| Titre : | Développement d’un géoportail 3D des prix des actifs immobiliers : vers un référentiel évolutif. Cas d’étude : Casablanca |
| Auteurs : | TOUZANI Youness, Auteur ; AIT EL KADI Kenza, Auteur ; OUROUADI.M.T, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2024 |
| Format : | 110 |
| Langues: | Français |
| Mots-clés: | Géoportail ; Référentiel immobilier ; 3D Web Mapping ; Evaluation Immobilière ; Random Forest ; Gradient Boosting ; ANN. |
| Résumé : |
L’interprétation et la visualisation de la dynamique du marché immobilier, à travers la distribution spatiale des prix des actifs immobiliers, demeure une mission critique pour les différents acteurs du secteur immobilier. Les référentiels et géoportails portant sur cet aspect sont absents dans la scène de l’immobilier, et les cartes actuelles des prix deviennent de plus en plus obsolètes avec leurs méthodes traditionnelles de visualisation bidimensionnelles. Le marché immobilier étant très dynamique, les géoportails actuels ne parviennent pas à suivre les tendances et les changements du marché en raison de la mise à jour irrégulière de leurs données.
Dans ce travail, nous nous focaliserons sur l’utilisation des modèles du Machine Learning et des bibliothèques Web Mapping 3D pour l’interprétation et la visualisation des prix des actifs immobiliers. La méthodologie décrit le processus de préparation des données des appartements et des villas extraites de sites WEB d’achat et vente immobilière, ainsi que l’ajout des attributs zonaux, spatiaux et urbanistiques. Des techniques de prétraitement ont été appliquées pour préparer les données à l’entraînement des modèles ML. Random Forest a été le modèle le plus adapté à notre étude en fournissant des résultats prometteurs pour les appartements : une erreur moyenne absolue de 1900 DH/m² qui représente en moyenne 16% de la valeur réelle des appartements. Contrairement aux appartements, les modèles ont fourni des résultats médiocres pour les villas avec une erreur moyenne absolue et un pourcentage d’erreur dépassant 3500DH/m² et 25% respectivement, en raison de la faible quantité de données. Ces modèles entraînés ont été utilisés par la suite pour générer une grille régulière ponctuelle des prix (pas = 0.0002 degrés) sur les surfaces des appartements et villas. La grille des prix prédite a servi de donnée d’entrée pour les bibliothèques de Web Mapping 3D Deck.gl et Mapbox GL JS afin de créer une HEATMAP 3D de la distribution des prix des appartements et villas. Ces bibliothèques ont ensuite été introduites grâce à JavaScript dans un site WEB dynamique et interactif pour une finalité d’interprétation, de visualisation et d’analyse du marché immobilier en 3D. Le produit final de ce PFE consiste en : une infrastructure python pour accueillir les nouveaux datasets pour le réentraînement et la régénération automatique de la distribution des prix par ML, ainsi qu’un géoportail 3D pour la visualisation des distributions générées. |
| En ligne : | http://10.2.0.27//cda/ebooks/TOUZANI_Younes_2024.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041294 | 10265 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur topographe | Consultation sur place Exclu du prêt |
