Использование предиктивной геоинформационной модели для оценки рыночной стоимости земельных участков в экспертной системе
Финансирование: -
Аннотация:
При решении задачи прогнозирования рыночной стоимости существует проблема, связанная с набором данных по земельным участкам. Для определения реальной рыночной стоимости была выдвинута гипотеза о том, что модель для предсказания кадастровой стоимости участка будет эффективна и для предсказания увеличения рыночной стоимости земельного участка. Исследование направлено на определение рыночной стоимости земельных участков с учетом пространственного фактора. В статье анализируются данные о рыночной стоимости участков на основе зарегистрированных сделок купли-продажи. Результаты исследования показали сильное влияние местоположения земельных участков относительно социальной инфраструктуры, федеральных трасс, крупных населенных пунктов и водоемов. На основе этого разработана математическая модель, использующая ансамблевый самооптимизирующийся метод, для определения стоимости квадратного метра земельного участка. Принцип работы будущего программного продукта заключается в том, что в специальном плагине пользователь может выбрать земельный участок на карте или задать его координаты и получить на выходе кластер, гипотетическую стоимость земельного участка и прибыль за некоторое заданное количество лет.
Ключевые слова (RU):
рыночная стоимость, кадастровая стоимость, анализ, прогнозирование, регрессионная модель, экспертная модель, CatBoost, NgBoost, XGBoost
Ключевые слова (EN):
market value, cadastral value, analysis, forecast, regression model, expert model, CatBoost, NgBoost, XGBoost
Библиографический список:
- Боровков А. А. Математическая статистика : учеб. – 4-е изд., стер. – СПб. : Издательство «Лань», 2010. – 704 с.
- Шпигельхалтер Д. Искусство статистики. – М. : Манн, Иванов и Фербер, 2020. – С. 134–155.
- Любимцев О. В., Любимцева О. Л. Линейные регрессионные модели в эконометрике, Линейные регрессионные модели в эконометрике. – Нижний Новгород : Нижегородский государственный архитектурно-строительный университет, ЭБС АСВ, 2016. – С. 9–16.
- Деммель Дж. Вычислительная линейная алгебра. – М. : Мир, 2000. – 430 с.
- Vandeput N. Data Science for Supply Chain Forecasting. – 2nd ed. – Walter de Gruyter GmbH & Co KG, 2021 – 310 p.
- Duan T., Avati A., Ding D. Yi., Thai K. K., Basu S., Ng A., Schuler A. NGBoost: Natural Gradient Boosting for Probabilistic Prediction [Electronic resource] // Proceedings of the 37 th International Conference on Machine Learning. – Vienna, Austria, PMLR 108, 2020. – Mode of access: https://arxiv.org/pdf/1910.03225.pdf (accessed 01.03.2023).
- Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Data Mining, Inference and Prediction. – Springer. – P. 337–386, 409 [Electronic resource]. – Mode of access: https://hastie.su.domains/Papers/ESLII.pdf (дата обращения: 01.03.2023).
- Dr Guillaume Saupin. Practical Gradient Boosting: An deep dive into Gradient Boosting in Python. – 2022. – 208 p.
- Кашницкий Ю. С. История развития ансамблевых методов классификации в машинном обучении. – С. 4–6 [Электронный ресурс]. – Режим доступа: https://www.researchgate.net/publication/278019662_Istoria_razvitia_ansamblevyh_metodov_klassifikacii_v_masinnom_obucenii (дата обращения: 01.03.2023).
- Natekin A., Knoll A. Gradient boosting machines, a tutorial [Electronic resource]. – Mode of access: https://www.researchgate.net/publication/259653472_Gradient_Boosting_Machines_A_Tutorial.
- Peng R. D., Matsui E. The Art of Data Science. A Guide for Anyone Who Works with Data [Electronic resource]. – Mode of access: http://bedford-computing.co.uk/learning/wp-content/uploads/2016/09/artofdatascience.pdf.
- VanderPlas J. Python Data Science Handbook [Electronic resource]. – Mode of access: https://jakevdp.github.io/PythonDataScienceHandbook/.
- Шульгин С. Г. Отбор переменных для анализа и прогнозирования нестабильности с помощью моделей градиентного бустинга [Электронный ресурс]. – Режим доступа: https://www.socionauki.ru/upload/socionauki.ru/book/files/monitoring_sm_5/115-153.pdf.
- Nailong Zhang. A Tour of Data Science (Chapman & Hall/CRC Data Science Series). – 2020.
- Федотов С., Синицин Ф. Машинное обучение [Электронный ресурс]. – Режим доступа: https://academy.yandex.ru/handbook/ml/article/mashinnoye-obucheniye.