| Form of studies |
Professional Bachelor |
| Title of the study programm |
Financial Engineering |
| Title in original language |
Mākslīga intelekta pielietojums komerciālo nekustamo īpašumu cenu noteikšanā: datu iegūšana, analīze un prognoze |
| Title in English |
Applications of AI in Commercial Real Estate Pricing: Data Gathering, Analysis and Forecasting |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Viktors Ajevskis |
| Reviewer |
Tatjana Fjodorova |
| Abstract |
Mākslīgā intelekta un mašīnmācīšanās tehnoloģiju attīstība noteikti ir paplašinājusi automatizētu nekustamo īpašumu analītikas sistēmu pielietošanas iespējas. Turklāt komerciālo nekustamo īpašumu tirgū vēl joprojām pastāv problēmas, kas saistītas ar datu heterogenitāti, ierobežotu datu pieejamību un sarežģītām nelineārām sakarībām starp īpašuma pazīmēm un to cenu. Bakalaura darba mērķis ir izpētīt mākslīgā intelekta un mašīnmācīšanās metožu pielietošanas iespējas komerciālo nekustamo īpašumu cenu analīzē un prognozēšanā Latvijā, kā arī izstrādāt eksperimentālu automatizētu komerciālo nekustamo īpašumu analītikas sistēmu, izmantojot publiski pieejamus tirgus datus.
Darba ietvaros tika realizēta automatizēta datu ieguves sistēma no SS.lv un City24.lv platformām, veikta datu priekšapstrāde, pazīmju inženierija, ģeotelpisko pazīmju integrācija un modelēšanas datu kopas izveide. Praktiskajā daļā tika salīdzināti lineārās regresijas, Random Forest, XGBoost un ARIMA modeļi komerciālo nekustamo īpašumu biroju telpu nomas cenu prognozēšanai. Modeļu kvalitāte tika analizēta, izmantojot saknes vidējo kvadrātisko kļūdu (RMSE), vidējo absolūto procentuālo kļūdu (MAPE), vidējo absolūto kļūdu (MAE) un determinācijas koeficientu (R²).
Pēc rezultātu apskates kļuva skaidrs, ka ansambļu mašīnmācīšanās algoritmi efektīvāk modelē nelineāras sakarības starp nekustamo īpašumu pazīmēm un cenu nekā klasiskās lineārās pieejas. Tomēr tika secināts, ka būtiska nozīme prognozēšanas precizitātē ir datu kvalitātei un apjomam, pazīmju izvēlei un telpisko datu integrācijai modelēšanā. Darba ietvaros tika veikta arī izstrādātā risinājuma ekonomiskā novērtēšana un analizēts sistēmas potenciālais komercializācijas modelis.
Bakalaura darbā ir 90 lappuses, 21 attēls, 5 tabulas, 3 pielikumi un 33 informācijas avoti. |
| Keywords |
MĀKSLĪGAIS INTELEKTS, MAŠĪNMĀCĪŠANĀS, AUTOMATIZĒTIE VĒRTĒŠANAS MODEĻI, NEKUSTAMIE ĪPAŠUMI, CENU PROGNOZĒŠANA |
| Keywords in English |
ARTIFICIAL INTELLIGENCE, MACHINE LEARNING, AUTOMATED VALUATION MODELS, REAL ESTATE, PRICE FORECASTING |
| Language |
lv |
| Year |
2026 |
| Date and time of uploading |
25.05.2026 22:50:09 |
