پ.م.ع.3099

Interval forecasting of housing prices using machine learning approaches

كارشناسي ‌ارشد

مهندسي عمران - مهندسي و مديريت ساخت

پبام نور كرج

1403

1403/06/25

عالي

رجبي، الهام

Housing price , Uncertainty , Interval Forecasting , Machine Learning , Neural Network

پ استاد راهنما پيام نور مركز كرج

مسكن بخش عمده‌اي از ثروت بخش خصوصي را تشكيل مي‌دهد و به‌ويژه در كلان‌شهرهاي بين‌المللي، به‌عنوان بازاري جذاب براي سرمايه‌گذاران شناخته مي‌شود. نوسانات قيمت مسكن تأثير قابل توجهي بر سرمايه‌گذاري و رشد اقتصادي دارد و ممكن است منجر به عدم شفافيت و بي‌اعتمادي در بازار شود. از سوي ديگر، مسكن به عنوان يكي از نيازهاي اساسي بشر، نقش حياتي در تأمين امنيت و سرپناه داشته و همبستگي بالايي با هزينه‌هاي مصرفي خانوارها دارد. بنابراين پيش‌بيني دقيق قيمت مسكن مي‌تواند در برنامه‌ريزي اقتصادي و كنترل هزينه‌ها مؤثر باشد و همچنين به سياست‌گذاران در هدف‌گذاري تورم كمك كند. پژوهش‌هاي پيشين معمولاً به پيش‌بيني نقطه‌اي قيمت مسكن پرداخته‌اند، كه اين روش به دليل عدم قطعيت‌هاي اجتناب ناپذير مرتبط با داده‌ها، مدل‌ها و پارامترها، پيش‌بيني‌هاي دقيقي ارائه نمي‌دهد. اين پژوهش با هدف رفع اين محدوديت‌ها و بهبود دقت پيش‌بيني، مدلي براي پيش‌بيني بازه‌اي قيمت مسكن ارائه مي‌دهد. در اين پژوهش، در مرحله مدلسازي اوليه ده الگوريتم متفاوت يادگيري ماشين در سه سطح اطمينان 95%، 87% و 85% ارزيابي شدند و مدل شبكه عصبي به‌عنوان بهترين مدل انتخاب شد. در مرحله نهايي مدلسازي براي تنظيم دقيق فراپارامتر ها و بهبود عملكرد مدل، با در نظر گرفتن تابع هزينه عرض پوشش شكست مبتني بر معيار فاصله (CWFDC) ، مدل مجدداً تحت آموزش قرار گرفت. درنهايت مدل شبكه عصبي با دولايه پنهان و با تعداد نورون هاي 1024و 512 كه كمترين مقدار CWFDC برابر با 0.657 را ارائه مي دهد، به عنوان بهينه ترين مدل براي پيش بيني بازه اي قيمت مسكن معرفي شد. مدل و رويكرد ارائه‌شده در اين پژوهش مي‌تواند به ارگان‌ها و افراد مرتبط در زمينه‌هاي مختلف، از جمله مديران پروژه، كارفرمايان، پيمانكاران و سرمايه‌گذاران، كمك كند تا با توجه به سطح ريسك‌پذيري خود، تصميمات بهتري در زمينه خريد، فروش و سرمايه‌گذاري در بازار مسكن اتخاذ كنند و ارزيابي دقيق‌تري از سودآوري پروژه‌هاي مختلف داشته باشند.

76315