Alguns modelos não lineares registram um ajuste maior.
A floresta aleatória tem o maior R² preservado nesta comparação tabular: 0,2246. A média entre floresta e XGBoost não supera esse valor.
AGILITYAI LAB
Sinais do clima.
Perguntas melhores.
Nosso laboratório de IA explora como dados e aprendizado de máquina podem ajudar a compreender sistemas complexos. Começamos pela relação entre condições meteorológicas históricas e imóveis comerciais.
Explorar o relatório técnico01 / A PERGUNTA
Exposição meteorológica.
Desempenho financeiro.
Uma relação a investigar.
Extremos históricos de temperatura e precipitação podem acrescentar informação útil à modelagem de retornos de imóveis comerciais?
O acervo experimental reúne registros financeiros metropolitanos, observações meteorológicas e variáveis econômicas selecionadas. Explora modelos lineares, conjuntos de árvores e redes neurais recorrentes.
Nosso relatório técnico analisa essa implementação, registra os resultados preservados e descreve o que uma avaliação mais rigorosa precisa demonstrar. Não afirma que as condições meteorológicas causam um retorno específico nem que os modelos preveem o clima.
O PAINEL AMPLIADO DA PESQUISA
Um ponto de partida com vários mercados.
- 136
- áreas metropolitanas dos EUA
- 12.148
- registros de área metropolitana por trimestre
- 1981–2023
- período histórico armazenado
As contagens descrevem o acervo filtrado e inspecionado. A cobertura varia ao longo do tempo. Não representam implantação, clientes ou desempenho validado em todos os mercados. CBSA é uma delimitação estatística metropolitana dos EUA.
02 / O FLUXO DOS MODELOS
Das observações
aos dados de entrada.
Extratos meteorológicos anuais → associação metropolitana → variáveis trimestrais de exposição → junções financeiras → experimentos tabulares e recorrentes.
O documento AgilityAI Real Estate Analytics Technical Exhibit fundamenta esta análise junto ao acervo de modelos. Ele descreve um fluxo reutilizável por área metropolitana e trimestre e diferentes linhas experimentais, sem comprovar um serviço em produção.
Os indicadores de calor e frio usam limites de 30 e 0, respectivamente. A interpretação como contagem de dias exige unidades Celsius confirmadas e registros completos. Janelas móveis de quatro e 24 linhas precisam de verificação do calendário antes de serem descritas como históricos trimestrais.
A rede salva com variáveis meteorológicas recebe 12 linhas × 11 variáveis, passa por camadas GRU de 70 e 35 unidades, depois dropout de 0,3 e uma saída Dense. As linhas agrupadas não são necessariamente trimestres consecutivos de um único mercado.
03 / RESULTADOS REGISTRADOS
Mostrar os números.
Preservar o contexto.
Esta comparação pertence aos experimentos tabulares anteriores com cinco mercados. É distinta do painel ampliado de 136 mercados apresentado acima. Os valores são saídas preservadas dos notebooks; nenhum treinamento foi reexecutado para este relatório.
Resultados aparentemente fortes podem responder à pergunta errada.
Outras linhas de regressão mantêm componentes de renda e capital do mesmo período ao prever o retorno total. Resultados quase perfeitos podem reconstruir uma relação contábil.
A contribuição das variáveis meteorológicas ainda exige um teste controlado.
São necessários conjuntos de teste comparáveis e testes com e sem variáveis meteorológicas. Os experimentos arquivados não demonstram uma vantagem de previsão validada de forma independente.
Ver os oito resultados tabulares registrados
| Variante do modelo | EQM | R² |
|---|---|---|
| Regressão linear | 0,0016450983 | 0,017450 |
| Regressão Ridge | 0,0016451395 | 0,017426 |
| Regressão polinomial | 0,0017923775 | -0,070514 |
| Ridge polinomial | 0,0016477323 | 0,015877 |
| Gradient boosting | 0,0015227619 | 0,090517 |
| Floresta aleatória | 0,0012982849 | 0,224588 |
| XGBoost | 0,0014125745 | 0,156327 |
| Floresta + XGBoost | 0,0013509678 | 0,193122 |
O erro quadrático médio (EQM) é medido em unidades do alvo ao quadrado. Tabelas de origem, alvos e pré-processamentos diferentes não devem ser reunidos em uma classificação única.
Explorar os experimentos de modelos recorrentes
| Experimento | Linhas de entrada × variáveis | EQM preservado |
|---|---|---|
| GRU com variáveis meteorológicas | 12×11 | 0,00029784 |
| GRU com cinco variáveis | 12×5 | 0,00025447 |
A linha com variáveis meteorológicas avalia um alvo de média de tret sem normalização. A linha com cinco variáveis exclui os indicadores meteorológicos. As diferenças nas condições experimentais impedem tratar os dois erros como uma comparação controlada da contribuição meteorológica ou classificá-los junto aos resultados tabulares.
Os alvos recorrentes são médias das linhas seguintes; não são retornos compostos do período de investimento. A linha cujo nome menciona dólares apresenta erro de alvo normalizado, não perda monetária. O relatório também aborda conversão de datas, arquivos de modelo compartilhados e independência do teste final.
04 / PRÓXIMOS PASSOS
Construir um benchmark
com validação rigorosa.
O próximo protocolo de validação é uma proposta de trabalho, não um resultado concluído.
- Definir a previsão.Um alvo, uma unidade e uma origem de previsão. Usar apenas informações disponíveis naquele momento.
- Respeitar tempo e geografia.Construir sequências em cada mercado, ajustar o pré-processamento nos dados de treinamento e preservar um teste futuro intocado.
- Testar o valor adicional das variáveis meteorológicas.Comparar persistência, modelos econômicos, meteorológicos e combinados com as mesmas partições.
- Relatar incertezas e falhas.Apresentar erros por mercado, períodos de condições extremas, lacunas de cobertura e limitações junto às métricas agregadas.
05 / O RELATÓRIO TÉCNICO
Análise técnica · v0.2 · sem revisão por paresExposição meteorológica e retornos de imóveis comerciais
Um estudo exploratório de modelagem e um roteiro de validação
Novo relatório técnico em inglês sobre a pergunta de pesquisa, o fluxo de dados, as famílias de modelos, os resultados registrados e os limites da avaliação. Preparado em 28 de outubro de 2026. A versão 0.2 incorpora o fluxo, a arquitetura recorrente e a análise de definição dos alvos do documento técnico fornecido.
Fontes e leituras relacionadas
As referências dos provedores explicam as famílias de fontes citadas no acervo; não certificam este conjunto específico de dados nem seu licenciamento.
O documento AgilityAI Real Estate Analytics Technical Exhibit fundamenta o fluxo, as especificações dos modelos e os limites da avaliação (seções técnicas 2–12). Seu PDF original não é distribuído aqui; o novo relatório resume o conteúdo técnico relevante.
PRISM Climate Group · dados climáticos históricos ↗NCREIF · metodologia do Property Index ↗Cvijanovic e van de Minne · Temperature Extremes and Commercial Real Estate ↗O artigo relacionado pertence aos autores externos indicados. É apresentado como contexto e não é uma publicação da AgilityAI.