Автоматизированные модели оценки земли: сравнительное исследование четырех методов машинного обучения и глубокого обучения на основе комплексного набора влиятельных факторов

Точная оценка земель необходима для целей налогообложения, распределения земельных ресурсов, управления недвижимостью и градостроительного планирования. Поскольку различные факторы из разных областей влияют на цены земли через нелинейные взаимосвязи, автоматизация процесса оценки земли в больших масштабах представляет собой сложную задачу. Передовые технологии анализа больших данных и искусственного интеллекта продемонстрировали превосходные возможности извлечения знаний в подобных случаях. В соответствии с этим в статье разработаны и сравнены по качеству четыре автоматизированные модели оценки (Automated Valuation Models, AVM), основанные на методах машинного обучения и глубокого обучения с использованием физических, географических, социально-экономических, экологических, правовых и планировочных факторов для Мельбурнской столичной области, Австралия. Согласно результатам, метод eXtreme Gradient Boosting (XGBoost) превосходит другие алгоритмы: Support Vector Regression (SVR), случайный лес (random forest) и глубокую нейронную сеть (Deep Neural Network, DNN). Этот метод достиг коэффициента детерминации (R2) 0.862, среднеквадратичной абсолютной процентной ошибки (Mean Absolute Percentage Error, MAPE) 0.139 и нормализованной корневой средней квадратичной ошибки (nRMSE) 0.281. Достигнутая высокая точность объясняется включением широкого набора управляющих факторов и применением инновационных процедур отбора признаков и настройки гиперпараметров, оценивающих различные возможные наборы признаков и гиперпараметры. Соответственно, данная работа может внести вклад в исследовательскую, государственную и промышленную деятельность в части разработки AVM для массовой оценки земель.