Recomendados
Recomendados
Mais conteúdo relacionado
Destaque
Destaque (9)
Mais de Ubi NAIST
Mais de Ubi NAIST (20)
潜在的情報を用いた飲食店用不動産賃料推定モデル
- 1. 潜在的情報を用いた 飲食店用不動産賃料推定モデル 荒川 周造1 諏訪 博彦1 小川 祐樹2 荒川 豊1 安本 慶一1 太田 敏澄3 1 奈良先端科学技術大学院大学 情報科学研究科 2 立命館大学 3 元電気通信大学
- 4. 4 不動産価格推定への取り組み 不動産価格推定エンジン ビッグデータを活用した リアルタイム査定 不動産の 成約価格推定 決定木とNNに基づく不動産価格推定（Victor et al. 2015） IESHIL 風水を考慮した不動産価格推定（Chih-Hung et al. 2009） 交通システムと環境の質に着目した不動産価格推定 （Vincenza et al. 2014） 飲食店用物件の賃料推定には不十分
- 5. 5 SECIモデルに基づくモデル構築 野中ら(1995)が提案した知識創造モデル 暗黙知 形式知 形式知 暗黙知 (1 ) 共同化 (2 ) 表出化 (3 ) 連結化 (4 ) 内面化 暗黙知 形式知 言葉にできない知識 言葉にできる知識 ベテラン営業マンの暗黙知を表出化
- 6. 6 賃料決定に必要な要素 物件自体の静的情報 店舗周辺の動的情報 一般住宅向け 飲食店では これらも重要 例)通行量, 周辺価値 etc. 指標として取得可能な 顕在的情報 キャッチコピー, 口コミなどを 活用し抽出可能かも インタビューにより抽 出 潜在的情報 営業マンが 指標化できない 例)坪数, 階数etc.
- 7. 7 賃料推定概念モデル データ マイニング 自然言語処理 センシング 賃料決定概念 の抽出 静的情報 動的情報 潜在的情報 暗黙知 形式知 形式知 暗黙知 ①共同化 ②表出化 ③連結化④内面化 新人営業マンの 自己理解 OJT 共同作業 要素の指標化賃料決定に影響のある 要素の摘出 概念の利用
- 8. 8 賃料推定要素モデル
- 13. 視認性 通行量 2 3 4 3 2 .5 3 .5 平均 視認性×通行量 8 .7 5 13 動的情報の取得・指標化 店舗の視認性 地域ポテンシャル 店舗周辺の通行量 動的情報 物件の見つけやすさ 組み合わせて１つの指標に 営業マンのスコアリング により指標化 個人による差異が生じる センシングシステム の開発により解決可能 通行量センサ のプロトタイプ
- 15. 15 用語を抽出し指標化する取り組み GNT企業の成功要因の抽出（Shimoda et al. 2016） Twitterユーザの位置予測（Hau-Wen et al. 2015） ３つの確率モデルを用いて位置を推定 GNT(Global Nice Top)企業について書かれた 自由記述データをテキストマイニング さまざまな産業の成功要因に関する情報を取得
- 21. 21 検証方法 定量的評価手法 モデルの汎化性能を評価 物件データ(184件) (62) (61) (61) 学習 テスト 学習 学習学習 テスト テスト 決定係数R2 平均二乗誤差（RMSE） 3-fold交差検証 ３回分の平均値をとって評価
- 22. 22 推定モデルの評価 パラメータは木の深さを固定し グリッドサーチにより決定 （決定係数が最も優れたもの） RMSE 88212 71314 100747 低いほうが良い データ1：静 データ2：動 データ3：潜 データ4：静・動 データ5：静・潜 データ6：動・潜 データ7：すべて R2±σ 1.0に近い程 良い 0.250±0.058 0.510±0.045 -0.0662±0.36 0.638±0.027 0.435±0.070 0.726±0.030 0.731±0.015 62394 76063 53313 53439 モデルのパラメータ （木の数, 特徴量の数） （26, 2） （26, 1） （10, 1） （18, 3） （18, 3） （18, 3） （17, 3）
- 23. 23 推定モデルの評価 動的情報は基本価格の推定において 静的情報の約２倍優れている！ RMSE 88212 71314 100747 低いほうが良い データ1：静 データ2：動 データ3：潜 データ4：静・動 データ5：静・潜 データ6：動・潜 データ7：すべて R2±σ 1.0に近い程 良い 0.250±0.058 0.510±0.045 -0.0662±0.36 0.638±0.027 0.435±0.070 0.726±0.030 0.731±0.015 62394 76063 53313 53439 モデルのパラメータ （木の数, 特徴量の数） （26, 2） （26, 1） （10, 1） （18, 3） （18, 3） （18, 3） （17, 3） 潜在的情報は単体では賃料決定能力がない
- 24. 24 推定モデルの評価 潜在的情報は価格調整に優れており 静的情報と組み合わせると約1.7倍 動的情報と組み合わせると約1.4倍 に賃料決定能力が向上！ RMSE 88212 71314 100747 低いほうが良い データ1：静 データ2：動 データ3：潜 データ4：静・動 データ5：静・潜 データ6：動・潜 データ7：すべて R2±σ 1.0に近い程 良い 0.250±0.058 0.510±0.045 -0.0662±0.36 0.638±0.027 0.435±0.070 0.726±0.030 0.731±0.015 62394 76063 53313 53439 モデルのパラメータ （木の数, 特徴量の数） （26, 2） （26, 1） （10, 1） （18, 3） （18, 3） （18, 3） （17, 3）
- 25. 25 推定モデルの評価 すべての要素を用いたときが最も性能が良い 営業マンより「現場で十分に参考になる」との評価 RMSE 88212 71314 100747 低いほうが良い データ1：静 データ2：動 データ3：潜 データ4：静・動 データ5：静・潜 データ6：動・潜 データ7：すべて R2±σ 1.0に近い程 良い 0.250±0.058 0.510±0.045 -0.0662±0.36 0.638±0.027 0.435±0.070 0.726±0.030 0.731±0.015 62394 76063 53313 53439 モデルのパラメータ （木の数, 特徴量の数） （26, 2） （26, 1） （10, 1） （18, 3） （18, 3） （18, 3） （17, 3）