Használt autók árának becslése mély neurális hálózatokkal

OData támogatás
Konzulens:
Dr. Bolgár Bence Márton
Méréstechnika és Információs Rendszerek Tanszék

Az újgenerációs GPU-k (Graphical Processing Unit) és a számtalan mennyiségű, internetre feltöltött adat segítségével fénykorukat élik a mesterséges intelligencián alapuló megoldások. A mesterséges intelligencia és ezzel együtt a deep learning rendszerek nagyban hozzájárulnak életünk színvonalának javításához. Ezek nélkül nem lenne keresési találat, önvezető autó, arcfelismerés, de még egy csekkalapú pénzkifizetés sem az automatánál.

Az utóbbi időben az autóhasználat elengedhetetlen része lett a mindennapjainknak. Magyarországon az újonnan forgalomba helyezett járművek azonban a vásárlások csak egy töredékét teszik ki, országunkban továbbra is a külföldről behozott, vagy már forgalomban lévő, használt autók továbbadása határozza meg a vásárlások túlnyomó részét.

Munkám során éppen ezért használt járművek értékének becslésével foglalkoztam. Kezdve az egyszerű MLP-től (Multi-Layer Perceptron) egészen a deep learning alkalmazásokig számos megközelítést próbáltam a járművek értékének minél pontosabb predikciójára. Az értékbecslést két, teljesen eltérő metodológia segítségével végeztem. Először is megvizsgáltam, hogy regresszió segítségével a folytonos számhalmazon milyen pontossággal működnek a különféle neurális hálózatok, majd a problémakört egy teljesen más oldalról megközelítve klasszifikációra és ezzel együtt a diszkrét számok halmazára vezettem vissza. Utóbbi során a járművek értékét nem direkt módon használtam fel, hanem azokat különféle árkategóriákba soroltam és a neurális hálózatok segítségével osztályozást végeztem regresszió helyett.

Továbbá munkám során meghatároztam azokat a tulajdonságokat, amelyek a legjobban befolyásolják a vizsgált járművek értékét. Az egyes neurális hálózatok tanításához felhasználtam külön a járművek belső tulajdonságait (évjárat, hengerűrtartalom, kilométerora-állás, stb.), külön az azokról készült fényképet és ezek együttesét is. Sikerült bebizonyítanom, hogy ezek közül az adatok együttes használata egy bonyolultabb hálózattal jobban működik, mint ha azokat külön használnám fel. A járművek belső jellemzőin tanult hálózataim egyszerű MLP-k, a képeket használó hálózatok konvolúciós neurális hálózatok (CNN), az összes adatot együttesen felhasználó hálózatok pedig ezek keverékén alapszik.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.