หลักสูตร/ปี พ.ศ. วิศวกรรมศาสตรบัณฑิต สาขาวิชาวิศวกรรมคอมพิวเตอร์ ปี พ.ศ. 2568
ภาคและปีการศึกษาที่สำเร็จการศึกษา ภาคปลาย ปีการศึกษา 2567
ประเภทโครงงาน
โครงงานวิศวกรรม
ชื่อโครงงานภาษาไทย
การทำนายราคาบ้านโดยใช้การเรียนรู้เชิงกราฟและข้อมูลภูมิศาสตร์
ชื่อโครงงานภาษาอังกฤษ
House Price Prediction Using Graph-Based Learning and Geospatial Data
ผู้พัฒนา
6410504292 ฤธา สุดสัตย์
อาจารย์ที่ปรึกษาหลัก
กฤษณะ ไวยมัย
อาจารย์ที่ปรึกษาร่วม
กฤษณะ ไวยมัย
บทคัดย่อ
การพยากรณ์ราคาบ้านเป็นปัญหาที่ซับซ้อน เนื่องจากมีหลายปัจจัยที่ส่งผลต่อการกำหนดราคา เช่น ทำเลที่ตั้ง ระยะห่างจากจุดที่สนใจ และคุณสมบัติของบ้าน ซึ่งอาจนำไปสู่การตั้งราคาที่ไม่ถูกต้องของผู้ซื้อหรือผู้ขาย นอกจากนี้ ความท้าทายสำคัญของการพยากรณ์ราคาบ้านคือข้อจำกัดด้านปริมาณข้อมูลและความแม่นยำของโมเดลการพยากรณ์ งานวิจัยนี้นำเสนอการใช้การเรียนรู้เชิงกราฟในการพยากรณ์ราคาบ้าน โดยแบ่งแนวทางการแก้ปัญหาออกเป็นสองส่วน ได้แก่ (1) การจัดการกับความซับซ้อนของข้อมูลโดยใช้ข้อมูลภูมิศาสตร์ร่วมกับเมทริกซ์ถ่วงน้ำหนัก และ (2) การแก้ไขปัญหาปริมาณข้อมูลที่จำกัดโดยใช้โมเดล SRGCNN (Spatial-Relational Graph Convolutional Neural Network) ผลการทดลองแสดงให้เห็นว่า โมเดลสามารถพยากรณ์ราคาบ้านได้อย่างแม่นยำ แม้ในกรณีที่มีข้อมูลจำกัด โดยให้ผลลัพธ์ที่ใกล้เคียงกับราคาจริงได้อย่างมีประสิทธิภาพ
Abstract
Abstract
House price prediction is a complex problem due to various influencing factors, such as location, points of interest, and property attributes. These factors may lead to pricing discrepancies between buyers and sellers. Moreover, a key challenge in house price prediction is the limitation of available data and the accuracy of the predictive model used. This research proposes a graph-based learning approach for house price prediction, addressing two key challenges: (1) managing data complexity by incorporating geospatial data with a weighted adjacency matrix and (2) mitigating data scarcity issues using the SRGCNN (Spatial-Relational Graph Convolutional Neural Network) model. Experimental results demonstrate that the proposed model accurately predicts house prices, even with limited data, yielding results that closely align with actual market prices.
คำสำคัญ (Keywords)
การประเมินมูลค่าอสังหาริมทรัพย์, การพยากรณ์ราคาบ้าน, การวิเคราะห์เชิงพื้นที่, การเรียนรู้ของเครื่อง, การเรียนรู้เชิงกราฟ, การเรียนรู้เชิงลึก, ข้อมูลภูมิศาสตร์, โครงข่ายประสาทเทียมเชิงกราฟ (GNNs), SRGCNN (โครงข่ายประสาทเทียมแบบคอนโวลูชันเชิงกราฟเชิงสัมพันธ์เชิงพื้นที่)
เว็บไซต์โครงงาน
-
วีดีโอคลิปของโครงงาน
-
ที่เก็บเวอร์ชันซอร์สโค้ด
https://github.com/sanzanbeepbeep/rakabannbann
ผู้นำเข้าข้อมูลครั้งแรก
ฤธา
สุดสัตย์
(b6410504292)
แก้ไขครั้งสุดท้าย
เมื่อ April 8, 2025, 9:28 p.m. โดย
ฤธา
สุดสัตย์
(b6410504292)
สถานะการอนุมัติ
รออนุมัติ