1# RECORD 855f8c9e0508b319a7022588b7485215b722768f2# TITLE: A RECURRENT NEURAL NETWORK FOR FOR REAL ESTATE PRICE ESTIMATION3# YEAR: 2023.0 VENUE: Energy and automation DOI: 10.31548/energiya5(69).2023.0884# AUTHORS: O. Tymchuk; A. Pylypenko; Артем Кича5# PAGES: 12 CANDIDATE TABLE PAGES (1-based): []6# ABSTRACT: The paper considers the problem of estimating the price of real estate. Automation of the solution to the specified problem is one of the methods of providing an objective assessment, which excludes such subjective factors as an arithmetic calculation error, assessment under the influence of emotions, assessment under the influence of the pursuit of one's own goals. Most often, regression analysis (hedonic regression) and machine learning methods are used to solve the problem of estimating the price of real estate. The purpose of this research is to build a model for estimating the price of real estate not only on the basis of the usual quantitative indicators (for example, area, number of rooms, floor, etc.), but also on the basis of the textual description of the real estate. In this paper we consider a real estate in new residential builings in the Kyiv. To achieve the goal, a mathematical model was developed for the classification of real estate class based on a textual description using a recurrent neural network. The model is developed as a multi-layer feed-forward neural network that accepts textual data describing a new residential building and passes it through a series of hidden layers, where each layer consists of neurons. The simulated categorical variable 'predictedClass' was used as the independent variable of the linear regression to calculate the price of an apartment in a new building. Compared to classical linear regression with quantitative regressors, the new model provided a high R2 with a minimal number of variables.789===== PAGE 1 (score 0, numeric-paren 0, table-words 0, var-words 0) =====1011"Енергетика і автоматика", №5 2023 р. 1288 13УДК 004.8 DOI 10.31548/energiya5(69).2023.088 14ЗАСТОСУВАННЯ РЕКУРЕНТНОЇ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ ОЦІНКИ 15ВАРТОСТІ ОБ’ЄКТІВ НЕРУХОМОСТІ 16О. С. Тимчук, кандидат технічних наук, доцент 17E-mail: oleh.tymchuk@knu.ua 18А. І. Пилипенко, кандидат технічних наук, доцент 19E-mail: anna.pylypenko@knu.ua 20А. В. Кича, магістрант кафедри програмних систем і технологій 21E-mail: a.kicha@knu.ua 22Київський національний університет імені Тараса Шевченка 23 24Анотація. Розглянуто проблему оцінки вартості об’єктів нерухомості. 25Автоматизація вирішення зазначеної проблеми є одним із способів надання 26об’єктивної оцінки, в якому виключені такі суб’єктивні фактори як помилка 27арифметичного розрахунку, оцінка під впливом емоцій, оцінка під впливом 28переслідування власних цілей. Найчастіше для вирішення задачі оцінки вартості 29об’єктів нерухомості використовується регресійний аналіз (гедонічна регресія) та 30методи машинного навчання. Метою цього дослідження є побудова моделі для 31оцінки вартості об’єктів нерухомості не лише на звичних кількісних показниках 32(наприклад, площа, кількість кімнат, поверх тощо), а й на базі текстового опису 33об’єкта нерухомості. У статті як об’єкти нерухомості розглядаються квартири в 34новозбудованих житлових комплексах м. Києва. Для досягнення мети розроблено 35математичну модель для класифікації класу житла новобудови на основі 36текстового опису за допомогою рекурентної нейронної мережі. Модель розроблена 37як багатошарова нейронна мережа прямого зв’язку, яка приймає текстові дані 38опису житлового комплексу (новобудови) та пропускає їх через серію прихованих 39шарів, де кожен шар складається з нейронів. Змодельована категоріальна змінна 40'predictedClass' була використана як незалежна змінна лінійної регресії для 41розрахунку вартості квартири в новобудові. У порівнянні з класичною лінійною 42регресією з кількісними регресорами, нова модель забезпечила високий показник 43 44при мінімальній кількості змінних. 45Ключові слова: об’єкт нерухомості, категоріальна змінна, класифікація, 46рекурентна нейронна мережа, лінійна регресія 47 48Актуальність. Оцінка вартості об’єктів нерухомості – важлива задача для 49суспільства, яка щодня вирішується не тільки власниками та інвесторами 50нерухомості, але й банками, страховими компаніями, аналітичними центрами тощо. 51Зростання ринку нерухомості сигналізує про зростання попиту у цьому секторі як 52