Добавлен: 05.07.2023
Просмотров: 36
Скачиваний: 1
Вместе с тем, существует значительное число примеров уже оцененных квартир. Используя массив сведений о них, можно попытаться извлечь интересующую зависимость.
Для этого создается нейронная сеть, в которой количество входных нейронов соответствует количеству входных факторов, которые влияют на цену. В выходном слое будет всего один нейрон, соответствующий выходному фактору – цене.
Для обучения необходим массив обучающих примеров. Количество примеров должно быть достаточно большим – по некоторым расчетам, в 10-15 раз больше числа нейронов в сети. Примеры предъявляются ИНС, при этом веса связей внутри нее постепенно изменяются, с тем, чтобы реальный выходной сигнал был как можно ближе к ожидаемому значению выходного фактора. Один цикл предъявления всех учебных образцов называется эпохой. Обычно требуется несколько тысяч эпох, чтобы обучить нейронную сеть, но на современных компьютерах такое обучение занимает несколько минут.
Часть примеров не участвует в обучении, а выделяется в так называемое тестовое множество. На каждой эпохе работа сети проверяется на тестовом множестве. Таким образом тестируется способность ИНС к обобщению: возможности распространить выявленную закономерность к данным, не участвующим в обучении.
Обучение ИНС заканчивается, когда достигнуто заданное значение средней (или минимальной) ошибки, когда сеть исчерпала возможности обучения или же когда пройдено определенное число эпох. После этого веса связей фиксируются, и сеть может использоваться в рабочем режиме. Теперь, если в качестве входных сигналов сети указать параметры оцениваемой квартиры, значение на выходе будет представлять ее цену, рассчитанную на основе выявленной закономерности.
Не всегда нейронная сеть достигает хороших результатов обучения и обобщения. Среди возможных причин можно выделить следующие:
- неудачно выбрана архитектура сети (слишком много или слишком мало нейронов в скрытых слоях);
- недостаточно примеров для обучения;
- влияющие факторы выделены неудачно: в число входных параметров не включен один или несколько факторов, в наибольшей мере влияющий на значение выходных показателей;
- искомой зависимости не существует; обучающие примеры являются уникальными, аналогия между ними отсутствует.
Приведенные причины ранжированы по степени возрастания сложности их преодоления: если проблему, указанную в пункте 1, легко исправить, изменив число нейронов, то пункт 4 говорит о невозможности решения данной задачи методами нейросетей.
Сегодня разработано большое количество программных продуктов, пригодных для применения там, где возникает необходимость использования технологии нейровычислений. Существуют универсальные нейросетевые пакеты, предназначенные для решения любых задач, которые можно решить при помощи нейронных сетей, от распознавания речи и образов до решения задач прогнозирования, но, как показывает практика, такие программные продукты не всегда удобны для решения задач прогнозирования временных рядов. Существует класс нейросетевых программных продуктов, предназначенных исключительно для решения задач прогнозирования временных рядов. Наиболее популярные сегодня следующие программные продукты, реализующие нейросетевые подходы к решению задач прогнозирования.
1. Matlab – настольная лаборатория для математических вычислений, проектирования электрических схем и моделирования сложных систем. Имеет встроенный язык программирования и весьма богатый инструментарий для нейронных сетей – AnfisEditor (обучение, создание, тренировка и графический интерфейс), командный интерфейс для программного задания сетей, nnTool – для более тонкой конфигурации сети.
2. Statistica – мощнейшее обеспечение для анализа данных и поиска статистических закономерностей. В данном пакете работа с нейросетями представлена в модуле STATISTICANeuralNetworks (сокращенно, STNeuralNetworks, нейронно-сетевой пакет фирмы StatSoft), представляющий собой реализацию всего набора нейросетевых методов анализа данных.
3. BrainMaker – предназначен для решения задач, для которых пока не найдены формальные методы и алгоритмы, а входные данные неполны, зашумлены и противоречивы. К таким задачам относятся биржевые и финансовые предсказания, моделирование кризисных ситуаций, распознавание образов и многие другие.
4. NeuroShellDayTrader - нейросетевая система, которая учитывает специфические нужды трейдеров и достаточно легка в использовании. Программа является узкоспециализированной и как раз подходит для торговли, но по своей сути слишком близка к черному ящику.
Остальные программы являются менее распространенными.
Для решения задачи прогнозирования с помощью нейронных сетей лучше всего применить пакет Statistica, работающий на GRNN. Так как возможности этой нейросети позволяют:
- использовать семантические анализаторы, основанные на регулярных выражениях для анализа текстов объявлений и выявления в них максимума информации, заданной в неформализованном текстовом виде;
- создать такой набор решающих правил, который исключает заведомо абсурдные анкеты, содержащие неправдоподобное сочетание признаков объекта недвижимости;
- разработать матрицы граничных значений на основе эмпирических данных рынка недвижимости и статистического анализа выбросов и отсечь объявления с заведомо недостоверной ценовой информацией.
Классические приёмы математического моделирования экономических процессов лучше всего работают в случае, когда все зависимые факторы являются количественными. В задаче определения цены объекта недвижимости факторное пространство устроено значительно сложнее. Большинство ценообразующих факторов являются неупорядоченными (например, престижность района) или упорядоченными категориями (близость к реке: район граничит с рекой или нет). Важную роль играет также расположение объекта – географический фактор, кодирование которого представляет собой нетривиальную задачу. Простое использование географических координат не является решением проблемы, т.к. координаты – не ценообразующие факторы.
В первичный набор факторов, определявшийся экспертным путём с учётом наличия достаточного количества информации в основных риэлтерских базах, должны входить:
– выходная переменная: цена продажи объекта недвижимости;
– количественные факторы: общая площадь помещения (кв.м.);
– географические факторы: расположение объекта.
Количественные факторы (с учётом преобразований) должны использоваться в модели в неизменном виде.
Т.к. зависимости в нейронных сетях нелинейны, достаточно указать произвольные числовые значения, монотонно связанные с уровнями фактора, например, последовательные целочисленные значения или усреднённые значения цены в разрезе соответствующих категорий.
Среднеквадратическая относительная ошибка прогноза с использованием нейронной сети GRNN составляет 20% - это типичная точность для моделей массовой оценки. Построенная модель позволяет повысить эффективность управления комплексами недвижимости в масштабах города или крупной корпорации и сделать этот механизм более прозрачным.
В то же время, существует ряд направлений совершенствования модели, прикладную ценность которых предстоит изучить в дальнейшем. Среди них можно выделить:
• включение в модель временного фактора для учёта и прогнозирования трендов на рынке недвижимости;
• точную географическую привязку объекта оценки путём включения в модель географических координат объекта в некоторой (например, полярной) системе;
• разработку механизма интерпретации результатов и определения основных аналогов, повлиявших на результат оценки, при использовании сети МП;
• поиск оптимального комбинирования сетей МП и РБФ в целях снижения общей погрешности;
• обобщение результатов по всем городам с учётом их особенностей и создание единой системы массовой оценки недвижимости в масштабах страны. При одновременном внедрении обязательного публичного раскрытия информации о сделках по аренде и продаже, это позволит перейти к налогу на недвижимость по его рыночной стоимости.
Итак, модель, которую мы исследовали, имеет достаточно обобщённый характер, но, всё-таки, позволяет сделать определённые выводы. При прогнозировании стоимости жилой недвижимости, даёт представление об общей ситуации, складывающейся на рынке недвижимости. На этой основе её достаточно легко модифицировать, усовершенствовать, в связи с потребностями конкретного экономического агента или изменившимися условиями в экономике исследуемого региона.
Искусственные нейронные сети получили большое распространение при решении многих задач. Вместе с тем изучение большинства их возможностей находится в экспериментальной стадии. Нейросетевые технологии не должны рассматриваться как универсальное средство решения всех интеллектуальных задач. Их применение оправдано в тех областях, в которых существует значительное число однотипных примеров, отражающих скрытые взаимосвязи.
Нейросетевые технологии предназначены для решения плохо формализованных задач. Такого рода технологии используются для распознавания каких-либо событий или предметов. С их помощью можно воспроизвести многочисленные связи между множеством объектов. Принципиальное отличие искусственных нейросетей от обычных программных систем, состоит в том, что они не требуют программирования. Они сами настраиваются, т.е. обучаются тому, что требуется пользователю.
В данной работе мной были рассмотрены подходы к выбору метода прогнозирования стоимости жилой недвижимости. С учётом большого количества ценообразующих факторов, их сложной структуры, а также нелинейной зависимости между ценами и влияющими факторами, в качестве метода моделирования была выбрана нейронная сеть GRNN.
-
Список используемой литературы
- http://www.immsp.kiev.ua/postgraduate/Biblioteka_trudy/NejpokomputernTechnikaUossermen1992.pdf
- https://geektimes.ru/post/83781/
- https://geektimes.ru/post/51372/
- https://geektimes.ru/post/74326/
- http://www.neyronn.ru/25-formalizaciya-nejroseti/
- http://leonarus.com/2008/09/08/tipichnye-primery-primeneniya-nejronnyx-setej-v-menedzhmente/
- Галушкин А.И. Применения нейрокомпьютеров в финансовой деятельности
- Владимир Белов «О перспективах искусственного интеллекта»
Глоссарий
Автоассоциативная сеть – сеть, которая может завершить или исправить образ, но не может ассоциировать полученный образ с другим образом.
Гибридная интеллектуальная сеть – сеть, в которой для решения задачи используется более одного метода имитации интеллектуальной деятельности человека.
ИНС - иску́сственная нейро́нная се́ть - математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма.
Искусственный нейрон – узел нейронной сети, представляющий собой упрощенную модель естественного нейрона.
МП - многослойный персептрон - это нейронные сети прямого распространения. Входной сигнал в таких сетях распространяется в прямом направлении, от слоя к слою. Многослойный персептрон в общем представлении состоит из следующих элементов:
- множества входных узлов, которые образуют входной слой;
- одного или нескольких скрытых слоев вычислительных нейронов;
- одного выходного слоя нейронов.
Обучение без учителя – обучение сети, при котором обучающее множество состоит лишь из входных векторов.
Обучение с учителем предполагает, что для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход.
Перцептрон – математическая и компьютерная модель восприятия информации мозгом (кибернетическая модель мозга).
Полносвязные нейронные сети – структуры, в которых каждый нейрон сети имеет прямую связь с другими нейронами.
РБФ – это искусственная нейронная сеть, которая использует радиальные базисные функции как функции активации.
Рекуррентная нейронная сеть – это сеть, в которой сигнал с выходных нейронов или нейронов скрытого слоя частично передается обратно на входы нейронов входного слоя (обратная связь).