1. Trang chủ
  2. » Luận Văn - Báo Cáo

Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy

92 4 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 92
Dung lượng 3,96 MB

Nội dung

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA KHOA HỌC - KỸ THUẬT MÁY TÍNH ✯✯✯ BK TP.HCM LUẬN VĂN TỐT NGHIỆP ĐẠI HỌC PHÁT TRIỂN HỆ THỐNG ĐIỀU CHỈNH DỮ LIỆU THỰC TẾ VỀ GIÁ ĐẤT THỊ TRƯỜNG THEO Ý KIẾN CỦA CHUYÊN GIA SỬ DỤNG CÁC PHƯƠNG PHÁP HỌC MÁY NGÀNH: KHOA HỌC MÁY TÍNH HỘI ĐỒNG: Khoa học Máy tính 11 GVHD: GVPB: PGS TS QUẢN THÀNH THƠ TS NGUYỄN ĐỨC DŨNG SVTH 1: VÕ ĐÌNH KHƯƠNG 1711835 SVTH 2: NGUYỄN ĐÌNH THUẦN 1713375 TP Hồ Chí Minh, 07/2021 ĐẠI HỌC QUỐC GIA TP.HCM -TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA:KH & KT Máy tính _ BỘ MÔN: KHMT CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN ÁN TỐT NGHIỆP Chú ý: Sinh viên phải dán tờ vào trang thuyết trình HỌ VÀ TÊN: Võ Đình Khương MSSV: 1711835 NGÀNH: KHMT LỚP: MT17KH03 _ HỌ VÀ TÊN: Nguyễn Đình Thuần MSSV: 1713375 NGÀNH: KHMT LỚP: MT17KH05 _ Đầu đề luận án: Phát triển hệ thống điều chỉnh liệu thực tế giá đất thị trường theo ý kiến chuyên gia sử dụng phương pháp học máy _ Nhiệm vụ (yêu cầu nội dung số liệu ban đầu): _ _ _ _ _ _ Ngày giao nhiệm vụ luận án: 03/09/2015 Ngày hoàn thành nhiệm vụ: 20/12/2015 Họ tên giảng viên hướng dẫn: Phần hướng dẫn: 1) 2) 3) Nội dung yêu cầu LVTN thông qua Bộ môn Ngày tháng năm CHỦ NHIỆM BỘ MÔN GIẢNG VIÊN HƯỚNG DẪN CHÍNH (Ký ghi rõ họ tên) (Ký ghi rõ họ tên) PGS.TS Quản Thành Thơ PHẦN DÀNH CHO KHOA, BỘ MÔN: Người duyệt (chấm sơ bộ): _ Đơn vị: _ Ngày bảo vệ: Điểm tổng kết: _ Nơi lưu trữ luận án: _ TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA KH & KT MÁY TÍNH CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc -Ngày tháng năm PHIẾU CHẤM BẢO VỆ LVTN (Dành cho người hướng dẫn/phản biện) Họ tên SV: Võ Đình Khương MSSV: 1711835 Ngành (chuyên ngành): KHMT Họ tên SV: Nguyễn Đình Thuần MSSV: 1713375 Ngành (chuyên ngành): KHMT Đề tài: Phát triển hệ thống điều chỉnh liệu thực tế giá đất thị trường theo ý kiến chuyên gia sử dụng phương pháp học máy Họ tên người hướng dẫn/phản biện: PGS.TS Quản Thành Thơ Tổng quát thuyết minh: Số trang: Số chương: Số bảng số liệu Số hình vẽ: Số tài liệu tham khảo: Phần mềm tính tốn: Hiện vật (sản phẩm) Tổng quát vẽ: - Số vẽ: Bản A1: Bản A2: Khổ khác: - Số vẽ vẽ tay Số vẽ máy tính: Những ưu điểm LVTN: - - Đề tài có tính thực tế, giải vấn đề thường gặp vận dụng AI để dự đoán giá Bất động sản Đề tài có nội dung lý thuyết sâu Sinh viên tìm hiểu lý thuyết KSOM GA, vận dụng hợp lý vào đề tài Sinh viên có đo đạc đánh giá chứng tỏ hiệu việc áp dụng lý thuyết Sản phẩm đề tài bắt đầu áp dụng vào thực tế Những thiếu sót LVTN: - Luận văn trình bày đọng có cấu trúc hợp lý Đề nghị: Được bảo vệ □ Bổ sung thêm để bảo vệ □ câu hỏi SV phải trả lời trước Hội đồng: 10 Đánh giá chung (bằng chữ: giỏi, khá, TB): Không bảo vệ □ Điểm : 8.9/10 Ký tên (ghi rõ họ tên) PGS.TS Quản Thành Thơ TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA KH & KT MÁY TÍNH CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc -Ngày 01 tháng 08 năm 2021 PHIẾU CHẤM BẢO VỆ LVTN (Dành cho người hướng dẫn/phản biện) Họ tên SV: Võ Đình Khương, Nguyễn Đình Thuần MSSV: 1711835, 1713375 Ngành (chuyên ngành): KHMT Đề tài: PHÁT TRIỂN HỆ THỐNG ĐIỀU CHỈNH DỮ LIỆU THỰC TẾ VỀ GIÁ ĐẤT THỊ TRƯỜNG THEO Ý KIẾN CỦA CHUYÊN GIA SỬ DỤNG CÁC PHƯƠNG PHÁP HỌC MÁY Họ tên người hướng dẫn/phản biện: Nguyễn Đức Dũng Tổng quát thuyết minh: Số trang: Số chương: Số bảng số liệu Số hình vẽ: Số tài liệu tham khảo: Phần mềm tính toán: Hiện vật (sản phẩm) Tổng quát vẽ: - Số vẽ: Bản A1: Bản A2: Khổ khác: - Số vẽ vẽ tay Số vẽ máy tính: Những ưu điểm LVTN: Luận văn xây dựng mơ hình điều chỉnh giá bất động sản cho thị trường dựa vào cập nhật chuyên gia, sử dụng mô hình học máy Nhóm sử dụng mơ hình KSOM để tìm đọ tương quan BDS thơng qua ánh xạ từ khơng gian đặc trưng lên map 2D Nhóm đề xuất độ đo khoảng cách khác trình xây dựng KSOM sử dụng GA để tìm hyper-parameter tối ưu Nhóm đưa công thức đề xuất cho việc cập nhật giá theo heuristic nhóm Các thí nghiệm đánh giá thực đầy đủ Nhóm thực ứng dụng hoàn chỉnh hỗ trợ việc cập nhật giá Những thiếu sót LVTN: Sử dụng KSOM khơng phải cách tiếp cận việc đánh giá độ tương tự BDS Như cách lựa chọn độ đo khoảng cách vài điểm bất cập chưa phù hợp thực tế (đã có nhắc sv buổi phản biện) Bên cạnh đó, công thức cập nhật giá heuristic mà thân việc cập nhật giá tạo nhiều kết khác phụ thuộc vào trình tự cập nhật Điều dẫn đến không đồng mặt kết tạo tính khơng ổn định lời giải Việc đo đạc giá cập nhật mang tính tương đối khó đánh giá Đề nghị: Được bảo vệ o Bổ sung thêm để bảo vệ o Không bảo vệ o câu hỏi SV phải trả lời trước Hội đồng: a Ngoài KSOM sử dụng cách tiếp cận khác để đo độ tương tự? b Làm cách thay đổi hàm cập nhật giá để đảm bảo tính lời giải? c 10 Đánh giá chung (bằng chữ: giỏi, khá, TB): Giỏi Điểm: /10 Ký tên (ghi rõ họ tên) Nguyễn Đức Dũng LỜI CAM ĐOAN Tôi xin cam đoan rằng, ngoại trừ kết tham khảo từ cơng trình khác có liên quan ghi rõ luận văn, nội dung trình bày luận văn tơi thực chưa có phần nội dung nộp để lấy cấp trường khác TP HCM, NGÀY 26 THÁNG 07 NĂM 2021 LỜI CẢM ƠN Lời đầu tiên, xin gửi lời cảm ơn chân thành đến PGS TS Quản Thành Thơ, người thầy gắn bó với tơi suốt q trình thực luận văn Nhờ tận tình, chu đáo mà không phần nghiêm khắc từ ngày thầy mà học nhiều học kiến thức lẫn kĩ Chính nhờ kiến thức kinh nghiệm mà thầy truyền đạt lại giúp cho bước đầu thực đam mê hoàn thành đề cương luận văn cho đề tài hay Bất Động Sản mà Thầy gợi ý Một lần nữa, xin cảm ơn Thầy nhiều Xin gửi lời cảm ơn đến thầy cô trường Đại học Bách Khoa, đặc biệt thầy cô môn khoa Khoa học Kỹ thuật Máy tính truyền đạt kiến thức quý báu bốn năm học qua Bên cạnh đó, tơi xin gửi lời cảm ơn đến anh Hồng Việt Hùng nhóm Atomic AI nhiệt tình giúp đỡ tơi q trình làm luận văn Cuối cùng, tơi xin cảm ơn gia đình, bạn bè, người giúp đỡ, hỗ trợ tơi suốt thời gian hồn thành chương trình bậc Đại học Xin chân thành cảm ơn NHÓM TÁC GIẢ iii TÓM TẮT Một lĩnh vực phát triển mạnh thu hút nhiều nguồn đầu tư Bất động sản (BĐS) Việc áp dụng kĩ thuật học máy vào việc định giá bất động sản áp dụng phổ biến Tuy nhiên, phần lớn hệ thống học máy cần qua nhiều bước sửa lỗi người để tăng mức xác kết Kohonen Self-Organizing Map (K-SOM) mơ hình mạng nơ-ron sử dụng phương pháp học tập cạnh tranh Trong luận văn này, nghiên cứu cách sử dụng khả ánh xạ liệu có nhiều chiều thành liệu có chiều mạng K-SOM để xây dựng đồ mô quan hệ luận lý liệu bất động sản (về địa lý, vị trí mặt đường, quận - huyện ) không gian hai chiều Sau đó, dựa vào kiến thức cung cấp chuyên gia giá điểm liệu, hệ thống sử dụng giải thuật lan truyền mạng K-SOM để cập nhật giá cho điểm liệu khác Giải thuật di truyền (GA) giải thuật mô dựa di truyền sinh học Nhờ khả học hệ số từ công thức phức tạp liên quan đến tương quan bất động sản thông qua giải thuật di truyền, công thức trở nên đáng tin giúp mơ hình K-SOM cho kết cải thiện, bám sát với mong muốn người dùng Hệ thống mà luận văn nghiên cứu giúp tích hợp kiến thức chuyên gia vào hệ thống liệu giá BĐS cách tối ưu, xác tiết kiệm tài nguyên nhân lực MỤC LỤC Tóm tắt iii Danh mục hình ảnh Danh mục bảng biểu Danh mục chữ viết tắt Chương TỔNG QUAN 1.1 Giới thiệu đề tài 1.2 Mục tiêu phạm vi đề tài 1.2.1 Mục tiêu đề tài 1.2.2 Phạm vi đề tài 1.3 Đóng góp đề tài 1.3.1 Về mặt lý thuyết 1.3.2 Về mặt thực tiễn 1.4 Cấu trúc luận văn 6 6 7 10 10 14 14 15 17 17 18 18 21 21 21 22 23 24 24 24 25 27 27 27 29 Chương KIẾN THỨC NỀN TẢNG 2.1 Kiến thức học máy 2.1.1 Mạng nơ-ron nhân tạo 2.1.2 Giảm chiều liệu 2.1.3 Học cạnh tranh (Competitive learning) 2.1.4 DBSCAN 2.2 Một số công nghệ sử dụng 2.2.1 Ngơn ngữ lập trình 2.2.2 Thiết kế giao diện 2.2.3 Thiết kế hệ thống 2.3 Nghiên cứu giá BĐS 2.3.1 Các loại giá đất 2.3.2 Các yếu tố ảnh hưởng trực tiếp đến giá BĐS 2.3.3 Dữ liệu giá cho mơ hình luận văn Chương KIẾN THỨC VỀ MẠNG K-SOM VÀ GIẢI THUẬT DI TRUYỀN GA 3.1 Mạng K-SOM 3.1.1 Giới thiệu mạng K-SOM 3.1.2 Kiến trúc giải thuật K-SOM 3.1.3 Các bước thực giải thuật K-SOM 3.2 Giải thuật di truyền GA 3.2.1 Giới thiệu giải thuật di truyền GA 3.2.2 Các bước thực giải thuật GA 3.2.3 Hạn chế giải thuật GA Chương CÁC CƠNG TRÌNH LIÊN QUAN 30 v MỤC LỤC 4.1 4.2 4.3 4.4 4.5 Mơ hình Singh cộng [19] 4.1.1 Khái qt mơ hình 4.1.2 Nhận xét Mơ hình Giudice cộng [20] 4.2.1 Khái qt mơ hình 4.2.2 Nhận xét Mơ hình Park Bae [21] 4.3.1 Khái qt mơ hình 4.3.2 Nhận xét Mơ hình Kontrimas Verikas [22] 4.4.1 Khái qt mơ hình 4.4.2 Nhận xét Nhận xét tổng qt cơng trình liên quan Chương KIẾN TRÚC HỆ THỐNG 5.1 Khái quát luồng xử lý 5.2 Chức 1: Xem, gán nhãn tương quan bất động sản 5.2.1 Sơ đồ tình 5.2.2 Sơ đồ hoạt động 5.3 Chức 2: Xem, gán nhãn giá bất động sản 5.3.1 Sơ đồ tình 5.3.2 Sơ đồ hoạt động 31 31 31 31 31 31 32 32 32 32 32 32 32 34 35 37 37 39 40 40 42 Chương PHƯƠNG PHÁP THỰC HIỆN 6.1 Nội dung toán 6.2 Phương pháp giải toán 6.2.1 Tập liệu toán 6.2.2 Áp dụng giải thuật K-SOM vào toán 6.2.3 Áp dụng K-SOM để tìm độ tương quan BĐS so với BĐS khác 6.2.4 Sử dụng Giải Thuật di truyền cho công thức khoảng cách luận lý mạng K-SOM 6.2.5 Hàm cập nhật giá 51 53 Chương THÍ NGHIỆM VÀ ĐÁNH GIÁ 7.1 Xây dựng mơ hình K-SOM 7.1.1 Quá trình xây dựng ứng dụng mơ hình K-SOM 7.1.2 Mơ hình K-SOM chưa dùng giải thuật di truyền 7.1.3 Mơ hình K-SOM dùng giải thuật di truyền 7.2 Xây dựng mơ hình giải thuật di truyền 7.2.1 Quá trình xây dựng ứng dụng mơ hình giải thuật di truyền 7.2.2 Cơng thức khoảng cách luận lý thứ 7.2.3 Công thức khoảng cách luận lý thứ hai 7.2.4 Tổng kết công thức cho giải thuật di truyền 7.3 Giao diện 7.3.1 Giao diện gán nhãn mức độ tương quan số cặp BĐS 7.3.2 Giao diện cập nhật giá cho chuyên gia 7.3.3 Đánh giá kết cập nhật giá 56 57 57 57 58 60 60 60 62 64 65 65 68 75 Chương TỔNG KẾT 43 44 45 45 48 50 77 vi MỤC LỤC 8.1 8.2 8.3 8.4 Các cơng việc hồn thành Các kết thu Các khó khăn gặp phải Hướng phát triển tương lai 78 78 78 79 Tài liệu tham khảo 79 Danh mục từ khoá 82 CHƯƠNG THÍ NGHIỆM VÀ ĐÁNH GIÁ 7.3.2 68 Giao diện cập nhật giá cho chuyên gia Giao diện sử dụng tri thức có từ chuyên gia kết hợp với mơ hình mạng K-SOM nghiên cứu để cập nhật lại giá đất thị trường cho tập liệu 7.3.2.1 Các bước cập nhật giá • Cập nhật giá cho BĐS có: Truy cập vào giao diện, chọn đăng muốn cập nhật giá, điền giá chọn "Cập Nhật Giá" Hệ thống ứng dụng mơ hình nghiên cứu để lan truyền giá đến BĐS xung quanh để cập nhật giá lên CSDL đồng thời hiển thị đồ thể kết lan truyền giá mơ hình Hình 7.7: Chọn điểm đồ CHƯƠNG THÍ NGHIỆM VÀ ĐÁNH GIÁ Hình 7.8: Chọn giá Hình 7.9: Kết lan truyền bán kính 2km 69 CHƯƠNG THÍ NGHIỆM VÀ ĐÁNH GIÁ 70 • Cập nhật giá cho điểm: Truy cập vào giao diện, chọn điểm đồ, điền giá đất điểm kèm theo vị trí(Mặt tiền/hẻm), sau chọn "Cập Nhật Giá" Hệ thống ứng dụng mơ hình nghiên cứu để lan truyền giá đến BĐS xung quanh để cập nhật giá với BĐS có quan hệ luận lý gần với input làm trung tâm Hình 7.10: Chọn điểm đồ giá CHƯƠNG THÍ NGHIỆM VÀ ĐÁNH GIÁ Hình 7.11: Kết lan truyền bán kính 2km Hình 7.12: Điểm gần input 71 CHƯƠNG THÍ NGHIỆM VÀ ĐÁNH GIÁ 7.3.2.2 Kết lan truyền Hình 7.13: Điểm cập nhật trực tiếp 72 73 CHƯƠNG THÍ NGHIỆM VÀ ĐÁNH GIÁ (a) (b) (c) (d) Hình 7.14: Một số điểm cập nhật 74 CHƯƠNG THÍ NGHIỆM VÀ ĐÁNH GIÁ (e) (f) (g) (h) Hình 7.15: Một số điểm cập nhật CHƯƠNG THÍ NGHIỆM VÀ ĐÁNH GIÁ 7.3.3 75 Đánh giá kết cập nhật giá Để đánh giá độ hiệu mơ hình, chúng tơi xây dựng mạng K-SOM với Công thức khoảng cách luận lý thứ hai mục 7.2.3 cập nhật giá Hàm cập nhật giá mục 6.2.5.2 cho số điểm BĐS Kết nhận gửi đến cho chuyên gia để kiểm tra cho ý kiến để chỉnh sửa lại số kết Ý kiến liệu để kiểm tra mơ hình Mỗi kết tương ứng với bảng sau: Hình 7.16: Kết lan truyền giá Chuyên gia sử dụng kĩ thuật kinh nghiệm để thẩm định giá điền vào "label" để có liệu đánh giá độ xác mơ hình Để đánh giá cho mơ hình chúng tơi, chun gia đánh giá giá đất mét vuông 55 bất động sản tập liệu cập nhật Bên cạnh đó, để so sánh với mơ hình cập nhật tơi xây dựng luận văn xây dựng mô hình đơn giản hơn, đặt tên simple model - mơ hình đơn giản, giá cập nhật dựa theo khoảng cách vật lý số heuristic Cụ thể, BĐS A giá cập nhật tăng/giảm x%, giá BĐS X cách 2km cập nhật sau: • Nếu khoảng cách từ BĐS X đến A 500m giá X tăng/giảm x% • Nếu khoảng cách từ BĐS X đến A 500m 2000m giá X tăng/giảm từ 100% đến 85% x% 76 CHƯƠNG THÍ NGHIỆM VÀ ĐÁNH GIÁ Kết cập nhật giá qua mơ hình số BĐS tổng hợp gán nhãn lại thể bảng tính sau: Hình 7.17: Kết lan truyền giá Trong đó: • pos giá trị hàm pos đề cập • Giá BĐS đề cập giá đất mét vng • Giá Gốc giá lưu tập liệu ban đầu Chúng dùng hàm trung bình độ lệch giá dự đốn mơ hình giá chuyên gia cung cấp để đánh giá mơ hình, kí hiệu loss: loss = n ∗ | Giá dự đoán − Giá chuyên gia | n ∑ (7.3) Giá trị loss thấp chứng tỏ mơ hình ý chun gia Qua tính tốn, đánh giá với 55 mẫu liệu BĐS mà chuyên gia đánh giá, ta có bảng giá trị loss sau: Dữ liệu gốc 7,821,343 Dữ liệu qua K-SOM 5,956,106 Dữ liệu qua simple model 39,090,718 Bảng 7.10: Giá trị loss tập liệu trước sau dùng mơ hình so với liệu từ chuyên gia Dựa vào loss bảng ta thấy mơ hình sử dụng K-SOM có loss thấp nhất, cụ thể: Giá trị loss mơ hình K-SOM khoảng 76% giá trị loss liệu gốc trước cập nhật 15% giá trị loss mơ hình đơn giản Do đó, ta kết luận: Mơ hình K-SOM luận văn giúp cập nhật giá BĐS với ý chuyên gia giá trước đó, hiệu cách sử dụng mơ hình cập nhật giá đơn giản qua khoảng cách vật lý nhiều TỔNG KẾT Trong chương này, tơi xin trình bày cơng việc thực hiện, khó khăn gặp phải, kết thu trình thực đề cương luận văn hướng phát triển tương lai cho luận văn Mục lục 8.1 Các cơng việc hồn thành 78 8.2 Các kết thu 78 8.3 Các khó khăn gặp phải 78 8.4 Hướng phát triển tương lai 79 CHƯƠNG TỔNG KẾT 8.1 78 Các cơng việc hồn thành • Sử dụng nhiều kỹ thuật để lọc nhiễu từ tập liệu bất động sản cho • Đề xuất cơng thức khoảng cách (đô tương quan) nhà • Dựa vào cơng thức này, tiến hành huấn luyện giải thuật di truyền nhằm học tham số phù hợp cho công thức dựa tập gán nhãn chun gia • Từ cơng thức khoảng cách qua GA, sử dụng mơ hình K-SOM để có đồ độ tương quan bất động sản • Đề xuất cơng thức cập nhật giá nhà dựa kết có từ mơ hình K-SOM • Phát triển cơng thức giá nhà dựa theo yêu cầu chuyên gia • Hoàn thành giao diện cho chuyên gia đánh giá mức độ tương quan BĐS, giao diện mức độ tương quan BĐS, giao diện cho chuyên gia cập nhật giá 8.2 Các kết thu • Với tri thức chuyên gia mức độ tương quan BĐS, dựa vào giải thuật GA mơ hình K-SOM giúp cho người dùng dễ dàng xác định mức độ tương quan BĐS tập liệu • Thay người dùng cập nhật giá thủ công cho nhà cho bán kính định, nhờ vào độ tương quan xác định giải thuật GA mơ hình KSOM, người dùng cần cập nhật BĐS gốc, BĐS khác cập nhật lại giá dựa theo mức độ tương quan BĐS với • Hệ thống có tính thích ứng tốt mang lại độ xác cao nhờ phát triển công thức độ tương quan giá BĐS để mang lại kết tốt 8.3 Các khó khăn gặp phải • Tập liệu BĐS cịn chưa thiếu xác nên cần nhiều thời gian để lọc BĐS chưa • Vì tập liệu có sai sót, dẫn đến sử dụng giải thuật GA hay mơ hình K-SOM cịn có nhiều điểm chưa hợp lý • Các công thức khoảng cách đề xuất thử chạy nhiều Tuy nhiên, có công thức khác mạnh hơn, cho kết tối ưu CHƯƠNG TỔNG KẾT 8.4 79 Hướng phát triển tương lai • Cơng thức cập nhật giá cần trao đổi kỹ với chuyên gia để thống tính quán cập nhật giá tự động cho BĐS • Sử dụng giải thuật GA cho công thức cập nhật giá để mang lại kết tốt BIBLIOGRAPHY [1] Đ M Hải, Mạng nơ-ron nhân tạo - neural networks [Online] Available: https : / / dominhhai.github.io/vi/2018/04/nn-intro/ [2] DeepAI, What is a feed forward neural network? [Online] Available: https://deepai org/machine-learning-glossary-and-terms/feed-forward-neural-network [3] Wikipedia, Artificial neural network [Online] Available: https :/ / en wikipedia org/wiki/Artificial_neural_network [4] ——, Competitive learning [Online] Available: https://en.wikipedia.org/wiki/ Competitive_learning [5] ——, Dbscan [Online] Available: https://en.wikipedia.org/wiki/DBSCAN [6] ——, Python [Online] Available: https://vi.wikipedia.org/wiki/Python_(ng% C3%B4n_ng%E1%BB%AF_l%E1%BA%ADp_tr%C3%ACnh) [7] ——, Javascript [Online] Available: https://vi.wikipedia.org/wiki/JavaScript [8] ——, Flask [Online] Available: https://en.wikipedia.org/wiki/Flask_(web_ framework) [9] P Visualization, Folium [Online] Available: http://python-visualization.github io/folium/ [10] PosgreSQL, Posgresql [Online] Available: https://www.postgresql.org [11] Docker, Docker [Online] Available: https://www.docker.com [12] MongoDB, Mongodb [Online] Available: https://www.mongodb.com [13] Pandas, Pandas [Online] Available: https://pandas.pydata.org/ [14] Selenium, Selenium [Online] Available: https://www.selenium.dev [15] Redis, Redis [Online] Available: https://redis.io [16] Wikipedia, Self-organizingm ap [Online] Available: https : / / en wikipedia org / wiki/Self-organizing_map [17] T Kohonen, “The self-organizing map,” Proceedings of the IEEE, vol 78, no 9, pp 1464– 1480, 1990 DOI: 10.1109/5.58325 CHƯƠNG BIBLIOGRAPHY 81 [18] L Smith, What is a genetic algorithm? [Online] Available: https://www.generativedesign org/02- deeper- dive/02- 04_genetic- algorithms/02- 04- 01_what- is- agenetic-algorithm [19] A Singh, A Sharma, and G Dubey, “Big data analytics predicting real estate prices,” International Journal of System Assurance Engineering and Management, vol 11, no 2, pp 208–219, Jul 2020, ISSN: 0976-4348 DOI: 10 1007 / s13198 - 020 - 00946 - [Online] Available: https://doi.org/10.1007/s13198-020-00946-3 [20] V Del Giudice, P De Paola, and F Forte, “Using genetic algorithms for real estate appraisals,” Buildings, vol 7, no 2, 2017, ISSN: 2075-5309 DOI: 10.3390/buildings7020031 [Online] Available: https://www.mdpi.com/2075-5309/7/2/31 [21] B Park and J K Bae, “Using machine learning algorithms for housing price prediction: The case of fairfax county, virginia housing data,” Expert Systems with Applications, vol 42, no 6, pp 2928–2934, 2015, ISSN: 0957-4174 DOI: https://doi.org/10 1016/j.eswa.2014.11.040 [Online] Available: https://www.sciencedirect com/science/article/pii/S0957417414007325 [22] V Kontrimas and A Verikas, “The mass appraisal of the real estate by computational intelligence,” Applied Soft Computing, vol 11, no 1, pp 443–448, 2011, ISSN: 15684946 DOI: https://doi.org/10.1016/j.asoc.2009.12.003 [Online] Available: https://www.sciencedirect.com/science/article/pii/S1568494609002579 CHƯƠNG BIBLIOGRAPHY 82 ... 1711835, 1713375 Ngành (chuyên ngành): KHMT Đề tài: PHÁT TRIỂN HỆ THỐNG ĐIỀU CHỈNH DỮ LIỆU THỰC TẾ VỀ GIÁ ĐẤT THỊ TRƯỜNG THEO Ý KIẾN CỦA CHUYÊN GIA SỬ DỤNG CÁC PHƯƠNG PHÁP HỌC MÁY Họ tên người hướng... gồm: • Phát triển hệ thống điều chỉnh liệu thực tế giá đất thị trường theo ý kiến chuyên gia sử dụng phương pháp học máy • Dựa vào phương pháp học cạnh tranh mạng nơ-ron để ánh xạ liệu bất động... LỚP: MT17KH05 _ Đầu đề luận án: Phát triển hệ thống điều chỉnh liệu thực tế giá đất thị trường theo ý kiến chuyên gia sử dụng phương pháp học máy

Ngày đăng: 03/06/2022, 11:29

HÌNH ẢNH LIÊN QUAN

Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) là mô hình xử lý thông tin được mô phỏng dựa trên hoạt động của hệ thống thần kinh của sinh vật, bao gồm số lượng lớn các nơ-ron được liên kết với nhau để xử lý thông tin - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
ng nơ-ron nhân tạo (Artificial Neural Network - ANN) là mô hình xử lý thông tin được mô phỏng dựa trên hoạt động của hệ thống thần kinh của sinh vật, bao gồm số lượng lớn các nơ-ron được liên kết với nhau để xử lý thông tin (Trang 20)
Hình 2.3: Mạng nơ-ron nhân tạo (Nguồn: [1]). - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 2.3 Mạng nơ-ron nhân tạo (Nguồn: [1]) (Trang 21)
Hình 2.4: Kiến trúc truyền thẳng (feedforward architechture) (Nguồn: [2]). - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 2.4 Kiến trúc truyền thẳng (feedforward architechture) (Nguồn: [2]) (Trang 22)
Hình 2.7: Competitive learning (Nguồn: [4]). - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 2.7 Competitive learning (Nguồn: [4]) (Trang 25)
Hình 2.8: DBSCAN (Nguồn: [5]). - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 2.8 DBSCAN (Nguồn: [5]) (Trang 26)
Hình 3.2: Ánh xạ từ tập dữ liệu hai chiều về ma trận K-SOM một chiều (Nguồn: [17]). - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 3.2 Ánh xạ từ tập dữ liệu hai chiều về ma trận K-SOM một chiều (Nguồn: [17]) (Trang 35)
Trong chương này, tôi sẽ trình bày một số mô hình tiên đoán giá bất động sản đã tham khảo và sơ lược về chúng. - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
rong chương này, tôi sẽ trình bày một số mô hình tiên đoán giá bất động sản đã tham khảo và sơ lược về chúng (Trang 40)
Hình 5.1: Kiến trúc của hệ thống. Giải thích về biểu đồ: - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 5.1 Kiến trúc của hệ thống. Giải thích về biểu đồ: (Trang 45)
Hình 5.2: Sơ đồ tình huống người dùng hoặc chuyên gia xem, đánh giá tương quan BĐS. - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 5.2 Sơ đồ tình huống người dùng hoặc chuyên gia xem, đánh giá tương quan BĐS (Trang 47)
Hình 5.3: Sơ đồ hoạt động khi chuyên gia gán nhãn tương quan cho BĐS. - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 5.3 Sơ đồ hoạt động khi chuyên gia gán nhãn tương quan cho BĐS (Trang 49)
Hình 5.4: Sơ đồ tình huống người dùng hoặc chuyên gia xem, gán nhãn giá các BĐS. - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 5.4 Sơ đồ tình huống người dùng hoặc chuyên gia xem, gán nhãn giá các BĐS (Trang 50)
Bảng 5.4: Bảng mô tả tình huống chuyên gia gán nhãn giá các BĐS. - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Bảng 5.4 Bảng mô tả tình huống chuyên gia gán nhãn giá các BĐS (Trang 51)
Hình 5.5: Sơ đồ hoạt động khi chuyên gia gán nhãn giá cho bất động sản. - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 5.5 Sơ đồ hoạt động khi chuyên gia gán nhãn giá cho bất động sản (Trang 52)
Hình 6.1: Áp dụng giải thuật DBSCAN cho quận 10 - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 6.1 Áp dụng giải thuật DBSCAN cho quận 10 (Trang 56)
Hình 6.2: Dữ liệu toạ độ bị sai - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 6.2 Dữ liệu toạ độ bị sai (Trang 57)
Hình dưới đây là các điểm BDS với màu dựa trên các cluster trên KSOM (đều có màu xanh bởi vì đều chung 1 cluster. - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình d ưới đây là các điểm BDS với màu dựa trên các cluster trên KSOM (đều có màu xanh bởi vì đều chung 1 cluster (Trang 60)
Hình 6.5: Dữ liệu được label bởi chuyên gia - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 6.5 Dữ liệu được label bởi chuyên gia (Trang 61)
Hình 6.7: Kết quả chạy GA cho công thức khoảng cách - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 6.7 Kết quả chạy GA cho công thức khoảng cách (Trang 63)
Bảng 7.5: Kết quả dùng GA cho công thức thứ nhất - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Bảng 7.5 Kết quả dùng GA cho công thức thứ nhất (Trang 72)
Hình 7.3: Điểm thứ nhất trong cặp điểm - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 7.3 Điểm thứ nhất trong cặp điểm (Trang 75)
Hình 7.4: Điểm được chọn làm điểm thứ nhất - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 7.4 Điểm được chọn làm điểm thứ nhất (Trang 76)
Giao diện này sẽ sử dụng tri thức có được từ chuyên gia kết hợp với mô hình mạng K-SOM đã được nghiên cứu để cập nhật lại giá đất thị trường cho tập dữ liệu. - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
iao diện này sẽ sử dụng tri thức có được từ chuyên gia kết hợp với mô hình mạng K-SOM đã được nghiên cứu để cập nhật lại giá đất thị trường cho tập dữ liệu (Trang 78)
Hình 7.9: Kết quả lan truyền trong bán kính 2km - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 7.9 Kết quả lan truyền trong bán kính 2km (Trang 79)
Hình 7.8: Chọn giá mới - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 7.8 Chọn giá mới (Trang 79)
Hình 7.10: Chọn điểm trên bản đồ cùng giá mới - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 7.10 Chọn điểm trên bản đồ cùng giá mới (Trang 80)
Hình 7.11: Kết quả lan truyền trong bán kính 2km - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 7.11 Kết quả lan truyền trong bán kính 2km (Trang 81)
Hình 7.13: Điểm được cập nhật trực tiếp - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 7.13 Điểm được cập nhật trực tiếp (Trang 82)
Hình 7.14: Một số điểm được cập nhật - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 7.14 Một số điểm được cập nhật (Trang 83)
Hình 7.15: Một số điểm được cập nhật - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
Hình 7.15 Một số điểm được cập nhật (Trang 84)
Kết quả cập nhật giá qua 2 mô hình của một số BĐS được tổng hợp và gán nhãn lại được thể hiện dưới bảng tính sau: - Phát triển hệ thống điều chỉnh dữ liệu thực tế về giá đất thị trường theo ý kiến của chuyên gia sử dụng các phương pháp học máy
t quả cập nhật giá qua 2 mô hình của một số BĐS được tổng hợp và gán nhãn lại được thể hiện dưới bảng tính sau: (Trang 86)

TỪ KHÓA LIÊN QUAN

TRÍCH ĐOẠN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w