Таблица 5.5 - Ошибки регрессии исходного ряда и ряда, построенного выбранной сетью
| МП 5-4-1 | МП 6-4-1 | РБФ 13-29-1 | РБФ 12-44-1 | РБФ 12-67-1 | |
| Среднее данных | 22,59536 | 22,59536 | 22,59536 | 22,59536 | 22,59536 |
| Ст. откл. данных | 9,25768 | 9,25768 | 9,25768 | 9,25768 | 9,25768 |
| Среднее ошибки | -0,28934 | -0,04780 | -0,11828 | -0,01311 | -0,04417 |
| Ст. откл. ошибки | 4,01236 | 4,08657 | 4,41488 | 4,19897 | 4,21786 |
| Среднее абсолютной ошибки | 2,86810 | 2,75566 | 2,91148 | 2,81306 | 2,56776 |
| Отношение ст. откл. | 0,43341 | 0,44143 | 0,47689 | 0,45357 | 0,45561 |
| Корреляция | 0,90129 | 0,89730 | 0,87924 | 0,89125 | 0,89041 |
ВЫВОДЫ
Искусственные нейронные сети получили наибольшее распространение в области прогнозирования динамических показателей, они успешно применяются для решения целых классов экономических задач. Вместе с тем, для многих областей изучение возможностей применения ИНС находится в экспериментальной стадии. Нейросетевые технологии не должны рассматриваться как универсальное средство решения всех интеллектуальных задач. Их применение оправдано в тех областях, в которых существует значительное число однотипных примеров, отражающих скрытые взаимосвязи.
Нейросетевые технологии в отличие от экспертных систем предназначены для решения плохо формализованных задач. Такого рода технологии используются для распознавания каких-либо событий или предметов. С их помощью можно воспроизвести многочисленные связи между множеством объектов. Принципиальное отличие искусственных нейросетей от обычных программных систем, например экспертных, состоит в том, что они не требуют программирования. Они сами настраиваются, т.е. обучаются тому, что требуется пользователю.
В данной работе также были рассмотрены подходы к выбору метода прогнозирования стоимости жилой недвижимости. С учётом большого количества ценообразующих факторов, их сложной структуры, а также нелинейной зависимости между ценами и влияющими факторами, в качестве метода моделирования были выбраны нейронные сети. Настройка моделей на основе базы данных по сделкам с недвижимостью показала, что наилучшее качество показывает обобщённо-регрессионная нейронная сеть (GRNN). Этот результат согласуется с выводами работы, в которой проводится сравнение различных моделей для прогнозирования обменных курсов валют.
Среднеквадратическая относительная ошибка прогноза по модели составляет 20% - это типичная точность для моделей массовой оценки. Построенная модель позволяет повысить эффективность управления комплексами недвижимости в масштабах города или крупной корпорации и сделать этот механизм более прозрачным.
В то же время, существует ряд направлений совершенствования модели, прикладную ценность которых предстоит изучить в дальнейшем. Среди них можно выделить:
• включение в модель временного фактора для учёта и прогнозирования трендов на рынке недвижимости;
• точную географическую привязку объекта оценки путём включения в модель географических координат объекта в некоторой (например, полярной) системе;
• разработку механизма интерпретации результатов и определения основных аналогов, повлиявших на результат оценки, при использовании сети МП;
• поиск оптимального комбинирования сетей МП и РБФ в целях снижения общей погрешности;
• обобщение результатов на другие города Украины с учётом их особенностей и создание единой системы массовой оценки недвижимости в масштабах страны. При одновременном внедрении обязательного публичного раскрытия информации о сделках по аренде и продаже, это позволит перейти к налогу на недвижимость с его рыночной стоимости.
ПЕРЕЧЕНЬ ССЫЛОК
1. Державний стандарт України ДСТУ 3008-95. Документація. Звіти у сфері науки і техніки. Структура і правила оформлення. – К.: Держстандарт України, 1995.
2. Руденко О.Г., Бодянский Е.В. Искусственные нейронные сети: Учебное пособие. – Харьков: ООО «Компания СМИТ», 2005. – 408 с.
3. Бирман Э.Г. Сравнительный анализ методов прогнозирования //НТИ. Сер.2 – 1986. – №1. – С. 11–16.
4. Владимирова Л.П. Прогнозирование и планирование в условиях рынка: Учебное пособие. – М.: Издательский дом «Дашкови К», 2000. – 308 с.
5. Галушкин А.И. Теория нейронных сетей. Кн. 1: Учеб. Пособие для вузов. – М.: ИПРЖР, 2001. – 385 с.
6. Горбань А.Н. Обучение нейронных сетей. – М.:СП“ПараГраф”,1990. – 159 с.
7. Заенцев И.В. Нейронные сети: основные модели/Учебное пособие к курсу «Нейронные сети» – Воронеж: ВГУ, 1999. – 76 с.
8. Оценка недвижимости: Учебник / под ред. А.Г. Грязновой, М.А. Федотовой. – М., “Финансы и статистика”, 2002.
9. Оценка рыночной стоимости недвижимости, под общей редакцией Зарубина В.Н и Рутгайзера В.М., М.: Дело, 1998.
10. «Экономика недвижимости» под редакцией Ресина В.И. М., 1999 г.
11. «Экономика и управление недвижимостью» под общ. ред. П.Г. Грабового, М.: «АСВ» 1999.
12. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. – М.: Финансы и статистика, 1983. – 471 с.
13. http://ru.wikipedia.org
14. Крамер Г. Математические методы статистики. – М.: Мир, 1975.
15. Бодянский Е.В., Кучеренко Е.И. Диагностика и прогнозирование временных рядов многослойной радиально-базисной нейронной сети //Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение»: Сб. докл., 2002. – С. 69–72.
16. Болн Б., Хуань К.Дж. Многомерные статистические методы для экономики. М.: Наука, 1979. – 348 с.
17. Голованова Н.Б., Кривов Ю.Г. Методические вопросы использования межотраслевого баланса в прогнозных расчетах//Взаимосвязи НТП и экономического развития: Сб. науч. тр./АН СССР. СО, ИЭиОПП. – Новосибирск, 1987. –С. 62–77.
18. Головко В.А. Нейронные сети: обучение, организация и применение. Кн.4: Учеб. пособие для вузов/Общая ред. А.И. Галушкина. – М.: ИПРЖР, 2001. – 256 с.
19. Мриль Н.В. Решение задачи финансового прогнозирования на основе нейронных сетей. // 14-й международный молодежный форум "Радиоэлектроника и молодежь в XXI веке". Сб. материалов форума. – Харьков. ХНУРЕ. – c.108.