xxi congreso panamericano de valuación cartagena
Transcrição
xxi congreso panamericano de valuación cartagena
XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 AVALIAÇÃO DE IMÓVEIS URBANOS COM UTILIZAÇÃO DE SISTEMAS NEBULOSOS (REDES NEURO-FUZZY) E REDES NEURAIS ARTIFICIAIS Pelli Neto, Antônio Pelli Sistemas Engenharia Belo Horizonte / MG, Brasil [email protected] Resumo. A modelagem de sistemas reais através de mecanismos de inferência têm apresentado grandes avanços na área da engenharia, colaborando com o desenvolvimento de sistemas de apoio a decisão, afim de se alcançar uma maior produtividade sem perder o foco na confiabilidade e qualidade dos serviços prestados. Na área de Engenharia de Avaliações o uso das tecnologias computacionais tem sido restrita aos Estimadores dos Mínimos Quadrados e um dos principais objetivos deste trabalho é mostrar a possibilidade do uso de sistemas computacionais – sistemas híbridos – como redes neurofuzzy e redes neurais artificiais – no processo de avaliação de imóveis urbanos. Neste trabalho são desenvolvidas três metodologias para a estimação do valor de mercado de imóveis através do uso de Redes Neuro-Fuzzy e Redes Neurais artificiais, além da comparação dos resultados com os Estimadores dos Mínimos Quadrados. Será apresentado o processo de seleção e análise dos dados para treinamento em todos os processos, o pré-processamento a ser aplicado aos dados, o processo de treinamento das redes e a validação e análise dos resultados. Finalmente as conclusões e as perspectivas futuras são apontadas. Palavras Chaves: Engenharia de avaliações, Sistemas Nebulosos, Redes Neuro-Fuzzy, Redes Neurais Artificiais . XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 1 Introdução A representação através de modelos matemáticos de sistemas e fenômenos observados no mundo real, tem tido grandes avanços nos últimos anos, colaborando com o desenvolvimento de sistemas de apoio a decisão, afim de se alcançar uma maior produtividade sem perder o foco na confiabilidade e qualidade dos serviços prestados. Na área de Engenharia de Avaliações o uso das tecnologias computacionais tem sido ainda restrita, com a aplicação generalizada dos Mínimos Quadrados e da Estatística Inferencial, e um dos principais objetivos deste trabalho é mostrar a possibilidade do uso de sistemas computacionais – como redes Neuro-Fuzzy e redes neurais artificiais – no processo de avaliação de imóveis urbanos, em sistemas híbridos, permitindo a obtenção de uma melhor precisão nos resultados finais. Neste trabalho são desenvolvidas três metodologias para a estimação do valor de mercado (venda) de imóveis urbanos – a primeira com o uso de Redes Neuro-Fuzzy (Sistemas Nebulosos), e as outras duas através das Redes Neurais artificiais. Os resultados finais serão comparados com os Mínimos Quadrados – Regressão Linear Múltipla, por ser esta a metodologia mais utilizada pelos profissionais da área. Será apresentado o processo de seleção e análise dos dados para treinamento das redes, o pré-processamento a ser aplicado aos dados, o processo de treinamento das redes e a validação e análise dos resultados. Finalmente as conclusões e as perspectivas futuras serão apontadas. Na maioria das vezes modelos lineares ou linearizáveis através de transformações matemáticas, têm sido utilizados para descrever o comportamento do mercado imobiliário. Contudo, uma grande parte destes processos, independente da sua natureza, apresenta comportamentos não lineares e que levam a modelos complexos exigindo soluções analíticas e/ou numéricas, que podem não representar a realidade em estudo. Quando se utiliza a transformação de variáveis, a exemplo das transformações de Box-Cox, buscando a linearização das variáveis, e principalmente quando esta prática é aplicada à variável dependente, essa complexidade restringe e dificulta o conhecimento e a análise dos próprios processos. O processo de avaliação de imóveis envolve a estimação de diversos parâmetros populacionais referentes às variáveis selecionadas para representar o comportamento do mercado imobiliário. De forma implícita, estas variáveis – denominadas variáveis independentes ou variáveis de entrada – se relacionam com o valor do imóvel – variável independente ou de saída – de forma não-linear. É clara a necessidade de novas técnicas visando representar os processos de avaliação de imóveis e um dos objetivos deste trabalho é propor novas metodologias com a utilização de sistemas compostos por redes Neuro-Fuzzy e Redes Neurais Artificiais. XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 Para o desenvolvimento deste trabalho foram elencadas 9 (nove) variáveis independentes (de entrada), tendo sido utilizadas variáveis quantitativas, variáveis proxy e variáveis qualitativas, sendo a escala destas variáveis qualitativas mensurada através de processo científico. O valor de mercado do imóvel avaliando é função não linear de vários parâmetros, conforme indicado na equação (1). Qualquer mudança no parâmetro Nível/elevador (Ne), no Setor (St), no total de vagas (Tv), na área coberta (Ac), no número de dormitórios (Dm), no número de sanitários (Sn), em equipamentos (Eq), no padrão de acabamento (Pd) e no estado de conservação (Cs), utilizados em nosso modelo, causará mudança no valor do imóvel (Vu). Vm=f(Ne , St , Tv , Ac , Dm , Sn , Eq , Pd , Cs ) (1) A limitação dos estimadores dos Mínimos Quadrados através da Regressão Linear está concentrada no mapeamento de uma aproximação linear de dados de mercado. Esta aproximação linear pode, em diversas situações, não refletir o valor de mercado do imóvel avaliando, especialmente quando os dados são altamente dispersos e com características intrínsecas e extrínsecas as mais variadas. Existe atualmente um crescente interesse na aplicação da Inteligência Artificial (IA) em diversas áreas da representação de processos. Dentro da área da IA, as Redes NeuroFuzzy e as Redes Neurais Artificiais tem sido o foco de uma grande atenção durante os últimos anos, devido a sua capacidade de representar problemas não-lineares por aprendizado e a sua capacidade de generalização [1-2]. Neste trabalho serão apresentadas aplicações de Redes Neuro-Fuzzy e de Redes Neurais para representar o processo de avaliação através da estimação do valor unitário de venda (Vu) de imóveis. Será apresentado o processo de seleção e análise dos dados para treinamento, único para as diversas tipologias das redes, o pré-processamento que deve ser aplicado aos dados, o processo de treinamento da rede e a validação e análise dos resultados. Finalmente as conclusões e as perspectivas futuras são apontadas. 2 Processo de Seleção e Análise dos Dados e Pré-Processamento aplicado Para o desenvolvimento do trabalho foram selecionados no mercado imobiliário de Belo Horizonte / MG – Brasil, 172 (cento e setenta e dois) apartamentos localizados em bairros distintos do município, cujas características físicas intrínsecas e extrínsecas foram descritas através das variáveis mencionadas em (1). Para garantir a qualidade das variáveis utilizadas, foi feita a distribuição de freqüência destas variáveis, buscando também aferir qual(is) a(s) melhor(es) transformações a serem utilizadas para o tratamento pelos estimadores dos mínimos quadrados, utilizando as transformações de Box-Cox. Em seguida, foi feita uma distribuição probabilística, com base na distribuição uniforme, de 22 (vinte e dois) elementos, que foram retirados da amostra e posteriormente utilizados para a validação dos modelos matemáticos. XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 Os 150 (cento e cinqüenta) elementos amostrais restantes foram então submetidos a modelagem matemática, através dos estimadores dos mínimos quadrados, utilizando a Regressão Linear Múltipla, e as transformações de Box-Cox utilizadas foram as logarítmicas (Ln) e a inversa (1/x). O passo seguinte foi elaborar as modelagens matemáticas através das Redes NeuroFuzzy e das Redes Neurais Artificiais. Geralmente o maior esforço para o treinamento de uma rede neural encontra-se na coleta de dados e no pré-processamento deles. O préprocessamento consiste na normalização dos dados da entrada e da saída. Para o tipo de rede considerada o único requisito é que os valores das entradas e das saídas se encontrem no intervalo de 0 a 1 por compatibilidade com a função sigmóide. Adotamos os procedimentos descritos a seguir para normalizar os dados das entradas associados às suas respectivas saídas, antes de usá-los no treinamento das redes Neuro-Fuzzy e das Redes Neurais Artificiais: P1) Como os valores de 0 e 1 são valores infinitos para a função sigmóide, é recomendável diminuir este intervalo para valores de 0,2 e 0,8 respectivamente, com o objetivo de facilitar a convergência durante o treinamento da rede. P2) Os dados foram normalizados e posteriormente desnormalizados através das seguintes expressões: (2a) f a (Lo ) = Ln = (Lo - Lmín ) / (L max - L min ) b (2b) f (Ln) = Lo = Ln * L max + (1 - Ln) * Lmín onde : Ln é o valor normalizado; Lo o valor a normalizar; Lmín e Lmáx são valores mínimos e máximos dentre os valores das variáveis. P3) Pelo exposto no ítem a) faze-se necessário a mudança de escala dos dados, para valores que proporcionem quando normalizados, valores limites entre 0,2 e 0,8. As fórmulas para calcular Lmín e Lmáx são as seguintes: Lmín = (4 x LimiteInf. - LimiteSup) / 3 Lmáx = (LimiteInf. - 0,8 x Lmín) / 0,2 (3a) (3b) As equações (3a) e (3b) são obtidas da substituição na equação (2a) de Ln = 0,2 e Lo = LimiteInf e de Ln= 0,8 e Lo= LimiteSup. Onde LimiteInf e LimiteSup são os valores mínimos e máximos respectivamente dos conjuntos de dados originais. Os modelos adotados, bem como os resultados obtidos, estão listados na conclusão do presente trabalho. XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 3 Representação Neural do Processo de Avaliação de Imóveis Nos últimos anos as Redes Neuro-Fuzzy, bem como as Redes Neurais Artificiais, têm ganho grande popularidade nas mais variadas aplicações, principalmente por suas características de aproximadores universais de funções, além de manterem a capacidade de resolver problemas não-lineares por aprendizado, de associação de padrões e de generalização. (ver anexo 2 para estrutura geral das redes propostas). Esta capacidade de aprender mapeamentos complexos depende da tipologia adotada, bem como do número de funções de pertinência, para as Redes Neuro-Fuzzy, e da quantidade de neurônios, para as Redes Neurais Artificiais. Um incremento na complexidade do problema a ser resolvido implica frequentemente no aumento do número das funções de pertinência, bem como do número de neurônios. 3.1 – Redes Neuro-Fuzzy A estrutura das Redes Neuro-Fuzzy está baseada na teoria dos Sistemas Nebulosos. Para cada elemento no Universo que está contido em um Conjunto Nebuloso, a transição deste elemento de um conjunto para outro se processa de forma gradual, em contraste com os conjuntos clássicos. Como conseqüência, um elemento pertencer ou não a um Conjunto Nebuloso envolve a definição de um grau de relacionamento, definido como Funções de Pertinência. Esta estrutura permite representar, através de variáveis lingüísticas, o conhecimento humano, utilizando Regras Nebulosas do tipo SE – ENTÃO, que se compõem de uma expressão natural de nossa linguagem. Desta forma, as regras nebulosas são expressas como: SE x(antecedente) é A então y(conseqüente) é B. (4) Exemplificando, no mercado imobiliário, considerando Sistemas Nebulosos, formularíamos a expressão: SE o Padrão de Acabamentos é A (grau de pertinência ao conjunto de Padrões A) então o valor do Imóvel é B. Estas regras podem ser combinadas com outros elementos da lógica fuzzy, produzindo um mecanismo de inferência. Este sistema, baseado em conjuntos nebulosos, e implementado em sistemas computacionais, dão origem aos chamados “Sistemas de Inferência Nebulosos” ou ANFIS (Adaptive Neuro-Fuzzy Inference Systems) que combinam regras do tipo SE – ENTÃO com as estruturas das redes neurais artificiais. XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 Os modelos ANFIS, antes de sua utilização no processo de estimação ou generalização, necessitam de serem submetidos a procedimentos de “treinamento”, buscando aferir os parâmetros, que em nosso estudo foram definidos como (ver anexo 2 para estrutura geral das redes propostas): • • • • Número de nós: 112 Número de parâmetros lineares: 50 Número de parâmetros não lineares: 90 Número de Regras Nebulosas: 5 O algoritmo utilizado para o treinamento foi baseado no algoritmo descrito por Levenberg-Marquard [xxx]. Este algoritmo foi escolhido em função do incremento na velocidade no processamento dos dados, em comparação com o método clássico de “Propagação de Erro”. Após 5 épocas no treinamento, os resultados obtidos, bem como a validação do modelo, encontram-se na conclusão do presente trabalho. 3.2 – Redes Neurais Artificiais As RNA’s utilizadas neste trabalho são redes multicamadas, e o tipo de aprendizado selecionado para estas redes é conhecido como aprendizado supervisionado, baseado no sistema "retro propagação do erro". Estas redes utilizam duas ou mais camadas de neurônios de processamento. A camada de entrada recebe as entradas externas enquanto que a camada de saída é a responsável pela geração da resposta da rede. Existindo uma terceira camada entre as duas anteriores, esta recebe o nome de "camada escondida". A escolha da complexidade da rede ou seja, o número de camadas escondidas e o número de neurônios nestas camadas segue alguns critérios empíricos. Na equação (5) f é a função não linear sigmóide, foi a escolhida neste trabalho como a função de transferência do axônio, por ser a mais consistente com a biofísica do neurônio biológico. 1 f = 1+ exp ∑ − (5) Entrada x Pesos As estruturas escolhidas para o treinamento dos dados amostrados diferem em sua natureza e podem ser descritas como: XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 3.2.1 – Redes Neurais Multi-Camadas Nesta estrutura, o número de neurônios para a camada escondida foi igual a 2N+1 neurônios, onde N é o número de entradas da rede [1], perfazendo um total de 19 neurônios. O número de neurônios na camada de saída, igual a 1, correspondente ao número de saídas da rede. f(Ne, St , Tv , Ac , Dm , Sn, Eq , Pd , Cs ) RNA → Vm (3) Esta RNA, do tipo "retro propagação do erro", foi treinada por meio de um aprendizado supervisionado. O processo utiliza o padrão de dados coletados no mercado imobiliário à entrada da rede e da saída desejada, que se constitui no valor unitário praticado neste mercado. Para cada conjunto padrão os pesos da rede são ajustados para minimizar a diferença entre as saídas da rede e as desejadas. O erro é minimizado utilizando a técnica do gradiente com um fator de convergência chamado "taxa de aprendizagem". Para alimentar o processo de treinamento da RNA foram utilizados os dados coletados citados em (2). A Tabela I.1 do anexo apresenta um resumo da amostra coletada. 3.2.2 – Redes Neurais – Parallel Layer Perceptron Nesta estrutura, o número de neurônios para a camada escondida, em total de 4 (quatro), foi bem inferior ao utilizado na estrutura anterior. Esta diferença justifica-se pela estrutura da rede utilizada. Ela está baseada no trabalho de autoria de Walmir M. Caminhas, Doulas A.G. Vieira e João A. Vasconcelos, citados na referência bibliográfica. Esta rede possui uma estrutura não linear, em semelhança a estrutura das Redes Neurais Multicamadas, bem como também possui uma estrutura linear, baseada nas Redes Neuro-Fuzzy. O número de neurônios na camada de saída, igual a 1, correspondente ao número de saídas da rede. Esta RNA, que também é do tipo "retro propagação do erro", foi treinada por meio de um aprendizado supervisionado. O processo utiliza, da mesma forma que a anterior, o padrão de dados coletados no mercado imobiliário à entrada da rede e da saída desejada, que se constitui no valor unitário praticado neste mercado. XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 Para cada conjunto padrão os pesos da rede são ajustados para minimizar a diferença entre as saídas da rede e as desejadas. O erro é minimizado utilizando a técnica do gradiente com um fator de convergência chamado "taxa de aprendizagem", para a parte não linear da rede, e utilizada os mínimos quadrados para a parte linear desta estrutura. Esta estrutura apresentou um processo de convergência muito mais eficiente do que a estrutura anterior e pelas razões citadas em nossa conclusão, o número de neurônios ficou bastante reduzido. Para alimentar o processo de treinamento da RNA foram utilizados os mesmos dados coletados citados em (2) e relacionados na Tabela I.1 do anexo. 4 Processo de Treinamento das Redes A Figura 1 mostra os conjuntos de treinamento e de validação, considerados para este trabalho, representados pelo valor de venda por metro quadrado do imóvel. Observe que os dados apresentam uma distribuição uniforme e não-linear. Uma aproximação linear para esses conjuntos pode trazer resíduos significantes o que pode levar a estimativas falsas do valor do imóvel sendo avaliado. O objetivo deste trabalho é a representação dessa distribuição através de redes neurais artificiais. Valores Observados - Mercado Imobiliario 1300 1200 1100 Valor R$/m2 1000 900 800 700 600 500 400 300 0 50 100 Elementos Amostrais Figura 1. Conjuntos de treinamento 150 XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 Para o processo de treinamento da Rede Neuro-Fuzzy, foi feita apenas a normalização dos dados de entrada e de saída. Os parâmetros utilizados se referem ao número de regras de pertinência. Para o processo de treinamento das Redes Neurais Artificiais foram considerados valores iniciais aleatórios, para os pesos dos neurônios, na faixa de -1,0 a +1,0. Considerando os 150 conjuntos de treinamento, mostrados na Figura 1, os parâmetros utilizados foram: Para a estrutura apresentada em 3.2.1: • Taxa de Aprendizagem: 0,25 • Soma dos erros quadráticos das saídas: 0,012 • Interações (épocas): 500. Para a estrutura apresentada em 3.2.2: • Taxa de Aprendizagem: 0,1 (ajustado durante o treinamento {0,9;1,1}) • Soma dos erros quadráticos das saídas: 0,048 • Interações (épocas): 500. A Tabela 1, mostra os erros mínimos alcançados pelos processos de treinamento, para as diversas tipologias testadas: Topologia Adotada Erro min. INTERAÇÕES REGRAS NEBULOSAS NEURONIOS ANFIS 2 RNA RNA – PNP 0,043 0,012 0,048 5 2354 2 5 - 19 5 Tabela 1. Erros alcançados pelos processos de treinamento As Figuras 2 e 3 mostram visualmente o resultado do treinamento das redes propostas. Observe que existem pontos que a rede conseguiu mapear com erros pequenos e outros onde apresentou um erro significante. Valores Observados e Calculados Valores Observados e Calculados 1300 1300 1200 1200 1100 1100 1000 Valor R$/m2 1000 900 900 800 800 700 700 600 600 500 500 400 400 300 300 0 50 100 Conjuntos de Treinamento (a) 150 0 50 100 (b) 150 XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 Valores Calculados x Observados Valores Calculados x Observados 1.100 1.100 1.000 1.000 900 900 800 800 700 700 600 600 500 500 400 400 400 600 800 1.000 1.200 (c) 400 600 800 1.000 1.200 (d) Figura 2. Resultados dos treinamentos (a) - Rede Neuro-Fuzzy, (b) – Redes Neurais Artificiais, (c) – Redes PLP, (d) - RL 5 Discussão dos Resultados – Conclusões Neste trabalho foi discutida a possibilidade de utilização de Sistemas Híbridos para a estimação de valores de mercado de imóveis urbanos. Os valores estimados pela RNA Multicamadas foram as que mais se aproximaram dos valores de mercado, conforme pode ser observado na Tabela 2. Para a análise conclusiva sobre os modelos utilizados, foram feitas diversas análise sobre os resultados obtidos, destacando-se os seguintes testes: • Análise de Sensibilidade das Variáveis – Para efetuarmos esta análise, foram calculadas as médias aritméticas de cada variável de entrada (variável independente) e, para cada uma delas, foi feita o cálculo do valor unitário estimado pelo modelo, quando estas variáveis, uma a uma, estavam variando do limite inferior amostral ao limite superior, mantendo as demais constantes no valor médio. Nesta análise, a estrutura apresentada pela Rede Neuro-Fuzzy foi a que mostrou resultados mais frágeis, com inversões em alguns pontos destas estimativas. As demais redes, bem como a Regressão Linear, mostraram comportamentos bem consistentes. • Análise dos Resíduos – A análise dos resíduos é uma das etapas mais importantes neste processo, visto que o sistema real modelado (mercado imobiliário) incorpora em sua estrutura ruídos oriundos das diversas transações/ofertas existentes neste mercado. Para as redes neurais, incluindo a Rede Fuzzy (anfis), que são por natureza aproximadores universais de funções, a análise dos resíduos merece atenção especial. Quando se utiliza estes modelos, o treinamento pode levar a um resíduo médio final próximo a valores nulos. Isto implica que, apesar da rede conseguir mapear todos os dados de entrada, foi verificado que, em 100% dos XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 casos, a capacidade de generalização do modelo fica bem comprometida, chegando a estimar valores de mercado incompatíveis com a realidade. Para evitar este “excesso” de treinamento, conhecido como overfitting, o dimensionamento dos parâmetros do treinamento têm influência direta nos resultados. O conhecimento prévio do mercado imobiliário, bem como a análise estruturada dos dados e das variáveis, permitem o dimensionamento correto destes parâmetros. Como exemplo, no caso das redes PLP, a estrutura utilizada para o treinamento, leva a uma convergência extremamente rápida neste processo, e utilizando 10 neurônios e 10 épocas, o resíduo chegou a valores desprezíveis , mas o modelo apresentou resultados bastante indesejáveis. Outra solução visando minimizar o problema de overfitting, é estruturar os dados em três grupos: para treinamento, validação e estimação. Este método é conhecido como cross-validation e apresenta resultados bem satisfatórios. Em todos os modelos testados, a análise dos resíduos apresentou uma dispersão amostral, ficando os resíduos padronizados dentro da faixa de -3 a + 3 desvios padrões, o que demonstra uma tendência a distribuição normal. Para validarmos esta análise, foram elaborados histogramas dos resíduos para comparação com a distribuição normal, e os resultados para todos os modelos foram satisfatórios. • Analise do Poder de Predição dos Modelos – Para finalizarmos o nosso trabalho, foram feitas as validações dos modelos com o conjunto de 22 (vinte e dois) elementos inicialmente separados da amostra para esta finalidade. Os resultados obtidos estão no listados na Tabela do Anexo III. O modelo que conseguiu melhores resultados foi com as Redes Neurais Artificais. Contudo, todos os modelos conseguiram predizer, com bastante precisão, os valores de mercado para os dados selecionados para validação. Como conclusão, realçamos a importância de modelar sistemas estocásticos, principalmente quando os resíduos tem grande influências nos resultados, através de sistemas híbridos, pois, apesar das redes neurais serem aproximadores universais de funções, nem sempre será possível se ter, no mercado imobiliário, amostras com quantidade suficiente de elementos para que se possa separar os conjuntos para o treinamento, validação e predição. A utilização de sistemas híbridos permitira estimar valores de mercado de imóveis urbanos com melhor precisão, confiabilidade e tempestividade. XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 Referências Bibliográficas PELLI NETO; Antônio; ZÁRATE, L.E.; Avaliação de Imóveis Urbanos com Utilização de Redes Neurais Artificiais. XII Congresso Brasileiro de Engenharia de Avaliações e Perícias – Belo Horizonte – MG Brasil – Setembro 2003; SCHIAVO, Eliane Hasselmann Camardella: AZEVEDO, Márcio Pacheco.: Estudo Comparativo entre Redes Neurais Artificiais e Análise de Regressão Múltipla na Avaliação de Bens, para pequenas Amostragens. XII Congresso Brasileiro de Engenharia de Avaliações e Perícias – Belo Horizonte – MG Brasil – Setembro 2003; GUEDES, Jackson C.: O Emprego de Inteligência Artificial na Avaliação de Bens – CAMINHAS, Walmir M.; VIEIRA, Douglas A G.; VASCONCELOS , João A .; Parallel Layer Perceptron .Elsevier Neurocomputing 771-778 - 55 2003; CAMINHAS, Walmir M.; Gomide , Fernando ; A Fast Learning Algorithm for Neofuzzy Networks, Jang, J.-S.R.; Sun, C.-T.; Mizutani, E.; Neuro-Fuzzy and Soft Computing : a computational approach to learning and machine intelligence, by prentice-Hall, Inc. Simon & Schuster/A Viacom Company – Upper Saddle River. NJ 07458 - 1997; GUJARATI, D. – Econometria Básica – Makron Books, 2000; JOHNSTON, J. –Métodos Econométricos, Atlas, 1974; KMENTA, J. – Elementos de Econometria – Atlas, 1978; LAW, A., Kelton, W.D. – Simulation Modeling and Analysis, McGrawHill, 1991; NETTER, J. e Wasserman, W. – Applied Linear Statistical Models – Richard D. Irwin, 1974; WONNACOTT, R. e WONNACOTT, T., Fundamentos de Estatística, Livros Técnicos e Científicos Editora, 1985. P. (TEGOVA) - Normas Europeas Aprobadas sobre Tasación de Bienes Inmuebles, CSCAE/ATASA, 1998; DANTAS, Rubens A. - Engenharia de Avaliações - Uma Introdução à Metodologia Científica, Pini, 1998; XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 GONZÁLEZ, Marco Aurélio Stumpf – Metodologia de Avaliação de Imóveis – Novo Hamburgo – Editora SGE – 2003; JOHNSTON, J. - Métodos Econométricos, Atlas, 1974; LAW, A., Kelton, W.D. - Simulation Modeling and Analysis, McGrawHill, 1991; COSTA NETO, Pedro L. de O., Estatística, Editora Edgard Blucher Ltda. 18º reimprensão – São Paulo – 2000; MORETTIN, Pedro A - BUSSAB , Wilton de O - Estatística Básica – 5a Edição – Editora Saraiva – São Paulo -2004 ; WERKEMA, Maria Cristina Catarino Aguiar / AGUIAR , Silvio - Análise de Regressão: Como Entender o Relacionamento entre as Variáveis de um Processo – Fundação Cristiano Ottoni – Escola de Engenharia da UFMG - 311p (Série Ferramentas de Qualidade ) 1996; KOVÁCS, Zsolt L..; Redes Neurais Artificiais - Fundamentos e Aplicações", Editora Livraria da Física – 3º Edição - São Paulo - 2002; HAYKIN, Simon.; Redes Neurais - Princípios e Prática", Editora Bookman – 2º Edição Porto Alegre-RS – 2001; Braga, Antonio de Pádua – Redes Neurais Artificiais – Teoria e Aplicações – 1a Ed. LTC Editora – Rio de Janeiro 2000; NORMA TÉCNICA - ABNT – 14653-1 – Avaliação de Bens – Procedimentos Gerais – Brasil - 2001 NORMA TÉCNICA – ABNT : 14653-2 – Avaliação de Bens – Imóveis Urbanos – Brasil Julho /2004 XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 Anexo I – Topologias das Redes Neuro Fuzzy e Redes Neurais Artificiais I.1 Rede Neuro Fuzzy – ANFIS O Sistema de inferência fuzzy abaixo considerado possui duas entradas , x e y, e uma saída Z. Para um modelo fuzzy Sugeno de primeira ordem, um conjunto normalmente utilizado para as regras nebulosas seria: Regra 1: Se x é A1 e y é B1, então f1 = p1x + q1y +r1; Regra 2: Se x é A2 e y é B2, então f2 = p2x + q2y +r2; A figura I.1(a) ilustra o modelo de inferência de Sugeno, e o seu correspondente modelo de inferência ANFIS está ilustrado na figura I.1(b). 1 Figura I.1 – (a) Sistema Fuzzy Sugeno de primeira ordem com duas regras; (b) Arquitetura ANFIS equivalente. 1 Fonte: Neuro-Fuzzy and Soft Computing – J. – S.R. Jang; C.-T. Sun; E. Mizutani XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 I.2 Rede Neural Perceptron Multicamadas A topologia da rede multicamadas considerada neste trabalho corresponde a uma rede de duas camadas de neurônios, com N entradas na camada de entrada; L neurônios na camada escondida ou intermediária e M neurônios na camada de saída. É também considerado que os neurônios possuem entradas de polarização cada um na saída. A função não linear sigmóide foi escolhida neste trabalho como a função de transferência do axônio, por ser a mais consistente com a biofísica do neurônio biológico. A Figura I.2 mostra a topologia da rede usada neste trabalho. X p0 = 1 X p1 X pN =1 p0 W10h h net p1 W11h ∑ f 1h ( net hp1 ) W10o o net p1 W11o 1 ∑ f 1h ( net hp1 ) W1hN h 1N WMo 0 W net opM 1 WLh0 WLh1 net pL ∑ f L ( net pL ) pL ∑ M ( net pM ) Y pM o ML h WLN Dendritos e Axônio Soma e Função de Ativação do Neurônio- Camada Escondida Soma e Função de Ativação do Neurônio- Camada de Saída N : Número de Entradas M : Número de Saídas e de Neurônios na Camada de saída L : Número de Neurônios na Camada Escondida Fig. I.2 – Topologia da rede neural multicamadas I.3 Rede Neural – Parallel Layer Perceptron A topologia da rede PLP está baseada no produto de funções. Conforme ilustrado na figura I.3, a topologia proposta é composta de camadas paralelas, o que facilita a implementação da rede em clusters. Nesta topologia, a função sigmóide foi a função de ativação utilizada. É importante ressaltar que, no caso indicado, uma característica desta rede é que a superfície do erro em relação aos pesos pji , possui parâmetros lineares, permitindo a adoção dos mecanismo de Backpropagation para ajuste dos pesos na camada de entrada e dos mínimos quadrados para ajuste dos pesos na camada de saída. A Figura I.3 mostra a topologia da rede usada neste trabalho. XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 Fig. I.3 – Topologia da rede neural PLP. O conjunto de treinamento mostrado na Fig.(I.3) define Xi , i = 1,...,N como as entradas normalizadas e Yi , i = 1,...,P as saídas desejadas da rede normalizadas pela função sigmóide. XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 Anexo II – Resumo dos dados coletados de apartamentos no município de Belo Horizonte Bairro Jardim América Colegio Batista Centro Sion Carlos Prates Funcionários Barroca/Grajaú Nova Suíça Castelo Calafate São João Batista Santo Agostinho Barro Preto Barroca Prado Liberdade Santa Amélia Palmares Dona Clara Santa Branca Campo Alegre Heliópolis Vila Cloris Dona Clara Coração Alípio de Melo Santa Terezinha NE S t Tv Ác Dm Sn Eq Pd Cs 7 7 13 9 8 7 9 9 6 12 14 22 17 9 28 9 7 15 7 7 9 8 8 9 7 9 9 500 550 650 850 550 650 600 550 400 550 300 650 650 650 550 450 450 500 450 400 350 350 300 450 700 400 400 70 62 100 110 0 105 100 60 100 70 0 80 140 75 100 86 100 60 100 60 80 70 0 50 0 62 70 103 100 60 40 60 50 51 200 72 100 45 100 70 50 42 100 65 50 42 50 60 100 75 50 60 100 64 3 3 3 2 3 3 3 3 3 2 2 2 3 3 2 3 2 3 2 3 2 3 2 3 2 3 3 1 2 1 1 2 2 2 2 2 1 1 1 1 1 1 1 1 2 1 1 1 2 1 1 2 1 1 9 7 3 10 15 9 8 15 8 11 16 21 13 8 18 8 1 11 9 2 10 9 1 8 21 8 8 180 300 360 260 300 260 240 300 300 320 120 540 400 130 300 180 180 260 180 240 180 180 120 300 300 160 180 Vu 600 758,06 340 545,45 460 619,04 420 1.000,00 600 985,71 400 750,00 420 826,66 480 755,81 600 816,66 600 933,33 300 428,57 480 1.300,00 480 887,09 380 485,43 480 916,66 600 666,66 480 637,25 600 944,44 600 777,77 600 628,57 600 714,28 580 800,00 600 547,61 600 716,66 450 880,00 600 665,00 600 593,75 Santa Inês Floresta Guarani Floramar Planalto Sagrada Família Santa Efigênia Milionários Santa Helena Cardoso Santa Tereza Buritis Santa Cruz Padre Eustáquio Caiçara Industrial Santa Mônica Barreiro Tirol Diamante Silveira União Cidade Nova da Graça Fernão Dias Cachoeirinha Nova Granada Copacabana Céu Azul Ana Lúcia 7 400 100 9 13 6 7 7 7 8 7 7 8 7 7 7 8 8 6 8 7 6 7 19 18 8 7 12 9 6 7 7 500 300 350 400 500 450 250 350 300 400 500 300 550 500 200 300 400 250 350 550 500 650 550 400 350 350 350 250 400 60 3 2 50 62 50 59 50 48 50 65 170 88 100 55 50 63 100 75 100 60 100 50 200 58 50 60 100 55 50 53 0 48 50 70 100 65 200 90 50 65 70 45 200 48, 100 75 100 60, 0 45 100 70 170 60 0 38 70 42 100 50 2 3 2 2 3 3 3 3 3 2 2 3 2 2 2 3 3 3 3 2 2 3 2 2 3 2 2 2 2 1 1 1 1 2 2 1 2 2 1 2 1 1 1 1 1 2 2 2 1 1 2 2 1 2 1 1 1 1 9 180 600 7 8 8 6 13 9 9 9 9 15 11 2 7 23 1 18 4 2 2 9 9 21 9 9 17 8 0 8 8 180 240 120 300 300 180 180 240 180 200 180 130 300 120 120 300 280 300 200 120 180 180 200 120 180 180 120 120 300 380 480 300 600 600 600 600 600 600 380 600 380 600 480 300 480 480 600 480 600 600 420 600 500 600 600 360 600 480 800,00 629,03 610,16 458,33 538,46 784,09 1.089,09 617,46 666,66 750,00 798,00 948,27 633,33 727,27 603,77 479,16 514,28 1.000,00 666,66 615,38 893,33 1.139,89 760,00 921,50 600,00 842,85 750,00 605,26 690,47 1.040,00 XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 Anexo III – Tabela de Validação – Dados utilizados para validação dos modelos Modelo de Apartamentos - Belo Horizonte/MG Dad Aleató Bairro NE o rio 1 66 Santa Inês 7 2 18 Castelo 13 3 103 Santa Tereza 8 4 155 Sagrada Família 9 5 152 Sagrada Família 8 6 165 Nova Suíça 6 7 3 Colegio Batista 7 8 71 Floresta 9 9 149 Silveira 7 10 25 Calafate 12 11 43 Santa Amélia 7 12 9 Centro 19 13 7 Carlos Prates 8 14 29 Jardim América 9 15 39 Liberdade 9 16 4 Colegio Batista 7 17 50 Heliópolis 8 18 60 Castelo 9 19 96 Sagrada Família 9 20 62 Castelo 7 21 65 Santa Amélia 7 22 123 São João Batista 6 SE 400 400 400 500 500 550 550 500 550 550 450 600 550 450 450 550 350 450 500 400 350 350 TV AC 100 60 100 70 100 50 100 53,73 100 48,09 50 90 100 110 50 62 70 45 100 60 50 51 0,01 130 100 70 100 54 40 60 100 110 100 65 50 78 50 63 100 45 50 44 100 85 DM 3 3 2 2 2 3 3 2 2 2 2 3 3 3 3 3 3 2 2 2 2 3 SN EQ 2 2 1 1 1 1 2 1 1 1 1 1 2 1 1 2 2 1 2 1 1 2 9 9 15 9 15 1 7 7 9 11 1 9 15 2 8 7 9 1 13 8 1 9 Resultados PD 180 300 200 120 120 120 300 180 120 320 180 240 300 180 180 300 180 180 300 180 180 300 CS 600 440 380 360 420 240 340 380 600 600 480 400 600 600 600 340 580 480 600 600 600 580 VU 800,00 785,71 798,00 800,29 873,36 433,33 545,45 629,03 893,33 933,33 637,25 515,38 985,71 740,74 666,66 545,45 800,00 538,46 841,26 666,66 795,45 635,29 RL 799,07 0,12% 784,98 0,09% 744,92 6,65% 672,08 16,02% 740,96 15,16% 404,14 6,74% 579,35 -6,22% 627,27 0,28% 790,13 11,55% 852,39 8,67% 652,02 -2,32% 459,14 10,91% 888,03 9,91% 755,06 -1,93% 689,85 -3,48% 579,35 -6,22% 736,66 7,92% 500,36 7,08% 833,46 0,93% 809,86 -21,48% 695,06 12,62% 647,35 -1,90% RNA 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 1 0 1 1 6 818,36 785,68 739,06 701,13 768,96 416,27 540,38 622,66 798,99 886,74 651,55 391,69 882,39 766,44 692,95 540,38 761,58 491,36 886,5 777,83 666,21 681,01 -2,30% 0,00% 7,39% 12,39% 11,95% 3,94% 0,93% 1,01% 10,56% 4,99% -2,24% 24,00% 10,48% -3,47% -3,94% 0,93% 4,80% 8,75% -5,38% -16,68% 16,25% -7,20% ANFIS 0 1 0 1 1 0 1 0 1 1 0 0 0 0 0 1 0 0 0 0 0 0 7 825,29 792,19 756,64 687,02 758,47 420,46 496,51 564,06 740,38 851,89 644,47 492,23 880,58 693,07 641,56 496,51 775,74 423,94 819,05 771,28 674,95 654,61 -3,16% -0,82% 5,18% 14,15% 13,16% 2,97% 8,97% 10,33% 17,12% 8,73% -1,13% 4,49% 10,67% 6,43% 3,77% 8,97% 3,03% 21,27% 2,64% -15,69% 15,15% -3,04% RNA - RSME 0 0 1 0 0 1 0 0 0 0 1 1 0 0 0 0 1 0 0 0 0 0 5 819,54 769,45 725,04 686,17 757,52 391,40 503,04 603,47 774,74 882,91 610,92 353,05 901,91 754,63 662,54 503,04 759,16 450,08 877,29 750,55 606,20 668,97 -2,44% 2,07% 9,14% 14,26% 13,26% 9,68% 7,77% 4,06% 13,28% 5,40% 4,13% 31,50% 8,50% -1,88% 0,62% 7,77% 5,10% 16,41% -4,28% -12,58% 23,79% -5,30% 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 1 0 0 4 XXI CONGRESO PANAMERICANO DE VALUACIÓN CARTAGENA – COLOMBIA / 2004 CURRICULUM VITAE NOME: EMPRESA: ENDEREÇO : ANTÔNIO PELLI NETO PELLI SISTEMAS LTDA Rua Eurita 464 – Bairro Santa Tereza Telefone : 55 31 3466-1557 - 3467-1507 FORMAÇÃO: Engenharia Civil e Mecânica GRADUAÇÃO: UFMG – Universidade Federal de Minas Gerais- 1982 MESTRANDO: LINHA DE PESQUISA: INTELIGÊNCIA COMPUTACIONAL, UFMG – Universidade Federal de Minas Gerais - 2004 PRINCIPAIS PARTICIPAÇÕES EM CONGRESSOS • • • • • • • • • • 1º Seminário de Engenharia Mecânica – Universidade Federal de Minas Gerais. 1982 Seminário Regional SIPAER – Universidade Federal de Minas Gerais. 1987 Participação no X COBREAPE - – Congresso Brasileiro de Engenharia de Avaliações e Perícias – São Paulo – SP – 1999 Participação no AVALIAR - Simpósio de Avaliações Técnicas – São Paulo Novembro 2000 Participação no XI COBREAPE – Congresso Brasileiro de Engenharia de Avaliações e Perícias. Espírito Santo - Vitória - 14 a 21 Outubro de 2001SP Apresentação de Trabalho Avaliação Econômica - I Congreso Internacional Valoracíon Y Tasacion – Valência Espanha – 3 a 5 de Junho de 2002 Participação no AVALIAR – Seminário de Avaliações técnicas – Curitiba –PR –Novembro de 2002 Apresentação de Trabalho REDES NEURAIS – Aplicado à Avaliação de Imóveis no XII COBREAPE – Congresso Brasileiro de Engenharia de Avaliações e Perícias – Belo Horizonte – MG – Setembro de 2003 Apresentação de Trabalho Inteligência Computacional em Redes Neurais – IASTED – Benalmadema – Espanha – Setembro de 2003 ATIVIDADES PROFISSIONAIS - Empresa - Caixa Econômica Federal (a partir de 1982) • • • • • • • • • Divisão de Processamento de Dados. Desenvolvimento de Programas - Analista de Sistemas. Concurso Público - Engenheiro Mecânico e Civil. Desenvolvimento de Projetos de Ar condicionado. Desenvolvimento de Projetos de Automação Bancária. Participação do Grupo de Trabalho de Avaliação dos Imóveis Funcionais da União. Desenvolvimento do Sistema de apoio a Avaliação Imobiliária – SAAI Desenvolvimento do Sistema de Avaliações Imobiliárias – SIM . Designado Instrutor de Avaliação de Imóveis – Avaliar Bens, tendo ministrado diversos cursos de Avaliação de Imóveis no âmbito da Caixa Econômica Federal.
Documentos relacionados
classificação de padrões utilizando redes neurais artificiais.
matemática de redes de elementos processadores inspirados em neurônios.McCulloch e Pitts (1943) demonstraram que associações desses neurônios artificiais podiam implementar qualquer função lógica f...
Leia mais