การพยากรณ์ราคาคอนโดมิเนียมในกรุงเทพมหานครโดยเทคนิค Web Mining (PREDICTING CONDOMINIUM PRICE IN BANGKOK USING WEB MINING TECHNIQUES)

Abstract

ในกรุงเทพมหานคร คอนโดมิเนียมกลายเป็นที่อยู่อาศัยหลังแรกของคนส่วนใหญ่โดยเฉพาะอย่างยิ่งในกลุ่มคนเจเนเรชัน Y โดยราคาเป็นหนึ่งในปัจจัยสำคัญเมื่อลูกค้าตัดสินใจซื้อคอนโดมิเนียม บทความวิจัยฉบับนี้มุ่งสร้างโมเดลในการพยากรณ์ราคาขายต่อตารางเมตรของคอนโดมิเนียมในกรุงเทพมหานครเพื่อให้ผู้ตัดสินใจซื้อคอนโดมิเนียมนำไปใช้ในการประมาณการมูลค่าของคอนโดมิเนียมในอนาคตประกอบการตัดสินใจซื้อ การวิจัยได้รวบรวมข้อมูลจากเว็บไซต์ hipflat.co.th ผ่านเทคนิค Web Crawling และเทคนิค Mining โดยได้รับข้อมูล คือ ข้อมูลโครงการคอนโดมิเนียม จำนวน 1,465 แห่ง ซึ่งถูกสกัดให้อยู่ในรูปแบบระเบียนที่มีจำนวน 15 แอตทริบิวต์ โมเดลถูกพัฒนาขึ้นโดยใช้รูปแบบ Deep Learning ซึ่งมีความแม่นยำในการพยากรณ์สูงสุดหลังจากการทดสอบด้วยโมเดลในลักษณะ Supervised Learning จำนวน 5 รูปแบบ จากการวิจัยพบว่า ราคาของคอนโดมิเนียมในกรุงเทพมหานครสอดคล้องกับผลลัพธ์ที่ได้รับจากการพยากรณ์ด้วยโมเดลโดยข้อมูลในการพยากรณ์ผันแปรตามจำนวนห้องของคอนโดมิเนียมในแต่ละโครงการ ระยะทางจากสถานีรถไฟฟ้าและจำนวนปีที่คอนโดมิเนียมถูกสร้างขึ้นมา โมเดลสามารถพยากรณ์ราคาคอนโดมีเนียมโดยมีความคลาดเคลื่อนของการพยากรณ์อยู่ที่ร้อยละ 17.53คำสำคัญ: เว็บครอว์ลิงค์  เหมืองข้อมูล  การเรียนรู้ของเครื่องIn Bangkok, condominium is becoming a first home for many people especially Generation Y who prefer convenience of lifestyle. Price of the condominium is one of the most important factors for buyers’ decision-making. This study aims to formulate a model that predict a selling price per square meter of a condominium in Bangkok. This is to support buyer’s decision-making whether to buy or not by using the price prediction from the model. The training dataset was gathered using web crawling techniques from hipflat.co.th. There were 1,465 condominium projects in Bangkok were extracted with each record contains 15 attributes of information. This model was formulated by using a deep learning method based on the best performed after testing the model with testing dataset. Results show that the price of the condominium in Bangkok highly affected by the number of units in the condominium project, its distance from the BTS metro line, and the year of its construction, with the relative error of 17.53%.Keywords: Web Crawling, Mining, Machine Learning