Тип публикации: доклад, тезисы доклада, статья из сборника материалов конференций
Конференция: V Всероссийская (национальная) научная конференция «Достижения науки и технологий» (ДНиТ-V-2026); Красноярск; Красноярск
Год издания: 2026
Идентификатор DOI: 10.47813/dnit.5.2026.2014
Ключевые слова: real estate price forecasting, machine learning, nonlinear regression, data preprocessing, pricing model, housing valuation, прогнозирование цен на недвижимость, машинное обучение, нелинейная регрессия, предобработка данных, модель ценообразования, оценка стоимости жилья
Аннотация: В работе рассмотрена задача прогнозирования цен на рынке жилой недвижимости с использованием методов машинного обучения. Дана оценка ограничений традиционных подходов, не учитывающих сложные нелинейные зависимости. Представлена методика построения модели на основе параметрической регрессии с несколькими уровнями нелинейных преобразПоказать полностьюований. Изложен процесс подготовки данных, включающий очистку, обработку выбросов и стандартное масштабирование признаков. Описана процедура обучения модели, сформулированная как задача минимизации среднеквадратичной ошибки, с акцентом на предотвращение переобучения. Приведены результаты вычислительного эксперимента, показавшие способность модели адекватно воспроизводить общие закономерности ценообразования. Сделан вывод о целесообразности применения подобных моделей в качестве инструмента поддержки принятия решений для аналитических систем риелторских, инвестиционных и девелоперских компаний. Определены направления дальнейших исследований, связанные с расширением набора признаков и разработкой гибридных подходов. The paper addresses the problem of forecasting prices in the residential real estate market using machine learning methods. An assessment of the limitations of traditional approaches, which fail to account for complex nonlinear dependencies, is provided. A methodology for building a model based on parametric regression with multiple levels of nonlinear transformations is presented. The data preparation process is described, including cleaning, outlier handling, and standard scaling of features. The model training procedure, formulated as a mean squared error minimization task with an emphasis on preventing overfitting, is outlined. The results of a computational experiment are presented, demonstrating the model's ability to adequately reproduce general pricing patterns. It is concluded that the application of such models is advisable as a decision support tool for analytical systems of real estate, investment, and development companies. Directions for further research related to expanding the feature set and developing hybrid approaches are defined.
Журнал: Достижения науки и технологий (ДНиТ-V-2026)
Номера страниц: 247-253
Место издания: Красноярск