Sistema de recomendación de planificación urbana colaborativa difusa

Abstract

La recomendación de viviendas adecuadas enfrenta desafíos significativos debido al aumento continuo de la demanda y la necesidad de cumplir con los estándares de habitabilidad. Este documento presenta un enfoque innovador para abordar estos retos mediante un método de recomendación de viviendas basado en distancias a puntos clave espaciales y características latentes de las viviendas. El método propuesto utiliza distancias objetivas desde las viviendas a lugares de interés, como centros educativos, centros médicos, farmacias, comercios, entretenimiento, cámaras de seguridad del 911 y estaciones de transporte público. Estas distancias se calculan en función del sector donde se encuentra la vivienda, proporcionando una evaluación precisa del entorno. Además, se incorporan características de las viviendas agrupadas en tres factores latentes correlacionados: Tamaño y valor, Entorno y comodidad, y Antigüedad y seguridad. El sistema de recomendación utiliza control difuso para la gestión de las preferencias del usuario y para elegir los datos de entrada adecuados que se utilizarán para probar el modelo. Al principio, se aplica filtrado basado en contenido porque no hay calificaciones disponibles sobre las propiedades. El modelo predice el grado de pertenencia a cada clúster, lo que permite gestionar la incertidumbre de ofrecer viviendas de diferentes grupos de manera proporcional. Para calcular la similitud entre las preferencias del usuario y las características de las viviendas, se utiliza la distancia euclidiana. El tiempo de búsqueda se optimiza utilizando métodos metaheurísticos, siendo el algoritmo de murciélago el que mejor rendimiento presenta. Este algoritmo presenta las viviendas al usuario en función de características reales extraídas de sitios web de bienes raíces utilizando técnicas de webscraping. El sistema está construido con una arquitectura Modelo Vista Controlador utilizando Python, Flask y SQLite. Además, se registran datos personales de los clientes para crear clusters y calcular distancias con nuevos clientes, lo que permite ofrecer viviendas con una alta calificación. Este enfoque combina filtrado colaborativo y filtrado por contenido, creando un sistema híbrido que mejora la precisión y la relevancia de las recomendaciones. Este análisis muestra que el nuevo método de recomendación es una solución efectiva y accesible para elegir viviendas adecuadas.

The recommendation of suitable housing faces significant challenges due to the ongoing increase in demand and the need to meet livability standards. This document presents an innovative approach to addressing these challenges through a housing recommendation method based on distances to key spatial points and the homes' latent characteristics. The proposed method uses objective distances from homes to points of interest, such as educational centres, medical facilities, pharmacies, shops, entertainment venues, 911 security cameras, and public transportation stations. These distances are calculated based on the sector where the home is located, providing an accurate assessment of the surroundings. Additionally, the characteristics of the homes are grouped into three correlated latent factors: Size and Value, Environment and Comfort, and Age and Safety. Our recommendation system is designed with the user in mind, employing a fuzzy control mechanism to manage user preferences and select suitable input data for testing the model. Initially, content-based filtering is employed since there are no ratings for the homes. The model predicts a membership percentage for each cluster, allowing it to handle uncertainty by offering homes from different groups proportionally, ensuring a personalized experience for the user. Euclidean distance is used to measure the similarity between user preferences and the characteristics of the homes. The search time is then optimized through metaheuristic methods, with the bat algorithm providing the best time performance. Using web scraping techniques, this algorithm selects the homes displayed to the user based on natural characteristics extracted from real estate platforms. Our system is built with a practical and reliable Model-View-Controller architecture using Python, Flask, and SQLite. Additionally, personal data from clients are recorded to create clusters and calculate distances with new clients, enabling the offering of highly rated homes. This approach combines collaborative filtering and content-based filtering, creating a hybrid system that improves the accuracy and relevance of the recommendations, ensuring a robust and efficient system. This analysis shows that the new recommendation method is an effective and accessible solution for choosing suitable housing.