CC BY
348
УДК 004.021, 004.67, 338.984 С.А. Герасимов
МОДЕЛИРОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОЦЕНКИ СТОИМОСТИ АРЕНДЫ ОБЪЕКТА ОФИСНОЙ НЕДВИЖИМОСТИ С НАИМЕНЬШЕЙ ОШИБКОЙ
Приводятся результаты исследования по подбору оптимальной архитектуры нейронной сети для целей оценки объектов офисной недвижимости. Практическое использование полученных результатов позволило осуществить оценку рыночной арендной ставки для ряда объектов офисной недвижимости в центральном административном округе г. Москвы.
Ключевые слова: моделирование, нейронные сети, ставки аренды, задача классификации.
ТЪ нашей стране в настоящее время
А# сегмент офисных зданий и сооружений является существенной частью общего рынка недвижимости. Для компаний, управляющих такими объектами, важное значение приобретает рыночная оценка стоимости сдаваемых в арен-ду офисных площадей. Развитие новых информационных технологий позволяет решить эту задачу, используя модели нейронных сетей. Настоящая работа посвящена моделированию нейронных сетей для оценки стоимости аренды объекта офисной недвижимости с наименьшей ошибкой.
Сравнительный подход является методом оценки недвижимости, который базируется на информации о недавних сделках с аналогичными объектами на рынке и сравнении оцениваемой недвижимости с аналогами [1]. Этот подход требует множества вычислений, учёта большого количества поправок и корректировок. Не всегда удаётся достаточно точно выявить закономерность, определяющую арендную стоимость недвижимости.
Учитывая способность искусственных нейронных сетей (ИНС) выявлять сложные зависимости между входными и выходными данными, а также выполнять
обобщение, можно поручить нейронной сети выявление интересующей закономерности, определяющей аренд-ную ставку.
Попытаемся смоделировать ИНС наиболее оптимальной конфигурации для нашей задачи.
Моделирование сети. Создается нейронная сеть, в которой количество входных нейронов соответствует количеству входных факторов, влияющих на цену. В выходном слое будет всего один нейрон, соответствующий выходному фактору -цене.
Для обучения сети необходимо подготовить массив обучающих примеров. Количество примеров должно быть в 10-15 раз больше числа нейронов в сети [2]. В процессе обучения примеры предъявляются нейронной сети, 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. Для обучения сети требуется несколько тысяч эпох [3; 4].
Обучение ИНС заканчивается, когда достигнуто заданное значение средней ошибки, когда сеть исчерпала возможно-
сти обучения или же когда пройдено определенное число эпох. После этого веса связей фиксируются, и сеть может использоваться в рабочем режиме.
Для моделирования сетей применяется пакет программных средств STATISTICA Neural Networks фирмы StatSoft [5].
В исследовании перебираются архитектуры ИНС с различным количеством входных нейронов и нейронов в скрытом слое, на основе двух типов сетей:
• многослойный персептрон (МП);
• радиальная базисная функция
(РБФ);
Подготовка данных. Отсутствие в России закона, обязывающего участников сделок с недвижимостью публиковать информацию о суммах сделок и характеристиках объектов, осложняет задачу подготовки массива обучающих данных для сети. Данные берутся из открытых источников интернет, из каталогов, информация поступает от риэлторов. Всего удалось собрать 360 примеров.
Параметры объекта:
• цена;
• площадь;
• район расположения;
• класс офиса;
• обеспеченность парковкой (кол-во кв.м на 1 паркоместо);
• высота этажа;
• глубина этажа;
• качество отделки;
• расстояние до метро (мин. пешком);
• этаж;
• этажность;
• и др.
Перед подачей нейронной сети исходных данных, числовые переменные необходимо масштабировать (по алгоритмам минимакса и среднего/стан-дартного отклонения), а номинальные переменные преобразовать в количественные. По критерию «физическое состояние помеще-
ний» номинальные значения заменяются на определенное количество баллов (от 1 до 5) исходя из отнесения объектов к одной из категорий соответственно:
• неудовлетворительное/ черновая отделка;
• удовлетворительное;
• хорошее;
• отличное;
• евростандарт.
Критерий же «район расположения объекта» был преобразован в количественные показатели на основе рейтинга, определенного методом экспертных оценок.
Массив подготовленных данных необходимо разделить случайным образом на следующие части: обучающая выборка (80 %), тестовая выборка (10 %) и контрольная выборка (10 %).
Эксперименты. Каждый эксперимент проводится по следующему алгоритму:
1. Формирование НС.
2. Обучение НС осуществляется подачей на вход обучающего мно-жества.
3. Тестирование НС. Оценивается качество классификации при подаче на вход тестового множества. Сеть считается успешной при относительной ошибке не более 20 %. Если ошибка больше, следует возврат к п.2. В случае, когда повторное обучение не улучшило результат, сеть считается неудачной и выбывает из эксперимента.
4. Контрольная классификация. На вход НС подаются данные контрольного множества. Результаты заносятся в таблицу.
Результат. После проведения серии из 30 экспериментов с различными типами и формами нейронных сетей были определены наилучшие варианты сети по наименьшей контрольной ошибке (таблица).
Место Архитектура Ошибка обучения Контрольная ошибка Корреляция
і РБФ і2-б0-і 0,029453 0,038472 0,89035
2 РБФ і2-44-і 0,03259і 0,043б27 0,89і2і
3 РБФ і2-29-і 0,039572 0,045935 0,8799і
4 МП 9-іі-і 0,07923б 0,08і954 0,89530
5 МП 7-9-і 0,082427 0,084832 0,902і0
Архитектура нейронной сети с входной группой нейронов, одним скрытым слоем нейронов и одним выходным нейроном
В результате проведённых экспериментов наименьшую ошибку показала сеть типа РБФ с архитектурой 12-60-1. Эту модель сети и будем использовать в дальнейшем для оценки арендной ставки офисной недвижимости на основе
1. Грязнова А.Г., Федотова М.А. Оценка недвижимости: Учебник - М.: Финансы и статистика, 2001. - 187 с.
2. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. -1-е. - М.: Горячая линия - Телеком, 2001. - 382 с.
3. Саймон Хайкин Нейронные сети: полный курс - 2-е. - М.: Вильямс, 2006. - 1104 с.
4. Галушкин А.И. Нейронные сети: основы теории. - М.: Горячая линия - Телеком, 2010. - 496 с., ил.
выявленной сетью закономерности между входными данными и результатом.
Из логики обучения сети следует, что она накапливает опыт на основе перебора массива примеров и фиксирует его в виде набора весов связей. В случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.
Рассмотренный метод по подбору оптимальной архитектуры нейронной сети для целей оценки объектов офисной недвижимости был программно реализован, вошел в состав комплекса программных средств анализа, оценки и прогнозирования рыночной арендной ставки и использовался при управлении рядом объектов офисной недвижимости в центральном административном округе г. Москвы [6].
-------------- СПИСОК ЛИТЕРАТУРЫ
5. Нейронные сети. Statistica Neural Networks: Методология и технологии современного анализа данных / Под редакцией В. П. Боровикова. - 2-е изд., перераб. и доп. - М.: Горячая линия-Телеком, 2008. - 392 с., ил.
6. Огиренко А.Г., Смирнов М.И. Проблемы комплексной автоматизации хозяйственной деятельности холдинга, управляющего объектами недвижимости. Программные продукты и системы. 2011, № 3, с. 124-127. nsrj=i
КОРОТКО ОБ АВТОРЕ ---------------------------
Герасимов Сергей Александрович - аспирант, prroto@gmail.com, Московский государственный горный университет.
