قيمت‌گذاري املاك مسكوني به كمك الگوريتم تركيبي يادگيري عميق- فازي

اهميت روزافزون مسكن به لحاظ تأثيرات عميق و قابل‌توجهي كه بر ابعاد مختلف اجتماعي، سياسي و اقتصادي كشورها مي‌گذارد، بر كسي پوشيده نيست؛ بنابراين برآورد دقيق و قابل‌اعتماد قيمت به‌طورقطع امر سياست‌گذاري در اين زمينه را آسان مي‌نمايد. در شرايط مختلف ممكن است صدها عامل به‌صورت زيرمجموعه‌اي از عوامل ساختاري، مكاني و اجتماعي – اقتصادي بر قيمت املاك تأثير بگذارد. بنابراين بايستي با در نظر گرفتن اين عوامل، قيمت گذاري املاك به‌طور كارآمد انجام شود. با توجه به ماهيت پيچيده‌ي بازار املاك در تحقيقات انجام‌شده از الگوريتم‌هاي متداول يادگيري عميق مانند DNN ، RNN،  CNNو ... استفاده‌شده است، اما اين الگوريتم‌ها در خصوص داده‌هاي جدولي چندان مناسب نمي‌باشند. از طرفي مدل‌هاي يادگيري عميق موجود در قيمت‌گذاري ملك نيز كاملاً قطعي هستند و عدم قطعيت داده‌ها را لحاظ نمي‌كنند. در اين مقاله سعي شده است كه در به‌كارگيري روش‌هاي يادگيري عميق به ساختار جدولي داده‌هاي املاك توجه شود. براي اين منظور معماري عميق جديد TabNet به كار گرفته شده است. اين الگوريتم برخلاف ساير الگوريتم‌هاي متداول يادگيري عميق داده‌هاي جدولي خام را بدون هيچ‌گونه پيش‌پردازشي دريافت مي‌كند. در اين پژوهش هم‌چنين با استفاده از تكنيك‌هاي تركيب موجود، منطق فازي با الگوريتم‌هاي يادگيري عميق تركيب ‌شده است تا ضمن يادگيري سريع و دقيق‌تر مسائل پيچيده، بر كاستي هاي قطعي بودن مدل هاي يادگيري عميق و در نظر نگرفتن عدم قطعيت ذاتي داده‌ها در اين مدل ها غلبه شود. همچنين با به‌كارگيري سيستم اطلاعات مكاني (GIS) ارزيابي شفاف‌تري ارائه شد تا بصري سازي كامل الگوي مكاني ويژگي‌هاي ملك و همچنين ارتباط اين ويژگي‌ها و قيمت‌گذاري تضمين  و متغيرهاي مكاني نيز در مدل ارزش‌گذاري لحاظ شوند. به‌منظور ارزيابي روش‌هاي پيشنهادي از داده‌هاي املاك منطقه‌ي پنج تهران استفاده شده است. ترتيب و اولويت‌بندي تأثيرگذاري ويژگي‌ها در قيمت‌گذاري املاك مسكوني تهران توسط الگوريتم TabNet نشان‌دهنده‌ي تأثير قابل‌توجه عوامل مكاني مي‌باشد. به‌طوري‌كه در اين رتبه‌بندي  پس از مساحت دو ويژگي مكاني طول و عرض جغرافيايي به ترتيب رتبه‌ي دوم و سوم را دارا مي‌باشند. درنهايت براي مجموعه داده‌ي تهران الگوريتم‌هاي TabNet، DNN،CNN ، RNN، LSTM، خود رمزگذار و همچنين الگوريتم يادگيري ماشين XGBoost به كار گرفته‌شده و معيارهاي ارزيابيRMSE ،MAE  و  مقايسه شدند كه بر اساس معيار، با به كارگيريTabNet   پنج درصد بهبود دقت حاصل شد. درنهايت RMSE الگوريتم تركيبي FuzzyTabNet براي داده‌ي تهران نسبت به الگوريتم پايه‌ي TabNet  4.65% كاهش يافت. همچنين شبكه‌ي خود رمزگذار فازي نيز نسبت به شبكه‌ي خود رمزگذار معمولي 6.52 درصد بهبود يافت.