Библиотечный каталог авторефератов Украины

ЧЕРКАСЬКИЙ ДЕРЖАВНИЙ ТЕХНОЛОГІЧНИЙ УНІВЕРСИТЕТ  

Тазетдінов Валерій Абударович

                                                                                               УДК 519.863.001.63

НЕЙРОМЕРЕЖЕВА ТЕХНОЛОГІЯ АНАЛІЗУ І  ПРОГНОЗУВАННЯ ПРОЦЕСІВ НА РИНКУ НЕРУХОМОСТІ

05.13.06 – автоматизовані системи управління

                      і прогресивні інформаційні технології

Автореферат

дисертації на здобуття наукового ступеня

кандидата технічних наук

Черкаси – 2005

  Дисертацією є рукопис.

  Робота виконана в Черкаському державному технологічному університеті
Міністерства освіти і науки України.

Науковий керівник:                кандидат технічних наук, доцент

                                                 СНИТЮК ВІТАЛІЙ ЄВГЕНОВИЧ,

Київський національний університет імені Тараса Шевченка, докторант факультету кібернетики.

Офіційні опоненти:              доктор технічних наук, професор

               ТЕСЛЯ ЮРІЙ МИКОЛАЙОВИЧ,

                       Київський національний університет будівництва 

               і архітектури, професор кафедри інформаційних 

               технологій;

                       кандидат фізико-математичних наук, доцент

               ІВОХІН ЄВГЕН ВІКТОРОВИЧ,

               Київський національний університет імені Тараса 

               Шевченка доцент кафедри системного аналізу і

               теорії прийняття рішень факультету кібернетики.            

Провідна установа:             Інститут проблем математичних машин і систем

                                                Національної академії наук України, відділ
                                               нейротехнологій, м. Київ.

Захист відбудеться  8 вересня 2005р. о 1430  годині на засіданні спеціалізованої вченої ради К73.052.01 в Черкаському державному технологічному університеті за адресою: 18006, м. Черкаси, бул. Шевченка, 460.

З   дисертацією   можна   ознайомитися   у   бібліотеці   Черкаського державного технологічного університету за адресою:

18006, м. Черкаси, бул. Шевченка, 460.

Автореферат розісланий 25 червня 2005 р.

Вчений секретар

спеціалізованої вченої ради                                                             Палагін В.В.ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

        Актуальність теми. Сучасний стан ринку нерухомості є зменшеною копією стану україн­сь­кої економіки в цілому. Поступово закінчу­ється період швидкого накопи­чення капі­талу із його надприбутками і відбува­ється перехід до суспільс­тва, в якому значна частина фінансових потоків про­дукується сферою ін­форма­ційних тех­ноло­гій. Зменшення норми прибутку ви­кликає інтерес до вивчення ринку, його суб’єктів, структури і механізмів функціонування, причин і нас­лідків прийняття рішень. Зростає необхідність у вико­рис­танні інформаційно-аналітичних методів прогнозування ситуації і передба­чення майбутніх сце­наріїв розвитку, які потрібні для потенційних інвесторів, ор­ганів державного управління з метою прийняття стратегічних рішень з роз­витку бізнесу та удосконалення механізмів функціонування ринку.

        Впровадження сучасних технологій в інформаційно-аналітичній інфраструктурі обслугову­вання клієнтів передбачає, насампе­ред, оптиміза­цію по­ве­дінки суб’єктів ринку нерухомості і забезпечення досягнення ними своїх цілей. Методи аналітичної об­ро­бки даних дозволять отримати інформацію про максима­льно можливу вар­тість об’єкта для продавця, забезпечити здійснення по­купки за мініма­льну ціну, збільшити прибуток за ра­хунок скорочення часу операцій продажу, збі­льшення кількості клієнтів і по­кращення якості обслугову­вання.     

        Розробка та застосування інформаційно-аналітичного забезпечення проц­есів на ринку нерухомості зумовлено необхідністю внесення порядку в його структурну та елементну базу, що дасть можливість проведення цілес­прямова­ної державної політики. На актуальність цієї діяльності вказують та­кож нормативні акти Кабінету Міністрів, Закон України “Про іпотеку” та Указ Президента України, в якому за­проваджується безвідсот­кове кредитування державних службовців на при­дбання житла.

        Вітчизняні та зарубіжні вчені досягли значних результатів у розв’язанні задач аналізу складних систем, однією з яких є ринок нерухомості, а також у прогнозу­ванні майбутніх сценаріїв їх розвитку. Зокрема, у роботах
В.М. Глушкова, М.М. Моісєєва,  М.З. Згуров­ського,  Ю.П. Зайченка, 
Е.А. Трахтенгерца, А.І. Галушкіна, Н.Д Панкратової, А.А. Тимченка,
Ю.М. Теслі, Г.М. Стерника, Т. Кохонена, Т. Сааті, Д. Голдберга розроблені моделі та методи ідентифікації та прогнозу­вання процесів у динамічних системах.

Аналіз широкого спектру задач, які розв’язуються суб’єктами ринку нерухомості, та динаміки впливу зовнішнього середовища на ринкові процеси як об’єктивного, так і суб’єктивного характеру вказує на необхідність концептуа­льної перебу­дови інформаційного обслуговування та аналітич­ного забезпе­чення. Значна потужність множини початкових даних, їх різ­нотипність, суб’єктивний характер походження, врахування можливості форс-ма­жорних обставин та ймовірності їх виникнення, визначення міри відповід­ного реагування з метою мінімізації збитків  не дають можливості адекват­ного аналізу ін­формації в рамках традиційних статистичних та ін­тегро-диференціальних мето­дів. Необхідність підвищення достовірності, то­чності і своєчасності інформації для аналізу процесів на ринку нерухомості та ефективного управління на базі методів са­моорганіза­ції та нейромережевих парадигм зумовила актуальність ди­сертаційного дослідження. Вказані методи є складовими сучасної теорії штучного інтеле­кту, вони є значимими  при створенні експертних систем, що базуються на знаннях, та їх оптимізації.

        Зв’язок роботи з науковими програмами, планами, темами. Дисер­та­ція виконана в рамках держбюджетної теми Черкаського державного технологічного університету “Еволюційні моделі, методи і засоби підтримки прийняття рішень при створенні віртуальних підприємств”, номер державної реєстрації – 0103U003686. Задача дисертаційного дослідження розв’язана за допомогою застосування штучних нейронних мереж, що відповідає за­вданням Націона­льної програми інформатизації за напрямком “Нейрокомп’ютери і нейроме­режеві технології”.

        Мета і задачі дослідження. Метою дисертаційної роботи є розробка моделей і методів аналізу та прогнозування майбутніх сценаріїв розвитку процесів на ринку нерухомо­сті з використанням ідей та принципів самоорганізації і функціонування нейронних мереж. Для досягнення цієї мети в дисертаційній роботі поставлені і розв’язані такі наукові задачі:

• виконати аналіз моделей, методів та програмно-методичних засобів, які вико­ристовуються для роботи на ринку нерухомості;
• здійснити декомпозицію задач функціонування ринку нерухомості на ос­нові його системної моделі;
• формалізувати задачі аналізу та прогнозування ринку нерухомості;
• здійснити порівняльний аналіз класичних методів ідентифікації функції оцінки об’єкта нерухомості та запропонувати процедури препроцесінгу  даних;
• розробити модель та метод оцінки вартості об’єкта нерухомості на базі штучної нейронної мережі, принципів стохастичної релаксації та регулярності;
• розробити метод самоорганізації інформаційного ба­нку нерухомості з використанням нейромережевих моделей ;
• розробити адаптивну технологію нечіткого аналізу динаміки ринку нерухомості;
• запропонувати метод пошуку рівноважної ціни із урахуванням впливу синерге­ти­чних аспектів;
• розробити структуру, принципи функціонування інформаційно-аналітич­ної системи аналізу і прогнозування ринку нерухомості та про­цедури інтерпретації результатів її роботи.   

             Об’єкт дослідження. Об’єктом дослідження є інформаційно-аналіти­чне забезпечення  ринку нерухомості.

             Предмет дослідження. Предметом дослідження є методи аналізу і прогнозу­вання ринку житлової нерухомості та їх автоматизація.

             Методи дослідження. Теоретичну та методологічну базу дисертаційної роботи склали дослі­дження вчених в області системного аналізу, автоматизованих систем управління, штучного інтелекту та інфо­рма­ційних технологій.

        Математичним апаратом дослідження є методи математичної статис­тики та економетрії, які використані  для процедур початкової підготовки даних та формування вектора найбільш значущих факторів, теорії нечітких множин – для формалізації та кількісного представлення суджень суб’єктів ринку нерухомості, нейро­кі­берне­тики – для вирішення задач кластеризації та класифікації об′єктів нерухомості і само­орга­нізації інформаційного банку, а також аналізу та прогнозування динаміки ринку нерухомості.

Інформаційну базу дослідження складають ста­тис­тичні дані, що характеризують динаміку ринку житлової нерухомості, а та­кож статистика пропозиції та попиту за останні три роки.

              Наукова новизна одержаних результатів. У дисертаційному дослідженні вперше формалізована і розв’язана задача розробки моделей та методів аналізу і прогнозування процесів на ринку нерухомості України на основі використання принципів самоорганізації та теорії нейронних мереж, що дозволило одержати те­оретичні та практичні результати, які характеризують новизну дослідження і особистий внесок автора, зокрема:   

     вперше:

• запропоновано моделі та методи аналізу і прогнозування процесів на ринку нерухомості, що базуються на принципах самоорганізації та нейромережевих парадигмах та дозволяють ефективно розв’язувати задачу ідентифікації залежності між ціною об’єкту нерухомості та факторами, що його визначають;
• розроблено нейромережевий метод самоорганізації  інформаційного банку нерухомості, ядром якого є результати розв’язання задачі кластеризації, що зменшує інформаційну невизначеність та вплив шумових ефектів у вихідній інформації і дає можливість здійснювати сегментацію ринку нерухомості;
• формалізовано та розв’язано задачу визначення адаптивної динаміки ринку нерухомості на основі нечіткого аналізу, що дозволяє здійснювати уточнення оцінки вартості об’єкта нерухомості з урахуванням регіональних особливостей; 

     одержав подальший розвиток:

• метод пошуку рівноважної ціни об’єктів нерухомості за рахунок використання нейронних мереж та врахування суб’єктивних переваг, в результаті застосування якого оптимізується функціонування ринку нерухомості;

      удосконалено:

• метод стохастичної релаксації для навчання нейронних мереж за рахунок композиційного використання ймовірнісних розподілів та прин­ципу регулярності, що дозволило збільшити швидкість розв’язання задачі ідентифікації функції оцінки вартості об’єктів нерухомості при збереженні точності результату.

               Практичне значення одержаних результатів. Практична цінність роботи полягає в наступному.

1. Виконана формалізація та структуризація задач ринку нерухомості і визначений перелік ефективних методів їх розв’язання. Наукові положення, одержані в ро­боті, дозволяють здійснювати аналіз тенденцій на ринку нерухомості, а конце­пція дослідження виводить на новий рівень їх прогнозування.
2. Розроб­лені процедури препроцесінгу даних, кластеризації, класифіка­ції та ідентифікації на базі нейромережевих моделей і методів підкреслюють її методичний аспект. Переваги такого підходу підтверджені результатами функціонування інфор­маційно-аналітичної системи “REMA”, яка дозволила здійснювати оптимізацію інформаційного банку, моделювання процесів на ринку нерухомості і прогно­зування майбутніх сценаріїв його розвитку.
3. Основні результати дослідження використані у роботі Фонду Держмайна України у Черкаській області та навчальному процесі Черкаського державного технологічного університету при вивченні курсів “Інформаційні інтелектуальні системи”, “Нейрокомп’ютерні системи”, “Програмне забезпечення інтелектуальних систем”.  

Особистий внесок здобувача. Дисертаційна робота є самостійною за­кін­ченою науковою працею. Всі результати дослідження отримані автором особи­сто. В сумісних роботах автору належать класифікація та формалізація задач ринку нерухо­мості [5]; модифікований метод стохастичної релаксації [6].

             Апробація результатів дисертації. Основні положення дисертації доповідались та обговорювались на:

• Міжнародній конференції “Єдиний інформаційний простір”
  (м. Дніпропетровськ, грудень, 2003 р.);
• II Міжнародній науковій конференції “Нейромережеві технології та їх застосу­вання” (м. Краматорськ, грудень, 2003 р.);
• VII міжнародній науково-практичній конференції “Наука і освіта - 2004” (м. Дніпропетровськ, лютий, 2004 р.);
• VI Міжнародній науково-практичній конференції студентів, аспірантів та мо­лодих вчених “Системний аналіз та інформаційні технології”(м. Київ, липень, 2004 р.);
• V Міжнародній науково-практичній конференції “Штучний інтелект - 2004” (смт. Каціавелі, Крим, вересень, 2004 р.).

             Публікації. За результатами дисертаційної роботи опубліковано 9 наукових праць, в тому числі 5 статей, що входять в переліки ВАК України, 1 стаття та 3 тези допові­дей на міжнародних конференціях.

Обсяг і структура дисертації. Дисертація складається із вступу, чотирьох розділів, висновків, списку використаних джерел і додатків. Основ­ний текст викладений на 130 сторінках, містить 25 рисунків та 8 таблиць. Список використаних джерел складається із  142  найменувань.

ОСНОВНИЙ ЗМІСТ РОБОТИ

        У вступі обгрунтовано актуальність дослідження, визначено його мету і задачі, а також об’єкт і предмет дослідження, розкрито наукову новизну і практичне значення отриманих результатів.

        У першому розділі “Процеси на ринку нерухомості – об’єкт аналізу та автоматизації” визначено теоретичні передумови дослідження. Розкрито особливості сучасного стану процесів на ринку нерухомості (РН), вказано на їх не­визначеність, пов’язану із різнотипністю факторів, які є детермінованими, ймо­вірнісно-статистичними та суб’єктивними. Встановлено, що адекватний аналіз та прогнозування тен­денцій на РН можливий за умови створення та викорис­тання автоматизо­ваних систем, ре­зультати роботи яких впливатимуть на змен­шення ентро­пії у початкових да­них та будуть засобом підтримки прийняття рі­шень у процесах визначення ціни на нерухомість, її залежності від зовнішніх та внутрі­шніх факторів. 

       Визначено структуру, функції, вказано на роль РН як сектора наці­ональної економіки. В останні роки його динаміка та низький рівень поін­формованості населення про існуючі тенденції свідчать про необхідність роз­робки інформаційно-аналітичних систем, призначених для надання консульта­тивних послуг як споживачам, так і аналітикам. Такі системи повинні бути оріє­нтовані на розв’язання задач аналізу та прогнозування (рис. 1) і мати складо­вими частинами інформаційний банк та банк математичних моделей і методів.  

       В дисертаційній роботі виконано дослідження існуючих програмно-методи­чних засобів та технологій, які використовуються на РН. Встановлено, що домінуючим є вико­ристання найпростіших статистичних ме­тодів для розрахунку середніх пока­зників, середньоквадратичних відхилень і побудови графіків динаміки. У той же час, аналіз залежності між ціною та екзо­генними факторами, екзоген­них факторів між собою, визначення їхнього впливу на формування ціни в майбутньому з урахуванням можливих форс-ма­жорних обставин зали­шався поза увагою. Необхідність попередньої обробки даних, досить жорсткі обмеження на використання лінійних, нелінійних та поліноміальних моделей, низька точність аргументовано переконують у необхід­ності вибору нового інструментарію, що базується на штучних нейронних мережах (НМ).

       Зроблено висновок про те, що вказані моделі і відповідні методи дають можливість знаходження в базах даних раніше невідомих, нетривіальних, практично корисних і необхідних залежностей для при­йняття рішень на ринку нерухомості. Про­цес створення його інформаційно-аналітичного забезпечення по­винен врахову­вати особливості базової інформації. Встановлено, що різно­рідність даних, зна­чна роль суб’єктивних припущень вимагатиме викорис­тання композиції вище­вказаних методів при створенні автоматизованих систем обробки інфо­рмації. 

       Аналіз програмно-методичних засобів, які використовуються в роботі аналітиків РН, вказує на використання комп’ютерної техніки переважно для зберігання та ведення інформаційних баз. Застосування статис­ти­чних методів значно зву­жує предметну область дослідження, оскільки вони є ефективними лише у випадку лінійних моделей (і тих, що до них зводяться), для яких існує розвинена теорія, а також при виконанні досить сильних вимог до вихідної інформації.   Подолати вказані недоліки запропоновано шляхом використання технологій soft computing як на окремих робочих станціях, так і при роботі в локальній чи глобальній мережах.

       Згідно із принципами системного підходу визначено особливості РН, вибрано напря­мки розв’язання задач на базі системної моделі, яка має рівні цілей, задач, ме­тодів (алгоритмів) та засобів. Множині цілей поставлено у відповідність множину задач , які потрібно розв’язати для досяг­нення цілей. Задачі впо­рядковано у граф, який має “і-або” структуру. На наступному рівні системної моделі визначено методи і відповідні алгоритми , за допомогою яких розв’язуються задачі множини . Ниж­ній рівень системної моделі містить засоби , які є необхідною умо­вою реалізації методів із . Одержано відповідність

                                                     (1)           

причому відображення “зліва-направо” відповідає етапу аналізу, навпаки – синтезу (прогнозування). Визначено ієрархію задач, які розв’язуються на ринку не­рухомості. Сформовано структурно-логічну схему дослідження, в якій відобра­жено етапи виконання дисертаційної роботи.

        У другому розділі “Методичні аспекти та вибір методів дослідження процесів на ринку нерухомості” виконано формалізовані постановки задач аналізу ринку нерухомості, здійснено порівняння розв′язків задачі ідентифікації оці­нки вартості об′єктів нерухомості класичними методами та запропоновано ме­тодику дослідження на основі використання нейромережевих парадигм.

Визначено випадки, коли використання нейромережевих технологій дає обгрунтовану перевагу перед використанням інтегро-диференціальних методів. Розроблено структуру двох інформаційних банків: пропозиції та незадоволеного попиту :

            ,                             (2)

де - ідентифікаційний номер об’єкта нерухомості (ОН), , ,- внутрішні параметри, які характеризують ОН, - початкова ціна, оголошена продав­цем в момент часу , - ціна, скорегована продавцем в момент часу , - ціна, за якою ОН продали в момент часу ;

         ,                                      (3)

де - бажана ціна, - поле типу memo, яке містить інформацію про при­чину незадоволеного попиту.

Виконано формалізовані постановки задач, які розв’язуються на РН. Нехай - реальна ціна ОН, тобто ціна, за якою ОН може бути продано у визначений термін. Вектор вхідних факторів відповідає полям . Перша задача, у загальному випадку, задача нелінійної багатопараметрич­ної оптимізації, полягає у знаходженні

       ,                                   (4)

де - кількість записів у (2), - реальні ціни ОН із , - функціо­нальна оцінка залежності ціни від вхідних факторів, знаходження якої  еквівалентно за­дачі ідентифікації залежності

                                                                  (5)

        Спорідненими до (4) є задачі визначення чутливості ендогенної характерис­тики (ціни ОН) до зміни вхідних факторів, які полягають у розрахунку абсо­лютних та відносних коефіцієнтів чутливо­сті:

                                            , ,                                     (6)

де - середні значення -го фактора і ендогенної характеристики, відповідно, в певному класі ОН, який визначається аналітиком.  

Встановлено, що прогнозування РН залежить від розв’язку задачі – знаходження тенденцій зміни вартості ОН з часом у залежно­сті від значень  вхідних факторів та їх композиції, тобто ідентифікації залежностей

                                          ,                               (7)

де - -й вектор факторів, ди­наміку впливу якого на не­обхідно визначити.

Важливою для аналізу РН є задача загальної кластеризації, яка формулюється таким чином. Нехай , - ОН, які присутні в . Кожен ОН характе­ризують набором зна­чень параметрів . Ана­літиком зада­ється кількість кластерів , кластери позначаємо . Зазвичай, і , . За­дача кластеризації полягає у пошуку функції , яка визначає номер класу по індексу та мінімізує суму мір близькості:

                                                                                         (8)

за умови:

                                                                            (9)

де - кількість ОН в -му кластері,

Якщо ж значення -го фактора є постійним, то умова (9) є такою: 

                     .              (10)

       Ефективне функціонування РН визначається правильністю розв’язку задачі ідентифікації залежностей

                                                               (11)

і пошуку точки рівноважної ціни , яка визначається рівністю

                                                                (12)

при виконанні умови, що де - константа, - кількість однотипних ОН, куплених на РН, - кількість ОН, що пропонуються на РН. Розв′язання задачі (12) дозволить максимально врахувати інтереси суб′єктів РН і здійснювати продаж ОН за мінімальний час.

Для суб’єктів РН існує дві проблеми, першою з яких є збіжність допустимих областей запропонованих цін (продавцем і покупцем), другою - мінімізація часу операції (продажу одного ОН). Ефективним механізмом їх вирішення є розробка технології аналізу РН та створення інформаційно-аналітичного забезпечення, за допомогою якого визначатиметься компромісна ціна.

       Для розв’язку задачі (4) та ідентифікації (5) використано метод найменших квадратів (модель – лінійна множинна регресія), метод Брандона (нелінійна множинна регресія), методи групового врахування аргументів (модель – поліном). Аналіз їх результатів на внутрішніх та зовнішніх точках досліджуваної області показав низьку точність ідентифікованих залежностей, що пояснюється використанням для їх одержання модифікацій методу найменших квадратів та, як наслідок, необхідністю дотримання певних вимог, які ведуть до невиправданого спрощення моделі,  суб’єктивізмом оцінки ОН та різнотипністю його параметрів. Тоді застосування нейронних мереж для розв’язання (4)-(5) є обгрунтованим, оскільки відомо, що для них немає жодних застережень щодо вихідної інформації. Необхідною є лише її попередня формалізація. В дисертаційному дослідженні визначено основні класи факторів у відповідно­сті до областей їх значень: , ={Один із декількох}, ={“Декілька із багатьох”}, ={“Число”}, ={“Інтервал”}, ={“Нечіткий інтервал”}, ={“Слово”}, = {“Пропозиція”}.

У третьому розділі “Моделі та методи нейромережевого аналізу і про­гнозування тенденцій ринку неру­хомості” запропоновано моделі процесів на ринку нерухомості та розроблено методи їх дослідження.

В результаті попереднього аналізу встановлено, що для розв′язання задачі ідентифікації найбільш ефективними є прямозв′язні мережі із ітераційним навчанням, що базується на градієнтних методах, та мережа із радіально-базисними функціями активації. Недоліком останньої є низька точність апроксимації у точках, які знаходяться поза областю навчання та складність визначення “ширини” вікон активаційних функцій. Мережам із градієнтними методами навчання властиві проблеми “паралічу” та влучання в локальні оптимуми, що є особливо актуальним для аналізу РН, оскільки оцінка ОН є значною мірою суб′єктивізованою і визначається, найчастіше, в залежності від оптимальних значень одного-трьох факторів. Збалансована оцінка вартості ОН розраховується в результаті розв′язання задачі ідентифікації (5), (7), (11). Для цього вибрано метод, який базується на стохастичній релаксації мережі і є, значною мірою, вільним від вказаних проблем. Разом із тим, швидкість збіжності для машини Больцмана та машини Коші, які є традиційними представниками нейронних мереж із стохастичним алгоритмом навчання, є досить низькою, що в умовах значної кількості факторів, потужної інформаційної бази та необхідності оперативного перенавчання визначена критичною. Крім того, у них процес навчання є послідовно-ітераційним для всіх наявних образів, що збільшує час навчання за рахунок більшої кількості обчислень для досягнення потрібної точності.

В дисертаційній роботі розроблено модифікований метод стохастичної релаксації, згідно із яким із випадковим чином відібрано 5% записів до перевірочної послідовності, інші записи розділено на дві послідов­ності: навчальну і контрольну у певному співвідношенні. Нехай - функція нормального розподілу, - функція розподілу Коші. Модифіко­ваний алгоритм методу стохастичної релаксації є таким:

Крок 1. Задати початкове, заздалегідь велике значення температури і точність результату .

Крок 2. Згенерувати рівномірно розподілені на інтервалі (0, 1) матриці значень вагових коефіцієнтів  Нехай

Крок 3. Подати на вхід мережі -й навчальний образ і всі контрольні об­рази та обчислити значення функції енергії і , відповідно.

Крок 4. Змінити значення вагового коефіцієнта на рівномі­рно розподілену в (0, 1) величину .

Крок 5. Подати на вхід мережі -й навчальний і всі контрольні образи та обчислити значення функції енергії і .

             5.1. Якщо і , то зміну вагового коефіцієнта зберегти.

             5.2. Якщо  і , то зміну скасувати.    

             5.3. Якщо і , то генеруємо рівномірно розподілене на (0,1) випадкове число та знаходимо . При виконанні нерівності зміну вагового коефіцієнта зберігаємо, у протилежному випадку значення вагового коефіцієнта залишаємо незмінним.

             5.4. Якщо   і , то процедура зміни значення вагового коефіцієнта аналогічна п. 5.3, лише використовується функція  .

Крок 6. Якщо подані всі навчальні образи, то розрахувати значення цільової функції на всіх навчальних і контрольних образах. Якщо , то перейти на крок 9.

Крок 7. Якщо здійснено перебір усіх вагових коефіцієнтів із матриць і , зменшити значення температури, . Перейти на крок 3.

Крок 8. В якості взяти наступний ваговий коефіцієнт із або і перейти на крок 4.

Крок 9. Кінець.

Запропонований алгоритм майже унеможливлює виникнення традиційних для НМ із градієнтними методами навчання про­блем із попаданням у локальні мінімуми функції енергії і “паралічем” мережі. Результати його реалізації за різних початкових умов показали те, що абсолютні відхилення середньоквадратичних похибок на точках перевірочної послідовності не перевищували 1,2%, що свідчить про знайдений глобальний квазіоптимум цільової функції. При поділі даних використано ранжирування початкових образів за величиною дисперсії і вибір у навчальну послідовність образів з більшою дисперсією, а в контрольну - з меншою. Таким чином, навчальні образи виявляються більш рівномірно розподіленими по області навчання і мають більшу ентропію, ніж контрольні образи, які є зосередженими, як правило, біля її центра. Використання двох послідовностей при навчанні нейронної мережі дозволяє більш ефективно розв′язувати задачу прогнозування у внутрішніх та зовнішніх точках області навчання. Такий варіант дозволив також збільшити швидкість навчання мережі при збереженні якості.

В дисертаційній роботі встановлено фактори, які не суттєво впливають на результати аналізу і прогнозування процесів на РН. Для їх зменшення запропоновано процедуру самоорганізації інформаційного банку, яка полягає у вилученні незначущих фа­кторів і в якості базового елемента має розв’язки задачі кластеризації ОН. Останні одержуються з використанням самоорганізуючої мережі Кохонена. Для перевірки значущості факторів кластеризуємо образи із таб­лиці початкових даних при різних значен­нях кількості кластерів . Низька кореляція значень фактора із номером кластера свідчить про його незначущість і відсутність впливу на формування кластеру. Кожному образу поставлено у відповідність число – номер  класу, тобто виконано відо­браження:  

                                                ,                                    (13)

де - номер образу, - кількість кластерів. Далі знаходимо кореляційну матрицю таких векторів:

                                                         (14)

З усієї матриці для подальшого аналізу будуть потрібні лише елементи , . Знайдемо суми їх абсолютних значень по стовпчи­ках

                 .                                                (15)

Для формування вектора значущих факторів особа, яка приймає рішення, повинна задати деяке додатне число і вилучити всі фактори, відпо­відні значення яких . У відповідності до теорії самоорганізації моделей таким чином відбувається скорочення області моделювання, виконується крок до одержання моделі (нейронної мережі) оптимальної складності та підвищується її завадостійкість. Доцільність застосування такої методики пояснюється необхідністю скорочення кількості факторів, які використовуються для визначення вартості ОН, адже переважна більшість їх є лінійно залежною. Певна  частина факторів суб’єктивізована, має стохастичний характер із значеннями з нульовим математичним сподіванням та є джерелом шумових ефектів і, як наслідок, заважає встановленню “об’єктивної” ціни на ОН.

Реалізація домінуючого принципу свободи вибору супроводжується збільшенням кількості обчислень для одержання оптимального набору факторів. Запропонована процедура, у значній мірі, є вільною від вказаних недоліків. Найбільш ефективне її застосування можливе за умов наявності великої кількості факторів, більшість із яких є лінійно залежними, та мінімізації свободи вибору, яка обмежується вибором константи . Ще однією перевагою є паралельне розв′язання задачі кластеризації РН та його сегментації.

       Запропоновано процедуру поділу ОН на ті, які становлять інтерес для суб’єктів РН та інші. Для цього формуємо репрезентативну вибірку та визначаємо належність до цих класів випадковим чином вибраних представників. За допомогою мережі LVQ (Learning Vector Quantization) виконано класифікацію ОН, вказавши співвідношення потрібних ОН до всіх інших та ОН-еталонів, визначаємо множину ОН потрібного класу. Ця процедура допускає також визначення на­лежності до такого класу певного ОН. На відміну від традиційних SQL-запитів значно скорочується кількість обчислень при визначенні записів інформаційного банку, які відповідають вимогам клієнтів, адже для цього потрібно перевіряти всі записи на відповідність кожного поля певному критерію. За розробленою процедурою достатньо навчити нейронну мережу класифікувати ОН на еталонних образах, а далі використовувати її для визначення належності певним класам всіх ОН. LVQ-мережа є ядром інформаційно-аналітичної системи і грає визначальну роль при наданні консультативних послуг суб’єктам РН.

Аналіз РН як складної системи був би неповним без дослідження впливу особливос­тей зовнішнього середовища і процесів, які в ньому відбуваються. Врахування характерних ознак району, міста, регіону та макроекономічної ситуації в країні є доцільним при визначенні ціни ОН. Необхідність цього визначається тим, що згідно із законом великих чисел при аналізі інформаційного банку значного обсягу особливості окремих ознак нівелюються і усереднюються, що значно зменшує точність прогнозування. Крім того, реалізація можливості визначення впливу зовнішніх факторів дозволить зробити інформаційно-аналітичну систему аналізу та прогнозування РН масштабованою та мобільною. В дисертаційному дослідженні виконана класифікація факторів, які характеризують район , місто , регіон , макроекономічні умови в країні , які визначаються експертами і представлені лінгвістичними змін­ними. З урахуванням вказаних факторів задача ідентифікації (5) уточнюється і є задачею ідентифікації 

                                       ,                              (16)

де - вектор коефіцієнтів, - час. Для її розв′язання запропоновано використати модифікований алгоритм стохастичного навчання нейронної мережі.

Розроблено процедуру визначення рівноважної ціни ОН, для чого  запропоновано використати дві прямозв’язні нейронні мережі із модифікованими ал­горитмом стохастичної релаксації. Вихідною інформацією є дані з та , що містять лише значущі фактори у числовому форматі. Одним з основних по­лів таблиць є фактор часу , де - кількість періодів, протягом яких здійснювався моніторинг ціни на ОН. Тоді нейронні мережі здійснюють ідентифікацію перетворень:

                                                  (17)

                                                    (18)

де - вектор значущих компонентів вектора , - ціни куплених та проданих однотипних ОН.

       Пошук рівноважної ціни здійснюємо за таким алгоритмом:

1. Серед всіх факторів визначимо значущих для суб'єкта РН, тобто .
2. Зробивши аналіз записів у базі даних,  для яких , знайдемо мінімальні і максимальні значення неосновних факторів, тобто і , .
3. Подати на вхід навчених нейронних мереж вектори значень і і визначити мінімальні і  максимальні ціни для покупця і про­давця.
4. Якщо інтервали і не перетинаються, то визначення рівноважної ціни або неможливе, або вимагає додаткових досліджень. Якщо ж інтервали перетинаються, то міра їхнього перетину вказує на рівнова­жну ціну, і задача розв’язана.

         У  четвертому  розділі  “Програмно-алгоритмічне забезпечення процесів експертного аналізу ринку нерухомості та експериментальна частина досліджень” розроблено структуру, принципи функціонування інформаційно-аналітичної системи (ІАС) аналізу та прогнозування ринку нерухомості, проведено аналіз її ефективності та розроблено процедури інтерпретації результатів.

       В основу розробки ІАС покладено принципи комплексності, стандартизова­ності, багаторівневості, гнучкості, багатоваріантності, доступності та відкритості, системної та інформаційної єдності. У відповідності до цих принципів визначено єдиний інформаційний елемент, яким є комірка проекту­вання, що має складовими п’ятірку елементів:

  ,                                         (19)       

де - множина початкових даних,  - множина обмежень, - одержаний розв’язок задачі або проектне рішення, - критерій його оцінки, - сукупність методів, процедур, алгоритмів, за допомогою яких здійснюється перетворення 

Інформаційно-аналі­тична підсистема ІАС при­значена для надання аналітич­них послуг суб’єктам РН і дозволяє класифіку­вати ОН за зада­ними етало­нами (центрами класів, що задаються експертами); визначати тен­денції зміни цін на одноти­пні ОН; визначати пріори­тетні фактори і міру їх впливу на ціну ОН; знаходити еталон в класі, якому нале­жить ОН; розрахувати діапазон, в якому може бути продано ОН (песимістична ціна – оптимістична ціна); визначити тенде­н­ції зміни ціни однотипних ОН за різними факторами та розв’язувати супутні задачі.

Запропонована технологія є ефективною при викорис­танні у клієнт-серверній архітектурі, при знаходженні бази даних на сер­вері, а про­грамно-аналітич­ного забезпечення на робочій станції. Її викори­стання значно зменшує час оці­нки об’єкта та інформаційного супроводу його продажу і дозволяє  державним органам управління прогнозувати тенденції та напрямки розвитку РН, будіве­льним організаціям планувати структуру виробництва, агентствам нерухомості вивчати перспективи РН, продавцям та покупцям РН задовольняти інформа­ційні по­треби.

       В дисертаційному дослідженні розроблено структурно-логічну схему ІАС, вказано на функціональну наповненість модулів системи, визначено особливості реалізації кожного із них та встановлено схему інформаційних потоків. На базі розробленої технології дослідження РН ІАС дозволяє реалізувати таку стратегію аналізу та прогнозування:

1. У відповідності з цілями дослідження здійснювати синтез моделі, вибір інфор­маційного базису, констант та методів дослідження.
2. При оцінці одержаних результатів згідно критеріальних функцій здійснювати аналіз ефективності алгоритмів, які використовувались, і при необхід­ності здійснювати корекцію моделі, настройку коефіцієнтів та вибирати аль­тернативні моделі та методи аналізу.
3. При функціонуванні ІАС здійснювати інтерактивну взаємодію із користувачем, необхідність якої може бути викликана особливістю моделювання НМ, можливістю їх паралічу та іншими причинами.
4. Згідно принципу інформаційної єдності здійснювати наскрізне супроводження процесу обробки даних з протоколюванням та видачею головних проміжних результатів у файл.
5. Здійснювати ідентифікацію законів зміни значень факторів, аналіз та прогно­зування.
6. Зменшувати апріорну ентропію вихідних даних за рахунок попередньої обро­бки даних, в т.ч. і нейромережевими методами.
7. Здійснювати верифікацію одержаних результатів з використанням альтернати­вних методів дослідження.
8. Забезпечувати можливість функціонування відкритої архітектури ІАС, що пов’язано із постійним розширенням спектру задач на РН.

Наведено результати роботи ІАС з розв’язання задач кластеризації та самоорганізації інформаційного банку, точність результату внаслідок виконання процедури самоорганізації є вищою на 2,6%. Використання для навчання НМ модифікованого алгоритму стохастичної релаксації дозволило зменшити середнє абсолютне відхилення табличних значень ціни ОН від розрахованих за допомогою НМ, одержане на точках перевірочної послідовності (45 образів), до 0,05-0,98%, у залежності від співвідношення кількості точок у навчальній та контро­льній послідовностях, що в середньому удвічі менше, ніж для градієнтних ме­тодів навчання, і у 8-10 раз менше, ніж для інтегро-диференціальних методів. Результати функціонування нейронної мережі із модифікованим алгоритмом стохастичної релаксації порівнювались із результатами роботи мереж з класичним алгоритмом оберненого поширення похибки, алгоритмом Левенберга-Маркуарда, алгоритмом спряжених градієнтів, мережі зустрічного поширення та мережі із радіально-базисними функціями активації Швидкість навчання НМ із модифікованим алгоритмом стохастичної релаксації, в середньому, удвічі більша, ніж для градієнтних методів при відсутності попередньої підготовки початкових даних, що з надлишком компенсується точністю та відсутністю проблеми “паралічу” мережі. Якщо така підготовка виконана, то швидкості алгоритмів є порівняними, враховуючи проблеми із реалізацією градієнтних методів.

Визначено оптимальний варіант сегментації місцезнаходження об’єктів нерухомості, що дозволило скоротити кількість факторів та підвищити точність ідентифікації функції оцінки. Розроблено та верифіковано метод її уточнення шляхом урахування зовнішніх факторів.      

ВИСНОВКИ

        В дисертаційній роботі наведено теоретичне узагальнення і нове розв’язання наукової задачі розробки моделей та методів аналізу і прогнозування ринку нерухомості на базі нейромережевої технології, що, відповідно до мети і задач дослідження, відображено в наукових результатах:

1. Виконано  системний  аналіз  ринку нерухомості як  складної цілеорієнтованої системи, визначено його структуру та функції, встановлено тенденції розвитку в останні роки, що дозволило виконати структуризацію ринку нерухомості та визначити аспекти його функціонування.
2. Виявлено особливості моделей і методів дослідження ринку нерухомості, порівняно інструментальні розробки, які функціонують на вітчизняних та зарубіжних ринках. Їх аналіз засвідчив використання, переважно, статистичних методів аналізу та дослідження динаміки процесів, що є недостатнім для надання інформаційно-консультативних послуг.
3. Виконано формалізовані постановки задач аналізу ринку нерухомості: ідентифікації функції оцінки об’єктів нерухомості, їх кластеризації, класифіка­ції, пошуку рівноважної ціни та її адаптації до зовнішніх умов, що дозволило визначити множину адекватних моделей і методів їх розв′язання.
4. Розроблено модифікований метод стохастичної релаксації навчання штучних нейронних мереж, який запропоновано використати для ідентифікації функції оцінки об’єктів нерухомості. В результаті його застосування, в цілому, збільшена швидкість навчання нейронної мережі у порівнянні з іншими методами стохастичного навчання та мінімізовані проблеми із “паралічем” мереж та їх влученням у локальні оптимуми.
5. Запропоновано класифікацію та формалізацію екзогенних факторів ринку нерухомості, що дозволило знизити трудомісткість обробки інформації за рахунок препроцесінгу даних.
6. Для кластеризації об′єктів нерухомості та самоорганізації інформаційного банку розроблено  процедуру на базі нейронної мережі Кохонена та кореляційного аналізу, в результаті використання якої зменшено присутність шумових ефектів у даних та збільшена точність розв′язку ідентифікації.
7. Для розв’язання задачі класифікації об’єктів нерухомості запропоновано вико­ристати LVQ-мережу, за допомогою якої також виконується процедура визначення належності об’єкта нерухомості до певного класу, що дозволяє надавати інформаційно-консультативні послуги та виконувати сегментацію ринку нерухомості.
8. Розроблено адаптивну технологію аналізу синергетичних тенденцій на ринку нерухо­мості, яка призначена для коригування ціни об’єкта нерухомості у відповідності до значень зовнішніх факторів і базується на їх формалізації та застосуванні модифікованого алгоритму стохастичної релаксації.
9. На основі використання нейронної мережі запропоновано алгоритм пошуку рівноважної ціни об’єкта нерухомості, яка є важливим фактором ефективного та збалансованого функціонування ринку нерухомо­сті.  
10. Розроблено структуру та принципи функціонування автоматизованої системи обробки даних, яка призначення для супроводження процесів прийняття рішень на ринку нерухомості.
11. Запропоновано стратегію аналізу та прогнозування ринку нерухомості з вико­ристанням інформаційно-аналітичної системи. Проведено аналіз ефективності застосування та запропоновано процедури інтерпретації її результатів. В результаті експериментальної перевірки встановлено, що при розв’язанні задачі ідентифікації середня абсолютна похибка на точках перевірочної послідовності не перевищувала 1%, що є значно кращим результатом у порівнянні з класичними та іншими нейромережевими методами.

Таким чином, використання розробленої дисертантом нейромережевої технології аналізу та прогнозування процесів на ринку нерухомості розширює науково-методичну базу дослідження ринку нерухомості, а її достовірність підтверджується апробацією та впровадженням.

СПИСОК ОПУБЛІКОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

1. Тазетдінов В.А. Компонентний аналіз задач і методів прогнозування струк­тури ринку нерухомості // Вісник ЧДТУ. – 2003. - №3. – С. 37-41.
1. Тазетдінов В.А. Самоорганізація інформаційної бази ринку нерухомо­сті на основі нейромережевих технологій // АСУ и приборы автоматики. – 2004. – вып. 127. – С. 41-47. 
1. Тазетдінов В.А. Адаптивна технологія нечіткого аналізу динаміки ри­нку неру­хомості//Радіоелектроніка і інформатика. –2004. -№3(28). – С. 126-129.
1. Тазетдінов В.А. Технология нейросетевого прогнозирования рынка                недвижимости // Искусственный интеллект. – 2004. - №3. - C. 593-597.
1. Тазетдінов В.А., Тимченко А.А., Снитюк В.Є. Структуризація і формаліза­ція задач ринку нерухомості. – Черкаси: Вісник ЧДТУ. – 2004. - №2. – С. 22-27.
1. Снитюк В.Е., Тазетдинов В.А. Применение метода стохастической релак­сации для прогнозирования рынка недвижимости // Сборник докладов Межд. научн. конф. “Нейросетевые технологии и их применение”: Крама­торск. – 2003. – С. 226-236.
1. Тазетдінов В.А. Інтелектуалізація алгоритму функціонування інформа­ційно-аналітичного забезпечення ринку нерухомості // Збірник доп. Міжн. наук.-практ. конф. “Единое информационное пространство”. – Дніпропет­ровськ. – 2003. – С.158-159. 
1. Тазетдінов В.А. Порівняльний аналіз варіантів просторової автоматизованої сегментації об'єктів нерухомості // Матеріали VII Міжнар. наук.-практ. конф. "Наука і освіта '2004". -  Дніпропетровськ: Наука і освіта. - 2004. - Том 72. - С. 39-41.
1. Тазетдінов В.А. Структура програмно-алгоритмічного забезпечення проце­сів прийняття рішень на ринку нерухомості // Тези доп. VI Міжнар. наук.-практ. конф. студентів, аспірантів та молодих вчених “Системний аналіз та інформаційні технології”. - К.:НТУУ "КПІ", 2004. - C. 134-136.

АНОТАЦІЯ

        Тазетдінов В.А. Нейромережева технологія аналізу та прогнозування про­цесів на ринку нерухомості. – Рукопис.

        Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.06 – автоматизовані системи управління та прогресивні ін­формаційні технології. – Черкаський державний технологічний університет, Черкаси, 2005.

        Дисертація присвячена проблемі аналізу та прогнозування ринку нерухомості в умовах різнотипності апріорної інформації. У роботі проведено аналіз сучасних моделей та методів аналізу ринку нерухомості та відповідних інструментальних засобів.    

Виконана класифікація і формалізація задач аналізу ринку нерухомості та екзогенних факторів, які його визначають. Для розв’язання задачі ідентифікації функції оцінки об’єкта нерухомості запропоновано використовувати штучну нейронну мережу і розроблено модифікований алгоритм стохастичної релаксації для її навчання.

Для встановлення значущих факторів та виконання самоорганізації інформаційного банку запропонована процедура, основним елементом якої є розв’язок задачі кластеризації на базі самоорганізуючої мережі Кохонена. Розроблено адаптивну технологію аналізу синергетичних тенденцій на ринку нерухомості, пов’язану із урахуванням впливу зовнішніх факторів. Розв’язана задача по­шуку рівноважної ціни у класі однотипних об’єктів з використанням елементів теорії нечітких множин та визначення ієрархії значущих факторів.  

Розроблено структуру та принципи функціонування автоматизованої системи обробки даних для експертних оцінок на ринку нерухомості. Запропоновано стратегію аналізу та прогнозування процесів на ринку нерухомості з використанням інформаційно-аналітичної системи.

       Ключові слова: ринок нерухомості, штучні нейронні мережі, класифікація, кластеризація, ідентифікація, аналіз, прогнозування .