Nenauju automobiliu kainu prognozavimas

Abstract

Parduodant arba perkant automobili ne visada lengva gerai parinkti kainą ar įvertinti jos pagrįstumą, todėl kainų prognozavimui naudojami kainų prognozavimo modeliai. Automobilių kainų prognozavimo tematika yra atlikta tyrimų, taciau atlikti tyrimai su mažais kintamųjų kiekiais ir mažomis imtimis, todėl iš šių tyrimų sunku nustatyti, kuri metodika automobilių kainų prognozavimui yra tinkamiausia. Šio magistrinio darbo tikslas yra išanalizuoti prognozavimo metodų pritaikymą nenaujų automobilių kainų prognozavimui. Darbe atlikta literatūros apžvalga, suformuluota metodika kainų prognozavimui ir realizuojami daugialypės regresijos, k-artimiausio kaimyno, atraminių vektorių regresijos ir neuroninių tinklų metodai. Sudarytų modelių rezultatai palyginami tarpusavyje, atliekama gautų rezultatų analizė ir suformuluojamos išvados. Atlikus tyrimą nustatyta, kad tinkamiausia metodika nenaujų automobilių kainų prognozavimui yra atraminių vektorių regresija su polinomine branduolio funkcija sudaryta bendrai duomenų aibei.

Determining the value of a used car is not an easy task therefore models is needed to predict the price. There is researches for used car price prediction but these researches has few attributes and small sample size therefore it is difficult to determine the most appropriate methodology for price prediction. This thesis presents a methodology for used cars price prediction. In this research after analysis of literature and methodology formulation different techniques like multiple regression, k-nearest neighbor, support-vector regression and neural network models have been used to make the predictions. In order to achieve the highest possible performance developed models are compared using selected criteria. Based on the results conclusions are provided. The findings of this research revealed that the best method for used car price prediction is support-vector regression with polynomial kernel function for full dataset.