Повна версія

Головна arrow Географія arrow Прогнозування і планування використання земельних ресурсів та об'єктів нерухомості

  • Увеличить шрифт
  • Уменьшить шрифт


<<   ЗМІСТ   >>

НЕЙРОМЕРЕЖЕВЕ МОДЕЛЮВАННЯ.

Ідея нейромереж полягає в моделюванні (повторенні) поведінки різних процесів на основі історичної інформації. Сама нейросеть являє собою набір спеціальних математичних функцій з безліччю параметрів, які налаштовуються в процесі навчання на минулих даних. Потім навчена нейромережа обробляє вихідні реальні дані і видає свій прогноз майбутнього поведінки досліджуваної системи. Суть нейромережі полягає в прагненні наслідувати відбуваються. За своєю структурою нейронна мережа аналогічна мозку людини і також здатна до навчання [1] .

Головна відмінність нейромережевих моделей від кривих зростання або регресійних методів полягає в тому, що якщо зазначені методи підганяють реальний процес або явище під стандартну математичну функцію, то нейронні мережі підбирають параметри системи рівнянь, приводячи її до реального життя.

Схематично штучна нейронна мережа складається з шару вхідних сигналів, вихідного шару і декількох внутрішніх шарів (рис. 5.1).

При застосуванні даного методу для цілей прогнозування використання земельних ресурсів шар вхідних сигналів складуть значення факторів, що роблять найбільший вплив на досліджуваний показник, тобто значення незалежних змінних. А в якості вихідного шару використовуються значення прогнозованих показників (залежних змінних), відповідні наявного набору значень вхідних змінних.

Державотворчі процеси і навчання мережі в програмному комплексі, що підтримує створення нейронних мереж, відбувається наступним чином: на вхід подаються значення вхідних змінних, вид зв'язку та вагові коефіцієнти вибираються випадковим чином, потім розраховуються значення вихідної змінної. Отримані значення порівнюються з реальними, після цього відбувається коригування ваги і виду мережі, спрямована на зменшення помилки.

Схема штучної нейронної мережі

Мал. 5.1. Схема штучної нейронної мережі

Виробляючи послідовні ітерації, подібні до описаної вище, мережа навчається на історичних даних. Для найкращого навчання всі наявні вихідні дані розбиваються випадковим чином на три вибірки: навчальну, тестову і контрольну.

Головним плюсом методу прогнозування за допомогою нейронних мереж є їх здатність до навчання, моделювання реальних зв'язків між впливають факторами і прогнозованим процесом або явищем. Також слід зазначити, що нейронні мережі дають непогані результати на обмеженій кількості вихідних даних. Правда, в цьому випадку для досягнення найкращих результатів необхідно періодично коригувати нейронну мережу при появі нових історичних даних 1 .

Мінусом даного методу слід назвати складність його застосування і необхідність значного досвіду дослідника-прогнозиста, а також потреба в спеціальному програмному забезпеченні.

Треба відзначити, що, з одного боку, нейронні мережі є вже досить вивченим інструментом прогнозування з розробленою методологією і алгоритмами виконання робіт, а з іншого - досить новим методом в порівнянні, наприклад, з регресійній моделі. В системі управління земельними ресурсами даний метод використовується поки недостатньо [2] [3] . Хоча саме тут він може виявитися особливо ефективним, виходячи із специфіки земельних ресурсів. По-перше, мається на увазі велика інерційність процесів, що протікають. По-друге, інвестиції в нерухомість часто здійснюються на більш тривалий термін, ніж в інші види активів. По-третє, це пов'язано з тим, що ринок нерухомості менш схильний до впливу психологічних факторів, ніж, наприклад, фондовий ринок.

Отже, у учасників земельних відносин виникає потреба у виконанні прогнозів на середньо- і довгостроковий періоди, що робить непридатними традиційні методи прогнозування і відкриває широкі можливості для використання нейронних мереж.

приклад 5.1

Аналітик Іван Міхрюткін вирішив застосувати для прогнозування цін на земельні ділянки по Каширському, Нижегородському і Ярославському напрямками метод нейронних мереж.

У задачі Міхрюткіна прогнозованою величиною, що характеризує ситуацію на ринку земельних ділянок під індивідуальне житлове будівництво Підмосков'я, виступить ціна 100 м [3] землі. При виконанні регресійного аналізу аналітик з'ясував, що основний вплив на ринок нерухомості Московського регіону надає макроекономічна ситуація в країні, тому в якості вхідних факторів нейронної мережі використовувалися макроекономічні показники.

Всі вихідні дані були розбиті випадковим чином на навчальну, тестову і контрольну вибірки. У разі Міхрюткіна навчальна вибірка склала 20 значень, тестова і контрольна - по 8 значень кожна.

В результаті моделювання цін на земельні ділянки по Каширському, Ярославському і Нижегородському напрямками після навчання найкращі результати моделювання (в сенсі мінімізації помилки) дали нейронні мережі, в яких в якості входів (незалежних змінних) використовувалися ціни на нафту (з тримісячним лагом), курс долара і обсяги відтоку капіталу. Для моделювання цінової ситуації по Ярославському шосе найбільш підходять дві мережі: з трьома незалежними змінними (обсяг промислового виробництва, ціни на нафту (з тримісячним лагом) і відтік капіталу) і з чотирма входами (обсяг промислового виробництва, обсяг експорту, ціни на нафту (з тримісячним лагом) і курс долара). У другій мережі помилка менше, але, орієнтуючись на думки експертів ринку щодо впливу на ринок величини вивезення капіталу та беручи до уваги невелику довжину ряду (отже, краще віддати перевагу мережі з меншою кількістю зв'язків), для прогнозу будемо використовувати мережу з тім'я входять змінними.

Описані вище мережі мають наступній архітектурою (рис. 5.2 і 5.3).

Архітектура нейронної мережі для прогнозування цінової ситуації на земельному ринку по Ярославському напрямку і в середньому по Московській області

Мал. 5.2. Архітектура нейронної мережі для прогнозування цінової ситуації на земельному ринку по Ярославському напрямку і в середньому по Московській області

Архітектура нейронної мережі для прогнозування цінової ситуації на земельному ринку по Нижегородському і Каширському напрямками

Мал. 5.3. Архітектура нейронної мережі для прогнозування цінової ситуації на земельному ринку по Нижегородському і Каширському напрямками

Найбільш значущими з вхідних незалежних змінних при моделюванні ситуації по Ярославському, Нижегородському напрямками і в цілому по області з'явилися ціни на нафту, по Каширському напрямку - курс долара. На другому місці курс долара (по Каширському напрямку - ціни на нафту), а на третьому - відтік капіталу (рис. 5.4). В цілому перші два фактори роблять приблизно рівний вплив на модельований ціни.

Подаючи прогнозні значення на вхід нейронної мережі, отримаємо прогноз середніх цін на земельні ділянки в Московській області на прогнозований рік. Отримані результати пророкують невелике зростання середніх цін в першому місяці року (в межах 0,5%), а потім, починаючи з лютого, очікується двомісячне зниження цін загалом на 7%. Починаючи з квітня прогнозується плавне зростання до кінця року. Підсумком цих коливань є підвищення цін на земельні ділянки за рік в межах 5,5% (табл. 5.1).

Значимість входів нейромереж при моделюванні цін на земельні ділянки

Мал. 5.4. Значимість входів нейромереж при моделюванні цін на земельні ділянки:

ціни на нафту; курс долара; відтік капіталу

Прогнозування цін на земельні ділянки в Московській області за допомогою методу нейромережевого моделювання, дол / сотка

Таблиця 5.1

Порядковий номер місяця

Каширське

напрямок

Ярославське

напрямок

Нижегородське

напрямок

37

1 855

2924

1390

38

+1753

2786

1430

39

1589

2591

1448

40

1702

2636

1467

41

1746

2679

1489

42

1 787

2721

1513

43

1822

2762

1541

44

1856

2799

1574

45

1885

2836

1662

46

1910

2871

1612

47

1933

2901

1655

48

+1953

2922

1708

На Нижегородському напрямку на початку року прогнозується невелике одномісячне зниження цін, а потім плавний 22% -ве зростання.

На Каширському і Ярославському напрямках ситуація буде розвиватися за сценарієм, описаним для середніх по області цін: зростання на початку року, потім двох-трьох місячне зниження і знову підвищення цін до грудня включно.

Метод рангових кореляцій є варіацією кореляційного аналізу і застосовується в разі, коли один або кілька параметрів неможливо уявити у вигляді кількісних значень (наприклад, престижність районів). При рангової кореляції порівнюють не власними значення вимірювань, а тільки порядок, тому обчислення рангового коефіцієнта кореляції можливо тільки тоді, коли результати вимірювань отримані на основі шкали не нижче порядкової. Рангові коефіцієнт кореляції не рекомендується застосовувати, якщо пов'язаних пар менше 5 і більше 20.

Метод канонічних кореляцій також є розвитком традиційного методу визначення коефіцієнта кореляції, але при канонічних кореляції оцінюють тісноту зв'язку двох явищ або процесів, кожна з яких описується не одним, а кількома критеріями. При реалізації цього методу відбувається перехід від сукупності цих критеріїв до канонічним змінним, які представляють собою лінійні комбінації вихідних ознак по кожній групі. Метод канонічних кореляцій дозволяє аналізувати взаємозв'язок декількох вихідних показників і великого числа визначальних чинників.

Метод логічних вирішальних функцій призначений для пошуку емпіричних закономірностей. В основі лежить використання логічних функцій, тобто функцій, які визначають відповідність між одним або декількома висловлюваннями, які називаються аргументами функції, і висловлюванням, яке називається значенням функції.

Це визначення майже не відрізняється від визначення числової функції. Різниця лише в тому, що аргументом і значенням числової функції є числа, а аргументом логічної функції - висловлювання.

Метод дискримінантного аналізу в прогнозуванні використання земельних ресурсів носить скоріше допоміжний характер, дозволяє провести класифікацію об'єктів. При використанні методу визначають, які чинники розрізняють дві або більше виникають групи, наприклад земельних ділянок.

Метод головних компонент схожий на метод канонічних кореляцій. Він застосовується у випадках, коли аналізований процес або явище описується безліччю показників. Метод виявляє невелике число узагальнених допоміжних показників (головних компонент), виявляє найбільший розкид при переході від одного носія аналізованих показників до іншого.

  • [1] Електронний підручник за статистикою StatSoft. М .: StatSoft, 2001. URL: http://www.statsoft.ru/home/textbook/default.htm.
  • [2] Комаров С. І. Використання нейронних мереж при прийнятті інвестіціоннихрешеній на ринках нерухомості // Землевпорядкування, землекористування та земельнийкадастр: матеріали Всерос. конф. молодих вчених і фахівців «Молоді вчені -землеустроітельной науці». М., 2004. С. 137-143.
  • [3] Комаров С. І. Прогнозування вартості земельних ділянок для індивідуального житлового будівництва (на прикладі Московської області).
  • [4] Комаров С. І. Прогнозування вартості земельних ділянок для індивідуального житлового будівництва (на прикладі Московської області).
 
<<   ЗМІСТ   >>