Các nội dung cơ bản
- Nghiên cứu cơ sở hình thành giá đất và các phương pháp tính giá đất;
- Nghiên cứu logic mờ và mạng nơ ron;
- Ứng dụng logic mờ và mạng nơ ron xây dựng mô hình định giá đất.
Phương pháp thực hiện
a Nghiên cứu lý thuyết các vấn đề:
- Các yếu tố ảnh hưởng đến giá đất;
- Các phương pháp định giá đất;
- Mạng nơ ron b.Thực hành vấn đề sau:
- Xây dựng mô hình định giá đất bằng logic mờ và mạng nơ ron.
Cấu trúc của luận văn
Giá đất và các nhân tố ảnh hưởng đến giá đất
Trong quá trình đổi mới kinh tế-xã hội, cơ chế quản lý kinh tế thị trường tại Việt Nam đang dần hình thành Luật đất đai hiện hành quy định quyền của người sử dụng đất như chuyển đổi, chuyển nhượng, cho thuê, thừa kế, thế chấp và góp vốn bằng giá trị quyền sử dụng đất để phục vụ sản xuất kinh doanh Do đó, giá đất có những đặc trưng khác biệt so với giá các loại hàng hóa thông thường, thể hiện qua một số đặc điểm riêng biệt.
- Giá đất không giống nhau về cơ sở giá cả;
- Giá đất không giống nhau về thời gian hình thành;
- Giá đất đai không phải là biểu hiện tiền tệ của giá trị đất đai;
- Giá đất chủ yếu là do nhu cầu về đất đai quyết định;
- Giá đất có tính khu vực và tính cá biệt rõ rệt;
- Giá đất không giống nhau về hiện tƣợng khấu hao;
Giá đất đang có xu hướng tăng cao, vì vậy việc phân tích các nhân tố ảnh hưởng đến giá đất là rất quan trọng để xác định mức giá phù hợp Các nhân tố này có thể được phân loại thành ba nhóm: nhân tố thông thường, nhân tố khu vực và nhân tố cá biệt, dựa trên mối quan hệ của chúng với đất đai và phạm vi ảnh hưởng.
Nhân tố thông thường đề cập đến những yếu tố chung và phổ biến ảnh hưởng đến giá đất, có tác động tổng thể đến mức giá trong bối cảnh kinh tế và xã hội Những yếu tố này đóng vai trò quan trọng trong việc xác định giá trị cụ thể của từng loại đất Một trong những yếu tố quan trọng là nhân tố hành chính, ảnh hưởng đến quy trình định giá và quản lý đất đai.
Nhân tố hành chính chủ yếu liên quan đến sự can thiệp của Nhà nước vào giá đất, nhằm đảm bảo lợi ích toàn xã hội và phát triển kinh tế vĩ mô Nhà nước thiết lập các chính sách phù hợp, thúc đẩy chuyển dịch đất hoặc hạn chế việc sử dụng một loại đất nhất định, từ đó nâng cao hiệu quả sử dụng đất tổng thể Sự can thiệp này có tác động lớn đến giá đất.
Nhân tố hành chính có tác động lớn đến giá đất, bao gồm các yếu tố như chế độ đất đai, chế độ nhà ở, quy hoạch đô thị, chính sách giá đất, chính sách thuế, chế độ quản lý giao thông và sự biến đổi trong quản lý hành chính Những yếu tố này không chỉ ảnh hưởng đến giá trị đất mà còn định hình sự phát triển bền vững của các khu vực đô thị.
Chế độ về đất bao gồm sở hữu và sử dụng đất, ảnh hưởng trực tiếp đến giá đất Tại Việt Nam, trong thời gian dài, chế độ sử dụng đất nghiêm cấm mua bán và cho thuê, dẫn đến việc không có giá đất thực sự Tuy nhiên, khi cải cách chế độ sử dụng đất diễn ra, đất trở thành hàng hóa, bắt đầu xuất hiện giá đất để thực hiện đền bù kinh tế Việc hoàn thiện chế độ sử dụng đất phải trả tiền, cùng với tác động của kinh tế thị trường, giúp giá đất tăng giảm theo quy luật thị trường.
Chế độ nhà ở truyền thống ở Việt Nam từ sau giải phóng đến nay chủ yếu là chế độ phúc lợi với mức tiền thuê thấp Đầu tư vào bất động sản không thể thu hồi qua hoạt động kinh doanh mà phải dựa vào ngân sách Nhà nước Vì vậy, tiền thuê nhà hiện tại không bao gồm chi phí thuê đất và giá đất Mục tiêu cải cách chế độ nhà ở là loại bỏ sự bù đắp này, từ đó thúc đẩy việc đầu tư lành mạnh vào bất động sản và thực hiện giá đất hợp lý.
Quy hoạch đô thị ảnh hưởng lớn đến giá đất thông qua các quy định về công dụng, tỷ lệ dung tích và mật độ kiến trúc Giá đất cho các mục đích sử dụng khác nhau như kinh doanh, nhà ở và công nghiệp có sự chênh lệch đáng kể, trong đó đất kinh doanh mang lại hiệu quả cao nhất, tiếp đến là đất ở, và đất công nghiệp có hiệu quả thấp hơn Việc xác định mục đích sử dụng đất rất quan trọng để duy trì tính hoàn chỉnh của phân khu chức năng đô thị và tối ưu hóa hiệu quả sử dụng đất Suất dung tích, tỷ lệ giữa tổng diện tích xây dựng và tổng diện tích đất sử dụng, ảnh hưởng trực tiếp đến giá đất; suất dung tích cao sẽ dẫn đến giá đất cao hơn và ngược lại Ở những khu vực có hạn chế về suất dung tích, tỷ lệ này cũng quyết định giá đất trong khu vực đó.
Chính sách về giá đất có tác động mạnh mẽ đến xu hướng biến động giá đất Cụ thể, khi chính sách giá đất tăng cao, Chính phủ thường nới lỏng quản lý, dẫn đến việc giá đất gia tăng Ngược lại, chính sách giá đất thấp cho thấy Chính phủ áp dụng nhiều biện pháp nhằm kiểm soát sự tăng giá, từ đó khiến giá đất giảm hoặc ngừng tăng Hơn nữa, chính sách quản lý giá đất cũng ảnh hưởng đến tâm lý đầu tư của các nhà đầu tư vào lĩnh vực bất động sản, qua đó tác động trực tiếp đến mức giá đất.
Chính sách thuế có ảnh hưởng lớn đến cả xí nghiệp và cá nhân; mức thuế cao làm giảm tích lũy của doanh nghiệp và người dân, dẫn đến giá đất giảm và giảm đầu tư xã hội, từ đó làm giảm mức tăng trưởng kinh tế Khi thuế tăng, các doanh nghiệp có thể không đủ khả năng hoặc không muốn mở rộng đầu tư, làm giảm nhu cầu đất và kéo theo giá đất giảm Ngược lại, khi thuế giảm, tích lũy tăng lên, thúc đẩy giá đất tăng cao hơn.
Thay đổi về hành chính thường dẫn đến sự gia tăng giá đất, được phân thành hai loại chính: nâng cấp đô thị, chẳng hạn như từ đô thị loại 2 lên đô thị loại 1, hoặc chuyển giao quyền quản lý giữa các khu vực với chính sách ưu đãi thu hút đầu tư nước ngoài Những thay đổi này không chỉ cải thiện cơ sở hạ tầng mà còn kích thích phát triển kinh tế, từ đó làm tăng giá trị bất động sản.
Trạng thái nhân khẩu đóng vai trò quan trọng trong kinh tế và xã hội, ảnh hưởng trực tiếp đến giá đất Mối liên hệ giữa nhân khẩu và giá đất thể hiện rõ qua mật độ dân số, chất lượng nhân khẩu và cấu trúc hộ gia đình.
Mật độ dân số tăng cao dẫn đến nhu cầu về đất đai gia tăng, từ đó làm tăng giá đất Chẳng hạn, tại Nhật Bản, tỷ lệ tăng giá đất ở khu vực đô thị trong giai đoạn 1956 - 1960 đạt 11 - 13%, và trong năm 1960 - 1961 là 17 - 18% Tương tự, ở Mỹ, giá đất cũng chịu ảnh hưởng từ sự gia tăng mật độ dân số.
Từ năm 1956 đến 1966, tỷ lệ biến động giá đất ở Nhật Bản chỉ dao động từ 5,5% đến 6,9% Nguyên nhân chính là do Nhật Bản có mật độ dân số thành thị cao nhất và tỷ lệ tăng dân số cao nhất trong các nước phát triển Trong khi đó, mặc dù tốc độ phát triển kinh tế đô thị của Mỹ cũng nhanh, nhưng do mật độ dân số thấp và tỷ lệ tăng dân số không cao bằng Nhật Bản, nên nhu cầu về đất không căng thẳng như tại Nhật, dẫn đến mức tăng giá đất tương đối nhỏ hơn.
Tố chất nhân khẩu, bao gồm trình độ giáo dục và văn hóa, có mối tương quan chặt chẽ với giá đất nhà ở Nhân tố này ảnh hưởng đáng kể đến giá trị bất động sản, cho thấy tầm quan trọng của yếu tố nhân khẩu trong thị trường nhà ở.
Các phương pháp định giá đất theo thị trường
1.2.1 Phương pháp so sánh trực tiếp a Nguyên tắc
Phương pháp xác định mức giá đất dựa trên phân tích các giao dịch chuyển nhượng quyền sử dụng đất thực tế trên thị trường Quá trình này so sánh các yếu tố như loại đất, diện tích, thửa đất, hạng đất, loại đô thị, loại đường phố và vị trí để xác định giá trị của thửa đất cần định giá.
Phương pháp so sánh trực tiếp là một kỹ thuật định giá đất hiệu quả, áp dụng khi có các loại đất tương tự đã được chuyển nhượng quyền sử dụng Phương pháp này cho phép so sánh giá trị của loại đất cần định giá với các loại đất tương tự trên thị trường, từ đó đưa ra một mức giá hợp lý và chính xác.
Giá chuyển nhượng quyền sử dụng đất của loại đất tương tự được sử dụng để phân tích và so sánh với loại đất cần định giá phải phản ánh giá chuyển nhượng thực tế trên thị trường trong điều kiện bình thường Để thực hiện việc này, cần tuân thủ các bước cụ thể trong quy trình định giá.
Việc định giá đất theo phương pháp so sánh trực tiếp phải tiến hành các bước sau đây:
Bước 1: Khảo sát và thu thập thông tin
Để thu thập thông tin chính xác, cần xác định vị trí của thửa đất hoặc khu đất trống chưa được đầu tư xây dựng Việc so sánh giữa khu đất này và thửa đất cần định giá là rất quan trọng.
Để định giá một thửa đất, cần lựa chọn từ 3 đến 5 thửa đất tương tự trong khu vực lân cận đã được chuyển nhượng thành công trên thị trường Những thửa đất này phải có các đặc điểm tương đồng như loại đất, vị trí, diện tích, kết cấu hạ tầng, đặc điểm pháp lý và mục đích sử dụng Việc này bao gồm các giao dịch trực tiếp giữa cá nhân, tổ chức, đấu giá quyền sử dụng đất, hoặc giao dịch trên sàn bất động sản.
- Thời gian thu thập thông tin:
Để xác định giá trị của thửa đất hoặc khu đất cần định giá, việc thu thập thông tin cần được thực hiện trong khoảng thời gian gần nhất với thời điểm khảo sát.
Nếu không thu thập được thông tin gần đây, có thể lấy dữ liệu về các giao dịch chuyển nhượng quyền sử dụng đất trong vòng 01 năm trước thời điểm khảo sát để xác định giá đất.
- Những thông tin cần thu thập:
Hiện trạng sử dụng đất bao gồm các yếu tố như loại đất, quy mô diện tích và kích thước các cạnh, địa hình, tài sản trên đất, cùng với mục đích sử dụng đất hiện tại và theo quy hoạch.
+ Điều kiện về kết cấu hạ tầng;
Môi trường bao gồm nhiều yếu tố quan trọng, trong đó có môi trường tự nhiên với cảnh quan, nguồn nước, không khí và tiếng ồn, cùng với môi trường xã hội liên quan đến trật tự, an ninh xã hội và trình độ dân trí.
Các đặc điểm pháp lý liên quan đến thửa đất bao gồm quy hoạch sử dụng đất, quy hoạch xây dựng tại khu vực có thửa đất, giấy chứng nhận quyền sử dụng đất, và mức độ hoàn thành nghĩa vụ tài chính về đất đai theo quy định của pháp luật.
+ Thời điểm chuyển nhƣợng, giao dịch hoặc đấu giá quyền sử dụng đất thành công; mức giá chuyển nhƣợng, giá trúng đấu giá quyền sử dụng đất;
+ Thời gian, điều kiện giao dịch chuyển nhƣợng và thanh toán
- Điều kiện của thông tin:
Thông tin cần thiết phải được thu thập từ kết quả thực tế của các giao dịch chuyển nhượng quyền sử dụng đất trên thị trường trong điều kiện bình thường.
Bước 2: So sánh, phân tích thông tin:
Dựa trên thông tin đã khảo sát và thu thập ở bước 1, cần tổng hợp, phân tích và so sánh các tiêu chí tương đồng và khác biệt giữa các thửa đất, khu đất với thửa đất, khu đất cần định giá Từ đó, xác định các tiêu chí giống và khác biệt về giá để tính toán và xác định giá trị cho thửa đất, khu đất cần định giá.
Bước 3: Điều chỉnh các yếu tố khác biệt về giá giữa các thửa đất, khu đất so sánh và thửa đất cần định giá để xác định giá trị chính xác cho thửa đất đó.
Giá trị ước tính của thửa đất hoặc khu đất được xác định bằng cách điều chỉnh các yếu tố khác biệt về giá giữa các thửa đất hoặc khu đất so sánh.
Giá trị ƣớc tính của thửa đất, khu đất cần định giá
Giá chuyển nhƣợngquyền sử dụng đất của từng thửa đất, khu đất so sánh ±
Mức tiền điều chỉnh về giá đất được xác định dựa trên những yếu tố khác biệt giữa thửa đất cần định giá và thửa đất so sánh, bao gồm vị trí, kết cấu hạ tầng, đặc điểm pháp lý và mức độ ô nhiễm môi trường Việc điều chỉnh giá có thể tính theo giá trị tuyệt đối hoặc tỷ lệ phần trăm (%) dựa trên giá chuyển nhượng quyền sử dụng đất thực tế trong điều kiện bình thường tại địa phương Quy trình này được thực hiện bởi các tổ chức tư vấn hoặc chuyên viên có nhiệm vụ xác định giá đất, nhằm hỗ trợ Ủy ban nhân dân cấp tỉnh quyết định giá đất cụ thể dựa trên chứng cứ thị trường.
LOGIC MỜ VÀ MẠNG NƠRON
Logic mờ
Như đã biết, trong những suy luận đời thường cũng như các suy luận khoa học, logic toán học đóng một vai trò rất quan trọng
Ngày nay, xã hội càng phát triển thì nhu cầu con người ngày càng cao
Sự phát triển vượt bậc của khoa học đã chỉ ra rằng, suy luận logic mệnh đề, hay còn gọi là logic nguyên thủy, với hai giá trị đúng và sai (1 và 0), không đủ để giải quyết tất cả các bài toán phức tạp trong thực tế.
Ví dụ: quần áo nhƣ thế nào đƣợc gọi là dày, là mỏng để máy giặt biết đƣợc mà có chế độ tự động sấy khô cho hợp lý?
Các bài toán liên quan đến điều khiển tối ưu và nhận dạng hệ thống đang gia tăng, đặc biệt trong các quá trình ra quyết định Những bài toán này thường xuất hiện khi dữ liệu không đầy đủ hoặc không được định nghĩa rõ ràng, chẳng hạn như trong các điều kiện thiếu thông tin.
Lý thuyết tập mờ (Fuzzy Set Theory), do giáo sư Lotfi Zadeh từ Đại học California phát triển vào năm 1965, đã mở ra một ngành khoa học mới và nhanh chóng được chấp nhận trong nghiên cứu công nghệ Những kết quả ban đầu và hướng nghiên cứu tiếp theo đã dẫn đến sự phát triển của nhiều sản phẩm công nghiệp trên thị trường Lý thuyết này ngày càng hoàn thiện, tạo nền tảng vững chắc cho logic mờ (Fuzzy Logic), từ đó xây dựng các hệ mờ ứng dụng trong nhiều lĩnh vực như sản xuất xi măng, sản xuất điện, y học, xử lý tiếng nói và nhận dạng hình ảnh Logic mờ chủ yếu dựa vào tiền đề hóa và lập luận xấp xỉ thông qua phép suy diễn mờ.
Trong bài viết này, tác giả sẽ giới thiệu khái niệm về tập mờ và logic mờ, đồng thời tập trung vào các phép toán cơ bản Bài viết cũng sẽ đề cập đến lập luận xấp xỉ thông qua phép suy diễn mờ, nhằm áp dụng cho bài toán định giá đất.
Tập hợp là sự kết hợp của các phần tử có những tính chất chung nhất định, chẳng hạn như tập hợp các sinh viên.
Khái niệm về "sinh viên" có thể được xác định rõ ràng, nhưng nhiều khái niệm trong cuộc sống và khoa học kỹ thuật lại không được định nghĩa một cách cụ thể Ví dụ, thuật ngữ "nhóm sinh viên khá" không có tiêu chí rõ ràng, vì điểm thi trung bình của sinh viên có thể dao động từ 6.5 đến 7.9 mà vẫn được coi là "khá" Tương tự, khi nói đến "lớp các số lớn hơn 10" hay "một đống quần áo cũ", chúng ta đang đề cập đến những khái niệm mờ, không có tiêu chuẩn rõ ràng về việc thuộc về một tập hợp nào đó Những khái niệm này thường xuất hiện trong giao tiếp hàng ngày, như khi một giám đốc phát biểu về những thành tích đạt được mà không chỉ ra rõ ràng các tiêu chí cụ thể.
Nhƣ vậy, logic rõ có thể biểu diễn bằng một đồ thị nhƣ sau
Hình 2.1: Đồ thị thể hiện biến lôgic rõ
Logic mờ cũng có thể biểu diễn bằng một đồ thị nhƣng là đồ thị liên tục
Hình 2.2: Đồ thị thể hiện một biến lôgic mờ Định nghĩa tập mờ (Fuzzy set):
Cho Ω là không gian nền, một tập mờ A trên Ω tương ứng với một ánh xạ từ Ω đến đoạn [0,1]
A : Ω → [0,1] đƣợc gọi là hàm thuộc về (membership function)
Trong đú, àA(a) ∈ [0,1] chỉ mức độ thuộc về (membership degree) của phần tử a vào tập mờ A
Khoảng xỏc định của hàm àA(a) là đoạn [0, 1], trong đú giỏ trị 0 chỉ mức độ không thuộc về, còn giá trị 1 chỉ mức độ thuộc về hoàn toàn
Ví dụ 1: Một sự biểu diễn tập mờ cho số "integer nhỏ"
Hình 2.3: Hàm thể hiện hàm “số integer nhỏ”
Ví dụ 2: Một sự biểu diễn tập mờ cho các tập người đàn ông thấp, trung bình và cao
Hình 2.4: Hàm thể hiện tập người đàn ông thấp, trung bình, cao
Ví dụ 3: Cho Ω = {1, 2, 3, 4, 5}, tập mờ A trên Ω tương ứng với ánh xạ àA nhƣ sau: àA : 1 → 0
Cách viết trên là sự liệt kê các phần tử khác nhau cùng với mức độ thuộc về tập hợp A
Từ định nghĩa trên chúng ta có thể phát biểu:
- Tập mờ A là rỗng nếu và chỉ nếu hàm thuộc về àA(a)= 0 ,∀a∈ Ω
- Tập mờ A là toàn phần nếu và chỉ nếu àA(a) = 1 ,∀a∈ Ω
- Hai tập mờ A và B bằng nhau nếu àA(x) = àB(x) với mọi x trong Ω
Ví dụ 4: Cho Ω = {1, 2, 3, 4, 5}, tập mờ A trên Ω tương ứng với ánh xạ àA nhƣ vớ dụ trờn
Tập mờ B trờn Ω tương ứng với ỏnh xạ àB như sau: àB : 1 → 0
Nhận thấy, àA(x) = àB(x) với mọi x trong Ω Vậy A= B
Trong logic rõ, mệnh đề được xác định là một câu phát biểu có giá trị đúng hoặc sai Ngược lại, trong logic mờ, mỗi mệnh đề mờ là một câu phát biểu không nhất thiết phải đúng hay sai.
Mệnh đề mờ đƣợc gán cho một giá trị trong khoảng từ 0 đến 1 để chỉ mức độ đúng (độ thuộc về) của nó
Ví dụ : " Nam trông khá đẹp trai"
"Chiếc xe này chạy cũng đƣợc đấy"
"Cô ấy sống tạm gọi là hạnh phúc"
Cho Ω = {P1, P2, } với P1, P2, là các mệnh đề Tập mờ A trên Ω tương ứng với ánh xạ v như sau: v : Ω → [0, 1]
Ta gọi v(Pi) là độ thuộc về của mệnh đề Pi trên [0, 1]
Các phép toán trên mệnh đề mờ là các phép toán logic mờ dựa trên các tập mờ
Ký hiệu độ thuộc về của mệnh đề mờ P là v(P), ta có: 0≤v(P)≤ 1
2.1.4 Các phép toán mệnh đề trong logic mờ a Phép phủ định: v(┐P ) = 1 - v(P) b Phép tuyển: v(P1∨ P2) = max(v(P1), v(P2)) c Phép hội: v(P1∧ P2) = min(v(P1), v(P2))
Cho P, Q, R là các mệnh đề mờ với : v(P) = 0.1, v(Q)= 0.9, v(R) = 0.8 Mệnh đề M = (P∧Q)∨R có chân trị (độ thuộc về) là : 0.8 c Phép kéo theo: v(P→Q) = v(┐P∨Q) = max(v(┐P ), v(Q))
Ví dụ 2: Cho P, Q là các mệnh đề mờ với : v(P) = 0.1, v(Q)= 0.6
Suy diễn mờ, hay còn gọi là suy luận xấp xỉ, là quá trình rút ra kết luận dưới dạng mệnh đề mờ dựa trên quy tắc "Nếu thì " Quá trình này thường diễn ra trong điều kiện mà dữ liệu đầu vào không rõ ràng.
Thông thường, suy diễn mờ hay sử dụng luật Modus Ponnens hoặc Modus Tollen Trong logic rõ, Modus Ponnen diễn đạt nhƣ sau:
Mệnh đề 1 (Luật hoặc tri thức): P → Q
Mệnh đề 2 (Sự kiện): P đúng
Trong suy diễn mờ, luật được diễn đạt dưới dạng sau:
Kết luận: y=B' trong đó A, A' là các tập mờ trên không gian P, B và B' là các tập mờ trên không gian Q
Luật mờ: Nếu góc tay quay ga lớn thì xe đi nhanh
Sự kiện mờ: Góc tay quay khá lớn
Kết luận: Xe đi khá nhanh
Trong logic rõ Modus Tollen có dạng:
Mệnh đề 1 (Luật hoặc tri thức): P → Q
Mệnh đề 2 (Sự kiện): ơQ đỳng
Trong suy diễn mờ, luật được diễn đạt dưới dạng sau:
Luật mờ (hoặc tri thức mờ): P → Q
Sự kiện mờ: ơQ khỏ đỳng
Kết luận: ơP khỏ đỳng
Luật mờ: Nếu góc tay quay ga lớn thì xe đi nhanh
Sự kiện mờ: Xe không đi nhanh lắm
Kết luận: Góc tay quay không lớn lắm
Hình 2.5: Mô hình hệ thống suy diễn mờ
Bộ mờ hóa: Chuyển các biến giá trị thực thành các biến mờ
Cơ sở luật mờ: Là tập hợp các luật mờ
Bộ suy diễn mờ:Sử dụng các luật mờ để tính mức giá trị các luật
Giải mờ:Chuyển kết quả mờ thành kết quả đầu ra thực
2.2.1 Khái niệm mạng nơ ron
Mạng nơ ron nhân tạo là một mô phỏng của hệ thống thần kinh, tương tự như bộ não con người, giúp xử lý thông tin hiệu quả Nó bao gồm nhiều mối liên kết phức tạp để giải quyết các vấn đề một cách rõ ràng Giống như con người, mạng nơ ron nhân tạo học hỏi từ kinh nghiệm, lưu trữ kiến thức và áp dụng vào các tình huống phù hợp.
Bộ giải mờ Đầu vào (số) Đầu vào (tập mờ)
Mạng nơ ron nhân tạo lần đầu tiên được giới thiệu vào năm 1943 bởi Warren McCulloch và Walter Pits, nhưng các kỹ thuật thời đó chưa cho phép nghiên cứu sâu Gần đây, mô phỏng mạng nơ ron nhân tạo đã phát triển mạnh mẽ, với nhiều ứng dụng trong các lĩnh vực như điện, điện tử, kỹ thuật chế tạo, y học, quân sự và kinh tế.
2.2.2 Cấu trúc mạng nơ ron
Mỗi nơ ron (nút) là một đơn vị xử lý thông tin của mạng nơ ron, là yếu tố cơ bản để cấu tạo nên mạng nơ ron x1 x2 xn
Hình 2.6: Cầu trúc 1 nơ ron
Trong mạng dẫn tiến một lớp, các tín hiệu đầu vào được ký hiệu là x_i, trong khi trọng số của từng tín hiệu đầu vào được ký hiệu là w_kp Hàm hoạt động được biểu diễn bằng F(.), và kết xuất của mạng nơ-ron được ký hiệu là y_k Ngoài ra, thông số b ảnh hưởng đến ngưỡng ra của đầu ra a.
Mạng dẫn tiến một lớp là cấu trúc mạng nơ ron đơn giản nhất.Mạng này chỉ gồm1 lớp xuất, không có lớp ẩn
Hình 2.7: Mạng dẫn tiến một lớp b M ạng dẫn tiến nhiều lớp
Hình 2.8: Cấu trúc mạng dẫn tiến nhiều lớp
Mạng nơ ron nhiều lớp có khả năng giải quyết các bài toán phi tuyến nhờ vào các lớp ẩn, nằm giữa các đầu vào và đầu ra của mạng Số lượng lớp ẩn càng nhiều thì khả năng mở rộng thông tin càng lớn, giúp mạng xử lý hiệu quả hơn với nhiều đầu vào và đầu ra.
Các hàm hoạt động phải có các đặc tính sau:
- Hàm bị chặn trên và chặn dưới;
- Hàm có tính đơn điệu;
- Hàm phải có tính liên tục và trơn;
Trong thực tế thông thường người ta thường chọn các hàm sau: a Hàm Threhold
Tiến trình học đóng vai trò quan trọng trong việc phát triển con người, giúp bộ não tích lũy kinh nghiệm để thích nghi với môi trường và cải thiện khả năng xử lý tình huống Mạng neural cần khả năng nhận biết dữ liệu thông qua quá trình học, với các thông số tự do có thể thay đổi liên tục theo sự biến động của môi trường, và mạng neural sẽ ghi nhớ các giá trị này.
Trong quá trình học, giá trị đầu vào đƣợc đƣa vào mạng và theo dòng chảy trong mạng tạo thành giá trị ở đầu ra
Quá trình so sánh giá trị do mạng nơ ron tạo ra với giá trị mong muốn là rất quan trọng Nếu hai giá trị này trùng khớp, không cần thay đổi gì Tuy nhiên, nếu có sai lệch vượt quá mức cho phép, mạng sẽ được điều chỉnh bằng cách quay ngược từ đầu ra về đầu vào để thay đổi các kết nối Đây là một quá trình lặp đi lặp lại cho đến khi tìm được giá trị w sao cho đầu ra của mạng nơ ron khớp chính xác với đầu ra mong muốn Do đó, trong thực tế, cần thiết lập tiêu chuẩn dựa trên sai số giữa hai giá trị hoặc số lần lặp xác định Ký hiệu y là giá trị kết xuất của mạng nơ ron, t là giá trị mong muốn, và e là sai lệch giữa chúng, được tính bằng công thức e = t – y.
Thuật toán Back – Propagation đƣợc sử dụng để điều chỉnh các trọng số kết nối sao cho tổng sai số E nhỏ nhất n
Trong đó: t (x i , w): giá trị của tập mẫu y (x i ): giá trị kết xuất của mạng
Mỗi nơ-ron trong mạng nơ-ron đều có giá trị đầu vào và đầu ra, với mỗi giá trị được gán một trọng số để đánh giá mức độ ảnh hưởng của nó Thuật toán Back-Propagation sẽ điều chỉnh các trọng số này nhằm tối thiểu hóa độ sai lệch giữa giá trị thực tế và giá trị dự đoán, cụ thể là giá trị e j = T j – y j.
ỨNG DỤNG LOGIC MỜ TRONG ĐỊNH GIÁ ĐẤT
Mô hình hóa bài toán định giá đất
Giá đất chịu ảnh hưởng bởi nhiều yếu tố, cả khách quan lẫn chủ quan Đặc biệt, trong cùng một khu vực, giá đất được xác định bởi các yếu tố như độ rộng mặt tiền, chiều dài thửa đất và khoảng cách từ thửa đất đến đường chính.
Mỗi mẫu thu thập được được mô tả qua bốn giá trị quan trọng: độ rộng mặt tiền, chiều dài thửa đất, khoảng cách từ thửa đất đến đường chính, và giá cả.
Mục tiêu là khi đã có tập dữ liệu này và có thêm một thửa đất mới ta đƣa ra đƣợc giá đất của thửa đất này
Dữ liệu huấn luyện bao gồm 4 giá trị chính: chiều rộng, chiều dài, khoảng cách đến đường chính và giá Tập dữ liệu này gồm 116 mẫu, được chia thành hai phần: 98 mẫu cho tập học và 18 mẫu cho tập kiểm tra Các mẫu có chiều rộng dao động từ 2.3 đến 6 mét, chiều dài từ 5 đến 20 mét, khoảng cách đến đường từ 0 đến 41.5 mét, và giá từ 2 đến 30 triệu đồng trên mét vuông.
Bảng 3.1 Dữ liệu giá đất thu thập đƣợc
Rộng Dài Khoảng cách Giá thực tế
Định giá đất bằng logic mờ
Mô hình định giá đất có 3 biến đầu vào là chiều rộng, chiều dài và khoảng cách tới đường và 1 biến ra là giá đất
Mờ hóa: Chiều rộng đƣợc đánh giá qua 3 mức độ: Hẹp, vừa và rộng do đó ta biểu diễn biến này gồm 3 hàm thành viên: Hep, Vua, Rong
Hình 3.1: Hàm thuộc về của biến đầu vào rộng
Hàm thành viên “Hep” là làm trimf với giá trị bằng 0 tại 0.83, bằng 1 tại 2.3 và giá trị bằng 0 tại 3.77
Hàm thành viên “Vua” là làm trimf với giá trị bằng 0 tại 2.67, băng 1 tại 4.15 và bằng 0 tại 5.63
Hàm thành viên “Rong” là làm trimf với giá trị bằng bằng 0 tại 4.52, 1 tại
Chiều dài được phân thành ba hàm thành viên: Ngan với khoảng [-0.96, 5.04, 11.04], Vua với khoảng [6.5, 12.5, 18.5], và Dai với khoảng [13.95, 19.95, 25.95] Khoảng cách đến đường cũng có ba hàm thành viên: Sat với khoảng [-16.6, 0, 16.6], Gan với khoảng [4.15, 20.75, 37.35], và Xa với khoảng [24.9, 41.5, 58.1] Về giá đất, có ba hàm thành viên: Thap với khoảng [-9.2, 2, 13.2], Vua với khoảng [4.8, 16, 27.2], và Cao với khoảng [18.73, 29.93, 41.13].
Cơ sở luật mờ:Gồm 27 luật mang tính chất chuyên gia:
1 If (Rong is Hep) and (Dai is Ngan) and (CachDuong is Sat) then (Gia is vua) (1)
2 If (Rong is Hep) and (Dai is Ngan) and (CachDuong is Gan) then (Gia is Thap) (1)
27 If (Rong is Rong) and (Dai is Dai) and (CachDuong is Xa) then (Gia is Thap) (1)
Bộ suy diễn mờ:Chọn phương pháp suy diễn min-max Các luật được xem là tương đương nhau nên trọng số các luật được đặt bằng 1
Giải mờ: Sử dụng phương pháp giải mờ centroid
3.2.2 Kết quả thử nghiệm Áp dụng mô hình vừa đƣợc xây dựng với một số đầu vào đã đƣợc thu thập ta có kết quả sau:
Bảng 3.2: Kết quả áp dụng hệ suy diễn mờ
Rộng Dài Khoảng cách Giá Kết quả mô hình
Kết quả của mô hình có thể không ổn định nếu bộ tham số không chính xác Bộ tham số có thể hoạt động hiệu quả với một bộ dữ liệu nhất định nhưng lại không phù hợp với các bộ dữ liệu khác.
- Rất khó xác định đƣợc giá trị tốt nhất cho bộ tham số
- Không thể áp dụng cho các bộ dữ liệu khác nhau Ƣu điểm: Nhanh, đơn giản, không phụ thuộc dữ liệu.
Định giá đất bằng logic mờ và mạng nơ ron
Để khắc phục những hạn chế của phương pháp định giá đất bằng logic mờ, chúng ta kết hợp kỹ thuật học máy sử dụng mạng nơ ron Phương pháp này giúp xác định giá trị phù hợp cho các tham số trong mô hình định giá đất.
Huấn luyện mô hình Áp dụng mô hình với dữ liệu mới
Hình 3.2: Các bước thực hiện định giá đất bằng logic mờ và mạng nơ ron
Bước 1: Đọc dữ liệu từ file
Bước 2: Khởi tạo mạng nơ ron
Bước 3: Huấn luyện mạng nơron
Bước 4: Sử dụng mạng nơ ron đã huấn luyện để định giá một trường hợp cụ thể
3.3.2Mô hình định giá đất kết hợp hệ suy diễn mờ và mạng nơ ron
Hình 3.3: Mô hình định giá đất bằng suy diễn mờ và mạng nơ ron
Bộ giải mờ Đầu vào (số) Đầu vào (tập mờ)
Tham khảo luật mờ Đầu ra (tập mờ) Đầu ra (số)
So sánh tập dữ liệu huẩn luyện
Bộ suy diễn mờ:Sử dụng ANFIS luật học dạng TSK (Takasi,Sugeno và
R j : IF u 1 is A 1 j AND u 2 is A 2 j … AND u n is A n j THEN y = f j p0 j + 𝑛 𝑖=1 𝑝 𝑖 𝑗 𝑥 𝑖
Cấu trúc của ANFIS: Gồm 6 lớp
Lớp 1: Là lớp đầu vào, mỗi nút thứ i có tín hiệu u i
Lớp 2: Mỗi phần tử là một hàm liờn thuộc à A2 j(ui)
Lớp 3:Mỗi phần tửR j tương ứng thực hiện một luật thứ j: à j =∑ i=1 n à i (u i ) (3.1) Lớp 4:Mỗi phần tử n tương ứng thực hiện phép tính: à j = à j à j
Lớp 5:Mỗi phần tửntương ứng thực hiện phép tính:
Lớp 6:Có một phần tử thực hiện phép tính giá trị đầu ra:
Cần tìm các luật cập nhật cho các thông số điều chỉnh ở lớp 2 và lớp 5 của ANFIS, sử dụng hàm liên thuộc Gauss Phương pháp hạ gradient sẽ được áp dụng để xác định các luật điều chỉnh các thông số này.
Luật cập nhật thông số điều chỉnh ở lớp 5:
(3.6) Luật cập nhật bộ thông số điều chỉnh ở lớp 2:
Thay đổi số lượng hàm thành viên và số bước lặp ta có mức độ lỗi như bảng sau:
Bảng 3.3: Mức độ lỗi qua từng bước học
Số hàm thành viên: 3 Số hàm thành viên:5
Thời gian(s) Lỗi Thời gian(s) Lỗi
- Thời gian học tỷ lệ tuyến tính với số lần học
Thời gian học trong mạng nơ-ron sẽ tăng lên khi số hàm thành viên gia tăng, do sự tăng này làm số nút trong mạng cũng tăng theo Tuy nhiên, thời gian học không tăng theo tỷ lệ tuyến tính với số hàm thành viên mà theo hàm lũy thừa.
Sau một thời gian học, mô hình sẽ đạt độ ổn định, tuy nhiên, thời gian này phụ thuộc vào số lượng hàm thành viên Càng có nhiều hàm thành viên, mô hình càng cần nhiều lần học hơn để đạt được sự ổn định mong muốn.
Bảng 3.4 Kết quả chạy thử đối với một số dữ liệu mẫu sử dụng mô hình 3 hàm thành viên
STT Rộng Dài Khoảng cách
Giá trị Sai số Giá trị Sai số Giá trị Sai số Giá trị Sai số
Hình 3.5: Sai số tương đối của giá trị theo mô hình và giá trị thực tế
Bảng 3.5 Kết quả chạy thử đối với một số dữ liệu mẫu sử dụng mô hình 4 hàm thành viên
STT Rộng Dài Khoảng cách
Giá trị Sai số Giá trị Sai số Giá trị Sai số Giá trị Sai số
Thử nghiệm với số lƣợng hàm thành viên là 3, 4 và 5 ta có sai số trung bình nhƣ sau:
Bảng 3.6: Sai số giữa mô hình và thực tế theo số hàm thành viên và số lần chạy:
- Thời gian học tỷ lệ tuyến tính với số lần học
- Kết quả mô hình ANFIS chính xác hơn nhiều so với mô hình hệ suy diễn mờ đơn thuần
Khi số lần học tăng, độ chính xác của mô hình cũng gia tăng, cho thấy hiệu quả học tập ngày càng cao Tuy nhiên, khi số lần học đạt đến một ngưỡng nhất định, mô hình sẽ ổn định và giá trị đầu ra ít có sự biến đổi.
Do lượng dữ liệu thu thập còn hạn chế, việc sử dụng quá nhiều hàm thành viên có thể dẫn đến tình trạng mô hình quá khớp với dữ liệu học.
Trong luận văn này, học viên đã nghiên cứu các vấn đề liên quan đến giá đất, logic mờ và mạng nơ ron để xây dựng mô hình định giá đất Mô hình định giá đất bằng logic mờ hiện còn nhiều hạn chế chưa đáp ứng được yêu cầu bài toán Để khắc phục nhược điểm này, tác giả đã phát triển mô hình kết hợp giữa học máy bằng mạng nơ ron và logic mờ, giúp cải thiện những hạn chế của mô hình logic mờ đơn thuần Mô hình mới này giải quyết được vấn đề về việc cần có kiến thức chuyên gia để xác định các tham số cho mô hình logic mờ và có khả năng tương thích với nhiều nguồn dữ liệu khác nhau Mặc dù mô hình cơ bản đã giải quyết được nhiều vấn đề trong định giá đất, nhưng do thời gian hạn chế, tác giả chưa thể xây dựng mô hình trên toàn bộ các yếu tố ảnh hưởng đến giá đất, dẫn đến độ chính xác của mô hình vẫn chưa cao.
