بهبود پیش بینی قیمت مسکن با بازنمایی اطلاعات مکانی مبتنی بر قدم زنی تصادفی

در این مقاله، روشی نوین برای بهبود پیش بینی قیمت مسکن با استفاده از قدم زنی تصادفی ارائه شده است. به صورت معمول تنها اطلاعات مکانی که در زمره ویژگی ها، در پیش بینی قیمت لحاظ می شود، طول و عرض جغرافیانی خانه ها هست. در این پژوهش به منظور بهره گیری بیشتر از اطلاعات مکانی، از شیوه ی قدم زنی تصادفی بهره برده شده است. به این منظور، ابتدا یک گراف غیر جهت دار با استفاده از داده های جغرافیایی منازل ایجاد شد. دو خانه در صورتی در این گراف مجاور در نظر گرفته شدند که فاصله ی آن ها کمتر از حدی مشخص باشد. سپس، با استفاده از روش قدم زنی تصادفی و بازنمایی رئوس گراف در الگوریتم DeepWalk، برای هر خانه، یک بردار معنایی ۳۰ بعدی استخراج گردید. این بردارها که اطلاعات مجاورت مکانی ضمنی خانه ها را در خود دارند، به همراه سایر ویژگی های خانه ها (مانند مساحت، تعداد اتاق و سن بنا) به عنوان ورودی، به مدل پیش بینی قیمت مسکن داده شدند. نتایج آزمایشات بر روی داده های قیمت مسکن در شهر مشهد، با یک مدل مبتنی بر تقویت گرادیان نشان داد که بردارهای معنایی حاصله، عملکرد مدل را بهبود می بخشند. به عنوان مثال، ضریب تعیین (R۲) از ۰.۸۲ در روش پایه به ۰.۸۵ در روش پیشنهادی افزایش یافت و خطای تقریب یک درصد کاهش پیدا کرد.

کلیدواژه ها:

قدم زنی تصادفی ، آنالیز داده ها ، رگرسیون ، گراف ، یادگیری عمیق