Розробка моделі обробки даних нерухомості на основі сучасних підходів з використанням GeoAI

Автор(и)

  • Сергій Маркович Кобзан Харківський національний університет міського господарства імені О. М. Бекетова, Україна https://orcid.org/0000-0002-5257-8117
  • Олена Євгенівна Поморцева Харківський національний університет імені В. Н. Каразіна, Україна https://orcid.org/0000-0002-4746-0464
  • Володимир Володимирович Паньків Харківський національний університет імені В. Н. Каразіна, Україна https://orcid.org/0009-0006-6194-2140

DOI:

https://doi.org/10.15587/2706-5448.2026.353171

Ключові слова:

геоінформаційна система, штучний інтелект, нерухомість, девелопер, стейкхолдер, машинне навчання

Анотація

Об'єктом дослідження є геоінформаційні системи (ГІС), які використовуються на ринку нерухомості. Одним з найбільш проблемних місць аналізу інформації на ринку нерухомості є відсутність прив’язки географічної складової до вартості об’єкту нерухомості. Це призводить до спрощеного уявлення про ринкові процеси, знижує точність оцінювання та значно ускладнює методи прогнозування на ринку нерухомості. В ході дослідження використовувалися методи системного аналізу та методи геостатистики для проведення трансформації даних з дискретної до континуальної форми представлення при обробці масивів даних. Додавання просторової складової до відомостей про об’єкт нерухомості та актуалізація даних онлайн надає змогу для створення ланцюжків закономірностей та створення прогнозних сценаріїв в найкоротший проміжок часу. Розроблена узагальнена схема обробки великих масивів даних у поєднанні з блок схемою алгоритму геопросторового штучного інтелекту (GeoAI). Це дозволить розробити повноцінну модель геоінформаційної системи із адаптивною функцією штучного інтелекту. Це у свою чергу дозволить користувачам оперативно обробляти інформацію для прийняття важливих інвестиційних рішень. У статті проаналізовано сучасні ГІС з функцією штучного інтелекту, які використовуються для вирішення різноманітних завдань, пов’язаних з світовими ринками нерухомості. Запропонований підхід поєднання ГІС та штучного інтелекту дасть змогу обробляти лавиноподібні масиви даних набагато швидше в майбутньому. Така схема відображає загальну структуру взаємодії між ГІС, масивами вхідних/вихідних даних та нейронною мережею, яка використовується для аналізу й прогнозування просторових процесів. Проведені практичні розрахунки показали, що завдяки залученню GeoAI час на обробку великих масивів даних зменшується більш ніж у 10 разів.

Біографії авторів

Сергій Маркович Кобзан, Харківський національний університет міського господарства імені О. М. Бекетова

Кандидат технічних наук, доцент

Кафедра земельного адміністрування та геоінформаційних систем

Олена Євгенівна Поморцева, Харківський національний університет імені В. Н. Каразіна

Кандидат технічних наук, доцент

Кафедра економічної кібернетики та прикладної економіки

Володимир Володимирович Паньків , Харківський національний університет імені В. Н. Каразіна

Аспірант

Кафедра економічної кібернетики та прикладної економіки

Посилання

  1. Kobzan, S., Pomortseva, O. (2023). Real Estate Market of Ukraine. Practical Aspects and Trends. SpringerBriefs in Geography, 146. https://doi.org/10.1007/978-3-031-31248-9
  2. Pomortseva, O., Kobzan, S., Pankiv, V., Kin, D. (2025). Principles for Creating an Intelligent Expert System for Real Estate Investment Analysis Based on Machine Learning and GIS. International Conference of Young Professionals «GeoTerrace-2025», 1–5. https://doi.org/10.3997/2214-4609.202552073
  3. Merkulova, T. V., Pomortseva, O. Е., Kobzan, S. M., Pankiv, V. V. (2025). Suchasnyi rynok nerukhomosti Ukrainy. Praktychni aspekty. Tendentsii ta perspektyvy rozvytku. ASSA, 212. Available at: https://acca.ua/product/suchasnyj-rynok-nerukhomosti-ukrayiny-praktychni-aspekty-tendentsiyi/
  4. Pavlov, K., Novosad, O., Semenov, N., Vozniuk, Y., Mishchuk, Y. (2024). The situation on the ukrainian residential real estate market in the pre-war and war periods. Energy Saving. Power Engineering. Energy Audit., 5 (195), 76–98. https://doi.org/10.20998/2313-8890.2024.05.06
  5. Lu, B., Ge, Y., Shi, Y., Zheng, J., Harris, P. (2023). Uncovering drivers of community-level house price dynamics through multiscale geographically weighted regression: A case study of Wuhan, China. Spatial Statistics, 53. https://doi.org/10.1016/j.spasta.2022.100723
  6. Tsutsumi, M., Shimada, A., Murakami, D. (2011). Land price maps of Tokyo Metropolitan Area. Procedia – Social and Behavioral Sciences, 21, 193–202. https://doi.org/10.1016/j.sbspro.2011.07.046
  7. Cienciała, A., Sobolewska-Mikulska, K., Sobura, S. (2021). Credibility of the cadastral data on land use and the methodology for their verification and update. Land Use Policy, 102. https://doi.org/10.1016/j.landusepol.2020.105204
  8. Chiarazzo, V., dell’Olio, L., Ibeas, Á., Ottomanelli, M. (2014). Modeling the Effects of Environmental Impacts and Accessibility on Real Estate Prices in Industrial Cities. Procedia – Social and Behavioral Sciences, 111, 460–469. https://doi.org/10.1016/j.sbspro.2014.01.079
  9. Droj, L., Droj, G. (2015). Usage of Location Analysis Software in the Evaluation of Commercial Real Estate Properties. Procedia Economics and Finance, 32, 826–832. https://doi.org/10.1016/s2212-5671(15)01525-7
  10. Afroosheh, S., Askari, M. (2024). Geospatial data fusion: Combining LiDAR, SAR, and optical imagery with AI for enhanced urban mapping. arXiv. https://doi.org/10.48550/arXiv.2412.18994
  11. Fauzi, C. (2024). A Review Geospatial Artificial Intelligence (GEO-AI): Implementation Of Machine Learning On Urban Planning. Jurnal Multidisiplin Indonesia, 3 (1), 3752–3765. https://doi.org/10.58344/jmi.v3i1.1057
  12. Zaychenko, Y., Starovoit, T. (2024). A hybrid model of artificial intelligence integrated into GIS for predicting accidents in water supply networks. System Research and Information Technologies, 2, 52–67. https://doi.org/10.20535/srit.2308-8893.2024.2.04
  13. Wang, S., Huang, X., Liu, P., Zhang, M., Biljecki, F., Hu, T. et al. (2024). Mapping the landscape and roadmap of geospatial artificial intelligence (GeoAI) in quantitative human geography: An extensive systematic review. International Journal of Applied Earth Observation and Geoinformation, 128, 103734. https://doi.org/10.1016/j.jag.2024.103734
  14. GeoAI. Available at: https://geoai.au/
  15. Geospatial AI. Artificial intelligence in Gis. Esri. Available at: https://www.esri.com/en-us/artificial-intelligence/overview
  16. Brooks, P. (2019). Honolulu Planners Visualize Housing Patterns with an Eye on Affordability. Esri. Available at: https://www.esri.com/about/newsroom/blog/honolulu-planners-visualize-urban-development-patterns/
  17. From Index to Insights: Uncovering Vilnius’ Urban Transformation. Mayors of Europe. Available at: https://mayorsofeurope.eu/news/from-index-to-insights-uncovering-vilnius-urban-transformation/
  18. Pomortseva, О. Ye., Nalivayko, T. A., Kozyrenko, V. P., Pyskun, V. K. (2025). A Geoinformation Research of the Real Estate Market in Ukraine Using Spatial Databases. Business Inform, 7 (569), 116–122. https://doi.org/10.32983/2222-4459-2025-7-116-122
  19. LUN. Available at: https://misto.lun.ua/stat/kyiv
  20. UVECON. Geoportal. Available at: https://gisuvecon.com/main/geoportal/
Розробка моделі обробки даних нерухомості на основі сучасних підходів з використанням GeoAI

##submission.downloads##

Опубліковано

2026-02-28

Як цитувати

Кобзан, С. М., Поморцева, О. Є., & Паньків , В. В. (2026). Розробка моделі обробки даних нерухомості на основі сучасних підходів з використанням GeoAI. Technology Audit and Production Reserves, 1(4(87), 63–70. https://doi.org/10.15587/2706-5448.2026.353171

Номер

Том 1 № 4(87) (2026): Економіка підприємств. Макроекономіка

Розділ

Економічна кібернетика

Ліцензія

Авторське право (c) 2026 Sergiy Kobzan, Olena Pomortseva, Volodymyr Pankiv

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.