Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor.author | Schmitz, Arno Paulo | - |
Autor(es): dc.contributor.author | Antunes, André Klingenfus | - |
Data de aceite: dc.date.accessioned | 2024-08-20T19:06:45Z | - |
Data de disponibilização: dc.date.available | 2024-08-20T19:06:45Z | - |
Data de envio: dc.date.issued | 2024-08-10 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/868994 | - |
Resumo: dc.description.abstract | The spatial issue is important for many empirical problems. The location of properties in relation to their price (or market value) for property taxation is an example and requires efficient methodologies for its prediction. This study was dedicated to comparing two neural network methodologies for predicting the market value of properties that incorporate the location of the properties in different ways. To this end, a sample of property offers for the city of Curitiba/Brazil was used. In one model, using GWANN, the location was attributed through the latitude and longitude of the properties, intrinsic characteristics of the property and other locational characteristics such as distances to points of interest (POIs). The other model (RNAD), a traditional ANN, differed from the first by considering the neighborhood where the properties are located. | pt_BR |
Idioma: dc.language.iso | en | pt_BR |
Palavras-chave: dc.subject | Accuracy | pt_BR |
Título: dc.title | Real Estate Price Prediction Using Spatial Artificial Neural Networks: An Alternative to Market Value for Taxation of Urban Real Estate (Atena Editora) | pt_BR |
Tipo de arquivo: dc.type | livro digital | pt_BR |
Aparece nas coleções: | Livros digitais |
Arquivos associados: | ||||
---|---|---|---|---|
predicao-de-precos-de-imoveis-por-mes.pdf | 874,14 kB | Adobe PDF | /bitstream/capes/868994/1/predicao-de-precos-de-imoveis-por-mes.pdfDownload |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: