Разработка интеллектуальной системы оценки жилой недвижимости

Среди элементов рыночной экономики особое место занимает недвижимость, которая выступает в качестве средств производства (земля, административные, производственные, складские, торговые и прочие здания и помещения, а также другие сооружения) и предмета или объекта потребления (земельные участки, жилые дома, дачи, квартиры, гаражи) [1].

Недвижимость выступает основой личного существования для граждан и служит базой для хозяйственной деятельности и развития предприятий и организаций всех форм собственности. В России происходит активное формирование и развитие рынка недвижимости и все большее число граждан, предприятий и организаций участвует в операциях с недвижимостью.

В настоящее время деятельность оценщиков недвижимости регламентируется соответствующим федеральным законом и стандартами в области оценки. В последнее время во все сферы профессиональной деятельности, учитывающие законодательную базу, все активнее внедряются системы с элементами искусственного интеллекта. Применение таких систем для оценки жилой недвижимости позволит не только накапливать статистическую информацию по объектам недвижимости, но и осуществлять на основе, как имеющихся данных, так и знаний специалистов-оценщиков подбор и/или оценку каждого объекта в зависимости от разных по степени их влияния факторов. При этом для многих задач оценки недвижимости и поиска способов их стандартизации не всегда применима формальная логика.

При анализе предметной области [1, 2] было выявлено более 80 признаков, влияющих на стоимость объекта недвижимости. При этом при оценке объектов недвижимости в отдельных случаях учитывалась вся совокупность признаков, а в других - только ограниченный набор, характерный для региона поиска или для вида статуса объекта недвижимости. Поэтому на данном этапе исследования было решено ограничиться оценкой объектов недвижимости в областных и районных городах Европейской части России. При помощи анкетирования экспертов-специалистов в области оценки недвижимости, в данных условиях отобранные признаки были сгруппированы в следующие кластеры:

• —    общее состояние объекта (возраст, внешний вид, материал, из которого изготовлен, износ коммуникаций и т. д.);

• —    параметры и физические характеристики объекта (общая площадь, высота потолков, количество комнат, площадь кухни, этажность, наличие лоджии, балкона, террасы, наличие лифта и т. д.);

• —    место расположения жилья (удаленность от центра, близость станций метро и остановок автотранспорта, экологическое состояние района, наличие парков и скверов, магазинов, школ и т. д.);

• —    характер окружающей застройки (близость промышленных объектов, исторический квартал или район новостроек);

• —    социальный статус района (элитный, рабочий, деловой, спальный и др);

• —    развитость инфраструктуры (магазины, больницы, предприятия сферы услуг и общественного питания и т. д.);

• —    наличие современных инженерных коммуникаций, включая проводной Internet и кабельное телевидение.

Все выявленные взаимосвязи между кластерами представлены на рисунке 1. На рисунке 2 приведена схема взаимосвязей с конечными значениями кластеров.

Состояние объекта

Наличие коммуникаций

Параметры и физ-ие характеристики

Социальный статус района

Оценка рыночной стоимости

Место

расположения

Развитость инфраструктуры

Характер окруж-ей застройки

Рисунок 1 - Схема взаимосвязей характеристик

Для создания интеллектуальной системы на основе статистической исторической информации были выделены основные классы недвижимости (дом, квартира и т.д.) и приведены в соответствии к этим классам возможные значения кластеров (Таблица 1).

Таблица 1 – Классы и признаки для обучения интеллектуальной системы

Классы		Признаки
А	Дом	Х1	Общее состояние объекта
Б	Квартира	Х2	Параметры объекта недвижимости
В	Таунхаус	Х3	Физические характеристики объекта недвижимости
Г	Вилла	Х4	Место расположения жилья
Д	Дача	Х5	Характер окружающей застройки
Е	Общежитие	Х6	Развитость инфраструктуры
		Х7	Наличие современных коммуникаций
		Х8	Рыночная стоимость

Рисунок – 2 – Конечные значения кластеров

По существующим данным происходило обучение системы. Особое

внимание при этом уделялось учету динамики изменения, как самих

значений кластеров, так и стоимости оцениваемых объектов. Информация бралась за период с 2002 по 2017 год.

Для разработки интеллектуальной системы оценки объектов недвижимости было использовано программное средство EsWin [3-6]. Эта программная оболочка для работы с продукционно-фреймовыми экспертными системами с возможностью использования лингвистических переменных. Описываемая программная оболочка предназначена для решения задач методом обратного логического вывода на основе интерпретации правил-продукций с использованием фреймов как структур данных, включающих в себя в частности лингвистические переменные.

При работе с системой необходимо задать исходные данные. Чтобы с высокой вероятностью произвести оценку объектов недвижимости, необходимо ввести следующие данные: общее состояние объекта недвижимости, параметры и физические характеристики объекта недвижимости, место расположения жилья, характер окружающей застройки, социальный статус района, развитость инфраструктуры, наличие современных инженерных коммуникаций. На рисунке 3 показаны созданные фреймы и правила.

Рисунок 3 - Правила для определения оценки объектов недвижимости

Далее заполняются исходные данные правил (рисунок 4).

Всего было создано 750 правил для определения оценки объектов недвижимости, согласно заданным критериям. На рисунке 5 представлена работа системы.

Рисунок 4 – Заполнение исходных данных в правилах

На рисунке 5 (а-и) пошагово описан процесс выбора наиболее подходящего (первого из подходящих) объекта недвижимости:

• а – выбор объекта недвижимости;

• б – выбор строительного материала;

• в – максимальная площадь объекта;

• г – максимальное количество комнат объекта;

• д – этажность объекта;

• е – местоположения объекта относительно центра города / населенного пункта;

• ж – социальный статус объекта недвижимости;

• з – наличие инфраструктуры и ее развитость;

• и – наличие инженерных коммуникаций.

После ответа на все вопросы программа принимает решение по поводу оценки объекта недвижимости (рисунок 6).

Система позволяет не только получить один (несколько) подходящих вариантов, но и просмотреть для каждого варианта вероятность того, что каждый из влияющих признаков примет то или иное значение. Для этого используется трассировка полученных результатов. Результат трассировки показан на рисунке 7.

а)

б)

в)                        г)                        д)

е)

ж)

з)

и)

Рисунок 5 – Демонстрация работы интеллектуальной системы по оценке объектов недвижимости

ЦЕЛЬ» оценить рыночную стоимость жилой недвижимости согласно заданным параметрам

РЕШЕНИЕ:

Цель оценить рыночную стоимость жилой недвижимости согласно заданным параметрам = под ваш выбор подходит деревянная вилла на берегу Черного моря, площадью менее 500 кв.м , имеющая до 5 комнат и находящаяся в курортной зоне, стоимостью 17,5-18.6 млн руб.

(Правило 15)

Рисунок 6 – Принятие решения по оценке объекта недвижимости

Рисунок 7 - Пример трассировки

Из полученных данных видно, что с 100% вероятностью доказывается правило 15.

Полученные результаты сохраняются в базе данных (рисунок 8). Полученные результаты в дальнейшем могут быть использованы для дообучения системы и пополнения базы знаний.

Проведенное тестирование разработанной системы показало хорошие результаты для крупных городов Европейской части России. Однако, в процессе тестирования были выявлены недостатки, связанные с различиями в уровнях развития регионов. Планируется разработка для каждого российского региона отдельной базы знаний в данной интеллектуальной системе. В дальнейшей работе над предложенной системой будет добавлена информация по объектам сельской местности.

Рисунок 8 – Запись в базе данных