-
شماره ركورد
23813
-
شماره راهنما
ECO2 822
-
نويسنده
پيريايي، قاسم
-
عنوان
برآورد محلي قيمت واحدهاي مسكوني با استفاده از الگوريتم يادگيري ماشين
-
مقطع تحصيلي
كارشناسي ارشد
-
رشته تحصيلي
علوم اقتصادي- اقتصاد شهري
-
دانشكده
علوم اداري و اقتصاد
-
تاريخ دفاع
1403/05/27
-
صفحه شمار
105 ص.
-
استاد راهنما
شكوفه فرهمند
-
استاد مشاور
مجيد صامتي
-
كليدواژه فارسي
قيمت واحد مسكوني , نا ايستايي فضايي , يادگيري ماشين , رگرسيون نيمه نظارت شده , رگرسيون وزني جغرافيايي
-
چكيده فارسي
بازار مسكن محيطي است كه در آن خدمات قابلارائه مسكن توسط مكانيزم عرضه و تقاضا تعريف شده و ميتواند تحتتأثير متغيرهاي كلان اقتصادي، تفاوتهاي فضايي، ويژگيهاي ساختاري اجتماعي و امكانات محيطي قرار گيرد. پيشبيني قيمت مسكن عموماً با تصريح يك مدل رگرسيوني وابسته به مؤلفههايي نظير ويژگيهاي ساختاري و محيط همسايگي انجام ميشود و بسياري از پژوهشگران از انواع مختلف مدل هدانيك تعيين قيمت مسكن استفاده نمودهاند. فرايند تحليل دادههاي قيمت مسكن و رشد آن كه بهنوعي دادههاي فضايي هستند، تحتتأثير وابستگي فضايي قرار دارد. اين بدان معنا است كه قيمت مسكن و تغييرات آن در يك ناحيه سبب تغييرات قيمت مسكن در نواحي هم جوار ميشود. همچنين انحراف در مشاهدات وابستگي فضايي در تغييرات قيمت مسكن بين نواحي مختلف در طول زمان وجود دارد. بررسي و تصريح مدلهاي اقتصادسنجي فضايي مرتبط با بازار مسكن، نياز به حجم زيادي از داده دارد و گردآوري نمونههاي بهاندازه كافي و داراي مشخصات كامل، مستلزم صرف وقت و هزينه نسبتاً زياد است. امروزه استفاده از الگوريتمهاي يادگيري ماشين براي شناسايي و تخمين دادههاي انبوه و پيچيده در حوزههاي مختلف علوم از جمله اقتصاد پركاربرد شده است. به دليل وجود تعداد محدودي دادههاي برچسب خورده قيمتي در بازار مسكن و نيز وجود ناهمساني فضايي و تغييرات محلي در اثرگذاري ويژگيهاي مسكن بر قيمت آن، اين پژوهش رويكردي ارائه نموده است كه به طور همزمان از مزاياي رگرسيون وزني جغرافيايي و نيز يادگيري نيمه نظارتي آموزش مشترك براي افزايش تناسب دادههاي قيمتي بازار مسكن كلانشهر اصفهان و بهبود تخمين ضرايب رگرسيون، استفاده نمايد.
نتايج اين پژوهش نشان داده است كه دادههاي مرتبط با تعيين قيمت مسكن، وابسته به مكان بوده و داراي خودهمبستگي و ناهمگوني فضايي هستند. ضريب تعيين روش رگرسيون سنتي براي دادههاي مدل پژوهش، 0.79 حاصل شده است، درحاليكه اين معيار براي روش رگرسيون وزني جغرافيايي با هسته تطبيفي، 0.898 و هسته ثابت، 0.819به دست آمده است. معيار مجموع مربعات باقيمانده در روش سنتي، 288.8 و در روش وزني جغرافيايي با هسته تطبيقي و ثابت به ترتيب 65.66 و 114.64 حاصل شده است. معيار اطلاعات آكائيك روشهاي رگرسيون سنتي، وزني جغرافيايي تطبيقي و ثابت به ترتيب 1787.47، 26.91 و 555.44 شده است كه به وضوح برتري روش رگرسيون وزني جغرافيايي بر ساير روشهاي رگرسيون خطي را نشان ميدهد. پساز اجراي الگوريتم يادگيري مشترك ماشين با دو رگرسور وزني جغرافيايي، علاوه بر افزايش تعداد دادههاي داراي برچسب قيمت، ضريب تعيين مدل بهبود يافت و مشخصا ميانگين مقادير مجموع مربعات باقيمانده مدلها در هر دور آموزش، افزايش نيافت كه نشاندهنده عملكرد خوب الگوريتم پيشنهادي بوده است.
-
مندرجات
فصل اول: مقدمه
مسئله پژوهش
اهميت و ضرورت موضوع پژوهش
اهداف پژوهش:
فرضيهها يا سؤالهاي پژوهش
روش پژوهش
فصل دوم: پيشينه پژوهش
مقدمه
مطالعات خارجي
مطالعات خارجي با محوريت توابع هدانيك مسكن و رگرسيون وزني جغرافيايي
مطالعات خارجي با محوريت استفاده از الگوريتمهاي يادگيري ماشين در برآورد قيمت واحدهاي مسكوني
مطالعات داخلي
جمعبندي و ارزيابي نتايج پژوهشهاي انجام شده
مشابهت، وجه تمايز و نوآوري پژوهش حاضر
فصل سوم: مباني نظري پژوهش
مقدمه
قلمرو پژوهش
قلمرو موضوعي پژوهش
قلمرو زماني پژوهش
قلمرو مكاني پژوهش
روش پژوهش
تصريح مدل و روابط رگرسيون وزني جغرافيايي
تابع هسته رگرسيون وزني جغرافيايي
كارايي رگرسيون وزني جغرافيايي براي دادههاي فضايي
خودهمبستگي و ناهمگوني دادههاي فضايي
كاربرد رگرسيون وزني جغرافيايي براي دادههاي داراي خودهمبستگي و ناهمگوني فضايي
كاربرد زبان برنامهنويسي پايتون براي رگرسيون وزني جغرافيايي
كد منبع پايتون براي GWR
يادگيري ماشين و كاربرد آن براي توسعه و بهبود نتايج رگرسيون وزني جغرافيايي
سيستمهاي يادگيري ماشين
مدل رگرسيون خطي در يادگيري ماشين
الگوريتم يادگيري مشترك
الگوريتم يادگيري مشترك رگرسيون وزني جغرافيايي
كد پايتون الگوريتم يادگيري مشترك رگرسيون وزني جغرافيايي
تابع هدانيك فضايي مسكن
ساختار تابع هدانيك مسكن پژوهش
حجم و پراكنش دادههاي پژوهش
منابع و ابزار گردآوري دادههاي پژوهش
خلاصه فصل
فصل چهارم: تجزيهوتحليل دادهها
مقدمه
تجزيهوتحليل توصيفي دادههاي پژوهش
نحوه توزيع فضايي دادهها بر اساس متغيرهاي قيمت، مساحت و كيفيت موقعيت قرارگيري واحدهاي مسكوني پژوهش
تجزيهوتحليل اكتشافي دادههاي پژوهش
تصريح مدلهاي رگرسيون دادههاي پژوهش
رگرسيون اكتشافي دادههاي پژوهش
مدل رگرسيون حداقل مربعات معمولي
مدل رگرسيون وزني جغرافيايي
اجراي الگوريتم يادگيري ماشين
خلاصه فصل
فصل پنجم: نتايج و پيشنهادها
مقدمه
خلاصه پژوهش
وجود خودهمبستگي فضايي در دادهها
رگرسيون اكتشافي مدل
نتايج آزمون فرضيههاي پژوهش
محدوديتهاي پژوهش
پيشنهادها
-
كليدواژه لاتين
Residential housing price , Spatial nonstationarity , Machine learning , Semi-supervised regression , Geographical weighted regression
-
عنوان لاتين
Local Residential Housing Price Estimation Using Machine Learning Algorithm
-
گروه آموزشي
اقتصاد
-
چكيده لاتين
The housing market is defined as one where housing services are allocated by the mechanism of supply and demand and can be influenced by macroeconomic variables, spatial differences, characteristics of the community structure, and environmental amenities. Housing prices are typically predicted by establishing a regression model that uses house price parameters (e.g., structural and neighborhood characteristics). Many researchers have used different types of hedonic models of housing price determination. The analysis of housing price data and its growth, which are spatial data, are influenced by spatial dependency. This means that the housing price and changes in one area cause housing price changes in neighboring areas. There is also a deviation in the observation of spatial dependency in housing price changes between different regions over time. Examining and specifying spatial econometric models related to the housing market requires a large amount of data, and collecting enough samples with complete specifications requires a lot of time and is very expensive. The use of machine learning algorithms to identify and estimate massive and complex data is widely used in various fields of science, including economics. Due to the existence of a limited amount of price-labeled data in the housing market, as well as the existence of spatial heterogeneity and local changes in the effect of housing characteristics on its price, this research seeks to find an approach that uses fully utilizes the positive aspects of both the geographical weighted regression method and the semi-supervised learning paradigm to increase the suitability of the price data of Isfahan metropolitan housing market and improve the estimation of regression coefficients.
The results of this research have shown that the data related to determining housing prices are dependent on places and have autocorrelation and spatial heterogeneity. The coefficient of determination of the traditional regression method for the data of the research model is 0.79, while this criterion is 0.898 and 0.819 for the geographic weighted regression method with the adaptive kernel and the fixed kernel. The residual sum of squares is 288.8 in the traditional method and 65.66 and 114.64 in the geographical weight method with the adaptive and fixed kernel. The Akaike information criterion of the traditional, comparative, and constant geographic weighted regression methods is 1787.47, 26.91, and 555.44, respectively, which clearly shows the superiority of the geographic weighted regression method over other linear regression methods. After implementing the joint machine learning algorithm with two geographic weighted regressors, in addition to increasing the number of data with price tags, the coefficient of determination of the model improved, and obviously, the average values of the residual sum of squares of the models did not increase in each round of training, which indicates the good performance of the proposed algorithm.
-
تعداد فصل ها
5
-
لينک به اين مدرک :