Інформаційна система покупки та продажу нерухомості на основі аналізу даних її ціноутворення

Abstract

Коректна оцінка вартості нерухомості відіграє вирішальну роль у процесі купівлі та продажу. Вартість визначається різними факторами, такими як розташування, площа кухні та кімнат, стан, рік забудови, зручності, інфраструктура поблизу, тренди розвитку району, ринкові тенденції, та багатьма іншими. Важливо отримати точну оцінку, щоб приймати обґрунтовані рішення та уникнути помилок, що можуть призвести до фінансових втрат [1]. Розроблена система допоможе продавцям отримати оцінку їхньої нерухомості за внесеними параметрами, що може слугувати відправною точкою для встановлення кінцевої вартості. Розуміючи ринкову вартість свого майна, продавці можуть визначити ціну та переконатися, що вони скористаються всіма можливостями для справедливого продажу. Для покупців цей сервіс буде актуальним, оскільки вони зможуть шукати нерухомість за введеними ними параметрами, що мають вигідну ціну для покупки. Система відображатиме нерухомість з оптимальною та заниженою ціною, що дасть можливість не переплатити за її покупку, а, можливо, навіть зекономити. Також такий підхід дасть змогу значно зменшити кількість нерухомості, яку варто розглянути, та відсіяти усі варіанти з явно завищеними показниками вартості. Таким чином, реалізація системи дасть змогу зробити ринок нерухомості більш прозорим. За коректної оцінки, продавці матимуть змогу встановити справедливу ціну і уникнути недооцінювання вартості нерухомості. А для покупців у свою чергу, завищена вартість нерухомості від продавця може слугувати підставою для подальшого торгу. Визначення вартості нерухомості історично ґрунтувалось переважно на методі аналізу даних вручну та суб’єктивних оцінках, що часто призводило до помилок і затримок. Застосування алгоритмів машинного навчання у вирішенні цієї проблеми виявилось ефективним, оскільки воно має низку переваг перед методом оцінки вручну, а саме: високий рівень точності, виключення суб’єктивності та упередженості в оцінках, ефективність у часі, зниження витрат, використання геопросторових даних і обґрунтування результатів [2]. Процес створення моделі машинного навчання умовно розкладено на чотири етапи, які включають в себе збір даних, їх фільтрування, обробку, доповнення, розбиття на різні вибірки і тренування моделі на основі цих даних. Прийнято рішення використати одразу декілька алгоритмів регресії для побудови моделей машинного навчання, для того щоб порівняти результати і обрати алгоритм, який найкраще підходить для вирішення поставленого завдання. Застосувавши алгоритми лінійної регресії, дерева прийняття рішень, метод найближчого сусіда, метод опорних векторів і випадковий ліс найкращі результати показав останній. Підібравши вручну гіперпараметри для цього алгоритму, досягнуто середнього значення абсолютної похибки прогнозованого значення, що складає 8,49%, а медіани 1,9%. Для реалізації даної системи було прийнято рішення використати мікросервісну архітектуру, що забезпечить простоту, гнучкість та масштабованість. Програмний продукт складатиметься з трьох окремих незалежних сервісів, що зв’язані між собою: “Data providing service”, “Backend service” та “Frontend service”. Кожен з цих сервісів виконує свою роль в роботі системи. Сервіси було контейнеризовано і зв’язки між ними налаштовано використовуючи засоби Docker. Об’єкт дослідження – процес ціноутворення нерухомості. Предмет дослідження – моделі, методи та засоби визначення вартості нерухомості за її фізичними параметрами та розташуванням, а також реалізації їх у інформаційній системі аналізу ціноутворення. Мета роботи – розробити онлайн систему, що надаватиме користувачам актуальні дані щодо вартості об’єктів нерухомості. Це дасть змогу продавцям визначити поточну вартість нерухомості залежно від параметрів та розташування, з метою подальшого встановлення ціни при продажу. Для покупців ця система буде актуальною, оскільки дасть змогу значно пришвидшити і спростити процес пошуку нерухомості, надаючи інструменти фільтрування, оцінки, рекомендації, аналізу та автоматичного сповіщення. Зібравши усі необхідні дані, відфільтрувавши і обробивши їх, натренувавши на їх основі модель машинного навчання і протестувавши її було виконано найважливішу частину роботи. Результати роботи моделі задовольнили вимоги системи, а тому можна вважати, що дослідження виявилось успішним.In the world of real estate, accurate property valuation plays a crucial role in the buying and selling process. A property’s value is determined by various factors, such as location, kitchen and room area, condition, year of construction, amenities, nearby infrastructure, area development trends, market trends, and many others. It is important to get an accurate estimate in order to make right decisions and avoid mistakes that can lead to financial losses [1]. The developed system will help sellers to get an assessment of their real estate according to the entered parameters, which can serve as a starting point for setting the final value. By understanding the market value of their property, sellers can set a price and make sure they take advantage of every opportunity to sell fairly. For buyers, this service will be relevant, as they will be able to search for real estate according to the parameters entered by them, which have a favorable price for purchase. The system will display real estate with an optimal and understated price, which will make it possible not to overpay for its purchase, and perhaps even save money. Also, such approach will make it possible to significantly reduce the number of real estate that is worth considering and filter out all options with clearly inflated value indicators. Thus, the implementation of the system will make it possible to make the real estate market more transparent. With a correct assessment, sellers will be able to set a fair price and avoid underestimating the value of real estate. And for buyers, in turn, the inflated value of real estate from the seller can serve as a basis for further bargaining. Historically, real estate valuation has primarily depended on manual analysis and subjective assessments, leading to frequent errors and delays. The use of machine learning algorithms in solving this problem has proven to be effective, as it has a number of advantages over the manual assessment method, namely: a high level of accuracy, exclusion of subjectivity and bias in assessments, time efficiency, cost reduction, use of geospatial data and justification of results [2]. The process of creating a machine learning model is conventionally divided into four stages, which include data collection, filtering, processing, addition, division into different samples, and training the model based on this data. It was decided to use several regression algorithms simultaneously to build machine learning models in order to compare the results and choose the algorithm that is best suited to solving the task. By applying linear regression algorithms, decision trees, the nearest neighbor method, the support vector method, and random forest, the latter showed the best results. After manually selecting the hyperparameters for this algorithm, the mean absolute error of the predicted value was 8.49%, and the median was 1.9%. To implement this system, a decision was made to use a microservice architecture, ensuring simplicity, flexibility, and scalability. The software product will consist of three separate independent services connected to each other: 'Data providing service,' 'Backend service,' and 'Frontend service.' Each of these services performs a specific role in the operation of the system. The services were containerized, and connections between them were configured using Docker tools. Study object – the real estate pricing process. Scope of research –models, methods, and means of determining the value of real estate according to its physical parameters and location, as well as their implementation in the information system of pricing analysis. Goal of research – to develop an online system that will provide users with up-to-date data on the value of real estate objects. This will allow sellers to determine the current value of the property depending on the parameters and location, in order to subsequently set the price at the time of sale. For buyers, this system will be relevant because it will make it possible to significantly speed up and simplify the process of searching for real estate by providing filtering, evaluation, recommendation, analysis and automatic notification tools. After collecting all the necessary data, filtering and processing it, training a machine learning model, and testing it, the most crucial part of the work was completed. The model's prediction results met the system requirements, indicating the success of the research.