Yapay Zekâ ile Konut Fiyatlarının Tahmin Edilmesi
Konut satın alma, insanların belirli bir bütçe ile barınma, sağlık, güvenlik ve çeşitli sosyokültürelihtiyaçlarını karşılamayı gerektiren çok boyutlu bir problemdir. Yapay zekâ yöntemlerinde yaşanan gelişmeler,artık günlük hayatta konut satın alma gibi birçok problemin çözümüne imkân tanımaktadır. Yapay sinir ağlarıve derin öğrenme yöntemleri bu amaçla kullanılan yöntemlerdendir. Bu çalışmada, internetteki satılık konutverilerini toplayarak kaydeden ve konut fiyat tahmini yapan zeki bir sistem geliştirilmiştir. Geliştirilen sistemdekullanılmak üzere İstanbul iline ait satılık konut verileri toplanmıştır. Veriler 10-katlı çapraz doğrulamayöntemi ile eğitim ve test olacak şekilde ayrıştırılmıştır. Veriler 176 özniteliğe göre 14 farklı algoritma ilemodellenerek fiyat tahmin çalışması yapılmıştır. İstanbul’un Ataşehir ilçesindeki 852 konut için en başarılı fiyat tahmini Rastgele Orman Algoritması ile elde edilmiştir. Yapılan çalışma ile araştırmacıların, konutpiyasasında faaliyet gösteren firmaların ve tüketicilerin konut fiyatlarını tahmin edebileceği bir sistemgeliştirilmiştir. Ayrıca, sonraki çalışmalarda farklı yapay zekâ yöntemlerinin veya konut özniteliklerininkullanılması için araştırmacılara yeni bir bakış açısı kazandırılması hedeflenmiştir.
Estimation of Housing Prices with Artificial Intelligence
Housing purchase is a multidimensional problem that requires people to meet their housing, health, safety and various socio-cultural needs with a certain budget. The developments in artificial intelligence methods now allow solutions too many problems such as buying houses in daily life. Artificial neural networks and deep learning methods are among the methods used for this purpose. In this study, an intelligent system has been developed that collects and records the housing data for sale on the internet and estimates the housing price. Housing data for sale in Istanbul was collected for the developed system. The data were divided into 10- fold cross-validation method for training and testing. The data were modeled with 14 different algorithms based on 176 attributes, and price estimation study was performed. The most successful price estimation for 852 houses in Ataşehir district of Istanbul was obtained by Random Forest Algorithm. With this study, a system has been developed in which researchers, companies operating in the housing market and consumers can estimate the housing prices. In addition, it is aimed to g
___
- Afşar, A., Yılmazel, Ö., & Yılmazel, S. (2017). Konut Fiyatlarını Etkileyen Faktörlerin Hedonik Model İle Belirlenmesi: Eskişehir Örneği. Selçuk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (37), 195-205.
- Akar, Ö., Güngör, O. (2013). Eş Dizimlilik Matrisi ve Rastgele Orman Sınıflandırıcısı ile Çay ve Fındık Alanlarını Sınıflandırılması. Türkiye Ulusal Fotogrametri ve Uzaktan Algılama Birliği VII. Teknik Sempozyumu. 23-25 Mayıs, Trabzon, Türkiye.
- Akar, Ö., Güngör, O., Akar, A. (2010). Rastgele Orman Sınıflandırıcısı ile Arazi Kullanım Alanlarının Belirlenmesi, III. Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Sempozyumu, 11-13 Ekim 2010, Gebze, Kocaeli, Bildiriler Kitabı, pp.142-152.
- Akar, Ö., ve Güngör, O. (2012). Rastgele Orman Algoritması Kullanılarak Çok Bantlı Görüntülerin Sınıflandırılması. Jeodezi ve Jeoinformasyon Dergisi, 1(2), 139-146.
- Aktaş, A. (2020). Derin Öğrenme Yöntemleri İle Dokunsal Parke Yüzeyi Tespiti, Marmara Üniversitesi, Fen bilimleri Enstitüsü. Yüksek Lisans Tezi, İstanbul, 61s.
- Arslan, Y., Ceritoğlu, E., & Kanık, B. (2013). The Effects Of Demographic Changes On The Long Term Housing Demand in Turkey. Munich Personal Repec Archive.
- Bostancıoğlu, E. (1999). Konut binalarının ön tasarımı evresinde maliyeti etkileyen faktörler ve faktörlere dayalı bir maliyet tahmin yöntemi (Doctoral dissertation, Fen Bilimleri Enstitüsü).
- Bostancıoğlu, E. (2006). Konut Binalarının Ön Tasarımında Bir Maliyet Tahmin Modeli. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 8(3), 27-49.
- Demirel, Y. (2007). Toplu Konut İnşaat Maliyetlerinin Yapay Sinir Ağları İle Tahmini. Selçuk Üniversitesi Mühendislik, Bilim ve Teknoloji Dergisi, 22(4), 53-60.
- Ecer, F. (2014). Türkiye’deki Konut Fiyatlarının Tahmininde Hedonik Regresyon Yöntemi İle Yapay Sinir Ağlarının Karşılaştırılması. In International Conference On Eurasian Economies, (pp. 1-10).
- Ekşioğlu Çetintahra, G., & Çubukçu, E. (2011). Çevre Estetiğinin Konut Fiyatlarına Etkisi. İtü Dergisi/A, 10(1), 3-12.
- Ercire, M. (2019). Kısa süreli güç kalitesi bozulmalarının dalgacık analizi ve rastgele orman yöntemi ile sınıflandırılması (Master's thesis, Kütahya Dumlupınar Üniversitesi/Fen Bilimleri Enstitüsü), Yüksek Lisans Tezi, Kütahya, 111s.
- Erdem, A. E. (1996). Konut Projelerinde, Ön Tasarım Aşamasında, Fonksiyonel Elemanlara Dayalı Maliyet Tahmini İçin Bir Model Geliştirilmesi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.
- Fitöz, E., & Öztürk, N. (2008). Türkiye’de Konut Piyasasının Belirleyicileri: Ampirik Bir Uygulama. Yayınlanmamış Yüksek Lisans Tezi), Zonguldak Karaelmas Üniversitesi, SBE.
- Gökler, L. A. (2017). Ankara’da Konut Fiyatları Farklılaşmasının Hedonik Analiz Yardımıyla İncelenmesi. Megaron, 12(2), 304-315.
- Hayrullahoğlu, G., Aliefendioğlu, Y., Tanrıvermiş, H., & Hayrullahoğlu, A. C. (2017, September). Konut Piyasalarında Hedonik Değerleme Modeli Tahmini: Ankara İli Çankaya İlçesi Çukurambar Bölgesi Örneği. In Proceedings of 2nd International Conference on Scientific Cooperation for The Future in The Economics and Administrative Sciences, (P. 25).
- Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735- 1780.
- Kızrak, M. A., ve Bolat, B. (2018). Derin öğrenme ile kalabalık analizi üzerine detaylı bir araştırma. Bilişim Teknolojileri Dergisi, 11(3), 263-286.
- Korkem, E. (2013). Mikroarray Gen Ekspresyon Veri Setlerinde Random Forest Ve Naıve Bayes Sınıflama Yöntemleri Yaklaşımı, Hacettepe Üniversitesi, Sağlık Bilimleri Enstitüsü, Yüksek Lisans Tezi.
- Kördiş, G., Işık, S. & Mert, M. (2014). Antalya’da Konut Fiyatlarini Etkileyen Faktörlerin Hedonik Fiyat Modeli İle Tahmin Edilmesi. Akdeniz Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(28), 103-132.
- Kutlu, Ö. (2019). İnsansız Hava Aracı İle Elde Edilen Görüntülerin Derin Öğrenme Yöntemleri İle Analizi, Marmara Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.
- Lebe, F., & Akbaş, Y. E. (2014). Türkiye'nin Konut Talebinin Analizi: 1970-2011. Ataturk University Journal Of Economics & Administrative Sciences, 28(1), 57-83.
- LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. Nature, 521, 436-444.
- Marın, M. C., & Altıntaş, H. (2004). Konut Yer Seçimi-Ulaşım Etkileşim Teorileri: Kritik Bir Literatür İncelenmesi. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 19(1),73- 88.
- Türel, A. (1976). Ankara'da Konut Fiyatlarının Mekânsal Farklılaşması. Geoforum, 7, 271-283.
- Uğur, L. O., & Sivri, A. R. (2014). Toplu Konut Projelerinde Maliyetlerin Regresyon Metodu İle İncelenmesi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 2(1), 251-270.
- Uğur, L. O., Baykan, U. N., & Korkmaz, S. (2011). Yığma Konutların Maliyet Tahmininde Yapay Sinir Ağlarının (Ysa) Kullanılması, 6. İnşaat Yönetim Kongresi, Bursa.
- Uyar, S. G. K., & Yayla, N. (2016). Konut Fiyatlarının Hedonik Fiyatlama Yaklaşımına Göre Mekânsal Ekonometrik Modeller İle Tahmini: İstanbul Konut Piyasası Örneği. Social Sciences, 11(4), 326-342.
- Yayar, R., & Gül, D. (2014). Mersin Kent Merkezinde Konut Piyasası Fiyatlarının Hedonik Tahmini. Anadolu University Journal Of Social Sciences, 14(3), 87-99.
- Yayar, R., & Karaca, S. S. (2014). Konut Fiyatlarına Etki Eden Faktörlerin Hedonik Modelle Belirlenmesi: Tr83 Bölgesi Örneği. Ege Academic Review, 14(4), 509-518.
- Yılmazel, Ö., Afşar, A., & Yılmazel, S. (2018). Konut Fiyat Tahmininde Yapay Sinir Ağları Yönteminin Kullanılması. Uluslararası İktisadi ve İdari İncelemeler Dergisi, 20, 285-300.