CN113396438A - 出售价格预测装置 - Google Patents

出售价格预测装置 Download PDF

Info

Publication number
CN113396438A
CN113396438A CN201980091381.XA CN201980091381A CN113396438A CN 113396438 A CN113396438 A CN 113396438A CN 201980091381 A CN201980091381 A CN 201980091381A CN 113396438 A CN113396438 A CN 113396438A
Authority
CN
China
Prior art keywords
house
information
selling
learning
selling price
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201980091381.XA
Other languages
English (en)
Other versions
CN113396438B (zh
Inventor
远藤荣一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wang Da Le Si Co ltd
Original Assignee
Wang Da Le Si Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wang Da Le Si Co ltd filed Critical Wang Da Le Si Co ltd
Publication of CN113396438A publication Critical patent/CN113396438A/zh
Application granted granted Critical
Publication of CN113396438B publication Critical patent/CN113396438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/08—Auctions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate

Landscapes

  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Technology Law (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

针对尚未以债权回收为目的而成为出售对象的住宅，准确地预测出在假定成为该对象时的出售价格。本装置具有：用于存储学习用信息的单元，所述学习用信息包含：拍卖住宅的出售价格、以及属性与出售住宅相同或类似并且在市场上交易的买卖住宅的所在地、所在楼层、专用面积、主要开口部的方位、买卖价格和具有出售住宅或买卖住宅特征的信息；以及预测单元，其使函数逼近器学习在将出售价格作为目标变量、买卖住宅的所在地、所在楼层、专用面积、主要开口部的方位、买卖价格等作为解释变量时的输入输出关系，并且通过向函数逼近器输入作为解释变量的信息，对估算对象住宅的出售价格进行预测，所述信息是估算对象住宅的所在地、所在楼层、专用面积、主要开口部的方位和买卖价格、以及在与估算对象住宅的所在地或属性相关联的一组学习用信息中的用作解释变量的信息。

Description

出售价格预测装置
技术领域
本发明涉及一种在假定对评价对象的住宅办理了房地产出售手续(例如司法拍卖、民间拍卖、任意出售等)时、对该住宅的出售价格进行预测的技术。
背景技术
当向金融机构(例如银行)申请住房贷款时，金融机构考虑从申请人的属性等推断出的坏账率、和延迟还款时进行的因抵押出售而导致的债权回收预计金额等的诸多条件，对贷款执行与否和贷款金额、贷款利率、保证金等贷款条件进行判断。
在此，当应收贷款的还款延迟时，由于金融机构能够出售抵押物，将出售金额的全部或一部分充当债权的回收，因此，在还没有发生拖欠的时间点、物件中，准确地预测出将来作为评价对象住宅的出售金额，对于判断是否贷款、贷款条件是非常重要的。
于是，在专利文献1中，提出了一种当由金融机构贷款的抵押物是汽车时，基于拍卖历史数据来计算抵押车辆的资产价值的技术。
现有技术文献
专利文献
专利文献1：日本专利申请特开2005-208703号公报
发明内容
发明要解决的问题:
然而，由于将汽车和住宅作为抵押物的特征、性质不同，并且以债权回收为目的而被出售的住宅数量很少，因此存在如下问题：上述现有技术无法应用在为了回收债权的房地产出售手续中的出售价格的预测。
因此，鉴于上述问题，本发明的目的是提供一种出售价格预测装置，其针对尚未以债权回收为目的而成为出售对象的住宅，准确地预测出在假定成为该对象时的出售价格。
解决问题的方案:
所公开的出售价格预测装置的一形态的特征在于，具有：学习用信息存储单元，其用于存储多个一组学习用信息，所述一组学习用信息包含：为了债权回收而办理房地产出售手续的出售住宅在所述房地产出售手续中的出售价格；以及属性与所述出售住宅相同或类似并且在市场上交易的买卖住宅的所在地、面积、买卖价格和具有所述出售住宅或所述买卖住宅特征的信息；出售价格预测单元，其针对所述一组学习用信息，使函数逼近器学习在将所述出售价格作为目标变量、信息分别作为解释变量时的输入输出关系，所述信息包含在关于所述买卖住宅的信息中的所述所在地、面积、买卖价格和具有所述出售住宅或所述买卖住宅特征的信息，并且通过向所述函数逼近器输入作为关于所述解释变量的信息，来计算在假定对一个估算对象住宅办理所述房地产出售手续时的所述出售价格的预测值，所述信息是关于所述一个估算对象住宅的所述所在地、面积和买卖价格、以及在多个所述学习用信息中的、与关于所述一个估算对象住宅的所在地或属性相关联的所述一组学习用信息中的用作所述解释变量的具有所述出售住宅或所述买卖住宅特征的信息。
所公开的一种出售价格预测装置的一形态的特征在于，具有：学习用信息存储单元，其用于存储多个一组学习用信息，所述一组学习用信息包含：为了债权回收而办理房地产出售手续的出售住宅在所述房地产出售手续中的出售价格；以及属性与所述出售住宅相同或类似并且在市场上交易的买卖住宅的所在地、所在楼层、专用面积、主要开口部的方位、买卖价格和具有所述出售住宅或所述买卖住宅特征的信息；出售价格预测单元，其针对所述一组学习用信息，使函数逼近器学习在将所述出售价格作为目标变量、信息分别作为解释变量时的输入输出关系，所述信息包含在关于所述买卖住宅的信息中的所述所在地、所在楼层、专用面积、主要开口部的方位、买卖价格和具有所述出售住宅或所述买卖住宅特征的信息，并且通过向所述函数逼近器输入作为关于所述解释变量的信息，来计算在假定对一个估算对象住宅办理所述房地产出售手续时的所述出售价格的预测值，所述信息是关于所述一个估算对象住宅的所述所在地、所在楼层、专用面积、主要开口部的方位和买卖价格、以及在多个所述学习用信息中的、与关于所述一个估算对象住宅的所在地或属性相关联的所述一组学习用信息中的用作所述解释变量的具有所述出售住宅或所述买卖住宅特征的信息。
发明效果：
针对尚未以债权回收为目的而成为出售对象的住宅，所公开的出售价格预测装置可准确地预测出在假定成为该对象时的出售价格。
附图说明
图1是表示本实施方式的出售价格预测装置的概要图。
图2是本实施方式的出售价格预测装置的功能框图。
图3是表示本实施方式的出售住宅信息存储单元之一例(项目例)的图。
图4是表示本实施方式的出售住宅信息存储单元之一例(数据例)的图。
图5是表示本实施方式的买卖住宅信息存储单元之一例(项目例)的图。
图6是表示本实施方式的买卖住宅信息存储单元之一例(数据例)的图。
图7是表示本实施方式的统计信息存储单元之一例的图。
图8是表示本实施方式的地价信息存储单元之一例的图。
图9是表示作为本实施方式的目标变量、解释变量所采用的项目之一例的图。
图10是表示本实施方式的出售价格预测装置的硬件结构例子的图。
图11是表示由本实施方式的出售价格预测装置进行的机器学习处理流程的流程图。
图12是表示由本实施方式的出售价格预测装置进行的出售价格预测处理流程的流程图。
附图标记的说明:
100：出售价格预测装置
110：出售住宅信息存储单元
120：买卖住宅信息存储单元
130：统计信息存储单元
140：地价信息存储单元
150：学习用信息生成单元
160：输入输出关系学习单元
170：出售价格预测单元
180：学习用信息存储单元
210：为了债权回收的房地产出售手续
220：司法拍卖
230：出售住宅：为了债权回收而办理了房地产出售手续的住宅
240：出售住宅的所在地
250：出售住宅的公寓名称
260：出售住宅的所在楼层
270：出售住宅的专用面积
280：出售住宅的主要开口部的方位
290：出售住宅的出售价格
300：关于出售住宅的管理费滞纳金的信息
310：买卖住宅：在市场上交易的住宅
320：买卖住宅的所在地
330：买卖住宅的公寓名称
340：买卖住宅的所在楼层
350：买卖住宅的专用面积
360：买卖住宅的主要开口部的方位
370：买卖住宅的买卖价格
380：学习用信息：学习用数据集
390：目标变量
400：解释变量
410：函数逼近器
420：出售价格的预测值
430：关于地区居住环境的统计信息
440：每个地区的官方地价信息
450：用户
460：用户终端
470：通信网络
510：CPU
520：ROM
530：RAM
540：辅助存储装置
550：通信接口
560：输入装置
570：输出装置
580：存储介质接口
590：存储介质
具体实施方式
在参照附图的同时，对用于实施本发明的方式进行说明。
(本实施方式的出售价格预测装置的工作原理)
利用图1至图9，对本实施方式的出售价格预测装置(以下仅称为“本装置”)100的工作原理进行说明。图1是用于说明本装置100与外围装置的关系图，图2是本装置100的功能框图。图3至图9是用于说明本装置100所具有的各元件的图。
本装置100是，针对尚未以债权回收为目的而办理房地产出售手续210的住宅，对于在将来办理房地产出售手续210时的出售价格进行预测。在此，以债权回收为目的的房地产出售手续210是指，司法拍卖220、民间拍卖、任意出售等的为了债权回收而出售房地产的整个手续，但为了便于说明，以下仅称为“拍卖”。在此，买卖价格370是指核定价格、售价、预计成交价格、成交价格等的、在房地产买卖交易的一系列流程中发生的以该房地产作为评价对象的整个价格概念，但为了便于说明，以下仅称为“买卖价格”。
独立屋或公寓(集体住宅)等的住宅(住户)具有所在地、所在楼层、面积(土地面积、建筑面积、专用面积等)、主要开口部的方位等各种特征，并且基于各要素来决定各个住宅的资产价值。另外，一般在市场上交易的住宅310的买卖价格370与在拍卖210中出售的住宅230的出售价格290具有不同的价格形成机制，并且两者之间存在背离。另一方面，还有如下状况：从与过去的类似物件有关的拍卖结果能够预测将来的出售价格的、进行拍卖210的住宅的数量并不多。总之，针对尚未进行拍卖210的住宅，无法预测在将来的拍卖210中的出售价格290。
在此，本装置100基于所定的规则，将关于缺乏案例数量的由拍卖210进行的出售物230的历史信息、与关于在案例数量丰富的市场上交易的住宅310的历史信息相关联，并生成用于使可学习的函数逼近器410学习的数据集380。而且，在学习用数据集380中，本装置100将拍卖210中的出售价格290作为目标变量，而另一方面，使函数逼近器410学习在将买卖住宅310的所在地320、所在楼层340、专用面积350、主要开口部的方位360等分别作为解释变量时的输入输出关系。像这样，针对尚未以债权回收为目的而成为出售对象的住宅，本装置100用于预测在假定成为该对象时的出售价格。
另外，本装置100通过从学习用数据集380提取出输入给学习完毕的函数逼近器410的部分解释变量的一部分，节省了用户输入数据的劳动，提高了预测售价的准确性。
如图1所示，本装置100经由通信网络470，与用户450操作的用户终端460进行连接。通信网络470可以是有线，也可以是无线。另外，用户终端460可以是台式或笔记本型的个人计算机，也可以是像智能手机、平板那样的便携式信息终端。
如图2所示，本装置100具有出售住宅信息存储单元110、买卖住宅信息存储单元120、统计信息存储单元130、地价信息存储单元140、学习用信息生成单元150、输入输出关系学习单元160、出售价格预测单元170、学习用信息存储单元180。
出售住宅信息存储单元110用于按每个物件，来存储包含进行了拍卖210的住宅(出售住宅)230的所在地240、公寓名称250、所在楼层260、专用面积270、主要开口部的方位280、在拍卖210中的出售价格290、与管理费滞纳金相关的信息300在内的关于出售住宅230的信息。如图3所示，出售住宅信息存储单元110除了这些之外，还可以采用对关于出售住宅230的各种项目的信息进行存储的方式。
如图4所示，所在地240例如是“八王子市千人町2-23-32”、“横滨市保土谷区权太坂1-287-6”等的信息。另外，所在楼层260例如是“2层”、“5层”等的信息，出售价格290是“25,700,108(日元)”、“17,200,903(日元)”等的信息。
此外，存储在出售住宅信息存储单元110中的信息，例如能够从房地产拍卖物信息网站(http://bit.sikkou.jp/app/top/pt001/h01/)获取。另外，从本网站获取的信息用于信息整理、排除特殊性，案件编号：抵押房地产拍卖案件(Ke案件)；中标人属性：个人除外；类别：股权出售、非出售物件除外；种类(登记)：住宅；出售价格：100万日元以下、1亿日元以上除外；投标人数量：3件以下除外等，优选从上述观点出发来实施数据清洗。
买卖住宅信息存储单元120用于按每个物件，来存储包含在市场上交易的住宅(买卖住宅)310的所在地320、公寓名称330、所在楼层340、专用面积350、主要开口部的方位360、买卖价格370在内的关于买卖住宅310的信息。如图5所示，买卖住宅信息存储单元120除了这些之外，还可以采用对关于买卖住宅310的各种项目的信息进行存储的方式。
如图6所示，公寓名称330例如是“Proud西八王子”、“Gran City保土谷”等的信息。另外，专用面积350例如是“72.72m2”、“75.34m2”等的信息，主要开口部的方位360是“东南”等的信息。
此外，存储在买卖住宅信息存储单元120中的信息，能够从因特网上的各种房地产信息网站获取。另外，从网站获取的信息用于信息整理、排除特殊性，优选从买卖价格：100万日元以下、1亿日元以上除外、土地使用权：所有权等的观点出发，来实施数据清洗。
统计信息存储单元130用于存储关于地区居住环境的统计信息430，该统计信息430包含每个地区的外国人比例、租赁用住宅的空置率、宜居程度中的任意一个以上。统计信息存储单元130除了这些之外，还可以采用对与统计信息430有关的各种项目的信息进行存储的方式。
如图7所示，作为统计信息430之一例的每个地区的外国人比例，例如是“东京都八王子市：1.45(％)”、“神奈川县横滨市保土谷区：1.84(％)”等的信息。另外，作为统计信息430之一例的租赁用住宅的空置率，例如是“东京都八王子市：16.8(％)”、“神奈川县横滨市保土谷区：19.3(％)”等的信息，宜居性是“东京都八王子市：3.96”、“神奈川县横滨市保土谷区：3.24”等的信息。
此外，存储在统计信息存储单元130中的信息，例如能够从政府统计的综合窗口(https://www.e-stat.go.jp)获取。
地价信息存储单元140用于存储每个地区的官方地价信息440。官方地价信息440包含：基于地价公示法的公示价格；基于国土利用计划法的基准地标准价格；基于继承税法的继承税路线价格；基于地方税法的固定资产税评估额。
如图8所示，地价信息440例如是“东京都八王子市上野町109-21：187,000(日元/m2)”、“神奈川县横滨市保土谷区初音丘141-11：174,000(日元/m2)”等的信息。
此外，存储在地价信息存储单元140中的信息，例如能够从土地综合信息系统(国土交通省地价公示数据)网站(http://www.land.mlit.go.jp/webland/)获取。
学习用信息存储单元180用于存储由下述的学习用信息生成单元150生成的多组学习用数据集380。
学习用信息生成单元150将关于出售住宅230的信息、与属性类似于作为对象的出售住宅230的关于买卖住宅310的信息，作为一组学习用信息380进行关联。属性类似于出售住宅230的买卖住宅310是指，建筑物与出售住宅230一致，且所在楼层、专用面积、主要开口部的方位、阳台面积等的、表示各住宅特征的信息位于规定误差内的买卖住宅。
此外，建筑物一致是指，所在地相同；或者考虑到所在地的笔误、即所在地的主要部分一致，并且公寓名称一致。另外，规定误差内是指如下的条件，例如所在楼层：差异在三层以内；专用面积：差异在15％以内；主要开口部的方位：差异在90度以内等。此外，由于关于买卖住宅310的信息、多于关于出售住宅230的信息，因此，将多个关于买卖住宅310的信息与一个关于出售住宅230的信息相关联，针对一个关于出售住宅230的信息，可以生成多组学习用信息380。
如图4和图6所示，由于所在地(东京都八王子市千人町2丁目)、公寓名称(Proud西八王子)的条件一致；所在楼层：相同；专用面积：误差为12.2％；主要开口部的方位：相同，因此，学习用信息生成单元150将出售住宅230：物件1的信息与买卖住宅310：物件1的信息，作为一组学习用信息380进行关联。
另外，在由学习用信息生成单元150生成的学习用信息380中，被关联的出售住宅230与买卖住宅310通常为不同的住宅，但如果为同一住宅也是没有问题的。
学习用信息生成单元150将关于出售住宅230的信息、关于与对象的出售住宅230所在地相一致地区的统计信息430，作为一组学习用信息380进行关联。
如图4和图7所示，学习用信息生成单元150将出售住宅230：物件1的信息、与所在地(东京都八王子市)一致的统计信息430：例1的信息，作为一组学习用信息380进行关联。
学习用信息生成单元150将关于出售住宅230的信息、与关于最接近作为对象的出售住宅230的位置的地价信息440，作为一组学习用信息380进行关联。使用三平方定理或胡本尼(Hubeny)公式，将作为对象的出售住宅230的纬度/经度、与各地价信息440的计算地点的纬度/经度进行比较，来确定最接近作为对象的出售住宅230的位置。
如图4和图8所示，学习用信息生成单元150将关于所在地(八王子市千人町2-23-32)的出售住宅230：物件1的信息、与最接近此处的地点(东京都八王子市上野町109-21)的地价信息440：187,000日元/m2，作为一组学习用信息380进行关联。
关于学习用信息生成单元150所生成的学习用信息380，可以采用除了在关于出售住宅230的信息中的“拍卖年月”、晚于在关于买卖住宅310的信息中的“买卖年月”之外的方式。这是为了符合房地产商的行为原则，即在改装了由拍卖获取的住宅之后，再在一般的交易市场上出售。
学习用信息生成单元150可以采用如下方式：通过将同一组内的多个信息组合在一组学习用信息380中，从而生成作为下述的目标变量390或解释变量400的新项目的信息。
如图3和图4所示，假定关于出售住宅230的信息包含关于作为对象的住宅的管理费滞纳金的信息(滞纳金、延迟损失费)300。此时，针对各学习用信息380，学习用信息生成单元150可以是如下方式：将管理费滞纳金等300加上出售价格290后的金额、设定为下述的目标变量390。另外，针对一组学习用信息380，学习用信息生成单元150可以是如下方式：将管理费滞纳金等300÷出售价格290、管理费滞纳金等300÷买卖价格370、买卖价格370-管理费滞纳金等300、或者管理费滞纳金等300本身设定为下述的解释变量400。这是因为如下情况被认为是妥当的：即拍卖中标人有义务偿还管理费滞纳金等300，并使其反映在目标变量390(出售价格290)或解释变量400中。
针对各学习用信息380，学习用信息生成单元150可以采用如下方式：计算出所在楼层260、所在楼层340之间的差异大小、专用面积270、专用面积350之间的差异大小，将其作为采用信息与各组的学习用信息380中的解释变量400相关联。这是因为它们会影响由下述的输入输出关系学习单元160学习的输入输出关系。
针对各个学习用信息380，输入输出关系学习单元160用于使函数逼近器410学习在将出售价格290作为目标变量390、信息分别作为解释变量400时的输入输出关系，所述信息包含在关于买卖住宅310的信息中的所在地320、所在楼层340、专用面积350、主要开口部的方位360和买卖价格370。此外，出售价格290还包含：将管理费滞纳金等300加上出售价格290并进行修正后的金额。
由于本装置100的目的是计算出售价格290，因此，只要将出售价格290作为目标变量390，就能够适当地选择作为解释变量400所采用的项目。在图9中，表示了作为目标变量390、解释变量400所采用的项目的一个例子。如图9所示，作为解释变量400，例如采用了所在地320、所在地320的用途地区、买卖住宅310所属的集体住宅的结构/楼层/总户数/到车站的距离/是否利用公共汽车、买卖价格370、专用面积350、买卖住宅310的布局/阳台面积/主要开口部的方位/所在楼层、滞纳金的多少/程度300、出售住宅230的管理费、被拍卖时的房龄(拍卖年月-新建成的年月)、“买卖年月-拍卖年月”(考虑了住宅被买卖的时期与出售时期之差的指标)、公示价格440、从成为公示价格计算基础的最近的标准地到买卖住宅310所属的集体住宅的最短距离、买卖住宅310所在地区的统计信息430(外国人比例、宜居性、租赁用住宅的空置率)。
函数逼近器410可以采用线性模型或非线性模型，作为非线性模型的例子，可举出支持向量机(Support Vector Machine)、随机森林(Random Forest)、XGBoost、神经网络(Neural Network)等。机器学习算法可具有用于控制该行为的一个以上的超参数。与包含在模型中的系数(参数)不同，超参数不是通过机器学习来确定的数值，而是在执行机器学习算法之前给出的数值。作为超参数的例子，可举出在随机森林中的决策树的生成数量、回归分析的拟合精度、包含在模型中的多项式的次数等。作为超参数的数值，可使用固定值，也可以使用由用户指定的数值。所生成的模型的预测性能还取决于超参数的数值。即使机器学习算法与样本尺寸相同，当超参数的数值发生变化时，模型的预测性能也可以发生变化。当机器学习算法的种类相同而超参数的数值不同时，可以将其视为使用了不同的机器学习算法。
在本实施方式中采用的随机森林是基于决策树的预测算法。通过使用基于决策树的预测模型，具有能够易于说明最终模型这样的优点。相反，关于除此之外的模型，大多数情况下很难说明为什么模型预测了该出售价格。在随机森林中，由于基于一系列的问题而做出决定，因此，可以认为是对数据进行分类的模型。随机森林是，通过决策树模型的集成学习来进行高精度的预测模型的方法。
出售价格预测单元170将关于解释变量400的信息、输入到通过输入输出关系学习单元160已完成学习的函数逼近器410，该解释变量400包含：关于一个估算对象住宅的所在地、所在楼层、专用面积、主要开口部的方位和买卖价格。由此，出售价格预测单元170计算出在假定估算对象住宅被进行拍卖210时的出售价格的预测值，并向函数逼近器410输出。
出售价格预测单元170从用户终端460接收到关于作为解释变量400所采用的项目的信息，该解释变量400包含关于估算对象住宅的所在地、所在楼层、专用面积、主要开口部的方位和买卖价格，并且将接收到的信息作为解释变量400输入到已完成学习的函数逼近器410中。
出售价格预测单元170从用户终端460接收关于估算对象住宅的所在地、买卖年月(购买日)、买卖价格、布局、所在楼层、专用面积、阳台面积、主要开口部的方位、管理费等专用部分的信息。然后，出售价格预测单元170指定包含与接收到的估算对象住宅的所在地相一致的所在地320的学习用信息380。其中，与所在地相一致是指所比较的所在地之间相同或者考虑所在地的笔误，所比较的所在地的主要部分相一致且公寓名称相一致。
进一步地，出售价格预测单元170从指定的学习用信息380中，提取出关于作为解释变量400所采用的项目的信息(从用户终端460接收到的估算对象住宅的专有部分的相关信息除外)。如图9所示，出售价格预测单元170例如从特定的一组学习用信息380中，提取出关于用途地区、结构、楼层、总户数、交通(从车站步行)、交通(公交服务)、沿线名称、新建成的年月、拍卖年月、公示价格440、外国人比例430、宜居性430、该区域的空置率430的信息。
然后，出售价格预测单元170将从用户终端460接收的信息以及从学习用信息380中提取的信息作为关于解释变量400的信息而输入到函数逼近器410。由此，可以节省用户450向本装置100输入数据的劳力，同时，由于使用在函数逼近器410的学习中使用的学习用信息380，因此提高了估算对象住宅相关的出售价格的预测准确度。
出售价格预测单元170从用户终端460接收到关于作为解释变量400所采用的项目的信息，该解释变量400包含关于估算对象住宅的所在地、所在楼层、专用面积、主要开口部的方位和买卖价格，并且将接收到的信息作为解释变量400输入到已完成学习的函数逼近器410中。然后，出售价格预测单元170指定所在地320位于从S110中收到的估算对象住宅的所在地开始的预定距离以内，以及(或者)，与估算对象住宅的属性相类似的买卖住宅310相关的学习用信息380。此处，与住宅的属性相类似是指，在如下信息中的任意一个以上的观点中，相同或者即便有差异，该差异也处在预定范围以内：表示包含所比较的住宅之间的所在楼层、占用面积、主要开口方向、买卖价格、户型以及阳台面积的比较对象住宅的特征的信息；以及表示包含土地用途地域、结构、楼层、总户数、交通便利性和建筑年限的比较对象住宅(所属的公寓整体)的特征的信息。
进一步地，出售价格预测单元170从特定的学习用信息380中，提取出关于作为解释变量400所采用的项目的信息(从用户终端460接收到的估算对象住宅的专有部分的相关信息除外)。如图9所示，出售价格预测单元170例如从特定的一组学习用信息380中，提取出关于用途地区、结构、楼层、总户数、交通(从车站步行)、交通(公交服务)、沿线名称、新建成的年月、拍卖年月、公示价格440、外国人比例430、宜居性430、该区域的空置率430的信息。
然后，出售价格预测单元170将从用户终端460接收的信息以及从学习用信息380提取的信息、作为关于解释变量400的信息而输入到函数逼近器410。由此，可以节省由用户450向本装置100输入数据的劳力，并且对于过去没有拍卖物件的公寓的住宅(集体住宅)，也能够对出售价格进行准确的预测。
另外还可以采用如下方式，出售价格预测单元170指定多组的学习用信息380，针对各组的学习用信息380进行上述处理之后，将在各个处理中计算出的多个出售价格预测值的平均值和中央值作为估算对象住宅相关的出售价格的预测值。
关于作为解释变量400的被拍卖时的房龄，所述出售价格预测单元170可以从用户终端460接收到预测对象的日期，并从预测对象的日期扣除“包含在学习用信息380中的新建成的年月”后进行计算，并且将其输入到函数逼近器410。
基于上述的工作原理，针对尚未以债权回收为目的而成为出售对象的住宅，本装置100用于预测在假定成为该对象时的出售价格。
(本实施方式的出售价格预测装置的硬件结构)
利用图10，对本装置100的硬件结构例进行说明。图10是表示本装置100的硬件结构之一例的图。如图10所示，本装置100具有CPU(中央处理器)510、ROM(只读存储器)520、RAM(随机存取存储器)530、辅助存储装置540、通信I/F550、输入装置560、显示装置570、存储介质I/F580。
CPU510是执行存储在ROM520中的程序的装置，并根据程序的指令对在RAM 530中扩展(加载)的数据进行计算处理，从而控制整个本装置100。ROM520用于存储由CPU510执行的程序和数据。当用CPU510执行存储在ROM520中的程序时，RAM 530扩展(加载)了要执行的程序和数据，并在计算期间临时保存计算数据。
辅助存储装置540是将作为基本软件的OS(操作系统)和本实施方式的应用程序等、与相关数据一起进行存储的装置。辅助存储装置540包含存储单元110、120、130、140、180，例如是HDD(硬盘驱动器)和闪存等。
通信I/F550与有线/无线LAN(局域网)、因特网等通信网络470连接，并且是用于与提供通信功能的其他装置460交换数据的接口。
输入装置560是用于向键盘等本装置100进行数据输入的装置。显示装置(输出装置)570是由LCD(液晶显示器)等构成的装置，并且是在用户利用本装置100所具有的功能时或进行各种设定时的、作为用户界面发挥功能的装置。存储介质I/F580是用于与CD-ROM、DVD-ROM、USB存储器等存储介质590进行数据收发的接口。
本装置100所具有的各单元可以采用如下方式：CPU510通过执行与存储在ROM520或辅助存储装置540中的各单元相对应的程序来实现。另外，本装置100所具有的各单元可以采用将关于该各单元的处理作为硬件来实现的方式。此外，还可以采用如下方式：经由通信I/F550从外部服务器装置读取本发明的程序，或者经由存储介质I/F580从存储介质590读取本发明的程序，并使本装置100执行该程序。
(由本实施方式的出售价格预测装置进行处理的例子)
(1)由本装置100进行的机器学习处理
利用图11，来说明由本装置进行的机器学习处理的流程。图11是表示由本装置100进行的机器学习处理流程的流程图。
在S10中，学习用信息生成单元150将存储在出售住宅信息存储单元110中的关于出售住宅230的信息、与存储在买卖住宅信息存储单元120中的关于属性类似于作为对象的出售住宅230的买卖住宅310的信息，作为一组学习用信息380进行关联。
属性类似于出售住宅230的买卖住宅310是指，当住宅230、310为集体住宅中的住户时，建筑物与出售住宅230一致，且所在楼层、专用面积、主要开口部的方位、阳台面积等的、表示整个公寓特征的信息位于规定误差内的买卖住宅。
此外，建筑物一致是指，所在地相同；或者考虑到所在地的笔误、即所在地的主要部分一致，并且公寓名称一致。另外，规定误差内是指如下的条件，例如所在楼层：差异在三层以内；专用面积：差异在15％以内；主要开口部的方位：差异在90度以内等。此外，由于关于买卖住宅310的信息、多于关于出售住宅230的信息，因此，将多个关于买卖住宅310的信息与一个关于出售住宅230的信息相关联，针对一个关于出售住宅230的信息，可以生成多组学习用信息380。
如图4和图6所示，例如，由于所在地(东京都八王子市千人町2丁目)、公寓名称(Proud西八王子)的条件一致；所在楼层：相同；专用面积：误差为12.2％；主要开口部的方位：相同，因此，学习用信息生成单元150将出售住宅230：物件1的信息与买卖住宅310：物件1的信息，作为一组学习用信息380进行关联。
并且，在S10中，学习用信息生成单元150可以采用如下方式：将存储在出售住宅信息存储单元110中的关于出售住宅230的信息、与存储在统计信息存储单元130中的、关于所在地跟作为对象的出售住宅230一致的地区的统计信息430，作为一组学习用信息380进行关联。
如图4和图7所示，学习用信息生成单元150例如将出售住宅230：物件1的信息、与所在地(东京都八王子市)一致的统计信息430：例1的信息，作为一组学习用信息380进行关联。
并且，在S10中，学习用信息生成单元150可以采用如下方式：将存储在出售住宅信息存储单元110中的关于出售住宅230的信息、与存储在地价信息存储单元140中的、关于最接近作为对象的出售住宅230的位置的地价信息440，作为一组学习用信息380进行关联。使用三平方定理或胡本尼公式，将作为对象的出售住宅230的纬度/经度、与各地价信息440的计算地点的纬度/经度进行比较，来确定最接近作为对象的出售住宅230的位置。
如图4和图8所示，学习用信息生成单元150例如将关于所在地(八王子市千人町2-23-32)的出售住宅230：物件1的信息、与最接近此处的地点(东京都八王子市上野町109-21)的地价信息440：187,000日元/m2，作为一组学习用信息380进行关联。
可是，在S10中，关于学习用信息生成单元150所生成的学习用信息380，可以采用除了在关于出售住宅230的信息中的“拍卖年月”、晚于在关于买卖住宅310的信息中的“买卖年月”之外的方式。这是为了符合房地产商的行为原则，即在改装了由拍卖获取的住宅之后，再在一般的交易市场上出售。
另外，在S10中，学习用信息生成单元150可以采用如下方式：通过将同一组内的多个信息组合在一组学习用信息380中，从而生成作为下述的目标变量390或解释变量400的具备新属性的项目的信息。
如图3和图4所示，假定关于出售住宅230的信息包含关于作为对象的住宅的管理费滞纳金的信息(滞纳金、延迟损失费)300。此时，在S10中，针对各学习用信息380，学习用信息生成单元150可以是如下方式：将管理费滞纳金等300加上出售价格290后的金额、设定为下述的目标变量390。另外，在S10中，针对一组学习用信息380，学习用信息生成单元150可以是如下方式：将管理费滞纳金等300÷出售价格290、管理费滞纳金等300÷买卖价格370、买卖价格370-管理费滞纳金等300、或者管理费滞纳金等300本身设定为下述的解释变量400。这是因为如下情况被认为是妥当的：即拍卖中标人有义务偿还管理费滞纳金等300，并使其反映在目标变量390(出售价格290)或解释变量400中。
在S10中，针对各学习用信息380，学习用信息生成单元150可以采用如下方式：计算出所在楼层260、所在楼层340之间的差异大小、专用面积270、专用面积350之间的差异大小，将其作为各组的学习用信息380中的解释变量400相关联。这是因为它们会影响由下述的输入输出关系学习单元160学习的输入输出关系。
在S20中，针对在S10中生成的各个学习用信息380，输入输出关系学习单元160用于使函数逼近器410学习在将出售价格290作为目标变量390、信息分别作为解释变量400时的输入输出关系，所述信息包含在关于买卖住宅310的信息中的所在地320、所在楼层340、专用面积350、主要开口部的方位360和买卖价格370。此外，出售价格290还包含：将管理费滞纳金等300加上出售价格290并进行修正后的金额。
由于本装置100的目的是计算出售价格290，因此，无法改变将出售价格290作为目标变量390，但能够适当地选择作为解释变量400所采用的项目。
在图9中，表示了作为目标变量390、解释变量400所采用的项目的一个例子。如图9所示，作为解释变量400，例如采用了所在地320、所在地320的用途地区、买卖住宅310所属的集体住宅的结构/楼层/总户数/到车站的距离/是否利用公共汽车、买卖价格370、专用面积350、买卖住宅310的布局/阳台面积/主要开口部的方位/所在楼层、滞纳金的多少/程度300、出售住宅230的管理费、被拍卖时的房龄(拍卖年月-新建成的年月)、“买卖年月-拍卖年月”(考虑了住宅被买卖的时期与出售时期之差的指标)、公示价格440、从成为公示价格计算基础的最近的标准地到买卖住宅310所属的集体住宅的最短距离、买卖住宅310所在地区的统计信息430(外国人比例、宜居性、租赁用住宅的空置率)。
函数逼近器410可以采用线性模型或非线性模型，作为非线性模型的例子，可举出支持向量机(Support Vector Machine)、随机森林(Random Forest)、XGBoost、神经网络(Neural Network)等。在本实施方式中采用的随机森林是基于决策树的预测算法。通过使用基于决策树的预测模型，具有能够易于说明最终模型这样的优点。相反，关于除此之外的模型，大多数情况下很难说明为什么模型预测出该出售价格。在随机森林中，由于基于一系列的问题而做出决定，因此，可以认为是对数据进行分类的模型。随机森林是，通过决策树模型的集成学习来进行高精度的预测模型的方法。
通过进行上述处理，本装置100、即公开的出售价格预测装置，针对尚未以债权回收为目的而成为出售对象的住宅，可预测在假定成为该对象时的出售价格，并生成函数逼近器410。
(2)由本装置100进行的出售价格预测处理
利用图12，来说明由本装置进行的出售价格预测处理的流程。图12是表示由本装置100进行的出售价格预测处理流程的流程图。
在S110中，出售价格预测单元170从用户终端460接收到关于作为解释变量400所采用的项目的信息，该解释变量400包含关于估算对象住宅的所在地、所在楼层、专用面积、主要开口部的方位和买卖价格。在S120中，出售价格预测单元170将在S110中接收到的、包含关于估算对象住宅的所在地、所在楼层、专用面积、主要开口部的方位和买卖价格在内的解释变量400的信息，输入到在S20中已完成学习的函数逼近器410。而且，在S130中，出售价格预测单元170计算出在假定估算对象住宅被进行拍卖210时的出售价格的预测值，并向函数逼近器410输出。
在S110中，出售价格预测单元170可以采用如下方式：其从用户终端460接收关于估算对象住宅的所在地、买卖年月(购买日)、买卖价格、布局、所在楼层、专用面积、阳台面积、主要开口部的方位、管理费等专用部分的信息。此时，在S120中，出售价格预测单元170指定包含与接收到的估算对象住宅的所在地相一致的所在地320的学习用信息380。其中，与所在地相一致是指所比较的所在地之间相同或者考虑所在地的笔误，所比较的所在地的主要部分相一致且公寓名称相一致。
进一步地，在S120中，出售价格预测单元170从在S110中指定的学习用信息380中，提取出关于作为解释变量400所采用的项目的信息(从用户终端460接收到的估算对象住宅的专有部分的相关信息除外)。如图9所示，出售价格预测单元170例如从特定的一组学习用信息380中，提取出关于用途地区、结构、楼层、总户数、交通(从车站步行)、交通(公交服务)、沿线名称、新建成的年月、拍卖年月、公示价格440、外国人比例430、宜居性430、该区域的空置率430的信息。
接下来，在S120中，出售价格预测单元170将从用户终端460接收的信息以及从学习用信息380中提取的信息作为关于解释变量400的信息而输入到函数逼近器410。在S130中，出售价格预测单元170计算出在假定估算对象住宅被进行拍卖210时的出售价格的预测值，作为函数逼近器410的输出。
通过执行上述处理，本装置100可以节省用户450向本装置100输入数据的劳力，同时，由于使用在函数逼近器410的学习中使用的学习用信息380，因此提高了估算对象住宅相关的出售价格的预测准确度。
另外，在S120中，出售价格预测单元170可以采用如下方式：指定所在地320位于从S110中收到的估算对象住宅的所在地开始的预定距离以内，以及(或者)，与估算对象住宅的属性相类似的买卖住宅310相关的学习用信息380。此处，与住宅的属性相类似是指，在如下信息中的任意一个以上的观点中，相同或者即便有差异，该差异也处在预定范围以内：表示包含所比较的住宅之间的所在楼层、占用面积、主要开口方向、买卖价格、户型以及阳台面积的比较对象住宅的特征的信息；以及表示包含土地用途地域、结构、楼层、总户数、交通便利性和建筑年限的比较对象住宅(所属的公寓整体)的特征的信息。
进一步地，在S120中，出售价格预测单元170从在S120中指定的学习用信息380中，提取出关于作为解释变量400所采用的项目的信息(从用户终端460接收到的估算对象住宅的专有部分的相关信息除外)。如图9所示，出售价格预测单元170例如从特定的一组学习用信息380中，提取出关于用途地区、结构、楼层、总户数、交通(从车站步行)、交通(公交服务)、沿线名称、新建成的年月、拍卖年月、公示价格440、外国人比例430、宜居性430、该区域的空置率430的信息。
接下来，在S120中，出售价格预测单元170将从用户终端460接收的信息以及从学习用信息380中提取的信息作为关于解释变量400的信息而输入到函数逼近器410。在S130中，出售价格预测单元170计算出在假定估算对象住宅被进行拍卖210时的出售价格的预测值，作为函数逼近器410的输出。
通过执行上述处理，本装置100可以节省用户450向本装置100输入数据的劳力，同时，由于使用在函数逼近器410的学习中使用的学习用信息380，因此提高了估算对象住宅相关的出售价格的预测准确度。
另外还可以采用如下方式，出售价格预测单元170指定多组的学习用信息380，针对各组的学习用信息380进行上述处理之后，将在各个处理中计算出的多个出售价格预测值的平均值和中央值作为估算对象住宅相关的出售价格的预测值。
以上详细说明了本发明的实施方式，但本发明并不限于特定的实施方式，在权利要求书所记载的本发明要旨的范围内，可以进行各种变形、变更。

Claims (17)

1.一种出售价格预测装置，其特征在于，具有：
学习用信息存储单元，其用于存储多个一组学习用信息，所述一组学习用信息包含：为了债权回收而办理房地产出售手续的出售住宅在所述房地产出售手续中的出售价格；以及属性与所述出售住宅相同或类似并且在市场上交易的买卖住宅的所在地、面积、买卖价格和具有所述出售住宅或所述买卖住宅特征的信息；
出售价格预测单元，其针对所述一组学习用信息，使函数逼近器学习在将所述出售价格作为目标变量、信息分别作为解释变量时的输入输出关系，所述信息包含在关于所述买卖住宅的信息中的所述所在地、面积、买卖价格和具有所述出售住宅或所述买卖住宅特征的信息，并且通过向所述函数逼近器输入作为关于所述解释变量的信息，来计算在假定对一个估算对象住宅办理所述房地产出售手续时的所述出售价格的预测值，所述信息是关于所述一个估算对象住宅的所述所在地、面积和买卖价格、以及在多个所述学习用信息中的、与关于所述一个估算对象住宅的所在地或属性相关联的所述一组学习用信息中的用作所述解释变量的具有所述出售住宅或所述买卖住宅特征的信息。
2.一种出售价格预测装置，其特征在于，具有：
学习用信息存储单元，其用于存储多个一组学习用信息，所述一组学习用信息包含：为了债权回收而办理房地产出售手续的出售住宅在所述房地产出售手续中的出售价格；以及属性与所述出售住宅相同或类似并且在市场上交易的买卖住宅的所在地、所在楼层、专用面积、主要开口部的方位、买卖价格和具有所述出售住宅或所述买卖住宅特征的信息；
出售价格预测单元，其针对所述一组学习用信息，使函数逼近器学习在将所述出售价格作为目标变量、信息分别作为解释变量时的输入输出关系，所述信息包含在关于所述买卖住宅的信息中的所述所在地、所在楼层、专用面积、主要开口部的方位、买卖价格和具有所述出售住宅或所述买卖住宅特征的信息，并且通过向所述函数逼近器输入作为关于所述解释变量的信息，来计算在假定对一个估算对象住宅办理所述房地产出售手续时的所述出售价格的预测值，所述信息是关于所述一个估算对象住宅的所述所在地、所在楼层、专用面积、主要开口部的方位和买卖价格、以及在多个所述学习用信息中的、与关于所述一个估算对象住宅的所在地或属性相关联的所述一组学习用信息中的用作所述解释变量的具有所述出售住宅或所述买卖住宅特征的信息。
3.根据权利要求1或2所述的出售价格预测装置，其特征在于，
所述出售价格预测单元从所述多个学习用信息中、特定出所述买卖住宅的所在地与所述一个估算对象住宅的所在地一致的所述一组学习用信息，并从特定出的所述一组学习用信息中、提取出用作所述解释变量的具有所述出售住宅或买卖住宅特征的信息，并且将提取出的具有所述出售住宅或买卖住宅特征的信息、作为关于所述解释变量的信息进行输入。
4.根据权利要求3所述的出售价格预测装置，其特征在于，
所述一组学习用信息包含所述买卖住宅的公寓名称，
所述出售价格预测单元从所述多个学习用信息中、特定出所述买卖住宅的所述公寓名称与所述一个估算对象住宅的公寓名称一致的所述一组学习用信息，并从特定出的所述一组学习用信息中、提取出用作所述解释变量的具有所述出售住宅或买卖住宅特征的信息，并且将提取出的具有所述出售住宅或买卖住宅特征的信息、作为关于所述解释变量的信息进行输入。
5.根据权利要求1或2所述的出售价格预测装置，其特征在于，
所述出售价格预测单元从所述多个学习用信息中、特定出所述买卖住宅的所在地与所述一个估算对象住宅相关的所在地位于规定距离内的所述一组学习用信息，并从特定出的所述一组学习用信息中、提取出用作所述解释变量的具有所述出售住宅或买卖住宅特征的信息，并且将提取出的具有所述出售住宅或买卖住宅特征的信息、作为关于所述解释变量的信息进行输入。
6.根据权利要求1、2或5所述的出售价格预测装置，其特征在于，
所述出售价格预测单元从所述多个学习用信息中、特定出与所述一个估算对象住宅属性类似的住宅相关的所述一组学习用信息，并从特定出的所述一组学习用信息中、提取出用作所述解释变量的具有所述出售住宅或买卖住宅特征的信息，并且将提取出的具有所述出售住宅或买卖住宅特征的信息、作为关于所述解释变量的信息进行输入。
7.根据权利要求6所述的出售价格预测装置，其特征在于，
从包含面积、买卖价格、布局、所在的用途地区、结构、建筑物楼层、交通连接和房龄在内的表示比较对象住宅特征的信息中的任意一个以上的观点看，所述出售价格预测单元用于特定出与所述一个估算对象住宅属性类似的住宅相关的所述一组学习用信息。
8.根据权利要求6所述的出售价格预测装置，其特征在于，
从包含所在楼层、专用面积、主要开口部的方位、买卖价格、布局和阳台面积在内的表示比较对象住宅特征的信息以及包含所在的用途地区、结构、楼层、总户数、交通连接和房龄在内的表示比较对象住宅所属的公寓的整体特征的信息中的任意一个以上的观点看，所述出售价格预测单元用于特定出与所述一个估算对象住宅属性类似的住宅相关的所述一组学习用信息。
9.一种出售价格预测方法，学习用信息存储单元用于存储多个一组学习用信息，所述一组学习用信息包含：为了债权回收而办理房地产出售手续的出售住宅在所述房地产出售手续中的出售价格；以及属性与所述出售住宅相同或类似并且在市场上交易的买卖住宅的所在地、面积、买卖价格和具有所述出售住宅或所述买卖住宅特征的信息，在具有所述学习用信息存储单元的计算机中，包含如下步骤：
出售价格预测单元用于针对所述一组学习用信息，使函数逼近器学习在将所述出售价格作为目标变量、信息分别作为解释变量时的输入输出关系，所述信息包含在关于所述买卖住宅的信息中的所述所在地、面积、买卖价格和具有所述出售住宅或所述买卖住宅特征的信息，并且通过向所述函数逼近器输入作为关于所述解释变量的信息，来计算在假定对一个估算对象住宅办理所述房地产出售手续时的所述出售价格的预测值，所述信息是关于所述一个估算对象住宅的所述所在地、面积和买卖价格、以及在多个所述学习用信息中的、与关于所述一个估算对象住宅的所在地或属性相关联的所述一组学习用信息中的用作所述解释变量的具有所述出售住宅或所述买卖住宅特征的信息。
10.一种出售价格预测方法，学习用信息存储单元用于存储多个一组学习用信息，所述一组学习用信息包含：为了债权回收而办理房地产出售手续的出售住宅在所述房地产出售手续中的出售价格；以及属性与所述出售住宅相同或类似并且在市场上交易的买卖住宅的所在地、所在楼层、专用面积、主要开口部的方位、买卖价格和具有所述出售住宅或所述买卖住宅特征的信息，在具有所述学习用信息存储单元的计算机中，包含如下步骤：
出售价格预测单元用于针对所述一组学习用信息，使函数逼近器学习在将所述出售价格作为目标变量、信息分别作为解释变量时的输入输出关系，所述信息包含在关于所述买卖住宅的信息中的所述所在地、所在楼层、专用面积、主要开口部的方位、买卖价格和具有所述出售住宅或所述买卖住宅特征的信息，并且通过向所述函数逼近器输入作为关于所述解释变量的信息，来计算在假定对一个估算对象住宅办理所述房地产出售手续时的所述出售价格的预测值，所述信息是关于所述一个估算对象住宅的所述所在地、所在楼层、专用面积、主要开口部的方位和买卖价格、以及在多个所述学习用信息中的、与关于所述一个估算对象住宅的所在地或属性相关联的所述一组学习用信息中的用作所述解释变量的具有所述出售住宅或所述买卖住宅特征的信息。
11.根据权利要求9或10所述的出售价格预测方法，其特征在于，
所述出售价格预测单元从所述多个学习用信息中、特定出所述买卖住宅的所在地与所述一个估算对象住宅的所在地一致的所述一组学习用信息，并从特定出的所述一组学习用信息中、提取出用作所述解释变量的具有所述出售住宅或买卖住宅特征的信息，并且将提取出的具有所述出售住宅或买卖住宅特征的信息、作为关于所述解释变量的信息进行输入。
12.根据权利要求11所述的出售价格预测方法，其特征在于，
所述一组学习用信息包含所述买卖住宅的公寓名称，
所述出售价格预测单元从所述多个学习用信息中、特定出所述买卖住宅的所述公寓名称与所述一个估算对象住宅的公寓名称一致的所述一组学习用信息，并从特定出的所述一组学习用信息中、提取出用作所述解释变量的具有所述出售住宅或买卖住宅特征的信息，并且将提取出的具有所述出售住宅或买卖住宅特征的信息、作为关于所述解释变量的信息进行输入。
13.根据权利要求9或10所述的出售价格预测方法，其特征在于，
所述出售价格预测单元从所述多个学习用信息中、特定出所述买卖住宅的所在地与所述一个估算对象住宅相关的所在地位于规定距离内的所述一组学习用信息，并从特定出的所述一组学习用信息中、提取出用作所述解释变量的具有所述出售住宅或买卖住宅特征的信息，并且将提取出的具有所述出售住宅或买卖住宅特征的信息、作为关于所述解释变量的信息进行输入。
14.根据权利要求9、10或13所述的出售价格预测方法，其特征在于，
所述出售价格预测单元从所述多个学习用信息中、特定出与所述一个估算对象住宅属性类似的住宅相关的所述一组学习用信息，并从特定出的所述一组学习用信息中、提取出用作所述解释变量的具有所述出售住宅或买卖住宅特征的信息，并且将提取出的具有所述出售住宅或买卖住宅特征的信息、作为关于所述解释变量的信息进行输入。
15.根据权利要求14所述的出售价格预测方法，其特征在于，
从包含面积、买卖价格、布局、所在的用途地区、结构、建筑物楼层、交通连接和房龄在内的表示比较对象住宅特征的信息中的任意一个以上的观点看，所述出售价格预测单元用于特定出与所述一个估算对象住宅属性类似的住宅相关的所述一组学习用信息。
16.根据权利要求14所述的出售价格预测方法，其特征在于，
从包含所在楼层、专用面积、主要开口部的方位、买卖价格、布局和阳台面积在内的表示比较对象住宅特征的信息以及包含所在的用途地区、结构、楼层、总户数、交通连接和房龄在内的表示比较对象住宅所属的公寓的整体特征的信息中的任意一个以上的观点看，所述出售价格预测单元用于特定出与所述一个估算对象住宅属性类似的住宅相关的所述一组学习用信息。
17.一种出售价格预测程序，其用于使计算机执行权利要求9至16中任意一项所述的方法。
CN201980091381.XA 2018-12-12 2019-02-22 出售价格预测装置 Active CN113396438B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018-232812 2018-12-12
JP2018232812 2018-12-12
PCT/JP2019/006715 WO2020121542A1 (ja) 2018-12-12 2019-02-22 売却価格予測装置

Publications (2)

Publication Number Publication Date
CN113396438A true CN113396438A (zh) 2021-09-14
CN113396438B CN113396438B (zh) 2024-04-19

Family

ID=71076298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980091381.XA Active CN113396438B (zh) 2018-12-12 2019-02-22 出售价格预测装置

Country Status (3)

Country Link
JP (1) JP7112772B2 (zh)
CN (1) CN113396438B (zh)
WO (1) WO2020121542A1 (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001117973A (ja) * 1999-10-20 2001-04-27 Recruit Co Ltd 不動産評価装置、不動産評価方法、不動産評価プログラムを格納する記録媒体および不動産情報提供システム
KR20020004710A (ko) * 2000-07-07 2002-01-16 권오억 인터넷을 이용한 부동산 가격관련 정보 표시방법,지리정보시스템 또는 인터넷 지리정보시스템을 이용한부동산 가격정보 표시방법, 및 인터넷상 또는인터넷지리정보시스템상 지아이에스 지(적)도면을 이용한부동산감정가격 자동산정 방법 및 인터넷 홈페이지를이용한 이의 표시방법
CN1361893A (zh) * 1999-07-21 2002-07-31 经度公司 有基于需求的、可调整的收益的金融产品及其交易
JP2006048572A (ja) * 2004-08-09 2006-02-16 Toshiba Corp 不動産競売情報提供システム
JP2006099591A (ja) * 2004-09-30 2006-04-13 Asahi Kasei Homes Kk 住宅ローン債権の証券化情報提供システム
KR20070119942A (ko) * 2006-06-16 2007-12-21 정춘자 부동산 경매정보 제공시스템에 있어 적정 입찰가격분석정보 제공방법
US20090234763A1 (en) * 2006-09-27 2009-09-17 Equassure, Inc., A Delaware Corporation Home option contract business process
JP2010205304A (ja) * 2010-06-21 2010-09-16 Asahi Kasei Homes Co 住宅ローン債権の情報提供方法及びそれを備えた住宅ローン債権の情報提供システム
KR20110006828A (ko) * 2009-07-15 2011-01-21 윤호원 부동산 운용 시스템 및 그 방법
KR20140118906A (ko) * 2013-03-27 2014-10-08 이경문 부동산 경매 물건 관련 가격 정보 제공 방법 및 시스템
CN104380318A (zh) * 2012-06-22 2015-02-25 科络捷解决方案有限责任公司 用于房地产开发自动估价的系统和方法
JP2017016354A (ja) * 2015-06-30 2017-01-19 株式会社マーキュリー 中古販売価格算定システム、プログラムおよび方法
CN106663301A (zh) * 2014-07-15 2017-05-10 索尼公司 信息处理装置、信息处理方法及程序
CN106663300A (zh) * 2014-07-15 2017-05-10 索尼公司 信息处理装置、信息处理方法和程序
KR101762888B1 (ko) * 2016-07-11 2017-08-04 주식회사 한국감정원 유사가격권 및 실거래가격을 이용한 부동산 시세 산정 시스템 및 방법
CN107251082A (zh) * 2015-02-27 2017-10-13 索尼公司 信息处理装置、信息处理方法和程序
TW201839696A (zh) * 2017-04-18 2018-11-01 台灣金聯資產管理股份有限公司 智慧型資產評估方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1361893A (zh) * 1999-07-21 2002-07-31 经度公司 有基于需求的、可调整的收益的金融产品及其交易
JP2001117973A (ja) * 1999-10-20 2001-04-27 Recruit Co Ltd 不動産評価装置、不動産評価方法、不動産評価プログラムを格納する記録媒体および不動産情報提供システム
KR20020004710A (ko) * 2000-07-07 2002-01-16 권오억 인터넷을 이용한 부동산 가격관련 정보 표시방법,지리정보시스템 또는 인터넷 지리정보시스템을 이용한부동산 가격정보 표시방법, 및 인터넷상 또는인터넷지리정보시스템상 지아이에스 지(적)도면을 이용한부동산감정가격 자동산정 방법 및 인터넷 홈페이지를이용한 이의 표시방법
JP2006048572A (ja) * 2004-08-09 2006-02-16 Toshiba Corp 不動産競売情報提供システム
JP2006099591A (ja) * 2004-09-30 2006-04-13 Asahi Kasei Homes Kk 住宅ローン債権の証券化情報提供システム
KR20070119942A (ko) * 2006-06-16 2007-12-21 정춘자 부동산 경매정보 제공시스템에 있어 적정 입찰가격분석정보 제공방법
US20090234763A1 (en) * 2006-09-27 2009-09-17 Equassure, Inc., A Delaware Corporation Home option contract business process
KR20110006828A (ko) * 2009-07-15 2011-01-21 윤호원 부동산 운용 시스템 및 그 방법
JP2010205304A (ja) * 2010-06-21 2010-09-16 Asahi Kasei Homes Co 住宅ローン債権の情報提供方法及びそれを備えた住宅ローン債権の情報提供システム
CN104380318A (zh) * 2012-06-22 2015-02-25 科络捷解决方案有限责任公司 用于房地产开发自动估价的系统和方法
KR20140118906A (ko) * 2013-03-27 2014-10-08 이경문 부동산 경매 물건 관련 가격 정보 제공 방법 및 시스템
CN106663301A (zh) * 2014-07-15 2017-05-10 索尼公司 信息处理装置、信息处理方法及程序
CN106663300A (zh) * 2014-07-15 2017-05-10 索尼公司 信息处理装置、信息处理方法和程序
CN107251082A (zh) * 2015-02-27 2017-10-13 索尼公司 信息处理装置、信息处理方法和程序
JP2017016354A (ja) * 2015-06-30 2017-01-19 株式会社マーキュリー 中古販売価格算定システム、プログラムおよび方法
KR101762888B1 (ko) * 2016-07-11 2017-08-04 주식회사 한국감정원 유사가격권 및 실거래가격을 이용한 부동산 시세 산정 시스템 및 방법
TW201839696A (zh) * 2017-04-18 2018-11-01 台灣金聯資產管理股份有限公司 智慧型資產評估方法

Also Published As

Publication number Publication date
CN113396438B (zh) 2024-04-19
JPWO2020121542A1 (zh) 2020-06-18
WO2020121542A1 (ja) 2020-06-18
JP7112772B2 (ja) 2022-08-04

Similar Documents

Publication Publication Date Title
Giacoletti Idiosyncratic risk in housing markets
Park et al. Using machine learning algorithms for housing price prediction: The case of Fairfax County, Virginia housing data
Goetzmann et al. The subprime crisis and house price appreciation
US20130041841A1 (en) Real Estate Investment System and Method of Controlling a Commercial System by Generating Key Investment Indicators
US20150178829A1 (en) System and method for generating a virtual credit score and a respective virtual credit line
Karim et al. Climate finance in the wake of COVID-19: connectedness of clean energy with conventional energy and regional stock markets
Anundsen et al. Testing for micro‐efficiency in the housing market
US20140279404A1 (en) Systems and methods for assumable note valuation and investment management
Hwang et al. Housing price dynamics in time and space: predictability, liquidity and investor returns
Aroul et al. The valuation impact on distressed residential transactions: anatomy of a housing price bubble
Rogers Declining foreclosure neighborhood effects over time
JP2024512076A (ja) 資産クラス裏付けされたトークン化プラットフォーム
US20150178866A1 (en) Method and system for aggregating and analyzing building permits
Bacchetta et al. Infrequent random portfolio decisions in an open economy model
Rosenfield et al. Agent-based housing market microsimulation for integrated land use, transportation, environment model system
Wiradinata et al. Post-Pandemic Analysis Of House Price Prediction In Surabaya: A Machine Learning Approach
Helgaker et al. Adverse selection in iBuyer business models—don’t buy lemons!
CN113396438B (zh) 出售价格预测装置
Fedorov et al. Gradient boosting–based machine learning methods in real estate market forecasting
Olowofeso et al. On the development of residential property price indices for Nigeria
Augustyniak et al. Property valuation for mortgage purposes in Poland
CN113168659A (zh) 出售价格预测装置
KR20220090382A (ko) 주택 현황 데이터의 최적화 모델링을 이용한 주택 담보 가치 추정 시스템
Loberto Foreclosures and house prices
US11756057B2 (en) Method and system for estimating vulnerability and systemic importance in transaction networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant