Approaches to Analysis of Factors Affecting the Residential Real Estate Bid Prices in Case of Open Data Use

Boiko, Dmitry; Parygin, Danila; Savina, Oksana; Golubev, Alexey; Zelenskiy, Ilya; Mityagin, Sergey A.

doi:10.1007/978-3-030-39296-3_27

Cited by 7 publications

(3 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The three most representative keywords in each semantic label, as shown in Table 3 . In common sense, the 5 semantic labels are the most important factors that people consider for buying an estate ( Boiko et al, 2020 ). In other words, they affect the real estate price heavily.…”

Section: Resultsmentioning

confidence: 99%

Towards Semantically-Rich Spatial Network Representation Learning via Automated Feature Topic Pairing

et al. 2021

View full text Add to dashboard Cite

Automated characterization of spatial data is a kind of critical geographical intelligence. As an emerging technique for characterization, spatial Representation Learning (SRL) uses deep neural networks (DNNs) to learn non-linear embedded features of spatial data for characterization. However, SRL extracts features by internal layers of DNNs, and thus suffers from lacking semantic labels. Texts of spatial entities, on the other hand, provide semantic understanding of latent feature labels, but is insensible to deep SRL models. How can we teach a SRL model to discover appropriate topic labels in texts and pair learned features with the labels? This paper formulates a new problem: feature-topic pairing, and proposes a novel Particle Swarm Optimization (PSO) based deep learning framework. Specifically, we formulate the feature-topic pairing problem into an automated alignment task between 1) a latent embedding feature space and 2) a textual semantic topic space. We decompose the alignment of the two spaces into: 1) point-wise alignment, denoting the correlation between a topic distribution and an embedding vector; 2) pair-wise alignment, denoting the consistency between a feature-feature similarity matrix and a topic-topic similarity matrix. We design a PSO based solver to simultaneously select an optimal set of topics and learn corresponding features based on the selected topics. We develop a closed loop algorithm to iterate between 1) minimizing losses of representation reconstruction and feature-topic alignment and 2) searching the best topics. Finally, we present extensive experiments to demonstrate the enhanced performance of our method.

show abstract

Section: Resultsmentioning

confidence: 99%

Towards Semantically-Rich Spatial Network Representation Learning via Automated Feature Topic Pairing

et al. 2021

View full text Add to dashboard Cite

show abstract

“…Для тестирования разработанного алгоритма был проведён эксперимент по оценке привлекательности квартир на выборке из 100 двухкомнатных квартир, выставленных на продажу на сайтах avito.ru и irr.ru. Фрагмент выборки и результаты работы алгоритма оценки представлены в таблице 1 [14]. Было произведено сравнение динамики полученных оценок с динамикой рыночных цен в выборке.…”

Section: тестирование алгоритма оценкиunclassified

“…Было произведено сравнение динамики полученных оценок с динамикой рыночных цен в выборке. Принимая во внимание корреляцию между привлекательностью объекта и рыночной ценой объекта, был сделан вывод об адекватности разработанного подхода [14]. The development of Russian cities is characterized by the need to solve a number of problems related to the reorganization of industrial territories that developed during the Soviet period of economic development, the improvement and renovation of the territory of old buildings, and the development of unused territories.…”

Section: тестирование алгоритма оценкиunclassified

Оценка Привлекательности Недвижимости При Комплексном Развитии Участка Территории

Зеленский¹,

Парыгин²,

Савина³

2022

ИООНТБ

View full text Add to dashboard Cite

Развитию городов России свойственна необходимость решения целого ряда проблем, связанных с реорганизацией промышленных территорий, сложившихся в советский период развития экономики, благоустройством и реновацией территории старой застройки, развитием неиспользуемых территорий. Во многом речь идет об обеспечении качества жизни людей, т.к. неравномерное развитие может быть триггером экономической и социальной поляризации. С 2020 года в законодательство РФ введён термин «комплексное развитие территорий» (КРТ). Актуальность исследования подходов к КРТ обусловлена современными тенденциями разрастания городов, изменения принципов образования и развития поселений, требованиями к архитектурному и градостроительному проектированию при создании благоприятной среды для инвестиций и жизнедеятельности человека, а также к управлению развитием имеющихся территорий. Подобное комплексное городское планирование сталкивается с проблемами принятия эффективных и взвешенных управленческих решений. В настоящей статье предлагается подход к сравнению вариантов застройки в рамках КРТ на основе критерия потребительской привлекательности недвижимости на развиваемой территории. Оценку потребительской привлекательности предлагается выполнять на основе открытых данных о городской среде, доступной на тематических сайтах об операциях с недвижимостью и геоинформационных сервисах. В статье описаны созданные алгоритмы подготовки информации, оценки инфраструктурной обеспеченности и потребительской привлекательности объектов недвижимости.

show abstract

Neural Network Processing of Natural Russian Language for Building Intelligent Dialogue Systems

Parygin

Matyushin

Finogeev

et al. 2020

Communications in Computer and Information Science

View full text Add to dashboard Cite

Approaches to Analysis of Factors Affecting the Residential Real Estate Bid Prices in Case of Open Data Use

Cited by 7 publications

References 9 publications

Towards Semantically-Rich Spatial Network Representation Learning via Automated Feature Topic Pairing

Towards Semantically-Rich Spatial Network Representation Learning via Automated Feature Topic Pairing

Оценка Привлекательности Недвижимости При Комплексном Развитии Участка Территории

Neural Network Processing of Natural Russian Language for Building Intelligent Dialogue Systems

Contact Info

Product

Resources

About