شماره ركورد
27703
پديد آورنده
فرهاد صديقي
عنوان
مدل ارزيابي تاثير دسترسي سيستم حمل و نقل بر روي قيمت مسكن
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي عمران- برنامهريزي و مهندسي حمل و نقل
سال تحصيل
1398
تاريخ دفاع
1401/8/29
استاد راهنما
شهريار افندي زاده زرگري
دانشكده
مهندسي عمران
چكيده
پيشبيني دقيق قيمت خانه براي خريداران، سرمايهگذاران، مشاوران املاك و ساير فعالان بازار املاك و مستغلات ضروري است. با اين حال پيشبيني هاي بسياري از مطالعات دقيق نيستند چون برخي عوامل تاثيرگذار بر قيمت مسكن از جمله پارامترهاي اقتصادي و دسترسي را درنظر نگرفتند. هدف اين پژوهش اين است كه با در نظر گرفتن پارامترهاي ساختاري، مكاني، اقتصادي و دسترسي در كنار هم، قيمت خانه هاي منطقه شهري واشنگتن را پيشبيني كرده و درنهايت بتواند تاثير متغير دسترسي را بر قيمت مسكن بيابد. در اين مطالعه از مجموعه دادهاي كه شامل 2019663 ركورد معاملات فروش خانه از سال 1975 تا 2018 در منطقه شهري واشنگتن ميشود، استفادهشده است. در جزئيات، ابتدا مجموعه دادهها شامل مشخصات ساختاري خانه و ويژگيهاي مكاني جمعآوري شده و با اعمال روشهاي پيشپردازش داده، پاكسازي ميشود. در مرحله بعد شاخص دسترسي با استفاده از معيارهاي دسترسي فاصلهاي، فرصت تجمعي و جاذبهاي محاسبه مي شود. سپس از متغيرهاي اقتصادي جهت پيشبيني ميانگين قيمت خانههاي كل شهر در هر ماه با بكارگيري مدل هاي يادگيري عميق استفاده ميشود. در نهايت مجموعه داده با شاخص دسترسي و ميانگين قيمت خانهها ادغام شده و برروي مدل هاي يادگيري ماشين برازش مي شود تا قيمت هر خانه پيشبيني شود. با مقايسهي معيارهاي عملكرد هر مدل نشان داده شد كه مدل تعميم انباشته (دستگاه تقويت گراديان سبك + شبكه عصبي مصنوعي) با ضريب تعيين 0.96 و ريشه ميانگين مربعات خطا 23290 دلار بهترين پيشبيني را ارائه ميدهد. همچنين نشان داده شد كه معيار دسترسي جاذبهاي عملكرد بهتري نسبت به معيارهاي دسترسي فاصلهاي و تجميع فرصتها ارائه ميدهد چون بخش كاربري زمين و حمل و نقل را تواما پوشش مي دهد. اين پژوهش نشان داد كه با افزايش دسترسي به دليل دستيابي به سيستمهاي حملونقل قيمت خانهها افزايش پيدا ميكند اما اگر شاخص دسترسي از آستانه (80003 براي خانه هاي بزرگ و 160103 براي خانه هاي كوچك) بيشتر شود، به دليل افزايش آلودگي صوتي و كاهش حريم خصوصي، قيمت خانه ها روند نزولي پيدا مي كند. همچنين قيمت خانههاي بزرگ در مقايسه با قيمت خانههاي كوچك نسبت به تغييرات دسترسي حساستر هستند چون مردمي كه در خانه هاي كوچك زندگي مي كنند عمدتا از قشر ضعيف جامعه مي باشند كه به اندازه قشر مرفه به پارامتر دسترسي اهميت نمي دهند. ديگر يافته اين پژوهش اين بود كه به علت مسائل روانشناختي، درصد تغييرات قيمت مسكن در مقادير بزرگ نرخ بهره بيشتر از درصد تغييرات قيمت مسكن در مقادير كوچك نرخ بهره است.
تاريخ ورود اطلاعات
1401/10/19
عنوان به انگليسي
Modeling of the Effect of Transportation System Accessibility on Residential Real Estate Prices
تاريخ بهره برداري
11/20/2023 12:00:00 AM
دانشجوي وارد كننده اطلاعات
فرهاد صديقي
چكيده به لاتين
Accurate house price predictions are essential for prospective homeowners, investors, appraisers, and insurers. However, the predictions of some studies are not accurate because they have not considered some factors, such as accessibility and economic attributes, that influence house prices. This study aims to predict house prices using structural, locational, accessibility, and economic attributes and finally explore the effect of the accessibility variable on the house price. The dataset contains 2,019,663 records of real estate transactions from 1975 to 2018 in the Washington metropolitan area, extracted from the Zillow website. In this study, the accessibility index is calculated using Distance, Cumulative Opportunities, and Gravity measures; gravity measure outperforms the others because it considers both land use and transportation components of accessibility. Then the economic attributes are used to predict the average house price of the study area each month by applying deep learning algorithms such as LSTM, GRU, and Simple RNN; a Simple RNN layer with 32 neurons is superior to the other models. After the structural and locational attributes are merged with the accessibility index and average house prices, machine learning algorithms, such as Linear Regression, Lasso, Ridge, Random Forest, GBM, LightGBM, XGBoost, Decision Tree, AdaBoost, Artificial Neural Network, and Stacked Generalization, are employed to predict the house prices. Finally, after evaluating the models, the Stacked Generalization (ANN + LightGBM) provides the best performance with R2 of 0.96 and RMSE of $23,290. This study also shows that when the accessibility index exceeds the threshold (80,003 in large buildings and 160,103 in small buildings), a higher accessibility index leads to lower housing prices due to noise pollution, decreased privacy, and increased supply responses.
كليدواژه هاي فارسي
قيمت خانه , مدل هاي دسترسي , يادگيري عميق , يادگيري ماشين
كليدواژه هاي لاتين
House price , Accessibility Measures , Deep Learning , Machine Learning
Author
Farhad Sedighi
SuperVisor
Dr. Shahriar Afandizadeh