Luận văn tốt nghiệp: Phát triển ứng dụng di động dự đoán giá bất động sản

• Tác giả: Phạm Tuấn Anh
• Người hướng dẫn: PGS. Quản Thành Thơ
• Trường học: Ho Chi Minh City University of Technology
• Chuyên ngành: Khoa học Máy tính
• Đề tài: Phát triển ứng dụng di động dự đoán giá bất động sản
• Loại tài liệu: bachelor thesis
• Năm xuất bản: 2021
• Địa điểm: Ho Chi Minh City

• Declaration
• Acknowledgement
• Abstract
• 1. CHAPTER 1: Introduction
• 1.1. Introduction to topic
• 1.2. General Objectives and Scope of topic
• 2. CHAPTER 2: Background
• 2.1. React Native
• 2.2. Firebase Real-time Database
• 2.3. Python and supported libraries
• 2.4. PostgreSQL
• 3. CHAPTER 3: Price prediction Model
• 3.1. Data set using
• 3.2. Linear Regression
• 3.3. Polynomial Features
• 3.4. Cost Function
• 3.5. Model Evaluation
• LIST OF FIGURES

I. Giới thiệu về ứng dụng di động

Trong bối cảnh thị trường bất động sản tại Việt Nam đang phát triển mạnh mẽ, việc dự đoán giá bất động sản trở thành một yếu tố quan trọng đối với các nhà đầu tư. Ứng dụng di động được phát triển nhằm cung cấp một công cụ hữu ích cho việc dự đoán giá, giúp người dùng tiết kiệm thời gian và công sức trong việc tìm kiếm thông tin. Ứng dụng này không chỉ đơn thuần là một công cụ dự đoán mà còn tích hợp các công nghệ tiên tiến như machine learning để cải thiện độ chính xác của các dự đoán. Theo nghiên cứu, việc sử dụng mô hình Linear Regression trong dự đoán giá bất động sản đã cho thấy hiệu quả cao trong việc phân tích dữ liệu lịch sử và đưa ra các dự đoán chính xác.

1.1 Mục tiêu và phạm vi của ứng dụng

Mục tiêu chính của ứng dụng là phát triển một nền tảng cho phép người dùng dễ dàng dự đoán giá bất động sản dựa trên các thông tin đầu vào như vị trí và loại hình bất động sản. Ứng dụng sẽ cung cấp các tính năng như đăng ký, đăng nhập, và hiển thị biểu đồ dự đoán giá. Đặc biệt, ứng dụng sẽ sử dụng Firebase Real-time Database để lưu trữ và đồng bộ hóa dữ liệu, đảm bảo người dùng có thể truy cập thông tin một cách nhanh chóng và hiệu quả. Phạm vi ứng dụng sẽ tập trung vào khu vực Thành phố Hồ Chí Minh, với mục tiêu phục vụ ít nhất 1000 người dùng mà không gặp phải vấn đề về hiệu suất.

II. Công nghệ và nền tảng phát triển

Để phát triển ứng dụng, việc lựa chọn công nghệ là rất quan trọng. React Native được chọn làm framework chính để xây dựng ứng dụng, cho phép phát triển trên cả hai nền tảng Android và iOS. Việc sử dụng Python cùng với các thư viện hỗ trợ như NumPy, Pandas, và Scikit-learn giúp tối ưu hóa quá trình xử lý dữ liệu và xây dựng mô hình dự đoán. Firebase cũng đóng vai trò quan trọng trong việc cung cấp dịch vụ xác thực người dùng và lưu trữ dữ liệu theo thời gian thực. Điều này không chỉ giúp ứng dụng hoạt động mượt mà mà còn đảm bảo tính bảo mật cho thông tin người dùng.

2.1 Các công nghệ chính

Các công nghệ chính được sử dụng trong ứng dụng bao gồm Firebase Real-time Database cho việc lưu trữ dữ liệu, Python cho việc xử lý và phân tích dữ liệu, và React Native cho việc phát triển giao diện người dùng. Việc tích hợp các công nghệ này không chỉ giúp tăng cường hiệu suất của ứng dụng mà còn tạo ra trải nghiệm người dùng tốt hơn. Machine learning được áp dụng để xây dựng mô hình dự đoán giá, giúp cải thiện độ chính xác của các dự đoán dựa trên dữ liệu lịch sử. Các mô hình như Simple Linear Regression và Multiple Linear Regression sẽ được sử dụng để phân tích mối quan hệ giữa các yếu tố ảnh hưởng đến giá bất động sản.

III. Mô hình dự đoán giá

Mô hình dự đoán giá bất động sản được xây dựng dựa trên lý thuyết của Linear Regression. Mô hình này cho phép phân tích mối quan hệ giữa giá bất động sản và các yếu tố đầu vào như vị trí, diện tích, và các đặc điểm khác của bất động sản. Việc sử dụng Polynomial Regression cũng được xem xét để cải thiện độ chính xác của dự đoán khi dữ liệu có tính phi tuyến. Để đánh giá hiệu suất của mô hình, các chỉ số như Root Mean Square Error (RMSE) và R-squared Score (R2) sẽ được sử dụng để đo lường độ chính xác của các dự đoán.

3.1 Phân tích dữ liệu và xây dựng mô hình

Quá trình phân tích dữ liệu bắt đầu bằng việc thu thập và làm sạch dữ liệu từ nhiều nguồn khác nhau. Sau đó, dữ liệu sẽ được chia thành các tập huấn luyện và kiểm tra để xây dựng mô hình dự đoán. Việc áp dụng các kỹ thuật như Gradient Descent giúp tối ưu hóa mô hình và tìm ra các tham số tốt nhất cho dự đoán. Mô hình sẽ được kiểm tra và điều chỉnh để đảm bảo rằng nó có thể hoạt động hiệu quả trong các tình huống thực tế, từ đó cung cấp cho người dùng những dự đoán chính xác nhất về giá bất động sản.