Оптимизация нейросетевого алгоритма описания земельного рынка

Показаны преимущества использования нейросетевых технологий по сравнению с традиционными при описании динамически меняющихся систем, к которым относится и современный земельный рынок. Выявлена основная трудность, возникающая во время практических реализаций нейросетевых моделей рынка земли и строительной продукции, состоящая в формировании репрезентативного набора обучающих и тестовых примеров. Определены требования, выполнение которых необходимо для корректного описания современной экономической ситуации, заключающееся в том, что тренировочное множество в пространстве признаков не должно иметь областей с малой плотностью наблюдений. Сформулированы методы оптимизации эмпирического массива, позволяющие избежать далёкой экстраполяция данных из областей сгущения набора примеров. Показано, что радикальный метод оптимизации набора обучающих и тестовых примеров, заключающийся в сборе дополнительной информации, для экономических задач обычно сопряжён со значительными затратами ресурсов и времени и по соотношению затраты/отдача менее эффективен, чем алгоритм оптимизации нейросетевых моделей земельного рынка на фиксированном наборе эмпирической информации. Подробно проанализирован алгоритм оптимизации, основанный на преобразовании массивов информации и заключающийся в растяжении областей сгущения набора примеров, а также сжатия областей малой плотности наблюдений. На конкретном примере рынка земельных участков Воронежской области, предназначенных для дорожного строительства, продемонстрировано значительное уменьшение относительной ошибки описания цены земельного участка, что с учётом значительной абсолютной стоимости земли делает рентабельным применение даже радикального метода оптимизации эмпирического массива. Продемонстрирована высокая экономическая эффективность применения предложенных алгоритмов.