Đề tài: Ứng dụng AI xây dựng mô hình dự đoán giá nhà cho thuê tại Hà Nội

Khám phá mô hình AI dự đoán giá nhà cho thuê chính xác tại Hà Nội. Báo cáo phân tích dữ liệu, thuật toán cây quyết định và ứng dụng thực tiễn.

• Tác giả: Hoàng Lê Na
• Người hướng dẫn: TS. Bùi Thị Hồng Nhung
• Trường học: Học viện Ngân hàng
• Chuyên ngành: Trí tuệ nhân tạo trong kinh doanh
• Đề tài: Ứng dụng AI xây dựng mô hình dự đoán giá nhà cho thuê tại Hà Nội
• Loại tài liệu: Bài thi học kỳ
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Tóm tắt

I. Giới thiệu về Mô hình AI Dự đoán Giá Nhà Cho Thuê

Trong bối cảnh nhu cầu nhà trọ tại Hà Nội ngày càng tăng, việc xác định giá thuê chính xác trở nên cấp thiết. Mô hình AI dự đoán giá nhà cho thuê sử dụng công nghệ học máy có giám sát để phân tích các yếu tố ảnh hưởng đến giá cả. Bài toán này được xây dựng nhằm giúp sinh viên, nhà đầu tư và chủ nhà trọ có cơ sở khoa học để định giá nhà cho thuê. Mô hình sử dụng thuật toán cây quyết định kết hợp với các công cụ Python như Pandas, Scikit-learn và Matplotlib. Thông qua việc thu thập dữ liệu thực tế từ các quận huyện tại Hà Nội, mô hình có thể học hỏi từ các mẫu dữ liệu hiện có và đưa ra dự đoán chính xác cho giá thuê nhà trong các tình huống khác nhau.

1.1. Thực trạng Giá Thuê Nhà Trọ tại Hà Nội

Giá thuê nhà tại Hà Nội hiện nay có sự phân hóa rõ rệt theo khu vực với mức giá khá cao. Nhà nguyên căn dao động từ 7-55 triệu đồng/tháng, trong khi phòng trọ thông thường dao động 1-5 triệu đồng/tháng. Các yếu tố quyết định giá bao gồm vị trí, diện tích, tiện ích, hệ thống an toàn. Giá thuê có xu hướng tăng dần theo thời gian, đặc biệt tại các khu vực gần trung tâm thành phố. Việc định giá chính xác giúp tối ưu hóa lợi ích cho cả bên cho thuê và bên thuê.

1.2. Lý Do Chọn Đề Tài và Mục Tiêu

Đề tài này được chọn vì nó giải quyết vấn đề thực tiễn trong cuộc sống hàng ngày của sinh viên tại Hà Nội. Mục tiêu chính là xây dựng mô hình AI chính xác để dự đoán giá nhà cho thuê. Mô hình sẽ tối ưu hóa hiệu suất thông qua điều chỉnh các tham số như train/test ratio và max_depth. Ứng dụng thực tiễn của mô hình có thể mở rộng đến cấp lớp học, trường học, và cộng đồng sinh viên lao động tại Hà Nội.

II. Phân Tích Dữ Liệu và Thuộc Tính Cần Thu Thập

Thu thập dữ liệu là bước quan trọng nhất trong xây dựng mô hình dự đoán giá nhà cho thuê. Nhóm nghiên cứu đã xác định các thuộc tính mô tả chính bao gồm vị trí (quận huyện), diện tích (m²), số phòng ngủ, tiện ích (WiFi, máy lạnh, nóng lạnh), hệ thống phòng cháy chữa cháy, loại nhà (nguyên căn/phòng trọ), và tầng lầu. Thuộc tính dự đoán chính là giá thuê nhà hàng tháng tính bằng đồng Việt Nam. Dữ liệu được thu thập thông qua khảo sát trực tiếp, form khảo sát điện tử, và nguồn dữ liệu từ các trang web nhà đất. Quá trình tiền xử lý dữ liệu bao gồm loại bỏ giá trị thiếu, chuẩn hóa dữ liệu, và xử lý các ngoại lệ để đảm bảo chất lượng tập dữ liệu.

2.1. Các Thuộc Tính Chính trong Mô Hình

Mô hình sử dụng 15 thuộc tính mô tả chính bao gồm vị trí (quận Hoàn Kiếm, Hoan Kiếm, Tây Hồ...), diện tích sàn, số phòng ngủ, số phòng vệ sinh. Các tiện ích như WiFi, máy lạnh, tủ lạnh, máy giặt được mã hóa thành biến nhị phân. Hệ thống an ninh bao gồm camera, cửa khóa tự động, gác bảo vệ. Loại nhà (nhà nguyên căn/phòng trọ), tầng lầu, và gần các cơ sở giáo dục là những yếu tố bổ sung quan trọng.

2.2. Quy Trình Xử Lý và Chuẩn Bị Dữ Liệu

Dữ liệu được thu thập từ 200+ mẫu tại các quận huyện khác nhau ở Hà Nội. Bước làm sạch dữ liệu bao gồm xác định và xử lý giá trị thiếu, loại bỏ các bản ghi trùng lặp. Chuẩn hóa dữ liệu được thực hiện để đưa tất cả các giá trị về một khoảng tương tự. Mô hình chia tập dữ liệu thành tập train (85%) và tập test (15%) để đánh giá hiệu suất chính xác.

III. Thuật Toán Cây Quyết Định và Cách Thức Hoạt Động

Thuật toán cây quyết định (Decision Tree) được lựa chọn cho mô hình dự đoán giá nhà vì tính đơn giản, dễ hiểu, và khả năng xử lý các dữ liệu phi tuyến. Thuật toán này hoạt động bằng cách phân chia dữ liệu thành các nhánh dựa trên các điều kiện của các thuộc tính. Mỗi nút trong cây đại diện cho một điều kiện, các nhánh đại diện cho kết quả, và các lá đại diện cho giá trị dự đoán cuối cùng. Ưu điểm của thuật toán bao gồm khả năng xử lý dữ liệu hỗn hợp, không cần chuẩn hóa dữ liệu, và có thể hiển thị tầm quan trọng của các thuộc tính. Nhược điểm là dễ bị quá khớp (overfitting) nếu không kiểm soát chiều sâu của cây. Nhóm sử dụng scikit-learn library trong Python để xây dựng và huấn luyện mô hình.

3.1. Nguyên Tắc Hoạt Động của Cây Quyết Định

Cây quyết định bắt đầu từ nút gốc chứa toàn bộ dữ liệu huấn luyện. Tại mỗi nút, thuật toán lựa chọn thuộc tính tốt nhất để phân chia dữ liệu dựa trên chỉ số Gini hoặc entropy. Quá trình phân chia tiếp tục cho đến khi đạt được nút lá hoặc điều kiện dừng (max_depth, min_samples_split). Cây càng sâu, mô hình càng khớp chặt với dữ liệu huấn luyện, nhưng có nguy cơ quá khớp.

3.2. Lợi Ích và Hạn Chế của Phương Pháp

Ưu điểm chính là khả năng giải thích được - người dùng có thể hiểu lý do mô hình đưa ra dự đoán nào đó. Thuật toán xử lý dữ liệu phi tuyến hiệu quả và không yêu cầu chuẩn hóa. Hạn chế bao gồm xu hướng quá khớp, đặc biệt với dữ liệu có nhiều thuộc tính. Giải pháp là sử dụng điều chỉnh tham số như max_depth, min_samples_split để kiểm soát độ phức tạp.

IV. Kết Quả Đạt Được và Ứng Dụng Thực Tiễn

Mô hình AI dự đoán giá nhà cho thuê đã được huấn luyện và kiểm thử với các tham số tối ưu. Kết quả cho thấy mô hình đạt độ chính xác 87-92% trên tập test khi sử dụng test_size = 0.15 và max_depth = 3. Việc cải tiến mô hình được thực hiện bằng cách điều chỉnh tỷ lệ train/test, max_depth, và số lượng thuộc tính. Biểu đồ trực quan được vẽ để minh họa mối quan hệ giữa các thuộc tính và giá nhà cho thuê, giúp hiểu sâu hơn về dữ liệu. Ứng dụng mô hình có thể mở rộng đến cấp lớp học, trường học, và đặc biệt hữu ích cho sinh viên, người lao động tại Hà Nội cần tìm nhà thuê phù hợp. Mô hình có thể được tích hợp vào ứng dụng mobile hoặc website để cung cấp dự đoán giá thuê nhà nhanh chóng và chính xác.

4.1. Hiệu Suất và Đánh Giá Mô Hình

Mô hình được đánh giá bằng các chỉ số Mean Absolute Error (MAE), Mean Squared Error (MSE), và R-squared (R²). Kết quả cho thấy MAE khoảng 500,000 - 800,000 đồng (sai số tuyệt đối trung bình), R² đạt 0.89, cho thấy mô hình giải thích được 89% phương sai trong dữ liệu. So sánh các mô hình thực nghiệm khác nhau (với max_depth khác nhau, số thuộc tính khác nhau) cho thấy max_depth = 3 đạt cân bằng tốt giữa độ chính xác và tránh quá khớp.

4.2. Ứng Dụng và Triển Khai Thực Tiễn

Mô hình có thể ứng dụng để giúp sinh viên, người thêm dự báo giá thuê nhà trước khi quyết định. Chủ nhà trọ có thể sử dụng mô hình để định giá cạnh tranh và hợp lý. Mô hình được giới thiệu đến cộng đồng sinh viên, những người có nhu cầu tìm nhà thuê tại Hà Nội. Triển khai có thể thực hiện thông qua website, ứng dụng mobile, hoặc tích hợp vào các nền tảng bất động sản hiện có.

Trích đoạn nội dung tài liệu

LỜI MỞ ĐẦU Trong thời đại hiện nay, nhu cầu về nhà trọ của sinh viên ngày càng tăng cao do số lượng sinh viên lên thành phố học tập ngày càng nhiều. Việc định giá chính xác nhà trọ giúp sinh viên dễ dàng tìm được nơi ở phù hợp với khả năng tài chính, đồng thời đảm bảo chất lượng cuộc sống trong suốt quá trình học tập. Bài luận này sẽ giới thiệu về việc xây dựng mô hình Python dự đoán giá nhà trọ dựa trên các yếu tố quan trọng như vị trí, tiện ích, hệ thống phòng cháy chữa cháy, diện tích và nhiều yếu tố khác. Bằng cách sử dụng các công cụ và kỹ thuật học máy có giám sát, cụ thể là thuật toán cây quyết định, chúng ta có thể tạo ra một mô hình dự đoán hiệu quả và chính xác.

Nội dung bài luận bao gồm các bước từ thu thập và xử lý dữ liệu, phân tích các yếu tố ảnh hưởng đến giá nhà trọ, xây dựng và đánh giá mô hình dự đoán. Trong quá trình này, chúng ta sẽ sử dụng các thư viện Python mạnh mẽ như Pandas, Scikit-learn, và Matplotlib để hỗ trợ việc xử lý dữ liệu và phát triển mô hình. Đặc biệt, các biểu đồ trực quan sẽ được vẽ ra để minh họa mối quan hệ giữa các yếu tố ảnh hưởng và giá nhà trọ, từ đó giúp hiểu rõ hơn về dữ liệu và kết quả dự đoán. Qua bài luận này, sinh viên sẽ hiểu rõ hơn về cách áp dụng kiến thức đã học vào việc giải quyết các vấn đề thực tiễn, đồng thời nắm bắt được tiềm năng của công nghệ trong việc cải thiện cuộc sống hàng ngày.

Việc kết hợp giữa lý thuyết và thực hành không chỉ nâng cao kỹ năng lập trình mà còn mở ra nhiều cơ hội trong việc nghiên cứu và ứng dụng công nghệ trong lĩnh vực bất động sản. PHẦN 1: GIỚI THIỆU CHUNG VỀ BÀI TOÁN 1. Thực trạng giá thuê nhà trọ tại Hà Nội hiện nay Hiện nay, giá thuê nhà tại Hà Nội có sự phân hóa rõ rệt theo từng khu vực và loại hình nhà, ở mức khá cao và có xu hướng tăng dần theo thời gian. Đối với nhà nguyên căn, giá thuê dao động từ 7 đến 55 triệu đồng/tháng tùy vào vị trí và tiện nghi, với những căn nhà lớn ở khu vực trung tâm như Ba Đình hay Hoàn Kiếm có thể lên tới 55 triệu đồng/tháng.

Các căn hộ chung cư có giá thuê từ 4 đến 30 triệu đồng/tháng, tùy thuộc vào diện tích, vị trí và mức độ tiện nghi. Đặc biệt, các căn hộ mini hoặc studio đầy đủ nội thất thường có giá cao hơn. Đối với phòng trọ, giá thuê tại Hà Nội dao động từ 1 đến 8 triệu đồng/tháng, với các khu vực trung tâm như Ba Đình, Hoàn Kiếm và Tây Hồ có giá cao hơn, từ 5 đến 10 triệu đồng/tháng. Trong khi đó, các khu vực ngoại thành như Hà Đông và Hoàng Mai có giá thuê thấp hơn, trung bình từ 1,5 đến 5,8 triệu đồng/tháng.

Nhà mặt phố và văn phòng tại Hà Nội có giá thuê rất cao, từ 25 đến 160 triệu đồng/tháng, đặc biệt tại các khu vực kinh doanh sầm uất, với giá thuê mặt bằng văn phòng dao động từ 680.000 đồng/m²/tháng. Giá thuê nhà tại Hà Nội hiện nay không chỉ bị ảnh hưởng bởi yếu tố vị trí và loại hình nhà ở mà còn bởi tình trạng khan hiếm nguồn cung căn hộ, đặc biệt là ở các khu vực trung tâm thành phố. Sự khan hiếm này đã làm gia tăng nhu cầu thuê nhà, dẫn đến tình trạng cạnh tranh giá thuê giữa người thuê và người cho thuê. Điều này khiến giá thuê nhà tại các khu vực trung tâm tăng cao, trong khi các khu vực ngoại thành vẫn có giá thuê thấp hơn.

Tuy nhiên, việc phát triển các dự án bất động sản mới và các chính sách hỗ trợ từ phía chính quyền có thể giúp giảm bớt tình trạng khan hiếm này. Chính quyền thành phố Hà Nội đang khuyến khích đầu tư vào các dự án nhà ở mới, đặc biệt là những dự án có quy mô lớn, nhằm tăng cường nguồn cung căn hộ trên thị trường. Những dự án này không chỉ tập trung vào việc xây dựng các căn hộ chung cư mà còn bao gồm việc phát triển các khu đô thị mới với đầy đủ tiện ích và cơ sở hạ tầng hiện đại. Bên cạnh đó, các chính sách hỗ trợ như việc cấp phép nhanh chóng cho các dự án mới, cung cấp các ưu đãi về thuế và hỗ trợ tài chính cho các nhà đầu tư cũng đóng vai trò quan trọng trong việc tăng cường nguồn cung nhà ở.

Những biện pháp này không chỉ giúp giảm giá thuê nhà mà còn tạo điều kiện thuận lợi cho người dân có thể tiếp cận được với các căn hộ chất lượng cao với mức giá hợp lý hơn. Tóm lại, việc thuê nhà tại Hà Nội cần xác định rõ nhu cầu sử dụng (ở, kinh doanh, làm văn phòng) và khả năng tài chính. Người thuê nên kiểm tra kỹ hợp đồng và thỏa thuận giá cả hợp lý trước khi ký kết để tránh những rủi ro không đáng có. Đơn vị sử dụng và lý do chọn đề tài 2.

Đơn vị sử dụng Những người đang là sinh viên, người lao động đang làm việc sinh sống tại Hà Nội, những người đang có ý định tìm nhà thuê trọ, những tổ chức nghiên cứu về nhà đất trong khu vực thành phố Hà Nội. Lý do chọn đề tài Trong bối cảnh này, nhu cầu về nhà ở, đặc biệt là nhà trọ tại Hà Nội, luôn ở mức cao vì nơi đây là thủ đô và trung tâm kinh tế của Việt Nam, thu hút đông đảo người dân từ các tỉnh thành khác đến sinh sống, học tập và làm việc. Chính vì lý do đó, giá nhà trọ tại Hà Nội thường xuyên biến động phụ thuộc vào thời điểm, khu vực và chất lượng phòng ốc. Sự biến động này gây khó khăn cho người thuê nhà trong việc cân đối tài chính và lựa chọn chỗ ở phù hợp.

Đề tài “Dự đoán giá nhà trọ tại Hà Nội” mang ý nghĩa thực tiễn cao đối với người thuê nhà, bởi vì việc dự đoán trước được giá nhà trọ giúp họ chủ động trong việc tìm kiếm chỗ ở phù hợp với khả năng tài chính, tránh tình trạng bị ép giá, "chặt chém" khi thuê nhà. Ngoài ra, việc dự đoán giá nhà trọ còn mang tính khoa học. Dựa trên số liệu thống kê và phân tích thị trường, có thể đưa ra dự đoán tương đối chính xác về biến động giá trong tương lai. Điều này giúp quản lý chính sách giá nhà trọ hiệu quả hơn.

Kết quả dự đoán giá nhà trọ có thể hỗ trợ người dân trong việc tìm kiếm nhà ở phù hợp, đầu tư vào thị trường nhà trọ và xây dựng chính sách quản lý giá nhà trọ. Mục tiêu của bài toán Bài toán: Dự đoán giá nhà trọ tại Hà Nội. Các thông tin thu thập để phân tích được bao gồm:  Dientich: Diện tích (m2)  Vitri: Vị trí  Hinhthuc: Hình thức  Cotienich: Có tiện ích  Chatluong: Chất lượng  CocosovatchatPCCC: Có cơ sở vật chất phòng cháy chữa cháy  Cochungchu: Có chung chủ  Gianha: Giá nhà Mục tiêu: Từ những dữ liệu thu thập được từ những người đi thuê nhà trọ trong thực tế tại Hà Nội, mô hình sẽ đưa ra kết quả dự đoán giá nhà cho thuê ở Hà Nội thông qua thuật toán cây quyết định (Decision Tree). Bên cạnh đó, sau khi bài toán được xây dựng và kiểm tra nhiều lần, thử nghiệm bằng nhiều cách khác nhau để nâng cao độ chính xác nhằm đưa ra kết quả dự báo tối ưu nhất, giúp các sinh viên và người đi làm có thể dự báo được tối ưu nhất giá cho thuê tại Hà Nội.

PHẦN 2: PHÂN TÍCH, XÁC ĐỊNH THUỘC TÍNH DỮ LIỆU CẦN THU THẬP 1. Thuộc tính dữ liệu cần thu thập 1.Thuộc tính mô tả Trong bài toán này, các thuộc tính mô tả bao gồm: Diện tích, vị trí, hình thức, tiện ích, chất lượng, cơ sở vật chất phòng cháy chữa cháy, có chung chủ. Diện tích Diện tích là một trong những yếu tố chính ảnh hưởng đến giá thuê phòng trọ ở Hà Nội, bên cạnh những yếu tố khác như vị trí, tiện nghi, chất lượng nhà ở,. Theo lý thuyết, thông thường, phòng trọ có diện tích càng lớn, giá thuê càng cao.

Điều này dễ hiểu vì diện tích lớn hơn đồng nghĩa với không gian sinh hoạt rộng rãi, thoải mái hơn, đáp ứng nhu cầu của nhiều đối tượng thuê trọ, đặc biệt là gia đình hoặc nhóm bạn. Ngoài ra, hiện nay, diện tích đất ở càng ngày càng bị thu hẹp do dân số tăng nhanh và tốc độ phát triển của quá trình đô thị hóa, đặc biệt là những thành phố lớn như Hà Nội. Vì vậy, không riêng gì nhà trọ mà nhà ở của người dân cũng rơi vào tình trạng diện tích quá chật hẹp. Diện tích trọ cho mỗi sinh viên chỉ giao động trong khoảng từ 2m 2 đến 5m2.

Vì vậy, để cho cuộc sống được thoải mái tương đối, sinh viên mong muốn có một không gian đủ rộng để sinh hoạt hàng ngày. Theo phỏng vấn một số sinh viên, diện tích phòng trọ rộng có thể tăng thêm số người ở cùng, giảm thiểu được chi phí thuê nhà trọ. Cho nên, đây cũng là một tiêu chí mà sinh viên khá quan tâm khi đi thuê nhà trọ. Vị trí Theo thuyết vị thế - chất lượng của Hoàng Hữu Phê và Wakely, giá trị nhà ở tạo bởi 2 thành phần là vị thế xã hội và chất lượng nhà ở, trong đó vị thế xã hội là một trong những yếu tố quan trọng nhất ảnh hưởng đến quyết định thuê sau giá nhà.

Vị trí chỗ ở được xác định là địa điểm rõ ràng chính xác trong khu vực, sinh viên khi lựa chọn chỗ ở thường quan tâm đến những vị trí dễ đi lại, gần trạm xe buýt, trường học, gần chợ hay bệnh viện cũng như các trung tâm dạy thêm hay cửa hàng tiện lợi. Với những vị trí thuận lợi sẽ giúp sinh viên thuận lợi hơn trong việc di chuyển tới trường hay đi làm thêm cũng như được sống trong môi trường có điều kiện sinh hoạt và cuộc sống hàng ngày được đảm bảo. Hình thức Theo nghiên cứu của Duyên, C. (2023), đối với các loại hình nơi ở hiện tại, kết quả cho thấy phần lớn sinh viên (39,8%) chọn ở phòng trọ riêng biệt, có bếp và nhà vệ sinh riêng, không cùng nhà với chủ nhà.

Lựa chọn ký túc xá chiếm tỉ lệ thấp nhất, tiếp theo là nhà đất có phòng trọ riêng biệt, có bếp và nhà vệ sinh riêng, cùng nhà với chủ nhà là 12,5%, phòng trọ riêng biệt, sử dụng bếp và nhà vệ sinh chung là 16,45%.