Geri Dön

Konut satış fiyatlarının coğrafi bilgi sistemi girdili makine öğrenmesi yöntemleri ile tahminlenmesi: İstanbul örneği

House sales price prediction with geographic information system inputed machine learning methods: İstanbul sample

PDF İndir

  1. Tez No: 884211
  2. Yazar: DUYGU ATASEVER
  3. Danışmanlar: PROF. DR. ERSOY ÖZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 78

Özet

Konut piyasası, her konutun benzersiz özelliklere sahip olması nedeniyle çeşitlilik gösterir. Bu yüzden konut satış fiyatlarının tahmini, hem bireyler hem de sektör profesyonelleri için önemli bir konudur. Özellikle İstanbul gibi büyük ve dinamik bir şehirde, fiyatların nasıl şekillendiğini anlamak, doğru yatırım kararları alabilmek için kritik bir öneme sahiptir. Bu bağlamda, gelişmiş analitik yöntemler ve teknolojilerin kullanımı, konut satış fiyat tahminlerinin doğruluğunu artırmada büyük bir rol oynar. Coğrafi Bilgi Sistemleri (CBS) ve makine öğrenmesi tekniklerinin entegrasyonu, bu alanda yeni ve etkili bir yaklaşım sunmaktadır. Bu yöntemler, konut satış fiyatlarını etkileyen çeşitli faktörlerin, özellikle de konumsal faktörlerin, derinlemesine analiz edilmesini sağlar. Araştırmanın temel amacı, İstanbul'un çeşitlilik gösteren konut piyasasında, satış fiyatlarının tahmin edilmesi sürecinde CBS ve makine öğrenmesi tekniklerinin etkin bir şekilde kullanılmasıdır. Makine öğrenmesi algoritmaları, konutların değerini etkileyen birçok faktörü analiz ederek, fiyat tahminlerinde bulunurken, CBS teknikleri konutların coğrafi konumlarını dikkate alarak, fiyatlar üzerindeki konumsal etkilerini gözler önüne serer. Bu yaklaşım, konut satış fiyatlarının daha kapsamlı bir şekilde anlaşılmasını ve daha doğru tahminler yapılmasını sağlamaktadır. Bu bakımdan çalışmada iki farklı model geliştirilmiştir. İlk modelde, konutun temel öznitelikleri (örneğin, metrekare, oda sayısı, bina yaşı) kullanılmıştır. İkinci modelde ise, CBS ile hesaplanmış uzaklık değişkenleri (örneğin, park, toplu taşıma gibi önemli noktalara olan mesafeler) temel özelliklere eklenmiştir. XGBoost, LightGBM ve CatBoost algoritmaları ile gerçekleştirilen analizlerde, CBS ile zenginleştirilmiş modelin performansının daha yüksek olduğu gözlemlenmiştir. Özellikle LightGBM algoritması, CBS değişkenlerinin eklendiği modelde en yüksek performansı göstermiştir. XGBoost ve CatBoost algoritmaları da başarılı sonuçlar elde etmiştir. Araştırma sonuçları, konut satış fiyatlarının tahmininde CBS ve makine öğrenmesi tekniklerinin birlikte kullanımının önemini vurgulamaktadır. Bu tez çalışması, konut piyasasının analiz edilmesi ve fiyat tahminlerinin yapılması konusunda yeni bir perspektif sunarak, sektördeki uygulamalara katkıda bulunmayı amaçlamaktadır. Çalışmada kullanılan yaklaşım, konut piyasasının daha kapsamlı bir şekilde anlaşılmasını ve daha doğru tahminler yapılmasını sağlamaktadır.

Özet (Çeviri)

The housing market is characterised by a high degree of diversity, with each residential property exhibiting distinctive characteristics. It is therefore of great importance to be able to estimate house sales prices, both for individuals and for industry professionals. In a large and dynamic city like Istanbul, understanding how prices are shaped is of critical importance in making the right investment decisions. In this context, the use of advanced analytical methods and technologies plays a significant role in improving the accuracy of home sales price forecasts. The integration of Geographic Information Systems (GIS) and machine learning techniques offers a new and effective approach in this field. These methods enable in-depth analysis of various factors affecting home sales prices, especially locational factors. The principal objective of the research is to ascertain the most efficacious methodologies for utilising GIS and machine learning techniques in the estimation of sales prices within Istanbul's heterogeneous housing market. While machine learning algorithms make price predictions by analysing a multitude of factors that affect the value of houses, geographic information system (GIS) techniques take into account the geographical locations of houses and reveal the locational effects on prices. This approach offers a more comprehensive understanding of home sales prices and more accurate predictions. In this context, two distinct models were developed in the course of the study. In the initial model, the fundamental characteristics of the residence, including square footage, number of rooms, and age, were utilized. In the second model, distance variables calculated with GIS (for example, distances to important points such as parks and public transportation) were incorporated into the basic characteristics. The results of the analyses conducted with the XGBoost, LightGBM, and CatBoost algorithms indicated that the performance of the GIS-enriched model was superior. In particular, the LightGBM algorithm demonstrated the most pronounced performance in the model where CBS variables were incorporated. Furthermore, the XGBoost and CatBoost algorithms yielded favourable outcomes. The findings of the research study underscore the significance of integrating geographic information systems (GIS) and machine learning techniques for the accurate prediction of house sale prices. The objective of this thesis is to make a contribution to the practices in the sector by offering a new perspective on the analysis of the housing market and the formulation of price predictions. The approach used in the study provides a more comprehensive understanding of the housing market and more accurate forecasts.

Benzer Tezler

  1. Tez No

    907863

    Developing a GIS tool to analyze housing price variability in urban regions case study: Ankara

    Kentsel bölgelerde konut fiyat değişkenliğini analiz etmek için bir GIS aracı geliştirme vaka çalışması: Ankara

    DUAA ABU SADAA

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    CoğrafyaOrta Doğu Teknik Üniversitesi

    Jeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı

    PROF. DR. ZUHAL AKYUREK

    DOÇ. DR. TUNCAY KÜÇÜKPEHLİVAN

  2. Tez No

    846836

    Assessment of urbanization history of Addis Ababa city, Ethiopia

    Addıs Ababa cıty, Ethıopıa'nın kentleşme tarihinin değerlendirilmesi

    ABDURAHMAN HUSSEN YIMER

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Şehircilik ve Bölge PlanlamaMersin Üniversitesi

    Şehir ve Bölge Planlama Ana Bilim Dalı

    DOÇ. DR. ALİ CENAP YOLOĞLU

  3. Tez No

    520179

    Coğrafi bilgi sistemleri yardımıyla gayrimenkul değer artışı haritalarının oluşturulması: Eskişehir ili Tepebaşı ilçesi örneği

    Creating real estate appreciation maps with the help of geographical information systems: The case of Tepebaşı district of Eskişehir province

    GÖKBEN ADANA KARAAĞAÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    İşletmeAnadolu Üniversitesi

    İşletme Ana Bilim Dalı

    DOÇ. DR. SERPİL ALTINIRMAK

  4. Tez No

    14045

    Theory and practice in logistics activities and A BI-criteria model application

    Başlık çevirisi yok

    FÜSUN ÜLENGİN

    Doktora

    İngilizce

    İngilizce

    1988

    İşletmeİstanbul Teknik Üniversitesi

    DOÇ.DR. SELİME SEZGİN

  5. Tez No

    154627

    Tarihi kent merkezlerindeki konut değerleri dinamizminin analizi

    The analysis of residental property values' dynamism in historic city centers

    YEŞİM KARDAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2004

    Şehircilik ve Bölge Planlamaİstanbul Teknik Üniversitesi

    Gayrimenkul Geliştirme Ana Bilim Dalı

    PROF. DR. VEDİA DÖKMECİ

Geri Dön