Evaluación de bienes inmuebles utilizando redes neuronales artificiales-revisión sistemática de la literatura

0
95
DOI: ESTE ARTIGO AINDA NÃO POSSUI DOI SOLICITAR AGORA!
Evaluación de bienes inmuebles utilizando redes neuronales artificiales-revisión sistemática de la literatura
5 (100%) 55 vote[s]
ARTIGO EM PDF

ARTÍCULO ORIGINAL

CHAGAS, Edgar Thiago De Oliveira [1]

CHAGAS, Edgar Thiago De Oliveira. Evaluación de bienes inmuebles utilizando redes neuronales artificiales-revisión sistemática de la literatura. Revista científica multidisciplinaria base de conocimiento. año 04, Ed. 04, Vol. 05, PP. 55-75 abril 2019. ISSN: 2448-0959

RESUMEN

El mercado inmobiliario es muy importante en la economía nacional porque refleja diversos aspectos de la sociedad. Esta situación significa que, en valor y calidad, el valor estimado del mercado inmobiliario puede utilizarse como base para calcular las necesidades de vivienda. En esta perspectiva, los resultados de la evaluación deben ser lo más precisos posible, ya que los errores cometidos pueden ser perjudiciales para la mayoría de la población. Se estudiaron la aplicabilidad del ARN y la evaluación de las propiedades. Esto es esencial para la literatura de investigación y para la revisión sistemática de la literatura como un método de investigación. A partir de la revisión sistemática, es posible analizar la investigación reciente sobre el ARN con el fin de resaltar los modelos predictivos, algoritmos de optimización, principalmente relacionados con la evaluación de las propiedades. Se puede concluir que las aplicaciones del ARN en la evaluación de propiedades necesitan llenar los huecos en la literatura.

Palabras clave: red neuronal artificial, revisión sistemática, evaluación inmobiliaria.

1. INTRODUCCIÓN

Dependiendo de la cantidad de recursos utilizados en la operación, el mercado inmobiliario es una parte muy importante de la economía nacional. Para la investigación en este mercado, el cálculo de los activos financieros se aplica a la demanda de vivienda de la Fundación por medio de una valoración a gran escala del valor de mercado estimado (PELLI NETO, 2006).

Según González (2008), la evaluación de la producción de viviendas es una tarea que tiene en cuenta las características y propiedades particulares de las condiciones normales del mercado. Es posible alcanzar el valor estimado de la propiedad en el mercado. Se considera normal encontrar un equilibrio entre las partes involucradas en las negociaciones.

Hipólito (2007), hay varios métodos y patrones utilizados en diferentes países para la evaluación de propiedades, basado en la red de neuronas artificiales (ARN).

El objetivo de este estudio es estudiar el ARN en la literatura y entender los campos de aplicación del método para el cual la literatura debe ser evaluada sistemáticamente. Busca comprender de forma sistemática el tema y comprender la calidad y fiabilidad de la búsqueda de datos.

1,1 JUSTIFICACIÓN

Debido al comportamiento dinámico del mercado inmobiliario, se percibe la importancia de valorar la propiedad. El nuevo método de evaluación tuvo que tener en cuenta las necesidades y características de esta actividad, ya que la tecnología actual tiene ciertas limitaciones y, por lo tanto, requiere el estudio de otros métodos.

Según Pelli neto (2006), el uso de redes neuronales artificiales en la valoración de bienes inmuebles ofrece buenas perspectivas, los resultados obtenidos hasta ahora demuestran que la tecnología y los datos sólo pueden representarse mediante un modelo lineal que mejore las herramientas de ti.

2. EL MERCADO INMOBILIARIO

2,1 INTRODUCCIÓN

El mercado inmobiliario ha estado en el centro de la investigación de diversas entidades públicas y privadas debido a su importancia en la economía nacional. En el estudio de mercado, la valoración a gran escala del valor de mercado estimado se calcula en función de las necesidades de vivienda, centrándose en el uso de recursos financieros. Otra forma de estimar el valor de la investigación es entender la importancia económica y social de este mercado. La evaluación de errores de medición o inexactitudes en la actividad no es ideal (FERNANDES, 2003).

Además de estudiar la demanda de vivienda, también es posible utilizar el modelo no sólo para evaluar la calidad, sino también para definir la planificación general, estudios de viabilidad económica y cálculos tributarios para nuevos proyectos de vivienda pertenecientes a la Empresa, especialmente IPTU e ITBI (GONZÁLEZ, 2002).

Este capítulo se centrará en el análisis de la literatura inmobiliaria, una breve historia del comienzo y luego una descripción conceptual del mercado inmobiliario, incluyendo el funcionamiento de métodos de evaluación hechos a medida y especificaciones basadas en procesos. En este capítulo se definirá el método de comparación de los datos de mercado, que consiste en la valoración de las propiedades del método utilizado con más frecuencia.

2,2 MERCADO INMOBILIARIO

Para empezar, es importante definir el concepto de mercado inmobiliario, a diferencia de otros mercados.

2.2.1 ¿QUÉ ES EL MERCADO INMOBILIARIO?

El mercado inmobiliario se puede dividir en diferentes partes, tales como apartamentos, casas, tiendas, oficinas, mercados y ciudades (urbanas o rurales), almacenes, aparcamientos y otros mercados que compran y/o venden (GONZÁLEZ, 2002).

Los principales factores que afectan el rendimiento y otros activos del mercado inmobiliario y otros mercados, como el mercado automotriz, electrodomésticos y otros, son larga vida, exclusividad, ubicación y espacio, así como que la intervención de la legislación municipal En vigor. Y federal (GONZÁLEZ, 2008).

El mercado inmobiliario tendrá una vida útil más larga, difícil de medir porque se ve afectada por las propiedades físicas de los patrones y termina con el estado de protección. Dado que la propiedad con el tiempo tiene que realizar el mantenimiento y cumplir con todos los estándares, la edad real de la misma familia puede beneficiarse de la protección de los diferentes Estados (HAYKIN, 2001).

Diferente no es diferente de las otras características internas y externas de la propiedad, la inmobiliaria es única. Sin embargo, algunas partes que tienen una producción pueden ser una coincidencia, al menos en su ubicación o su posición será diferente, el mercado inmobiliario es comparable a ningún otro espacio en la producción del mismo pozo. En este sentido, en muchos casos, determinar el valor de una propiedad no es una tarea trivial que requiera el uso de conocimientos científicos (HIPOLITO, 2007).

El mercado inmobiliario es un mecanismo dinámico de evolución a lo largo del tiempo, influenciado por varios factores, tanto de valoración como de depreciación. El rendimiento simultáneo y desordenado de diferentes desarrolladores, contratistas, constructores y el propio poder público condujo a este mercado en constante cambio, que refleja directamente el valor de la propiedad o transacción que se proporciona (PELLI NETO, 2006). Queda por decir, se ha observado que los mercados inmobiliarios son una parte importante, en constante interacción y es responsable del precio de los bienes inmuebles.

2.2.2 COMPONENTES BÁSICOS

Los componentes básicos del mercado inmobiliario son la comercialización de productos, ventas y partes interesadas relacionadas con la compra. Cuando hay un equilibrio entre estos tres componentes, la investigación estadística en el mercado inmobiliario producirá buenos resultados. Obviamente, idealmente, hay mucha información. Hay muchos vendedores, muchos compradores y muchos productos de diferentes fuentes (DANTAS, 1998).

La misión del ingeniero de evaluación es describir el mercado inmobiliario, enfatizando el grado de equilibrio entre sus componentes. Cuanto más equilibrada es la balanza, más intensa es la competencia en el mercado y el precio más justo. Sin embargo, no existe un mercado competitivo perfecto y equilibrado. Sin embargo, los estudios estadísticos deben evitarse cuando se trata de situaciones extremas, como el monopolio o oligopolio (PELLI NETO, 2006).

2,3 PRECIO, COSTE Y VALOR DE MERCADO

En el punto 3,44 de la NBR 14.653, parte 1-procedimiento general, se hace referencia al precio de mercado y la siguiente definición: "en las condiciones actuales del mercado, negociar a sabiendas y conscientemente el monto más probable del ' activo en la fecha de registro. ' (NBR 14,653).

El número más probable de personas que negocian consciente y voluntariamente no se corresponde necesariamente con el precio al que se negocian u ofrecen los bienes. El valor de mercado es el resultado de un modelado matemático y/o proceso estadístico. Estos datos se recogen sobre la capacidad de características similares a precios negociados o propuestos (REZENDE, 2003).

Por lo tanto, el precio y el valor de referencia son diferentes. Aunque el "valor de mercado" se refiere al valor más probable de las mercancías, el "precio" refleja el número de transacciones en moneda extranjera o proporciona productos específicos. Una calificación de puja diferente o un precio de transacción es extremadamente común. Esta diferencia no se considera muy importante porque, en este caso, puede ser necesario resolver el problema para demostrar que la cantidad utilizada es razonable (SAMPAIO, 2007).

El costo del producto no refleja el valor de mercado porque la definición anterior de valor de mercado no es siempre la más probable para combinar el valor de la transacción con su costo de producción. El valor de mercado puede ser menor, igual o mayor que el costo de producción (SAMPAIO, 2007).

2,4 MÉTODOS BÁSICOS

En general, el valor de las mercancías se puede determinar de acuerdo con tres métodos básicos diferentes (GONZÁLEZ, 2002):

• Ingresos, que determinan el valor de los bienes derivados de su vida económica.

• Comparación basada en el precio de productos similares en el mercado;

• Costo, basado en los costos directos e indirectos de la producción de bienes;

En los tres métodos, la comparación directa para determinar el valor es la más adecuada y fiable en el mercado.

2,5 MÉTODOS APLICABLES

Existen métodos que pueden utilizarse para evaluar el objetivo, la disponibilidad, la calidad y la cantidad de información obtenida durante la valoración del mercado debido a la naturaleza de las mercancías a evaluar (FERNANDES, 2003).

Dependiendo del uso estándar específico de ABNT, existen varios métodos para identificar el valor de las mercancías. En este trabajo, el método utilizado es una comparación directa de los datos de mercado (GONZÁLEZ, 2002).

2,6 COMPARACIÓN DE DATOS DE MERCADO

La parte 2 de la NBR-14653 establece que el método de comparación de los datos de mercado debe utilizarse preferentemente. En general, el método de comparación se utiliza para determinar el consumo de un elemento determinado. Cuanto mayor sea el valor de los bienes de consumo, mayor será la precisión de la valoración. En el informe de evaluación es económico, es necesario (NBR 14653).

Es importante medir el valor del objeto, que se utiliza para comparar visualmente objetos similares con un valor de mercado conocido (denominado proceso comparativo) (GONZÁLEZ, 2008).

Algunos proveedores requieren un control de precios, luego fijan el precio medio de la práctica y la decisión final de compra basada en las condiciones de pago de intereses y la disponibilidad de la gestión financiera (GONZÁLEZ, 2008).

Cuando se utiliza el proceso de comparación, se realizan intentos para obtener los valores que representan los objetos que se van a evaluar sobre la base de otros objetos de similitud entre ellos. Las diferencias existentes son débiles o insignificantes. Como la comprensión de todos los objetos disponibles en un mercado determinado (población) es generalmente totalmente inaccesible, el valor promedio da una estimación promedio de todos en los objetos de la población (Haykin, 2001).

Obviamente, cuanto más uniforme se analice la población, más homogéneos son las muestras. Por lo tanto, en busca de una marca o modelo específico de cero, kilómetro coche, la persona debe comparar los precios, de acuerdo con las muestras recogidas pueden contener precios más altos y otros medios aritméticos bajos y tan cercanos. Este hecho se produce porque el costo de obtener el producto del fabricante es similar. Otro problema importante es la facilidad para obtener una muestra representativa del mercado, que es muy útil para obtener conclusiones fiables sobre el valor medio en estos casos (Hipólito, 2007).

Por otro lado, al estimar el valor de mercado de la producción de viviendas a través del proceso de comparación, los evaluadores se enfrentan a grandes dificultades, especialmente si la población se considera muy diferente, generando una muestra heterogénea. Los productos ofrecidos no tienen una marca o modelo suficientemente estandarizado para hacerlos uniformes. Además, no dependen directamente de los costos de producción y a menudo de la cosecha. La ubicación está ligada a la economía social (PELLI NETO, 2006).

En ambos casos, los cambios en la muestra aparecieron alrededor de su media aritmética. La diferencia es que, en una muestra homogénea de productos industriales, este cambio se reduce y las muestras heterogéneas utilizadas como base para medir el mercado inmobiliario suelen mostrar un cambio de altura en torno a su media aritmética. Este hecho crea una gran incertidumbre en las conclusiones sobre el promedio general del producto. De hecho, cualquier muestra seleccionada aleatoriamente puede contener una media aritmética de datos muy diferentes. Estas diferencias entre los datos recogidos y la media de la muestra son una función de las diferencias físicas entre los datos, los factores socioeconómicos y la naturaleza aleatoria del mercado (REZENDE, 2003).

La aleatoriedad siempre presente en cualquier mercado puede definirse como la subjetividad inherente de una persona que concede un precio a un producto que quiere ser vendido. Depende del comprador aceptar o no el precio en el momento de la compra. Por lo tanto, no se puede medir y consiste en errores inexplicables o muestras aleatorias (DANTAS, 1998).

En la muestra de productos industriales, la proporción de diferencias físicas entre los datos es cero o casi, pero es extremadamente importante en la muestra del mercado inmobiliario, resultando en una muestra heterogénea. Estas diferencias físicas son una función de las características intrínsecas y extrínsecas del sector inmobiliario. Para medir estas diferencias, los datos recogidos muestran características similares del mercado inmobiliario. Por lo tanto, para usar este método, debe tener un conjunto de datos que se pueda comparar. La comparación se basará en las características intrínsecas y extrínsecas, descritas por las variables de entrada, interpretación o independientes (NBR 14653).

2,7 ESTRUCTURA DE CONSTRUCCIÓN VARIABLE

Las variables son características intrínsecas y extrínsecas de la propiedad. El valor representa el número. Es importante observar las relaciones entre las variables seleccionadas para verificar sus dependencias (REZENDE, 2003).

En el proyecto de evaluación, el precio de mercado (suministro o transacción) y las características físicas correspondientes (área, fachada, ubicación por defecto, plazas de aparcamiento, etc.) deben considerarse como variables de entrada independientes, como Ubicación (índice financiero, etc.). Urbano y Polo), distancia y tiempo (la fecha en la que ocurrió el evento) (SAMPAIO, 2007).

La variable dependiente se puede especificar según el precio total o el precio unitario, normalmente en unidades monetarias por metro cuadrado. La selección del análisis de los datos recogidos durante la definición y la función del modelo se selecciona para representar el mercado inmobiliario. Seleccionamos la variable independiente directamente relacionada con las características de los datos de investigación (interna y externa), así como el tono de la diversidad del comportamiento del mercado inmobiliario en cada región. Por lo tanto, cuando a priori determina variables independientes, cabe señalar que esto afecta eficazmente y explica los cambios en el precio recogido (NBR 14653).

3. REDES NEURONALES ARTIFICIALES

Los RNAs son modelos matemáticos inspirados en los principios de las neuronas biológicas y la estructura del cerebro (RUSSELL 2004, RONALDO 2005). Una neurona es una célula cerebral cuya función principal es recolectar, procesar y difundir señales eléctricas. Cada neurona consiste en un cuerpo celular o Soma, que contiene un núcleo celular, una serie de brazos llamados dendritas y un solo brazo largo llamado Axon (RUSSELL, 2004).

Se cree que la capacidad del cerebro para procesar la información proviene principalmente de las redes de estas neuronas. La comunicación de una neurona a otra, para formar un sistema nervioso completo, se realiza a través de una sinapsis. La sinapsis es la región donde dos neuronas entran en contacto, permitiendo la transmisión de impulsos nerviosos (RUSSELL, 2004).

Las redes neuronales tienen la capacidad de realizar cálculos distribuidos, tolerar entradas ruidosas y aprender. Al igual que el cerebro humano, una red neuronal se basa en el aprendizaje, es decir, almacena el conocimiento adquirido basado en el aprendizaje y hace que esté disponible para tomar decisiones sobre el problema (RUSSELL, 2004).

La resolución de los problemas de ARN es muy interesante porque su representación intrínseca y su paralelismo, inherentes a la arquitectura, dan mejores resultados que los modelos clásicos. La capacidad de aprender a través de ejemplos y generar la información obtenida es sin duda el principal atractivo de la resolución de problemas por medio de ARN (BRAGA, CARVALHO y LUDERMIR, 2000).

3,1 EL CONCEPTO BÁSICO

El ARN es un sistema de poder computacional a través del aprendizaje y la generalización (BRAGA, CARVALHO y LUDERMIR, 2000). A su vez, la generalización está asociada con la capacidad de estas redes para proporcionar una respuesta consistente a los datos que no se presentan durante la fase de procesamiento y formación.

ARN será muy simple por la estructura con los elementos de tratamiento, inspirado en la acción de las neuronas biológicas, la conexión entre estos elementos de tratamiento, caracterizado por cada conexión en la red, se asocia con un peso, representando la interacción de peso o Fuerza de acoplamiento entre los elementos de tratamiento y el hecho de que son excitatorios o inhibitorios por naturaleza (HAYKIN, 2001).

El uso de estructuras neuronales artificiales, donde la información se procesa y almacena en paralelo y a través de una distribución de complejidad de componentes de procesamiento de ARN relativamente simples. Estos elementos pueden ser responsables de la entrada de información por capa (capa de entrada)-corresponde al argumento utilizado en el mercado inmobiliario, el procesamiento de esta información (capa intermedia) y los resultados generados (capa de salida)- correspondiente a la variable dependiente y a las unidades totales), para su posterior promoción (GONZÁLEZ, 2008).

El modelo neuronal biológico consiste en una red celular relativamente autónoma, cada una con una capacidad de procesamiento limitada. Las unidades están conectadas por conexiones, cada una con un peso asociado que corresponde al efecto de la unidad en el procesamiento de la señal de salida. El peso positivo corresponde al factor de aumento de la señal de entrada y el peso negativo corresponde al factor de inhibición (BRAGA, CARVALHO y LUDERMIR, 2000).

Este modelo normalmente tiene un conjunto de unidades de entrada a través de las cuales la información se transmite a la red y un conjunto de unidades de salida que muestran las señales de salida de la red, así como un conjunto de unidades intermedias. Una colección de neuronas es muy potente en términos de procesamiento de la información. Conceptualmente, el ARN puede ser considerado como un modelo matemático similar a la estructura del cerebro humano y capaz de aprender de las generalizaciones subsiguientes (GONZÁLEZ, 2008).

3,2 NEURONAS NATURALES

El sistema nervioso humano es responsable de tomar decisiones y adaptar el cuerpo al medio ambiente. Esta función es proporcionada por el aprendizaje continuo. El sistema consiste en células responsables de su función. Hay alrededor de 10 mil millones neuronas en el cerebro humano y sobre 60 billones conexiones neuronales entre sí (HAYKIN, 2001).

Estas células reciben, producen y proporcionan estímulos al cerebro. Las neuronas se definen por las membranas celulares, que poseen ciertas propiedades críticas para la función celular del cuerpo, como los filamentos extendidos, dendritas y axones (BRAGA, CARVALHO y LUDERMIR, 2000). Las neuronas se definen en la señal recibida, capaz de transmitir información a través de dendritas y células polarizadas. Cuando excitado, las neuronas transmiten información a otras neuronas a través de pulsos llamados potenciales de acción. Estas señales se propagan a través de los axones celulares en forma de ondas y se convierten en señales químicas en las sinapsis.

Las neuronas biológicas se pueden considerar dispositivos computacionales básicos del sistema nervioso, compuesto de muchas entradas y salidas. La entrada está formada por una conexión sináptica que conecta las dendritas con los axones de otras células nerviosas. Las señales que llegan a través de estos axones son impulsos eléctricos llamados impulsos nerviosos o potenciales pulsos de acción y constituyen información generada por el procesamiento neural en forma de una salida de impulso neural en sus axones (GONZÁLEZ, 2008).

Dependiendo de la señal enviada por el axón, la sinapsis puede ser excitatoria o inhibitoria. La excitabilidad de la conexión ayuda a crear impulsos nerviosos en los axones de salida, mientras que las sinapsis inhibitorias actúan en la dirección opuesta (BRAGA, CARVALHO y LUDERMIR, 2000).

Las características básicas derivan del conocimiento de la estructura y el comportamiento de las neuronas naturales, que se utilizan para crear modelos de neuronas artificiales que simulan neuronas reales. Estas neuronas artificiales se utilizan para formar ARN, que consiste en sus principales elementos de procesamiento (GONZÁLEZ, 2008).

La figura 1 muestra un modelo de neurona humana.

Figura 1 – neurona natural

Fuente: (AZEVEDO. 2016).

3,3 NEURONA ARTIFICIAL

Braga, Carvalho y Ludermir (2000) describen el primer modelo artificial de la neurona biológica Warren McCulloch y Walter Pitts en 1943. Este modelo fue una simplificación de lo que se conocía en el tiempo de las neuronas biológicas. Su descripción matemática dio un modelo con n entradas que recibieron los valores x1, x2,…, xn y una sola salida Y. Para representar el comportamiento de las sinapsis, las entradas de las neuronas han acoplado pesos W1, W2,…, WN, cuyos valores pueden ser positivos o negativos. La activación de la neurona se realiza mediante la función de activación, que es responsable de generar la salida Y de la neurona a partir de la suma de los valores de xiwi.

Los nuevos modelos artificiales, más atractivos desde el punto de vista neurológico, incorporan muchas de estas características dinámicas de las neuronas biológicas. Sin embargo, a pesar de las numerosas simplificaciones en la descripción modelo de McCulloch y Walter Pitts, estos modelos, cuando están interconectados como una red neuronal artificial, tienen una alta potencia computacional, la solución de los principales problemas complejos (BRAGA, CARVALHO, LUDERMIR, 2000).

La figura 2 representa un modelo de neurona artificial.

Figura 2 – neurona artificial

Fuente: (AZEVEDO, 2016).

3,4 FUNCIONES DE ACTIVACIÓN

La función de activación es responsable de generar la salida Y de la neurona a partir de los valores de los vectores de peso w y la entrada x. La función de activación está diseñada para cumplir dos aspiraciones. En primer lugar, queremos que el lector esté activo (cerca de + 1) cuando se reciben las entradas correctas e inactivas (cerca de 0) cuando se reciben las entradas incorrectas. En segundo lugar, la activación debe ser no lineal para problemas no lineales, de lo contrario toda la red colapsará (RUSSELL, 2004).

3,5 TOPOLOGÍAS DE ARN

Las diferentes topologías de las redes neuronales se dividen esencialmente en dos clases: no recurrentes o directas y recurrentes. Los RNA no recurrentes son aquellos que no devuelven información de sus salidas a sus entradas y, por lo tanto, también carecen de memoria. Los RNA recurrentes utilizan sus salidas para restablecer sus propias entradas, formando así un sistema dinámico que puede alcanzar un estado estable, Mostrar oscilaciones o incluso comportamientos caóticos. Las redes recurrentes pueden admitir memoria a corto plazo (RUSSELL, 2004).

Los RNA no recurrentes se estratifican y se pueden formar mediante una o varias capas. Las redes neuronales multicapa contienen un conjunto de neuronas de entrada, una capa de salida y una o más capas ocultas. La capa de entrada de la red distribuye solo los modelos de entrada, la capa oculta genera una codificación interna para los modelos de entrada, que luego es utilizada por la capa de salida de red, que presenta el resultado final del procesamiento del modelo de entrada. Red (RONALDO, 2005).

3,6 LEARNING

Una de las características más importantes de las redes neuronales artificiales es su capacidad de aprender a través de ejemplos (Braga, Carvalho y LUDERMIR, 2000). La etapa de aprendizaje o entrenamiento consiste en actualizar los pesos sinápticos para adquirir conocimiento de los datos (RONALDO, 2005). Los procedimientos de formación que permiten aprender las RNAs pueden agruparse en dos paradigmas principales: el aprendizaje supervisado y el aprendizaje no supervisado (BRAGA, CARVALHO, LUDERMIR, 2000).

A) aprendizaje supervisado: el aprendizaje supervisado implica el aprendizaje de una función a partir de ejemplos de insumos y productos. Esto implica necesariamente la existencia de un supervisor externo o un profesor a cargo de estimular las entradas de red utilizando modelos de entrada y observando la salida calculada de la misma manera, comparándola con la salida deseada (BRAGA, CARVALHO, LUDERMIR, 2000).

b) aprendizaje sin supervisión: el aprendizaje no supervisado no requiere un vector de destino para las salidas y no hace una comparación para determinar la respuesta óptima. No hay ningún profesor o supervisor externo que acompañe el proceso de aprendizaje. Sólo los modelos de entrada están disponibles para la red y la existencia de regularidades en estos datos permite el aprendizaje (BRAGA, CARVALHO, LUDERMIR, 2000).

3,7 ALGORITMO DE RETROPROPAGACIÓN

La propagación inversa es el algoritmo de entrenamiento supervisado más popular. Utiliza pares de entrada (x, YD) para ajustar los pesos de red mediante un mecanismo de corrección de errores. La formación se lleva a cabo en dos fases, la fase descendente apaga la salida de un determinado patrón de entrada y el reposapiés trasero actualiza las crestas de sus conexiones en función del resultado deseado y la salida proporcionada. (Braga, Carvalho, LUDERMIR, 2000).

El siguiente paso incluye los siguientes pasos:

1. La entrada se presenta a la red y se calcula la salida de las neuronas de la primera capa C1.

2. Las salidas C1 se insertan en la siguiente capa y se calcula la salida. Este proceso se repite hasta la capa de salida CK.

3. Las salidas producidas por las neuronas se comparan con las salidas deseadas y se calcula el error correspondiente.

La etapa trasera comprende los siguientes pasos:

1. El error de la capa de salida CK se utiliza para ajustar directamente sus pesos.

2. Los errores de las neuronas de la capa de salida CK se propagan a la capa CK-1 anterior.

3. Los errores calculados para las neuronas CK-1 se utilizan para ajustar sus pesos.

4. El proceso se repite hasta que se ajustan los pesos de la capa C1.

4. REDES NEURONALES ARTIFICIALES EN LA VALORACIÓN DE BIENES INMUEBLES

Recientemente, la mayoría de los profesionales involucrados en la ingeniería de evaluación aún no son conscientes de este enfoque. Sin embargo, algunos investigadores han afirmado la importancia de este nuevo concepto, realizando investigaciones en esta área y promoviendo realmente la aceptación de la red neuronal artificial. 8.2.1.4.3-tratamiento científico llamado el siguiente: "cualquiera que sea el modelo utilizado para predecir el comportamiento del mercado y el valor de la formación, deben explicar y probar las suposiciones apropiadas, tomar medidas correctivas como las redes neuronales El análisis artificial, de regresión y sobre de datos espaciales se puede aplicar a la ingeniería de evaluación, siempre que sean una perspectiva razonable. y contenida en (GONZÁLEZ, 2008).

Las redes neuronales artificiales representan una tecnología cuyos orígenes existen en muchas disciplinas como la neurociencia, las matemáticas, las estadísticas, la física, la informática y la ingeniería. La aplicación de ARN se puede utilizar en diferentes campos, como el modelado, el análisis de series de tiempo, el reconocimiento de patrones, el procesamiento de señales y el control. Una función importante de esta tecnología es controlar la captura de datos (HAYKIN, 2001).

En las diferentes definiciones de las redes neuronales artificiales, todos tienen elementos considerados fundamentales: las neuronas, la arquitectura y el aprendizaje. Las neuronas son la unidad informática básica de la red. La arquitectura es la estructura de conexión entre las neuronas. El aprendizaje es un proceso de ajuste de una red para calcular una función particular o realizar una tarea en particular (FERNANDES, 2003).

La investigación sobre redes neuronales artificiales es relativamente nueva. Actualmente, no hay ningún libro técnico que enseñe a resolver completamente el ARN y su aplicación en el proyecto de evaluación. Sin embargo, varios artículos se publicaron en congresos dedicados a esta tecnología y se centraron en la evaluación técnica. La aplicación de los resultados y conclusiones de estos estudios respalda el método, como NBR 14653, Valoración inmobiliaria, parte 2, en reconocimiento al método científico (PELLI NETO, 2006).

En general, Haykin (2001) define una red neuronal como una máquina para simular la forma en que el cerebro desempeña una tarea o función específica de interés, a través de su red de componentes electrónicos que se ejecutan o que simulan un programa informático. Braga, y Ludermir Carvalho (2000), una red neuronal artificial es un sistema distribuido paralelo compuesto de neuronas (unidades de procesamiento), que realiza un cálculo de la función matemática no lineal o lineal. La disposición de las neuronas se da en una o más capas de interconexión por un gran número de conexiones unidireccionales (regulares) con pesos asociados, y el conocimiento representado en el modelo se almacena en la unidad de procesamiento ponderando la Entradas. Este mecanismo de red es similar a la estructura neuronal biológica del cerebro humano.

El proceso de aprendizaje es proporcionado por un algoritmo de aprendizaje que puede cambiar el peso de la red de forma ordenada para lograr los objetivos del proyecto (Haykin, 2001).

Para Rezende (2003), la red neuronal artificial es un proceso de aprendizaje asociado con la capacidad de la red para ajustar sus parámetros en función de la interacción con el entorno externo. El proceso es interactivo para mejorar el rendimiento de la red hasta el punto de interacción con los medios. El rendimiento es el criterio que determina la calidad del modelo y el punto de parada de entrenamiento está predefinido por los parámetros de aprendizaje. De acuerdo con Rezende (2003), la generalización está relacionada con su capacidad para proporcionar respuestas consistentes a los datos no proporcionados durante la fase de entrenamiento. Bueno, podemos decir que el proceso de aprendizaje y la generalización son coherentes.

Braga, Carvalho y Ludermir (2000) también destacan la importancia de esta capacidad para aprender y generalizar las redes neuronales, reflejando la resolución positiva del problema, mejorando el rendimiento.

En cuanto a la estructura de la red neuronal, estamos capacitados en estructuras neuronales artificiales en las que el procesamiento y almacenamiento de datos se encuentra en paralelo y se distribuye por elementos simples del proceso. La provisión de estos elementos es responsable de la captura de información básica, como el mercado inmobiliario (capa de entrada) y el procesamiento de información. Estas son variables dependientes-el precio (capa de salida) es entonces generalizado (PELLI NETO, 2006).

Según Pelli neto (2006), el número de entradas y salidas depende de la cantidad de datos de entrada y salida, y el número de neuronas en la capa intermedia depende de la complejidad. Cuando el número de neuronas en la capa intermedia es muy alto, los resultados inesperados, llamados costos incrementales ocurren cuando la red neuronal artificial define más neuronas de las que requiere el entrenamiento (PELLI NETO, 2006).

Presentado en la capa de entrada única del modo de aprendizaje de la red neuronal artificial, se asigna directamente a un conjunto de modos de salida de la red, es decir, que limita la capacidad de la red (FERNANDES, 2003).

5. MÉTODOS DE BÚSQUEDA

El método de investigación utilizado consistió en una revisión sistemática de la literatura. El objetivo era analizar críticamente el tema de la red neuronal artificial y su relación con la evaluación de propiedades con el fin de utilizar métodos científicos. La revisión sistemática incluye un método de investigación que utiliza la literatura como fuente de datos, aplicando métodos de investigación explícitos y sistemáticos y combinando información crítica sobre evaluación y selección (SAMPAIO y MANCINI, 2007).

Las revisiones sistemáticas utilizan métodos y sistemas claros para responder a preguntas claramente identificadas con el fin de identificar, seleccionar críticamente y evaluar la investigación relevante, y recopilar y analizar los datos de investigación contenidos en la evaluación (SAMPAIO E MANCINI, 2007).

El proceso de revisión sistemática comienza con las definiciones del estudio de objetos a través de la investigación de palabras clave, tales como las redes neuronales artificiales y la evaluación inmobiliaria para entender mejor el propósito de la aplicación. Posteriormente, la base de datos se identificó de acuerdo con el tema del estudio, se utilizó el erudito de Google. En la búsqueda inicial se usó como palabras clave "red neuronal artificial" y "valoración de bienes inmuebles", presentando 286 resultados.

La muestra se sintetizó mediante el uso de una alineación de palabras clave en el filtro, la comparación de títulos, la alineación del Resumen y el análisis de muestras más lejos del texto completo. Se consideraron los artículos sobre la evaluación de bienes inmuebles y la optimización del uso, a través de la literatura revisando artículos, teniendo en cuenta los artículos más citados y más recientes. Gracias a esta colección, la investigación de ARN ha progresado. El crecimiento reciente en esta área puede verse a través de la comparación entre 2010 y en los últimos tres años, de 2016 a 2018, en el que hubo un aumento del 54% en los primeros tres años.

A partir de la base de datos, se analizaron las palabras clave utilizadas en el artículo y sus referencias. Las herramientas utilizadas fueron el VOSviewer, utilizando técnicas de mapeo y visualización.

A través del análisis de la visualización de la red, era posible visualizar las consultas relacionadas con el ARN. Algunos estudios recientes indican que los modelos predictivos de optimización han implicado principalmente la valoración de propiedades.

6. Conclusiones

La comprensión de su análisis cualitativo y cuantitativo del mercado inmobiliario desempeña un papel clave en el desarrollo de las evaluaciones inmobiliarias. Fue posible lograr un análisis general del mercado con el evaluador, un enfoque científico para guiar su trabajo, que perforación los atributos más relevantes con la investigación y minimizando los errores de estimación.

La literatura brasileña, especializada en la valoración de bienes inmuebles, con poco énfasis en el mercado inmobiliario, no produce libros ni materiales instructivos para la investigación, detallando la construcción de métodos de investigación y muestreo, y la definición de variables Como el algoritmo del paquete de datos.

Por lo tanto, de acuerdo con una revisión sistemática de la literatura, se trataba de datos de segmentos para generar múltiples sub y lograr resultados satisfactorios. Sin embargo, el trabajo se hace generalmente basado en el conocimiento y la estructura del mercado inmobiliario.

7. REFERENCIAS BIBLIOGRÁFICAS

ASOCIACIÓN BRASILEÑA DE NORMAS TÉCNICAS (ABNT). NBR 14653-1-procedimiento general. Río de Janeiro: 2004.

ASOCIACIÓN BRASILEÑA DE NORMAS TÉCNICAS (ABNT). NBR 14653-2-edificios urbanos. Río de Janeiro: 2004.

AZEVEDO, Lucas Pereira de. (2016). APLICACIÓN DE REDES NEURONALES ARTIFICIALES EN EL PROCESO DE ORQUÍDEAS DEL GÉNERO CATTLEYA. Disponible en: <https: www.ifmg.edu.br/sabara/biblioteca/trabalhos-de-conclusao-de-curso/tcc-documentos/tcclucasazevedo.pdf="">.</https:> Consultado el: 5 de abril de 2019.

BRAGA, A. P. CARVALHO, A. p. l. F., LUDERMIR, t. b. redes neuronales artificiales: teoría y aplicaciones. Río de Janeiro: RJ-libros técnicos y científicos, 2000.

DANTAS, R. A. Ingeniería de evaluación: Introducción a la metodología científica. São Paulo: Pini, 1998.

FERNANDES, A. m. r. inteligencia artificial: conceptos generales. Florianópolis: libros visuales, 2003.

GONZÁLEZ, m. s. descubre el conocimiento de la evaluación inmobiliaria de las aplicaciones de bases de datos y la inteligencia artificial. Tesis (doctorado en ingeniería civil)-programa de postgrado en ingeniería civil, UFRGS, Porto Alegre, 2002.

GONZÁLEZ, m. s. S. inmobiliaria y evaluación de métodos profesionales. San Leopoldo, 2008: <http: www.exatec.unisinos.br/~gonzález/aimp/aimp-avaliacoes.ppt="">.</http:> Visitó el 5 de febrero de 2019.

HAYKIN, S. red neuronal: principios y práctica. 2. Ed. Porto Alegre: BOOKMAN, 2001.

HIPÓLITO, C.E. métodos y estándares utilizados en evaluaciones inmobiliarias por diferentes países. MONOGRAPH-Facultad de ingeniería arquitectónica, UFMG, Belo horizo NTE, 2007.

PELLI NETO, a. redes neuronales artificiales aplicadas a la opinión pública-estudio de caso en Belo Horizonte. Tesis (Máster en ingeniería eléctrica)-Licenciada en ingeniería eléctrica por la UFMG, Belo horizo NTE, 2006.

REZENDE, s. o. sistemas inteligentes: conceptos básicos y aplicaciones. Barueri: Manole, 2003.

RONALDO, E. minería de datos: una guía práctica. 1. ed. Río de Janeiro: campus, Elsevier, 2005. ISBN 85-352-1877-7.

RUSSELL, p. n. s. inteligencia artificial: traducción de la segunda edición. 2. ed. Río de Janeiro: Campus editora, 2004. ISBN 85-352-1177-2.

SAMPAIO, r. f. MANCINI m. c. estudio de evaluación sistemática: Guía de la inteligencia integral de la evidencia científica. Revista brasileña de fisioterapia, v. 11, n. 1, p. 8 al 8 de agosto de 2007.

[1] Licenciado en administración de empresas.

Enviado: abril, 2019

Aprobado: abril, 2019

DEIXE UMA RESPOSTA

Please enter your comment!
Please enter your name here