WO2019053632A1

WO2019053632A1 - Método para obtener un catálogo de fichas de avalúos inmobiliarios

Info

Publication number: WO2019053632A1
Application number: PCT/IB2018/057018
Authority: WO
Inventors: Francisco BARBOSA ESCUDERO; Luis Enrique Sucar Succar; Eduardo Francisco Morales Manzanares; Miguel Ángel MEDINA NIETO; María José Castañón Cadena; Alejandro LLANO DOMÍNGUEZ; Joel Castañon Nieto; Gilberto Gibran VERGARA MOLINA; Jaime Esteban BELTRÁN ROSALES; Jorge Luis García Tello; Samuel Salvador VÁZQUEZ SÁNCHEZ
Original assignee: Devising Solutions, S.A.P.I. De C.V.
Priority date: 2017-09-14
Filing date: 2018-09-13
Publication date: 2019-03-21
Also published as: MX2017011852A

Abstract

La presente invención se encuentra relacionada con un método para obtener un catálogo de fichas de avalúos inmobiliarios que permite determinar distintas variables de salidas (valores económicos) ligadas a uno o varios inmuebles de interés, tales como el importe de valor comercial o el importe de renta mensual, mediante la aplicación, en la etapa de ejecución, de diversos modelos de agrupamiento, modelos de regresión y modelos de ensamble, los cuales son definidos y entrenados en la etapa de entrenamiento con avalúos de inmuebles de entrenamiento similares a los inmuebles de interés. Cada una de las fichas que conforman al catálogo de fichas de avalúos inmobiliarios que se obtiene con el presente método, comprende una representación gráfica de la información de un avalúo de inmueble a cotizar en conjunto con el valor determinado de la o las variables de salidas. El presente método es altamente escalable, preciso y estable, ya que durante la etapa de entrenamiento, además de algoritmos de aprendizaje de máquina, se emplea conocimiento de personas expertas en el ámbito de la valuación de inmuebles y de la informática.

Description

"MÉ TODO PARA OBTENER UN CATÁLOGO DE FICHAS DE

AVALÚOS INMOBILIARIOS"

CAMPO DE LA INVENCION

La presente invención se encuentra relacionada con procedimientos y herramientas que permitan realizar avalúos de bienes inmuebles de forma automatizada, para aquellos usuarios que requieran de la obtención de al menos un valor monetario ligado a un bien inmueble, como puede ser el precio actual de mercado, renta mensual o índice de apreciación, con base en un conjunto de datos de ejemplo; y, más particularmente se encuentra relacionada con un método para obtener un catálogo de fichas de avalúos inmobiliarios.

ANTECEDENTES DE LA INVENCIÓN

El avalúo de bienes inmuebles, es una práctica común en el mundo actual, por la gran cantidad de transacciones día con día, en las que se ven involucrados los bienes raíces.

Un avalúo inmobiliario, en conjunto con fuentes de información sobre la macro y micro economía relacionada al contexto del mercado inmobiliario, permite determinar el valor de las propiedades inmuebles, ya sea para propósitos comerciales, legales y/o de referencia, a fin de poder estimar valores económicos propios del inmueble, tales como su valor comercial de venta o su valor de renta mensual, además de otros factores como el riesgo de morosidad en la deuda respaldada por una hipoteca de ese bien inmueble, etc.

Existen avalúos de inmuebles oficiales (con validez legal) realizados por personas expertas en el tema de valuación de bienes inmuebles (conocidos peritos valuadores certificados), los cuales están sujetos a una metodología y características establecidas en disposiciones oficiales, en donde dichos avalúos oficiales contemplan una visita física del perito valuador certificado al bien inmueble para observar y documentar aspectos tangibles de dicha propiedad .

Existen también avalúos de inmuebles no oficiales, conocidos como apreciaciones de valor, que no tienen la misma validez legal de un avalúo de inmueble oficial. Dichos avalúos de inmuebles no oficiales son realizados por personas no certificadas en la valuación de inmuebles mediante el análisis de documentos y registros del mercado inmobiliario y de otros temas relacionados, en donde no se tiene la necesidad de inspeccionar físicamente la propiedad ni el sujetarse a disposiciones oficiales.

Es así, como en el estado de la técnica se cuenta con la Patente Estadounidense No. US 5,361,201, en la que se describe un sistema automatizado de valuación de bienes inmuebles y un método que genera estimaciones del valor inmobiliario utilizando un modelo predictivo, tal como una red neuronal . El modelo predictivo genera estimaciones basado en las relaciones aprendidas entre las variables que describen las características individuales de la propiedad, así como las características generales del vecindario a distintos niveles de especificidad geográfica. Dicho sistema también puede emitir códigos de razón, los cuales indican contribuciones relativas de varias variables a un resultado particular y puede generar informes que describen valoraciones de propiedades, análisis de tendencias de mercado, información de conformidad de propiedades y recomendaciones sobre préstamos basados en riesgo, relacionados con una propiedad.

Una de las desventajas que presenta la Patente Estadounidense antes mencionada es que su intención de emitir un avalúo de un bien inmobiliario es de forma independiente a otras entidades valuadoras, sin subjetividad humana y esto se ve reflejado en su funcionamiento, en el cual el usuario no puede proveer validación del correcto funcionamiento del mismo sistema.

En cambio, la presente invención contempla a usuarios expertos en temas de la valuación de bienes inmuebles (peritos valuadores) y usuarios expertos en temas informáticos (conocidos como ingenieros de datos) cuyo conocimiento experto se utiliza en distintos pasos del método. La invención que nos ocupa cuenta con el diseño, configuración y medios necesarios para acumular, analizar y utilizar el conocimiento experto para configurar parámetros en las sub-etapas del entrenamiento de los modelos, así como también tiene la capacidad de utilizar información contenida en avalúos de inmuebles de entrenamiento.

Otra desventaja de dicha Patente No. US 5, 361, 201 es que el método de agrupamiento de los bienes inmuebles se limita a la validación de vecindarios habitacionales , definidos por las divisiones políticas de la ciudad, además de que utiliza un procedimiento parametrizado fijo. En cambio, en el presente método, se emplean grupos de avalúos de inmuebles, que son avalúos numéricamente similares entre sí de acuerdo a un conjunto de variables de entrada y a un algoritmo de agrupamiento, que pueden contener avalúos de inmuebles de distintos vecindarios y/o regiones de una ciudad o un país.

Otro ejemplo de métodos de valuación de bienes inmuebles del estado de la técnica, lo encontramos en la Patente Estadounidense No. US 6, 876, 955 la cual describe un sistema y un método para predecir y reportar un valor de una propiedad basada en un promedio ponderado de valores predichos por al menos dos modelos de predicción .

Dicho sistema y método antes mencionado incluyen las etapas de: i) acceder a valores predichos (determinados por los modelos de predicción) para la propiedad; ii) determinar la información de distribución de error de predicción proporcional de una propiedad específica para cada valor predicho determinado por cada modelo de predicción; iii) asignar un peso al valor predicho determinado por cada modelo de predicción utilizando la información de distribución de error de predicción proporcional específica de la propiedad; y, iv) generar un valor promedio ponderado específico de la propiedad basado en la combinación del peso y el valor predicho determinado por cada modelo de predicción e informar el valor promedio ponderado específico de la propiedad para minimizar el error de predicción durante la predicción del valor de la propiedad.

La invención descrita en la Patente Estadounidense No. US 6,876,955 no contiene un método definido para separar los avalúos de inmuebles en conjuntos más específicos. Asimismo, la selección y ponderación de los métodos apropiados para la recomendación del valor se deriva de cálculos de error realizados previamente en la etapa de entrenamiento.

En cambio, en el presente método, se emplean grupos de avalúos de inmuebles generados por modelos de agrupamiento y una pluralidad de modelos predictivos (modelos de regresión) , en donde su selección y ponderación se realiza de diferente forma, contemplando una sub- etapa previa de filtrado, generalizándose el método de ponderación para utilizar no sólo reportes de error sino también valores estadísticos sobre los datos de entrenamiento de cada modelo de agrupamiento y de regresión.

Además, la invención que nos ocupa emplea modelos de ensamble inteligente, los cuales implementan ponderaciones de modelos basadas en algoritmos de aprendizaje de máquina, lo que permite una mejor aproximación del valor económico del bien inmueble solicitado por el usuario en la ficha del avalúo inmobiliario obtenida al final del proceso.

Un ejemplo más de métodos de valuación de bienes inmuebles lo encontramos en la Patente Estadounidense No. US 8,195,473, el cual describe un método y un sistema para obtener un rango óptimo de valores para propiedades inmobiliarias usando todos o algunos de los enfoques de evaluación admisibles a través de un algoritmo de optimización. Con dicha invención, se evalúa la fiabilidad de los rangos de factores específicos de cada enfoque de evaluación y se eliminan los intervalos discrepantes; también es posible una valoración de la propiedad a través de una serie de enfoques de tasación admisibles; además de que la tasa de capitalización y el período se optimizan en aproximaciones relevantes.

El método antes descrito utiliza programación no lineal para optimizar simultáneamente las funciones no lineales de todos los tipos de criterio de valuación, en donde dichos criterios de valuación se relacionan con métodos que los peritos valuadores emplean para valuar un bien inmueble. Como ejemplos de los métodos empleados podemos encontrar el enfoque de ventas, el enfoque de rentas y el enfoque de costos.

En contraste con la invención antes mencionada, el presente método para obtener un catálogo de fichas de avalúos inmobiliarios emplea algoritmos de aprendizaje de máquina supervisado, generando modelos que estiman el valor económico del bien inmueble solicitado por el usuario.

La Patente Estadounidense No. US 2012/0330715 Al describe sistemas, procesos e interfaces de usuario mejorados para el marketing dirigido asociado con una población de activos, tales como bienes inmuebles o mercados de energía solar. Por ejemplo, dichos sistemas pueden crear una lista ordenada de una población de datos, en la que la lista puede ser optimizada por la probabilidad de un evento dado, tal como la venta de una casa por el propietario o la compra de equipo solar. En algunas modalidades, se proporcionan modelos de valoración mejorados e índices de precios para uno o más activos que están asociados con una población de datos. Además, se proporcionan sistemas y procesos de calificación mejorados para uno o más activos asociados a una población de datos.

La invención antes descrita presenta la desventaja de que el método de agrupamiento de los bienes que emplea se limita únicamente a la validación de información geográfica, definida por variables numéricas como longitud y latitud o mediante divisiones políticas de la ciudad.

En contraste, el presente método emplea grupos de avalúos de inmuebles que pueden contener avalúos de inmuebles de distintos vecindarios o regiones de una ciudad o un país, los cuales se segregan mediante varios algoritmos de agrupamiento.

Además, la presente invención utiliza dos procesos de ensamble de algoritmos de regresión, uno durante la etapa de entrenamiento mediante modelos de ensamble inteligente, y otro durante la etapa de ejecución mediante un modelo de ensamble basado en la estadística .

La Patente Estadounidense No. US 2003/0101074 describe un sistema y método para proporcionar una evaluación objetiva de los bienes inmuebles y del entorno circundante, generando una representación gráfica de los resultados de la evaluación. La información sobre bienes raíces y el entorno circundante se almacena en un clúster de bases de datos. Los usuarios pueden establecer factores de ponderación de su propia elección para todas las características incluidas en el proceso de cotización del inmueble. Con base en la información de la base de datos y las preferencias de los usuarios, se realizan evaluaciones tanto para el sector inmobiliario, como para el entorno circundante. Los resultados de la evaluación se superponen a imágenes de satélite y/o mapas digitalizados .

El método antes descrito recupera datos de inmuebles similares cercanos geográficamente al inmueble de entrada, en donde el sistema calcula la similitud entre inmuebles cercanos.

En contraste, la presente invención conjunta bienes inmuebles en grupos de avalúos de inmuebles, los cuales pueden contener inmuebles geográficamente cercanos y/o lejanos. Además, por cada avalúo de inmueble a cotizar ingresado por el usuario, se calcula al menos una variable de salida relacionada a un valor económico ligado al inmueble de interés, la cual es mostrada en la ficha del avalúo inmobiliario que corresponde a dicho inmueble.

Finalmente, en la Patente Estadounidense No. US 8,832,115 se describe un método que realiza el cómputo del ordenamiento de bienes raíces para enlistar propiedades inmobiliarias. Tales cálculos utilizan la información disponible sobre propiedades inmobiliarias en cualquier mercado local y pueden ayudar al comprador de bienes raíces a identificar propiedades inmobiliarias con varios valores financieros clasificados.

En dicha invención se puede utilizar un área geográfica relativamente pequeña, basada en los criterios especificados por el comprador de bienes raíces; el cálculo de la clasificación de bienes raíces es capaz de manejar interacciones entre variables predictoras ; e, incluye la capacidad de ajusfar dinámicamente el cálculo de clasificación subyacente como nuevos patrones de mercado de bienes raíces que emergen con el tiempo.

Como se puede observar, el principal objetivo de la invención descrita en dicha Patente No. US 8,832,115 no es hacer un cálculo numérico del precio comercial de un bien inmueble sino listarlo, describirlo y ordenarlo en comparación a otros.

En virtud de lo anterior, se han buscado suprimir los inconvenientes de la técnica anterior desarrollando un método para obtener un catálogo de fichas de avalúos inmobiliarios que sea amigable con el usuario; con un alto grado de conflabilidad en la valuación de los bienes inmuebles deseados; y de fácil aplicación para la obtención del catálogo de fichas de avalúos inmobiliarios.

El método objeto de la presente invención, entrega como resultado final, un catálogo de fichas de avalúos inmobiliarios, en donde cada ficha contiene un avalúo inmobiliario con un valor económico ligado a un bien inmueble de interés, en donde el tipo de valor económico es solicitado por el usuario en la etapa de entrenamiento de dicho método.

El valor económico obtenido constituye un avalúo de un bien inmueble cotizado de tipo no oficial (de acuerdo a lo descrito en párrafos anteriores), ya que no cuenta con validez legal. Sin embargo cabe mencionar que el presente método puede emplear durante sus diversas sub-etapas, información de avalúos de inmuebles de tipo oficial y no oficial, además de otras fuentes de información.

OBJE TOS DE LA INVENCIÓN

Es un objeto de la presente invención, el proveer un método para obtener un catálogo de fichas de avalúos inmobiliarios, el cual permita determinar fichas de avalúos inmobiliarios que contengan valores escalares inmobiliarios, asi como rangos de valor inmobiliarios de una manera precisa, rápida, práctica y sencilla.

Es otro objeto de la presente invención, el proveer un método para obtener un catálogo de fichas de avalúos inmobiliarios, el cual permita determinar valores monetarios comerciales tanto para inmuebles ingresados uno a uno asi como para inmuebles contenidos en bases de datos.

Es un objeto más de la presente invención, el proveer un método para obtener un catálogo de fichas de avalúos inmobiliarios, que sea capaz de emplear bases de datos de avalúos de inmuebles de entrenamiento de un intervalo de tiempo arbitrario, permitiendo calcular precios referenciados a distintas etapas de la economía y del mercado inmobiliario a través del tiempo, lo que deriva en estudios de calidad de portafolios de activos para su calificación de riesgo.

Es un objeto más de la presente invención, el proveer un método para obtener un catálogo de fichas de avalúos inmobiliarios, en donde cada una de las fichas de avalúos inmobiliarios comprenda representaciones gráficas de la información relevante del inmueble de interés, incluyendo la variable de salida, sobre un mapa cartográfico representativo.

Es otro objeto de la presente invención, el proveer un método para obtener un catálogo de fichas de avalúos inmobiliarios, que permita obtener de una manera eficiente arquetipos inmobiliarios por grupo de avalúos de inmuebles, en donde dependiendo de las variables de entrada representativas de los modelos de agrupamiento, puede o no importar su ubicación geográfica.

Es un objeto adicional de la presente invención, el proveer un método para obtener un catálogo de fichas de avalúos inmobiliarios, que conjunte algoritmos con conocimiento humano experto, para identificar sobre/infra valuaciones individuales y/o grupales, detectando actividad inmobiliaria fuera de norma y anticipando riesgos inmobiliarios sistémicos, como burbujas inmobiliarias.

BREVE DESCRIPCIÓN DE LA INVENCIÓN

La presente invención se encuentra relacionada con un método para obtener un catálogo de fichas de avalúos inmobiliarios que permite calcular distintas variables de salida (valores económicos) ligadas a uno o varios inmuebles de interés, como es el importe de valor comercial o el importe de renta mensual, mediante un entrenamiento previo con una base de datos de avalúos de inmuebles de entrenamiento.

El presente método se compone esencialmente de dos etapas: una etapa de entrenamiento, en donde se definen y entrenan los elementos fundamentales que conforman a dicho método; y una etapa de ejecución, en donde se lleva a cabo la determinación de al menos una variable de salida sobre uno o más avalúos de inmuebles a cotizar, obteniéndose al final, un catálogo de fichas de avalúos inmobiliarios .

Cabe mencionar que tanto la al menos una variable de salida como los avalúos a cotizar son ingresados por un usuario en la etapa de entrenamiento y de ejecución, respectivamente.

En la etapa de entrenamiento, se lleva a cabo la definición de una base de datos de avalúos de inmuebles de entrenamiento, la al menos una variable de salida que el usuario requiere y también la determinación de los modelos de agrupamiento, de regresión y de ensamble inteligente que serán utilizados para la determinación del valor final de la o las variable de salida.

Para el entrenamiento de los modelos antes mencionados, se toma como fundamento la base de datos de avalúos de inmueble de entrenamiento definida, en donde cada avalúo de inmueble de entrenamiento posee similitudes con los inmuebles de los que se desea conocer la al menos una variable de salida.

Para lograr lo anterior, dicha etapa de entrenamiento se encuentra conformada por cinco sub-etapas de entrenamiento.

En la primera sub-etapa de entrenamiento, se define una base de datos de avalúos de inmuebles de entrenamiento inicial que contiene unos avalúos de inmuebles de entrenamiento iniciales definidos en función de variables de entrada iniciales; se define al menos una variable de salida; se someten las variables de entrada iniciales a tres evaluaciones para obtener variables de entrada representativas; y, se filtra dicha base de datos de avalúos de entrenamiento inicial de tal modo que al final de ésta primera sub- etapa de entrenamiento, se genera una nueva base de datos de avalúos de inmuebles de entrenamiento filtrada que contiene los avalúos de inmuebles de entrenamiento iniciales pero definidos ahora en función de las variables de entrada más representativas.

En la segunda sub-etapa de entrenamiento, a partir del uso de dos técnicas de filtrado (rangos intercuartilicos y reglas de análisis de mercado), se determinan rangos numéricos admisibles para cada variable de entrada representativa y se filtra doblemente la base de datos de avalúos de inmuebles de entrenamiento filtrada de avalúos de inmuebles atipicos, obteniéndose una base de datos de avalúos de inmuebles de entrenamiento tri-filtrada conformada por avalúos de inmuebles de entrenamiento representativos definidos en función de variables de entrada representativas.

En la tercera sub-etapa de entrenamiento, se determina la cantidad y tipos de los modelos de agrupamiento a utilizar asi como también se efectúa el entrenamiento de cada modelo de agrupamiento determinado, obteniéndose como resultado final, una base de datos de modelos de agrupamiento entrenados capaces de reconocer grupos de avalúos de inmuebles para direccionar los avalúos de inmuebles que analicen en la etapa de ejecución.

En la cuarta sub-etapa de entrenamiento, se lleva a cabo la separación, clasificación y asignación de los avalúos de inmuebles de entrenamiento representativos contenidos en la base de datos de avalúos de inmuebles de entrenamiento tri-filtrada en una pluralidad de listas de avalúos de inmuebles clasificados mediante el uso de los modelos de agrupamiento previamente entrenados.

Finalmente, en la quinta sub-etapa de entrenamiento, se determina la cantidad y tipos de modelos de regresión y de ensamble inteligente que se utilizarán en la etapa de ejecución y se lleva a cabo el entrenamiento tanto de los modelos de regresión determinados como de los modelos de ensamble inteligente determinados basándose en la información contenida en la pluralidad de listas de avalúos de inmuebles clasificados, obteniéndose como resultado final, una base de datos de modelos de regresión entrenados y una base de datos de modelos de ensamble inteligente entrenados .

En la etapa de ejecución, a partir de los modelos de agrupamiento, de regresión y de ensamble inteligente determinados y entrenados en la etapa de entrenamiento, se determina la al menos una variable de salida definida por el usuario por cada uno de los avalúos de inmuebles a cotizar, también definidos por el usuario y se obtiene el catálogo de fichas de avalúos inmobiliarios. Para ello, dicha etapa de ejecución está conformada por cinco sub-etapas de ejecución.

En la primera sub-etapa de ejecución, el usuario define unos avalúos de inmuebles a cotizar. Posteriormente se aplican todos los modelos de agrupamiento entrenados a todos los avalúos de inmuebles a cotizar definidos, obteniendo una pluralidad de índices de grupo de los grupos de avalúos de inmuebles a los que corresponde cada uno de los avalúos de inmuebles a cotizar, en donde la información de los índices de grupo correspondiente queda asociada a cada uno de dichos avalúos de inmuebles a cotizar.

En la segunda sub-etapa de ejecución, a cada uno de los avalúos de inmuebles a cotizar se le aplican los modelos de regresión entrenados y los modelos de ensamble inteligente entrenados que le corresponden en función de la pluralidad de índices de grupo, generándose y quedando asociada a cada uno de los avalúos, una pluralidad de aproximaciones numéricas de la al menos una variable de salida, en donde cada una de dichas aproximaciones numéricas contiene información sobre el modelo de regresión entrenado o de ensamble entrenado que la generó.

En la tercera sub-etapa de ejecución, se filtra la pluralidad de aproximaciones numéricas de la al menos una variable de salida de cada uno de los avalúos de inmuebles a cotizar con el objeto de eliminar aquellas aproximaciones numéricas que tengan un valor numérico alejado de una media calculada, obteniéndose y quedando asociada una pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida a cada avalúo de inmueble a cotizar.

En la cuarta sub-etapa de ejecución, a partir de la información que tiene asociada hasta el momento cada uno de los avalúos de inmuebles a cotizar (la pluralidad de índices de grupo y la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida, que a su vez tiene asociada los modelos de regresión entrenados o modelos de ensamble inteligente entrenados que las generaron) se les adiciona nueva información a cada uno de los avalúos de inmuebles a cotizar, como lo es la información sobre los avalúos de inmuebles de entrenamiento representativos que fueron utilizados para el entrenamiento del modelo de regresión entrenado o de ensamble inteligente entrenado y la pluralidad de índices de rendimiento; se aplica un modelo de ensamble estadístico a cada avalúo de inmueble a cotizar, generándose un elemento acumulador-sumador, cuyo valor numérico final corresponde al valor de la al menos una variable de salida definida previamente por el usuario .

Finalmente, en la quinta sub-etapa de ejecución, se efectúa la representación gráfica de la información contenida en cada uno de los avalúos de inmuebles a cotizar en fichas de avalúos inmobiliarios, en donde todas las fichas se conjuntan en un catálogo de fichas de avalúos inmobiliarios. Para llevar a cabo la representación gráfica, se hace uso de herramientas cartográficas y de visualización de datos.

BREVE DESCRIPCIÓN DE LAS FIGURAS

A continuación se pueden apreciar en las figuras que se indican, la estructura de las distintas etapas y sub-etapas que conforman al presente método para obtener un catálogo de fichas de avalúos inmobiliarios, objeto de la presente invención, en donde se muestra una modalidad preferida del mismo, en donde:

La Figura 1 es un diagrama esquemático que muestra cada una de las sub-etapas que conforman a las dos etapas (etapa de entrenamiento y etapa de ejecución) del presente método para obtener un catálogo de fichas de avalúos inmobiliarios.

La Figura 2 es un diagrama esquemático que muestra cada uno de los pasos de la primera sub-etapa de entrenamiento, que forma parte de la etapa de entrenamiento del presente método para obtener un catálogo de fichas de avalúos inmobiliarios.

La Figura 3 es un diagrama esquemático que muestra cada uno de los pasos de la segunda sub-etapa de entrenamiento, que forma parte de la etapa de entrenamiento del presente método para obtener un catálogo de fichas de avalúos inmobiliarios.

La Figura 4 es un diagrama esquemático que muestra cada uno de los pasos de la tercera sub-etapa de entrenamiento, que forma parte de la etapa de entrenamiento del presente método para obtener un catálogo de fichas de avalúos inmobiliarios.

La Figura 5 es un diagrama esquemático que muestra cada uno de los pasos de la cuarta sub-etapa de entrenamiento, que forma parte de la etapa de entrenamiento del presente método para obtener un catálogo de fichas de avalúos inmobiliarios.

La Figura 6 es un diagrama esquemático que muestra cada uno de los pasos de la quinta sub-etapa de entrenamiento, que forma parte de la etapa de entrenamiento del presente método para obtener un catálogo de fichas de avalúos inmobiliarios.

La Figura 7 es un diagrama esquemático que muestra cada uno de los pasos de la primera sub-etapa de ejecución, que forma parte de la etapa de ejecución del presente método para obtener un catálogo de fichas de avalúos inmobiliarios.

La Figura 8 es un diagrama esquemático que muestra cada uno de los pasos de la segunda sub-etapa de ejecución, que forma parte de la etapa de ejecución del presente método para obtener un catálogo de fichas de avalúos inmobiliarios.

La Figura 9 es un diagrama esquemático que muestra cada uno de los pasos de la tercera sub-etapa de ejecución, que forma parte de la etapa de ejecución del presente método para obtener un catálogo de fichas de avalúos inmobiliarios.

La Figura 10 es un diagrama esquemático que muestra cada uno de los pasos de la cuarta sub-etapa de ejecución, que forma parte de la etapa de ejecución del presente método para obtener un catálogo de fichas de avalúos inmobiliarios.

La Figura 11 es un diagrama esquemático que muestra cada uno de los pasos de la quinta sub-etapa de ejecución, que forma parte de la etapa de ejecución del presente método para obtener un catálogo de fichas de avalúos inmobiliarios.

DESCRIPCIÓN DE TALLADA DE LA INVENCIÓN

Haciendo referencia a los dibujos que se acompañan, y más específicamente a la Figura 1 de los mismos, en ella se muestra las etapas que conforman al presente método 1000 para obtener un catálogo de fichas de avalúos inmobiliarios, el cual se encuentra estructurado de conformidad con una modalidad particularmente preferida de la presente invención, la cual debe ser considerada únicamente como ilustrativa, más no limitativa de la misma en donde dicho método 1000 se encuentra conformado por las siguientes etapas:

Etapa de entrenamiento: definir una base de datos de avalúos de inmuebles de entrenamiento; definir al menos una variable de salida; determinar variables de entrada representativas; determinar avalúos de inmuebles de entrenamiento representativos; determinar y entrenar unos modelos de agrupamiento con base en los avalúos de inmuebles de entrenamiento representativos; clasificar los avalúos de inmuebles de entrenamiento representativos en listas de avalúos de inmuebles clasificados; determinar y entrenar unos modelos de regresión y unos modelos de ensamble inteligente con base en la información contenida en las listas de avalúos de inmuebles clasificados ;

Etapa de ejecución: definir unos avalúos de inmuebles a cotizar; ejecutar, sobre cada uno de los avalúos de inmuebles a cotizar, los modelos de agrupamiento entrenados para obtener una pluralidad de índices de grupo; ejecutar, sobre cada uno de los avalúos de inmuebles a cotizar, los modelos de regresión entrenados y los modelos de ensamble inteligente entrenados para obtener una pluralidad de aproximaciones numéricas de la al menos una variable de salida; filtrar dichas aproximaciones numéricas de valores fuera de la media, obteniendo una pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida; ejecutar un modelo de ensamble estadístico sobre cada uno de los avalúos de inmuebles a cotizar, obteniendo el valor de la al menos una variable de salida; y, representar gráficamente información relevante de cada uno de los avalúos de inmuebles a cotizar en un catálogo de fichas de avalúos inmobiliarios.

El método 1000 para obtener un catálogo de fichas de avalúos inmobiliarios que nos ocupa presenta de forma general, una arquitectura que permite definir los parámetros para cotizar distintas variables de salida (valores económicos) ligadas a unos o varios inmuebles de interés, como es el importe de valor comercial o el importe de renta mensual, mediante el uso de una base de datos de avalúos de inmuebles de entrenamiento. Dicha arquitectura tiene la característica de ser escalable, lo que permite procesar y analizar no solo datos de avalúos de inmuebles de una pequeña región geográfica, sino datos a nivel nacional (de cualquier país), manteniendo una gran estabilidad en el entrenamiento de los modelos predictores (modelos de regresión) .

La etapa 100 es una etapa de entrenamiento de los elementos fundamentales que conforman al método 1000, los cuales en función de su entrenamiento, se ejecutan en la etapa 200, llevando a cabo la determinación de al menos una variable de salida sobre uno o más avalúos de inmuebles a cotizar, en donde tanto la al menos una variable de salida como los avalúos a cotizar son ingresados por un usuario en el método 1000.

Más particularmente, en la etapa de entrenamiento 100 se lleva a cabo la definición de la al menos una variable de salida que el usuario requiere y también la determinación de los modelos de agrupamiento, de regresión y de ensamble inteligente que serán utilizados para la determinación del valor final de la o las variable de salida. Para el entrenamiento de dichos modelos, se toma como esencia una base de datos de avalúos de inmueble de entrenamiento, que como su nombre lo indica, contiene una pluralidad de ejemplos de avalúos de inmuebles que resultan similares a los inmuebles de los que se desee conocer la o las variables de salida.

Se tiene como paso inicial de dicha etapa de entrenamiento 100, la definición de una base de datos de avalúos de entrenamiento inicial que contiene avalúos de inmuebles de entrenamiento iniciales definidos en función de variables de entrada iniciales, los cuales son revisados, analizados, filtrados y depurados en la primera y segunda sub-etapa de entrenamiento (110, 120), para obtener una base de datos de avalúos de inmuebles de entrenamiento tri-filtrada que contiene avalúos de inmuebles de entrenamiento representativos definidos en función de variables de entrada representativas, los cuales son empleados para el entrenamiento de los modelos de agrupamiento (tercera sub-etapa de entrenamiento 130) . Una vez entrenados los modelos de agrupamiento, estos clasifican los avalúos contenidos en la base de datos de avalúos de inmuebles de entrenamiento tri-filtrada en una pluralidad de listas de avalúos de inmuebles clasificados (cuarta sub-etapa de entrenamiento 140), la cual es tomada como base para el entrenamiento de los modelos de regresión y de ensamble inteligente (quinta sub-etapa de entrenamiento 150) .

Como resultado de la etapa de entrenamiento 100, se obtiene i) una base de datos de modelos de agrupamiento entrenados a partir de la información contenida en la base de datos de avalúos de inmuebles de entrenamiento tri-filtrada; ii) una base de datos de modelos de regresión entrenados a partir de la información contenida en la pluralidad de listas de avalúos de inmuebles clasificados; y iii) una base de datos de modelos de ensamble inteligente entrenados a partir de la información contenida de la pluralidad de listas de avalúos de inmuebles clasificados.

Para lograr lo anteriormente expuesto, la etapa de entrenamiento 100 se encuentra conformada por las siguientes cinco sub-etapas :

Primera sub-etapa de entrenamiento 110: Definir una base de datos de avalúos de inmuebles de entrenamiento inicial que contiene avalúos de inmuebles de entrenamiento iniciales definidos en función de variables de entrada iniciales; definir al menos una variable de salida ligada a un valor económico de un inmueble; someter los avalúos de inmuebles de entrenamiento iniciales contenidos en la base de datos de avalúos de inmuebles de entrenamiento inicial a tres análisis de tipo computacional y humano para obtener variables de entrada representativas; y, filtrar la base de datos de avalúos de inmuebles de entrenamiento inicial en base a las variables de entrada representativas para generar una base de datos de avalúos de inmueble de entrenamiento filtrada que contiene el mismo número de avalúos de inmuebles de entrenamiento iniciales pero definidos en función de dichas variables de entrada representativas ;

Segunda sub-etapa de entrenamiento 120: Someter los avalúos de inmuebles de entrenamiento iniciales contenidos en la base de datos de avalúos de inmuebles de entrenamiento filtrada a dos procesos de filtrado, obteniendo una base de datos de avalúos de inmuebles de entrenamiento tri-filtrada conformada por avalúos de inmuebles de entrenamiento representativos definidos en función de variables de entrada representativas;

Tercera sub-etapa de entrenamiento 130: Determinar los modelos de agrupamiento a utilizar, en donde por cada uno de los modelos de agrupamientos determinados: filtrar la base de datos de avalúos de inmuebles de entrenamiento tri-filtrada para obtener una base de datos de avalúos de inmuebles de entrenamiento tetra-filtrada y entrenar dicho modelo de agrupamiento con base sólo a la base de datos de avalúos de entrenamiento tetra-filtrada y a un algoritmo de agrupamiento, generándose al final de dicha tercera sub-etapa de entrenamiento, una base de datos de modelos de agrupamiento entrenados ;

Cuarta sub-etapa de entrenamiento 140: Filtrar los avalúos de inmuebles de entrenamiento representativos contenidos en la base de datos de avalúos de entrenamiento tri-filtrada con base en características de los modelos de agrupamiento entrenados, obteniéndose avalúos de inmuebles de entrenamiento representativos filtrados; clasificar dichos avalúos de inmuebles de entrenamiento representativo filtrados mediante los modelos de agrupamiento entrenados; y, asignar los avalúos de inmuebles de entrenamiento representativos a unas listas de avalúos de inmuebles clasificados;

Quinta sub-etapa de entrenamiento 150: determinar los modelos de regresión / modelos de ensamble inteligente a utilizar por cada una de las listas de avalúos de inmuebles clasificados, en donde por cada uno de los modelos de regresión / modelos de ensamble inteligente determinados: filtrar doblemente los avalúos de inmuebles de entrenamiento representativos de la lista de avalúos de inmuebles clasificados, obteniéndose avalúos de inmuebles de entrenamiento representativos bi-filtrados ; entrenar el modelo de regresión / modelo de ensamble inteligente correspondiente con base a los avalúos de inmuebles de entrenamiento representativos bi- filtrados, obteniéndose un modelo de regresión entrenado / modelo de ensamble inteligente entrenado y una pluralidad de matrices de coeficientes de entrenamiento; evaluar el rendimiento del modelo de regresión entrenado / modelo de ensamble inteligente entrenado, generándose una pluralidad de índices de rendimiento; y, almacenar información relevante, generándose al final de dicha quinta sub- etapa de entrenamiento, una base datos de modelos de regresión entrenados y una base de modelos de ensamble inteligente entrenados.

Con respecto a la Figura 2, en ella se muestra la metodología de la primera sub-etapa de entrenamiento 110 (de ahora en adelante sub-etapa 110), en donde se tiene como paso inicial, la definición de una base de datos de avalúos de inmuebles de entrenamiento inicial que contiene avalúos de inmuebles de entrenamiento iniciales definidos en función de variables de entrada iniciales, la cual es definida por un desarrollador del presente método 1000.

En dicha primera sub-etapa de entrenamiento 110, las variables de entrada iniciales que definen a los avalúos de inmuebles de entrenamiento iniciales se someten a tres evaluaciones para obtener las variables de entrada más relevantes y significativas. La base de datos se filtra de tal modo que al final de la primera sub-etapa de entrenamiento 110, los avalúos de inmuebles de entrenamiento iniciales quedan definidos en función de las variables de entrada más representativas.

De forma general, la primera sub-etapa de entrenamiento 110 tiene la siguiente metodología:

Definir una base de datos de avalúos de inmuebles de entrenamiento inicial que contiene avalúos de inmuebles de entrenamiento iniciales; definir al menos una variable de salida ligada a un valor económico de un inmueble; identificar variables de entrada iniciales que caracterizan a los avalúos de inmuebles de entrenamiento iniciales; someter las variables de entrenada iniciales a un análisis numérico computacional , obteniéndose variables de entrenada candidatas; someter dichas variables de entrada candidatas a una primera revisión y análisis humano, obteniéndose variables de entrada finalistas; someter dichas variables de entrada finalistas a una segunda revisión y análisis humano, obteniéndose variables de entrada representativas; y, filtrar la base de datos de avalúos de inmuebles de entrenamiento inicial a partir de las variables de entrada representativas, generándose una base de datos de avalúos de inmuebles de entrenamiento filtrada;

De forma más especifica, dicha primera sub-etapa de entrenamiento 110 se encuentra conformada por los siguientes pasos secuenciales :

i) definir una base de datos de avalúos de inmuebles de entrenamiento inicial que contiene avalúos de inmuebles de entrenamiento ;

ii) definir al menos una variable de salida ligada a un valor económico de un inmueble;

iii) identificar variables de entrada iniciales que caracterizan a los avalúos de inmuebles de entrenamiento iniciales definidos en el paso (i);

iv) someter las variables de entrada iniciales identificadas en el paso (iii) a un análisis numérico computacional , obteniéndose variables de entrada candidatas a partir de coeficientes de correlación determinados entre dichas variables de entrada iniciales y la al menos una variable de salida definida en el paso (ü) ;

v) someter las variables de entrada candidatas obtenidas en el paso (iv) a una primera revisión y análisis humano por una persona experta en el ámbito de valuación de inmuebles, obteniéndose variables de entrada finalistas a partir de los conocimientos de valuación de inmuebles de dicha persona experta;

vi) someter las variables de entrada finalistas obtenidas en el paso (v) a una segunda revisión y análisis humano de la persona experta en el ámbito de valuación de inmuebles y una persona experta en el ámbito informático, obteniéndose variables de entrada representativas a partir de los conocimientos técnicos de ambas personas expertas; y,

vii) filtrar la base de datos de avalúos de inmuebles de entrenamiento inicial con base a las variables de entrada representativas obtenidas en el paso (vi) , obteniéndose una base de datos de avalúos de inmuebles de entrenamiento filtrada, en donde los avalúos de inmuebles de entrenamiento iniciales se encuentran definidos en función de las variables de entrada representativas. en donde se tiene como paso inicial, la definición de una base de datos de avalúos de inmuebles de entrenamiento inicial que contiene avalúos de inmuebles de entrenamiento iniciales definidos en función de variables de entrada iniciales, la cual es definida por un desarrollador del presente método 1000.

En el paso (i), se lleva a cabo la definición de la base de datos de avalúos de inmuebles de entrenamiento inicial que contiene avalúos de inmuebles de entrenamiento, los cuales servirán de base para el entrenamiento de los elementos esenciales que conforman al método 1000 que nos ocupa. La definición de dicha base de datos la lleva a cabo un desarrollador del presente método 1000.

Cabe mencionar que los avalúos de inmuebles de entrenamiento iniciales se encuentran definidos en función de variables de entrada iniciales .

En el paso (ii), el usuario del presente método 1000, dependiendo de su requerimiento y/o necesidad, define al menos una variable de salida de la que se requiere calcular su valor y que está ligada a un valor económico de un inmueble a cotizar. La al menos una variable de salida es de tipo numérica, pudiendo ser un valor escalar o un rango de valores, la cual se puede seleccionar de entre el importe de valor comercial del inmueble de interés, el importe de renta mensual, porcentaje de plusvalía ganado en un año, índice de morosidad en los créditos otorgados a ese tipo de inmueble, u otras variables de interés económicas. Cabe mencionar que el presente método 1000 puede manejar simultáneamente dos o más variables de salida sin tener que realizar modificación alguna.

En el paso (iii), se identifican aquellas variables de entrada iniciales que caracterizan a los avalúos de inmuebles de entrenamiento iniciales contenidos en la base de datos de avalúos de inmuebles de entrenamiento inicial definida en el paso (i) mediante herramientas de identificación conocidas en el estado de la técnica.

Las variables de entrada iniciales son variables que caracterizan a los inmuebles de interés, su entorno y al método de valuación reportado, las cuales se pueden clasificar en al menos seis rubros significativos: ubicación del inmueble, características inherentes al inmueble, cercanía del inmueble a sitios de interés, costo del inmueble, características inherentes al entorno donde se ubica el inmueble y características inherentes al método de valuación reportado.

Cabe mencionar que el presente método 1000 puede manejar información de avalúos de inmuebles que contengan hasta varias centenas de variables de entrada iniciales.

Dentro de las características de la ubicación del inmueble se puede encontrar como variable (entre otras) al país, código postal, latitud, longitud, colonia, calle, si se ubica en esquina o no, entre otras .

Dentro de las características inherentes al inmueble se puede encontrar como variable (entre otras) al régimen de propiedad, tipo de inmueble, uso de construcción, el grado de avance de la obra, número de baños y medios baños, clase del inmueble, conservación, número de habitaciones, número de estacionamientos, superficie vendible, edad, entre otras.

Dentro de las características de la cercanía del inmueble a sitios de interés se puede encontrar como variable (entre otras) la distancia a parques, plazas, hospitales, escuelas, mercados, museos, centros comerciales, bancos, deportivos, estadios, palacio de gobierno, aeropuerto, entre otras.

Dentro de las características del costo del inmueble se puede encontrar como variable (entre otras) el importe del valor comercial, importe de enfoque de rentas, importe de enfoque de costos, importe por m2 de terreno, importe de renta mensual, además de variables relacionadas con el origen y estado del crédito hipotecario del inmueble como lo es el importe de enganche, pagos atrasados, pagos incumplidos, índice de morosidad, entre otras. Dentro de las características inherentes al entorno donde se ubica el inmueble se puede encontrar como variable (entre otras) la densidad habitacional , densidad de viviendas, nivel de infraestructura urbana, clase de los inmuebles adyacentes, el nivel socio económico promedio del vecindario, altura promedio de edificios adyacentes, densidad de población, índices económicos locales, estatales y nacionales (como el Producto Interno Bruto o el índice de precios al consumidor) , índices de inseguridad y delincuencia locales, estatales y nacionales, índices sobre créditos hipotecarios, tasas de interés crediticias locales, estatales y nacionales, entre otras.

Dentro de las características inherentes al método de valuación reportado se puede encontrar como variable (entre otras) la fecha de realización del avalúo, el propósito del avalúo, entre otras.

En el paso (iv), las variables de entrada iniciales identificadas en el paso (iii) y la al menos una variable de salida definida en el paso (ii) son sometidas a un análisis numérico computacional (conocido como featuring en idioma inglés) mediante herramientas de algoritmos estadísticos y aprendizaje de máquina, las cuales permiten obtener coeficientes de correlación entre todas las variables de entrada iniciales y la al menos variable de salida. Los coeficientes de correlación entre la al menos una variable de salida y cada una de las variables de entrada iniciales se utilizan para identificar variables de entrada iniciales con poco impacto en la al menos una variable de salida.

En dicho análisis numérico, iterativamente se evalúa la correlación entre las variables de entrada iniciales y la al menos una variable de salida, cada vez probando un subconjunto de variables de entrada iniciales distintas, en donde en cada iteración, el subconjunto de variables de entrada iniciales cambia, removiendo aquellas variables de entrada iniciales de poco impacto y dejando aquellas variables de entrada iniciales que tienen alta correlación. Al término de dicho análisis numérico computacional, se obtienen variables de entrada candidatas que tienen una alta correlación con la esencia de la al menos una variable de salida definida en el paso (ii) .

En el paso (v) , la lista de variables de entrada candidatas obtenidas en el paso (iv) y la al menos una variable de salida definida en el paso (ii) son revisadas y evaluadas por al menos una persona experta en la valuación de inmuebles (conocida como perito valuador) con el objeto de descartar aquellas variables de entrada candidatas que sean derivadas de otras variables de entrada más esenciales. El al menos un perito valuador aplica conocimientos de valuación de inmuebles para obtener variables de entrada finalistas a partir del análisis de las variables de entrada candidatas.

En el paso (vi), las variables de entrada finalistas determinadas en el paso (v) son trasladadas con al menos una persona experta en temas informáticos (conocida como ingeniero de datos), la cual, en conjunto con el perito valuador, revisa y analiza dichas variables de entrada finalistas, generando variables de entrada representativas, en donde cada variable de entrada representativa tiene como característica principal que sólo es de tipo numérico.

Finalmente, en el paso (vii), con las variables de entrada representativas ya definidas, se filtran las variables de entrada iniciales de los avalúos de inmuebles de entrenamiento iniciales contenidos en la base de datos de datos de avalúos de inmuebles de entrenamiento inicial, con el objeto de generar una base de datos de avalúos de inmuebles de entrenamiento filtrada que contiene el mismo número de avalúos de inmuebles de entrenamiento iniciales que la base de datos de avalúos de inmuebles de entrenamiento inicial pero definidos ahora en función de las variables de entrada representativas determinadas en el paso (vi) .

En relación a la Figura 3, en ella se muestra la metodología de la segunda sub-etapa de entrenamiento 120, en donde se tiene como insumo, la base de datos de avalúos de inmuebles de entrenamiento filtrada obtenida como resultado de la primera sub- etapa de entrenamiento 110, en la cual se encuentran contenidos avalúos de inmuebles de entrenamiento iniciales definidos en función de variables de entrada representativas.

En dicha segunda sub-etapa de entrenamiento 120, a partir del uso de dos técnicas de filtrado, se determinan rangos numéricos admisibles para cada variable de entrada representativa y se filtra doblemente la base de datos de avalúos de inmuebles de entrenamiento filtrada de avalúos de inmuebles atipicos, que son avalúos que tienen datos fuera de lo común entre avalúos similares, obteniéndose al final, una base de datos de avalúos de inmuebles de entrenamiento tri-filtrada conformada por avalúos de inmuebles de entrenamiento representativos definidos en función de variables de entrada representativas .

De forma general, la metodología de dicha sub-etapa 120 es: Determinar unos primeros rangos numéricos admisibles para cada variable de entrada representativa a partir de la información contenida en la base de datos de avalúos de inmuebles de entrenamiento filtrada; filtrar la base de datos de avalúos de inmuebles de entrenamiento filtrada con los primeros rangos numéricos admisibles, obteniéndose una base de datos de avalúos de inmuebles de entrenamiento bi-filtrada; determinar unos segundos rangos numéricos admisibles para cada variable de entrada representativa a partir de la información contenida en la base de datos de avalúos de inmuebles de entrenamiento bi-filtrada; y, filtrar la base de datos de avalúos de inmuebles de entrenamiento bi-filtrada con los segundos rangos numéricos admisibles, obteniéndose una base de datos de avalúos de inmuebles de entrenamiento tri-filtrada.

De forma más detallada, en dicha segunda sub-etapa de entrenamiento 120, los avalúos de inmuebles de entrenamiento iniciales se someten secuencialmente a los pasos de:

i) determinar unos primeros rangos numéricos admisibles para cada variable de entrada representativa por medio de la técnica de rango intercuartílico, obtenidos dichos primeros rangos numéricos admisibles a partir de la información contenida en la base de datos de avalúos de inmuebles de entrenamiento filtrada;

ii) filtrar la base de datos de avalúos de inmuebles de entrenamiento filtrada con los primeros rangos numéricos admisibles determinados en el paso (i), obteniéndose una base de datos de avalúos de inmuebles de entrenamiento bi-filtrada;

iii) determinar unos segundos rangos numéricos admisibles para cada variable de entrada representativa por medio de la técnica de reglas de análisis de mercado, obtenidos dichos segundos rangos numéricos admisibles a partir de la información contenida en la base de datos de avalúos de inmuebles de entrenamiento bi-filtrada; iv) filtrar la base de datos de avalúos de inmuebles de entrenamiento bi-filtrada con los segundos rangos numéricos admisibles determinados en el paso (iii), obteniéndose una base de datos de avalúos de inmuebles de entrenamiento tri-filtrada .

En el paso (i), se determinan los primeros rangos numéricos admisibles empleando la técnica de rangos intercuartilicos , que es un análisis estadístico computacional de datos llevado a cabo por programas computacionales estadísticos y/o de aprendizaje de máquina. Con dicha técnica de rangos intercuartilicos, a partir de la información contenida en la base de datos de avalúos de inmuebles de entrenamiento filtrada, se define un rango numérico admisible para cada variable de entrada representativa, en función de la estadística de datos.

En el paso (ii), con los primeros rangos numéricos admisibles determinados en el paso (i), se filtran la mayor parte de los avalúos de inmuebles de entrenamiento iniciales contenidos en la base de datos de avalúos de inmuebles de entrenamiento filtrada, generándose así una base de datos de avalúos de inmuebles de entrenamiento bi-filtrada, que contiene avalúos de inmuebles de entrenamiento iniciales y avalúos de inmuebles de entrenamiento representativos, definidos ambos en función de las variables de entrada representativas.

En el paso (iii), se determinan los segundos rangos numéricos admisibles empleando la técnica de reglas de análisis de mercado, que es un análisis de datos llevado a cabo por una persona experta en la valuación de inmuebles (perito valuador) . Con dicha técnica de reglas de análisis de mercado, a partir de la información contenida en la base de datos de avalúos de inmuebles de entrenamiento bi-filtrada, el perito valuador define un rango numérico admisible para cada variable de entrada representativa, en función del mercado inmobiliario que se está analizando.

Finalmente, en el paso (iv), con los segundos rangos numéricos admisibles determinados por el perito valuador en el paso (iii), se filtran los avalúos de inmuebles de entrenamiento iniciales que aún estén contenidos en la base de datos de avalúos de inmuebles de entrenamiento bi-filtrada, generándose una base de datos de avalúos de inmuebles de entrenamiento tri-filtrada, la cual contiene únicamente avalúos de inmuebles de entrenamiento representativos definidos en función de variables de entrada representativas.

Cabe mencionar que la presente segunda sub-etapa de entrenamiento 120 contempla el uso secuencial de las dos técnicas de filtrado antes mencionadas para obtener un mejor filtrado de los avalúos de inmuebles de entrenamiento iniciales. Sin embargo, en caso de que el usuario asi lo requiera, se puede hacer uso de una sola técnica de filtrado, eliminado: el paso (iii) y (iv) si va a utilizar la técnica de rango intercuartilico ; o el paso (i) y (ii) si va a utilizar la técnica de reglas de análisis de mercado.

Haciendo ahora referencia a la Figura 4, en ella se muestran los distintos pasos que conforman a la tercera sub-etapa de entrenamiento 130, en la cual se lleva a cabo la determinación de la cantidad y tipos de los modelos de agrupamiento a utilizar en las siguientes sub-etapas, asi como también se efectúa el entrenamiento de cada modelo de agrupamiento definido, obteniéndose como resultado final, una base de datos de modelos de agrupamiento entrenados capaces de reconocer grupos de avalúos de inmuebles para direccionar los avalúos de inmuebles que analicen.

Un modelo de agrupamiento es una técnica de segregación de avalúos de inmuebles que se encuentra definido en función de: un conjunto de variables de entrada representativas que utiliza; un identificador de agrupamiento (su nombre) ; y, un algoritmo de agrupamiento que emplea.

Como ejemplos de algoritmos de agrupamiento se tiene k-medias, agrupamiento por densidad, agrupamiento jerárquico, agrupamiento Linde-Buzo-Gray, agrupamiento por propagación de afinidad, agrupamiento difuso, incluyendo además aquellos algoritmos de clasificación aplicables a problemas de agrupamiento tales como los mapas auto-organizados, redes neuronales artificiales, clasificación k-vecinos, clasificación por mezclas gaussianas, etc. Cabe mencionar que los algoritmos de agrupamiento antes mencionados son ampliamente conocidos en el estado de la técnica, por lo que no se considera necesario dar más detalles sobre sus características y/o funcionamiento.

Es importante mencionar que el presente método 1000 puede emplear y manejar varias decenas de modelos de agrupamiento, dependiendo de su rendimiento, con la premisa de que entre más modelos de agrupamiento se empleen, menor será el error que se obtenga en el valor final de la al menos una variable de salida.

De forma general, la metodología de dicha tercera sub-etapa de entrenamiento 130 es:

Determinar cantidad y tipos de modelos de agrupamiento a utilizar; por cada uno de los modelos de agrupamientos determinados: filtrar la base de datos de avalúos de inmuebles de entrenamiento tri-filtrada con base en las variables de entrada representativas que caracterizan a dicho modelo de agrupamiento, obteniéndose una base de datos de avalúos de inmuebles de entrenamiento tetra- filtrada; entrenar dicho modelo de agrupamiento con base sólo a la base de datos de avalúos de entrenamiento tetra-filtrada y a un algoritmo de agrupamiento de dicho modelo de agrupamiento; una vez entrenados todos los modelos de agrupamiento determinador, generar una base de datos de modelos de agrupamiento entrenados.

De forma más detallada, en la tercera sub-etapa de entrenamiento 130 se llevan a cabo los siguientes pasos:

i) determinar cantidad y tipo de modelos de agrupamiento a utilizar;

ii) seleccionar un modelo de agrupamiento de entre los modelos de agrupamiento determinados en el paso (i);

iii) filtrar la base de datos de avalúos de inmuebles de entrenamiento tri-filtrada obtenida en la segunda sub-etapa de entrenamiento 120 en base a las variables de entrada representativas que caracterizan al modelo de agrupamiento seleccionado en el paso (ii), obteniéndose una base de datos de avalúos de inmuebles de entrenamiento tetra-filtrada;

iv) entrenar el modelo de agrupamiento seleccionado en el paso (ii) con base en la base de datos de avalúos de inmuebles de entrenamiento tetra-filtrada obtenida en el paso (iii) y al algoritmo de agrupamiento que caracteriza a dicho modelo de agrupamiento, obteniéndose una pluralidad de grupos de avalúos de inmuebles y un modelo de agrupamiento entrenado que tiene aprendido y asociado una pluralidad de arquetipos de grupos de avalúos de inmuebles ;

v) repetir los pasos (ii), (iii) y (iv) por cada modelo de agrupamiento entrenado que exista;

vi) una vez entrenados todos los modelos de agrupamiento, generar una base de datos de modelos de agrupamiento entrenados.

En el paso (i) se determinan la cantidad y tipo de modelos de agrupamiento a utilizar en base a un análisis de correlación, en donde cada uno de los modelos de agrupamiento determinados comprende: un identificador de agrupamiento, un conjunto de variables de entrada representativas y un algoritmo de agrupamiento .

En el paso (ii) se selecciona un modelo de agrupamiento de entre los modelos de agrupamiento determinados en el paso (i) mediante técnicas de selección conocidas en el estado de la técnica.

En el paso (iii), a partir de la base de datos de avalúos de inmuebles de entrenamiento tri-filtrada de la segunda sub-etapa de entrenamiento 120, se filtran los avalúos de inmuebles de entrenamiento representativos contenidos en dicha base, en función de las variables de entrada representativas que caracterizan al modelo de agrupamiento seleccionado. Dicho filtrado se lleva a cabo por medio de herramientas de filtrado conocidas en el estado de la técnica, generándose una base de datos de avalúos de inmuebles de entrenamiento tetra-filtrada, que contiene el mismo número de avalúos de inmuebles de entrenamiento representativos que la base de datos tri-filtrada pero definidos en función de las variables de entrada representativas del modelo de agrupamiento seleccionado.

En el paso (iv), se lleva a cabo el entrenamiento del modelo de agrupamiento seleccionado en el paso (ii) con base en la base de datos de avalúos de inmuebles de entrenamiento tetra-filtrada obtenida en el paso (iii) y al algoritmo de agrupamiento que define al modelo de agrupamiento seleccionado.

Se obtiene como resultado del entrenamiento: a) una pluralidad de grupos de avalúos de inmuebles, en donde cada grupo de avalúos de inmuebles tiene un índice de grupo que lo identifica; y, b) un modelo de agrupamiento entrenado que tiene aprendido y alojado una pluralidad de arquetipos de grupos de avalúos de inmuebles, en donde cada arquetipo de grupo de avalúos de inmuebles representa un grupo de avalúos de inmuebles, teniendo cada arquetipo de grupo un índice de arquetipo que lo identifica. En una modalidad preferida, el índice de arquetipo y el índice de grupo son iguales

En el paso (v) , se repiten los pasos (ii), (iii) y (iv) por cada modelo de agrupamiento que exista.

Finalmente, en el paso (vi) una vez que se han entrenado todos los modelos de agrupamiento determinados en el paso (i), se procede a la generación de una base de datos de modelos de agrupamiento entrenados que contiene información relevante de los modelos de agrupamiento entrenados que existen. En dicha base de datos de modelos de agrupamiento entrenados se almacena, por cada modelo de agrupamiento entrenado: su conjunto de variables de entrada representativas que utiliza; su identificador de agrupamiento; su algoritmo de agrupamiento; y una representación informática de dicho modelo de agrupamiento entrenado.

Cabe mencionar que cada modelo de agrupamiento entrenado además de tener los mismos tres elementos que definen al modelo de agrupamiento (sin entrenar), es decir, un identificador de agrupamiento, un conjunto de variables de entrada representativas y un algoritmo de agrupamiento, comprende también una pluralidad de arquetipos de grupos de avalúos de inmuebles. Con el algoritmo de agrupamiento y la pluralidad de arquetipos de grupos de avalúos de inmuebles, el modelo de agrupamiento entrenado es capaz de reconocer el índice de grupo de cada grupo de avalúos de inmuebles para direccionar los distintos avalúos de inmuebles que analice y también le permite diferenciar entre un grupo de avalúos de inmuebles y otro .

La Figura 5 hace referencia a la cuarta sub-etapa de entrenamiento 140, en donde se lleva a cabo la separación, clasificación y asignación de los avalúos de inmuebles de entrenamiento representativos contenidos en la base de datos de avalúos de inmuebles de entrenamiento tri-filtrada en una pluralidad de listas de avalúos de inmuebles clasificados mediante el uso de los modelos de agrupamiento entrenados.

En dicha cuarta sub-etapa de entrenamiento 140, una vez que se tienen conformados los modelos de agrupamiento entrenados y definidos el número y tipo de grupos de avalúos de inmuebles de la pluralidad de grupos de avalúos de inmuebles conocidos por cada modelo de agrupamiento entrenado (ver sub-etapa 130), se genera una pluralidad de listas de avalúos de inmuebles clasificados por cada modelo de agrupamiento entrenado, en donde cada una de las listas de avalúos de inmuebles clasificados se encuentra asignada a un grupo de avalúos de inmuebles de la pluralidad de grupos de avalúos de inmuebles que conoce cada modelo de agrupamiento entrenado.

Cada una de las listas de avalúos de inmuebles clasificados se encuentra identificada por un nombre de lista, el cual se encuentra conformado por el identificador de agrupamiento del modelo de agrupamiento entrenado y el índice de grupo, en donde cada lista de avalúos de inmuebles clasificados se utiliza para almacenar aquellos avalúos de inmuebles de entrenamiento representativos separados, clasificados y asignados por el modelo de agrupamiento entrenado empleado en cuestión.

De forma general, la metodología de dicha cuarta sub-etapa de entrenamiento 140 es:

Por cada avalúo de inmueble de entrenamiento representativo que exista y por cada modelo de agrupamiento entrenado que exista: filtrar el avalúo de inmueble de entrenamiento representativo con las variables de entrada representativas de dicho modelo de agrupamiento entrenado, obteniéndose un avalúo de inmueble de entrenamiento representativo filtrado; clasificar dicho avalúo de inmueble de entrenamiento representativo filtrado con dicho modelo de agrupamiento entrenado; y asignar dicho avalúo de inmueble de entrenamiento representativo a una lista de avalúos de inmuebles clasificados correspondiente.

De forma particular, la cuarta sub-etapa de entrenamiento 140 se encuentra conformada por los siguientes pasos:

i) seleccionar un avalúo de inmueble de entrenamiento representativo;

ii) seleccionar un modelo de agrupamiento entrenado a utilizar;

iii) filtrar el avalúo de inmueble de entrenamiento representativo seleccionado del paso (i) con las variables de entrada representativas del modelo de agrupamiento seleccionado en el paso (ii), obteniéndose un avalúo de inmueble de entrenamiento representativo filtrado;

iv) clasificar el avalúo de inmueble representativo filtrado obtenido del paso (iii) con el modelo de agrupamiento entrenado seleccionado del paso (ii), obteniéndose el índice de grupo al que corresponde el avalúo de inmueble de entrenamiento representativo; v) asignar el avalúo de inmueble de entrenamiento seleccionado del paso (i) a la lista de avalúos de inmuebles clasificados correspondiente;

vi) repetir los pasos (ii), (iii), (iv) y (v) por cada modelo de agrupamiento entrenado que exista;

vii) repetir los pasos (i), (ii), (iii), (iv), (v) y (vi) por cada uno de los avalúos de inmuebles de entrenamiento representativos que existan en la base de datos de avalúos de inmuebles de entrenamiento tri-filtrada .

En el paso (i), de la base de datos de avalúos de inmuebles de entrenamientos tri-filtrada que contiene avalúos de inmuebles de entrenamiento representativos definidos en función de variables de entrada representativas, se selecciona un solo avalúo de inmueble de entrenamiento representativo, en donde dicha selección se realiza mediante técnicas de selección comunes, conocidas en el estado de la técnica.

En el paso (ii) se realiza la selección del modelo de agrupamiento entrenado que se utilizará en los pasos (iii), (iv) y (v) , en donde dicha selección se realiza mediante técnicas de selección conocidas en el estado de la técnica.

En el paso (iii), se filtra el avalúo de inmueble de entrenamiento representativo seleccionado en el paso (i) con base en las variables de entrada representativas que definen al modelo de agrupamiento entrenado seleccionado en el paso (ii), obteniéndose un avalúo de inmueble representativo filtrado en función de las variables de entrada representativas del modelo de agrupamiento entrenado seleccionado, en donde el filtrado del avalúo de inmueble de entrenamiento representativo se realiza mediante herramientas de filtrado conocidas en el estado de la técnica .

En el paso (iv), se clasifica el avalúo de inmueble de entrenamiento representativo filtrado obtenido en el paso (iii) con el modelo de agrupamiento entrenado seleccionado en el paso (ii) . El modelo de agrupamiento entrenado arroja el índice de grupo del grupo de avalúos de inmuebles al que corresponde el avalúo de inmueble de entrenamiento representativo evaluado, y en conjunto con el identificador de agrupamiento de dicho modelo de agrupamiento entrenado, se obtiene el nombre de lista de la lista de avalúos de inmuebles clasificados a la cual debe pertenecer dicho avalúo de inmueble de entrenamiento representativo.

En el paso (v) se asigna el avalúo de inmueble de entrenamiento seleccionado del paso (i) a la lista de avalúos de inmuebles clasificados correspondiente en base al nombre de lista determinado en el paso (iv) .

En el paso (vi), se repiten los pasos (ii), (iii), (iv) y (v) por cada modelo de agrupamiento entrenado que exista. Por ejemplo, si existen cinco modelos de agrupamiento, el mismo ejemplo de avalúo de inmueble seleccionado se somete al filtrado, clasificación y asignación por cada uno de los cinco modelos de agrupamiento entrenado .

Finalmente, en el paso (vi), se repiten los pasos (i), (ii), (iii), (iv), (v) y (vi) por cada uno de los avalúos de inmuebles de entrenamiento representativos que conformen a la base de datos de avalúos de inmuebles de entrenamiento tri-filtrada .

Haciendo referencia a la Figura 6, en ella se muestra la metodología de la quinta sub-etapa de entrenamiento 150, en donde se lleva a cabo la determinación de la cantidad y tipos de modelos de regresión, se determina también la cantidad de modelos de ensamble inteligente que se utilizarán en las siguientes sub- etapas, y se lleva a cabo el entrenamiento tanto de los modelos de regresión determinados como de los modelos de ensamble inteligente determinados basándose en la información contenida en la pluralidad de listas de avalúos de inmuebles clasificados, obteniéndose como resultado final, una base de datos de modelos de regresión entrenados y una base de datos de modelos de ensamble inteligente entrenados que serán utilizados en la etapa de ejecución 200 para la obtención del valor final de la al menos una variable de salida y de los catálogos de fichas de avalúos inmobiliarios.

Un modelo de regresión es una técnica de aproximación de uno o más valores económicos contenidos en los avalúos de inmuebles, el cual se encuentra definido en función de: un conjunto de variables de entrada representativas iniciales; la al menos una variable de salida definida por el usuario en la sub-etapa 110; un identificador de regresión (su nombre); y, un algoritmo de regresión que emplea.

Como ejemplos de algoritmos de regresión se tienen: la regresión lineal, regresión polinomial, regresión por k-vecinos, incluyendo además aquellas técnicas de aprendizaje de máquina aplicables a problemas de regresión, tales como: redes neuronales artificiales, máquinas de soporte vectorial, procesos gaussianos, regresión logística, árboles de regresión, entre otras. Cabe mencionar que los algoritmos de regresión antes mencionados son ampliamente conocidos en el estado de la técnica, por lo que no se considera necesario dar más detalles sobre sus características y/o funcionamiento. Cabe mencionar que el presente método 1000 puede emplear y manejar varias decenas de modelos de regresión, dependiendo de su rendimiento, con la premisa de que entre más modelos de regresión se empleen, menor será el error en la obtención del valor final de la al menos una variable de salida.

Por otro lado, un modelo de ensamble es una técnica de combinación de dos o más algoritmos de regresión para integrar las variables de salida de todos los algoritmos de regresión en una sola una variable de salida, con el fin de tener un mejor rendimiento en comparación a cada uno de los algoritmos de regresión evaluados de forma independiente. Existen modelos de ensamble que tienen la capacidad de combinar (ensamblar) a su vez a dos o más modelos de ensamble.

Se tienen dos tipos de modelos de ensamble: modelos de ensamble estadístico y modelos de ensamble inteligente. Los modelos de ensamble estadístico son técnicas que emplean algoritmos de ensamble estadísticos basados en modelos matemáticos que no requieren de entrenamiento. Como ejemplos de modelos de ensamble estadísticos tenemos la media aritmética, media ponderada por rendimiento a posteriori, entre otros. Se darán más detalles al respecto de los modelos de ensamble estadístico en la cuarta sub- etapa 240 de ejecución de la etapa de ejecución 200.

Los modelos de ensamble inteligente son técnicas que emplean algoritmos de ensamble inteligente que se basan en modelos matemáticos de aprendizaje de máquina, los cuales son capaces de ser entrenados, guardando una estrecha relación con los modelos de regresión. Dichos modelos de ensamble inteligente se encuentran conformados por: un conjunto de variables de entrada representativas compatibles con los modelos de regresión relacionados; una pluralidad de algoritmos de regresión a ensamblar; un algoritmo de ensamble inteligente; un identificador de ensamble inteligente (su nombre); y la al menos una variable de salida definida por el usuario en la primera sub-etapa de entrenamiento 110.

Como ejemplos de algoritmos de ensamble inteligente tenemos: contenedor de modelos, bagging, blending, boosting, stacking, redes neuronales artificiales, máquinas de soporte vectorial, procesos gausianos, entre otros. Cabe mencionar que los algoritmos de ensamble inteligente antes mencionados son ampliamente conocidos en el estado de la técnica, por lo que no se considera necesario dar más detalles sobre sus características y/o funcionamiento.

Cabe mencionar que el presente método 1000 puede emplear y manejar varias decenas de modelos de ensamble inteligente, dependiendo de su rendimiento, con la premisa de que entre más modelos de regresión se empleen, menor será el error en la obtención del valor final de la al menos una variable de salida.

Después de que se han ejecutado todos los pasos de la cuarta sub-etapa de entrenamiento 140 y previo a iniciar la metodología de la quinta sub-etapa de entrenamiento 150, se generan dos bases de datos: i) una base de datos de modelos de regresión entrenados que será utilizada para almacenar información relevante de los modelos de regresión entrenados; y, ii) una base de datos de modelos de ensamble inteligente entrenados que será utilizada para almacenar información relevante de los modelos de ensamble inteligente entrenados, en donde ambas bases de datos se encuentran vacías en un inicio y son alimentadas conforme se llevan a cabo los pasos de dicha quinta sub-etapa de entrenamiento 150.

De forma general, la metodología de la quinta sub-etapa de entrenamiento 150 es la siguiente:

Por cada una de las listas de avalúos de inmuebles clasificados: a) determinar los modelos de regresión a utilizar; por cada uno de los modelos de regresión determinados: filtrar inicialmente los avalúos de inmuebles de entrenamiento representativos de la lista de avalúos de inmuebles clasificados con base a las variables de entrada representativas iniciales de dicho modelo de regresión, obteniéndose avalúos de inmuebles de entrenamiento representativos filtrados para regresión; filtrar secundariamente los avalúos de inmuebles de entrenamiento representativos filtrados para regresión, obteniéndose avalúos de inmuebles de entrenamiento representativos bi-filtrados para regresión; entrenar dicho modelo de regresión con base a los avalúos de inmuebles de entrenamiento representativos bi-filtrados para regresión y a un algoritmo de regresión de dicho modelo de regresión, obteniéndose un modelo de regresión entrenado y una pluralidad de matrices de coeficientes de entrenamiento de regresión; evaluar el rendimiento del modelo de regresión entrenado, generándose una pluralidad de índices de rendimiento de regresión; y, almacenar información relevante en una base datos de modelos de regresión entrenados; b) determinar el número de modelos de ensamble inteligente que existen por lista de avalúos de inmuebles clasificados; por cada modelo de ensamble inteligente que exista: filtrar inicialmente los avalúos de inmuebles de entrenamiento representativos de la lista de avalúos de inmuebles clasificados con base a las variables de entrada representativas de dicho modelo de ensamble inteligente, obteniéndose avalúos de inmuebles de entrenamiento representativos filtrados para ensamble; filtrar secundariamente los avalúos de inmuebles de entrenamiento representativos filtrados para ensamble, obteniéndose avalúos de inmuebles de entrenamiento representativos bi-filtrados para ensamble; entrenar dicho modelo de ensamble inteligente con base a los algoritmos de regresión de la totalidad de modelos de regresión determinados, los avalúos de inmuebles de entrenamiento representativos bi-filtrados para ensamble y su algoritmo de ensamble, obteniéndose un modelo de ensamble inteligente entrenado y una pluralidad de matrices de coeficientes de entrenamiento de ensamble; evaluar el rendimiento del modelo de ensamble inteligente entrenado, generándose una pluralidad de índices de rendimiento de ensamble; y, almacenar información relevante en una base de datos de modelos de ensamble inteligente entrenados, obteniéndose al final de dicha quinta sub-etapa de entrenamiento 150, una base de datos de modelos de regresión entrenados y una base de datos de modelos de ensamble inteligente entrenados.

De forma más particular y específica, en la quinta sub-etapa de entrenamiento 150 se llevan a cabo los siguientes pasos:

i) seleccionar una lista de avalúos de inmuebles clasificados de la pluralidad de listas de avalúos de inmuebles clasificados ;

ii) determinar al menos un modelo de regresión a utilizar por la lista de avalúos de inmuebles clasificados seleccionada en el paso (i) ; en caso de que se determine más de un modelo de regresión, seleccionar un modelo de regresión a utilizar;

iii) filtrar inicialmente los avalúos de inmuebles de entrenamiento representativos contenidos en la lista de avalúos de inmuebles clasificados seleccionada en el paso (i) en función de las variables de entrada representativas iniciales del modelo de regresión determinado y seleccionado en el paso (ii), obteniéndose avalúos de inmuebles de entrenamiento representativos filtrados para regresión;

iv) filtrar secundariamente los avalúos de inmuebles de entrenamiento representativos filtrados para regresión obtenidos del paso (iii) mediante un análisis numérico computacional , obteniéndose avalúos de inmuebles de entrenamiento representativos bi-filtrados para regresión;

v) entrenar el modelo de regresión seleccionado del paso (ii) con base en los avalúos de inmuebles de entrenamiento representativos bi-filtrados para regresión del paso (iv) y al algoritmo de regresión de dicho modelo de regresión, obteniéndose un modelo de regresión entrenado y una pluralidad de matrices de coeficientes de entrenamiento de regresión;

vi) evaluar el rendimiento del modelo de regresión entrenado del paso (v) con base en: los avalúos de inmuebles de entrenamiento representativos bi-filtrados de regresión del paso (iv), el modelo de regresión entrenado del paso (v) , y, una pluralidad de experimentos de evaluación, obteniéndose una pluralidad de índices de rendimiento de regresión;

vii) almacenar información relevante en la base de datos de modelos de regresión entrenados;

viii) repetir los pasos (ii), (iii), (iv), (v) , (vi) y (vii) por cada modelo de regresión que exista;

ix) determinar el número de modelos de ensamble inteligente que existen por la lista de avalúos de inmuebles clasificados seleccionada en el paso (i), si no existen modelos de ensamble inteligente determinados, seguir con el paso (xvii) ;

x) seleccionar un modelo de ensamble inteligente de entre los modelos de ensamble inteligente determinados en el paso (ix) ; xi) filtrar inicialmente los avalúos de inmuebles de entrenamiento representativos contenidos en la lista de avalúos de inmuebles clasificados seleccionada en el paso (i) en función de las variables de entrada representativas del modelo de ensamble inteligente seleccionado en el paso (x) , obteniéndose avalúos de inmuebles de entrenamiento representativos filtrados para ensamble; xii) filtrar secundariamente los avalúos de inmuebles de entrenamiento representativos filtrados para ensamble obtenidos del paso (xi) mediante un análisis numérico computacional , obteniéndose avalúos de inmuebles de entrenamiento representativos bi-filtrados para ensamble;

xiii) entrenar el modelo de ensamble inteligente seleccionado del paso (x) con base en: los algoritmos de regresión de la totalidad de modelos de regresión determinados en el paso (ii), los avalúos de inmuebles de entrenamiento representativos bi- filtrados de ensamble del paso (xii) y a su algoritmo de ensamble inteligente, obteniéndose un modelo de ensamble inteligente entrenado y una pluralidad de matrices de coeficientes de entrenamiento de ensamble;

xiv) evaluar el rendimiento del modelo de ensamble inteligente entrenado del paso (xi) con base en: los avalúos de inmuebles de entrenamiento representativos bi-filtrados de ensamble del paso (xii), el modelo de ensamble inteligente entrenado del paso (xiii), y, una pluralidad de experimentos de evaluación, obteniéndose una pluralidad de índices de rendimiento de ensamble;

xv) almacenar información relevante en la base de datos de modelos de ensamble inteligente entrenados;

xvi) repetir los pasos (x) , (xi), (xii), (xiii), (xiv) y (xv) por cada modelo de ensamble inteligente que exista;

xvii) repetir los pasos (i) a (xvi) por cada lista de inmuebles clasificados que conforman a la pluralidad de listas de inmuebles clasificados .

En el paso (i), se selecciona una sola lista de avalúos de inmuebles clasificados de entre la pluralidad de listas de avalúos de inmuebles clasificados mediante técnicas de selección conocidas en el estado de la técnica.

En el paso (ii), se determina al menos un modelo de regresión a utilizar por la lista de avalúos de inmuebles clasificados seleccionada en el paso (i) mediante un análisis de correlación. En caso de que se determine más de un modelo de regresión, se selecciona un modelo de regresión a utilizar mediante herramientas conocidas en el estado de la técnica, en donde cada modelo de regresión comprende: un conjunto de variables de entrada representativas iniciales, la al menos una variable de salida previamente definida, un algoritmo de regresión y un identificador de regresión.

En el paso (iii), se lleva a cabo un filtrado inicial de los avalúos de inmuebles de entrenamiento representativos contenidos en la lista de avalúos de inmuebles clasificados seleccionada en el paso (i), en donde dicho filtrado inicial se realiza mediante técnicas de filtrado conocidas y en función de las variables de entrada representativas iniciales que definen al modelo de regresión seleccionado en el paso (ii) . Se obtiene al final de dicho paso (iii), avalúos de inmuebles de entrenamiento representativos filtrados para regresión, los cuales se encuentran definidos en función de las variables de entrada representativas iniciales de dicho modelo de regresión.

En el paso (iv), se lleva a cabo un filtrado secundario de los avalúos de inmuebles de entrenamiento representativos filtrados para regresión del paso (iii) mediante un análisis numérico computacional , obteniéndose avalúos de inmuebles de entrenamiento representativos bi-filtrados para regresión que serán utilizados para el entrenamiento del modelo de regresión determinado y seleccionado en el paso (ii);

En dicho paso (iv), las variables de entrada representativas iniciales de los avalúos de inmuebles de entrenamiento representativos filtrados para regresión y la al menos una variable de salida se someten al análisis numérico computacional (conocido como featuring en idioma inglés), el cual se lleva a cabo mediante herramientas de algoritmos estadísticos y aprendizaje de máquina (conocidos en el estado de la técnica) , las cuales permiten obtener coeficientes de correlación entre todas las variables de entrada representativas iniciales y la variable de salida. Los coeficientes de correlación se utilizan para identificar aquellas variables de entrada representativas iniciales con poco impacto en la variable de salida, obteniéndose variables de entrada representativas finales. Las variables de entrada representativas finales se utilizan para el filtrado de los avalúos de inmuebles de entrenamiento representativos filtrados para regresión obtenidos en el paso (iii) mediante técnicas conocidas de filtrado, generándose avalúos de inmuebles de entrenamiento representativos bi-filtrados para regresión definidos en función de las variables de entrada representativas finales.

En el paso (v) , se lleva a cabo el entrenamiento del modelo de regresión determinado y seleccionado en el paso (ii) con base en los avalúos de inmuebles de entrenamiento representativos bi- filtrados para regresión del paso (iv) y al algoritmo de regresión de dicho modelo de regresión. Se obtiene como resultado del entrenamiento: un modelo de regresión entrenado y una pluralidad de matrices de coeficientes de entrenamiento de regresión, en donde los coeficientes de entrenamiento de regresión fungen como parámetros del modelo de regresión entrenado.

El modelo de regresión entrenado se encuentra conformado por un identificador de regresión; un conjunto de variables de entrada representativas finales; la al menos una variable de salida definida por el usuario en la primera sub-etapa de entrenamiento 110; y, un algoritmo de regresión, en donde el identificador de regresión, la al menos una variable de salida y el algoritmo de regresión son los mismos que en el modelo de regresión sin entrenar; y en donde las variables de entrada representativas finales pueden o no ser las mismas que las variables de entrada representativas iniciales del modelo de regresión sin entrenar.

Cada uno de los coeficientes de entrenamiento de regresión de la pluralidad de matrices de coeficientes de entrenamiento de regresión es un parámetro del modelo de regresión entrenado correspondiente, en donde la pluralidad de matrices de coeficientes de entrenamiento de regresión permite generar, en conjunto con el algoritmo de regresión y las variables de entrada representativas finales que definen al modelo de regresión entrenado, una aproximación numérica de la menos una variable de salida.

En el paso (vi), se lleva a cabo la evaluación del rendimiento del modelo de regresión entrenado del paso (v) con base en: los avalúos de inmuebles de entrenamiento representativos bi-filtrados para regresión del paso (iv); el modelo de regresión entrenado; y, una pluralidad de experimentos de evaluación, obteniéndose como resultado una pluralidad de índices de rendimiento de regresión.

Cada uno de los experimentos de evaluación que conforman a la pluralidad de experimentos de evaluación es un método para evaluar el rendimiento de un modelo de regresión entrenado, en donde cada uno se encuentra definido por: un modelo de regresión entrenado; unos avalúos de inmuebles de prueba; un índice de rendimiento de regresión; y, un método de validación cruzada.

Los avalúos de inmuebles de prueba corresponden a aquellos avalúos de inmuebles empleados únicamente para la evaluación del rendimiento del modelo de regresión entrenado. En una modalidad preferida, los avalúos de inmuebles de prueba corresponden a los avalúos de inmuebles de entrenamiento representativos bi-filtrados para regresión obtenidos en el paso (iv) .

El índice de rendimiento de regresión es un valor numérico que cuantifica el rendimiento del modelo de regresión entrenado. Como ejemplos de índices de rendimiento de regresión se tienen el error absoluto promedio, error medio cuadrado, coeficiente de determinación, entre otras medidas de error.

Un método de validación cruzada es una técnica (que puede ser iterativa) que se utiliza para evaluar los resultados de un análisis estadístico de los avalúos de inmuebles de prueba, la cual permite garantizar que dichos resultados son independientes de la partición que se haga de ellos (grupos de avalúos de entrenamiento para evaluación y grupos de avalúos de prueba para evaluación) .

Por cada experimento de valuación, se obtiene un índice de rendimiento de regresión cuando se emplea un método de validación cruzada al evaluar el modelo de regresión entrenado utilizando como avalúos de inmuebles de prueba a los avalúos de inmuebles de entrenamiento representativos bi-filtrados para regresión.

Se obtiene como resultado de dicho paso (vi), una pluralidad de índices de rendimiento de regresión, los cuales cuantifican el rendimiento del modelo de regresión entrenado para generar, dado un experimento de evaluación, una aproximación numérica de la al menos una variable de salida.

En el paso (vii), se almacena información relevante en la base de datos de modelos de regresión entrenados. La base de datos de modelos de regresión entrenados contiene información relacionada con cada uno de los modelos de regresión entrenados, como lo es su identificador de regresión; su tipo de algoritmo de regresión; la pluralidad de índices de rendimiento asociada; el experimento de evaluación que lo generó; información sobre los avalúos de inmuebles de entrenamiento representativos que fueron utilizados para su entrenamiento; el nombre de lista de la lista de avalúos de inmuebles clasificados asociada a cada modelo de regresión; así como medidas estadísticas relevantes de las variables de entrada representativas de los avalúos de inmuebles de entrenamiento representativos de cada lista de avalúos de inmuebles clasificados como lo es el número total de elementos, moda, varianza, momento, etc .

En el paso (viii), se repiten los pasos (ii), (iii), (iv),

(v) , (vi) y (vii) por cada modelo de regresión determinado.

En el paso (ix) se determina el número de modelos de ensamble inteligente que existen por la lista de avalúos de inmuebles clasificados seleccionada en el paso (i) mediante técnicas conocidas en el estado de la técnica. En una modalidad preferida, existe al menos un modelo de ensamble inteligente por lista de avalúos de inmuebles clasificados.

Sin embargo, cabe la posibilidad de que se determine que no existen modelos de ensambles inteligentes para una o varias listas de avalúos de inmuebles clasificados en particular. Si esto ocurre, se continúa con el paso (xvii) .

Cada modelo de ensamble inteligente determinado comprende: un conjunto de variables de entrada representativas compatibles con los modelos de regresión entrenados, la al menos una variable de salida definida por el usuario, una pluralidad de algoritmos de regresión a ensamblar, un algoritmo de ensamble inteligente y un identificador de ensamble inteligente.

En el paso (x) se selecciona un modelo de ensamble inteligente a utilizar mediante herramientas de selección conocidas en el estado de la técnica.

En el paso (xi), se lleva a cabo un filtrado inicial de los avalúos de inmuebles de entrenamiento representativos contenidos en la lista de avalúos de inmuebles clasificados seleccionada en el paso (i), en donde dicho filtrado inicial se realiza mediante técnicas de filtrado conocidas y en función de las variables de entrada representativas que definen al modelo de ensamble inteligente seleccionado en el paso (x) . Se obtiene al final de dicho paso (iii), avalúos de inmuebles de entrenamiento representativos filtrados para ensamble, los cuales se encuentran definidos en función de las variables de entrada representativas de dicho modelo de ensamble inteligente.

En el paso (xii), se lleva a cabo un filtrado secundario de los avalúos de inmuebles de entrenamiento representativos filtrados para ensamble del paso (xi) mediante un análisis numérico computacional , obteniéndose avalúos de inmuebles de entrenamiento representativos bi-filtrados para ensamble que serán utilizados para el entrenamiento del modelo de ensamble inteligente seleccionado en el paso (x) ;

En dicho paso (xii), las variables de entrada representativas de los avalúos de inmuebles de entrenamiento representativos filtrados para ensamble y la al menos una variable de salida se someten al análisis numérico computacional (conocido como featuring en idioma inglés), el cual se lleva a cabo mediante herramientas de algoritmos estadísticos y aprendizaje de máquina (conocidos en el estado de la técnica) , las cuales permiten obtener coeficientes de correlación entre todas las variables de entrada representativas y la variable de salida. Los coeficientes de correlación se utilizan para identificar aquellas variables de entrada representativas con poco impacto en la variable de salida. Una vez filtradas, dichas variables de entrada representativas se utilizan para el filtrado de los avalúos de inmuebles de entrenamiento representativos filtrados para ensamble obtenidos en el paso (xi) mediante técnicas conocidas de filtrado, generándose avalúos de inmuebles de entrenamiento representativos bi-filtrados para ensamble definidos en función de las variables de entrada representativas ya filtradas en este paso.

En el paso (xiii), se lleva a cabo el entrenamiento del modelo de ensamble inteligente seleccionado del paso (x) con base en: los algoritmos de regresión de la totalidad de modelos de regresión determinados en el paso (ii), los avalúos de inmuebles de entrenamiento representativos bi-filtrados para regresión del paso (xii) y a su algoritmo de ensamble. Se obtiene como resultado del entrenamiento: un modelo de ensamble inteligente entrenado y una pluralidad de matrices de coeficientes de entrenamiento de ensamble, en donde los coeficientes de entrenamiento de ensamble fungen como parámetros del modelo de ensamble inteligente entrenado .

El modelo de ensamble inteligente entrenado se encuentra conformado por los mismos elementos del modelo de ensamble sin entrenar, es decir, un conjunto de variables de entrada representativas compatibles con los modelos de regresión entrenados, una pluralidad de algoritmos de regresión, un algoritmo de ensamble inteligente y la al menos una variable de salida.

Cada uno de los coeficientes de entrenamiento de ensamble es un parámetro del modelo de ensamble entrenado correspondiente, en donde la pluralidad de matrices de coeficientes de entrenamiento de ensamble permite generar, en conjunto con el algoritmo de ensamble y las variables de entrada representativas que lo definen, una aproximación numérica de la al menos una variable de salida.

En el paso (xiv) , se lleva a cabo la evaluación del rendimiento del modelo de ensamble inteligente entrenado del paso (xi) con base en: los avalúos de inmuebles de entrenamiento representativos bi- filtrados para ensamble del paso (xii); el modelo de ensamble inteligente entrenado; y, una pluralidad de experimentos de evaluación, obteniéndose como resultado una pluralidad de índices de rendimiento de ensamble.

Cada uno de los experimentos de evaluación que conforman a la pluralidad de experimentos de evaluación es un método para evaluar el rendimiento de un modelo de ensamble inteligente entrenado, en donde cada uno se encuentra definido por: un modelo de ensamble inteligente entrenado; unos avalúos de inmuebles de prueba; un índice de rendimiento de ensamble; y, un método de validación cruzada .

Los avalúos de inmuebles de prueba corresponden a aquellos avalúos de inmuebles empleados únicamente para la evaluación del rendimiento del modelo de ensamble inteligente entrenado. En una modalidad preferida, los avalúos de inmuebles de prueba corresponden a los avalúos de inmuebles de entrenamiento representativos bi-filtrados para ensamble obtenidos en el paso (xii) .

El índice de rendimiento de ensamble es un valor numérico que cuantifica el rendimiento del modelo de ensamble inteligente entrenado. Como ejemplos de índices de rendimiento de ensamble se tienen el error absoluto promedio, error medio cuadrado, coeficiente de determinación, entre otras medidas de error.

Por cada experimento de valuación que conforma a la pluralidad de experimentos de valuación, se obtiene un índice de rendimiento de ensamble cuando se emplea un método de validación cruzada al evaluar el modelo de ensamble inteligente entrenado utilizando como avalúos de inmuebles de prueba a los avalúos de inmuebles de entrenamiento representativos bi-filtrados para ensamble.

Se obtiene como resultado de dicho paso (xiv) , una pluralidad de índices de rendimiento de ensamble, los cuales cuantifican el rendimiento del modelo de ensamble inteligente entrenado para generar, dado un experimento de evaluación, una aproximación numérica a la al menos una variable de salida.

En el paso (xv) , se almacena información relevante en la base de datos de modelos de ensamble inteligente entrenados. La base de datos de modelos de ensamble inteligente entrenados contiene información relacionada con cada uno de los modelos de ensamble inteligente entrenados, como lo es su identificador de ensamble inteligente, su tipo de algoritmo de ensamble inteligente; la pluralidad de índices de rendimiento asociada; el experimento de evaluación que lo generó; información sobre los avalúos de inmuebles de entrenamiento representativos que fueron utilizados para su entrenamiento; el nombre de lista de la lista de avalúos de inmuebles clasificados asociada a cada modelo de ensamble inteligente; así como medidas estadísticas relevantes de las variables de entrada representativas de los avalúos de inmuebles de entrenamiento representativos de cada lista de avalúos de inmuebles clasificados como lo es el número total de elementos, moda, varianza, momento, etc.

En el paso (xiv), se repiten los pasos (x) , (xi), (xii) y (xiii) por cada modelo de ensamble inteligente que exista;

En el paso (xv) , se repiten los pasos (i) a (xiv) por cada lista de avalúos de inmuebles clasificados que conforman a la pluralidad de listas de avalúos de inmuebles clasificados.

Al término de la etapa de entrenamiento 100, se tienen entrenados los elementos correspondientes (modelos de agrupamiento entrenados, modelos de regresión entrenados y modelos de ensamble inteligente entrenados) que permitirán en la etapa de ejecución 200, lograr la obtención de la al menos una variable de salida requerida por el usuario, permitiendo conformar el catálogo de fichas de avalúos inmobiliarios.

La segunda etapa 200 es una etapa de ejecución, en la cual, a partir de los modelos de agrupamiento, de regresión y de ensamble inteligente determinados y entrenados en la etapa de entrenamiento 100, se obtiene el catálogo de fichas de avalúos inmobiliarios, en donde cada ficha contiene un avalúo de inmueble a cotizar ligado al valor final de la al menos una variable de salida.

En la etapa de ejecución 200 se tiene como primer paso la definición de uno o más avalúos de inmuebles a cotizar, de los cuales se desea conocer, de cada uno, la al menos una variable de salida previamente definida en la primera sub-etapa de entrenamiento 110, en donde dichos avalúos de inmueble a cotizar son definidos e ingresados por el usuario.

Además de los avalúos suministrados por el usuario, se parte también de los modelos de agrupamiento entrenados, de regresión entrenados y de ensamble inteligente entrenados, asi como las bases de datos donde estos modelos se encuentran almacenados junto con información relevante de su entrenamiento.

Cabe mencionar que cada uno de los avalúos de inmuebles a cotizar se debe encontrar definido por las mismas variables de entrada representativas de los avalúos de inmuebles de entrenamiento representativos contenidos en la base de datos de avalúos de inmuebles de entrenamiento tri-filtrada obtenida en la segunda sub-etapa de entrenamiento 120.

En la etapa de ejecución 200, se parte de unos avalúos de inmuebles a cotizar definidos por el usuario, a los cuales se les aplican los modelos de agrupamiento entrenados (primera sub-etapa de ejecución 210) para obtener una pluralidad de índices de grupo de los grupos de avalúos de inmuebles a los que pertenecen cada uno de dichos avalúos. Luego, a cada avalúo de inmueble a cotizar se le aplican los modelos de regresión entrenados y de ensamble inteligente entrenados que le correspondan (segunda sub-etapa de ejecución 220) por la pluralidad de índices de grupo, generándose por cada avalúo, una pluralidad de aproximaciones numéricas de la al menos una variable de salida. Posteriormente, en la tercera sub- etapa de ejecución 230, cada pluralidad de aproximaciones numéricas se filtra para generar una pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida. En la cuarta sub- etapa de ejecución 240, con la información asociada a cada uno de los avalúos de inmuebles a cotizar, se consultan las bases de datos de modelos de regresión y de ensamble entrenados para obtener información relevante de su entrenamiento. A cada avalúo de inmueble a cotizar se le aplica un modelo de ensamble estadístico, obteniéndose un elemento acumulador-sumador, cuyo valor numérico final corresponde al valor de la al menos una variable de salida requerida por el usuario. Una vez obtenido el valor de la al menos una variable de salida, se procede a la generación de las fichas de avalúos inmobiliarios que constituyen, cada una, la representación gráfica de la información contenida en cada uno de los avalúos de inmuebles a cotizar mediante el uso de herramientas cartográficas y de visualización de datos (quinta sub-etapa de ej ecución 250 ) .

Como resultado de la etapa de ejecución 200, se obtiene: i) el valor numérico de la al menos una variable de salida por cada uno de los avalúos de inmuebles a cotizar; y ii) una ficha de avalúo inmobiliario por cada uno de los avalúos de inmuebles a cotizar, la cual constituye una representación gráfica (cartográfica y/o visual) de la información relevante de dicho avalúo de inmueble a cotizar, incluyendo el valor de la al menos una variable de salida, en donde la totalidad de dichas fichas se compendien en un catálogo de fichas de avalúos inmobiliarios.

Para lograr lo anterior, la etapa de ejecución 200 se encuentra conformada por las siguientes sub-etapas:

Primera sub-etapa de ejecución 210: Definir unos avalúos de inmuebles a cotizar, en donde por cada avalúo de inmueble a cotizar: seleccionar un modelo de agrupamiento entrenado; filtrar dicho avalúo de inmueble a cotizar obteniéndose un avalúo de inmueble a cotizar filtrado; y, aplicar dicho modelo de agrupamiento entrenado en el avalúo de inmueble a cotizar filtrado, obteniéndose un índice de grupo al que corresponde dicho avalúo de inmueble a cotizar, generándose y quedando asociada al final de dicha primera sub-etapa de ejecución 210, una pluralidad de índices de grupo por cada avalúo de inmueble a cotizar definido;

Segunda sub-etapa de ejecución 220: seleccionar un avalúo de inmueble a cotizar, en donde por cada uno de los modelos de regresión entrenados / modelos de ensamble inteligente entrenados que le corresponda a dicho avalúo de inmueble a cotizar: seleccionar un modelo de regresión entrenado / modelo de ensamble inteligente entrenado; filtrar dicho avalúo de inmueble a cotizar obteniéndose un avalúo de inmueble a cotizar filtrado; aplicar dicho modelo de regresión entrenado / modelo de ensamble inteligente entrenado en el avalúo de inmueble a cotizar filtrado, obteniéndose una aproximación numérica de la al menos una variable de salida; y, repetir todos los pasos anteriores por cada uno de los avalúos de inmuebles a cotizar, generándose y quedando asociada al final de dicha segunda sub-etapa de ejecución 220, por cada avalúo de inmueble a cotizar, una pluralidad de aproximaciones numéricas de la al menos una variable de salida que tiene asociada los modelos de regresión entrenados o los modelos de ensamble inteligente entrenados que las generaron;

Tercera sub-etapa de ejecución 230: seleccionar un avalúo de inmueble a cotizar; calcular la media de la pluralidad de aproximaciones numéricas de la al menos una variable de salida asociada a dicho avalúo de inmueble a cotizar; filtrar y eliminar aquellas aproximaciones numéricas que estén alejadas de la media calculada, obteniéndose una pluralidad de aproximaciones numéricas filtradas; y, repetir todos los pasos anteriores por cada uno de los avalúos de inmuebles a cotizar, generándose y quedando asociada al final de dicha tercera sub-etapa de ejecución 230, por cada avalúo de inmueble a cotizar, una pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida que tiene asociada los modelos de regresión entrenados o de ensamble inteligente entrenados que las generaron;

Cuarta sub-etapa de ejecución 240: seleccionar un avalúo de inmueble a cotizar, en donde por cada avalúo de inmueble a cotizar que exista: seleccionar una aproximación numérica filtrada de la al menos una variable de salida, en donde por cada aproximación numérica filtrada de la al menos una variable de salida que exista: identificar y determinar el modelo de regresión entrenado / modelo de ensamble inteligente entrenado que la generó; obtener de la base de datos de modelos de regresión o ensamble inteligente entrenados correspondiente, la información sobre los avalúos de inmuebles de entrenamiento representativos y la pluralidad de índices de rendimiento de dicho modelo de regresión entrenado / modelo de ensamble inteligente entrenado, asociando dicha información a dicha aproximación numérica filtrada; determinar un modelo de ensamble estadístico a utilizar; determinar medidas estadísticas de dicha pluralidad de aproximaciones numéricas filtradas con dicho modelo de ensamble estadístico; seleccionar una aproximación numérica filtrada de la al menos una variable de salida, en donde por cada aproximación numérica filtrada de la al menos una variable de salida que exista: ejecutar el modelo de ensamble estadístico determinado sobre dicha aproximación numérica filtrada en conjunto con las medidas estadísticas determinadas, obteniéndose un coeficiente de ponderación que queda asociado a dicha aproximación numérica filtrada; definir un elemento acumulador-sumador que queda asociado a dicho avalúo de inmueble a cotizar; seleccionar una aproximación numérica filtrada de la al menos una variable de salida, en donde por cada aproximación numérica filtrada de la al menos una variable de salida que exista: multiplicar dicha aproximación numérica filtrada por el coeficiente de ponderación, almacenando el valor obtenido en dicho elemento acumulador-sumador, obteniéndose al final de dicha cuarta sub-etapa de ejecución 240, para cada uno de los avalúos de inmuebles a cotizar, el valor de la al menos una variable de salida que corresponde al valor final del elemento acumulador-sumador correspondiente ; Quinta sub-etapa de ejecución 250: seleccionar un avalúo de inmueble a cotizar; representar gráficamente en una ficha de avalúo inmobiliario, algunos elementos asociados a dicho avalúo de inmueble a cotizar; si el avalúo de inmueble a cotizar seleccionado tiene las variables de entrada representativas latitud y longitud, generar en dicha ficha de avalúo inmobiliario, un mapa representativo de la localidad donde se ubica el inmueble al que corresponde dicho avalúo de inmueble a cotizar; localizar y mostrar la ubicación precisa del inmueble al que corresponde dicho avalúo de inmueble a cotizar sobre dicho mapa representativo; y repetir todos los pasos anteriores por cada uno de los avalúos de inmuebles a cotizar, obteniéndose al final de dicha quinta sub-etapa de ejecución 250, un catálogo de fichas de avalúos inmobiliarios.

Con respecto a la Figura 7, en ella se muestra la metodología de la primera sub-etapa de ejecución 210, en la cual se tiene como paso inicial, la definición de los avalúos de inmuebles a cotizar, los cuales son suministrados por el usuario del presente método 1000. Se parte de la base de datos de modelos de agrupamiento entrenados obtenida en la tercera sub-etapa de entrenamiento 130 de la etapa de entrenamiento 100. Se aplican todos los modelos de agrupamiento entrenados a todos los avalúos de inmuebles a cotizar definidos, obteniendo una pluralidad de índices de grupo de los grupos de avalúos de inmuebles a los que corresponde cada uno de los avalúos de inmuebles a cotizar, en donde dicha información de los índices de grupo queda asociada a cada uno de dichos avalúos de inmuebles a cotizar.

De forma general, la metodología de la primera sub-etapa de ejecución 210 es la siguiente:

Definir unos avalúos de inmuebles a cotizar; por cada avalúo de inmueble a cotizar que exista: seleccionar un modelo de agrupamiento entrenado de la base de datos de modelos de agrupamiento entrenados; filtrar el avalúo de inmueble a cotizar seleccionado, obteniéndose un avalúo de inmueble a cotizar filtrado para agrupamiento; y aplicar el modelo de agrupamiento entrenado seleccionado en el avalúo de inmueble a cotizar filtrado para agrupamiento, obteniéndose un índice de grupo del grupo de avalúos de inmuebles al que corresponde el avalúo de inmueble a cotizar seleccionado, generándose al final de dicha primera sub-etapa de ejecución 210, por cada avalúo de inmueble a cotizar, una pluralidad de índices de grupo que queda asociada a dicho avalúo de inmueble a cotizar.

De forma más particular, la primera sub-etapa de ejecución 210 se encuentra conformada por los siguientes pasos:

i) definir unos avalúos de inmuebles a cotizar;

ii) seleccionar un avalúo de inmueble a cotizar;

iii) seleccionar un modelo de agrupamiento entrenado de la base de datos de modelos de agrupamiento entrenados;

iv) filtrar el avalúo de inmueble a cotizar seleccionado en el paso (ii) en función de las variables de entrada representativas del modelo de agrupamiento entrenado seleccionado en el paso (iii), obteniéndose un avalúo de inmueble a cotizar filtrado para agrupamiento ;

v) aplicar el modelo de agrupamiento entrenado seleccionado en el paso (iii) en el avalúo de inmueble a cotizar filtrado para agrupamiento del paso (iv), obteniéndose el índice de grupo del grupo de avalúos de inmuebles al que corresponde el avalúo de inmueble a cotizar seleccionado en el paso (ii);

vi) repetir los pasos (iii), (iv) y (v) por cada modelo de agrupamiento entrenado que exista en la base de datos de modelos de agrupamiento entrenados;

vii) repetir los pasos (ii), (iii), (iv), (v) y (vi) por cada avalúo de inmueble a cotizar que exista.

En el paso (i), se lleva a cabo la definición de los avalúos de inmuebles a cotizar por el usuario del presente método 1000. Cabe mencionar que de cada uno de los avalúos de inmuebles a cotizar se quiere conocer la al menos una variable de salida previamente definida y en donde cada uno de dichos avalúos se encuentra definido en función de las mismas variables de entrada representativas de los avalúos de inmuebles de entrenamiento representativos contenidos en la base de datos de avalúos de inmuebles de entrenamiento tri-filtrada .

En el paso (ii), se selecciona un avalúo de inmueble a cotizar mediante técnicas de selección conocidas en el estado de la técnica.

En el paso (iii), se selecciona un modelo de agrupamiento entrenado de la base de datos de modelos de agrupamiento entrenados mediante técnicas de selección conocidas en el estado de la técnica.

En el paso (iv), se filtra el avalúo de inmueble a cotizar seleccionado en el paso (ii) en función de las variables de entrada representativas del modelo de agrupamiento entrenado seleccionado en el paso (iii); en donde dicho filtrado se realiza mediante técnicas conocidas en el estado de la técnica. Se obtiene al final de dicho paso (iv) un avalúo de inmueble a cotizar filtrado para agrupamiento, el cual se encuentra definido en función de las variables de entrada representativas del modelo de agrupamiento entrenado previamente seleccionado.

En el paso (v) , se aplica el modelo de agrupamiento entrenado seleccionado en el paso (iii) sobre el avalúo de inmueble a cotizar filtrado para agrupamiento del paso (iv), obteniéndose el índice del grupo del grupo de avalúos de inmuebles al que corresponde el avalúo de inmueble a cotizar seleccionado en el paso (ii) .

En este paso, el modelo de agrupamiento entrenado calcula el índice de grupo más semejante al avalúo de inmueble a cotizar filtrado para agrupamiento, en donde si falta información en alguna de sus variables de entrada representativas, el algoritmo de agrupamiento del modelo de agrupamiento entrenado hace uso de la información contenida en los arquetipos de grupo para completar la información requerida.

En el paso (vi), se repiten los pasos (iii), (iv) y (v) por cada modelo de agrupamiento entrenado que exista en la base de datos de modelos de agrupamiento entrenados.

En el paso (vii), se repiten los pasos (ii), (iii), (iv), (v) y (vi) por cada avalúo de inmueble a cotizar que exista.

Cabe mencionar que todos los índices de grupo determinados por cada avalúo de inmueble a cotizar, se conjunta en una sola pluralidad de índices de grupo que se queda asociada al avalúo de inmueble a cotizar en cuestión, de tal forma que de ahora en adelante, cada avalúo de inmueble a cotizar tendrá asociada una pluralidad de índices de grupo.

Con la pluralidad de índices de grupo determinados para cada avalúo de inmueble a cotizar, se conoce también la pluralidad de listas de avalúos de inmuebles clasificados y por lo tanto, los modelos de regresión entrenados y los modelos de ensamble inteligente entrenados que le corresponden.

Con respecto a la Figura 8, en ella se muestran los distintos pasos que conforman a la segunda sub-etapa de ejecución 220, en donde se tiene como insumo: los avalúos de inmuebles a cotizar de la primera sub-etapa de ejecución 210, los cuales tienen asociados cada uno una pluralidad de índices de grupo; y, las bases de datos de modelos de regresión entrenados y de ensamble inteligente entrenados .

A cada uno de dichos avalúos se le aplican los modelos de regresión entrenados y los modelos de ensamble inteligente entrenados que le corresponden en función de la pluralidad de índices de grupo, generándose y quedando asociada a cada uno, una pluralidad de aproximaciones numéricas de la al menos una variable de salida, en donde cada una de dichas aproximaciones numéricas contiene información sobre el modelo de regresión entrenado o de ensamble entrenado que la generó.

Cabe recordar que cada grupo de avalúos de inmuebles tiene un nombre (índice de grupo) y tiene asignado una lista de avalúos de inmuebles clasificados a la cual le corresponde al menos un modelo de regresión entrenado y posiblemente al menos un modelo de ensamble inteligente entrenado (porque existe la posibilidad de que no se tenga asignado ninguno modelo de ensamble inteligente entrenado) .

De forma general, la metodología de la segunda sub-etapa 220 de ejecución es la siguiente:

Por cada uno de los avalúos de inmuebles a cotizar: seleccionar un avalúo de inmueble a cotizar: a) por cada uno de los modelos de regresión entrenados que le corresponda al avalúo de inmueble a cotizar seleccionado: seleccionar un modelo de regresión entrenado de la base de datos de modelos de regresión entrenados que le corresponda a dicho avalúo de inmueble a cotizar; filtrar el avalúo de inmueble a cotizar seleccionado obteniéndose un avalúo de inmueble a cotizar filtrado para regresión; y aplicar el modelo de regresión entrenado seleccionado en el avalúo de inmueble a cotizar filtrado para regresión, obteniéndose una aproximación numérica de la al menos una variable de salida que tiene asociada el modelo de regresión entrenado que la generó; b) por cada uno de los modelos de ensamble inteligente entrenados que le corresponda al avalúo de inmueble a cotizar seleccionado: seleccionar un modelo de ensamble inteligente entrenado de la base de datos de modelos de ensamble inteligente entrenados que le corresponda a dicho avalúo de inmueble a cotizar; filtrar el avalúo de inmueble a cotizar seleccionado obteniéndose un avalúo de inmueble a cotizar filtrado para ensamble; y aplicar el modelo de ensamble inteligente entrenado seleccionado en el avalúo de inmueble a cotizar filtrado para ensamble, obteniéndose una aproximación numérica de la al menos una variable de salida que tiene asociada el modelo de ensamble inteligente entrenado que la generó; generándose y quedando asociada, al final de dicha segunda sub-etapa de ejecución 220, por cada avalúo de inmueble a cotizar, una pluralidad de aproximaciones numéricas de la al menos una variable de salida que tiene asociada los modelos de regresión entrenados o de ensamble inteligente entrenados que las generaron.

De forma más especifica, para lograr obtener la pluralidad de aproximaciones numéricas de la al menos una variable de salida, la segunda sub-etapa de ejecución 220 comprende los siguientes pasos: i) seleccionar un avalúo de inmueble a cotizar;

ii) seleccionar un modelo de regresión entrenado de la base de datos de modelos de regresión entrenados de entre los modelos de regresión entrenados que le corresponden al avalúo de inmueble a cotizar seleccionado en el paso (i) por la pluralidad de índices de grupos que le fueron asignados en la primera sub-etapa de ejecución 210;

iii) filtrar el avalúo de inmueble a cotizar seleccionado en el paso (i) en función de las variables de entrada representativas finales del modelo de regresión entrenado seleccionado en el paso (ii), obteniéndose un avalúo de inmueble a cotizar filtrado para regresión;

iv) aplicar el modelo de regresión entrenado seleccionado en el paso (ii) en el avalúo de inmueble a cotizar filtrado para regresión del paso (iii), obteniéndose una aproximación numérica de la al menos una variable de salida, la cual tiene asociada el modelo de regresión entrenado que la generó;

v) repetir los pasos (ii), (iii) y (iv) por cada modelo de regresión entrenado que le corresponda al avalúo de inmueble a cotizar seleccionado en el paso (i);

vi) seleccionar un modelo de ensamble inteligente entrenado de la base de datos de modelos de ensamble inteligente entrenados de entre los modelos de ensamble inteligente entrenados que le corresponden al avalúo de inmueble a cotizar seleccionado en el paso (i) por la pluralidad de índices de grupos que le fueron asignados en la primera sub-etapa de ejecución 210; si no hay modelos de ensamble inteligente entrenados que le correspondan al avalúo de inmueble a cotizar seleccionado, seguir con el paso (x) ; vii) filtrar el avalúo de inmueble a cotizar seleccionado en el paso (i) en función de las variables de entrada representativas del modelo de ensamble inteligente entrenado seleccionado en el paso (vi), obteniéndose un avalúo de inmueble a cotizar filtrado para ensamble;

viii) aplicar el modelo de ensamble inteligente entrenado seleccionado en el paso (vi) en el avalúo de inmueble a cotizar filtrado para ensamble del paso (vii), obteniéndose una aproximación numérica de la al menos una variable de salida, la cual tiene asociada el modelo de ensamble inteligente entrenado que la generó;

ix) repetir los pasos (vi), (vii) y (viii) por cada modelo de ensamble inteligente entrenado que le corresponda al avalúo de inmueble a cotizar seleccionado en el paso (i);

x) repetir los pasos (i), (ii), (iii), (iv), (v) , (vi), (vii), (viii) y (ix) por cada avalúo de inmueble a cotizar que exista .

En el paso (i) se selecciona un avalúo de inmueble a cotizar mediante técnicas de selección conocidas en el estado de la técnica.

En el paso (ii) se selecciona un modelo de regresión entrenado de la base de datos de modelos de regresión entrenados de entre los modelos de regresión entrenados que le corresponden al avalúo de inmueble a cotizar seleccionado en el paso (i) por la pluralidad de índices de grupo que le fueron asignados previamente. La selección de dicho modelo de regresión entrenado se realiza mediante herramientas conocidas en el estado de la técnica.

En el paso (iii) se filtra el avalúo de inmueble a cotizar seleccionado en el paso (i) en función de las variables de entrada representativas finales del modelo de regresión entrenado seleccionado en el paso (ii), en donde dicho filtrado se realiza mediante técnicas conocidas en el estado de la técnica. Se obtiene al final de dicho paso (iii), un avalúo de inmueble a cotizar filtrado para regresión, el cual se encuentra definido en función de las variables de entrada representativas finales del modelo de regresión entrenado previamente seleccionado.

En el paso (iv) se aplica el modelo de regresión entrenado seleccionado en el paso (ii) sobre el avalúo de inmueble a cotizar filtrado para regresión del paso (iii), obteniéndose una aproximación numérica de la al menos una variable de salida que tiene asociada el modelo de regresión entrenado que la generó.

En el paso (v) , se repiten los pasos (ii), (iii) y (iv) por cada modelo de regresión entrenado que le corresponda al avalúo de inmueble a cotizar seleccionado en el paso (i) .

En el paso (vi) se selecciona mediante técnicas conocidas, un modelo de ensamble inteligente entrenado de la base de datos de modelos de ensamble inteligente entrenados de entre los modelos de ensamble inteligente entrenados que le corresponden al avalúo de inmueble a cotizar seleccionado en el paso (i) por la pluralidad de índices de grupo que le previamente fueron asignados.

Puede existir la posibilidad de que el avalúo de inmueble a cotizar seleccionado en el paso (i) no le corresponda ningún modelo de ensamble inteligente entrenado. En este caso, no existirán aproximaciones numéricas generadas por modelos de ensamble inteligente entrenados y no se llevan a cabo los pasos (vi), (vii), (viii ) ni ( ix) .

En el paso (vii) se filtra el avalúo de inmueble a cotizar seleccionado en el paso (i) en función de las variables de entrada representativas del modelo de ensamble inteligente entrenado seleccionado en el paso (vi), en donde dicho filtrado se realiza mediante herramientas conocidas en el estado de la técnica. Se obtiene al final de dicho paso (vii), un avalúo de inmueble a cotizar filtrado para ensamble, el cual se encuentra definido en función de las variables de entrada representativas del modelo de ensamble inteligente entrenado previamente seleccionado.

En el paso (viii) se aplica el modelo de ensamble inteligente entrenado seleccionado en el paso (vi) sobre el avalúo de inmueble a cotizar filtrado para ensamble del paso (vii), obteniéndose una aproximación numérica de la al menos una variable de salida que tiene asociada el modelo de ensamble inteligente entrenado que la generó.

En el paso (x) , se repiten los pasos (i), (ii), (iii), (iv), (v) , (vi), (vii), (viii) y (ix) por cada avalúo de inmueble a cotizar que exista.

Cabe mencionar que cada una de las aproximaciones numéricas es un valor numérico que representa una aproximación representativa al valor final que pudiera tener la al menos una variable de salida.

Todas las aproximaciones numéricas de la al menos una variable de salida determinada por cada uno de los avalúos de inmuebles a cotizar, se conjunta en una sola pluralidad de aproximaciones numéricas de la al menos una variable de salida, la cual queda asociada al avalúo de inmueble a cotizar en cuestión.

A partir de la segunda sub-etapa de ejecución 220, cada avalúo de inmueble a cotizar tiene asociado una pluralidad de índices de grupo y una pluralidad de aproximaciones numéricas de la al menos una variable de salida, en donde a su vez, cada aproximación numérica de al menos una variable de salida tiene asociado el modelo de regresión entrenado o de ensamble inteligente entrenado que la generó .

Con respecto a la Figura 9, en ella se muestra la metodología de la tercera sub-etapa de ejecución 230, en donde la pluralidad de aproximaciones numéricas de la al menos una variable de salida de cada uno de los avalúos de inmuebles a cotizar obtenidos de la segunda sub-etapa de ejecución 220, se filtra con el objeto de eliminar aquellas aproximaciones numéricas que tengan un valor numérico alejado de la media, obteniéndose y quedando asociada una pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida por cada avalúo de inmueble a cotizar.

De forma general, la tercera sub-etapa de ejecución 230 comprende la siguiente metodología:

Por cada uno de los avalúos de inmuebles a cotizar: seleccionar un avalúo de inmueble a cotizar; calcular la media de la pluralidad de aproximaciones numéricas de la al menos una variable de salida asociada al avalúo de inmueble a cotizar seleccionado; filtrar y eliminar aquellas aproximaciones numéricas que estén alejadas de la media calculada, obteniéndose una pluralidad de aproximaciones numéricas filtrada de la al menos una variable de salida que queda asociada al avalúo de inmueble a cotizar seleccionado, generándose y quedando asociada, al final de dicha tercera sub-etapa de ejecución 230, por cada avalúo de inmueble a cotizar, una pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida que tiene asociada los modelos de regresión entrenados o de ensamble inteligente entrenados que las generaron.

Para lograr obtener la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida por cada avalúo de inmueble a cotizar, de forma más detallada, la tercera sub-etapa de ejecución 230 comprende los siguientes pasos:

i) seleccionar un avalúo de inmueble a cotizar;

ii) calcular la media de la pluralidad de aproximaciones numéricas de la al menos una variable de salida asociada al avalúo de inmueble a cotizar seleccionado en el paso (i); iii) filtrar y eliminar aquellas aproximaciones numéricas que estén alejadas de la media calculada en el paso (ii), obteniéndose una pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida que queda asociada al avalúo de inmueble a cotizar seleccionado en el paso (i);

iv) repetir los pasos (i), (ii) y (iii) por cada avalúo de inmueble a cotizar que exista.

En el paso (ii) se calcula la media (promedio) de la pluralidad de aproximaciones numéricas de la al menos una variable de salida asociada al avalúo de inmueble a cotizar seleccionado en el paso (i) mediante herramientas estadísticas conocidas en el estado de la técnica .

En el paso (iii) se filtran aquellas aproximaciones numéricas que están alejadas de la media calculada en el paso (ii) mediante técnicas de filtrado conocidas en el estado de la técnica; y se eliminan las aproximaciones numéricas más alejadas de la media, mediante técnicas de eliminación conocidas en el estado de la técnica.

Al final de este paso (iii), se conservan aquellas aproximaciones numéricas que se encuentran más cercanas a la media, las cuales conformaran a la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida asociada al avalúo de inmueble a cotizar seleccionado en el paso (i);

En el paso (iv), se repiten los pasos (i), (ii) y (iii) por cada avalúo de inmueble a cotizar que existan.

Cabe reiterar que cada una de las aproximaciones numéricas filtradas de la al menos una variable de salida es un valor numérico que representa una aproximación representativa al valor final que pudiera tener la al menos una variable de salida.

La pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida determinada por cada uno de los avalúos de inmuebles a cotizar queda asociada al avalúo de inmueble a cotizar en cuestión, sustituyendo a la pluralidad de aproximaciones numéricas de la al menos una variable de salida previamente asociada en la segunda sub-etapa de ejecución 220.

A partir de la tercera sub-etapa de ejecución 230, cada avalúo de inmueble a cotizar tiene asociada una pluralidad de índices de grupo y una pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida, en donde a su vez, cada aproximación numérica filtrada de al menos una variable de salida tiene asociado el modelo de regresión entrenado o de ensamble inteligente entrenado que la generó.

Con respecto a la Figura 10, en ella se muestra la metodología de la cuarta sub-etapa de ejecución 240, en la cual a partir de la información que tiene asociada cada uno de los avalúos de inmuebles a cotizar, que es la pluralidad de índices de grupo y la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida, que a su vez tiene asociada los modelos de regresión entrenados o modelos de ensamble inteligente entrenados que las generaron, se les adiciona nueva información a cada uno de dichos avalúos de inmuebles a cotizar, como lo es la información sobre los avalúos de inmuebles de entrenamiento representativos que fueron utilizados para el entrenamiento del modelo de regresión entrenado o de ensamble inteligente entrenado y la pluralidad de índices de rendimiento; se aplica un modelo de ensamble estadístico por cada avalúo de inmueble a cotizar, generándose un elemento acumulador- sumador, cuyo valor numérico final corresponde al valor de la al menos una variable de salida definida previamente por el usuario.

De forma general, la metodología de la cuarta sub-etapa de ejecución 240 es la siguiente:

Por cada uno de los avalúos de inmuebles a cotizar: seleccionar un avalúo de inmueble a cotizar; a) por cada una de sus aproximaciones numéricas filtradas de la al menos una variable de salida: identificar y determinar el modelo de regresión entrenado o el modelo de ensamble inteligente entrenado que la generó; obtener de la base de datos de modelos de regresión entrenados o de modelos de ensamble inteligente entrenados, la información sobre los avalúos de inmuebles de entrenamiento representativos y la pluralidad de índices de rendimiento de dicho modelo de regresión entrenado o modelo de ensamble inteligente entrenado; asociar dicha información obtenida a la aproximación numérica filtrada de la al menos una variable de salida seleccionada; b) determinar un modelo de ensamble estadístico a utilizar; con dicho modelo de ensamble estadístico, determinar medidas estadísticas de la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida; c) por cada una de las aproximaciones numéricas filtradas de la al menos una variable de salida: ejecutar el modelo de ensamble estadístico determinado sobre la aproximación numérica filtrada de la al menos una variable de salida en conjunto con las medidas estadísticas determinadas, obteniéndose un coeficiente de ponderación que queda asociado a dicha aproximación numérica filtrada; d) definir un elemento acumulador-sumador que queda asociado al avalúo de inmueble a cotizar previamente seleccionado; e) por cada una de las aproximaciones numéricas filtradas de la al menos una variable de salida: multiplicar la aproximación numérica filtrada de la al menos una variable de salida seleccionada por el coeficiente de ponderación, almacenando el valor obtenido en el elemento acumulador-sumador previamente definido, en donde el valor final del elemento acumulador-sumador, para cada avalúo de inmueble a cotizar, corresponde al valor de la al menos una variable de salida .

De forma más específica, la cuarta sub-etapa de ejecución 240 se encuentra conformada por los siguientes pasos:

i) seleccionar un avalúo de inmueble a cotizar;

ii) seleccionar una aproximación numérica filtrada de la al menos una variable de salida de entre la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida que tiene asociado el avalúo de inmueble a cotizar seleccionado en el paso (i);

iii) evaluar si la aproximación numérica filtrada de la al menos una variable de salida seleccionada en el paso (ii) proviene de un modelo de regresión entrenado o de un modelo de ensamble inteligente entrenado; si proviene de un modelo de regresión entrenado, seguir con el paso (iv) y si proviene de un modelo de ensamble inteligente entrenado, seguir con el paso (vi);

iv) identificar el modelo de regresión entrenado que generó la aproximación numérica filtrada de la al menos una variable de salida y obtener de la base de datos de modelos de regresión entrenados, la información sobre los avalúos de inmuebles de entrenamiento representativos que fueron utilizados para el entrenamiento de dicho modelo de regresión entrenado, asi como su pluralidad de índices de rendimiento de regresión;

v) asociar la información sobre los avalúos de inmuebles de entrenamiento representativos y la pluralidad de índices de rendimiento de regresión a la aproximación numérica filtrada de la al menos una variable de salida seleccionada en el paso (ii) y seguir con el paso (viii);

vi) identificar el modelo de ensamble inteligente entrenado que generó la aproximación numérica filtrada de la al menos una variable de salida y obtener de la base de datos de modelos de ensamble inteligente entrenados, la información sobre los avalúos de inmuebles de entrenamiento representativos que fueron utilizados para el entrenamiento de dicho modelo de ensamble inteligente entrenado así como su pluralidad de índices de rendimiento de ensamble ;

vii) asociar la información sobre los avalúos de inmuebles de entrenamiento representativos y la pluralidad de índices de rendimiento de ensamble a la aproximación numérica filtrada de la al menos una variable de salida seleccionada en el paso (ii);

viii) repetir los pasos (ii), (iii), (iv), (v) , (vi) y (vii) por cada aproximación numérica filtrada de la al menos una variable de salida que conforma a la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida;

ix) determinar un modelo de ensamble estadístico a utilizar en los siguientes pasos;

x) determinar medidas estadísticas de la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida evaluadas como un conjunto, mediante el uso del modelo de ensamble estadístico definido en el paso (ix);

xi) seleccionar una aproximación numérica filtrada de la al menos una variable de salida que conforma la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida;

xii) ejecutar el modelo de ensamble estadístico determinado en el paso (ix) sobre la aproximación numérica filtrada de la al menos una variable de salida seleccionada en el paso (xi) para que en conjunto con las medidas estadísticas determinadas en el paso (x) , se asocie un coeficiente de ponderación a la aproximación numérica filtrada de la al menos una variable de salida previamente seleccionada;

xiii) repetir los pasos (xi) y (xii) por cada aproximación numérica filtrada de la al menos una variable de salida que conforma a la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida;

xiv) definir un elemento acumulador-sumador que queda asociado al avalúo de inmueble a cotizar seleccionado en el paso (i);

xv) seleccionar una aproximación numérica filtrada de la al menos una variable de salida que conforma la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida;

xvi) multiplicar la aproximación numérica filtrada de la al menos una variable de salida seleccionada en el paso (xiv) por el coeficiente de ponderación que se le asoció en el paso (xii), almacenando el valor obtenido en el elemento acumulador-sumador definido en el paso (xiv) ;

xvii) repetir los pasos (xv) y (xvi) por cada aproximación numérica filtrada de la al menos una variable de salida que conforma a la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida;

xviii) repetir los pasos (i) a (xvii) por cada uno de los avalúos de inmuebles a cotizar que existan.

En el paso (i), se selecciona un avalúo de inmueble a cotizar mediante técnicas de selección conocidas en el estado de la técnica. En el paso (ii), se selecciona una aproximación numérica filtrada de la al menos una variable de salida de entre la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida mediante técnicas de selección conocidas en el estado de la técnica.

En el paso (iii), se evalúa y determina el modelo que generó la aproximación numérica filtrada de la al menos una variable de salida previamente seleccionada, es decir, en este paso se define si dicha aproximación numérica filtrada de la al menos una variable de salida proviene de un modelo de regresión entrenado o de un modelo de ensamble inteligente entrenado. Dicha determinación se logra mediante herramientas conocidas en el estado de la técnica.

Si dicha aproximación numérica filtrada de la al menos una variable de salida fue generada por un modelo de regresión entrenado, se continua con el paso (iv); si fue generada por un modelo de ensamble inteligente entrenado, se continua con el paso (viii ) .

En el paso (iv), se identifica el modelo de regresión entrenado que generó la aproximación numérica filtrada de la al menos una variable de salida previamente seleccionada mediante herramientas conocidas en el estado de la técnica. Se consulta la base de datos de modelos de regresión entrenados y se obtiene la información sobre los avalúos de inmuebles de entrenamiento representativos que fueron utilizados para el entrenamiento del modelo de regresión entrenado identificado asi como su pluralidad de índices de rendimiento de regresión.

En el paso (v) , se asocia la información obtenida en el paso (iv), es decir, la información sobre los avalúos de inmuebles de entrenamiento representativos y la pluralidad de índices de rendimiento de regresión a la aproximación numérica filtrada de la al menos una variable de salida previamente seleccionada mediante técnicas de asociación conocidas en el estado de la técnica. Se continúa con el paso (viii) .

En el paso (vi), se identifica el modelo de ensamble inteligente entrenado que generó la aproximación numérica filtrada de la al menos una variable de salida previamente seleccionada mediante herramientas conocidas en el estado de la técnica. Se consulta la base de datos de modelos de ensamble inteligente entrenados y se obtiene la información sobre los avalúos de inmuebles de entrenamiento representativos que fueron utilizados para el entrenamiento del modelo de ensamble inteligente entrenado identificado asi como su pluralidad de índices de rendimiento de ensamble .

En el paso (vii) se asocia la información obtenida en el paso (vi), es decir, la información sobre los avalúos de inmuebles de entrenamiento representativos y la pluralidad de índices de rendimiento de ensamble a la aproximación numérica filtrada de la al menos una variable de salida previamente seleccionada mediante técnicas conocidas en el estado de la técnica.

En el paso (viii) se repiten los pasos (ii), (iii), (iv), (v) ,

(vi) y (vii) por cada aproximación numérica filtrada de la al menos una variable de salida que conforma a la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida .

En el paso (ix), se determina un modelo de ensamble estadístico que será utilizado en los siguientes pasos.

Tal como se mencionó en la quinta sub-etapa de entrenamiento 150, el modelo de ensamble estadístico es una técnica de combinación que emplea algoritmos de ensamble estadísticos basados en modelos que no requieren de entrenamiento, en donde dicho modelo de ensamble estadístico se encuentra conformado por: una pluralidad de algoritmos de regresión a ensamblar; un algoritmo de ensamble estadístico; un identificador de ensamble estadístico (su nombre); y la al menos una variable de salida definida por el usuario en la primera sub-etapa de entrenamiento 110.

En el paso (x) , mediante el uso del modelo de ensamble estadístico previamente definido, se determinan diversas medidas estadísticas de la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida tomadas como un conjunto, en donde para ello, se emplean técnicas estadísticas y/o heurísticas conocidas en el estado de la técnica.

Como ejemplo de dichas medidas estadísticas tenemos el número total de aproximaciones numéricas filtradas de la al menos una variable de salida; los rangos mínimo, máximo y promedio de la pluralidad de índices de rendimiento asociados a la pluralidad de aproximaciones numéricas de la al menos una variable de salida, entre otros.

En el paso (xi), se selecciona una aproximación numérica filtrada de la al menos una variable de salida que conforma la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida mediante técnicas de selección conocidas en el estado de la técnica.

Cabe mencionar que hasta dicho paso (xi), cada una de las aproximaciones numéricas filtradas de la al menos una variable de salida tiene asociada el modelo de regresión entrenado o el modelo de ensamble inteligente entrenado que la generó; información sobre los avalúos de inmuebles de entrenamiento representativos que fueron utilizados para el entrenamiento de dicho modelo de regresión entrenado o modelo de ensamble inteligente entrenado; y una pluralidad de índices de rendimiento.

En el paso (xii) se ejecuta el modelo de ensamble estadístico previamente determinado sobre la aproximación numérica filtrada de la al menos una variable de salida seleccionada en el paso (xi) para que en conjunto con las medidas estadísticas determinadas en el paso (x) , se asocie un coeficiente de ponderación a la aproximación numérica filtrada de la al menos una variable de salida previamente seleccionada.

El coeficiente de ponderación es un valor numérico que se encuentra relacionado con los índices de rendimiento del modelo de regresión entrenado o del modelo de ensamble inteligente entrenado que fue utilizado para obtener dicha aproximación numérica de la al menos una variable de salida, que indica que tan buen rendimiento numérico tiene dicho modelo de regresión entrenado o modelo de ensamble inteligente entrenado.

En el paso (xiii) se repiten los pasos (xi) y (xii) por cada aproximación numérica filtrada de la al menos una variable de salida que conforma a la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida.

Cabe mencionar que después de dicho paso (xiii), cada una de las aproximaciones numéricas filtradas de la al menos una variable de salida tiene asociada además del modelo de regresión entrenado o el modelo de ensamble inteligente entrenado que la generó, la información sobre los avalúos de inmuebles de entrenamiento representativos que fueron utilizados para el entrenamiento de dicho modelo de regresión entrenado o modelo de ensamble inteligente entrenado y la pluralidad de índices de rendimiento, un coeficiente de ponderación.

En el paso (xiv) se define un elemento acumulador-sumador que es una variable de tipo numérica, la cual se encuentra asociada al avalúo de inmueble a cotizar seleccionado en el paso (i) . Dicho elemento acumulador-sumador se emplea para acumular y sumar progresivamente el valor numérico de cada una de las multiplicaciones entre cada una de las aproximaciones numéricas filtradas de la al menos una variable de salida y su respectivo coeficiente de ponderación. Su valor inicial debe ser 0 y su valor final corresponderá al valor numérico de la al menos una variable de salida previamente definida por el usuario.

En el paso (xv) se selecciona una aproximación numérica filtrada de la al menos una variable de salida que conforma la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida mediante herramientas de selección conocidas en el estado de la técnica.

En el paso (xvi) se multiplica la aproximación numérica filtrada de la al menos una variable de salida previamente seleccionada por el coeficiente de ponderación que se le asoció en el paso (xii) . El resultado de dicha multiplicación se almacena en el elemento acumulador-sumador previamente definido. El valor numérico que se almacena se suma automáticamente con el valor que previamente tenía almacenado dicho elemento acumulador-sumador.

En el paso (xvii) se repiten los pasos (xv) y (xvi) por cada aproximación numérica filtrada de la al menos una variable de salida que conforma a la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida. Al terminar dicho paso (xvii), el valor numérico que se encuentra almacenado en el elemento acumulador-sumador corresponde al valor numérico de la al menos una variable de salida.

Finamente en el paso (xviii) se repiten todos los pasos anteriores (i) a (xvii) por cada uno de los avalúos de inmuebles a cotizar que existan.

Al final de la cuarta sub-etapa de ejecución 240, ya se tiene el valor numérico (valor numérico final del elemento acumulador- sumador) de la al menos una variable de salida de cada uno de los avalúos de inmuebles a cotizar suministrados por el usuario al inicio de la etapa de ejecución 200.

A partir de dicha cuarta sub-etapa de ejecución 240 cada avalúo de inmueble a cotizar tiene asociado un elemento acumulador- sumador, una pluralidad de índices de grupo y una pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida, en donde a su vez, cada aproximación numérica filtrada de al menos una variable de salida tiene asociado el modelo de regresión entrenado o de ensamble inteligente entrenado que la generó, la información sobre los avalúos de inmuebles de entrenamiento representativos que fueron utilizados para el entrenamiento de dicho modelo de regresión entrenado o modelo de ensamble inteligente entrenado, una pluralidad de índices de rendimiento y un coeficiente de ponderación.

Haciendo referencia a la Figura 11, en ella se muestran los pasos que conforman a la última sub-etapa de la etapa de ejecución 200, la quinta sub-etapa de ejecución 250, en la cual se conforma el catálogo de fichas de avalúos inmobiliarios, en donde cada ficha de avalúo inmobiliario corresponde a la representación gráfica de la información contenida en uno de los avalúos de inmuebles a cotizar obtenidos de la cuarta sub-etapa de ejecución 240, incluyendo el valor final de la al menos una variable de salida. Para tales fines se hace uso de herramientas cartográficas y de visualización de datos.

De forma general, la metodología de la quinta sub-etapa de ejecución 250 es la siguiente:

Por cada uno de los avalúos de inmuebles a cotizar: seleccionar un avalúo de inmueble a cotizar; representar gráficamente algunos elementos asociados de dicho avalúo de inmueble a cotizar en una ficha de avalúo inmobiliario; si el avalúo de inmueble a cotizar seleccionado tiene las variables de entrada representativas latitud y longitud, generar en la ficha de avalúo inmobiliario, un mapa representativo de la localidad donde se ubica el inmueble al que corresponde dicho avalúo de inmueble a cotizar; y, mostrar sobre dicho mapa representativo, la ubicación precisa del inmueble en cuestión, generándose al final de dicha quinta sub-etapa de ejecución 250, un catálogo de fichas de avalúos inmobiliarios.

De forma más específica, la quinta sub-etapa de ejecución 250 se encuentra conformada por los siguientes pasos:

i) seleccionar un avalúo de inmueble a cotizar;

ii) representar gráficamente en una ficha de avalúo inmobiliario, algunos elementos asociados al avalúo de inmueble a cotizar seleccionado en el paso (i) mediante el uso de herramientas de visualización de datos;

iii) determinar si el avalúo de inmueble a cotizar seleccionado en el paso (i) tiene dentro de sus variables de entrada representativas, las variables de ubicación latitud y longitud; si las tiene, continuar con el paso (iv); si no las tiene, continuar con el paso (vi ) ;

iv) generar en la ficha de avalúo inmobiliario conformada en el paso (ii), un mapa representativo de la localidad donde se ubica el inmueble al que corresponde el avalúo de inmueble a cotizar seleccionado en el paso (i) mediante una herramienta cartográfica; v) localizar y mostrar la ubicación precisa del inmueble al que corresponde el avalúo de inmueble a cotizar seleccionado en el paso (i) sobre el mapa representativo generado en el paso (iv); vi) repetir los pasos (i), (ii), (iii), (iv) y (v) por cada uno de los avalúos de inmuebles a cotizar que existan. En el paso (i) se selecciona un avalúo de inmueble a cotizar mediante técnicas de selección conocidas en el estado de la técnica.

En el paso (ii) se representan gráficamente algunos elementos asociados al avalúo de inmueble a cotizar seleccionado en el paso (i) en una ficha de avalúo inmobiliario. Dicha representación se realiza mediante el uso de herramientas de visualización de datos.

Dentro de los elementos del avalúo de inmueble a cotizar que se pueden representar en la ficha de avalúo inmobiliario se encuentran sus variables de entrada representativas, el valor numérico final del elemento acumulador-sumador, la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida, el coeficiente de ponderación, los modelos (de regresión o de ensamble inteligente) entrenados que generaron cada una de las aproximaciones numéricas filtradas de la al menos una variable de salida, entre otros.

Dentro de las herramientas de visualización de datos que más comúnmente se pueden utilizar encontramos hojas de cálculo y/o tablas, entre otras.

En el paso (iii) se determina si el avalúo de inmueble a cotizar seleccionado en el paso (i) tiene dentro de sus variables de entrada representativas, las variables de ubicación latitud y longitud. Dicha determinación se realiza mediante herramientas de identificación y reconocimiento conocidas en el estado de la técnica .

Si el avalúo de inmueble a cotizar tiene estas dos variables de entrada representativas, es posible mostrar su ubicación en un mapa, por lo que se continúa con el paso (iv) . Si no tiene estas dos variables de entrada representativas, entonces no será posible ubicarlo en un mapa cartográfico, por lo que el usuario solo observará en la ficha de avalúo inmobiliario, la información que se haya mostrado en el paso (ii), continuándose con el paso (vi) .

En el paso (iv) se genera en la ficha de avalúo inmobiliario conformada en el paso (ii), un mapa representativo de la localidad donde se ubica el inmueble al que corresponde el avalúo de inmueble a cotizar seleccionado en el paso (i) mediante una herramienta cartográfica .

Dentro de las herramientas cartográficas que se pueden emplear encontramos aquellas que hacen uso de bibliotecas externas como Open Street Map o Google Maps, entre otras.

En el paso (v) se localiza y se muestra la ubicación precisa del inmueble al que corresponde el avalúo de inmueble a cotizar seleccionado en el paso (i) sobre el mapa representativo generado en el paso (iv) mediante el uso de la herramienta cartográfica.

En el paso (vi) se repiten los pasos (i), (ii), (iii), (iv) y (v) por cada uno de los avalúos de inmuebles a cotizar que existan.

La totalidad de fichas de avalúos inmobiliarios generadas se conjuntan en un catálogo de fichas de avalúos inmobiliarios. Al finalizar la quinta sub-etapa de ejecución 250, el usuario puede observar de forma gráfica en las fichas de avalúos inmobiliarios, aquellos elementos significativos que representan a cada uno de los avalúos de inmuebles a cotizar asi como el valor de la al menos una variable de salida.

Una vez que se han concluido las cinco sub-etapas que conforman a la etapa de ejecución 200, por cada uno de los avalúos de inmuebles a cotizar suministrados por el usuario al inicio de la etapa de ejecución 200, se conoce el valor de la al menos una variable de salida definida por el mismo usuario durante la etapa de entrenamiento 100.

Aun cuando en la anterior descripción se ha descrito y mostrado las modalidades preferidas y alternativas de la presente invención, deberá hacerse hincapié en que son posibles numerosas modificaciones a la misma, sin apartarse del verdadero alcance de la invención. Por lo tanto, la presente invención no deberá ser restringida excepto por lo que sea requerido por la técnica anterior y por las reivindicaciones anexas.

Claims

REIVINDICACIONES

1. Un método para obtener un catálogo de fichas de avalúos inmobiliarios, caracterizado porque comprende una primera etapa de entrenamiento que consiste en:

definir una base de datos de avalúos de inmuebles de entrenamiento ;

definir al menos una variable de salida;

determinar variables de entrada representativas;

determinar avalúos de inmuebles de entrenamiento representativos ;

determinar y entrenar unos modelos de agrupamiento con base en los avalúos de inmuebles de entrenamiento representativos;

clasificar los avalúos de inmuebles de entrenamiento representativos en listas de avalúos de inmuebles clasificados; determinar y entrenar unos modelos de regresión y unos modelos de ensamble inteligente con base en la información contenida en las listas de avalúos de inmuebles clasificados; y,

una segunda etapa de ejecución que consiste en:

definir unos avalúos de inmuebles a cotizar;

ejecutar, sobre cada uno de los avalúos de inmuebles a cotizar, los modelos de agrupamiento entrenados para obtener una pluralidad de índices de grupo;

ejecutar, sobre cada uno de los avalúos de inmuebles a cotizar, los modelos de regresión entrenados y los modelos de ensamble inteligente entrenados para obtener una pluralidad de aproximaciones numéricas de la al menos una variable de salida; filtrar las aproximaciones numéricas de valores fuera de la media, obteniendo una pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida;

ejecutar un modelo de ensamble estadístico sobre cada uno de los avalúos de inmuebles a cotizar, obteniendo el valor de la al menos una variable de salida; y,

representar gráficamente información relevante de cada uno de los avalúos de inmuebles a cotizar en un catálogo de fichas de avalúos inmobiliarios.

2. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 1, caracterizado además porque la etapa de entrenamiento comprende: una primera sub-etapa de entrenamiento para definir una base de datos de avalúos de inmuebles de entrenamiento inicial que contiene avalúos de inmuebles de entrenamiento iniciales definidos en función de variables de entrada iniciales; definir al menos una variable de salida ligada a un valor económico de un inmueble; someter los avalúos de inmuebles de entrenamiento iniciales contenidos en la base de datos de avalúos de inmuebles de entrenamiento inicial a tres análisis de tipo computacional y humano para obtener variables de entrada representativas; y, filtrar la base de datos de avalúos de inmuebles de entrenamiento inicial en base a las variables de entrada representativas para generar una base de datos de avalúos de inmueble de entrenamiento filtrada que contiene el mismo número de avalúos de inmuebles de entrenamiento iniciales pero definidos en función de dichas variables de entrada representativas ;

una segunda sub-etapa de entrenamiento para someter los avalúos de inmuebles de entrenamiento iniciales contenidos en la base de datos de avalúos de inmuebles de entrenamiento filtrada a dos procesos de filtrado, obteniendo una base de datos de avalúos de inmuebles de entrenamiento tri-filtrada conformada por avalúos de inmuebles de entrenamiento representativos definidos en función de variables de entrada representativas;

una tercera sub-etapa de entrenamiento para determinar los modelos de agrupamiento a utilizar, en donde por cada uno de los modelos de agrupamientos determinados se filtra la base de datos de avalúos de inmuebles de entrenamiento tri-filtrada para obtener una base de datos de avalúos de inmuebles de entrenamiento tetra- filtrada; y, se entrena dicho modelo de agrupamiento con base sólo a la base de datos de avalúos de entrenamiento tetra-filtrada y a un algoritmo de agrupamiento, en donde al final de dicha tercera sub-etapa de entrenamiento se obtiene una base de datos de modelos de agrupamiento entrenados; una cuarta sub-etapa de entrenamiento para filtrar los avalúos de inmuebles de entrenamiento representativos contenidos en la base de datos de avalúos de entrenamiento tri-filtrada con base en características de los modelos de agrupamiento entrenados, obteniéndose avalúos de inmuebles de entrenamiento representativos filtrados; clasificar dichos avalúos de inmuebles de entrenamiento representativo filtrados mediante los modelos de agrupamiento entrenados; y, asignar los avalúos de inmuebles de entrenamiento representativos a unas listas de avalúos de inmuebles clasificados; una quinta sub-etapa de entrenamiento para determinar los modelos de regresión / modelos de ensamble inteligente a utilizar por cada una de las listas de avalúos de inmuebles clasificados, en donde por cada uno de los modelos de regresión / modelos de ensamble inteligente determinados: filtrar doblemente los avalúos de inmuebles de entrenamiento representativos de la lista de avalúos de inmuebles clasificados, obteniéndose avalúos de inmuebles de entrenamiento representativos bi-filtrados ; entrenar el modelo de regresión / modelo de ensamble inteligente correspondiente con base a los avalúos de inmuebles de entrenamiento representativos bi- filtrados, obteniéndose un modelo de regresión entrenado / modelo de ensamble inteligente entrenado y una pluralidad de matrices de coeficientes de entrenamiento; evaluar el rendimiento del modelo de regresión entrenado / modelo de ensamble inteligente entrenado, generándose una pluralidad de índices de rendimiento; y, almacenar información relevante, en donde al final de dicha quinta sub-etapa de entrenamiento se obtiene una base datos de modelos de regresión entrenados y una base de modelos de ensamble inteligente entrenados.

3. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 2, caracterizado además porque la primera sub-etapa de entrenamiento comprende los pasos de:

iv) someter las variables de entrada iniciales identificadas en el paso (iii) a un análisis numérico computacional , obteniéndose variables de entrada candidatas a partir de coeficientes de correlación determinados entre dichas variables de entrada iniciales y la al menos una variable de salida definida en el paso (ii);

vii) filtrar la base de datos de avalúos de inmuebles de entrenamiento inicial con base a las variables de entrada representativas obtenidas en el paso (vi) , obteniéndose una base de datos de avalúos de inmuebles de entrenamiento filtrada, en donde los avalúos de inmuebles de entrenamiento iniciales se encuentran definidos en función de las variables de entrada representativas.

4. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 3, caracterizado además porque las variables de entrada iniciales son variables que caracterizan a los inmuebles de interés, su entorno y al método de valuación reportado, las cuales se clasifican en: ubicación del inmueble; características inherentes al inmueble; cercanía del inmueble a sitios de interés; costo del inmueble; características inherentes al entorno donde se ubica el inmueble; y, características inherentes al método de valuación reportado.

5. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 4, caracterizado además porque las variables de entrada iniciales referentes a la ubicación del inmueble se identifican de entre el grupo que comprende el país, latitud, longitud, colonia, calle, si se ubica en esquina, si no se ubica en esquina y/o código postal.

6. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 4, caracterizado además porque las variables de entrada iniciales referentes a las características inherentes al inmueble se identifican de entre el grupo que comprende al régimen de propiedad, tipo de inmueble, uso de construcción; el grado de avance de la obra; número de baños y medios baños, clase del inmueble, conservación, número de habitaciones, número de estacionamientos, superficie vendible y/o edad.

7. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 4, caracterizado además porque las variables de entrada iniciales referentes a las características de la cercanía del inmueble a sitios de interés se identifican de entre el grupo que comprende la distancia a parques, plazas, hospitales, escuelas, mercados, museos, centros comerciales, bancos, deportivos, estadios, palacio de gobierno y/o aeropuerto.

8. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 4, caracterizado además porque las variables de entrada iniciales referentes a las características del costo del inmueble se identifican de entre el grupo que comprende el importe del valor comercial, importe de enfoque de rentas, importe de enfoque de costos, importe por m2 de terreno, importe de renta mensual, importe de enganche, pagos atrasados, pagos incumplidos y/o índice de morosidad .

9. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 4, caracterizado además porque las variables de entrada iniciales referentes a las características inherentes al entorno donde se ubica el inmueble se identifican de entre el grupo que comprende la densidad habitacional , densidad de viviendas, nivel de infraestructura urbana; clase de los inmuebles adyacentes, el nivel socio económico promedio del vecindario; altura promedio de edificios adyacentes, densidad de población, índices económicos locales, estatales y nacionales, índices de inseguridad y delincuencia locales, estatales y nacionales, índices sobre créditos hipotecarios y/o tasas de interés crediticias locales, estatales y nacionales.

10. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 4, caracterizado además porque las variables de entrada iniciales referentes a las características inherentes al método de valuación reportado, se identifican de entre el grupo que comprende la fecha de realización del avalúo y/o el propósito del avalúo.

11. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 4, caracterizado además porque la al menos una variable de salida es de tipo numérica, pudiendo ser un valor escalar o un rango de valores; en donde dicha al menos una variable de salida se selecciona de entre el grupo que comprende el importe de valor comercial del inmueble de interés, el importe de renta mensual, porcentaje de plusvalía ganado en un año e/o índice de morosidad en los créditos otorgados a ese tipo de inmueble.

12. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 2, caracterizado además porque la segunda sub-etapa de entrenamiento comprende los pasos de:

i) determinar unos primeros rangos numéricos admisibles para cada variable de entrada representativa por medio de la técnica de rango intercuartílico, obtenidos dichos primeros rangos numéricos admisibles a partir de la información contenida en la base de datos de avalúos de inmuebles de entrenamiento filtrada; ii) filtrar la base de datos de avalúos de inmuebles de entrenamiento filtrada con los primeros rangos numéricos admisibles determinados en el paso (i), obteniéndose una base de datos de avalúos de inmuebles de entrenamiento bi-filtrada;

iii) determinar unos segundos rangos numéricos admisibles para cada variable de entrada representativa por medio de la técnica de reglas de análisis de mercado obtenidos dichos segundos rangos numéricos admisibles a partir de la información contenida en la base de datos de avalúos de inmuebles de entrenamiento bi-filtrada; iv) filtrar la base de datos de avalúos de inmuebles de entrenamiento bi-filtrada con los segundos rangos numéricos admisibles determinados en el paso (iii), obteniéndose una base de datos de avalúos de inmuebles de entrenamiento tri-filtrada .

13. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 2, caracterizado además porque la tercera sub-etapa de entrenamiento comprende los pasos de:

i) determinar cantidad y tipo de modelos de agrupamiento a utilizar;

iii) filtrar la base de datos de avalúos de inmuebles de entrenamiento tri-filtrada obtenida en la segunda sub-etapa de entrenamiento en base a las variables de entrada representativas que caracterizan al modelo de agrupamiento seleccionado en el paso (ii), obteniéndose una base de datos de avalúos de inmuebles de entrenamiento tetra-filtrada;

iv) entrenar el modelo de agrupamiento seleccionado en el paso (ii) con base en la base de datos de avalúos de inmuebles de entrenamiento tetra-filtrada obtenida en el paso (iii) y al algoritmo de agrupamiento que caracteriza a dicho modelo de agrupamiento, obteniéndose una pluralidad de grupos de avalúos de inmuebles y un modelo de agrupamiento entrenado que tiene aprendido y asociado una pluralidad de arquetipos de grupos de avalúos de inmuebles ; v) repetir los pasos (ii), (iii) y (iv) por cada modelo de agrupamiento entrenado que exista;

14. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 13, caracterizado además porque el modelo de agrupamiento se encuentra definido en función de: un conjunto de variables de entrada representativas que utiliza; un identificador de agrupamiento; y, un algoritmo de agrupamiento.

15. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 14, caracterizado además porque el algoritmo de agrupamiento que define a un modelo de agrupamiento se selecciona de entre el grupo que comprende k-medias, agrupamiento por densidad, agrupamiento jerárquico, agrupamiento Linde-Buzo-Gray, agrupamiento por propagación de afinidad, agrupamiento difuso, mapas auto- organizados, redes neuronales artificiales, clasificación k-vecinos y/o clasificación por mezclas gaussianas.

16. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 14, caracterizado además porque el modelo de agrupamiento entrenado se encuentra definido en función de: una pluralidad de arquetipos de grupos de avalúos de inmuebles; un conjunto de variables de entrada representativas que utiliza; un identificador de agrupamiento; y, un algoritmo de agrupamiento que emplea, en donde tanto el identificador de agrupamiento, el conjunto de variables de entrada representativas como el algoritmo de agrupamiento son los mismos elementos que definen al modelo de agrupamiento.

17. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 16, caracterizado además porque en la base de datos de modelos de agrupamiento entrenados se almacena, por cada modelo de agrupamiento entrenado: su conjunto de variables de entrada representativas que utiliza; su identificador de agrupamiento; su algoritmo de agrupamiento ; y una representación informática de dicho modelo de agrupamiento entrenado.

18. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 2, caracterizado además porque la cuarta sub-etapa de entrenamiento comprende los pasos de:

i) seleccionar un avalúo de inmueble de entrenamiento representativo ;

ii) seleccionar un modelo de agrupamiento entrenado a utilizar;

19. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 2, caracterizado además porque la quinta sub-etapa de entrenamiento comprende los pasos de:

i) seleccionar una lista de avalúos de inmuebles clasificados de la pluralidad de listas de avalúos de inmuebles clasificados; ii) determinar al menos un modelo de regresión a utilizar por la lista de avalúos de inmuebles clasificados seleccionada en el paso (i) ; en caso de que se determine más de un modelo de regresión, seleccionar un modelo de regresión a utilizar;

xiii) entrenar el modelo de ensamble inteligente seleccionado del paso (x) con base en: los algoritmos de regresión de la totalidad de modelos de regresión determinados en el paso (ii), los avalúos de inmuebles de entrenamiento representativos bi-filtrados de ensamble del paso (xii) y a su algoritmo de ensamble inteligente, obteniéndose un modelo de ensamble inteligente entrenado y una pluralidad de matrices de coeficientes de entrenamiento de ensamble ;

xvii) repetir los pasos (i) a (xvi) por cada lista de inmuebles clasificados que conforman a la pluralidad de listas de inmuebles clasificados.

20. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 19, caracterizado además porque cada uno de los experimentos de evaluación que conforman a la pluralidad de experimentos de evaluación del paso (vi) se encuentra definido por: un modelo de regresión entrenado; unos avalúos de inmuebles de prueba; un índice de rendimiento de regresión; y, un método de validación cruzada; en donde los avalúos de inmuebles de prueba corresponden a los avalúos de inmuebles de entrenamiento representativos bi-filtrados para regresión .

21. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 19, caracterizado además porque cada uno de los experimentos de evaluación que conforman a la pluralidad de experimentos de evaluación del paso (xiv) se encuentra definido por: un modelo de ensamble inteligente entrenado; unos avalúos de inmuebles de prueba; un índice de rendimiento de ensamble; y, un método de validación cruzada; en donde los avalúos de inmuebles de prueba corresponden a los avalúos de inmuebles de entrenamiento representativos bi-filtrados para regresión.

22. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 19, caracterizado además porque el modelo de regresión se encuentra definido en función de: un conjunto de variables de entrada representativas iniciales; la al menos una variable de salida; un identificador de regresión; y, un algoritmo de regresión.

23. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 22, caracterizado además porque el algoritmo de regresión que define al modelo de regresión se selecciona de entre el grupo que comprende regresión lineal, regresión polinomial, regresión por k-vecinos, redes neuronales artificiales, máquinas de soporte vectorial, procesos gaussianos, regresión logística y/o árboles de regresión.

24. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 22, caracterizado además porque el modelo de regresión entrenado se encuentra definido en función de: un conjunto de variables entrenada representativas finales; un identificador de regresión; la al menos una variable de salida y un algoritmo de regresión; en donde dichas variables de entrada representativas finales pueden o no ser las mismas que las variables de entrada representativas iniciales del modelo de regresión; y en donde tanto el identificador de regresión, la al menos una variable de salida como el algoritmo de regresión son los mismos elementos que definen al modelo de regresión.

25. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con las reivindicaciones 20 y 24, caracterizado además porque la base de datos de modelos de regresión entrenados contiene información relacionada con cada uno de los modelos de regresión entrenados, como su identificador de regresión; su tipo de algoritmo de regresión; la pluralidad de índices de rendimiento asociada; el experimento de evaluación que lo generó; información sobre los avalúos de inmuebles de entrenamiento representativos que fueron utilizados para su entrenamiento; el nombre de lista de la lista de avalúos de inmuebles clasificados asociada a cada modelo de regresión; así como medidas estadísticas relevantes de las variables de entrada representativas de los avalúos de inmuebles de entrenamiento representativos de cada lista de avalúos de inmuebles clasificados.

26. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 19, caracterizado además porque el modelo de ensamble inteligente se encuentra definido en función de: un conjunto de variables de entrada representativas compatibles con unos modelos de regresión relacionados; una pluralidad de algoritmos de regresión a ensamblar; un algoritmo de ensamble inteligente; un identificador de ensamble inteligente; y la al menos una variable de salida.

27. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 26, caracterizado además porque el algoritmo de ensamble que define al modelo de ensamble inteligente se selecciona de entre el grupo que comprende contenedor de modelos, bagging, blending, boosting, stacking, redes neuronales artificiales, máquinas de soporte vectorial y/o procesos gausianos.

28. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 26, caracterizado además porque el modelo de ensamble inteligente entrenado se encuentra definido en función de: un conjunto de variables de entrada representativas compatibles con unos modelos de regresión relacionados; una pluralidad de algoritmos de regresión a ensamblar; un algoritmo de ensamble inteligente; un identificador de ensamble inteligente; y la al menos una variable de salida; en donde dichos elementos son los mismos elementos que definen al modelo de ensamble inteligente.

29. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicaciones 21 y 28, caracterizado además porque la base de datos de modelos de ensamble inteligente entrenados contiene información relacionada con cada uno de los modelos de ensamble inteligente entrenados, como su identificador de ensamble inteligente; su tipo de algoritmo de ensamble inteligente; la pluralidad de índices de rendimiento asociada; el experimento de evaluación que lo generó; información sobre los avalúos de inmuebles de entrenamiento representativos que fueron utilizados para su entrenamiento; el nombre de lista de la lista de avalúos de inmuebles clasificados asociada a cada modelo de ensamble inteligente; así como medidas estadísticas relevantes de las variables de entrada representativas de los avalúos de inmuebles de entrenamiento representativos de cada lista de avalúos de inmuebles clasificados.

30. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 2, caracterizado además porque la etapa de ejecución comprende: una primera sub-etapa de ejecución para definir unos avalúos de inmuebles a cotizar, en donde por cada avalúo de inmueble a cotizar: seleccionar un modelo de agrupamiento entrenado; filtrar dicho avalúo de inmueble a cotizar, obteniéndose un avalúo de inmueble a cotizar filtrado; y, aplicar dicho modelo de agrupamiento entrenado en el avalúo de inmueble a cotizar filtrado, obteniéndose un índice de grupo al que corresponde dicho avalúo de inmueble a cotizar, en donde se genera y queda asociada al final de dicha primera sub- etapa de ejecución, por cada avalúo de inmueble a cotizar, una pluralidad de índices de grupo;

una segunda sub-etapa de ejecución para seleccionar un avalúo de inmueble a cotizar, en donde por cada uno de los modelos de regresión entrenados / modelos de ensamble inteligente entrenados que le corresponda a dicho avalúo de inmueble a cotizar: seleccionar un modelo de regresión entrenado / modelo de ensamble inteligente entrenado; filtrar dicho avalúo de inmueble a cotizar obteniéndose un avalúo de inmueble a cotizar filtrado; aplicar dicho modelo de regresión entrenado / modelo de ensamble inteligente entrenado en el avalúo de inmueble a cotizar filtrado, obteniéndose una aproximación numérica de la al menos una variable de salida; y, repetir todos los pasos anteriores por cada uno de los avalúos de inmuebles a cotizar, en donde se genera y queda asociada al final de dicha segunda sub-etapa de ejecución, por cada avalúo de inmueble a cotizar, una pluralidad de aproximaciones numéricas de la al menos una variable de salida que tiene asociada los modelos de regresión entrenados o los modelos de ensamble inteligente entrenados que las generaron;

una tercera sub-etapa de ejecución para seleccionar un avalúo de inmueble a cotizar; calcular la media de la pluralidad de aproximaciones numéricas de la al menos una variable de salida asociada a dicho avalúo de inmueble a cotizar; filtrar y eliminar aquellas aproximaciones numéricas que estén alejadas de la media calculada, obteniéndose una pluralidad de aproximaciones numéricas filtradas; y, repetir todos los pasos anteriores por cada uno de los avalúos de inmuebles a cotizar, en donde se genera y queda asociada, al final de dicha tercera sub-etapa de ejecución, por cada avalúo de inmueble a cotizar, una pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida que tiene asociada los modelos de regresión entrenados o de ensamble inteligente entrenados que las generaron;

una cuarta sub-etapa de ejecución para seleccionar un avalúo de inmueble a cotizar, en donde por cada avalúo de inmueble a cotizar que exista: seleccionar una aproximación numérica filtrada de la al menos una variable de salida, en donde por cada aproximación numérica filtrada de la al menos una variable de salida que exista: identificar y determinar el modelo de regresión entrenado / modelo de ensamble inteligente entrenado que la generó; obtener de la base de datos de modelos de regresión o ensamble inteligente entrenados correspondiente, la información sobre los avalúos de inmuebles de entrenamiento representativos y la pluralidad de índices de rendimiento de dicho modelo de regresión entrenado / modelo de ensamble inteligente entrenado, asociando dicha información a dicha aproximación numérica filtrada; determinar un modelo de ensamble estadístico a utilizar; determinar medidas estadísticas de dicha pluralidad de aproximaciones numéricas filtradas con dicho modelo de ensamble estadístico; seleccionar una aproximación numérica filtrada de la al menos una variable de salida, en donde por cada aproximación numérica filtrada de la al menos una variable de salida que exista: ejecutar el modelo de ensamble estadístico determinado sobre dicha aproximación numérica filtrada en conjunto con las medidas estadísticas determinadas, obteniéndose un coeficiente de ponderación que queda asociado a dicha aproximación numérica filtrada; definir un elemento acumulador-sumador que queda asociado a dicho avalúo de inmueble a cotizar; seleccionar una aproximación numérica filtrada de la al menos una variable de salida, en donde por cada aproximación numérica filtrada de la al menos una variable de salida que exista: multiplicar dicha aproximación numérica filtrada por el coeficiente de ponderación, almacenando el valor obtenido en dicho elemento acumulador-sumador, en donde se obtiene al final de dicha cuarta sub-etapa de ejecución, para cada uno de los avalúos de inmuebles a cotizar, el valor de la al menos una variable de salida que corresponde al valor final del elemento acumulador-sumador correspondiente ;

una quinta sub-etapa de ejecución para seleccionar un avalúo de inmueble a cotizar; representar gráficamente en una ficha de avalúo inmobiliario, algunos elementos asociados a dicho avalúo de inmueble a cotizar; si el avalúo de inmueble a cotizar seleccionado tiene las variables de entrada representativas latitud y longitud, generar en dicha ficha de avalúo inmobiliario, un mapa representativo de la localidad donde se ubica el inmueble al que corresponde dicho avalúo de inmueble a cotizar; localizar y mostrar la ubicación precisa del inmueble al que corresponde dicho avalúo de inmueble a cotizar sobre dicho mapa representativo; y repetir todos los pasos anteriores por cada uno de los avalúos de inmuebles a cotizar, en donde se obtiene al final de dicha quinta sub-etapa de ejecución, un catálogo de fichas de avalúos inmobiliarios.

31. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 30, caracterizado además porque la primera sub-etapa de ejecución comprende los pasos de:

i) definir unos avalúos de inmuebles a cotizar;

ii) seleccionar un avalúo de inmueble a cotizar;

iv) filtrar el avalúo de inmueble a cotizar seleccionado en el paso (ii) en función de las variables de entrada representativas del modelo de agrupamiento entrenado seleccionado en el paso (iii), obteniéndose un avalúo de inmueble a cotizar filtrado para agrupamiento;

32. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 30, caracterizado además porque la segunda sub-etapa de ejecución comprende los pasos de:

i) seleccionar un avalúo de inmueble a cotizar;

ii) seleccionar un modelo de regresión entrenado de la base de datos de modelos de regresión entrenados de entre los modelos de regresión entrenados que le corresponden al avalúo de inmueble a cotizar seleccionado en el paso (i) por la pluralidad de índices de grupos que le fueron asignados en la primera sub-etapa de ejecución; iii) filtrar el avalúo de inmueble a cotizar seleccionado en el paso (i) en función de las variables de entrada representativas finales del modelo de regresión entrenado seleccionado en el paso (ii), obteniéndose un avalúo de inmueble a cotizar filtrado para regresión;

vi) seleccionar un modelo de ensamble inteligente entrenado de la base de datos de modelos de ensamble inteligente entrenados de entre los modelos de ensamble inteligente entrenados que le corresponden al avalúo de inmueble a cotizar seleccionado en el paso (i) por la pluralidad de índices de grupos que le fueron asignados en la primera sub-etapa de ejecución; si no hay modelos de ensamble inteligente entrenados que le correspondan al avalúo de inmueble a cotizar seleccionado, seguir con el paso (x) ;

vii) filtrar el avalúo de inmueble a cotizar seleccionado en el paso (i) en función de las variables de entrada representativas del modelo de ensamble inteligente entrenado seleccionado en el paso (vi), obteniéndose un avalúo de inmueble a cotizar filtrado para ensamble;

33. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 30, caracterizado además porque la tercera sub-etapa de ejecución comprende los pasos de:

i) seleccionar un avalúo de inmueble a cotizar;

ii) calcular la media de la pluralidad de aproximaciones numéricas de la al menos una variable de salida asociada al avalúo de inmueble a cotizar seleccionado en el paso (i);

iii) filtrar y eliminar aquellas aproximaciones numéricas que estén alejadas de la media calculada en el paso (ii), obteniéndose una pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida que queda asociada al avalúo de inmueble a cotizar seleccionado en el paso (i);

34. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 30, caracterizado además porque la cuarta sub-etapa de ejecución comprende los pasos de:

i) seleccionar un avalúo de inmueble a cotizar;

x) determinar medidas estadísticas de la pluralidad de aproximaciones numéricas filtradas de la al menos una variable de salida evaluadas como un conjunto, mediante el uso del modelo de ensamble estadístico definido en el paso (ix) ;

xiv) definir un elemento acumulador-sumador que queda asociado al avalúo de inmueble a cotizar seleccionado en el paso (i) ;

35. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 34, caracterizado además porque las medidas estadísticas que se determinan en el paso (x) se seleccionan de entre el grupo que comprende el número total de aproximaciones numéricas filtradas de la al menos una variable de salida y/o los rangos mínimo, máximo y promedio de la pluralidad de índices de rendimiento asociados a la pluralidad de aproximaciones numéricas de la al menos una variable de salida.

36. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 34, caracterizado además porque el modelo de ensamble estadístico se encuentra definido en función de: una pluralidad de algoritmos de regresión a ensamblar; un algoritmo de ensamble estadístico; un identificador de ensamble estadístico; y la al menos una variable de salida.

37. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 30, caracterizado además porque la quinta sub-etapa de ejecución comprende los pasos de:

i) seleccionar un avalúo de inmueble a cotizar;

iii) determinar si el avalúo de inmueble a cotizar seleccionado en el paso (i) tiene dentro de sus variables de entrada representativas, las variables de ubicación latitud y longitud; si las tiene, continuar con el paso (iv); si no las tiene, continuar con el paso (vi); iv) generar en la ficha de avalúo inmobiliario conformada en el paso (ii), un mapa representativo de la localidad donde se ubica el inmueble al que corresponde el avalúo de inmueble a cotizar seleccionado en el paso (i) mediante una herramienta cartográfica; v) localizar y mostrar la ubicación precisa del inmueble al que corresponde el avalúo de inmueble a cotizar seleccionado en el paso (i) sobre el mapa representativo generado en el paso (iv); vi) repetir los pasos (i), (ii), (iii), (iv) y (v) por cada uno de los avalúos de inmuebles a cotizar que existan,

en donde todas las fichas de avalúos inmobiliarios obtenidas, se compendien en un catálogo de fichas de avalúos inmobiliarios.

38. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 37, caracterizado además porque la herramienta de visualización de datos se selecciona de entre el grupo que comprende hojas de cálculo y/o tablas.

39. El método para obtener un catálogo de fichas de avalúos inmobiliarios, de conformidad con la reivindicación 37, caracterizado además porque la herramienta cartográfica se selecciona de entre el grupo que comprende los programas cartográficos Open Street Map y/o Google Maps .