A carregar...
Publicação
AI-driven forecasting strategies for real estate price prediction
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 2.52 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Accurately forecasting property prices is vital for decision-making in real estate markets. Traditional econometric models, valued for their transparency and regulatory credibility, are constrained by restrictive assumptions that limit their ability to capture complex dynamics. To address these shortcomings, machine learning methods have been increasingly adopted, offering greater flexibility and higher predictive accuracy. However, such models are often opaque, difficult to justify, and highly sensitive to task–model alignment and data quality. Hybrid approaches, designed to integrate complementary strengths, present a promising alternative but remain empirically scarce and unevenly evaluated. This dissertation conducts a systematic review of sixty peer-reviewed studies to assess how AI-based forecasting models are structured and classified, how they are benchmarked against traditional and machine learning baselines, and how they align with methodological requirements in residential property price prediction. Following the PRISMA protocol, the review reveals a predominance of ensemble and deep learning models, while hybrid designs are underexplored and frequently weakly justified. Benchmarking practices, though widespread, lack consistency, and interpretability tools are incorporated in only half of the studies. These findings portray a field marked by technical innovation but insufficient consolidation, where forecasting credibility depends as much on justification, transparency, and alignment as on predictive accuracy.
A previsão precisa dos preços de imóveis é essencial para a tomada de decisão no mercado imobiliário. Os modelos econométricos tradicionais, valorizados pela transparência e credibilidade regulatória, estão condicionados por pressupostos restritivos que limitam a sua capacidade de captar dinâmicas complexas. Para responder a estas limitações, métodos de aprendizagem automática têm sido amplamente adotados, oferecendo maior flexibilidade e precisão preditiva. Contudo, tais modelos revelam-se frequentemente opacos, de difícil justificação e altamente sensíveis ao alinhamento entre tarefa e modelo e à qualidade dos dados. As abordagens híbridas, concebidas para integrar capacidades complementares, apresentam uma alternativa promissora, embora permaneçam empiricamente escassas e avaliadas de forma inconsistente. Esta dissertação apresenta uma revisão sistemática de sessenta estudos, avaliando como modelos de previsão baseados em inteligência artificial são estruturados, classificados, comparados com modelos tradicionais e de aprendizagem automática, e como se alinham com os requisitos metodológicos da previsão de preços residenciais. Seguindo o protocolo PRISMA, a revisão evidencia o predomínio de modelos de ensemble e de aprendizagem profunda, enquanto os híbridos são subexplorados e muitas vezes insuficientemente justificados. As práticas de benchmarking, embora comuns, revelam falta de consistência, e os métodos de interpretabilidade são aplicados em apenas metade dos estudos. Estes resultados retratam um campo marcado pela inovação técnica, mas com consolidação insuficiente, no qual a credibilidade da previsão depende tanto da justificação, transparência e alinhamento quanto da precisão preditiva.
A previsão precisa dos preços de imóveis é essencial para a tomada de decisão no mercado imobiliário. Os modelos econométricos tradicionais, valorizados pela transparência e credibilidade regulatória, estão condicionados por pressupostos restritivos que limitam a sua capacidade de captar dinâmicas complexas. Para responder a estas limitações, métodos de aprendizagem automática têm sido amplamente adotados, oferecendo maior flexibilidade e precisão preditiva. Contudo, tais modelos revelam-se frequentemente opacos, de difícil justificação e altamente sensíveis ao alinhamento entre tarefa e modelo e à qualidade dos dados. As abordagens híbridas, concebidas para integrar capacidades complementares, apresentam uma alternativa promissora, embora permaneçam empiricamente escassas e avaliadas de forma inconsistente. Esta dissertação apresenta uma revisão sistemática de sessenta estudos, avaliando como modelos de previsão baseados em inteligência artificial são estruturados, classificados, comparados com modelos tradicionais e de aprendizagem automática, e como se alinham com os requisitos metodológicos da previsão de preços residenciais. Seguindo o protocolo PRISMA, a revisão evidencia o predomínio de modelos de ensemble e de aprendizagem profunda, enquanto os híbridos são subexplorados e muitas vezes insuficientemente justificados. As práticas de benchmarking, embora comuns, revelam falta de consistência, e os métodos de interpretabilidade são aplicados em apenas metade dos estudos. Estes resultados retratam um campo marcado pela inovação técnica, mas com consolidação insuficiente, no qual a credibilidade da previsão depende tanto da justificação, transparência e alinhamento quanto da precisão preditiva.
Descrição
Palavras-chave
Real estate forecasting Residential property prices Artificial intelligence (AI) Machine learning Hybrid models Benchmarking Interpretability Task-model alignment Previsão imobiliária Preços residenciais Inteligência artificial (IA) Aprendizagem automática (ML) Modelos híbridos Interpretabilidade Alinhamento tarefa-modelo
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC