Diseño de modelo de para la predicción del tiempo de venta o arriendo de inmuebles en Bogotá

Abstract

Adquirir un inmueble es una decisión de inversión donde es necesario conocer las tendencias del mercado inmobiliario para tomar una decisión favorable. Esto implica conocer el avaluo adecuado de la vivienda, pero además los tiempos que tomaran en vender o arrendar un inmueble. Conocer el tiempo que tardara un inmueble en venderse o arrendarse permite una mejor planificación para gastos financieros y ayuda a tomar una decisión con mayor información acerca de adquirir una propiedad. A través de modelos de machine learning es posible predecir un estimado del tiempo de vender o arrendar un inmueble a partir de datos obtenidos de venta y arriendo de inmuebles en la ciudad de Bogotá en el año 2023. Se entrenaron los siguientes modelos de regresión, árbol de decisión, Random Forest, XGBoost, KNN y redes neuronales para entrenar modelos capaces de predecir tiempo de venda de inmuebles y tiempo de arriendo de inmuebles. Se utilizaron las métricas de R cuadrado, MSE y MAPE para determinar que en ambos casos, arriendo y venta, los mejores modelos fueron XGBoost. Los resultados obtenidos muestran que variables como el precio, y la antigüedad tienen una gran incidencia en el tiempo que tarda un inmueble en venderse o arrendarse.

Acquiring real estate is an investment decision that requires understanding real estate market trends to make an informed choice. This involves not only knowing the proper valuation of the property but also estimating the time it will take to sell or lease the property. Understanding the time involved in selling or renting a property allows for better financial planning and aids in making decisions with more information about acquiring a property. Through machine learning models, it is possible to predict the estimated time to sell or rent a property using data obtained from property sales and rentals in the city of Bogotá in the year 2023. Various regression models, including linear regression, decision tree, Random Forest, XGBoost, KNN, and neural networks, were trained to predict the time required for property sale and rental. Metrics such as the coefficient of determination (R-squared), mean squared error (MSE), and mean absolute percentage error (MAPE) were employed to assess model performance. The results determined that, for both rental and sale predictions, the most effective models were based on XGBoost. The findings suggest that variables such as price and age significantly influence the time it takes for a property to be sold or rented.