Housing Demand Forecasting with Machine Learning Methods

Yıl 2022, , 36 - 52, 23.12.2022

Şeyma Emeç , Duygu Tekin

https://doi.org/10.18185/erzifbed.1199535

Öz

Housing is a place where sustainable urban spaces are produced and where people's physical, cultural, environmental, economic, social and psychological needs are evaluated together with their surroundings, rather than just a building where the need for shelter is met. With the acceleration of urbanization, new needs arise, and the first of these is the need for housing. The housing sector has become one of the most dynamic and continuous sectors associated with the increase in the need for housing. The need for adequate and accessible housing comes to the forefront in our country as well as in the world. Understanding and predicting the key features determining housing prices and value is an important consideration for urban planners and housing policymakers. In this study, machine learning and artificial neural network models were used to predict the housing demand of Konya, and their forecasting performances were compared. As a result, it was concluded that ANN is a better alternative for housing demand forecasting in Konya.

Anahtar Kelimeler

Forecasting, Housing Demand, Housing Sales, ANN, Machine Learning

Makine Öğrenmesi Yöntemleri ile Konut Talep Tahmini

Öz

Kaynakça

• [1] Kaya, V., Yalçınkaya, Ö., Hüseyni, İ., (2013) Ekonomik büyümede inşaat sektörünün rolü: Türkiye örneği (1987-2010), Atatürk Üniversitesi İktisadi Ve İdari Bilimler Dergisi, 27 (4), 148-167.
• [2] Çınar, (2018) Türk inşaat sektörü ve türk inşaaat sektörünün ülke ekonomisine etkisi, Sosyal Bilimler Enstitüsü, Yüksek lisans tezi.
• [3] Kalkınma Bakanlığı (2018) On birinci kalkınma planı (2019-2023), Konut Politikaları, Özel İhtisas Komisyonu Raporu.
• [4] Kılıç, R., Emeç, Ş., Erkayman, B., (2022) Integrated fuzzy FUCOM and fuzzy MARCOS approaches for housing location problem, Brilliant Engineering, 3 (4), 4727.
• [5] Özkurt, H. (2007) Türkiye ekonomisinde konut sektörü: gelişimi ve alternatif finansman modelleri, İstanbul Üniversitesi Sosyal Bilimler Meslek Yüksek Okulu, İstanbul.
• [6] Kim, K., Park, J.Y. (2005) Segmentation of the housing market and its determinants: seoul and its neighboring new towns in Korea, Australian Geographer, 36 (2), 221-232.
• [7] Selim, H., (2009) Determinants of house prices in turkey: Hedonic regression versus artificial neural network, Expert Systems with Applications, 36 (2), 2843-2852.
• [8] Tabar, M.E., Başara. A.C., Şişman. Y., (2021) Çoklu regresyon ve yapay sinir ağları ile Tokat ilinde konut değerleme çalışması, Türkiye Arazi Yönetimi Dergisi, 3 (1), 01-07.
• [9] Web of science, (2022) https://www.webofscience.com/wos/woscc/summary/cb3efd61-8797-4c3a-9ac7-4491743c1a0d-5a4dc41f/relevance/1 [Accessed: 23-Oct-2022].
• [10] Yesil, T., Akyuz, F., (2020) Forecasting housing prices by using artificial neural networks, Artificial intelligence and applied mathematics in engineering problems, Springer, 621-632.
• [11] Kasparova, D., White, M., (2001) The Responsiveness of house prices to macroeconomic forces: a cross-country comparison, European Journal of Housing Policy, 1 (3), 385-416.
• [12] Yu, H.Y., (2010) China’s house price: affected by economic fundamentals or real estate policy?, Frontiers of Economics in China, 5 (1), 25-51.
• [13] Wang, D., Li, V. J., (2019) Mass appraisal models of real estate in the 21st century: A systematic literature review, Sustainability, 11 (24), 7006.
• [14] Turkish Statistical Institute, TSI, (2018) https://data.tuik.gov.tr/Bulten/Index?p=Nufus-Projeksiyonlari-2018-2080-30567 [Accessed: 23-Oct-2022].
• [15] McCulloch W.S., Pitts W., (1943) A logical calculus of ideas immanent in nervous activity, Bulletin of Mathematical Biophysics, 5 (4), 115-133.
• [16] Çoban, F., Demir, L., (2021) Yapay sinir ağları ve destek vektör regresyonu ile talep tahmini: gıda işletmesinde bir uygulama, Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 23(67), 327-338.
• [17] Subaşı, A., Erdem, K., (2022) Hibrit nanoakışkanların özgül ısılarının yapay sinir ağları ile tahmin edilmesi, Journal of The Faculty of Engineering & Architecture of Gazi University, 37 (1).
• [18] Kuşkapan, E., Çodur, M. K., Çodur, M. Y., (2022) Türkiye’deki demiryolu enerji tüketiminin yapay sinir ağları ile tahmin edilmesi, Konya Mühendislik Bilimleri Dergisi, 10 (1), 72-84.
• [19] Calp, M. H, (2019) İşletmeler için personel yemek talep miktarının yapay sinir ağları kullanılarak tahmin edilmesi, Politeknik Dergisi, 22(3), 675-686.
• [20] Kara, Ş. E., Şamlı, R., (2021) Yazılım projelerinin maliyet tahmini için WEKA’da makine öğrenmesi algoritmalarının karşılaştırmalı analizi, Avrupa Bilim ve Teknoloji Dergisi, (23), 415-426.
• [21] Yergök, D., Acı, M., (2019) Toplu yemek üretiminde günlük talep tahmini için alternatif bir yaklaşım: Öğrenci regresyon, Avrupa Bilim ve Teknoloji Dergisi, 64-73.
• [22] Aydın, S. G., Aydoğdu, G. (2022) Makine öğrenmesi algoritmaları kullanılarak Türkiye ve AB ülkelerinin CO2 emisyonlarının tahmini, Avrupa Bilim ve Teknoloji Dergisi, (37), 42-46.
• [23] Saydam, D. B., Çerçi, K. N., Hürdoğan, E. (2021) Güneş enerjili yeni tip bir kurutucuda granny smith elmanın kuruma davranışının incelenmesi, Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 21 (4), 945-957.
• [24] Korkmaz, M., Doğan, A., Kirmaci, (2022) Karşıt akışlı ranque–hilsch vorteks tüpünün lineer regresyon, destek vektör makineleri ve gauss süreç regresyonu yöntemi ile performans analizi, Gazi Mühendislik Bilimleri Dergisi, 8 (2), 361-370.
• [25] Aci, M., Dogansoy, G. A., (2022) Demand forecasting for e-retail sector using machine learning and deep learning methods, Journal of The Faculty of Engineering and Architecture of Gazi University, 37 (3), 1325-1339.
• [26] Çolakoğlu, A.A., (2020) Makine öğrenmesi algoritmaları ile avrupa havalimanları analizi, Pamukkale üniversitesi, Sosyal Bilimler Enstitüsü, Yüksek lisans tezi.
• [27] Oral, M., Okatan, E., Kırbaş, İ., (2021) Makine öğrenme yöntemleri kullanarak konut fiyat tahmini üzerine bir çalışma: Madrid örneği, Uluslararası Genç Araştırmacılar Öğrenci Kongresi, Burdur, Turkey.
• [28] Yilmaz, H., Tosun, Ö., (2020) Aylık konut satışlarının modellenmesi ve Antalya örneği. Kafkas Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 11 (21), 141-158.
• [29] Güner, Ş. N., (2021) Yapay sinir ağları yöntemiyle konut satışlarının incelenmesi: Ankara ili örneği, Fiscaoeconomia, 5 (1), 359-371.
• [30] Selçi, B.Y., (2021) Türkiye’nin konut satışı değerlerinin yapay sinir ağları ile öngörülmesi, Ekoist: Journal of Econometrics and Statistics, 35, 19-32.
• [31] Turkish Statistical Institute (TSI), (2022) https://www.tuik.gov.tr/ [Accessed: 20-Oct-2022].
• [32] Central Bank of The Republic Of Turkey (CBRT), (2022) https://www.tcmb.gov.tr/ [Accessed: 20-Oct-2022].