รายละเอียดโครงงาน
หลักสูตร/ปี พ.ศ. วิศวกรรมศาสตรบัณฑิต สาขาวิชาวิศวกรรมซอฟต์แวร์และความรู้ ปี พ.ศ. 2564
ภาคและปีการศึกษาที่สำเร็จการศึกษา ภาคปลาย ปีการศึกษา 2563
ประเภทโครงงาน
โครงงานวิศวกรรม
ชื่อโครงงานภาษาไทย
การพยากรณ์ราคาที่ดินโดยใช้โมเดลแมชชีนเลิร์นนิง
ชื่อโครงงานภาษาอังกฤษ
Forecasting land price using machine learning mode
ผู้พัฒนา
6010545790 ธนศรณ์ ไตรทวิทรัพย์
อาจารย์ที่ปรึกษาหลัก
ธนาวินท์ รักธรรมานนท์
อาจารย์ที่ปรึกษาร่วม
ธนาวินท์ รักธรรมานนท์
บทคัดย่อ
กรมธนารักษ์คำนวณราคาที่ดินโดยมอบหมายให้ผู้เชี่ยวชาญสำรวจพื้นที่เป้าหมายและประเมินมูลค่าที่ดินโดยการสังเกตสภาพแวดล้อมโดยรอบ การใช้ผู้เชี่ยวชาญในการประเมินราคานี้อาจเกิดข้อผิดพลาดเนื่องจากความผิดพลาดของมนุษย์และปัญหาการทุจริต ผู้เชี่ยวชาญจะอ้างอิงราคามาตรฐานที่สุ่มโดยที่ดินอ้างอิงในบริเวณใกล้เคียงที่ถูกขายไปและราคาจะผันผวนโดยผู้เชี่ยวชาญ จากการสำรวจสภาพแวดล้อม โครงงานนี้นำเสนอวิธีการใหม่ในการคำนวณราคาที่ดินโดยใช้แบบจำลองการเรียนรู้ของเครื่องแทนที่จะมอบหมายให้ผู้เชี่ยวชาญ รวมถึงค้นหาปัจจัยที่ทำให้ได้ผลลัพธ์ที่แม่นยำที่สุด เราสามารถทดสอบวิธีแก้ปัญหาของเราได้โดยเปรียบเทียบราคาที่คาดการณ์ไว้กับราคาที่ดินจริงที่ใช้ซื้อขายในปัจจุบัน การเปรียบเทียบสามารถทำได้โดยใช้heat map และความเข้มของสี ขึ้นอยู่กับราคาที่ดิน ดังนั้นเราจึงสามารถสังเกตสีที่คล้ายคลึงกันของแผนที่ราคาทำนายและแผนที่ราคาที่ดินจริงได้ ผลลัพธ์ที่ได้มาจะแสดงให้เห็นถึงแนวทางที่จะมีแนวโน้มที่แม่นยำ
Abstract
Thailand’s treasury department calculates land price by assigning a specialist to explore the target area and estimate land value by observing the surrounding environment. Using specialists to estimate price is not accurate due to human error and the corruption problem. The specialist will refer to a standard price randomized by the reference land nearby which has been sold and the price is fluctuated by specialists from exploring the environment. This paper presents a new solution for calculating land price by using a machine learning model instead of assigning a specialist and finding factors that make the best accurate result. We can test our solution by comparing the predicted price with the real land price that is used for trading nowadays. The comparison can be done by using an area heat map and the colored intensity depends on the land price, so we can observe the similarity color of the predicted price map and real land price map. The results so far show the approach to have a promising success rate.
คำสำคัญ (Keywords)
Machine Learning, K - Nearest Neighbor, Linear Regression, Neural Network, Random Forest, Forecasting land price
เว็บไซต์โครงงาน
-
วีดีโอคลิปของโครงงาน
ที่เก็บเวอร์ชันซอร์สโค้ด
https://github.com/narisasingngam/ForecastingLandFinal
https://drive.google.com/drive/u/0/folders/14WpqVlINbRTlzHJwWP5F6aiEQ-RU5k4_
สถานะการนำเข้าข้อมูล
ผู้นำเข้าข้อมูลครั้งแรก
ธนศรณ์
ไตรทวิทรัพย์
(b6010545790)
แก้ไขครั้งสุดท้าย
เมื่อ May 21, 2021, 6:24 p.m. โดย
ธนศรณ์
ไตรทวิทรัพย์
(b6010545790)
สถานะการอนุมัติ
รออนุมัติ