Bewertung von Immobilien mit künstlichen neuronalen Netzwerken systematische Literaturrezension

0
174
DOI: ESTE ARTIGO AINDA NÃO POSSUI DOI SOLICITAR AGORA!
PDF

ORIGINAL-ARTIKEL

CHAGAS, Edgar Thiago De Oliveira [1]

CHAGAS, Edgar Thiago De Oliveira. Auswertung von Immobilien mit künstlichen neuronalen Netzwerken systematische Literaturrezension. Multidisziplinäre Kern Fachzeitschrift des Wissens. 04-Jahr, Ed. 04, Bd. 05, S. 55-75 April 2019. ISSN: 2448-0959

ZUSAMMENFASSUNG

Der Immobilienmarkt ist in der Volkswirtschaft sehr wichtig, weil er verschiedene Aspekte der Gesellschaft widerspiegelt. Diese Situation bedeutet, dass der geschätzte Wert des Immobilienmarktes in Wert und Qualität als Grundlage für die Berechnung des Wohnungsbedarfs herangezogen werden kann. In dieser Perspektive sollten die Ergebnisse der Bewertung so genau wie möglich sein, da die begangenen Fehler für die Mehrheit der Bevölkerung schädlich sein können. Untersucht wurden die Anwendbarkeit der RNA und die Bewertung der Eigenschaften. Dies ist für die Forschungsliteratur und für die systematische Überprüfung der Literatur als Forschungsmethode unerlässlich. Aus der systematischen Überprüfung ist es möglich, aktuelle Untersuchungen auf RNA zu analysieren, um vorausschauende Modelle, Optimierungsalgorithmen, vor allem im Zusammenhang mit der Bewertung von Eigenschaften zu beleuchten. Daraus lässt sich schließen, dass die Anwendungen der RNA bei der Bewertung von Eigenschaften die Lücken in der Literatur füllen müssen.

Stichworte: Künstliches neuronales Netzwerk, systematische Überprüfung, Immobilienbewertung.

1. EINFÜHRUNG

Je nach Menge der im Betrieb eingesetzten Ressourcen ist der Immobilienmarkt ein sehr wichtiger Teil der Volkswirtschaft. Für die Forschung in diesem Markt gilt die Berechnung der finanziellen Vermögenswerte für den Wohnungsbedarf der Stiftung durch eine groß angelegte Bewertung des geschätzten Marktwertes (PELLI NETO, 2006).

Laut González (2008) ist die Bewertung der Wohnproduktion eine Aufgabe, die die besonderen Eigenschaften und Eigenschaften normaler Marktbedingungen berücksichtigt. Es ist möglich, den geschätzten Wert der Immobilie auf dem Markt zu erreichen. Es gilt als normal, ein Gleichgewicht zwischen den an den Verhandlungen beteiligten Parteien zu finden.

Hipólito (2007), gibt es mehrere Methoden und Muster, die in verschiedenen Ländern für die Bewertung von Eigenschaften verwendet werden, basierend auf dem Netzwerk von künstlichen Neuronen (RNA).

Ziel dieser Studie ist es, die RNA in der Literatur zu studieren und die Anwendungsfelder der Methode zu verstehen, für die die Literatur systematisch bewertet werden soll. Sucht, das Thema systematisch zu verstehen und die Qualität und Zuverlässigkeit der Datensuche zu verstehen.

1.1 JUSTIFIKATION

Durch das dynamische Verhalten des Immobilienmarktes wird die Bedeutung der Bewertung der Immobilie wahrgenommen. Die neue Bewertungsmethode musste die Bedürfnisse und Eigenschaften dieser Tätigkeit berücksichtigen, da die aktuelle Technologie gewisse Einschränkungen aufweist und daher die Untersuchung anderer Methoden erfordert.

Laut Pelli Neto (2006) bietet der Einsatz künstlicher neuronaler Netze bei der Bewertung von Immobilien gute Perspektiven, die bisherigen Ergebnisse zeigen, dass Technologie und Daten nur durch ein lineares Modell repräsentiert werden können, das die IT-Tools verbessert.

2. DAS ECHTE ESTATE MARKET

2.1 INTRODUCTION

Der Immobilienmarkt stand aufgrund seiner Bedeutung für die Volkswirtschaft im Mittelpunkt der Forschung verschiedener öffentlicher und privater Unternehmen. In der Marktstudie wird die groß angelegte Bewertung des geschätzten Marktwertes auf Basis des Wohnungsbedarfs berechnet, wobei der Schwerpunkt auf der Nutzung der finanziellen Ressourcen liegt. Eine weitere Möglichkeit, den Wert der Forschung zu schätzen, besteht darin, die wirtschaftliche und soziale Bedeutung dieses Marktes zu verstehen. Die Bewertung von Messfehlern oder Ungenauigkeiten in der Tätigkeit ist nicht ideal (FERNANDES, 2003).

Neben dem Studium der Wohnungsbedarfserhebung ist es auch möglich, das Modell nicht nur zur Qualitätsbewertung zu nutzen, sondern auch die allgemeine Planung, die Wirtschaftlichkeitsstudien und die Steuerberechnungen für neue Wohnbauprojekte zu definieren, die zu den Unternehmen, insbesondere IPTU und ITBI (GONZÁLEZ, 2002).

Im Mittelpunkt dieses Kapitels stehen die Analyse der Immobilienliteratur, eine kurze Entstehungsgeschichte und dann eine konzeptionelle Beschreibung des Immobilienmarktes, einschließlich des Betriebs maßgeschneiderter Bewertungsmethoden und prozessbasierter Spezifikationen. In diesem Kapitel wird die Methode des Marktdatenvergleichs definiert, die aus der Bewertung von Eigenschaften der am häufigsten verwendeten Methode besteht.

2.2 REAL ESTATE MARKET

Zunächst ist es wichtig, im Gegensatz zu anderen Märkten das Konzept des Immobilienmarktes zu definieren.

2.2.1 WAS IST REAL ESTATE MARKET?

Der Immobilienmarkt kann in verschiedene Teile unterteilt werden, wie Wohnungen, Häuser, Geschäfte, Büros, Märkte und Städte (urban oder ländlich), Lagerhäuser, Parkplätze und andere Märkte, die sie kaufen und vertreiben oder verkaufen (GONZÁLEZ, 2002).

Die wichtigsten Faktoren, die die Leistung und andere Vermögenswerte des Immobilienmarktes und anderer Märkte beeinflussen, wie der Automobilmarkt, Haushaltsgeräte und andere, sind lange Lebensdauer, Exklusivität, Lage und Raum, sowie die Intervention der kommunalen Gesetzgebung In Kraft. Und Bundesliga (GONZÁLEZ, 2008).

Der Immobilienmarkt wird eine längere Nutzungsdauer haben, schwer messbar, weil er von den physikalischen Eigenschaften der Muster beeinflusst wird und mit dem Schutzstatus endet. Da die Immobilie im Laufe der Zeit gewartet werden muss und alle Standards erfüllen muss, kann das tatsächliche Alter derselben Familie vom Schutz des jeweiligen Staates profitieren (HAYKIN, 2001).

Anders unterscheidet sich nicht von den anderen internen und externen Eigenschaften der Immobilie, die Immobilie ist einzigartig. Einige Teile, die eine Produktion haben, können jedoch Zufall sein, zumindest an ihrem Standort oder ihrer Position wird anders sein, der Immobilienmarkt ist vergleichbar mit keinem anderen Platz in der Produktion des gleichen Brunnens. In diesem Sinne ist die Bestimmung des Wertes einer Immobilie in vielen Fällen keine triviale Aufgabe, die den Einsatz wissenschaftlicher Erkenntnisse erfordert (HIPOLITO, 2007).

Der Immobilienmarkt ist ein dynamischer Mechanismus der Evolution im Laufe der Zeit, beeinflusst von mehreren Faktoren, sowohl der Bewertung als auch der Abwertung. Die gleichzeitige und ungeordnete Leistung verschiedener Entwickler, Bauunternehmer, Bauherren und der öffentlichen Macht selbst führte zu diesem sich ständig verändernden Markt, der den Wert der zur Verfügung gestellten Immobilie oder Transaktion direkt widerspiegelt (PELLI NETO, 2006). Es bleibt zu sagen, es wurde beobachtet, dass die Immobilienmärkte ein wichtiger Teil sind, in ständiger Interaktion und für den Preis der Immobilien verantwortlich sind.

2.2.2 BASIC COMPONENTS

Die wesentlichen Bestandteile des Immobilienmarktes sind die Kommerzialisierung von Produkten, Verkäufen und Interessenten im Zusammenhang mit dem Kauf. Wenn es ein Gleichgewicht zwischen diesen drei Komponenten gibt, wird die statistische Forschung auf dem Immobilienmarkt gute Ergebnisse bringen. Natürlich gibt es im Idealfall viele Informationen. Es gibt viele Anbieter, viele Käufer und viele Produkte aus verschiedenen Quellen (DANTAS, 1998).

Die Aufgabe des Evaluierungsingenieurs ist es, den Immobilienmarkt zu beschreiben und den Grad der Balance zwischen seinen Komponenten zu betonen. Je ausgewogener die Balance, desto intensiver der Wettbewerb auf dem Markt und desto gerechter der Preis. Es gibt aber keinen perfekten und ausgewogenen Wettbewerbsmarkt. Statistische Studien sollten jedoch vermieden werden, wenn es um Extremsituationen wie Monopoly oder Oligopol geht (PELLI NETO, 2006).

2.3 PREIS, COST UND MARKET VALUE

In Punkt 3.44 des NBR 14,653, Teil 1-Generalverfahren, wird auf den Marktpreis und die folgende Definition verwiesen: "In den aktuellen Marktbedingungen wird wissentlich und bewusst die wahrscheinlichste Menge des" Vermögenswertes am Tag der Registrierung "verhandelt. (NBR 14.653).

Die wahrscheinlichste Zahl von Menschen, die bewusst und freiwillig verhandeln, entspricht nicht unbedingt dem Preis, zu dem die Ware gehandelt oder angeboten wird. Der Marktwert ist das Ergebnis einer mathematischen Modellierung und eines statistischen Prozesses. Diese Daten werden über die Kapazität ähnlicher Merkmale zu ausgehandelten oder vorgeschlagenen Preisen erhoben (REZENDE, 2003).

Daher sind der Preis und der Referenzwert unterschiedlich. Obwohl sich der "Marktwert" auf den wahrscheinlichsten Wert der Ware bezieht, spiegelt der "Preis" die Anzahl der Transaktionen in Fremdwährung wider oder liefert bestimmte Produkte. Ein anderes Angebotsrating oder ein Transaktionspreis ist sehr häufig. Dieser Unterschied wird nicht als sehr wichtig angesehen, da es in diesem Fall notwendig sein kann, das Problem zu lösen, um zu beweisen, dass der verwendete Betrag angemessen ist (SAMPAIO, 2007).

Die Kosten des Produktes spiegeln nicht den Marktwert wider, da die bisherige Definition des Marktwertes nicht immer am ehesten den Wert der Transaktion mit ihren Produktionskosten kombiniert. Der Marktwert kann geringer, gleich oder größer sein als die Produktionskosten (SAMPAIO, 2007).

2.4 BASIC METHODS

Der Wert der Ware kann in der Regel nach drei verschiedenen Grundmethoden bestimmt werden (GONZÁLEZ, 2002):

• Einkommen, das den Wert von Waren bestimmt, die aus ihrem wirtschaftlichen Leben stammen.

• Vergleich auf der Grundlage des Preises ähnlicher Produkte auf dem Markt;

• Kosten, die auf direkten und indirekten Kosten der Warenproduktion basieren;

Bei allen drei Methoden ist der direkte Vergleich zur Bestimmung des Wertes der geeignetste und zuverlässigste auf dem Markt.

2.5 APPLICABLE METHODS

Es gibt Methoden, mit denen das Ziel, die Verfügbarkeit, die Qualität und die Quantität der Informationen, die bei der Marktbewertung gewonnen werden, aufgrund der Art der zu bewertenden Waren bewertet werden können (FERNANDES, 2003).

Je nach Verwendungszweck von ABNT gibt es mehrere Methoden, um den Wert der Ware zu ermitteln. Bei dieser Arbeit wird ein direkter Vergleich der Marktdaten angewandt (GONZÁLEZ, 2002).

2.6 MARKET DATA COMPARISON

In Teil 2 des NBR-14653 heißt es, dass die Methode des Vergleichs von Marktdaten bevorzugt angewendet werden sollte. In der Regel wird die Vergleichsmethode verwendet, um den Verbrauch eines bestimmten Gegenstandes zu bestimmen. Je höher der Wert der Konsumgüter, desto größer die Genauigkeit der Bewertung. Zum Bewertungsbericht ist wirtschaftlich, es ist notwendig (NBR 14653).

Es ist wichtig, den Wert des Objekts zu messen, mit dem ähnliche Objekte visuell mit einem bekannten Marktwert verglichen werden (genannt Vergleichsprozess) (GONZÁLEZ, 2008).

Einige Anbieter verlangen eine Preiskontrolle, legen dann den Durchschnittspreis der Praxis und die endgültige Kaufentscheidung auf der Grundlage der Konditionen der Zinszahlung und der Verfügbarkeit des Finanzmanagements fest (GONZÁLEZ, 2008).

Bei der Verwendung des Vergleichsprozesses wird versucht, die Werte zu erhalten, die die Objekte darstellen, die auf der Grundlage anderer Ähnlichkeiten zwischen ihnen ausgewertet werden sollen. Die bestehenden Unterschiede sind schwach oder unbedeutend. Da das Verständnis aller Objekte, die in einem bestimmten Markt (Population) zur Verfügung stehen, in der Regel völlig unzugänglich ist, gibt der Durchschnittswert eine Durchschnittseinschätzung aller Objekte in den Objekten der Bevölkerung ab (Haykin, 2001).

Je einheitlicher die Bevölkerung analysiert, desto homogener sind die Proben. Daher, auf der Suche nach einer bestimmten Marke oder Modell von null, Kilometer Auto, sollte die Person die Preise vergleichen, nach den gesammelten Proben können höhere Preise und andere niedrige und so enge rechnerische Durchschnitt enthalten. Diese Tatsache tritt auf, weil die Kosten für die Beschaffung des Produkts durch den Hersteller ist ähnlich. Ein weiteres großes Problem ist die Leichtigkeit der Erlangung einer repräsentativen Stichprobe des Marktes, die sehr nützlich ist für verlässliche Schlussfolgerungen über den Durchschnittswert in diesen Fällen (Hipólito, 2007).

Auf der anderen Seite sehen sich die Gutachter durch die Schätzung des Marktwertes der Wohnproduktion durch den Vergleichsprozess mit großen Schwierigkeiten konfrontiert, vor allem, wenn die Bevölkerung als sehr unterschiedlich betrachtet wird und eine heterogene Stichprobe erzeugt. Die angebotenen Produkte verfügen nicht über eine ausreichend standardisierte Marke oder ein ausreichend standardisiertes Modell, um sie einheitlich zu machen. Außerdem hängen sie nicht direkt von den Produktionskosten und oft von der Ernte ab. Der Standort ist an die Sozialwirtschaft angebunden (PELLI NETO, 2006).

In beiden Fällen traten Veränderungen in der Probe um ihr Rechenmittel auf. Der Unterschied besteht darin, dass bei einer homogenen Probe von Industrieprodukten diese Veränderung reduziert wird und die heterogenen Proben, die als Grundlage für die Messung des Immobilienmarktes dienen, in der Regel eine Veränderung der Höhe um ihren Rechenwert aufweisen. Diese Tatsache schafft eine große Unsicherheit in den Schlussfolgerungen über den Gesamtdurchschnitt des Produkts. In der Tat kann jede zufällig ausgewählte Probe einen rechnerischen Mittelwert von sehr unterschiedlichen Daten enthalten. Diese Unterschiede zwischen den gesammelten Daten und der Stichprobe sind eine Funktion der physikalischen Unterschiede zwischen den Daten, sozioökonomischen Faktoren und der Zufallsartigkeit des Marktes (REZENDE, 2003).

Die Zufälligkeit, die immer auf jedem Markt vorhanden ist, kann als die inhärente Subjektivität einer Person definiert werden, die einem Produkt, das verkauft werden will, einen Preis gewährt. Es ist Sache des Käufers, den Preis zum Zeitpunkt des Kaufs zu akzeptieren oder nicht. Sie kann daher nicht gemessen werden und besteht aus unerklärlichen Fehlern oder Stichproben (DANTAS, 1998).

Bei der Stichprobe von Industrieprodukten liegt das Verhältnis der physikalischen Unterschiede zwischen den Daten bei null oder fast, aber es ist in der Stichprobe des Immobilienmarktes extrem wichtig, was zu einer heterogenen Stichprobe führt. Diese physischen Unterschiede sind eine Funktion der Eigen-und Extrinsische Merkmale des Immobiliensektors. Um diese Unterschiede zu messen, zeigen die gesammelten Daten ähnliche Merkmale des Immobilienmarktes. Um diese Methode zu verwenden, müssen Sie daher einen Datensatz haben, der verglichen werden kann. Der Vergleich basiert auf intrinsischen und extrinsischen Merkmalen, wie sie durch die Eingabe-, Interpretations-oder unabhängigen Variablen beschrieben werden (NBR 14653).

2.7 VARIABLE CONSTRUCTION STRUCTURE

Variablen sind intrinsische und extrinsische Eigenschaften der Immobilie. Der Wert stellt die Zahl dar. Es ist wichtig, die Beziehungen zwischen den ausgewählten Variablen zu beobachten, um ihre Abhängigkeiten zu überprüfen (REZENDE, 2003).

Im Bewertungsprojekt sollten der Marktpreis (Angebot oder Transaktion) und die entsprechenden physikalischen Eigenschaften (Fläche, Fassade, Standardstandort, Parkplätze, etc.) als unabhängige Eingangsvariablen, wie Lage (Finanzindex, etc.). Urban und Polo), Distanz und Zeit (das Datum, an dem das Ereignis stattfand) (SAMPAIO, 2007).

Die abhängige Variable kann anhand des Gesamt-oder Einheitspreises, in der Regel in monetären Einheiten pro Quadratmeter, angegeben werden. Die Auswahl der Analyse der Daten, die bei der Definition und der Funktion des Modells gesammelt wurden, wird als darstellen, um den Immobilienmarkt darzustellen. Wir haben die unabhängige Variable ausgewählt, die direkt mit den Merkmalen der Forschungsdaten (intern und extern) in Verbindung steht, sowie den Ton der Vielfalt des Verhaltens des Immobilienmarktes in jeder Region. Daher ist zu beachten, dass sich dies effektiv auf die Änderungen des gesammelten Preises auswirkt und dies erklärt (NBR 14653).

3. ARTIFICIAL NEURAL NETWORKS

Bei den RNAs handelt es sich um mathematische Modelle, die von den Prinzipien der biologischen Neuronen und der Gehirnstruktur inspiriert sind (RUSSELL 2004, RONALDO 2005). Ein Neuron ist eine Gehirnzelle, deren Hauptaufgabe es ist, elektrische Signale zu sammeln, zu verarbeiten und zu verbreiten. Jedes Neuron besteht aus einem Zellkörper oder Soma, der einen Zellkern, eine Reihe von Armen namens Dendriten und einen einzigen langen Arm namens Axon (RUSSELL, 2004) enthält.

Es wird vermutet, dass die Fähigkeit des Gehirns, Informationen zu verarbeiten, hauptsächlich aus den Netzwerken dieser Neuronen kommt. Die Kommunikation von einem Neuron zum anderen, um ein komplettes Nervensystem zu bilden, erfolgt durch eine Synapse. Synapse ist die Region, in der zwei Neuronen in Kontakt kommen, was die Übertragung von Nervenimpulsen ermöglicht (RUSSELL, 2004).

Neuronale Netzwerke haben die Fähigkeit, verteilte Berechnungen durchzuführen, laute Eingänge zu tolerieren und zu lernen. Wie das menschliche Gehirn basiert auch ein neuronales Netzwerk auf dem Lernen, das heißt, es speichert das auf Lernen erworbene Wissen und stellt es zur Verfügung, um Entscheidungen über das Problem zu treffen (RUSSELL, 2004).

Die Lösung von RNA-Problemen ist sehr interessant, weil ihre intrinsische Repräsentation und ihr in der Architektur innewohnender Parallelismus bessere Ergebnisse liefern als die klassischen Modelle. Die Fähigkeit, anhand von Beispielen zu lernen und die gewonnenen Informationen zu generieren, ist zweifellos die Hauptattraktion der Problemlösung mittels RNA (BRAGA, CARVALHO und LUDERMIR, 2000).

3.1 THE BASIC CONCEPT

RNA ist ein System der Rechenleistung durch Lernen und Verallgemeinerung (BRAGA, CARVALHO und LUDERMIR, 2000). Die Verallgemeinerung wiederum ist mit der Fähigkeit dieser Netzwerke verbunden, eine konsistente Antwort auf Daten zu geben, die während der Verarbeitungs-und Trainingsphase nicht dargestellt werden.

RNA wird sehr einfach durch die Struktur mit den Elementen der Behandlung, inspiriert von der Wirkung der biologischen Neuronen, die Verbindung zwischen diesen Elementen der Behandlung, die durch jede Verbindung im Netzwerk gekennzeichnet ist, ist mit einem Gewicht, die das Gewicht Interaktion oder Kopplungskraft zwischen den Behandlungselementen und der Tatsache, dass sie von Natur aus aufgeregt oder hemmend sind (HAYKIN, 2001).

Der Einsatz von künstlichen neuronalen Strukturen, in denen Informationen parallel und durch eine komplexe Verteilung relativ einfacher RNA-Verarbeitungskomponenten verarbeitet und gespeichert werden. Diese Elemente können für die Eingabe von Informationen pro Schicht (Eingangsschicht) verantwortlich sein-entspricht dem Argument, das auf dem Immobilienmarkt verwendet wird, der Verarbeitung dieser Informationen (Zwischenschicht) und den ermittelten Ergebnissen (Output-Ebene)- Entsprechend der abhängigen Variable und den Gesamteinheiten), zur weiteren Förderung (GONZÁLEZ, 2008).

Das biologische neuronale Modell besteht aus einem relativ autonomen Mobilfunknetz mit jeweils begrenzter Verarbeitungskapazität. Die Geräte sind durch Verbindungen miteinander verbunden, die jeweils ein zugehöriges Gewicht haben, das der Wirkung des Gerätes in der Ausgangssignalverarbeitung entspricht. Das positive Gewicht entspricht dem Faktor der Erhöhung des Eingangssignals und das negative Gewicht entspricht dem Hemmungsfaktor (BRAGA, CARVALHO und LUDERMIR, 2000).

Dieses Modell verfügt in der Regel über eine Reihe von Eingabeeinheiten, durch die die Informationen an das Netzwerk übertragen werden, und eine Reihe von Ausgabeeinheiten, die die Ausgangssignale aus dem Netzwerk sowie eine Reihe von Zwischeneinheiten anzeigen. Eine Sammlung von Neuronen ist in der Informationsverarbeitung sehr leistungsfähig. Konzeptionell kann die RNA als mathematisches Modell betrachtet werden, das der Struktur des menschlichen Gehirns ähnelt und in der Lage ist, aus nachfolgenden Verallgemeinerungen zu lernen (GONZÁLEZ, 2008).

3.2 NATURAL NEURONS

Das menschliche Nervensystem ist verantwortlich für Entscheidungen und die Anpassung des Körpers an die Umwelt. Diese Funktion wird durch kontinuierliches Lernen gewährleistet. Das System besteht aus Zellen, die für seine Funktion verantwortlich sind. Im menschlichen Gehirn gibt es etwa 10 Milliarden Neuronen und etwa 60 Billionen neuronale Verbindungen untereinander (HAYKIN, 2001).

Diese Zellen empfangen, produzieren und geben dem Gehirn Reize. Neuronen werden durch Zellmembranen definiert, die bestimmte kritische Eigenschaften für die zelluläre Funktion des Körpers besitzen, wie zum Beispiel verlängerte Filamente, Dendeln und Axone (BRAGA, CARVALHO und LUDERMIR, 2000). Die Neuronen sind im empfangenen Signal definiert, das in der Lage ist, Informationen über Dendriten und polarisierte Zellen zu übertragen. Wenn sie aufgeregt sind, übertragen Neuronen Informationen an andere Neuronen durch Impulse, die Aktionspotenziale genannt werden. Diese Signale breiten sich durch die Zellachsen in Form von Wellen aus und werden in den Synapsen in chemische Signale umgewandelt.

Biologische Neuronen können als grundlegende Rechengeräte des Nervensystems betrachtet werden, die sich aus vielen Ein-und Ausgängen zusammensetzen. Der Eingang wird durch eine synaptische Verbindung gebildet, die die Dendriten mit den Axonen anderer Nervenzellen verbindet. Die Signale, die durch diese Axone gelangen, sind elektrische Impulse, die Nervenimpulse oder potentielle Wirkungsimpulse genannt werden und bilden Informationen, die durch neuronale Verarbeitung in Form eines neuronalen Impulsausgangs in ihren Axonen erzeugt werden (GONZÁLEZ, 2008).

Je nach Signal, das vom Axon gesendet wird, kann die Synapse aufregend oder hemmend sein. Die Erregbarkeit der Verbindung hilft, Nervenimpulse in den Ausstiegsaxonen zu erzeugen, während die hemmenden Synapsen in die entgegengesetzte Richtung wirken (BRAGA, CARVALHO und LUDERMIR, 2000).

Die grundlegenden Eigenschaften ergeben sich aus dem Wissen um die Struktur und das Verhalten natürlicher Neuronen, die verwendet werden, um Modelle künstlicher Neuronen zu schaffen, die reale Neuronen simulieren. Diese künstlichen Neuronen werden zur Bildung von RNA verwendet, die aus ihren wichtigsten Verarbeitungselementen besteht (GONZÁLEZ, 2008).

Abbildung 1 zeigt ein Modell des menschlichen Neurons.

Abbildung 1 – Natürliches Neuron

Quelle: (AZEVEDO. 2016).

3.3 ARTIFICIAL NEURON

Braga, Carvalho und Ludermir (2000) beschreiben 1943 das erste künstliche Modell des biologischen Neurons Warren McCulloch und Walter Pitts. Dieses Modell war eine Vereinfachung dessen, was in der Zeit der biologischen Neuronen bekannt war. Seine mathematische Beschreibung gab ein Modell mit n Eingängen, die die Werte X1, x2,…, xn und eine einzige Ausgabe Y erhalten. Um das Verhalten von Synapsen darzustellen, haben die Eingänge der Neuronen die Gewichte w1, W2,…, wn gekoppelt, deren Werte positiv oder negativ sein können. Die Aktivierung des Neurons erfolgt über die Aktivierungsfunktion, die für die Erzeugung des Y-Ausgangs des Neurons aus der Summe der xiwi-Werte verantwortlich ist.

Neue künstliche Modelle, die aus neurologischer Sicht attraktiver sind, beinhalten viele dieser dynamischen Eigenschaften biologischer Neuronen. Trotz zahlreicher Vereinfachungen in der Modellbeschreibung von McCulloch und Walter Pitts haben diese Modelle, wenn sie als künstliches neuronales Netzwerk miteinander verbunden sind, eine hohe Rechenleistung, die Lösung der großen komplexen Probleme (BRAGA, CARVALHO, LUDERMIR, 2000).

Abbildung 2 stellt ein künstliches Neuronenmodell dar.

Bild 2 – künstliches Neuron

Quelle: (AZEVEDO, 2016).

3.4 ACTIVATION FUNCTIONS

Die Aktivierungsfunktion ist dafür verantwortlich, den Y-Ausgang des Neurons aus den Werten der Gewichtsvektoren w und Eingang x zu erzeugen. Die Aktivierungsfunktion ist auf zwei Wünsche ausgelegt. Zuerst wollen wir, dass der Leser aktiv ist (in der Nähe von + 1), wenn die richtigen Eingaben empfangen werden und inaktiv (nahe 0), wenn die falschen Einträge empfangen werden. Zweitens sollte die Aktivierung bei nichtlinearen Problemen nicht linear sein, sonst kollabiert das gesamte Netzwerk (RUSSELL, 2004).

3,5 RNA TOPOLOGIES

Die verschiedenen Topologien neuronaler Netzwerke sind im Wesentlichen in zwei Klassen unterteilt: Einmalig oder direkt und wiederkehrend. Einmalige RNAs sind solche, die keine Informationen von ihren Ausgängen an ihre Eingaben zurückgeben und daher auch keinen Speicher haben. Wiederkehrende RNAs nutzen ihre Ausgänge, um ihre eigenen Eingänge wiederherzustellen und so ein dynamisches System zu bilden, das einen gleichmäßigen Zustand erreichen, Schwingungen oder sogar chaotische Verhaltensweisen anzeigen kann. Wiederkehrende Netzwerke können das Kurzzeitgedächtnis unterstützen (RUSSELL, 2004).

Einmalige RNAs werden geschichtet und können von einer oder mehreren Ebenen gebildet werden. Multilayer neuronale Netzwerke enthalten eine Reihe von Eingabemeldern, eine Ausgabeschicht und eine oder mehrere versteckte Ebenen. Die Eingangsschicht des Netzwerkes verteilt nur die Eingabemodelle, die versteckte Ebene erzeugt eine interne Kodierung für die Eingabemodelle, die dann von der Netzwerkausgabeschicht verwendet wird, die das Endergebnis der Verarbeitung des Eingangsmodells darstellt. Network (RONALDO, 2005).

3.6 LEARNING

Eines der wichtigsten Merkmale künstlicher neuronaler Netzwerke ist seine Fähigkeit, anhand von Beispielen zu lernen (Braga, Carvalho und LUDERMIR, 2000). Die Lern-oder Trainingsphase besteht darin, die synaptischen Gewichte zu aktualisieren, um Wissen aus den Daten zu gewinnen (RONALDO, 2005). Die Schulungsverfahren, die RNAs lernen lassen, können in zwei Hauptparadigmen zusammengefasst werden: Das überwachte Lernen und das unbeaufsichtigte Lernen (BRAGA, CARVALHO, LUDERMIR, 2000).

A) überwachtes Lernen: Betreutes Lernen beinhaltet das Erlernen einer Funktion anhand von Beispielen von Inputs und Produkten. Dies impliziert notwendigerweise die Existenz eines externen Supervisors oder Lehrers, der für die Stimulierung von Netzwerkeingängen mit Hilfe von Eingabemodellen zuständig ist und die auf die gleiche Weise berechnete Leistung beobachtet, wobei er mit der gewünschten Leistung verglichen wird (BRAGA, CARVALHO, LUDERMIR, 2000).

B) unbeaufsichtigtes Lernen: Unüberwachtes Lernen erfordert keinen Zielvektor für die Ausgänge und stellt keinen Vergleich vor, um die optimale Reaktion zu bestimmen. Es gibt keinen externen Lehrer oder Betreuer, der den Lernprozess begleitet. Für das Netzwerk stehen nur Eingabemodelle zur Verfügung, und das Vorhandensein von Regelmäßigkeiten in diesen Daten ermöglicht das Lernen (BRAGA, CARVALHO, LUDERMIR, 2000).

3.7 BACKPROPAGATION ALGORITHM

Die umgekehrte Ausbreitung ist der beliebteste überwachte Trainingsalgorithmus. Verwendet Eingabepaare (x, yd), um Netzwerkgewichte mit einem Fehlerkorrekturmechanismus anzupassen. Das Training findet in zwei Phasen statt, die nachgelagerte Phase schaltet die Ausgabe eines bestimmten Eingangsmusters aus und der Heckhocker aktualisiert die Fahrstreifen ihrer Verbindungen je nach gewünschtem Ergebnis und der angegebenen Ausgabe. (Braga, Carvalho, LUDERMIR, 2000).

Der nächste Schritt beinhaltet folgende Schritte:

1. Die Eingabe wird dem Netzwerk präsentiert und die Ausgabe der Neuronen der ersten Schicht C1 berechnet.

2. Die Ausgänge C1 werden in die nächste Ebene eingefügt und die Ausgabe berechnet. Dieser Vorgang wird bis zur Ck-Ausgabeschicht wiederholt.

3. Die von den Neuronen produzierten Ausgänge werden mit den gewünschten Ausgängen verglichen und der entsprechende Fehler berechnet.

Die hintere Stufe umfasst folgende Schritte:

1. Der Ck-Ausgabe-Layer-Fehler wird verwendet, um seine Gewichte direkt anzupassen.

2. Die Fehler der CK-Ausgangsschichtneuronen werden auf die vorherige Ck-1-Ebene übertragen.

3. Die berechneten Fehler für die Ck-1 Neuronen werden verwendet, um ihre Gewichte anzupassen.

4. Der Vorgang wird so lange wiederholt, bis die Gewichte der C1-Schicht eingestellt sind.

4. ARTIFICIAL NEURAL NETWORKS IN DER VALUATION DER REAL ESTATE

In jüngster Zeit sind sich die meisten Fachleute, die sich mit Evaluationstechnik beschäftigen, dieses Konzept noch nicht bewusst. Einige Forscher haben jedoch die Bedeutung dieses neuen Konzepts bekräftigt, indem sie in diesem Bereich forschen und die tatsächliche Akzeptanz des künstlichen neuronalen Netzwerks fördern. 8.2.1.4.3-wissenschaftliche Behandlung nannte das folgendes: "Unabhängig von dem Modell, das zur Vorhersage von Marktverhalten und Ausbildungswert verwendet wird, sollten sie die entsprechenden Annahmen erklären und testen, Korrekturmaßnahmen wie neuronale Netze ergreifen Künstliche, Regression und Umschlagsanalyse von Raumdaten können auf die Evaluationstechnik angewendet werden, sofern sie sinnvoll sind. Und in (GONZÁLEZ, 2008).

Künstliche neuronale Netzwerke repräsentieren eine Technologie, deren Ursprünge in vielen Disziplinen wie Neurowissenschaften, Mathematik, Statistik, Physik, Informatik und Ingenieurwesen existieren. Die Anwendung von RNA kann in verschiedenen Bereichen eingesetzt werden, wie Modellierung, Zeitreihenanalyse, Mustererkennung, Signalverarbeitung und Steuerung. Eine wichtige Funktion dieser Technologie ist die Kontrolle der Datenerfassung (HAYKIN, 2001).

In den verschiedenen Definitionen von künstlichen neuronalen Netzwerken haben alle Elemente, die als grundlegend betrachtet werden: Neuronen, Architektur und Lernen. Neuronen sind die grundlegende Computereinheit des Netzwerks. Architektur ist die Verbindungsstruktur zwischen Neuronen. Lernen ist ein Prozess der Anpassung eines Netzwerks an die Berechnung einer bestimmten Funktion oder die Durchführung einer bestimmten Aufgabe (FERNANDES, 2003).

Die Forschung an künstlichen neuronalen Netzen ist relativ neu. Derzeit gibt es kein technisches Buch, das lehrt, die RNA und ihre Anwendung im Bewertungsprojekt vollständig zu lösen. In Kongressen, die sich dieser Technologie widmeten und sich auf die technische Bewertung konzentrierten, wurden jedoch mehrere Artikel veröffentlicht. Die Anwendung der Ergebnisse und Schlussfolgerungen dieser Studien unterstützt die Methode, wie NBR 14653, Real Estate valuation, Teil 2, in Anerkennung der wissenschaftlichen Methode (PELLI NETO, 2006).

Im Allgemeinen definiert Haykin (2001) ein neuronales Netzwerk als eine Maschine, um die Art und Weise zu simulieren, wie das Gehirn eine bestimmte Aufgabe oder Funktion von Interesse erfüllt, durch sein Netzwerk von elektronischen Komponenten, die laufen oder die ein Computerprogramm simulieren. Braga, und Ludermir Carvalho (2000), ein künstliches neuronales Netzwerk ist ein paralleles verteiltes System aus Neuronen (Verarbeitungseinheiten), das eine Berechnung der mathematischen Funktion nichtlinear oder linear durchführt. Die Anordnung der Neuronen wird in einer oder mehreren Verbindungsschichten durch eine große Anzahl von unidirektionalen (regulären) Verbindungen mit den zugehörigen Gewichten gegeben, und das im Modell dargestellte Wissen wird in der Verarbeitungseinheit durch die Gewichtung der Einträge. Dieser Netzwerkmechanismus ähnelt der biologischen neuronalen Struktur des menschlichen Gehirns.

Der Lernprozess wird durch einen Lernalgorithmus bereitgestellt, der das Gewicht des Netzwerks sauber verändern kann, um die Ziele des Projekts zu erreichen (Haykin, 2001).

Für Rezende (2003) ist das künstliche neuronale Netzwerk ein Lernprozess, der mit der Fähigkeit des Netzwerks verbunden ist, seine Parameter auf der Grundlage der Interaktion mit der externen Umgebung anzupassen. Der Prozess ist interaktiv, um die Netzwerkleistung bis hin zur Interaktion mit den Medien zu verbessern. Leistung ist das Kriterium, das die Qualität des Modells bestimmt und der Trainingspunkt wird durch die Lernparameter vordefiniert. Laut Rezende (2003) hängt die Verallgemeinerung mit ihrer Fähigkeit zusammen, konsistente Antworten auf Daten zu geben, die während der Trainingsphase nicht zur Verfügung gestellt werden. Nun, wir können sagen, dass der Lernprozess und die Verallgemeinerung kohärent sind.

Braga, Carvalho und Ludermir (2000) betonen auch die Bedeutung dieser Fähigkeit, neuronale Netzwerke zu erlernen und zu verallgemeinern, was die positive Lösung des Problems reflektiert und die Leistung verbessert.

Was die neuronale Netzwerkstruktur betrifft, so werden künstliche neuronale Strukturen trainiert, in denen die Verarbeitung und Speicherung von Daten parallel erfolgt und durch einfache Elemente des Prozesses verteilt wird. Die Bereitstellung dieser Elemente ist für die Erfassung von Basisinformationen wie Immobilienmarkt (Eingangsschicht) und Informationsverarbeitung verantwortlich. Dabei handelt es sich um abhängige Varianten-der Preis (Output-Schicht) wird dann generalisiert (PELLI NETO, 2006).

Laut Pelli Neto (2006) hängt die Anzahl der Ein-und Ausgänge von der Menge der Eingangs-und Ausgangsdaten ab, und die Anzahl der Neuronen in der Zwischenschicht hängt von der Komplexität ab. Wenn die Anzahl der Neuronen in der mittleren Schicht sehr hoch ist, treten unerwartete Ergebnisse, sogenannte Inkrementalkosten, auf, wenn das künstliche neuronale Netzwerk mehr Neuronen definiert, als das Training erfordert (PELLI NETO, 2006).

Präsentiert in der einzelnen Eingangsschicht des Lernmodus des künstlichen neuronalen Netzwerks, wird direkt auf eine Reihe von Ausgabearten des Netzes abgebildet, das heißt, die Kapazität des Netzwerks begrenzt (FERNANDES, 2003).

5. SEARCH METHODS

Die angewandte Forschungsmethode bestand aus einer systematischen Überprüfung der Literatur. Ziel war es, das Thema des künstlichen neuronalen Netzwerks und seine Beziehung zur Bewertung von Eigenschaften kritisch zu analysieren, um wissenschaftliche Methoden anzuwenden. Die systematische Überprüfung beinhaltet eine Forschungsmethode, die die Literatur als Datenquelle nutzt, explizite und systematische Forschungsmethoden anwendet und kritische Informationen zur Bewertung und Auswahl kombiniert (SAMPAIO und MANCINI, 2007).

Systematische Überprüfungen nutzen klare Methoden und Systeme, um klar identifizierte Fragen zu beantworten, um relevante Forschungsergebnisse zu identifizieren, kritisch auszuwählen und auszuwerten sowie die in der Auswertung enthaltenen Forschungsdaten zu sammeln und zu analysieren (SAMPAIO E) MANCINI, 2007).

Der systematische Begutachtungsprozess beginnt mit den Definitionen der Objektstudie durch Stichwortforschung, wie künstliche neuronale Netzwerke und Immobilienbewertung, um den Zweck der Anwendung besser zu verstehen. Anschließend wurde die Datenbank nach dem Thema der Studie identifiziert, Google-Gelehrter wurde eingesetzt. Bei der ersten Suche wurde es als Stichworte "künstliches neuronales Netzwerk" und "Bewertung von Immobilien" verwendet, wobei 286 Ergebnisse präsentiert wurden.

Die Probe wurde durch die Verwendung einer Ausrichtung von Schlüsselwörtern im Filter, den Vergleich von Titeln, die Ausrichtung der Zusammenfassung und die Analyse der Proben weiter vom Volltext synthetisiert. Es wurde als die Artikel über die Bewertung von Immobilien und Optimierung der Nutzung, durch Literatur-Überprüfung von Artikeln unter Berücksichtigung der meisten zitierten und jüngsten Artikel. Dank dieser Sammlung ist die RNA-Forschung vorangekommen. Das jüngste Wachstum in diesem Bereich lässt sich an dem Vergleich zwischen 2010 und den letzten drei Jahren, von 2016 bis 2018, ablesen, in dem es in den ersten drei Jahren einen Zuwachs von 54 Prozent gab.

Aus der Datenbank wurden die im Artikel verwendeten Schlüsselwörter und deren Referenzen analysiert. Die verwendeten Werkzeuge waren der VOSviewer, der Kartierungs-und Visualisierungstechniken verwendete.

Durch die Analyse der Visualisierung des Netzwerks konnten die Beratungen mit der RNA visualisiert werden. Einige aktuelle Studien deuten darauf hin, dass vorausschauende Optimierungsmodelle vor allem die Bewertung von Immobilien mit sich gebracht haben.

6. Schlussfolgerungen

Das Verständnis der qualitativen und quantitativen Analyse des Immobilienmarktes spielt eine Schlüsselrolle bei der Entwicklung von Immobilienbewertungen. Es war möglich, eine allgemeine Marktanalyse mit dem Gutachter zu erreichen, einen wissenschaftlichen Ansatz, um seine Arbeit zu leiten, die relevantesten Attribute mit der Forschung zu korteln und die Fehler der Schätzung zu minimieren.

Die brasilianische Literatur, die sich auf die Bewertung von Immobilien spezialisiert hat, mit geringem Fokus auf den Immobilienmarkt, produziert keine Buch-oder Unterrichtsmaterialien für die Forschung, die den Bau von Forschungs-und Probenahmemethoden und die Definition von Variablen beschreibt. Als Datenpaket-Algorithmus.

Nach einer systematischen Überprüfung der Literatur waren es demnach Daten aus Segmenten, die mehrere Sub-generieren und zufriedenstellende Ergebnisse erzielen. Die Arbeiten werden jedoch in der Regel auf der Grundlage des Wissens und der Struktur des Immobilienmarktes durchgeführt.

7. BIBLIOGRAPHISCHE HINWEISE

BRAZILIAN ASSOCIATION OF TECHNICAL STANDARDS (ABNT). NBR 14653-1-Allgemein. Rio de Janeiro: 2004.

BRAZILIAN ASSOCIATION OF TECHNICAL STANDARDS (ABNT). NBR 14653-2-Stadt-Gebäude. Rio de Janeiro: 2004.

AZEVEDO, Lucas Pereira de. (2016). APPLICATION OF ARTIFICIAL NEURAL NETWORKS IN THE PROCESS OF ORCHIDS OF THE GENUS CATTLEYA. Erhältlich in: <https: www.ifmg.edu.br/sabara/biblioteca/trabalhos-de-conclusao-de-curso/tcc-documentos/tcclucasazevedo.pdf="">.</https:> Zugriff auf: 5. April 2019.

BRAGA, A. P. CARVALHO, A. P. L. F., LUDERMIR, T. B. Künstliche neuronale Netzwerke: Theorie und Anwendungen. Rio de Janeiro: RJ-Technische und wissenschaftliche Bücher, 2000.

DANTAS, R. A. Evaluation Engineering: Einführung in die wissenschaftliche Methodik. São Paulo: Pini, 1998.

FERNANDES, A. M. R. Künstliche Intelligenz: Allgemeine Konzepte. Florianópolis: Visual Books, 2003.

GONZÁLEZ, M. A. S. entdeckt das Wissen über die Immobilienbewertung von Datenbankanwendungen und künstlicher Intelligenz. Dissertation (Promotion in Bauingenieurwesen)-Postgraduiertenstudium in Bauingenieurwesen, UFRGS, Porto Alegre, 2002.

GONZÁLEZ, M. A. S. Immobilien und professionelle Methodenbewertung. San Leopoldo, 2008: <http: www.exatec.unisinos.br/~gonzález/aimp/aimp-avaliacoes.ppt="">.</http:> Er besuchte am 5. Februar 2019.

HAYKIN, S. Neural Network: Prinzipien und Praxis. 2. Ed. Porto Alegre: Bookman, 2001.

HIPÓLITO, E.C. Methoden und Standards, die bei Immobilienbewertungen von verschiedenen Ländern verwendet werden. Monographische Fakultät für Architekturingenieurwesen, UFMG, Belo Horizo nte, 2007.

PELLI NETO, A. Künstliche neuronale Netzwerke, die auf öffentliche Meinungsfallstudien in Belo Horizonte angewendet werden. Dissertation (Master in Elektrotechnik)-Studium der Elektrotechnik an der UFMG, Belo Horizo nte, 2006.

REZENDE, S. O. Intelligente Systeme: Grundkonzepte und Anwendungen. Barueri: Manole, 2003.

RONALDO, E. Data Mining: A Practical Guide. 1. ed. Rio de Janeiro: Campus, Elsevier, 2005. ISBN 85-352-1877-7.

RUSSELL, P. N. S. Künstliche Intelligenz: Übersetzung der zweiten Auflage. 2. ed. Rio de Janeiro: Editora Campus, 2004. ISBN 85-352-1177-2.

SAMPAIO, R. F. MANCINI M. C. Systematische Evaluierungsstudie: Führt die umfassende Intelligenz wissenschaftlicher Erkenntnisse durch. Brasilianisches Journal of Physiotherapy, v. 11, n. 1, S. 8. bis 8. August 2007.

[1] Bachelor of Business Administration.

Eingereicht: April, 2019

Genehmigt: April, 2019

DEIXE UMA RESPOSTA

Please enter your comment!
Please enter your name here