قیمت گذاری املاک مسکونی به کمک الگوریتم ترکیبی یادگیری عمیق- فازی

اهمیت روزافزون مسکن به لحاظ تاثیرات عمیق و قابل توجهی که بر ابعاد مختلف اجتماعی، سیاسی و اقتصادی کشورها می گذارد، بر کسی پوشیده نیست؛ بنابراین برآورد دقیق و قابل اعتماد قیمت به طورقطع امر سیاست گذاری در این زمینه را آسان می نماید. در شرایط مختلف ممکن است صدها عامل به صورت زیرمجموعه ای از عوامل ساختاری، مکانی و اجتماعی - اقتصادی بر قیمت املاک تاثیر بگذارد. بنابراین بایستی با در نظر گرفتن این عوامل، قیمت گذاری املاک به طور کارآمد انجام شود. با توجه به ماهیت پیچیده ی بازار املاک در تحقیقات انجام شده از الگوریتم های متداول یادگیری عمیق مانند DNN ، RNN،  CNNو... استفاده شده است، اما این الگوریتم ها در خصوص داده های جدولی چندان مناسب نمی باشند. از طرفی مدل های یادگیری عمیق موجود در قیمت گذاری ملک نیز کاملا قطعی هستند و عدم قطعیت داده ها را لحاظ نمی کنند. در این مقاله سعی شده است که در به کارگیری روش های یادگیری عمیق به ساختار جدولی داده های املاک توجه شود. برای این منظور معماری عمیق جدید TabNet به کار گرفته شده است. این الگوریتم برخلاف سایر الگوریتم های متداول یادگیری عمیق داده های جدولی خام را بدون هیچ گونه پیش پردازشی دریافت می کند. در این پژوهش هم چنین با استفاده از تکنیک های ترکیب موجود، منطق فازی با الگوریتم های یادگیری عمیق ترکیب شده است تا ضمن یادگیری سریع و دقیق تر مسایل پیچیده، بر کاستی های قطعی بودن مدل های یادگیری عمیق و در نظر نگرفتن عدم قطعیت ذاتی داده ها در این مدل ها غلبه شود. همچنین با به کارگیری سیستم اطلاعات مکانی (GIS) ارزیابی شفاف تری ارایه شد تا بصری سازی کامل الگوی مکانی ویژگی های ملک و همچنین ارتباط این ویژگی ها و قیمت گذاری تضمین  و متغیرهای مکانی نیز در مدل ارزش گذاری لحاظ شوند. به منظور ارزیابی روش های پیشنهادی از داده های املاک منطقه ی پنج تهران استفاده شده است. ترتیب و اولویت بندی تاثیرگذاری ویژگی ها در قیمت گذاری املاک مسکونی تهران توسط الگوریتم TabNet نشان دهنده ی تاثیر قابل توجه عوامل مکانی می باشد. به طوری که در این رتبه بندی  پس از مساحت دو ویژگی مکانی طول و عرض جغرافیایی به ترتیب رتبه ی دوم و سوم را دارا می باشند. درنهایت برای مجموعه داده ی تهران الگوریتم های TabNet، DNN،CNN ، RNN، LSTM، خود رمزگذار و همچنین الگوریتم یادگیری ماشین XGBoost به کار گرفته شده و معیارهای ارزیابیRMSE ،MAE  و  مقایسه شدند که بر اساس معیار، با به کارگیریTabNet   پنج درصد بهبود دقت حاصل شد. درنهایت RMSE الگوریتم ترکیبی FuzzyTabNet برای داده ی تهران نسبت به الگوریتم پایه ی TabNet  4.65% کاهش یافت. همچنین شبکه ی خود رمزگذار فازی نیز نسبت به شبکه ی خود رمزگذار معمولی 6.52 درصد بهبود یافت.