Dergiler / Uluslararası İktisadi ve İdari İncelemeler Dergisi / 2018 / Sayı: 20

KONUT FİYAT TAHMİNİNDE YAPAY SİNİR AĞLARI YÖNTEMİNİN KULLANILMASI

USING ARTIFICIAL NEURAL NETWORK METHOD TO PREDICT HOUSING PRICES

Sayfa
285–300
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sonuç olarak yapay sinir ağlarının konut fiyatının tahmin edilmesinde etkili bir araç olduğu gösterilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Teknolojinin gelişmesiyle konut fiyat tahmini için kullanılan yöntemlere yapay sinir ağları yöntemi de eklenmiştir.
📊
Temel Bulgular & Veri:Konutların büyüklüğü, oda sayısı, birinci katta bulunup bulunmadığı, konutun bulunduğu binadaki toplam kat sayısı, merkezi ısıtmalı olup olmadığı, banyo sayısı, asansörün, otoparkın, ankastre mutfağın ve fiber internet bağlantısının bulunup bulunmadığı gibi farklı fiziksel özellikleri, bulunduğu mahalle ve tramvaya uzaklığı parametreleri ile yapay sinir ağları modelleri kurulmuştur.
💡
Sonuç & Katkı:Sonuç olarak yapay sinir ağlarının konut fiyatının tahmin edilmesinde etkili bir araç olduğu gösterilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:19 adet
⚙️Değişkenler:Konut Satış Fiyatı · Yapay Sinir Ağları · YSA

Özet

Teknolojinin gelişmesiyle konut fiyat tahmini için kullanılan yöntemlere yapay sinir ağları yöntemi de eklenmiştir. Bu çalışmada Eskişehir ilinde satılık konut fiyatlarının tahmininde yapay sinir ağlarının kullanılması araştırılmıştır. Konutların büyüklüğü, oda sayısı, birinci katta bulunup bulunmadığı, konutun bulunduğu binadaki toplam kat sayısı, merkezi ısıtmalı olup olmadığı, banyo sayısı, asansörün, otoparkın, ankastre mutfağın ve fiber internet bağlantısının bulunup bulunmadığı gibi farklı fiziksel özellikleri, bulunduğu mahalle ve tramvaya uzaklığı parametreleri ile yapay sinir ağları modelleri kurulmuştur. Geliştirilen yapay sinir ağları modellerinde gizli katman nöron sayıları farklılaştırılarak 19 adet model elde edilmiş ve bu modellerin performanslarının karşılaştırması yapılarak en uygun gizli katman nöron sayısı belirlenmiştir. Sonuç olarak yapay sinir ağlarının konut fiyatının tahmin edilmesinde etkili bir araç olduğu gösterilmiştir.

Abstract

With improvements in technology artificial neural network has been added among the methods for house price prediction. This study explores the usage of artificial neural network method to predict the housing prices in the city of Eskişehir. The physical characteristics of housing such as the size of the apartment, number of the rooms, if the apartment is located on the first floor or not, the number of the floors of the building, whether it has central heating, number of the bathrooms, whether there is an elevator, and parking lot of the building, if there is built-in kitchen cabinets, availability of fiber internet connection in the building, the neighborhood of the apartment and the distance to the nearest tram stop are used within the neural network model. Different numbers of neurons are tried out within the generated neural network. The results are compared and in conclusion it was shown that artificial neural network is an effective method to predict the housing prices.

🔖

Bu Makaleye Atıf Yap

YILMAZEL, Ö., AFŞAR, A., YILMAZEL, S. (2018). KONUT FİYAT TAHMİNİNDE YAPAY SİNİR AĞLARI YÖNTEMİNİN KULLANILMASI. Uluslararası İktisadi ve İdari İncelemeler Dergisi, Sayı: 20, 285–300. https://ajindex.com/articles/322403

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (16)

  1. Abidoye, R. B. and Chan, A. P. C. 2017. Modeling Property Values in Nigeria Using Artificial Neural Network. Journal of Property Research. 1-18.
  2. Abraham, M. 2016. Determinants of Residential Property Value in New Zeland: A Neural Network Approach, Department of Applied Business, New Zealand Government Institute of Technology (Whitireia). Auckland. 1-24.
  3. Akel, V. Ve Bayramoğlu, M. F. 2008. Kriz Dönemlerinde Yapay Sinir Ağları İle Finansal Öngörüde Bulunma: İMKB 100 Endeksi Örneği. In International Symposium on International Capital Flows and Emerging Markets. 24-28.
  4. Akgül, I. 2003. Zaman Serilerinin Analizi ve ARIMA Modelleri. Der Yayınları.
  5. İstanbul.
  6. Borst, R.A. 1991. Artificial Neural Networks: The Next Modelling/Calibration Technology For The Assessment Community. Artificial Neural Networks, s. 69‐94. Cechin, A., Antonio, S. And Gonzales, M. A. 2000. Real Estate Value at Porto Alegre City Using Artificial Neural Networks. Neural Networks, Proceedings, Sixth Brazilian Symposium on IEEE, November 2000. 237-242.
  7. Coakley, J. R. and Brown, C. 2000. Artificial Neural Networks in Accounting and Finance: Modelling Issues, International Journal of Intelligent Systems in Accounting. Finance and Management. 9 (2), 119-144.
  8. Do, A. Q. and Grudnitski, G. 1992. A neural network approach to residential property appraisal. The Real Estate Appraiser. 58 (3). 38-45.
  9. Ecer, F. 2014. Türkiye’deki Konut Fiyatlarının Tahmininde Hedonik Regresyon Yöntemi ile Yapay Sinir Ağlarının Karşılaştırılması. International Conference On Eurasian Economies. 1-10.
  10. Eibe, F., Mark, A., Hall, and Ian H. Witten (2016). The WEKA Workbench. Online Appendix for Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, Fourth Edition.
  11. Elmas, Ç. 2003.
  12. Yapay Sinir Ağları, Birinci Baskı, Ankara:
  13. Seçkin Yayıncılık. Esperanzo, M. and Gallego, J. 2004. Artificial Intelligence Applied to Real Estate Valuation an Example fort he Appraisal of Madrid. Catastro. April 2004. 255-265.
  14. Hagan, M. T., Demuth, H. B. and Beale, M. H. 1996. Neural Network Design. PWS Pub. Co. Boston. 6. Haykin, S. and Network, N. 2004. A Comprehensive Foundation. Neural Networks. New York: MacMillan College Publishing Company. 246-262.
  15. Limsombunchai, V., Gan, C. and Lee, M. 2004. House Price Predicting Using Artificial Neural Networks: A Comparative Study with Hedonic Price Model. American Journal of Applied Sciences. 1 (3). 193-201.
  16. Khalafallah, A. 2008. Neural Networks Based Model for Predicting Housing Market