DOI: https://doi.org/10.1007/s44196-025-01134-6
تاريخ النشر: 2026-02-02
المؤلف: M.J. Ramezankhani وآخرون
الموضوع الرئيسي: سوق الإسكان والاقتصاد
نظرة عامة
تقدم هذه الورقة البحثية نموذجًا جديدًا للتنبؤ بالضرائب العقارية (RET) يدمج التعلم المعزز (RL) لاختيار الميزات وخوارزمية مستعمرة النحل الاصطناعي (ABC) لتحسين المعلمات. تواجه طرق التعلم العميق التقليدية غالبًا تحديات في اختيار الميزات وحساسية المعلمات، مما يمكن أن يعيق التنبؤ الدقيق. يعالج النموذج المقترح هذه القضايا من خلال تحديث أهمية الميزات ديناميكيًا بناءً على تفاعلات البيانات في الوقت الحقيقي، مما يركز على السمات ذات الصلة ويخفف من مخاطر الإفراط في التكيف. يسمح دمج دالة خسارة النطاق (SLF) للنموذج بالتوازن بين التعلم من البيانات الحالية واستكشاف أنماط جديدة، مما يعزز كل من الدقة والقدرة على التكيف.
تظهر التقييمات التجريبية باستخدام مجموعات بيانات متنوعة من مناطق تشمل بوخارست وكاليفورنيا وهلسنكي ومقاطعة كينغ والمملكة العربية السعودية أداء النموذج المتفوق مقارنة بأدوات التنبؤ التقليدية، حيث حقق قيم خطأ النسبة المطلقة المتوسطة (MAPE) تتراوح بين 0.216 و 1.081. تؤكد هذه النتائج على قوة النموذج وقدراته التنبؤية، مما يشير إلى إمكانيته في تحسين التقييمات الاقتصادية وتوقع الإيرادات العامة. ستتضمن التحسينات المستقبلية دمج تحليلات البيانات في الوقت الحقيقي واستكشاف التعلم الانتقالي لتحسين التنبؤات بشكل أكبر وتوسيع قابلية تطبيق النموذج عبر أسواق متنوعة، مما يضعه في النهاية كأداة شاملة لتحليل العقارات العالمية واتخاذ القرارات.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على أهمية تقييم قاعدة الضرائب في تعزيز أنظمة الضرائب العقارية (RET)، خاصة في ظل السياسات المالية المتطورة. غالبًا ما تكون طرق التقييم التقليدية، المعتمدة على العمل الميداني ودراسات السوق، غير فعالة وعرضة للأخطاء. يُقترح دمج الذكاء الاصطناعي (AI) كحل لهذه التحديات، مما يمكّن من تحليل مجموعات بيانات كبيرة وأتمتة المهام، مما يعزز الدقة والكفاءة في تقييمات الضرائب. تهدف الورقة بشكل خاص إلى تقديم طريقة تعتمد على التعلم العميق لتنبؤ RET، مع معالجة تحديين حاسمين: اختيار الميزات وتحسين المعلمات.
على الرغم من التطبيق المتزايد للتعلم العميق في تنبؤ RET، لا تزال القضايا مثل الإفراط في التكيف والحساسية لإعدادات المعلمات قائمة، خاصة عندما يتم تطبيق النماذج على بيانات إقليمية متنوعة. تناقش الورقة قيود طرق اختيار الميزات التقليدية وتبرز إمكانيات التعلم المعزز (RL) كبديل ديناميكي يمكنه التكيف مع ظروف البيانات المتغيرة. يدمج النموذج المقترح RL مع دالة خسارة النطاق (SLF) لتحقيق التوازن بين الاستكشاف والاستغلال أثناء اختيار الميزات، بينما يستخدم خوارزمية مستعمرة النحل الاصطناعي (ABC) لتحسين المعلمات. يهدف هذا الإطار المبتكر إلى تحسين دقة التنبؤ وقابلية التعميم عبر مجموعات بيانات جغرافية متنوعة، مما يظهر إمكانيات كبيرة للتطبيق العملي في سياقات RET.
طرق
تصف المنهجية الموضحة في هذه الورقة البحثية إطار عمل للتعلم المعزز (RL) لاختيار الميزات وتنبؤ قيم الضرائب العقارية باستخدام شبكة عصبية متعددة الطبقات (MLP). تتكون مجموعة البيانات \( D \) من أزواج \( (x, y) \)، حيث \( x \) هو متجه من \( n \) ميزات الإدخال \( \{x_1, \ldots, x_n\} \) و \( y \) هو القيمة الناتجة الحقيقية. تعالج شبكة MLP عينات مختارة عشوائيًا من \( D \) لتقييم أهمية الميزات وتنبؤ الناتج ذي الصلة. تتضمن الحالة \( s_t \) في الوقت \( t \) متجه الإدخال، ودرجات الأهمية، ومجموعة الميزات النشطة \( F_{\text{active}} \)، مما يمكّن الوكيل من اتخاذ قرارات مستنيرة بشأن اختيار الميزات والتنبؤات.
تتكون مجموعة الإجراءات \( A \) من خيارين: اختيار سمة \( A_f \) أو إجراء تنبؤ \( A_c \). هيكل المكافأة يحفز الوكيل على تحقيق التوازن بين تكلفة تضمين الميزات مع الدقة التنبؤية، المحددة كـ \( r((x, y), A) = \{-\lambda \times \text{cost}(f_{\text{best}}) \text{ if } a \in A_f, -\text{MSE}(y, \hat{y}) \text{ if } a \in A_c\} \). تحدث عملية اتخاذ القرار في خطوات زمنية منفصلة، حيث يختار الوكيل سمة واحدة في كل خطوة لتعزيز دقة التنبؤ. تنتهي الخوارزمية حلقة عند إجراء تنبؤ، ويتم تسجيل جميع التفاعلات لتحسين نموذج السياسة من خلال التعلم المعزز، مما يحسن أداء النموذج بمرور الوقت.
نتائج
تم إجراء التجارب على إعداد حوسبة قوي يتميز بنظام Windows 10 Pro 64 بت مزود بمعالج Intel Core i7-11700K وذاكرة RAM سعة 32 جيجابايت من نوع DDR4، بالإضافة إلى بطاقة رسومات NVIDIA GeForce RTX 3080 لتعزيز تدريب نموذج التعلم العميق. تم تنفيذ العمل باستخدام Python 3.8.13 ضمن بيئة Anaconda، مع استخدام PyTorch 1.12.1 لمهام التعلم العميق وScikit-learn 0.24.2 لعمليات التعلم الآلي. تم استخدام طريقة التحقق المتقاطع الطبقي بخمسة أضعاف لضمان تقييم موثوق للنموذج، مما يسمح لكل جزء من مجموعة البيانات بالخدمة كمجموعة اختبار مرة واحدة، وبالتالي زيادة استخدام البيانات.
تم تقييم النموذج المقترح مقارنة بأربعة عشر نموذجًا متقدمًا، بما في ذلك XGBoost وGBR ومختلف أساليب التعلم المعزز (RL). من الجدير بالذكر أن النموذج المقترح تفوق على هذه المعايير عبر مجموعات بيانات متعددة، حيث حقق خطأ النسبة المطلقة المتوسطة (MAPE) قدره 0.216 وخطأ الجذر التربيعي المتوسط (RMSE) قدره 0.229 في مجموعة بيانات بوخارست، مما يمثل تحسينات بنسبة 21.5% و21.6% مقارنة بـ GraphRL، على التوالي. في مجموعة بيانات كاليفورنيا، أظهر النموذج المقترح أيضًا أداءً متفوقًا مع RMSE قدره 0.676 وMAPE قدره 0.388، مما يمثل تحسينات بنسبة 6.4% و9.3% مقارنة بـ GraphRL. بشكل عام، تشير النتائج إلى أن النموذج المقترح يقدم باستمرار دقة تنبؤية أفضل عبر مجموعات بيانات متنوعة، مما يبرز فعاليته في التعامل مع الأنماط غير الخطية المعقدة.
مناقشة
تستعرض قسم المناقشة في الورقة مجموعة متنوعة من منهجيات التعلم الآلي المطبقة على تسعير العقارات والضرائب، مع تسليط الضوء على الأدبيات المحدودة حول تنبؤ الضرائب العقارية (RET). تشمل النتائج الرئيسية تقديم نماذج متقدمة مثل الشبكات العصبية التلافيفية الهجينة وتقنيات الانحدار الديناميكية، التي تعزز دقة التنبؤ ولكن غالبًا على حساب زيادة التعقيد الحسابي وإمكانية الإفراط في التكيف. من الجدير بالذكر أن دمج الاقتصاد السلوكي مع التعلم الآلي قد أظهر وعدًا في تحسين التنبؤات، على الرغم من أنه يثير مخاوف بشأن قابلية تفسير النموذج ومتطلبات البيانات. يبرز القسم أهمية اختيار الميزات الفعال وتحسين المعلمات، مشيرًا إلى أن العديد من الطرق الحالية لا تعالج هذه الجوانب بشكل كاف، مما يؤدي إلى نماذج غير فعالة.
تناقش الورقة أيضًا طرق اختيار الميزات، مصنفة إياها إلى طرق إحصائية، وطرق تعلم الآلة، وطرق التعلم العميق. بينما تعتبر الطرق التقليدية مثل تقنيات الفلتر والإطار مفيدة، إلا أنها غالبًا ما تتجاهل تفاعلات الميزات ويمكن أن تكون مكلفة حسابيًا. يُقترح إدخال التعلم المعزز (RL) لاختيار الميزات كحل للتكيف ديناميكيًا مع الظروف المتغيرة، مما يعزز دقة التنبؤ. علاوة على ذلك، تم تحديد تحسين المعلمات كعامل حاسم لأداء النموذج، مع تسليط الضوء على طريقة المفتاح العشوائي وخوارزمية مستعمرة النحل الاصطناعي (ABC) لفعاليتها في استكشاف مساحة المعلمات الواسعة وتجنب الحلول المحلية المثلى. بشكل عام، يبرز القسم الحاجة إلى منهجيات قوية تحقق التوازن بين التعقيد، وقابلية التفسير، والكفاءة الحسابية في نماذج التنبؤ بالعقارات.
DOI: https://doi.org/10.1007/s44196-025-01134-6
Publication Date: 2026-02-02
Author(s): M.J. Ramezankhani et al.
Primary Topic: Housing Market and Economics
Overview
This research paper presents a novel model for predicting real estate taxes (RET) that integrates reinforcement learning (RL) for feature selection and the artificial bee colony (ABC) algorithm for hyperparameter optimization. Traditional deep learning methods often face challenges in feature selection and hyperparameter sensitivity, which can hinder accurate forecasting. The proposed model addresses these issues by dynamically updating feature importance based on real-time data interactions, thereby focusing on relevant attributes and mitigating overfitting risks. The incorporation of a scope loss function (SLF) allows the model to balance learning from existing data while exploring new patterns, enhancing both accuracy and adaptability.
Empirical evaluations using diverse datasets from regions including Bucharest, California, Helsinki, King County, and Saudi Arabia demonstrate the model’s superior performance compared to conventional prediction tools, achieving mean absolute percentage error (MAPE) values between 0.216 and 1.081. These findings underscore the model’s robustness and predictive capabilities, suggesting its potential for improving economic assessments and public revenue forecasting. Future enhancements will involve integrating real-time data analytics and exploring transfer learning to further refine predictions and extend the model’s applicability across various markets, ultimately positioning it as a comprehensive tool for global real estate analysis and decision-making.
Introduction
The introduction of this research paper emphasizes the importance of tax base assessment in enhancing real estate tax (RET) systems, particularly amidst evolving fiscal policies. Traditional assessment methods, reliant on fieldwork and market studies, are often inefficient and prone to errors. The integration of artificial intelligence (AI) is proposed as a solution to these challenges, enabling the analysis of large datasets and automating tasks, which enhances accuracy and efficiency in tax assessments. The paper specifically aims to introduce a deep learning-based method for RET prediction, addressing two critical challenges: feature selection and hyperparameter optimization.
Despite the growing application of deep learning in RET prediction, issues such as overfitting and sensitivity to hyperparameter settings persist, particularly when models are applied to diverse regional data. The paper discusses the limitations of traditional feature selection methods and highlights the potential of reinforcement learning (RL) as a dynamic alternative that can adapt to changing data conditions. The proposed model integrates RL with a scope loss function (SLF) to balance exploration and exploitation during feature selection, while employing the artificial bee colony (ABC) algorithm for hyperparameter optimization. This innovative framework aims to improve prediction accuracy and generalizability across various geographical datasets, demonstrating significant potential for practical application in RET contexts.
Methods
The methodology outlined in this research paper describes a reinforcement learning (RL) framework for feature selection and prediction of real estate tax values using a multi-layer perceptron (MLP). The dataset \( D \) consists of pairs \( (x, y) \), where \( x \) is a vector of \( n \) input features \( \{x_1, \ldots, x_n\} \) and \( y \) is the true output value. The MLP processes randomly selected samples from \( D \) to evaluate feature importance and predict the relevant output. The state \( s_t \) at time \( t \) includes the input vector, importance scores, and the active feature set \( F_{\text{active}} \), enabling the agent to make informed decisions regarding feature selection and predictions.
The action set \( A \) comprises two options: selecting an attribute \( A_f \) or making a prediction \( A_c \). The reward structure incentivizes the agent to balance the cost of including features with predictive accuracy, defined as \( r((x, y), A) = \{-\lambda \times \text{cost}(f_{\text{best}}) \text{ if } a \in A_f, -\text{MSE}(y, \hat{y}) \text{ if } a \in A_c\} \). The decision-making process occurs at discrete time steps, with the agent selecting one feature at each step to enhance prediction accuracy. The algorithm concludes an episode upon making a prediction, and all interactions are recorded to refine the policy model through reinforcement learning, thereby improving the model’s performance over time.
Results
The experiments were conducted on a robust computing setup featuring a 64-bit Windows 10 Pro system equipped with an Intel Core i7-11700K CPU and 32 GB of DDR4 RAM, alongside an NVIDIA GeForce RTX 3080 GPU to enhance deep learning model training. The implementation utilized Python 3.8.13 within the Anaconda environment, employing PyTorch 1.12.1 for deep learning tasks and Scikit-learn 0.24.2 for machine learning processes. A fivefold stratified cross-validation method was employed to ensure reliable model evaluation, allowing each segment of the dataset to serve as a test set once, thereby maximizing data utilization.
The proposed model was benchmarked against fourteen advanced models, including XGBoost, GBR, and various reinforcement learning (RL) approaches. Notably, the proposed model outperformed these baselines across multiple datasets, achieving a mean absolute percentage error (MAPE) of 0.216 and a root mean square error (RMSE) of 0.229 in the Bucharest dataset, representing improvements of 21.5% and 21.6% over GraphRL, respectively. In the California dataset, the proposed model also demonstrated superior performance with an RMSE of 0.676 and a MAPE of 0.388, marking enhancements of 6.4% and 9.3% compared to GraphRL. Overall, the results indicate that the proposed model consistently delivers better predictive accuracy across diverse datasets, highlighting its effectiveness in handling complex nonlinear patterns.
Discussion
The discussion section of the paper reviews various machine learning methodologies applied to real estate pricing and taxation, highlighting the limited literature on real estate tax (RET) prediction. Key findings include the introduction of advanced models such as hybrid graph convolutional networks and dynamic regression techniques, which enhance prediction accuracy but often at the cost of increased computational complexity and potential overfitting. Notably, the integration of behavioral economics with machine learning has shown promise in improving predictions, although it raises concerns regarding model interpretability and data demands. The section emphasizes the importance of effective feature selection and hyperparameter optimization, noting that many existing methods inadequately address these aspects, leading to inefficient models.
The paper also discusses feature selection methods, categorizing them into statistical, machine learning, and deep learning approaches. While traditional methods like filter and wrapper techniques are useful, they often overlook feature interactions and can be computationally expensive. The introduction of reinforcement learning (RL) for feature selection is proposed as a solution to dynamically adapt to changing conditions, enhancing prediction accuracy. Furthermore, hyperparameter optimization is identified as critical for model performance, with the Random Key method and the Artificial Bee Colony (ABC) algorithm being highlighted for their effectiveness in exploring a broad parameter space and avoiding local optima. Overall, the section underscores the need for robust methodologies that balance complexity, interpretability, and computational efficiency in real estate prediction models.