Zum Inhalt springen
Studia i Prace WNEiZ US

Vorher: Zeszyty Naukowe Uniwersytetu Szczecińskiego. Studia i Prace WNEiZ

nr 45/1 2016
OpenAlex

Daten beziehen sich auf diesen Artikel oder dieses Kapitel.

Datensatz in der Datenbank gefunden

Zitate
6
Literaturangaben
6
Zitate nach Jahren
JahrZitate
20181
20191
20212
20242

Daten abgerufen:

Die zuletzt verfügbaren Daten werden angezeigt. Eine Aktualisierung steht aus oder ist fehlgeschlagen.

Quelle ansehen (neuer Tab)
Crossref

Daten beziehen sich auf diesen Artikel oder dieses Kapitel.

Datensatz in der Datenbank gefunden

Zitate
6

Daten abgerufen:

Die zuletzt verfügbaren Daten werden angezeigt. Eine Aktualisierung steht aus oder ist fehlgeschlagen.

Quelle ansehen (neuer Tab)
OpenCitations

Daten beziehen sich auf diesen Artikel oder dieses Kapitel.

Zitate
6

Daten abgerufen:

Die zuletzt verfügbaren Daten werden angezeigt. Eine Aktualisierung steht aus oder ist fehlgeschlagen.

Zitierende Veröffentlichungen
  1. 10.1016/j.procs.2024.09.323 (2024)
  2. 10.3846/ijspm.2021.14293 (2021)
  3. 10.1088/1757-899x/710/1/012001 (2019)
  4. 10.2478/remav-2024-0029 (2024)
  5. 10.31648/ts.7062 (2021)
  6. 10.2478/rgg-2018-0011 (2018)
Quelle ansehen (neuer Tab)
Google Scholar

Prognozowanie cen nieruchomości lokalowych za pomocą sztucznych sieci neuronowych

DOI: 10.18276/sip.2016.45/1-25
Zitieren

Der Volltext ist verfügbar

Abstract

Opracowanie porusza problematykę modelowania cen nieruchomości lokalowych na rynku wtórnym za pomocą sztucznych sieci neuronowych. Przeprowadzone przez autorów badania mają charakter zarówno literaturowy, jak i empiryczny. W procesie budowy modeli testowano możliwość użycia licznych zmiennych wejściowych. Badania objęły swoim zasięgiem strefę śródmiejską Łodzi. Wśród sieci poddanych testom znalazły się: sieć jednokierunkowa wielowarstwowa o jednej i dwóch warstwach ukrytych oraz sieć o radialnych funkcjach bazowych.
PDF-Vorschau

PDF öffnen

Bibliographie

  1. Antipov, E.A., Pokryshevskaya, E.B. (2012). Mass Appraisal of Residential Apartments: An Application of Random Forest for Valuation and a CART-based Approach for Model Diagnostics. Expert Systems with Applications, 39, 1772–1778. DOI: 10.1016/j.eswa.2011.08.077.
  2. Chiarazzo, V., Caggiani, L., Marinelli, M., Ottomanelli, M. (2014). A Neural Network Based Model for Real Estate Price Estimation Considering Environmental Quality of Property Location. Transportation Research Procedia, 3, 810–817. DOI: 10.1016/j.trpro.2014.10.067.
  3. Garcia, N., Gamez, M., Alfaro, E. (2008). ANN+GIS: An Automated System for Property Valuation. Neurocomputing, 71, 733–742. DOI: 10.1016/j.neucom.2007.07.031.
  4. Jasiński, T. (2003). Przegląd architektur sztucznych sieci neuronowych wykorzystywanych w ekonomii do przewidywania szeregów czasowych. Studia i Prace Kolegium Zarządzania i Finansów, 35, 166–177.
  5. Liu, X., Deng, Z., Wang, T. (2011). Real Estate Appraisal System Based on GIS and BP Neural Network. Transactions of Nonferrous Metals Society of China, 21, 626–630. DOI: 10.1016/S1003-6326(12)61652-5.
  6. Selim, H. (2009). Determinants of House Prices in Turkey: Hedonic Regression Versus Artificial Neural Network. Expert Systems with Applications, 36, 2843–2852. DOI: 10.1016/j.eswa.2008.01.044.
  7. Tadeusiewicz, R. (1998). Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami. Warszawa: Akademicka Oficyna Wydawnicza PLJ.