NGHIÊN cứl □ TRAO ĐỒI Xây dựng mơ hình định giá bất động sản tự động hỗ trợ qua trình thẩm định giá trị tài sản bẩo đảm □ ThS Trần Thị Huế ThS Nguyễn Thanh Thụy Khoa Hệ thống Thông tin Quản lý - Học viện Ngân hàng Một bất động sản hay ngơi nhà khơng có ý nghĩa tinh thắn to lớn cá nhân khơng nơi trú ngụ mà cịn tài sản có giá trị lớn Đó lý loại tài sản bảo đảm phổ biến hợp đóng tín dụng Tuy nhiên, thị trường bất động sản thị trường nhiều biến động phức tạp, để thẩm định giá trị bất động sản, thẩm định viên cẩn phải có hiểu biết sâu sắc thị trường bất động sản thông tin bất động sản Cho nên thẩm định giá tài sản bảo đảm coi một"nghệ thuật" kết hợp chiến lược phân tích thơng tin, điểu khó khăn thẩm định viên Tuy nhiên, thị trường bất động sản sôi động hàng ngày có hàng ngàn bất động sản giao bán Internet, nguồn liệu truy cập thu thập Nghiên cứu nhằm chứng minh tính khả thi việc xây dựng mơ hình định giá bất động sản thơng minh nhằm hỗ trợ chuyên viên thẩm định tổ chức tài thực thi nhiệm vụ định giá tài sản GIỚI THIỆU Hoạt động tín dụng hoạt động mang lại nhiểu lợi nhuận cho tổ chức tài ngân hàng, tổ chức cho vay tiêu dùng hay tiệm cầm đổ Nhưng hoạt động mang lại rủi ro lớn rủi ro khó để bù đắp Trước chấp nhận cấp khoản vay đó, tổ chức tài thường thực chấm điểm tín dụng Khách hàng có mức tín nhiệm thấp lãi suất khoản vay họ lớn, điều có nghĩa mức độ rủi ro khoản vay tỷ lệ thuận với lợi nhuận mà tổ chức tài thu tương lai Để dung hòa lợi nhuận rủi ro tài sản chấp đóng vai trị quan trọng cam kết tài bên vay bên cho vay Khi đến kỳ trả nợ, bên vay khơng thể thực nghĩa vụ tài bên cho vay bán tài sản chấp bên vay thu hổi phần khoản nợ, trường hợp tối Ưu thu hồi toàn số nợ (bao gồm nợ gốc lãi) Bất động sản loại hình tài sản chấp phổ biến hoạt động tín dụng chúng có tính bất biến người sở hữu q trình chấp; ngồi ra, giá trị bất động sản lớn, đủ khả cân đối với khoản vay Hoạt động định giá bất động sản dựa nhiều sở Nhà nước ban hành mức giá tiêu chuẩn loại hình vị trí bất động sản, nhiên mức giá giao dịch bất động sản thường cao nhiểu so với giá tiêu chuẩn này, đó, giá trị bất động sản thường định giá dựa kinh nghiệm nhân viên thẩm định bất động sản Các nhà thẩm định giá chuyên nghiệp dựa vào kinh nghiệm kiến thức thị 12 I CHUYÊN ĐỂ CÔNG NGHỆ VÀ NGÂN HÀNG só I số - NĂM 2022 trường địa phương để đưa kết luận riêng Sự thiên lệch thẩm định giá bất động sản việc hi hữu Những sai lệch định giá giải thích không đồng thông tin hai đánh giá khác biệt khung nhìn bất động sản Bất động sản thường tài sản lớn cá nhân, việc định giá bất động sản cách hợp lý giúp tổ chức có khoản đảm bảo an tồn giúp người vay đề xuất khoản tiền tương xứng với giá trị tài sản Để định giá xác bất động sản, người ta khơng đòi hỏi hiểu biết thị trường bất động sản (có thể nói thị trường đẩy biến động) mà cịn phải có hiểu biết sâu sắc vể bất động sản Kiến thức thường nắm giữ chuyên gia môi giới bất động sản Nếu tổ chức NGHIÊN cứu Mb TRAO ĐỔI tài nắm bắt kiến thức cách sử dụng nguồn liệu truy cập mở, tnì kiến thức t ếp cận dễ dàng Các ngân hàng co đủ nguón lực để xây dựng hệ thống liệu giúp cac thẩm định viên làm việc rrtột nguồn thông tin chân thực, knách quan với nhận định ban thân môi giới bat động sản Mặt khác, thẩm định viên dự báo xấp xỉ giá bất động sả n dựa giá trị trung bình tính tốn cách tự động thuật tốn học máy nguồn liệu có sẵn, liệu cung cấp hiểu biết cho người yếu tố ảnh hưởng tới giá bất động sản Mọi ng ười tập trung vào yếư tố để làm xác định giá trị bất động sản đem chấp N hững địa bàn hành có nguồn tin giao dịch bất động sản dồi trởthành đối tượng nghiên cứu phù hợp cho toán Chúng ta tìm ngulồn liệu vể giá bất động sản đặc điểm bất động sản trang đãng tin bất động sản Ngồi thơng tin tương quan vị trí bất động sản sở hạ tầng, tiện ích xung quanh ảnh hưởng tới giá thành bất động sản Một số nghiên cứu nỗ lực để tạo mơ hình định giá bất động sản sử dụng hướng tiếp cận học máy Những nghiên cứu xung quanh định giá nhà ngoại ị Boston coi ví dụ điển hình Những kết từ nghiên cứu sử dụng làm sở để lựa chọn thuộc tính liệu chúng tơi Các tác giả Park, B., & Bae, J.K (2015) khám phá hiệu mơ hình hổi quy tuyến tính, máy học vector hỗ trợ (Support Vector Machine - SVM) phương pháp ước lượng bình phương tối thiểu Điểm đặc biệt từ nghiên cứu đặc điểm khoảng cách tới đường quốc lộ, mật độ dân số, khả kinh doanh vùng tỷ lệ tội phạm ảnh hưởng tới giá nhà Mục tiêu nghiên cứu nhằm tạo mơ hình định giá w bất động sản dựa liệu thu thập nguồn liệu mở dành cho đối tượng nhà Hà Nội Dựa liệu thu thập được, chúng tơi hy vọng tạo hệ thống giúp thẩm định viên có thêm cịng cụ để đảm bảo tính xác kết thẩm định ĐỊNH NGHĨA BÀI TỐN VÀ MƠ TẢ Bộ Dữ LIỆU Nghiên cứu nhằm xây dựng mơ hình dự báo giá nhà Hà Nội dựa số thuộc tính xác định thông qua tin đãng bất động sản mạng Internet Với nghiên cứu này, tập trung vào địa hình nhà thổ cư, khám phá vai trò sở hạ tầng thành phố giá nhà Chúng sử dụng phương pháp hồi quy để xây dựng mơ hình định giá bất động sản Trong liệu mẫu chứa thòng tin chung bất động sản vài thơng số có khu vui chơi, có chợ, trường học phạm vi km hay không Những thơng tin chọn với khoảng cách số - NĂM 2022 I CHUYÊN ĐỂ CÔNG NGHÊ VÃ NGÂN HÀNG SỐ I 13 NGHIÊN cứu □ TRAO ĐỔI người dùng dễ dàng di chuyển Các thuật toán sử dụng bao gồm: Hồi quy tuyến tính, hổi quỵ Lasso giải thuật k-hàng xóm gần 2.1 Dữ liệu Thị trường bất động sản với loại hình nhà riêng, khơng giống thị trường truyền thống khác, khơng có sàn giao dịch, bên thường giao dịch thịng qua mơi giới bất động sản trực tiếp trao đổi với để đưa mức giá hợp lý Kết thông tin bất động sản không tập trung nơi Tất thông tin bất động sản thường đăng website đăng tin giao bán bất động sản chủ sở hữu có nhu cầu, dễ dàng tìm thấy tin đăng nhu cầu bán bất động sản Thịng tin 10 nghìn bất động sản thu thập trang website dành riêng cho thị trường nhà thổ cư Hà Nội, chứa thông tin tin đăng từ tháng 6/2021 đến tháng 12/2021 Tổng số lượng ghi thu ban đẩu 30 nghìn ghi Những đặc điểm thu thập bao gồm: Diện tích, chiều dài, mặt tiền, diện tích, số tầng, số phòng ngủ, địa chỉ, độ rộng đường trước nhà, số lượng phòng tắm, hướng, đặc điểm trồi: Nhà hai mặt tiền, kinh doanh ngồi ra, chúng tơi cịn thu thập thông tin khác thông qua địa như: Tọa độ địa lý: Vĩ độ (lat), kinh độ (long), tiện ích khu dân CƯ: Gần chợ, gấn trường học, bệnh viện, có khu vui chơi trẻ em Có tất gần 20 thuộc tính thu thập (Hình 1) Dữ liệu thô lấy từ trang web mạng Internet, điều dễ dàng thực cách phân tích mã Hình 1: Ví dụ thơng tin bất động sản rao bán website Mhà tằng tỷ 220 triệu gần Bến xe n Nghía - Hà Địng-rè Hà Nội Hơm Nhà xây tầng có ngù 2wc Diện tích đất 30m *Hồn thiện nơi thất đep hình chì mang đồ * Nội thất - Cầu thang gỗ tự nhiên - Cửa thơng phịng gỗ Tù bép gồ tự nhiên sang Cửa nhõm chát lư « xem chi tiết » lầu 3m phòng ngù Diện tích: 30 m Hướng: Địng Nam KT: 4x8m Đườna Biên Giana Phướna Biên Giana Quân Há Đóng Hà Nơi Giá: 1.22 tv Hình 2: Tỷ lệ % giá trị khuyết thiếu thuộc tính Có thang máy gg Căn góc 95 Hai mặt tiền M■■■■■■ 95 90 Kinh doanh Hướng ban công 90 71 Hướng nhà Độ rộng đường ■■■■■■■■■■■■■■■■■ 41 Số nhà vệ sinh MBHMHBMMH 24 Mặt tiền ■■■■■■■■ 20.5 Số phòng ngủ ■■■■■■■■MI 20 Số tầng BMIMBI 13.8 Giá/m2 M 3.8 Giá ■ 2.6 Diện tích ■ 1.2 Gẩn trụ sở ủy ban phường/quận 0.5 Gẩn trường học 0.5 Gần bệnh viện 0.5 Gần chợ 0-5 Gần khu vui chơi 0‘5 Long 0-5 Lat 05 20 ngôn ngữ đánh dấu siêu văn (HyperTex Markup Language HTML) tin đăng bất động sản, tọa độ lat, long bất động sản lấy thông qua Google API, ngồi thơng tin sở hạ tầng lấy qua Google API khoảng cách tới bệnh viện, trường học, khu vui chơi gần 2.2 Xử lý liệu khuyết thiếu Vì liệu chúng tơi có từ tin đăng Internet, có nhiều thơng tin bị khuyết thiếu Các website để sẵn số đặc trưng mà người mua cần biết nhà Tất nhiên, tất đặc trưng cẩn thiết cho mơ hình chúng tơi Hình biểu diễn số lượng khuyết thiếu đặc trưng Một cách trực giác, đặc trưng ảnh hưởng 14 I CHUYÊN ĐẼ CÔNG NGHÊ VÃ NGÂN HÃNG sớ I số NAM 2022 40 60 80 100 120 tới giá trị dự báo nhà, ví dụ ngơi nhà có số tầng nhiểu có giá trị cao ngơi nhà tương tự có số tầng thấp Thuật tốn chúng tịi lựa chọn khơng áp dụng liệu khuyết thiếu Cả hai phương pháp hồi quy tuyến tính k-hàng xóm gần đểu cẩn phải có đầy đủ thông tin đặc trưng đưa vào mơ hình Một cách đơn giản thay giá trị khuyết thiếu giá trị trung bình, việc giúp mị hình hoạt động khiến tạo thêm nhiễu liệu Chúng tơi khơng mong muốn xóa bỏ đặc trưng có chứa giá trị khuyết thiếu khỏi mơ hình sê ảnh hưởng tới giàu thông tin dữliệu khả dự đoán NGHIÊN cứu K| TRAO ĐĨI 1« Nghiên cứu định sử dụng hướng tiếp cận để xử lý với liệu khuyết thiếu thuộc tính nhận giá trị số thực độ rộng đường, mặt tiền, số tầng: Loại bỏ mẫu chứa liệu khuyết thiếu, dự đoán giá trị khuyết thiếu phương pháp cực đại kỳ vọng (Expectation Maximum - EM) dự đoán giá trị khuyết thiếu giá trị trung bình đặc trưng Đối với thuộc tính như: Có thang máy, hai mặt tiền chúng tơi coi khách hàng khơng nhắc đến thuộc tính nhà họ khơng có đặc điểm Ỉrên đặc trưng nhận |iá trị mặc định Với lản ghi khơng có thơng tin lat, long chúng tịi tiến hành xóa bỏ ghi Phương pháp đơn giản thay giá trị khuyết thiếu giá trị trung bình đặc trưng Mặc dù phương pháp g úp chúng tơi giữ nhiều ghi, tạo hiệu ứng không cân liệu Điều nắy gây ảnh hưởng tới sức manh dự báo mơ hình Cuối cùng, chúng tơi định thử ƯóỊc lượng giá trị khuyết thiếu thèo hướng EM Mỗi giá trị khuyết thiếu gán giá trị mặc địhh giá trị trung bình đặc trưng Sau chúng tơi lặp lại việc thử huấn luyện mơ hình xác suất ước lượng giá trị khdyết thiếu tới thấy hội tụ Trong cài đặt phương pháp này, sử dụng mơ hình MultinomialNB thư viện Scikit-learn để ước lượng giá trị khuyết thiếu Mỗi đặc trưng chứa liệu khuyết thiếu, mơ hình xây dựng để sử dụng đặc trưng lại để dự báo giá trị khuyết thiếu đặc trưng Sau đó, chúng tơi sử dụng mơ hình để ước lượng lại giá trị khuyết thiếu Lưu ý hạn chế từ mơ hình phát sinh từ giả định thuật toán Naive Bayes Để phương pháp có hiệu quả, giả định tính độc lập có điểu kiện phải trì đặc trưng khác phải đủ phong phú để dự đoán giá trị đặc trưng khuyết thiếu XÂY DỰNG MƠ HÌNH Do có lượng lớn liệu khuyết thiếu, không xem xét hiệu suất thuật tốn mà cịn phương pháp xử lý liệu khuyết thiếu Mỗi thuật toán chạy với phương pháp để xử lý liệu khuyết thiếu Các thuật tốn tối Ưu hóa để có kết tốt tập huấn luyện tập kiểm tra sử dụng để đánh giá cuối Để chọn phương pháp tốt xử lý liệu bị thiếu điều chỉnh siêu tham số, xác thực chéo lần sử dụng Khi việc nhập liệu bị thiếu yêu cầu thống kê từ liệu (EM truyền liệu trung bình), mơ hình tạo liệu huấn luyện sau sử dụng để đưa giá trị liệu thử nghiệm 3.1 Lựa chọn đặc trưng Các đặc trưng chia làm hai nhóm lớn, nhóm định tính nhóm định lượng Những biến định tính như: Hướng nhà, hướng ban cơng, có thang máy, có hai mặt tiền sử dụng giá trị nguyên để mã hóa Với đặc trưng định tính nhận nhiểu giá trị, chúng tơi sử dụng kỹ thuật One-hot encoding tốt cho việc xây dựng mơ hình tránh việc vơ tình tạo mối tương quan tuyến tính thuộc tính Lựa chọn đặc trưng thực thuật tốn hổi quy tuyến tính hay hồi quy Lasso Điều cho phép thuộc tính khơng ảnh hưởng tới mơ hình loại bỏ q trình xây dựng mơ hình 3.2 Lựa chọn thuật tốn Dưới mơ tả ngắn gọn vể thuật toán xem xét Chúng chọn từ loạt thuật tốn q trình thử nghiệm ban đầu, chúng có kết tốt cho thấy nhiều hứa hẹn Phần mô tả thuật tốn xem xét để xây dựng mơ hình, thuật tốn lựa chọn tính hiệu chúng toán dự báo tập liệu có cấu trúc Hổi quy tuyến tính Hồi quy tuyến tính phương pháp đơn giản kinh điển, thuật toán xây dựng đường/siêu phẳng không gian đặc trưng nhằm biểu diễn mối liên hệ giá trị nhà đặc trưng liên quan dạng biểu thức tuyến tính: f(x')—P0+S”1Pixi! Trong đó: m số lượng đặc trưng đưa vào mơ hình, f(x’) giá nhà dự báo dành cho nhà có đặc điểm tài biểu diễn vector xi=(xj, ,x$ có độ dài m tương ứng với m đặc trưng, p trọng số đặc trưng thứ i mơ hình, xị biểu diễn đặc trưng thứ i vector x> Có nhiều hướng tiếp cận khác để tìm giá trị trọng số Pr Cách thức cài đặt thư viện Scikit-learn sửdụng phương pháp bình phương tối thiểu cho trọng số p tìm làm cho hàm số sau đạt giá trị tối thiểu Err(P)=S.:i(y.- s^x’)2 Trong đó, yj giá trị nhà thứ j liệu số - NĂM 2022 I CHUYÊN ĐÉ CÕNG NGHỆ VÃ NGÂN HÃNG SÓ I NGHIÊN cứu a TRAO ĐỔI xJ=(xị, xjj vector đặc trưng nhà thứ j liệu, n tổng số quan sát Ngoài ra, sử dụng phương pháp suy giảm độ dốc (Gradient descent) hướng tiếp cận để tìm trọng số Hồi quỵ tuyến tính chúng tỏi quan tâm khơng phương pháp phổ biến mà cịn tính giải thích trực quan mơ hình Dựa vào độ lớn trọng số, biết đặc trưng ảnh hưởng nhiều đến giá ngơi nhà liệu có mối tương quan thuận hay nghịch không Đây mục tiêu nghiên cứu Hổi quy Lasso Hổi quy Lasso chất tương tự hổi quy tuyến tính có số cải tiến Đó đưa thêm số ràng buộc vào mị hình nhằm ngăn chặn tượng khơng mong muốn (Overfitting) mơ hình Trong hồi quy Lasso, giá trị trọng số bị giới hạn giá trị qua biểu thức phạt Điểu buộc đặc trưng quan trọng phải có trọng số nhỏ chí ngầm loại bỏ đặc trưng vơ dụng q trình Bởi nhà môi giới bất động sản có nhiều ý kiến trái chiểu vể ảnh hưởng đặc trưng tới giá thành bất động sản Do đó, miến ý kiến phức tạp vậy, thuật toán giúp loại bỏ đặc trưng không liên quan Trọng số đặc trưng nghiệm tốn tối Ưu sau: min(ri(/-P0-ZiT1xJpimZiT1|Pi|) K-hàng xóm gân (KNN) KNN có cách tiếp cận khác Giả định cốt lõi hướng tiếp cận mẫu vector có đặc trưng giống cho kết Bảng 1: % sai sơ trung bình tuyệt đối phương pháp hồi quy Lasso sử dụng phương pháp xử lý giá trị khuyết thiếu khác hiệu chỉnh tham sô Phươnq pháp xử lý liệu khuyết thiếu Loại bỏ Loại bỏ Loại bỏ Loại bỏ Loại bỏ Loại bỏ Loại bỏ Loại bỏ Mean Mean Mean Mean Mean Mean Mean Mean EM EM EM EM EM EM EM EM Ầ 0.1 0.3 1.0 3.0 10.0 33.0 100.0 333.0 0.1 0.3 1.0 3.0 10.0 33.0 100 333.0 0.1 0.3 1.0 3.0 10.0 33.0 100.0 333.0 % sai số tuyệt đỗi 25 24.99 24.99 24.81 24.76 24.76 24.66 25.72 28.75 28.73 28.73 28.53 28.47 28.47 28.35 29.57 35.36 35.34 35.34 35.09 35.02 35.02 34.88 35.36 Hình 3: Tỷ lệ % sai sơ trung bình thuật tốn hồi quy tuyên tính 35% 30% 25% 20% 15% 10% 5% 0% tương tự Các vùng lân cận điểm liệu dùng làm đánh giá điểm xa Trong tác vụ hói quy, lân cận định vị, giá trị trung bình chúng (hoặc giá trị trung bình có trọng số) lấy để gán cho điểm truy vấn Với toán định giá bất động sản nói 16 I CHUN ĐỄ CƠNG NGHỆ VÀ NGÂN HÃNG SỔ I SÓ -NĂM 2022 thuật toán ứng cử viên tốt giá bất động sản tương đương KNN có phụ thuộc vào liệu Có nghĩa xử lý liệu khuyết thiếu, vơ tình tạo thiên lệch khiến cho chất lượng mơ hình bị bất động sản có đặc điểm khác TRAO ĐỔI Hình 4: % sai sơ trung bình mơ hình xây dựng thuật toán KNN kết hợp với cách xử lý liệu khuyết thiếu 60.00 10.00 0.00 10 20 30 40 50 60 80 90 100 k lại vị tình kéo lại gần Để tính khoảng cách quan sát, sử dụng khoảng cách Euclid: d(a,b)=V(S"1|ai-b112) Trong đó: a = (a,, a2, ,am) b = (b^bj, bm) vector có độ dài m KẾT QUẢ THỰC NGHIỆM 4.1 Phương pháp hồi quy tuyến tính Hình so sánh hiệu mơ hình quy tuyến tính thơng qua ba liệu sau xử lý liệu khuyết thiếu Kết dự báo loại bỏ hết liệu khuyết thiếu tốt nhất, với giá trị trung bình tỷ lệ sai số tuyệt đối 21,6% 4.2 Hổi quy Lasso Với hổi quỵ Lasso, với phương pháp xử lý giá trị khuyết th ếu tối ưu giá trị tham số Tuy nhiên, hiệu suất dường bị ảnh hưởng nhẹ Bảng lần cho thấy việc loại bỏ liệu bị thiếu hiệu nhất, phần trăm sai số tuyệt đối trung bình tốt 6% Giá trị 100 cho kểt tốt 4.3 KNN Giá trị k=5 cho kết tối ưu Hình Một lần kết cho thấy, việc xóa bỏ hết quan sát chứa giá trị khuyết thiếu cho kết tốt (Hình 4) 4.4 Các đặc trừng lựa chọn Phương pháp hồi quy tuyến tính hói quy Lasso xử lý đặc trưng thu thập trực tiếp từ trang web thòng tin liên quan tới sở hạ tầng qua Google API, phân tích mị hình, chúng tơi nhận thấy rằng, thơng số liên quan tới sở hạ táng có trọng số thấp mơ hình Tuy nhiên, trọng số hai tham số lat, long lại có đối trọng lớn, ý nghĩa giải thích tham số hàm chứa tham số tọa độ KẾT LUẬN Nghiên cứu để xuất phương pháp giúp » tổ chức tín dụng thu thập liệu giá bất động sản thị trường theo thời gian thực, từ có nguồn liệu dói làm khách quan để thẩm định giá trị bất động sản dựa thòng tin bất động sản tương đồng Từ đó, hạn chế sai lẩm hay thiếu minh bạch trình thẩm định tài sản chấp, qua đó, tổ chức tín dụng gia tăng suất tỷ lệ cấp phát khoản vay an tồn Hai phương pháp hổi quy tuyến tính hổi quy Lasso sử dụng nghiên cứu giúp chúng tơi tìm mức độ quan trọng đặc trưng tới giá trị nhà Các đặc trưng liên quan tới sở hạ tầng khơng chứng minh vai trị giá trị nhà Những đặc trưng có giá trị khuyết thiếu nhiều khơng có ý nghĩa việc xây dựng mị hình Các đặc trưng ảnh hưởng nhiều tới mơ hình dự báo giá trị nhà bao gồm: Diện tích, mặt tiền, vị trí nhà (tọa độ lat, long), số lượng tẩng, độ rộng đường trước nhà Mơ hình chúng tơi xây dựng có sai số trung bình thấp khoảng 20% với phương pháp KNN, kết chúng tòi kỳ vọng nghiên cứu minh chứng cho tính khả thi việc xây dựng hệ thống hỗ trợ thẩm định giá tự động dựa kỹ thuật trí tuệ nhân tạo, hỗ trợ nhân viên thẩm định chọn lọc đánh giá thông tin bất động sản trình thẩm định.B TÀI LIÊU THAM KHẢO: I.OIinsky, Alan, Shaw Chen, and Lisa Harlow."The comparative efficacy of imputation methods for missing data in structural equation modeling" European Journal of Operational Research 151.1 (2003): 53-79 Park, B., & Bae, J.K (2015) Using machine learning algorithms for housing price prediction: The case ofFairfax County, Virginia housing data Expert Systems with Applications, 42(6), 2928 - 2934 [3] Yu, C.Y., Lam, K.c & Runeson, G (2008) SVM and entropy based decision support system for property valuation Proc., 11th Eleventh East Asia-Pacific Conf, on Structural Engine & Construction SÓ - NÃM 2022 I CHUYÊN ĐÉ CÔNG NGHỆ VÀ NGÁN HÀNG SỐ I 17 ... khả thi việc xây dựng hệ thống hỗ trợ thẩm định giá tự động dựa kỹ thuật trí tuệ nhân tạo, hỗ trợ nhân viên thẩm định chọn lọc đánh giá thông tin bất động sản trình thẩm định. B TÀI LIÊU THAM... liệu vể giá bất động sản đặc điểm bất động sản trang đãng tin bất động sản Ngồi thơng tin tương quan vị trí bất động sản sở hạ tầng, tiện ích xung quanh ảnh hưởng tới giá thành bất động sản Một... chức tín dụng thu thập liệu giá bất động sản thị trường theo thời gian thực, từ có nguồn liệu dói làm khách quan để thẩm định giá trị bất động sản dựa thòng tin bất động sản tương đồng Từ đó, hạn