Оценка потенциала нейросетевой модели дискретного выбора с сиамским обучением для задачи прогнозирования покупки недвижимости

В работе рассматривается задача воспроизведения процесса покупок объектов недвижимости, решение которой позволит проверять как существующие, так и будущие алгоритмы динамического ценообразования, строить предсказания предпочтений покупателей и формировать кривую спроса. В качестве решения предлагается использовать подход, основанный на использовании моделей дискретного выбора, которые широко представлены в экономической литературе и имеют обширный круг приложений в области изучения потребительского поведения и предпочтений на конкурентных рынках. В данной работе излагается новая модель дискретного выбора, использующая нейронную сеть для формирования полезности объекта недвижимости. Предлагается подход к обучению модели через сиамские нейронные сети. Также в статье предложена нестандартная архитектура основной нейросети, позволяющая избежать потери сходимости при ее обучении. В работе проводится симуляция процесса покупки объектов недвижимости с помощью классических моделей, основанных на логистической регрессии со случайными коэффициентами, и с помощью нейросетевой модели, а также проведено их сравнение. В результате численных экспериментов показано заметное преимущество предложенного нейросетевого подхода. С помощью пермутационного теста доказана статистическая значимость полученных результатов.

1. McFadden D. Economic Choices. American Economic Review. 2001;91(3):351–378. https://doi.org/10.1257/aer.91.3.351

2. Sifringer B., Lurkin V., Alahi A. Enhancing Discrete Choice Models with Neural Networks. In: 18th Swiss Transport Research Conference (STRC 2018), 16–18 May 2018, Monte Verità, Switzerland. 2018. pp. 1–13.

3. Jeng J.-M., Fesenmaier D.R. A Neural Network Approach to Discrete Choice Modeling. Journal of Travel & Tourism Marketing. 1996;5(1-2):119–144. https://doi.org/10.1300/J073v05n01_08

4. Haj-Yahia Sh., Mansour O., Toledo T. Incorporating Domain Knowledge in Deep Neural Networks for Discrete Choice Models. arXiv. URL: https://arxiv.org/abs/2306.00016 [Accessed 20th December 2024].

5. Aouad A., Désir A. Representing Random Utility Choice Models with Neural Networks. arXiv. URL: https://arxiv.org/abs/2207.12877 [Accessed 20th December 2024].

6. Yang Ya., Zhai P. Click-Through Rate Prediction in Online Advertising: A Literature Review. Information Processing & Management. 2022;59(2). https://doi.org/10.2139/ssrn.4036054

7. Guo Ya., Wang M., Li X. An Interactive Personalized Recommendation System Using the Hybrid Algorithm Model. Symmetry. 2017;9(10). https://doi.org/10.3390/sym9100216

8. Craparotta G., Thomassey S., Biolatti A. A Siamese Neural Network Application for Sales Forecasting of New Fashion Products Using Heterogeneous Data. International Journal of Computational Intelligence Systems. 2019;12:1537–1546. https://doi.org/10.2991/ijcis.d.191122.002

9. Van Cranenburgh S., Garrido-Valenzuela F. Computer vision-enriched discrete choice models, with an application to residential location choice. arXiv. URL: https://arxiv.org/abs/2308.08276 [Accessed 20th December 2024].

10. Ruan G., Kirschen D.S., Zhong H., Xia Q., Kang C. Estimating Demand Flexibility Using Siamese LSTM Neural Networks. IEEE Transactions on Power Systems. 2021;37(3):2360–2370. https://doi.org/10.48550/arXiv.2109.01258

11. Train K.E. Discrete Choice Methods with Simulation. Cambridge; New York: Cambridge University Press; 2009. 388 p. https://doi.org/10.1017/CBO9780511805271

12. Hornik K. Approximation capabilities of multilayer feedforward networks. Neural Networks.1991;4(2):251–257. https://doi.org/10.1016/0893-6080(91)90009-T

13. Dong G., Kweon Y., Park B.B., Boukhechba M. Utility-Based Route Choice Behavior Modeling Using Deep Sequential Models. Journal of Big Data Analytics in Transportation. 2022;4(2-3):119–133. https://doi.org/10.1007/s42421-022-00058-3

14. Wang F., Ross C.L. Machine Learning Travel Mode Choices: Comparing the Performance of an Extreme Gradient Boosting Model with a Multinomial Logit Model. Transportation Research Record: Journal of the Transportation Research Board. 2018;2672(47). https://doi.org/10.1177/0361198118773556