Évaluation de l’immobilier à l’aide de réseaux neuronaux artificiels-revue systématique de la littérature

0
104
DOI: ESTE ARTIGO AINDA NÃO POSSUI DOI SOLICITAR AGORA!
ARTIGO EM PDF

ARTICLE ORIGINAL

CHAGAS, Edgar Thiago De Oliveira [1]

CHAGAS, Edgar Thiago De Oliveira. Évaluation de l’immobilier à l’aide de réseaux neuronaux artificiels-revue systématique de la littérature. Revue scientifique pluridisciplinaire de la base de connaissances. 04 année, Ed. 04, vol. 05, pp. 55-75 avril 2019. ISSN: 2448-0959

RÉSUMÉ

Le marché immobilier est très important dans l’économie nationale parce qu’il reflète divers aspects de la société. Cette situation signifie que, en valeur et en qualité, la valeur estimée du marché immobilier peut servir de base au calcul des besoins en logement. Dans cette perspective, les résultats de l’évaluation devraient être aussi exacts que possible, car les erreurs commises peuvent nuire à la majorité de la population. L’applicabilité de l’ARN et l’évaluation des propriétés ont été étudiées. Ceci est essentiel pour la littérature de recherche et pour l’examen systématique de la littérature comme méthode de recherche. De la revue systématique, il est possible d’analyser des recherches récentes sur l’ARN afin de mettre en évidence des modèles prédictifs, des algorithmes d’optimisation, principalement liés à l’évaluation des propriétés. On peut conclure que les applications de l’ARN dans l’évaluation des propriétés doivent combler les lacunes dans la littérature.

Mots-clés: réseau neuronal artificiel, revue systématique, évaluation immobilière.

1. INTRODUCTION

En fonction de la quantité de ressources utilisées dans l’opération, le marché immobilier est une partie très importante de l’économie nationale. Pour la recherche sur ce marché, le calcul des actifs financiers s’applique à la demande de logement de la Fondation au moyen d’une évaluation à grande échelle de la valeur marchande estimée (PELLI NETO, 2006).

Selon González (2008), l’évaluation de la production de logements est une tâche qui tient compte des caractéristiques et des propriétés particulières des conditions normales du marché. Il est possible d’atteindre la valeur estimée de la propriété sur le marché. Il est considéré comme normal de trouver un équilibre entre les parties impliquées dans les négociations.

Hipólito (2007), il existe plusieurs méthodes et modèles utilisés dans différents pays pour l’évaluation des propriétés, basée sur le réseau de neurones artificiels (ARN).

L’objectif de cette étude est d’étudier l’ARN dans la littérature et de comprendre les champs d’application de la méthode pour laquelle la littérature doit être systématiquement évaluée. Cherche à comprendre systématiquement le sujet et à comprendre la qualité et la fiabilité de la recherche de données.

1,1 JUSTIFICATION

En raison du comportement dynamique du marché immobilier, il est perçu l’importance de valoriser la propriété. La nouvelle méthode d’évaluation devait tenir compte des besoins et des caractéristiques de cette activité, parce que la technologie actuelle a certaines limitations et, par conséquent, nécessite l’étude d’autres méthodes.

Selon Pelli Neto (2006), l’utilisation de réseaux neuronaux artificiels dans l’évaluation de l’immobilier offre de bonnes perspectives, les résultats obtenus jusqu’à présent montrent que la technologie et les données ne peuvent être représentées que par un modèle linéaire qui améliore les outils informatiques.

2. LE MARCHÉ IMMOBILIER

2,1 INTRODUCTION

Le marché immobilier a été au centre de la recherche de diverses entités publiques et privées en raison de son importance dans l’économie nationale. Dans l’étude de marché, la valorisation à grande échelle de la valeur marchande estimée est calculée sur la base des besoins en logement, en se concentrant sur l’utilisation des ressources financières. Une autre façon d’estimer la valeur de la recherche est de comprendre l’importance économique et sociale de ce marché. L’évaluation des erreurs de mesure ou des inexactitudes dans l’activité n’est pas idéale (FERNANDES, 2003).

En plus d’étudier la demande de logements, il est également possible d’utiliser le modèle non seulement pour évaluer la qualité, mais aussi pour définir la planification générale, les études de faisabilité économique et les calculs fiscaux pour les nouveaux projets de logements appartenant à la Société, en particulier IPTU et ITBI (GONZÁLEZ, 2002).

Ce chapitre portera sur l’analyse de la littérature immobilière, une brève histoire du début et ensuite une description conceptuelle du marché immobilier, y compris l’exploitation de méthodes d’évaluation sur mesure et de spécifications basées sur les procédés. Ce chapitre définira la méthode de comparaison des données de marché, qui consiste en la valorisation des propriétés de la méthode la plus couramment utilisée.

2,2 MARCHÉ IMMOBILIER

Pour commencer, il est important de définir le concept de marché immobilier, contrairement à d’autres marchés.

2.2.1 QU’EST-CE QUE LE MARCHÉ IMMOBILIER?

Le marché immobilier peut être divisé en différentes parties, telles que les appartements, les maisons, les magasins, les bureaux, les marchés et les villes (urbaines ou rurales), les entrepôts, les parkings et autres marchés qu’ils achètent et/ou vendent (GONZÁLEZ, 2002).

Les principaux facteurs affectant le rendement et les autres actifs du marché immobilier et d’autres marchés, tels que le marché automobile, les appareils ménagers et autres, sont la durée de vie, l’exclusivité, l’emplacement et l’espace, ainsi que l’intervention de la législation municipale en force. Et fédéral (GONZÁLEZ, 2008).

Le marché de l’immobilier aura une durée de vie plus longue, difficile à mesurer, car il est affecté par les propriétés physiques des modèles et se termine par le statut de protection. Étant donné que la propriété au fil du temps doit effectuer l’entretien et répondre à toutes les normes, l’âge réel de la même famille peut bénéficier de la protection de l’état différent (HAYKIN, 2001).

Différent n’est pas différent des autres caractéristiques internes et externes de la propriété, l’immobilier est unique. Cependant, certaines parties qui ont une production peut être une coïncidence, du moins dans leur emplacement ou leur position sera différente, le marché de l’immobilier est comparable à aucun autre espace dans la production du même puits. Dans ce sens, dans de nombreux cas, la détermination de la valeur d’un bien n’est pas une tâche insignifiante qui nécessite l’utilisation de connaissances scientifiques (HIPOLITO, 2007).

Le marché immobilier est un mécanisme dynamique d’évolution au fil du temps, influencé par plusieurs facteurs, tant de valorisation que d’amortissement. La performance simultanée et désordonnée de différents développeurs, entrepreneurs, constructeurs et la puissance publique elle-même a conduit à ce marché en constante évolution, qui reflète directement la valeur de la propriété ou de la transaction fournie (PELLI NETO, 2006). Il reste à dire, il a été observé que les marchés immobiliers sont une partie importante, en interaction constante et est responsable du prix de l’immobilier.

2.2.2 COMPOSANTS DE BASE

Les composants de base du marché immobilier sont la commercialisation des produits, des ventes et des parties intéressées liées à l’achat. Lorsqu’il y a un équilibre entre ces trois composantes, la recherche statistique sur le marché immobilier produira de bons résultats. Evidemment, idéalement, il y a beaucoup d’informations. Il y a beaucoup de vendeurs, beaucoup d’acheteurs et beaucoup de produits de différentes sources (DANTAS, 1998).

La mission de l’ingénieur d’évaluation est de décrire le marché immobilier, en insistant sur le degré d’équilibre entre ses composantes. Plus l’équilibre est équilibré, plus la concurrence sur le marché est intense et plus le prix est juste. Cependant, il n’y a pas de marché concurrentiel parfait et équilibré. Toutefois, des études statistiques doivent être évitées lorsqu’il s’agit de situations extrêmes, comme le monopole ou l’oligopole (PELLI NETO, 2006).

2,3 PRIX, COÛT ET VALEUR MARCHANDE

Au point 3,44 de la NBR 14 653, partie 1-procédure générale, il est fait référence au prix du marché et à la définition suivante: "dans les conditions actuelles du marché, négocier sciemment et consciemment le montant le plus probable de l’actif à la date d’enregistrement." (NBR 14,653).

Le nombre le plus probable de personnes qui négocient consciemment et volontairement ne correspond pas nécessairement au prix auquel les marchandises sont échangées ou offertes. La valeur marchande est le résultat d’une modélisation mathématique et/ou d’un processus statistique. Ces données sont collectées sur la capacité de caractéristiques similaires à des prix négociés ou proposés (REZENDE, 2003).

Par conséquent, le prix et la valeur de référence sont différents. Bien que la "valeur marchande" se rapporte à la valeur la plus probable des marchandises, le "prix" reflète le nombre de transactions en devises étrangères ou fournit des produits spécifiques. Une cote d’enchère ou un prix de transaction différent est extrêmement fréquent. Cette différence n’est pas jugée très importante parce que, dans ce cas, il peut être nécessaire de résoudre le problème pour prouver que le montant utilisé est raisonnable (SAMPAIO, 2007).

Le coût du produit ne reflète pas la valeur marchande, car la définition précédente de la valeur marchande n’est pas toujours la plus susceptible de combiner la valeur de la transaction avec son coût de production. La valeur marchande peut être inférieure, égale ou supérieure au coût de production (SAMPAIO, 2007).

2,4 MÉTHODES DE BASE

En général, la valeur des marchandises peut être déterminée selon trois méthodes de base différentes (GONZÁLEZ, 2002):

• Le revenu, qui détermine la valeur des biens tirés de leur vie économique.

• Comparaison basée sur le prix des produits similaires sur le marché;

• Coût, basé sur les coûts directs et indirects de la production de biens;

Dans les trois méthodes, la comparaison directe pour déterminer la valeur est la plus appropriée et la plus fiable sur le marché.

2,5 MÉTHODES APPLICABLES

Il existe des méthodes qui peuvent être utilisées pour évaluer l’objectif, la disponibilité, la qualité et la quantité d’informations obtenues lors de l’évaluation du marché en raison de la nature des marchandises à évaluer (FERNANDES, 2003).

Selon l’utilisation standard spécifique de l’ABNT, il existe plusieurs méthodes pour identifier la valeur des marchandises. Dans ce travail, la méthode utilisée est une comparaison directe des données du marché (GONZÁLEZ, 2002).

2,6 COMPARAISON DES DONNÉES DE MARCHÉ

La partie 2 du NBR-14653 stipule que la méthode de comparaison des données du marché devrait être utilisée de manière préférentielle. En général, la méthode de comparaison est utilisée pour déterminer la consommation d’un élément particulier. Plus la valeur des biens de consommation est élevée, plus l’exactitude de l’évaluation est grande. Sur le rapport d’évaluation est économique, il est nécessaire (NBR 14653).

Il est important de mesurer la valeur de l’objet, qui est utilisé pour comparer visuellement des objets similaires avec une valeur de marché connue (appelé le processus comparatif) (GONZÁLEZ, 2008).

Certains fournisseurs exigent un contrôle des prix, puis fixer le prix moyen de la pratique et la décision finale d’achat en fonction des conditions de paiement des intérêts et de la disponibilité de la gestion financière (GONZÁLEZ, 2008).

Lors de l’utilisation du processus de comparaison, des tentatives sont effectuées pour obtenir les valeurs qui représentent les objets à évaluer sur la base d’autres objets similarités entre eux. Les différences existantes sont faibles ou insignifiantes. Comme la compréhension de tous les objets disponibles sur un marché donné (population) est généralement totalement inaccessible, la valeur moyenne donne une estimation moyenne de tous dans les objets de la population (Haykin, 2001).

De toute évidence, plus l’uniforme de la population analysée, plus les échantillons sont homogènes. Par conséquent, à la recherche d’une marque ou d’un modèle spécifique de zéro, kilomètre voiture, la personne doit comparer les prix, selon les échantillons collectés peuvent contenir des prix plus élevés et d’autres faible et si proche moyenne arithmétique. Ce fait se produit parce que le coût de l’obtention du produit du fabricant est similaire. Un autre problème majeur est la facilité d’obtenir un échantillon représentatif du marché, ce qui est très utile pour des conclusions fiables sur la valeur moyenne dans ces cas (Hipólito, 2007).

D’autre part, en estimant la valeur marchande de la production de logements par le biais du processus de comparaison, les évaluateurs rencontrent de grandes difficultés, surtout si la population est considérée comme très différente, générant un échantillon hétérogène. Les produits offerts n’ont pas une marque ou un modèle suffisamment normalisé pour les rendre uniformes. En outre, ils ne dépendent pas directement des coûts de production et souvent de la récolte. L’emplacement est lié à l’économie sociale (PELLI NETO, 2006).

Dans les deux cas, les changements dans l’échantillon sont apparus autour de leur moyenne arithmétique. La différence est que, dans un échantillon homogène de produits industriels, ce changement est réduit et les échantillons hétérogènes utilisés comme base pour mesurer le marché de l’immobilier montrent généralement un changement de hauteur autour de sa moyenne arithmétique. Ce fait crée une grande incertitude dans les conclusions sur la moyenne globale du produit. En fait, tout échantillon sélectionné aléatoirement peut contenir une moyenne arithmétique de données très différentes. Ces différences entre les données recueillies et la moyenne de l’échantillon sont fonction des différences physiques entre les données, les facteurs socio-économiques et la nature aléatoire du marché (REZENDE, 2003).

Le caractère aléatoire toujours présent dans n’importe quel marché peut être défini comme la subjectivité inhérente d’une personne qui accorde un prix à un produit qui veut être vendu. Il appartient à l’acheteur d’accepter ou non le prix au moment de l’achat. Par conséquent, il ne peut pas être mesuré et se compose d’erreurs inexplicables ou d’échantillons aléatoires (DANTAS, 1998).

Dans l’échantillon de produits industriels, le ratio des différences physiques entre les données est nul ou presque, mais il est extrêmement important dans l’échantillon du marché immobilier, ce qui entraîne un échantillon hétérogène. Ces différences physiques sont fonction des caractéristiques intrinsèques et extrinsèques du secteur immobilier. Pour mesurer ces différences, les données recueillies montrent des caractéristiques similaires du marché immobilier. Par conséquent, pour utiliser cette méthode, vous devez disposer d’un jeu de données qui peut être comparé. La comparaison sera basée sur des caractéristiques intrinsèques et extrinsèques, telles que décrites par les variables d’entrée, d’interprétation ou indépendantes (NBR 14653).

2,7 STRUCTURE DE CONSTRUCTION VARIABLE

Les variables sont des caractéristiques intrinsèques et extrinsèques du bien. La valeur représente le nombre. Il est important d’observer les relations entre les variables sélectionnées pour vérifier leurs dépendances (REZENDE, 2003).

Dans le projet d’évaluation, le prix du marché (fourniture ou transaction) et les caractéristiques physiques correspondantes (superficie, façade, emplacement par défaut, places de stationnement, etc.) doivent être considérés comme des variables d’entrée indépendantes, telles que Localisation (indice financier, etc.). Urbain et Polo), la distance et le temps (la date à laquelle l’événement s’est produit) (SAMPAIO, 2007).

La variable dépendante peut être spécifiée en fonction du prix total ou du prix unitaire, généralement en unités monétaires par mètre carré. La sélection de l’analyse des données collectées au cours de la définition et de la fonction du modèle est choisie pour représenter le marché immobilier. Nous avons choisi la variable indépendante directement liée aux caractéristiques des données de recherche (interne et externe), ainsi que le ton de la diversité du comportement du marché immobilier dans chaque région. Par conséquent, lorsqu’a priori détermine des variables indépendantes, il convient de noter que cela affecte effectivement et explique les variations du prix perçu (NBR 14653).

3. RÉSEAUX NEURONAUX ARTIFICIELS

Les ARN sont des modèles mathématiques inspirés par les principes des neurones biologiques et de la structure du cerveau (RUSSELL 2004, RONALDO 2005). Un neurone est une cellule cérébrale dont la fonction principale est de collecter, de traiter et de diffuser des signaux électriques. Chaque neurone se compose d’un corps cellulaire ou Soma, qui contient un noyau cellulaire, une série d’armes appelées dendrites et un seul bras long appelé Axon (RUSSELL, 2004).

On croit que la capacité du cerveau à traiter l’information provient principalement des réseaux de ces neurones. La communication d’un neurone à l’autre, pour former un système nerveux complet, se fait par une synapse. SYNAPSE est la région où deux neurones entrent en contact, permettant la transmission d’impulsions nerveuses (RUSSELL, 2004).

Les réseaux neuronaux ont la capacité d’effectuer le calcul distribué, tolèrent des entrées bruyantes, et apprennent. Comme le cerveau humain, un réseau neuronal est basé sur l’apprentissage, c’est-à-dire, il stocke les connaissances acquises sur la base de l’apprentissage et le rend disponible pour prendre des décisions sur le problème (RUSSELL, 2004).

La résolution des problèmes d’ARN est très intéressante parce que sa représentation intrinsèque et son parallélisme, inhérent à l’architecture, donnent de meilleurs résultats que les modèles classiques. La capacité d’apprendre par des exemples et de générer l’information obtenue est sans aucun doute l’attraction principale de la résolution de problèmes au moyen de l’ARN (BRAGA, CARVALHO et LUDERMIR, 2000).

3,1 LE CONCEPT DE BASE

L’ARN est un système de puissance de calcul par l’apprentissage et la généralisation (BRAGA, CARVALHO et LUDERMIR, 2000). À son tour, la généralisation est associée à la capacité de ces réseaux de fournir une réponse cohérente aux données qui ne sont pas présentées pendant la phase de traitement et de formation.

L’ARN sera très simple par la structure avec les éléments de traitement, inspirés par l’action des neurones biologiques, le lien entre ces éléments de traitement, caractérisé par chaque connexion dans le réseau, est associé à un poids, représentant l’interaction de poids ou Force d’accouplement entre les éléments de traitement et le fait qu’ils sont excitateurs ou inhibitrices par nature (HAYKIN, 2001).

L’utilisation de structures neuronales artificielles, où l’information est traitée et stockée en parallèle et par une distribution de complexité de composants de traitement ARN relativement simples. Ces éléments peuvent être responsables de l’entrée d’informations par couche (couche d’entrée)-correspond à l’argument utilisé dans le marché immobilier, le traitement de cette information (couche intermédiaire) et les résultats générés (couche de sortie)- correspondant à la variable dépendante et aux unités totales), pour une promotion ultérieure (GONZÁLEZ, 2008).

Le modèle neuronale biologique se compose d’un réseau cellulaire relativement autonome, chacun avec une capacité de traitement limitée. Les unités sont reliées par des connexions, chacune ayant un poids associé correspondant à l’effet de l’unité dans le traitement du signal de sortie. Le poids positif correspond au facteur d’augmentation du signal d’entrée et le poids négatif correspond au facteur d’inhibition (BRAGA, CARVALHO et LUDERMIR, 2000).

Ce modèle a généralement un ensemble d’unités d’entrée par l’intermédiaire desquelles les informations sont transmises au réseau et un ensemble d’unités de sortie qui affichent les signaux de sortie du réseau ainsi qu’un ensemble d’unités intermédiaires. Une collection de neurones est très puissant en termes de traitement de l’information. Conceptuellement, l’ARN peut être considéré comme un modèle mathématique semblable à la structure du cerveau humain et capable d’apprendre des généralisations ultérieures (GONZÁLEZ, 2008).

3,2 NEURONES NATURELS

Le système nerveux humain est responsable de prendre des décisions et d’adapter le corps à l’environnement. Cette fonction est assurée par l’apprentissage continu. Le système se compose de cellules responsables de sa fonction. Il y a environ 10 milliards neurones dans le cerveau humain et environ 60 000 000 000 000 connexions neuronales entre eux (HAYKIN, 2001).

Ces cellules reçoivent, produisent et fournissent des stimuli au cerveau. Les neurones sont définis par les membranes cellulaires, qui possèdent certaines propriétés critiques pour la fonction cellulaire du corps, comme les filaments étendus, les dendrites et les axones (BRAGA, CARVALHO et LUDERMIR, 2000). Les neurones sont définis dans le signal reçu, capable de transmettre des informations à travers les dendrites et les cellules polarisées. Lorsqu’ils sont excités, les neurones transmettent des informations à d’autres neurones à travers des impulsions appelées potentiels d’action. Ces signaux se propagent à travers les axones cellulaires sous forme de vagues et sont convertis en signaux chimiques dans les synapses.

Les neurones biologiques peuvent être considérés comme des dispositifs de calcul de base du système nerveux, composés de nombreuses entrées et sorties. L’entrée est formée par une connexion synaptique qui relie les dendrites aux axones d’autres cellules nerveuses. Les signaux qui arrivent à travers ces axones sont des impulsions électriques appelées impulsions nerveuses ou des impulsions potentielles d’action et constituent des informations générées par le traitement neuronal sous la forme d’une sortie d’impulsion neuronale dans leurs axones (GONZÁLEZ, 2008).

Selon le signal envoyé par l’AXON, la synapse peut être excitatrice ou inhibitrice. L’excitabilité de la connexion aide à créer des impulsions nerveuses dans les axones de sortie, tandis que les synapses inhibitrices agissent dans la direction opposée (BRAGA, CARVALHO et LUDERMIR, 2000).

Les caractéristiques de base dérivent de la connaissance de la structure et du comportement des neurones naturels, qui sont utilisés pour créer des modèles de neurones artificiels simulant les vrais neurones. Ces neurones artificiels sont utilisés pour former l’ARN, composé de ses principaux éléments de traitement (GONZÁLEZ, 2008).

La figure 1 montre un modèle de Neuron humain.

Figure 1 – neurone naturel

Source: (AZEVEDO. 2016).

3,3 NEURON ARTIFICIEL

Braga, Carvalho et Ludermir (2000) décrivent le premier modèle artificiel de neurone biologique Warren McCulloch et Walter Pitts en 1943. Ce modèle était une simplification de ce qui était connu à l’époque des neurones biologiques. Sa description mathématique a donné un modèle avec n entrées qui ont reçu les valeurs x1, x2,…, xn et une sortie unique Y. Pour représenter le comportement des synapses, les entrées des neurones ont des poids couplés W1, W2,…, Wn, dont les valeurs peuvent être positives ou négatives. L’activation du neurone est effectuée par la fonction d’activation, qui est responsable de la génération de la sortie Y du neurone à partir de la somme des valeurs xiwi.

Les nouveaux modèles artificiels, plus attrayants du point de vue neurologique, intègrent un grand nombre de ces caractéristiques dynamiques des neurones biologiques. Cependant, malgré de nombreuses simplifications dans la description du modèle de McCulloch et Walter Pitts, ces modèles, lorsqu’ils sont interconnectés comme un réseau neuronal artificiel, ont une puissance de calcul élevée, la solution des principaux problèmes complexes (BRAGA, CARVALHO, LUDERMIR, 2000).

La figure 2 représente un modèle de neurone artificiel.

Figure 2 – Neuron artificiel

Source: (AZEVEDO, 2016).

3,4 FONCTIONS D’ACTIVATION

La fonction d’activation est chargée de générer la sortie Y du neurone à partir des valeurs des vecteurs de poids w et de l’entrée x. La fonction d’activation est conçue pour répondre à deux aspirations. Tout d’abord, nous voulons que le lecteur soit actif (près de + 1) lorsque les entrées correctes sont reçues et inactives (près de 0) lorsque les entrées incorrectes sont reçues. Deuxièmement, l’activation doit être non linéaire pour les problèmes non linéaires, sinon l’ensemble du réseau s’effondre (RUSSELL, 2004).

3,5 TOPOLOGIES D’ARN

Les différentes topologies des réseaux neuronaux sont essentiellement divisées en deux classes: non récurrentes ou directes et récurrentes. Les ARN non récurrents sont ceux qui ne renvoient pas d’informations de leurs extrants à leurs intrants et manquent donc également de mémoire. Les ARN récurrents utilisent leurs sorties pour rétablir leurs propres entrées, formant ainsi un système dynamique qui peut atteindre l’état d’équilibre, des oscillations d’affichage ou même des comportements chaotiques. Les réseaux récurrents peuvent prendre en charge la mémoire à court terme (RUSSELL, 2004).

Les ARN non récurrents sont stratifiées et peuvent être formées par une ou plusieurs couches. Les réseaux neuronaux multicouches contiennent un ensemble de neurones d’entrée, une couche de sortie et une ou plusieurs couches cachées. La couche d’entrée du réseau distribue uniquement les modèles d’entrée, la couche masquée génère un codage interne pour les modèles d’entrée, qui est ensuite utilisé par la couche de sortie réseau, qui présente le résultat final du traitement du modèle d’entrée. Réseau (RONALDO, 2005).

3,6 APPRENTISSAGE

L’une des caractéristiques les plus importantes des réseaux neuronaux artificiels est sa capacité à apprendre à travers des exemples (Braga, Carvalho et LUDERMIR, 2000). L’étape d’apprentissage ou de formation consiste à mettre à jour les pondérations synaptiques pour acquérir des connaissances à partir des données (RONALDO, 2005). Les procédures de formation qui permettent aux ARN d’apprendre peuvent être regroupées en deux paradigmes principaux: l’apprentissage supervisé et l’apprentissage non supervisé (BRAGA, CARVALHO, LUDERMIR, 2000).

A) Apprentissage supervisé: l’apprentissage supervisé consiste à apprendre une fonction à partir d’exemples d’intrants et de produits. Cela implique nécessairement l’existence d’un superviseur externe ou d’un enseignant chargé de stimuler les entrées de réseau à l’aide de modèles d’entrée et d’observer la sortie calculée de la même manière, en la comparant à la sortie souhaitée (BRAGA, CARVALHO, LUDERMIR, 2000).

b) apprentissage non supervisé: l’apprentissage non supervisé ne nécessite pas de vecteur cible pour les extrants et ne fait pas de comparaison pour déterminer la réponse optimale. Il n’y a pas d’enseignant ou de superviseur externe pour accompagner le processus d’apprentissage. Seuls les modèles d’entrée sont disponibles pour le réseau et l’existence de régularités dans ces données permet l’apprentissage (BRAGA, CARVALHO, LUDERMIR, 2000).

3,7 ALGORITHME DE RÉTROPROPAGATION

La propagation inversée est l’algorithme de formation supervisé le plus populaire. Utilise des paires d’entrée (x, yd) pour ajuster les pondérations réseau à l’aide d’un mécanisme de correction d’erreur. La formation se déroule en deux phases, la phase aval désactive la sortie d’un certain modèle d’entrée et le tabouret arrière met à jour les crêtes de leurs connexions en fonction du résultat désiré et de la sortie fournie. (Braga, Carvalho, LUDERMIR, 2000).

L’étape suivante comprend les étapes suivantes:

1. L’entrée est présentée au réseau et la sortie des neurones de la première couche C1 est calculée.

2. Les sorties C1 sont insérées dans la couche suivante et la sortie est calculée. Ce processus est répété jusqu’à la couche de sortie CK.

3. Les sorties produites par les neurones sont comparées avec les sorties souhaitées et l’erreur correspondante est calculée.

L’étage arrière comprend les étapes suivantes:

1. L’erreur de couche de sortie CK est utilisée pour ajuster directement ses pondérations.

2. Les erreurs des neurones de couche de sortie CK sont propagées à la couche CK-1 précédente.

3. Les erreurs calculées pour les neurones CK-1 sont utilisées pour ajuster leurs pondérations.

4. Le processus est répété jusqu’à ce que les poids de la couche C1 soient ajustés.

4. RÉSEAUX NEURONAUX ARTIFICIELS DANS L’ÉVALUATION DE L’IMMOBILIER

Récemment, la plupart des professionnels impliqués dans l’ingénierie d’évaluation ne sont pas encore conscients de cette approche. Cependant, certains chercheurs ont affirmé l’importance de ce nouveau concept, menant des recherches dans ce domaine et favorisant effectivement l’acceptation du réseau neuronal artificiel. 8.2.1.4.3-le traitement scientifique appelé ce qui suit: «quel que soit le modèle utilisé pour prédire le comportement du marché et la valeur de la formation, ils devraient expliquer et tester les hypothèses appropriées, prendre des mesures correctives telles que les réseaux neuronaux L’analyse artificielle, de régression et d’enveloppe des données spatiales peut être appliquée à l’ingénierie d’évaluation, à condition qu’elles soient de perspective raisonnable. et contenue dans (GONZÁLEZ, 2008).

Les réseaux neuronaux artificiels représentent une technologie dont les origines existent dans de nombreuses disciplines telles que les neurosciences, les mathématiques, les statistiques, la physique, l’informatique et l’ingénierie. L’application de l’ARN peut être utilisée dans différents domaines, tels que la modélisation, l’analyse des séries chronologiques, la reconnaissance des motifs, le traitement et le contrôle du signal. Une fonction importante de cette technologie est de contrôler la capture de données (HAYKIN, 2001).

Dans les différentes définitions des réseaux neuronaux artificiels, tous ont des éléments considérés comme fondamentaux: les neurones, l’architecture et l’apprentissage. Les neurones sont l’unité informatique de base du réseau. L’architecture est la structure de connexion entre les neurones. L’apprentissage est un processus d’ajustement d’un réseau pour calculer une fonction particulière ou effectuer une tâche particulière (FERNANDES, 2003).

La recherche sur les réseaux neuronaux artificiels est relativement nouvelle. Actuellement, il n’y a pas de livre technique qui enseigne à résoudre complètement l’ARN et son application dans le projet d’évaluation. Cependant, plusieurs articles ont été publiés dans des congrès consacrés à cette technologie et axés sur l’évaluation technique. L’application des résultats et des conclusions de ces études soutient la méthode, telle que la NBR 14653, valorisation immobilière, partie 2, en reconnaissance de la méthode scientifique (PELLI NETO, 2006).

En général, Haykin (2001) définit un réseau neuronal comme une machine pour simuler la façon dont le cerveau exécute une tâche ou une fonction spécifique d’intérêt, à travers son réseau de composants électroniques exécutés ou qui simulent un programme informatique. Braga, et Ludermir Carvalho (2000), un réseau neuronal artificiel est un système distribué parallèle composé de neurones (unités de traitement), qui effectue un calcul de la fonction mathématique non linéaire ou linéaire. La disposition des neurones est donnée dans une ou plusieurs couches d’interconnexion par un grand nombre de connexions unidirectionnelles (régulières) avec des pondérations associées, et les connaissances représentées dans le modèle sont stockées dans l’unité de traitement en pondérant la Entrées. Ce mécanisme de réseau est similaire à la structure neuronale biologique du cerveau humain.

Le processus d’apprentissage est fourni par un algorithme d’apprentissage qui peut changer le poids du réseau proprement pour atteindre les objectifs du projet (Haykin, 2001).

Pour Rezende (2003), le réseau neuronal artificiel est un processus d’apprentissage associé à la capacité du réseau à ajuster ses paramètres en fonction de l’interaction avec l’environnement externe. Le processus est interactif pour améliorer les performances du réseau au point d’interaction avec les médias. La performance est le critère qui détermine la qualité du modèle et le point d’arrêt de formation est pré-défini par les paramètres d’apprentissage. Selon Rezende (2003), la généralisation est liée à sa capacité à fournir des réponses cohérentes aux données non fournies pendant la phase de formation. Eh bien, nous pouvons dire que le processus d’apprentissage et la généralisation sont cohérents.

Braga, Carvalho et Ludermir (2000) soulignent également l’importance de cette capacité d’apprendre et de généraliser les réseaux neuronaux, reflétant la résolution positive du problème, améliorant les performances.

Quant à la structure du réseau neuronal, nous sommes formés structures neuronales artificielles dans lequel le traitement et le stockage des données est en parallèle et distribué par des éléments simples du processus. La fourniture de ces éléments est responsable de la capture des informations de base telles que le marché immobilier (couche d’entrée) et le traitement de l’information. Ce sont des variables dépendantes-le prix (couche de sortie) est alors généralisé (PELLI NETO, 2006).

Selon Pelli Neto (2006), le nombre d’entrées et de sorties dépend de la quantité de données d’entrée et de sortie, et le nombre de neurones dans la couche intermédiaire dépend de la complexité. Lorsque le nombre de neurones dans la couche intermédiaire est très élevé, des résultats inattendus, appelés coûts incrémentaux se produisent lorsque le réseau neuronal artificiel définit plus de neurones que la formation nécessite (PELLI NETO, 2006).

Présenté dans la couche d’entrée unique du mode d’apprentissage du réseau neuronal artificiel, est directement mappé à un ensemble de modes de sortie du réseau, c’est-à-dire, qui limite la capacité du réseau (FERNANDES, 2003).

5. MÉTHODES DE RECHERCHE

La méthode de recherche utilisée consistait en un examen systématique de la littérature. L’objectif était d’analyser de manière critique le thème du réseau neuronal artificiel et sa relation avec l’évaluation des propriétés afin d’utiliser des méthodes scientifiques. L’examen systématique comprend une méthode de recherche utilisant la littérature comme source de données, appliquant des méthodes de recherche explicites et systématiques et combinant des informations critiques sur l’évaluation et la sélection (SAMPAIO et MANCINI, 2007).

Les revues systématiques utilisent des méthodes et des systèmes clairs pour répondre à des questions clairement identifiées afin d’identifier, de sélectionner de façon critique et d’évaluer la recherche pertinente, et de collecter et d’analyser les données de recherche contenues dans l’évaluation (SAMPAIO E MANCINI, 2007).

Le processus d’examen systématique commence par les définitions de l’étude d’objet par la recherche par Mots clés, tels que les réseaux neuronaux artificiels et l’évaluation immobilière pour mieux comprendre le but de l’application. Par la suite, la base de données a été identifiée en fonction de l’objet de l’étude, Google Scholar a été utilisé. Dans la recherche initiale, il a été utilisé comme mots-clés "réseau neuronal artificiel" et "valorisation de l’immobilier", présentant 286 résultats.

L’échantillon a été synthétisé par l’utilisation d’un alignement des mots clés dans le filtre, la comparaison des titres, l’alignement du résumé et l’analyse des échantillons plus loin du texte intégral. Il a été examiné les articles sur l’évaluation de l’immobilier et l’optimisation de l’utilisation, à travers la littérature revue des articles, en tenant compte des articles les plus cités et les plus récents. Grâce à cette collection, la recherche sur l’ARN a progressé. La croissance récente dans ce domaine peut être observée à travers la comparaison entre 2010 et au cours des trois dernières années, passant de 2016 à 2018, où il y a eu une augmentation de 54% au cours des trois premières années.

À partir de la base de données, les mots clés utilisés dans l’article et ses références ont été analysés. Les outils utilisés étaient le VOSviewer, à l’aide de techniques de cartographie et de visualisation.

Grâce à l’analyse de la visualisation du réseau, il a été possible de visualiser les consultations impliquant l’ARN. Certaines études récentes indiquent que les modèles prédictifs d’optimisation ont principalement impliqué l’évaluation des propriétés.

6. Conclusions

La compréhension de son analyse qualitative et quantitative du marché immobilier joue un rôle clé dans le développement des évaluations immobilières. Il a été possible de réaliser une analyse générale du marché avec l’évaluateur, une approche scientifique pour guider son travail, en carottage les attributs les plus pertinents avec la recherche et en minimisant les erreurs d’estimation.

La littérature brésilienne, spécialisée dans l’évaluation de l’immobilier, avec peu d’attention sur le marché immobilier, ne produit aucun livre ou matériel didactique pour la recherche, détaillant la construction de méthodes de recherche et d’échantillonnage, et la définition des variables Comme algorithme de paquet de données.

Par conséquent, selon un examen systématique de la littérature, il s’agissait de données provenant de segments pour générer plusieurs sous et obtenir des résultats satisfaisants. Cependant, le travail se fait généralement sur la base des connaissances et de la structure du marché immobilier.

7. RÉFÉRENCES BIBLIOGRAPHIQUES

ASSOCIATION BRÉSILIENNE DES NORMES TECHNIQUES (ABNT). NBR 14653-1-procédure générale. Rio de Janeiro: 2004.

ASSOCIATION BRÉSILIENNE DES NORMES TECHNIQUES (ABNT). NBR 14653-2-bâtiments urbains. Rio de Janeiro: 2004.

AZEVEDO, Lucas Pereira de. (2016). APPLICATION DE RÉSEAUX NEURONAUX ARTIFICIELS DANS LE PROCESSUS DES ORCHIDÉES DU GENRE CATTLEYA. Disponible en: <https: www.ifmg.edu.br/sabara/biblioteca/trabalhos-de-conclusao-de-curso/tcc-documentos/tcclucasazevedo.pdf="">.</https:> Consulté le: 5 avril 2019.

BRAGA, A. P. CARVALHO, A. P. L. F., LUDERMIR, T. B. réseaux neuronaux artificiels: théorie et applications. Rio de Janeiro: livres RJ-techniques et scientifiques, 2000.

DANTAS, R. A. Evaluation Engineering: introduction à la méthodologie scientifique. São Paulo: Pini, 1998.

FERNANDES, A. M. R. intelligence artificielle: concepts généraux. Florianópolis: Visual Books, 2003.

GONZÁLEZ, M. A. S. Découvre la connaissance de l’évaluation immobilière des applications de base de données et de l’intelligence artificielle. Thèse (doctorat en génie civil)-programme de troisième cycle en génie civil, UFRGS, Porto Alegre, 2002.

GONZÁLEZ, M. A. S. immobilier et évaluation de la méthode professionnelle. San Leopoldo, 2008: <http: www.exatec.unisinos.br/~gonzález/aimp/aimp-avaliacoes.ppt="">.</http:> Il a visité le 5 février 2019.

HAYKIN, S. Neural Network: principes et pratiques. 2. Ed. Porto Alegre: Bookman, 2001.

HIPÓLITO, C.E. méthodes et normes utilisées dans les évaluations immobilières par différents pays. Monographie-Faculté de génie architectural, UFMG, Belo horizo nte, 2007.

PELLI NETO, A. réseaux neuronaux artificiels appliqués à l’opinion publique-étude de cas à Belo Horizonte. Thèse (Master en génie électrique)-diplômé en génie électrique de UFMG, Belo horizo nte, 2006.

REZENDE, S. O. Intelligent Systems: concepts et applications de base. Barueri: Manole, 2003.

RONALDO, E. Data Mining: un guide pratique. 1. ed. Rio de Janeiro: campus, Elsevier, 2005. ISBN 85-352-1877-7.

RUSSELL, P. N. S. intelligence artificielle: traduction de la deuxième édition. 2. ed. Rio de Janeiro: Editora campus, 2004. ISBN 85-352-1177-2.

SAMPAIO, R. F. MANCINI M. C. Etude d’évaluation systématique: Guide l’intelligence globale des preuves scientifiques. Journal brésilien de physiothérapie, v. 11, n. 1, p. 8 au 8 août 2007.

[1] Baccalauréat en administration des affaires.

Soumis: avril, 2019

Approuvée: April, 2019

DEIXE UMA RESPOSTA

Please enter your comment!
Please enter your name here