Yapay zeka yaklaşımı ile Ankara'daki iki farklı lokasyonda gayrimenkul değerleme üzerine uygulamalar
[ X ]
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Kırıkkale Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Gayrimenkul alımı sırasında kesin bir fiyatın olmaması ve bu değerin tamamen göreceli olmasından dolayı, gayrimenkulün gerçekçi bir değerine en yakın şekilde ulaşma ihtiyacı, yapı maliyeti, kira getirisi ve/veya benzeri piyasa fiyatları gibi faktörler göz önünde bulundurularak pazarlama sürecinde gerçekleştirilmektedir. Özellikle konutlar için, bu değerlendirme genellikle piyasa satış değerine dayanmaktadır. Bu tez çalışmasında, konutların gerçekçi değerini hızlı, anlaşılır ve doğru bir şekilde belirlemek için istatistiksel bir yöntem olan Çoklu Regresyon Analizi kullanılmıştır. Bu amaçla, Ankara'da farklı bölgelerde satılan konut fiyatları tahmin edilmiştir. İlk uygulama örneğinde, 2019 yılında Ankara'nın Keçiören ilçesinde yer alan Atapark, Ufuktepe ve Kanuni mahallelerinde satılık olan 149 konut ilanı incelenmiştir. Bu veriler, genellikle tercih edilen sahibinden.com sitesinden elde edilmiştir. Konutların değerini belirlemek için, binanın yaşını, kat numarasını, oda sayısını, net alanını, site içinde olup olmadığını ve garaj durumunu içeren 6 parametre sayısal olarak ifade edilmiş ve nöron sayısı, gizli katman ve aktivasyon fonksiyonu gibi faktörler değiştirilerek 20 farklı model oluşturulmuştur. En uygun model olarak, üç ara katmana sahip, her ara katmanda 10 nöron bulunan ve ara katmanlarda Sigmoid aktivasyon fonksiyonunun kullanıldığı bir ağ tipi belirlenmiştir. Bu modele göre, konut rayiç değerlerini tahmin etmek için ortalama karesel hata (MSE) 0,00197, regresyon (R) 0,95246 ve piyasa değeri ile tahminler arasındaki doğruluk oranı %92,81 olarak bulunmuştur. İlk 20 adet konutun rayiç değerleri ile hesaplanan çoklu regresyon değeri ise %84.91 olarak elde edilmiştir. İkinci uygulamada, 2022 yılı Ocak ayında Ankara'nın Yenimahalle ilçesinde yer alan Güzelyaka, Yeşilevler, Karşıyaka, Kayalar, Anadolu ve Barış mahallelerindeki konut fiyatları tahmin edilmiştir. İlk uygulamadaki parametrelerin yanı sıra, eşya durumu, banyo sayısı ve konutun güney cephesinde olup olmadığı gibi ek faktörler de değerlendirmeye alınmıştır. Bu yöntemle 9 giriş değişkeni ve 1 çıkış değişkeni kullanılarak tahminler yapılmıştır. İki ara katmana sahip, her ara katmanda 20 nöron bulunan ve ara katmanlarda Hiperbolik Tanjant aktivasyon fonksiyonunun kullanıldığı bir ağ modeli en uygun bulunmuştur. Bu modele göre, konut rayiç değerlerini tahmin etmek için ortalama karesel hata (MSE) 0,000886, regresyon (R) 0,95535 ve piyasa değeri ile tahminler arasındaki doğruluk oranı %89,72 olarak bulunmuştur. İlk 20 adet konutun rayiç değerleri ile hesaplanan çoklu regresyon analizi değeri ise %80.04 olarak elde edilmiştir. Her iki uygulama için seçilen YSA ve ÇRA değerlerinin mukayesesine bakıldığında bu çalışmanın başarılı ve etkili olduğunu göstermektedir. Yapılan tahminlerin, gerçek piyasa değeri en az %80.04 oranında uyumlu olduğu görülmüş ve konut fiyatlarının tahmininde Yapay Sinir Ağları ve Çoklu Regresyon Analizi yöntemlerinin alternatif olarak kullanılabileceği sonucuna varılmıştır.
Due to the absence of a fixed value for real estate prices and their purely relative nature, determining the accurate current value of real estate during the marketing phase involves considering factors such as construction cost, rental or yield potential, and comparable market prices. In residences, this valuation is mostly made over the market sales rate. In this research, an Multiple Regression Analysis (MRA) model, a form of Statistical Intelligence, was developed to swiftly and precisely ascertain current property values. The study focused on estimating the prices of homes (apartments) for sale in two distinct districts of Ankara. In the first application, house sales listings in three different districts—Atapark, Ufuktepe, and Kanuni—within the Keçiören county were analyzed in 2019. Data for a total of 149 properties available for sale were obtained from sahibinden.com, a platform specializing in real estate transactions. To determine the most suitable parameters for establishing the current property values, six criteria for each house (building age, floor level, number of rooms, net area, urban status, and availability of a covered garage) provided by the website were digitized. By altering the hidden layer characteristics, the number of neurons, and the activation function, twenty models were generated. The network model with three intermediary layers, ten neurons in each, and Sigmoid activation functions in these layers was found to be the optimal choice. The process yielded a Mean Square Error (MSE) of 0.00197 and a Regression (R) value of 0.95246 in the training graph encompassing all data. Furthermore, the ANN model's predictions for the properties' market values exhibited an accuracy rate of 92.81% across the entire dataset. The multiple regression value calculated with the appraised values of the first 20 residential properties is obtained as 84.91%. In the second application, a subsequent estimation was conducted in January 2022, focused on determining the prices of homes (apartments) available for sale in adjacent districts—Karşıyaka, Kayalar, Güzelyaka, Yeşilevler, Anadolu, and Barış—within the Yenimahalle county. This time, additional parameters were introduced to the initial set, namely, the presence of furnished settings, the count of bathrooms, and whether the unit faced south. The methodology mirrored that of the prior application, involving digitizing nine input variables and one output variable. The network model with two intermediary layers, each comprising twenty neurons and featuring Hyperbolic Tangent activation functions, emerged as the most suitable. The process yielded a Mean Square Error (MSE) of 0.000886 and a Regression (R) value of 0.95535 in the training graph encompassing all data, with the ANN model achieving an accuracy rate of 89.72% when predicting market values across the entire dataset. The multiple regression value calculated with the appraised values of the first 20 residential properties is obtained as 80.04%. When comparing the selected ANN and MRA values for both applications, it can be observed that this study demonstrates success and effectiveness. The predictions made show a minimum of 80.04% compatibility with the actual market value, indicating that Artificial Neural Networks and Multiple Regression Analysis can be used as alternative methods in predicting housing prices.
Due to the absence of a fixed value for real estate prices and their purely relative nature, determining the accurate current value of real estate during the marketing phase involves considering factors such as construction cost, rental or yield potential, and comparable market prices. In residences, this valuation is mostly made over the market sales rate. In this research, an Multiple Regression Analysis (MRA) model, a form of Statistical Intelligence, was developed to swiftly and precisely ascertain current property values. The study focused on estimating the prices of homes (apartments) for sale in two distinct districts of Ankara. In the first application, house sales listings in three different districts—Atapark, Ufuktepe, and Kanuni—within the Keçiören county were analyzed in 2019. Data for a total of 149 properties available for sale were obtained from sahibinden.com, a platform specializing in real estate transactions. To determine the most suitable parameters for establishing the current property values, six criteria for each house (building age, floor level, number of rooms, net area, urban status, and availability of a covered garage) provided by the website were digitized. By altering the hidden layer characteristics, the number of neurons, and the activation function, twenty models were generated. The network model with three intermediary layers, ten neurons in each, and Sigmoid activation functions in these layers was found to be the optimal choice. The process yielded a Mean Square Error (MSE) of 0.00197 and a Regression (R) value of 0.95246 in the training graph encompassing all data. Furthermore, the ANN model's predictions for the properties' market values exhibited an accuracy rate of 92.81% across the entire dataset. The multiple regression value calculated with the appraised values of the first 20 residential properties is obtained as 84.91%. In the second application, a subsequent estimation was conducted in January 2022, focused on determining the prices of homes (apartments) available for sale in adjacent districts—Karşıyaka, Kayalar, Güzelyaka, Yeşilevler, Anadolu, and Barış—within the Yenimahalle county. This time, additional parameters were introduced to the initial set, namely, the presence of furnished settings, the count of bathrooms, and whether the unit faced south. The methodology mirrored that of the prior application, involving digitizing nine input variables and one output variable. The network model with two intermediary layers, each comprising twenty neurons and featuring Hyperbolic Tangent activation functions, emerged as the most suitable. The process yielded a Mean Square Error (MSE) of 0.000886 and a Regression (R) value of 0.95535 in the training graph encompassing all data, with the ANN model achieving an accuracy rate of 89.72% when predicting market values across the entire dataset. The multiple regression value calculated with the appraised values of the first 20 residential properties is obtained as 80.04%. When comparing the selected ANN and MRA values for both applications, it can be observed that this study demonstrates success and effectiveness. The predictions made show a minimum of 80.04% compatibility with the actual market value, indicating that Artificial Neural Networks and Multiple Regression Analysis can be used as alternative methods in predicting housing prices.
Açıklama
Fen Bilimleri Enstitüsü, İnşaat Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Mühendislik Bilimleri, Engineering Sciences, İnşaat Mühendisliği
