Journal of Geomatics Science and Technology

fa ارزیابی عملکرد الگوریتم‌های یادگیری ماشین و مدل هدانیک در برآورد ارزش ملک با تاکید بر شاخص‌های ساختاری و مکانی Performance Evaluation of Machine Learning Algorithms and the Hedonic Model in Property Valuation: Emphasizing Structural and Spatial Attributes سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;">برآورد دقیق ارزش املاک مسکونی از عناصر کلیدی برای تصمیم‌گیری ذی‌نفعان، کارشناسان بازار مسکن و مدیران شهری به شمار می‌آید و به دلیل ماهیت چندوجهی و پیچیده عوامل مؤثر بر ارزش ملک، ترکیب شیوه‌های یادگیری ماشین با تحلیل‌های مکانی می‌تواند به بهبود دقت پیش‌بینی منجر شود. در این پژوهش، به‌طور هم‌زمان از مجموعه‌ای ترکیبی شامل ویژگی‌های ساختاری و شاخص‌های مکانی استخراج‌شده در محیط GIS استفاده شده و با به‌کارگیری چهار الگوریتم یادگیری ماشین شامل جنگل تصادفی، رگرسیون گرادیان تقویت‌شده، XGBoost و CatBoost، فرایند استخراج و بهینه‌سازی بردار ویژگی برای ارزش‌گذاری املاک انجام گرفته است. چارچوب پیشنهادی در دو رویکرد ارزش‌گذاری طراحی شده است که رویکرد اول رویکرد برآورد ارزش کل ملک است که قیمت نهایی واحد مسکونی را مدل می‌کند و رویکرد دوم رویکرد تعیین قیمت هر مترمربع است که با نرمال‌سازی نسبت به مساحت، امکان مقایسه‌پذیری بیشتر بین املاک را فراهم می‌سازد؛ در هر دو رویکرد، عملکرد مدل‌های یادگیری ماشین با مدل کلاسیک هدانیک مبتنی بر رگرسیون OLS مقایسه شده است. نتایج این مطالعه که در منطقه ۵ شهر تهران طی یک دوره دوماهه انجام شده است نشان می‌دهد که مدل‌های یادگیری ماشین در هر دو رویکرد، عملکردی برتر نسبت به مدل هدانیک ارائه کرده‌اند و در این میان، الگوریتم  CatBoost  با ثبت مقادیر ۰٫۳۰ برای ریشه میانگین مربعات خطا، ۰٫۸۲ برای ضریب تعیین و ۱۰٫۰۴ درصد برای میانگین درصد خطای مطلق، در مجموع پایدارترین و دقیق‌ترین عملکرد را نشان داده است؛ در حالی‌که مدل هدانیک در بهترین حالت به RMSE برابر با ۰٫۳۶ و MAPE معادل ۱۲٫۱۳ درصد دست یافته است. این نتایج بیانگر تأثیر قابل‌توجه ترکیب تحلیل‌های مکانی با روش‌های یادگیری ماشین و به‌ویژه الگوریتم CatBoost در ارزش‌گذاری املاک مسکونی است.</div>   <div style="text-align: justify;">Accurate valuation of residential properties is crucial for decision-making among stakeholders, housing market experts, and urban managers. Given the multifaceted and complex nature of factors influencing property values, integrating machine learning techniques with spatial analysis can significantly enhance prediction accuracy. In this research, a hybrid dataset comprising structural characteristics and spatial attributes extracted within a GIS environment was utilized. Employing four machine learning algorithms Random Forest, Gradient Boosting Regressor, XGBoost, and CatBoost the process of feature vector extraction and optimization was conducted for property valuation. The proposed framework is designed around two valuation approaches: the first models the total property value (final price of the residential unit), while the second estimates the price per square meter. By normalizing for area, the second approach facilitates better comparability among properties. In both scenarios, the performance of the machine learning models was compared against the classical Hedonic model based on Ordinary Least Squares (OLS) regression. The results of the study, conducted in District 5 of Tehran over a two-month period, indicate that machine learning models delivered superior performance compared to the Hedonic model in both approaches. Specifically, the CatBoost algorithm demonstrated the highest efficiency, achieving a Root Mean Square Error (RMSE) of 0.30, an R-squared (R2) of 0.82, and a Mean Absolute Percentage Error (MAPE) of 10.04%; whereas the Hedonic model achieved, at best, an RMSE of 0.36 and a MAPE of 12.13%. These findings underscore the significant impact of integrating spatial analysis with machine learning techniques particularly the CatBoost algorithm in the valuation of residential properties.</div>   برآورد قیمت املاک مسکونی, سیستم‌های اطلاعات مکانی, یادگیری ماشین, مدل هدانیک, شاخص‌های مکانی Residential Property Valuation, Geospatial Information System, Machine Learning, Hedonic Model, Spatial Attributes 0 0 http://jgst.issgeac.ir/browse.php?a_code=A-10-1141-1&slc_lang=fa&sid=1 majid saebi مجید صائبی m.saebi@email.kntu.ac.ir 100319475328460011197 100319475328460011197 Yes mohammad karimi محمد کریمی mkarimi@kntu.ac.ir 100319475328460011198 100319475328460011198 No