прогнозирования стоимости объектов коммерческой недвижимости.
Цель данной работы - сравнительный анализ моделей прогнозирования стоимости коммерческой недвижимости. Для достижения поставленной цели были определены следующие задачи:
1. Изучить существующие методы оценки стоимости коммерческой недвижимости.
2. Провести анализ детерминант достоверности оценочных результатов коммерческой недвижимости и идентификация ключевых проблем оценочного процесса .
3. Изучить существующие модели прогнозирования.
4. Определить набор используемых средств для дальнейшей разработки моделей.
5. Построить модели прогнозирования стоимости коммерческой недвижимости, используя различные алгоритмы машинного обучения.
6. Провести сравнительный анализ работы построенных моделей, оценить качество и сделать выводы относительно их предсказательной способности.
7. Определить наиболее важные признаки, влияющие на точность прогнозирования цен коммерческой недвижимости.
Гипотезы исследования:
1. Различные модели прогнозирования демонстрируют различную степень точности при прогнозировании цен коммерческой недвижимости.
2. Качество и объем данных, используемых для построения моделей прогнозирования, существенно влияют на точность прогнозирования цен коммерческой недвижимости
Настоящее исследование вносит существенный вклад в развитие методологии оценки коммерческой недвижимости, предлагая инновационный подход к прогнозированию стоимости на основе сравнительного анализа современных алгоритмов машинного обучения. Научная значимость работы заключается в разработке теоретикометодологических основ построения прогнозных моделей и экспериментальном обосновании ключевых факторов, влияющих на точность оценки стоимости объектов коммерческой недвижимости в российских рыночных условиях.
Практическая значимость работы заключается в том, что получаемая прогнозная модель может считаться достоверной, следовательно, может быть использована в качестве обоснования оценок объектов касательно коммерческой недвижимости.
Теоретическая значимость работы заключается в исследовании подходов к описанию и построению прогнозной модели, проведения сравнительного анализа прогнозных моделей и выбор наилучшей.
Для решения поставленных в работе задач использовались различные методы, в частности, аналитический метод, который применялся для изучения литературы и нормативно-правовых актов. Сравнительный - был необходим для сопоставления подходов и методов оценки изучения построения прогнозных моделей. Теоретическую базу составили монографии, учебники и статьи.
Текст работы структурирован следующим образом. В первой главе рассматриваются теоретические основы методов оценки стоимости коммерческой недвижимости и описание состояния рынка. Во второй главе исследования проведен комплексный анализ методологического инструментария для построения прогностических моделей, включая оценку их теоретических оснований, вычислительной сложности и применимости к решению поставленной задачи, что позволило осуществить научно обоснованный отбор оптимальных методов для практической реализации. В третьей главе реализован процесс конструирования прогнозных моделей с использованием разнородных алгоритмов машинного обучения: линейная множественная регрессия, дерево принятия решений, Random Forest, нейронные сети. Определяются наиболее важные признаки относительно целевого атрибута, и проводится оценка предсказательной точности моделей на основе полученных признаков.
Купить

В ходе исследования были реализованы модели прогнозирования цен коммерческой недвижимости и проведен сравнительный анализ показателей точности этих моделей.
Поставленные цели были достигнуты следующим образом. В целях углубленного изучения вопросов оценки коммерческих объектов была проведена аналитическая работа с обширным массивом научных публикаций. Вопросы практической значимости внедрения методов машинного обучения в процесс ценообразования коммерчески значимых объектов освещены через обзор статей, использующих данную методологию. Произведена детализированная характеристика состояния современного рынка коммерческой недвижимости, обоснована потребность применения инструментов машинного обучения. Выполнен подробный сравнительный анализ различных моделей прогнозирования цен коммерческой недвижимости. Определён оптимальный набор инструментов программирования и подходящей среды разработки.
Была сформирована выборка данных, предварительно обработана путем восполнения отсутствующих признаков, приведена к требуемому формату и адаптирована для последующей обработки методами машинного обучения. Затем осуществлено стандартное разбиение массива данных на обучающий и тестовый набор с целью последовательного обучения и объективной оценки производительности построенных моделей.
По итогам всестороннего обзора инструментальных средств построения статистических моделей оптимальным решением для решения поставленной задачи был признан высокоуровневый язык программирования Python. Основная среда разработки выбрана Google Colaboratory ввиду её удобства и функциональности. Было выполнено моделирование процесса прогнозирования с использованием ряда современных алгоритмов машинного обучения: линейная множественная регрессия, дерево принятия решений, Random Forest и нейронные сети. Проанализирована и сопоставлена их предсказательная точность. Наиболее точной прогнозной моделью оказался Random Forest.
Были определены наиболее важные признаки относительно целевого атрибута и проведена оценка предсказательной точности модели на основе полученных признаков. В результате чего можно сделать вывод, что построение модели Random Forest на основе наиболее важных признаков показало наилучший результат в прогнозировании цен коммерческой недвижимости.
По результатам тестирования сделаны выводы о применении алгоритма: применение метода машинного обучения в связи с оценкой цен на коммерческую недвижимость оказалось очень эффективным, но требует больших ресурсов и строгого подхода, ориентированного на данные. Без правильного и глубокого понимания данных и лежащих в их основе структур было бы невозможно разработать адекватную прогнозную модель.
Подводя итоги представленного исследования, можно констатировать успешное достижение всех заявленных целей и выполнение поставленных задач. Итоговым результатом проведенной работы стал обоснованный выбор модели машинного обучения, прошедшей этап сравнительного анализа среди конкурирующих методик и продемонстрировавшей наибольшую эффективность в задаче прогнозирования цен коммерческой недвижимости.
Купить