Derin öğrenme tabanlı konut değerleme
Deep learning based housing valuation
- Tez No: 858721
- Danışmanlar: PROF. DR. OĞUZ GÜNGÖR
- Tez Türü: Doktora
- Konular: Bilim ve Teknoloji, Ekonomi, Science and Technology, Economics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Gayrimenkul Geliştirme ve Yönetimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 140
Özet
İnsanların barınma amacıyla, hayatları boyunca hacim bakımından yaptıkları en önemli yatırım genel olarak konut satın alma üzerine olmuştur. Konut değerinin belirlenmesi bir problem olarak ortaya çıkmış ve bu amaçla çeşitli değerleme yöntemleri kullanılmıştır. Lisanslı Değerleme Uzmanları Kraliyet Kurumu (RICS), Yapay Sinir Ağları (YSA) yaklaşımı otomatik değerleme metotları arasında kullanılmaktadır. Bu çalışma kapsamında, Kayseri ilinin merkezindeki üç ilçede çok katlı binalarda yer alan konutların satış verileri toplanmıştır. Konutun bulunduğu binaya ait özellikler, konutun iç özellikleri ve konum bilgileri gibi üç kategoriden oluşan öznitelikler belirlenmiştir. Toplam 45 değişken içeren 1365 konut verisi eğitim, doğrulama ve test verisi olarak ayrılmıştır. Python yazılım dilinde, keras kütüphanesi kullanılarak 144 farklı DÖ mimarisi geliştirilmiştir. Bu mimarilerin başarıları, R-kare (r2), Ortalama Mutlak Hata (OMH), Ortalama Kareli Hata (OKH), Ortalama Mutlak Yüzde Hatası (OMYH), Ortalama Kare Hata Karekökü (OKHK) ve hataların standart sapması hesaplanarak karşılaştırılmıştır. Ayrıca Çoklu Doğrusal Regresyon (ÇDR) ve Coğrafi Ağırlıklı Regresyon (CAR) yöntemleri de kullanılarak konut değerleri tahmin edilmiştir. Elde edilen bulgulara göre; DÖ yöntemi OMYH ölçütü bakımından 0,057 değeri ile, ÇDR yönteminden %9,1 ve CAR yönteminden ise %7,3 oranında daha iyi sonuç vermiştir. Sonuç olarak, kentsel dönüşüm, toplu konut projeleri, yeni imara açılan bölgelerdeki konutlar, emlak vergi değerinin belirlenmesi, özniteliğe dayalı değer haritalarının oluşturulması, değer artış payı hesabını gerektiren imar planı tadilatları gibi toplu ve hızlı bir şekilde konut değerlemesinin yapılmasının gerekli olduğu durumlarda, Kayseri ilinde 3 ilçe merkezindeki çalışma sınırlarında kullanılabilecek başarılı bir DÖ mimarisi geliştirilmiştir.
Özet (Çeviri)
The most significant investment that people make in terms of volume for housing purposes throughout their lives has generally been buying a house. Determining the value of a house has emerged as a problem, and various valuation methods have been used for this purpose. Artificial Neural Networks (ANN) approach is one of the automatic valuation methods used by Royal Institution of Chartered Surveyors (RICS). In this study, sales data of residential properties located in multi-story buildings in three districts in the center of Kayseri province were collected. Attributes (variables) belonging to the building where the house is located, the internal features of the house, and the spatial characteristics of the building's location were determined as three categories. A total of 1365 housing data consisting of 45 variables were divided into training, validation, and test data. In the Python programming language, 144 different DÖ architectures have been developed using the Keras library. The successes of these architectures were compared by calculating the R-squared (r2) value, Mean Absolute Error (MAE), Mean Squared Error (MSE), Mean Absolute Percentage Error (MAPE), Root Mean Squared Error (RMSE) and the standard deviation of errors. In addition, Multiple Linear Regression (MLR) and Geographically Weighted Regression (GWR) methods were used to predict housing values. According to the findings, the DÖ method yielded better results in terms of the MAPE criterion with a value of 0.057, outperforming the MLR method by 9.1% and the GWR method by 7.3%. Consequently, in cases where it is necessary to carry out mass and rapid housing valuation, such as urban transformation, mass housing projects, housing in newly opened areas, determination of property tax value, creation of attribute-based value maps, and zoning plan amendments requiring the calculation of increment value share, a successful real estate valuation architecture has been developed within the working boundaries of 3 districts in Kayseri province.
Benzer Tezler
- Deep image prior based high resolution isar imaging for missing data case
Eksik veri için derin görüntü önceli tabanlı yüksek çözünürlüklü tyar görüntüleme
NECMETTİN BAYAR
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- İlköğretim 6. sınıf görsel sanatlar dersinde Türk damgaları konusu ile milli değerlerin kazandırılmasında proje tabanlı öğrenmenin etkisi
The effects of project based learning on acqusition of national values with subject of Turkish stamps in visual art course of the sixth grade primary school
SEMA KARA
Doktora
Türkçe
2017
Eğitim ve ÖğretimGazi ÜniversitesiGüzel Sanatlar Eğitimi Ana Bilim Dalı
PROF. DR. ALEV KURU
- Gsm sektörü için müşteri merkezli bilgi yönetimi değerlendirme modeli tasarımı ve bir uygulama
The design of customer centric knowledge mangement assessment model for gsm ındustry and an aplıcatıon
ATİK KULAKLI
- Derin öğrenme tabanlı yapı elektrik plan çizimi
Deep learning based building electrical plan drawing
BAYRAM AKGÜL
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAKAN KUTUCU
- Derin öğrenme metotları kullanılarak farklı sosyal statüye sahip yapısal alanlarda binaların semantik segmentasyonu: İstanbul örneği
Semantic segmentation of buildings in structural areas with different social statuses using deep learning methods: Istanbul example
BURCU AMİRGAN
Yüksek Lisans
Türkçe
2023
Jeodezi ve FotogrametriKocaeli ÜniversitesiJeodezi ve Jeoinformasyon Mühendisliği Ana Bilim Dalı
PROF. DR. ARZU ERENER