JP2006323586A - System for estimating home ownership relation-based distribution table - Google Patents
System for estimating home ownership relation-based distribution table Download PDFInfo
- Publication number
- JP2006323586A JP2006323586A JP2005145488A JP2005145488A JP2006323586A JP 2006323586 A JP2006323586 A JP 2006323586A JP 2005145488 A JP2005145488 A JP 2005145488A JP 2005145488 A JP2005145488 A JP 2005145488A JP 2006323586 A JP2006323586 A JP 2006323586A
- Authority
- JP
- Japan
- Prior art keywords
- distribution table
- data
- learning
- home ownership
- city
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本願発明は、既知の住宅所有関係別分布表（世帯年収分布表や家族構成分布表など）から前記既知の住宅所有関係別分布表とは母集団の尺度が異なる住宅所有関係別分布表を推定することが可能な住宅所有関係別分布表推定システムに関する。 The invention of the present application estimates a distribution table by home ownership relationship that is different from the known distribution table by home ownership relationship from a distribution table by known home ownership relationship (such as household annual income distribution table or family composition distribution table). The present invention relates to a distribution table estimation system according to home ownership relations.
マンション業者が分譲マンションの企画を行う際、分譲価格や間取りをどのように設定するかは非常に重要であり、その判断材料の１つとして住宅所有関係別の分布表（例えば、世帯年収分布表や家族構成分布表など）(S)が用いられる（図１参照）。なお、図１（イ）は、住宅所有関係別世帯年収分布表(S)の一例を示したものであり、図１（ロ）は、住宅所有関係別家族構成分布表(S)の一例を示したものである。 When a condominium company plans a condominium, it is very important how to set the condominium price and floor plan. As one of the judgment materials, it is a distribution table according to home ownership (for example, household income distribution table). (S) is used (see Fig. 1). In addition, Fig. 1 (a) shows an example of the household annual income distribution table (S) by housing ownership relationship, and Fig. 1 (b) shows an example of the family composition distribution table by housing ownership relationship (S). It is shown.
マンション建設予定地の集客エリアにおける住宅所有関係別の世帯年収分布表(S)を入手できれば適切な分譲価格を決定することができるし、また、住宅所有関係別の家族構成分布表(S)を入手できれば、ターゲットとする家族構成に応じた間取り設計を行うことが可能となる。 If the household annual income distribution table (S) by housing ownership relationship in the customer acquisition area of the planned condominium construction site can be obtained, an appropriate sales price can be determined, and the family composition distribution table (S) by housing ownership relationship can be determined. If it is available, it is possible to design a floor plan according to the target family structure.
ところで、住宅所有関係別の世帯年収分布表に相当するものとして、総務省が発表する「住宅・土地統計調査」の統計データ（第２０表）が存在する。しかしながら、この統計調査は「市」単位を母集団とする調査結果だけが公表されており、「市」よりも下の階層であり集客エリアに相当する「町」を母集団とする調査結果については公表されていない。 By the way, there is statistical data (Table 20) of the “Housing / Land Statistics Survey” published by the Ministry of Internal Affairs and Communications, which corresponds to the household annual income distribution table by housing ownership. However, in this statistical survey, only the survey results with the “city” unit as the population are published, and the survey results with the “town” as the population below the “city” and corresponding to the customer collection area Is not published.
上述した市別の住宅所有関係別分布表（世帯年収分布表）(S)を集客エリアである「町」の人口に応じて比例分配すれば、目的とする町別の住宅所有関係別分布表（世帯年収分布表）(s)を推定できるようにも思えるが、実際には、推定値と実際の値との間に相当の誤差が生じてしまい実用に適さない。また、これを実用化できるような先行技術も存在しない。 If the distribution table by household ownership relationship by city (household annual income distribution table) (S) described above is proportionally distributed according to the population of the “town”, which is the area for attracting customers, the distribution table by residential ownership relationship by target town (Household annual income distribution table) It seems that (s) can be estimated, but in reality, a considerable error occurs between the estimated value and the actual value, which is not suitable for practical use. There is no prior art that can put this to practical use.
そのため、従来では、分譲マンション建設予定地の集客エリア毎にアンケートや聞き取り調査を実施し、町別の住宅所有関係別分布表(s)を作成していたのであるが、このような作業は、多大な時間と労力とコストを必要とするため、効率的な作成方法の出現が望まれていた。 Therefore, in the past, questionnaires and interviews were conducted for each customer acquisition area of the planned condominium construction site, and a distribution table (s) by housing ownership relationship by town was created, but such work is Since much time, labor, and cost are required, the appearance of an efficient creation method has been desired.
本願発明は、上述した従来の問題点に鑑みてなされたものであり、公表されている市別の住宅所有関係別分布表を用いて未公表である町別の住宅所有関係別分布表を精度良く推定することにある。 The present invention has been made in view of the above-mentioned conventional problems, and the accuracy of the undisclosed distribution table for each homeownership by city using the published distribution table for each homeownership by city. It is to estimate well.
請求項１に記載の発明は、「既知の住宅所有関係別分布表(S)から前記既知の住宅所有関係別分布表(S)とは母集団の尺度が異なる住宅所有関係別分布表(s)を推定する住宅所有関係別分布表推定システム(10)であって、既知の住宅所有関係別分布表(S)の統計データである学習出力用情報(B)と、既知の住宅所有関係別分布表(S)とは母集団の尺度が同じであり、かつ、住宅の所有に関連する統計データである学習入力用情報(A)と、既知の住宅所有関係別分布表(S)とは母集団の尺度が異なるが住宅所有に関連する統計データである推定入力用情報(a)とをそれぞれ記憶する記憶手段(14)、学習入力用情報(A)と学習出力用情報(B)とを用いて両情報(A)(B)を関係付けるモデル式ｆ(x)を作成するモデル式作成手段(20)、推定入力用情報(a)とモデル式ｆ(x)とから所定の演算値δを算出する演算値算出手段(22)、演算値算出手段(22)によって算出された演算値δと学習出力用情報(B)とを用いて住宅所有関係別分布表(s)を作成する分布表作成手段(24)、および住宅所有関係別分布表(s)を表示する分布表表示手段(26)を備えることを特徴とする住宅所有関係別分布表推定システム(10)」である。 The invention according to claim 1 is described as follows: “Distribution table according to home ownership relationship (s) is different from distribution table (S) according to known home ownership relationship (S) with different scale of population (s). ) Is a distribution table estimation system by home ownership relationship (10), which is statistical data of the distribution table (S) by known home ownership relationship and information (B) for learning output, and by known home ownership relationship The distribution scale (S) is the same as the population scale and the learning input information (A), which is statistical data related to home ownership, and the distribution table (S) by known home ownership relationship Storage means (14) for storing estimated input information (a) which is statistical data related to home ownership, although the scale of the population is different, learning input information (A) and learning output information (B) A model formula creation means (20) for creating a model formula f (x) that relates both pieces of information (A) and (B) by using the estimated input information (a) and the model formula f (x). A distribution table (s) for each home ownership is created using the calculated value calculus (22) for calculating the value δ, the calculated value δ calculated by the calculated value calculator (22) and the learning output information (B). Distribution table creation means (24) for distribution and distribution table display means (26) for displaying distribution table (s) for each home ownership relationship, ”distribution table estimation system for each home ownership relationship (10)” .
この発明では、モデル式ｆ(x)を作成するために用いられるデータ（即ち、学習入力用情報(A)と学習出力用情報(B)）と、住宅所有関係別分布表(s)を作成するために用いられるデータ（即ち、推定入力用情報(a)および住宅所有関係別分布表(s)のデータ(b)）とが後述するように互いに自己相似性の関係を有するので、母集団の尺度が互いに異なる２組の統計データ（(A)(B)と(a)(b)）を１つのモデル式ｆ(x)に適用することが可能となる。 In this invention, data used for creating the model formula f (x) (that is, learning input information (A) and learning output information (B)) and a distribution table (s) according to home ownership are created. Since the data used for the calculation (ie, the estimated input information (a) and the data (b) of the distribution table (s) by home ownership relationship) have a self-similarity relationship with each other as described later, the population It is possible to apply two sets of statistical data ((A) (B) and (a) (b)) having different scales to one model formula f (x).
ここで、本明細書において「母集団の尺度」とは、統計データの調査対象となっている行政単位（「市」や「町」など）をいい、「母集団の尺度が異なる」とは、比較対象となる統計データの調査対象の行政単位が異なることをいう（反対に、「母集団の尺度が同じである」とは、比較対象となる統計データの調査対象の行政単位が一致することをいう。）。 As used herein, “population scale” refers to administrative units (such as “city” and “town”) that are subject to statistical data survey, and “population scale differs” , Means that the administrative units of the statistical data to be compared are different (conversely, “the population scale is the same” means that the administrative units of the statistical data to be compared are the same That means.)
また、「用いて」とは、結果的に何らかの手段を利用することを意味し、その手段は問わない。 Further, “use” means using any means as a result, and the means is not limited.
請求項２に記載の発明は、「前記モデル式ｆ(x)が、二次関数ｇ(x)と、ＲＢＦネットワークの中間層の基底関数であるｈ(x)との組み合わせによって構成されている」ことを特徴とするものであり、かかる構成により、実測値により近い住宅所有関係別分布表を得ることが可能となる。 The invention according to claim 2 is that “the model formula f (x) is constituted by a combination of a quadratic function g (x) and h (x) that is a basis function of an intermediate layer of the RBF network. With such a configuration, it is possible to obtain a distribution table according to home ownership relationships that is closer to the actual measurement values.
本願発明によれば、公表されていない町単位での住宅所有関係別分布表を、公表されている市別の住宅所有関係別分布表等の統計データを用いて統計的にしかも精度良く推定することが可能となった。 According to the invention of the present application, the distribution table according to the home ownership relationship in the town unit that has not been announced is estimated statistically and accurately using statistical data such as the distribution table according to the home ownership relationship according to the published city. It became possible.
以下、本願発明を図示実施例に従って詳述する。図２は、本実施例に係る住宅所有関係別分布表推定システム(10)のブロック図で、入力手段(12)、記憶手段(14)、学習データ作成手段(16)、推定入力データ作成手段(18)、モデル式作成手段(20)、演算値算出手段(22)、分布表作成手段(24)および分布表表示手段(26)を備えている。 Hereinafter, the present invention will be described in detail according to illustrated embodiments. FIG. 2 is a block diagram of the distribution table estimation system (10) according to home ownership relationship according to the present embodiment. The input means (12), the storage means (14), the learning data creation means (16), and the estimated input data creation means (18), a model formula creation means (20), a calculation value calculation means (22), a distribution table creation means (24), and a distribution table display means (26).
入力手段(12)は、各種統計データを入力したり、住宅所有関係別分布表（以下、単に「分布表」という。）(s)を推定しようと考えている町名を選択等するためのものであり、例えば、キーボードやマウスなどが該当する。 Input means (12) is used to input various statistical data, and to select the name of the town that is thinking of estimating the distribution table (hereinafter simply referred to as “distribution table”) by housing ownership (s) For example, a keyboard or a mouse is applicable.
記憶手段(14)は、学習入力用情報データベース(14a)、学習出力用情報データベース(14b)および推定入力用情報データベース(14c)により構成されている。 The storage means (14) includes a learning input information database (14a), a learning output information database (14b), and an estimated input information database (14c).
学習入力用情報データベース(14a)は、学習入力用情報（より具体的には、公表されている市別の国勢調査統計データ）(A)を記憶するものであり、学習出力用情報データベース(14b)は、学習出力用情報（より具体的には、公表されている市別の住宅・土地統計調査統計データ）(B)を記憶するものであり、推定入力用情報データベース(14c)は、推定入力用情報（より具体的には、公表されている町丁目別の国勢調査統計データ）(a)を記憶するものである。 The learning input information database (14a) stores learning input information (more specifically, published national census statistical data) (A), and is used as a learning output information database (14b). ) Stores information for learning output (more specifically, publicly disclosed city-by-city housing and land statistics survey statistical data) (B), and the estimated input information database (14c) It stores information for input (more specifically, published national census statistical data by town chome) (a).
ここで、学習入力用情報(A)は、図３に示すように、複数（本実施例では、１０７都市分）の学習入力用市別データにより構成されており、各学習入力用市別データは、例えば、持ち家に住む一般世帯数や公営・公団・公社の借家に住む一般世帯数等、住宅の所有と何らかの関係があると考えられる複数の学習入力用項目データによって構成されている。なお、後述するモデル式ｆ(x)の精度を高めるためには、学習入力用項目データの数は多い方が良く、本実施例では、各学習入力用市別データが２３個の学習入力用項目データによって構成されている。 Here, as shown in FIG. 3, the learning input information (A) is composed of a plurality of (by 107 cities in this embodiment) learning input city-specific data, and each learning input city-specific data. Is composed of a plurality of items of item data for learning input that are considered to have some relationship with the ownership of the house, such as the number of ordinary households living in a private house and the number of ordinary households living in a public, public corporation, or public corporation lease house. In order to increase the accuracy of the model formula f (x) described later, it is better that the number of item data for learning input is larger. In this embodiment, the city-specific data for learning input is for 23 learning inputs. Consists of item data.
学習出力用情報(B)は、住宅所有関係別分布表(S)の構成データである複数（本実施例では、学習入力用情報(A)に合わせて１０７都市分）の学習出力用市別データにより構成されており、各学習出力用市別データは、複数の学習出力用項目データによって構成されている。例えば、図１（イ）に示すような市別の世帯年収分布表(S)を用いる場合、各学習出力用市別データは、４０個（＝８つの年収帯×５つの住宅所有関係）の学習出力用項目データによって構成され、図１（ロ）に示すような市別の家族構成分布表(S)の場合には、２８個（＝７つの家族構成×４つの住宅所有関係）の学習出力用項目データによって構成されることになる。 The learning output information (B) is a composition data of the distribution table (S) according to home ownership relations (in this embodiment, 107 cities according to the learning input information (A)) for each learning output city Each learning output city-specific data is composed of a plurality of learning output item data. For example, when using the household annual income distribution table (S) by city as shown in Fig. 1 (a), each learning output city-specific data is 40 (= 8 annual income bands x 5 home ownership relationships). In the case of the city-specific family structure distribution table (S) as shown in Fig. 1 (b), 28 learning items (= 7 family structures x 4 home ownerships) It consists of output item data.
推定入力用情報(a)は、複数の推定入力用町丁目別データにより構成されており、各推定入力用町丁目別データは、住宅の所有と何らかの関係があると考えられる複数の推定入力用項目データによって構成されている。なお、推定入力用項目データを構成する項目は、上述した学習入力用項目データの項目と同一のものが選択される。 The estimated input information (a) is composed of a plurality of estimated input town-specific data, and each estimated input town-specific data is for multiple estimated inputs that are considered to have some relationship with the ownership of the house. Consists of item data. The items constituting the estimated input item data are the same as the items in the learning input item data described above.
本願発明にて取り扱われる学習入力用情報(A)、学習出力用情報(B)、推定入力用情報(a)および推定しようとする分布表(s)のデータ(b)は、それぞれ以下に示す関係を有している（図４参照）。 Learning input information (A), learning output information (B), estimated input information (a) and distribution table (s) data (b) to be estimated are handled in the present invention, respectively. There is a relationship (see FIG. 4).
まず、学習入力用情報(A)と、学習出力用情報(B)とは、項目は異なるが、何れも統計調査の対象である母集団の尺度が「市」で共通している（これは、既に公表されている分布表(S)の母集団の尺度に対応させたものである。）。なお、本願における「市」には、政令指定都市の「区」が含まれるものとする。 First, the learning input information (A) and the learning output information (B) have different items, but in both cases, the scale of the population that is the subject of the statistical survey is the same in “city” (this is , Corresponding to the population scale of the distribution table (S) already published.) It should be noted that “city” in the present application includes “city” of a city designated by government ordinance.
推定入力用情報(a)と、推定しようと考えている分布表(s)のデータ(b)とは、項目は異なるが、何れも統計調査の対象である母集団の尺度が「町」で共通している（これは、推定しようと考えている分布表(s)の母集団の尺度に対応させたものである。）。 The information for estimated input (a) and the distribution table (s) data (b) to be estimated are different, but the scale of the population subject to statistical surveys is “town”. It is common (this corresponds to the population scale of the distribution table (s) that we are trying to estimate.)
学習入力用情報(A)と、推定入力用情報(a)とは、統計調査の対象である母集団の尺度が大小関係にあり（本実施例では、学習入力用情報(A)の母集団の尺度が「市」であるのに対し、推定入力用情報(a)の母集団の尺度は「町」であり、両者は大小関係にある。）、かつ、調査対象項目が共通している。なお、この関係は、学習出力用情報(B)と分布表(s)のデータ(b)との間においても同様である。 The learning input information (A) and the estimated input information (a) have a magnitude relationship between the scales of the population subject to statistical surveys (in this example, the population of the learning input information (A) The scale of the population of the estimated input information (a) is “City”, and the scale of the population is “City”. . This relationship is the same between the learning output information (B) and the data (b) in the distribution table (s).
学習データ作成手段(16)は、学習入力データ作成手段(28)と、学習出力データ作成手段(30)とで構成されている。 The learning data creation means (16) is composed of learning input data creation means (28) and learning output data creation means (30).
学習入力データ作成手段(28)は、学習入力用情報データベース(14a)に記憶されている学習入力用情報(A)を用いて学習入力データ(A')を作成するものであり、また、学習出力データ作成手段(30)は、学習出力用情報データベース(14b)に記憶されている学習出力用情報(B)を用いて学習出力データ(B')を作成するものである。なお、両作成手段(28)(30)における学習入力データ(A')および学習出力データ(B')の具体的な作成方法については後述する。 The learning input data creation means (28) creates learning input data (A ') using the learning input information (A) stored in the learning input information database (14a). The output data creation means (30) creates learning output data (B ′) using the learning output information (B) stored in the learning output information database (14b). A specific method for creating the learning input data (A ′) and the learning output data (B ′) in both the creating means (28) and (30) will be described later.
推定入力データ作成手段(18)は、推定入力用情報データベース(14c)に記憶されている推定入力用情報(a)を用いて所定の演算を行うことにより推定入力データ(a')を作成するものである。なお、その具体的な演算方法については後述する。 The estimated input data creation means (18) creates estimated input data (a ′) by performing a predetermined calculation using the estimated input information (a) stored in the estimated input information database (14c). Is. The specific calculation method will be described later.
モデル式作成手段(20)は、前記学習入力データ(A')および学習出力データ(B')を用いて両データ(A')(B')を関係付けるモデル式ｆ(x)を作成するものである。 The model formula creating means (20) creates a model formula f (x) that relates both data (A ′) and (B ′) using the learning input data (A ′) and the learning output data (B ′). Is.
ここで、「両データ(A')(B')を関係付ける」とは、横軸にデータ(A')、縦軸にデータ(B')をプロットしたときの相関を求めることを意味し、得られた関係式がｆ(x)である。 Here, “associating both data (A ′) and (B ′)” means obtaining a correlation when data (A ′) is plotted on the horizontal axis and data (B ′) is plotted on the vertical axis. The obtained relational expression is f (x).
演算値算出手段(22)は、モデル式作成手段(20)にて作成されたモデル式ｆ(x)に推定入力データ(a')を代入し、その演算値δを算出するためのものである。 The calculated value calculation means (22) is for substituting the estimated input data (a ′) into the model formula f (x) created by the model formula creation means (20) and calculating the calculated value δ. is there.
分布表作成手段(24)は、演算値算出手段(22)により得られた演算値δと学習出力用情報データベース(14b)に記憶されている学習出力用情報(B)とを用いて所望の分布表(s)を作成するものである。 The distribution table creating means (24) uses the calculated value δ obtained by the calculated value calculating means (22) and the learning output information (B) stored in the learning output information database (14b) to obtain a desired value. A distribution table (s) is created.
分布表表示手段(26)は、分布表作成手段(24)にて作成された分布表(s)を表示するためのものであり、例えば、モニターやプリンタ等がこれに該当する。 The distribution table display means (26) is for displaying the distribution table (s) created by the distribution table creation means (24), for example, a monitor or a printer.
なお、本住宅所有関係別分布表推定システム(10)を構成している各手段は、１台のコンピュータに全ての機能を持たせても良いし、複数台のコンピュータに各機能を分担させるようにしてもよい。 In addition, each means which comprises this distribution table estimation system (10) according to this home ownership relationship may give all the functions to one computer, or it may make each computer share each function. It may be.
本願発明では、モデル式ｆ(x)を作成するために用いられるデータ（即ち、学習入力用情報(A)および学習出力用情報(B)）と、推定しようと考えている分布表(s)を作成するために用いられるデータ（即ち、推定入力用情報(a)および分布表(s)のデータ(b)）とが互いに「自己相似性」の関係を有している点に特徴がある。 In the present invention, data (ie, learning input information (A) and learning output information (B)) used to create the model formula f (x) and a distribution table (s) that is considered to be estimated It is characterized in that the data used to create the data (that is, the estimated input information (a) and the distribution table (s) data (b)) have a “self-similarity” relationship with each other. .
ここで「自己相似性」とは、一般的には、例えばコッホ曲線（図５参照）のように、或る図形を大きなスケールで見た時の形状と、当該図形の一部分を拡大した時の形状とが一致する性質のことを意味するが、本願発明では、図形で見られるこの関係を統計データの分布状況に適用して、或る同じ尺度の母集団の母数の分布で見たときの２つの統計データの関係が、母集団の尺度が変わった場合にも同じ関係が維持される性質のことを意味する。 Here, “self-similarity” generally refers to, for example, a shape when a certain figure is viewed on a large scale, such as a Koch curve (see FIG. 5), and a part of the figure is enlarged. In the present invention, this relationship that is found in figures is applied to the distribution of statistical data, and the distribution of population parameters of a certain scale is used. The relationship between the two statistical data means that the same relationship is maintained even when the scale of the population changes.
本願発明では、国全体という尺度で見た場合の市レベル（政令指定都市の区の尺度を含む）のデータ（学習入力用情報(A)と学習出力用情報(B)）の分布状況から成立したモデル式ｆ(x)を、市という尺度で見た場合の町丁目レベルのデータ（推定入力用情報(a)と分布表(s)のデータ(b)の分布状況におけるモデル式ｆ(x)に適用しており、「自己相似性」の関係を利用していることになる。 In the invention of the present application, it is established from the distribution status of data (learning input information (A) and learning output information (B)) at the city level (including the scale of the city designated by the government ordinance) when viewed on the scale of the whole country. The model expression f (x) in the distribution situation of the data (b) in the data (b) of the town entry level when the model expression f (x) is viewed on a scale called city ) And uses the “self-similarity” relationship.
次に、上記構成の住宅所有関係別分布表推定システム(10)を用いて、ｘ町の住宅所有関係別年収帯分布表（以下、単に「年収帯分布表」という。）(s)を推定して表示する方法について、図６のフローチャートに基づき説明する。なお、記憶手段(14)には、上述した学習入力用情報（市別の住宅・土地調査統計データ；図３参照）(A)、学習出力用情報（市別の国勢調査統計データ；図１（イ）参照）(B)および推定入力用情報（町丁目別の国勢統計データ；図示省略）(a)が既に記憶されているものとする（勿論、記憶されている各情報(A)(B)および(a)の内容を更新したり、或いは新規統計データを別途記憶させることができることはいうまでもない。）。 Next, by using the distribution table estimation system (10) according to home ownership relationship of the above configuration, the annual income band distribution table (hereinafter simply referred to as “annual income band distribution table”) (s) of x town is estimated. The display method will be described based on the flowchart of FIG. The storage means (14) contains the above-mentioned information for learning input (house / land survey statistical data by city; see FIG. 3) (A), learning output information (national census statistical data by city; FIG. 1). (See (a)) Assume that (B) and information for estimated input (national census data by town chome; not shown) (a) are already stored (of course, each stored information (A) ( It goes without saying that the contents of B) and (a) can be updated or new statistical data can be stored separately.
なお、学習入力用情報(A)を構成する各学習入力用市別データの学習入力用項目データとしては、種々のデータを用いることが可能であるが、本実施例では、以下の２３項目のデータを用いた（推定入力用項目データについても同様である。）。 Note that various data can be used as the learning input item data of each learning input city data constituting the learning input information (A). In this embodiment, the following 23 items are used. Data was used (the same applies to estimated input item data).
即ち、(1)持ち家に住む一般世帯数、(2)公営・公団・公社の借家に住む一般世帯数、(3)民営の借家に住む一般世帯数、(4)給与社宅に住む一般世帯数、(5)間借りの一般世帯数、(6)一世帯当たり人員、(7)一人当たり延べ面積（以上、第９表より）、(8)一戸建に住む一般世帯数、(9)長屋建に住む一般世帯数、(10)共同住宅（１・２階建）に住む一般世帯数、(11)共同住宅（３〜５階建）に住む一般世帯数、(12)共同住宅（６〜１０階建）に住む一般世帯数、(13)共同住宅（１０階建以上）に住む一般世帯数（以上、第１０表より）、(14)民営の借家に住む一般世帯の総延べ面積（以上、第１２表より）、(15)常時雇用者数および(16)役員数（以上、第１８表より）、(17)大卒者数および(18)勤労者数（以上、第２０表より）、(19)賃金・給料が主な世帯数、(20)農業収入が主な世帯数、(21)事業収入が主な世帯数、(22)内職収入が主な世帯数および(23)恩給・年金が主な世帯数（以上、第２２表より）である（図３参照）。 That is, (1) Number of general households who live in private homes, (2) Number of general households who live in public, public corporations and public corporations, (3) Number of general households who live in private rental houses, (4) Number of general households who live in salary companies , (5) Number of general households rented, (6) Number of people per household, (7) Total area per person (from Table 9), (8) Number of general households living in a detached house, (9) Nagaya (10) Number of general households living in apartment houses (1 and 2 stories), (11) Number of ordinary households living in apartment houses (3 to 5 stories), (12) Apartment houses (6- The number of ordinary households living in 10 stories, (13) The number of ordinary households living in apartments (more than 10 stories) (from Table 10), (14) The total area of ordinary households living in private rental housing ( (From Table 12), (15) Number of regular employees and (16) Number of officers (from Table 18), (17) Number of university graduates and (18) Number of workers (From Table 20, above) ), (19) Wages and salaries are the main number of households, (20) Agriculture Number of main households, (21) Number of main households, (22) Number of main household incomes, and (23) Number of main households for benefits and pensions (from Table 22) (See FIG. 3).
まず、入力手段(12)により、年収帯分布を推定しようとする町名（ここでは、ｘ町）が選択される（ステップＳ１）。なお、ここでいう「選択」には、モニターなどの表示画面に表示されている町名一覧から「ｘ町」をマウスなどにより指定する場合や、キーボードにより「ｘ町」と直接入力する場合等が考えられる。 First, the name of the town (here, x town) for which the annual income distribution is to be estimated is selected by the input means (12) (step S1). The “selection” mentioned here includes a case where “x town” is designated from a list of town names displayed on a display screen such as a monitor with a mouse or the like, or “x town” is directly input using a keyboard. Conceivable.
年収帯分布を推定しようとするｘ町が入力装置(12)によって選択され、世帯年収分布表(s)の作成命令がなされると、学習入力データ作成手段(28)では、学習入力用情報データベース(14a)に記憶されている全ての学習入力用情報(A)を抽出し、所定の演算を行うことにより学習入力データ(A')を作成する（ステップＳ２）。 When the town x is to be estimated by the input device (12) and the household income distribution table (s) is created, the learning input data creation means (28) uses the learning input information database. All the learning input information (A) stored in (14a) is extracted, and learning input data (A ′) is created by performing a predetermined calculation (step S2).
ここで、学習入力データ作成手段(28)における具体的な演算方法は、(1)全ての学習入力用市別データについて、各学習入力用項目データの値を各項目の母数で除して割合を算出し、(2)前記各学習入力用項目データの値（割合）について全都市分の平均値を算出し、(3)各学習入力用項目データの値（割合）から全都市分の学習入力用項目データの平均値（割合）を引く（ただし、例えば一人当たり延べ面積のように母数が存在しないものについては、割合を算出する必要はない。）。なお、この演算結果が学習入力データ(A')である。 Here, the specific calculation method in the learning input data creation means (28) is as follows: (1) For each learning input city-specific data, the value of each learning input item data is divided by the parameter of each item. Calculate the ratio, (2) calculate the average value for all cities for each learning input item data value (ratio), and (3) calculate the value for each city from the learning data item data values (ratio) The average value (ratio) of the item data for learning input is subtracted (however, it is not necessary to calculate the ratio for items where there is no parameter such as the total area per person). This calculation result is the learning input data (A ′).
また、学習出力データ作成手段(30)では、学習出力用情報データベース(14b)に記憶されている全都市分の学習出力用情報(B)を抽出し、所定の演算を行うことにより学習出力データ(B')を作成する（ステップＳ３）。 The learning output data creation means (30) extracts learning output information (B) for all cities stored in the learning output information database (14b), and performs a predetermined calculation to obtain the learning output data. (B ') is created (step S3).
学習出力データ作成手段(30)における具体的な演算方法は、(1)全ての学習出力用市別データについて、各学習出力用項目データの値を各学習出力用項目データの母数で除して割合に変換し、(2)前記各学習出力用項目データの値（割合）について全都市分の平均値を算出し、(3)各学習出力用項目データの値（割合）から全都市分の学習出力用項目データの平均値（割合）を引く。なお、この演算結果が学習出力データ(B')である。 The specific calculation method in the learning output data creation means (30) is as follows: (1) For each city data for learning output, divide the value of each learning output item data by the parameter of each learning output item data. (2) Calculate the average value for all cities for each learning output item data value (ratio), and (3) From each learning output item data value (ratio) for all cities The average value (ratio) of item data for learning output is subtracted. This calculation result is the learning output data (B ′).
学習入力データ(A')および学習出力データ(B')の作成が完了すると、モデル式作成手段(20)では、両学習データ(A')(B')を用いてモデル式ｆ(ｘ)が作成される（ステップＳ４）。 When the creation of the learning input data (A ′) and the learning output data (B ′) is completed, the model formula creating means (20) uses the model data f (x) using both the learning data (A ′) (B ′). Is created (step S4).
モデル式ｆ(x)は、学習入力データ(A')の分布状態と学習出力データ(B')の分布状態とを関係付けるものであり、次式［式１］で表される。なお、上述した学習入力データ(A')がモデル式ｆ(x)への入力値であり、学習出力データ(B')がモデル式ｆ(x)の出力値である。但し、学習入力データ(A')と学習出力データ(B')とは、同じ市のデータが一組の学習データとしてモデル式ｆ(x)に適用される。 The model equation f (x) relates the distribution state of the learning input data (A ′) and the distribution state of the learning output data (B ′), and is expressed by the following equation [Equation 1]. The learning input data (A ′) described above is an input value to the model formula f (x), and the learning output data (B ′) is an output value of the model formula f (x). However, the learning input data (A ′) and the learning output data (B ′) are the same city data applied to the model formula f (x) as a set of learning data.
［式１］
ｆ（ｘ）＝ｇ（ｘ）＋ｈ（ｘ）
[Formula 1]
f (x) = g (x) + h (x)
ｇ(x)は、モデル式ｆ(x)のベースとなる関数であり、本実施例では、再現性の良い二次関数（式２参照）が採用されている。 g (x) is a function serving as a base of the model formula f (x). In this embodiment, a quadratic function with good reproducibility (see Formula 2) is adopted.
［式２］
ｇ（ｘ）＝ａｘ１ ２＋ｂｘ２ ２＋ｃｘ１ｘ２＋ｄｘ１＋ｅｘ２＋ｆ
[Formula 2]
g (x) = ax 1 2 + bx 2 2 + cx 1 x 2 + dx 1 + ex 2 + f
ａ〜ｆは未知数であり、最小２乗法を用いて求めることができる。なお、交互作用ｃｘ1ｘ2を無視すれば、未知数の計算工程を大幅に簡略化することが可能であるため、本実施例では、交互作用交互作用ｃｘ1ｘ2を無視した式にて計算を行うこととした。 a to f are unknowns and can be obtained using the least square method. Note that if the interaction cx 1 x 2 is ignored, the calculation process of the unknown can be greatly simplified. Therefore, in this embodiment, the calculation is performed using an expression that ignores the interaction cx 1 x 2. It was decided to do.
ｈ(x)は、より実測値に近い正確な出力値を得るために導入される近似関数であり、本実施例ではＲＢＦネットワークが利用される。 h (x) is an approximate function introduced in order to obtain an accurate output value closer to the actually measured value, and an RBF network is used in this embodiment.
ここで、「ＲＢＦネットワーク」とは、図７に示すように、中間層の基底関数の出力を線形結合することによってネットワークの出力を計算するようなネットワークのことをいう。 Here, the “RBF network” means a network that calculates the output of the network by linearly combining the outputs of the basis functions of the intermediate layer as shown in FIG.
上述した中間層の基底関数として、本実施例では、非線形性に強く、データの再現性に優れた釣鐘状の関数を基底とするガウス分布関数が用いられている（式３参照）。 In this embodiment, a Gaussian distribution function based on a bell-shaped function that is strong in non-linearity and excellent in data reproducibility is used as the above-described intermediate layer basis function (see Equation 3).
［式３］
[Formula 3]
ただし、ｒはガウス分布関数の半径であり、半径の最適化を行うことにより半径ｒの値が定まる（本実施例では、或る市について、学習入力データ２３個×学習出力データ４０個＝９２０個の式が作成される。そして、これが後述するように１０７都市分存在するので、全部で９２０×１０７＝９８４４０個の式が作成されることになる。上述した半径の最適化とは、各項目データを代入することによって得られる９８４４０個の式に対して半径ｒが最も小さくなるような値を見つけることをいう。）。 However, r is the radius of the Gaussian distribution function, and the value of the radius r is determined by optimizing the radius (in this example, for a certain city, 23 pieces of learning input data × 40 pieces of learning output data = 920). Since there are 107 cities as will be described later, a total of 920 × 107 = 98440 formulas will be created. This means finding a value with the smallest radius r for 98440 formulas obtained by substituting item data.
モデル式ｆ(x)の作成に当たっては、（学習入力データ(A')の変数の数×２＋１）×３組のデータがあれば比較的精度の高いモデル式を作成することができることが経験的に分かっている（ＲＢＦの近似では、学習入力データ(A')の項目数の３〜７倍のデータがあることが望ましいとされている。）。 In creating the model formula f (x), it is experiential that a relatively high-precision model formula can be created if there are (number of variables of learning input data (A ′) × 2 + 1) × 3 sets of data. (In the approximation of RBF, it is desirable that there be 3 to 7 times the number of items of learning input data (A ′)).
本実施例では、学習入力データ(A')の変数（項目）の数が２３であるから、１４１都市分の学習データがあれば精度の高いモデル式ｆ(x)を作成することになる（ただし、実際には、１０７都市分のデータしか存在しないため、本実施例では、与えられた１０７組のデータでモデル式ｆ(x)を作成するための計算を行うことになる。）。 In this embodiment, since the number of variables (items) in the learning input data (A ′) is 23, if there is learning data for 141 cities, a highly accurate model formula f (x) is created ( However, since there are actually only data for 107 cities, in this embodiment, calculation for creating the model formula f (x) with 107 sets of given data is performed.
一方、推定入力データ作成手段(18)では、推定入力用情報データベース(14c)に記憶されている推定入力用情報(a)の中から推定しようとするｘ町の推定入力用町丁目別データ（つまり、２３個の推定入力用項目データ）を抽出するとともに、所定の演算を行うことにより推定入力データ(a')が作成される（ステップＳ５）。 On the other hand, in the estimated input data creating means (18), the estimated input town-specific data of the x town to be estimated from the estimated input information (a) stored in the estimated input information database (14c) ( That is, 23 pieces of estimated input item data) are extracted and a predetermined calculation is performed to create estimated input data (a ′) (step S5).
推定入力データ作成手段(18)による具体的な演算方法は、(1)ｘ町の各推定入力用項目データの値を各項目の母数で除して割合を算出し、(2)学習入力用情報データベース(14a)に記憶されている学習入力用情報(A)の中からｘ町が属するＸ市に関する学習入力用市別データ（つまり、２３個の学習入力用項目データ）を抽出するとともに、各学習入力用項目データの値を各項目の母数で除して割合を算出し、(3)前記ｘ町における各推定入力用項目データの値（割合）からＸ市における各学習入力用項目データの値（割合）を引く。なお、この演算結果が推定入力データ(a')である。 The specific calculation method by the estimated input data creation means (18) is as follows: (1) Calculate the ratio by dividing the value of each estimated input item data of the town by the parameter of each item, and (2) Learning input Extracting the city-specific data for learning input related to the X city to which the town x belongs (that is, 23 items for learning input item data) from the learning input information (A) stored in the information database (14a) , Calculate the ratio by dividing the value of each item data for learning input by the parameter of each item, and (3) for each learning input in X city from the value (ratio) of each item data for estimated input in x town Subtract the value (ratio) of item data. This calculation result is the estimated input data (a ′).
そして、モデル式ｆ(x)の作成および推定入力データ(a')の作成の両方が完了すると、演算値算出手段(22)は、推定入力データ(a')をモデル式ｆ(ｘ)に代入して演算値（ＲＢＦの予測値）δを算出する（ステップＳ６）。 When both the creation of the model formula f (x) and the creation of the estimated input data (a ′) are completed, the calculated value calculation means (22) converts the estimated input data (a ′) into the model formula f (x). The calculated value (RBF predicted value) δ is calculated by substitution (step S6).
なお、図８は、ｘ町におけるＲＢＦ予測結果の一部を示したものである（ここでは、持ち家に住む一般世帯数における年収帯毎の予測結果が示されている。）。図中、円で囲った部分は、各年収帯毎のＲＢＦ予測値δを合計した値であり、この値が０に近いほど正確な予測が行われていることを意味している。図８の結果を見ると、限りなく０に近い値となっており、推定結果の信頼性が高いことが示された。 FIG. 8 shows a part of the RBF prediction result in the town x (here, the prediction result for each annual income band in the number of ordinary households living in the owning house is shown). In the figure, the portion surrounded by a circle is the sum of the RBF predicted values δ for each annual income zone, and the closer this value is to 0, the more accurate the prediction is made. When the result of FIG. 8 was seen, it was a value as close to 0 as possible, indicating that the reliability of the estimation result is high.
分布表作成手段(24)では、学習出力用情報データベース(14b)に記憶されている学習出力用情報(B)の中からｘ町が属するＸ市に関する学習出力用市別データ（即ち、４０個の学習出力用項目データ）を抽出するとともに、各学習出力用項目データの値を各項目の母数で除して割合を算出し（図８におけるＸ市（割合）の欄を参照）、これに演算値δを１００で割った値を加算する。これにより、Ｘ市という尺度で見た場合におけるｘ町の分布表の値（割合）が得られることになる（図８におけるｘ町（割合）の欄を参照）。 In the distribution table creation means (24), data for each city for learning output relating to the X city to which the x town belongs from the learning output information (B) stored in the learning output information database (14b) (that is, 40 items). The learning output item data) is extracted, and the ratio is calculated by dividing the value of each learning output item data by the parameter of each item (see the column of X city (ratio) in FIG. 8). A value obtained by dividing the calculated value δ by 100 is added to. Thereby, the value (ratio) of the distribution table of x town when viewed on the scale of X city is obtained (see the column of x town (ratio) in FIG. 8).
そして、このようにして得られた値（割合）にｘ町の母数を積算すれば、ｘ町における分布表（世帯年収分布）(s)の統計データ（推定値）を得ることができ（ステップＳ７）、これを表化して得られた分布表(s)が分布表表示手段(26)によって表示されることになる（ステップＳ８）。 Then, by multiplying the value (ratio) obtained in this way by the parameter of x town, statistical data (estimated value) of distribution table (household annual income distribution) (s) in x town can be obtained ( In step S7), the distribution table (s) obtained by tabulating this is displayed by the distribution table display means (26) (step S8).
なお、上述の実施例では、町丁目別の年収帯分布表(s)を推定する例について説明したが、例えば、学習出力用情報(B)として市別の住宅所有関係別家族構成分布表の統計データ（国勢調査統計データ第３３表）を用いればｘ町における家族構成分布表(s)を得ることができる。 In the above-described embodiment, the example of estimating the annual income distribution table (s) by town chome has been described.For example, as the learning output information (B), the family composition distribution table by home ownership relationship by city Using statistical data (National Census Statistical Data Table 33), a family composition distribution table (s) in town x can be obtained.
１０ 年収帯分布予想システム
１２ 入力手段
１４ 記憶手段
１６ 学習データ作成手段
１８ 推定入力データ作成手段
２０ モデル式作成手段
２２ 演算値算出手段
２４ 分布表作成手段
２６ 分布表表示手段
２８ 学習入力データ作成手段
３０ 学習出力データ作成手段
Ｓ 既知の住宅所有関係別分布表
ｓ 未知の住宅所有関係別分布表
Ａ 学習入力用情報
Ｂ 学習出力用情報
ａ 推定入力用情報
ｂ 未知の住宅所有関係別分布表のデータ（推定値）
10 Annual income distribution forecasting system 12 Input means 14 Storage means 16 Learning data creation means 18 Estimated input data creation means 20 Model formula creation means 22 Calculation value calculation means 24 Distribution table creation means 26 Distribution table display means 28 Learning input data creation means 30 Learning output data creation means S Distribution table by known home ownership relationship s Distribution table by unknown home ownership relationship A Information for learning input B Information for learning output a Information for estimated input b Data of distribution table by unknown home ownership relationship ( Estimated value)
Claims (2)
前記既知の住宅所有関係別分布表の統計データである学習出力用情報と、前記既知の住宅所有関係別分布表とは母集団の尺度が同じであり、かつ、住宅の所有に関連する統計データである学習入力用情報と、前記既知の住宅所有関係別分布表とは母集団の尺度が異なるが住宅所有に関連する統計データである推定入力用情報とをそれぞれ記憶する記憶手段、
前記学習入力用情報と前記学習出力用情報とを用いて前記両情報を関係付けるモデル式を作成するモデル式作成手段、
前記推定入力用情報と前記モデル式とから所定の演算値を算出する演算値算出手段、
前記演算値算出手段によって算出された演算値と前記学習出力用情報とを用いて住宅所有関係別分布表を作成する分布表作成手段、および
前記住宅所有関係別分布表を表示する分布表表示手段を備えることを特徴とする住宅所有関係別分布表推定システム。 A distribution table estimation system for each home ownership relationship that estimates a distribution table for each home ownership relationship that differs from the distribution table for each known home ownership relationship from the distribution table for each known home ownership relationship,
The learning output information, which is statistical data of the distribution table according to the known home ownership relationship, and the statistical data related to the ownership of the home are the same as the population scale of the distribution table according to the known home ownership relationship. Storage means for storing learning input information and estimated input information that is statistical data related to home ownership, although the population scale differs from the known home ownership relationship distribution table,
A model formula creating means for creating a model formula that relates the information using the learning input information and the learning output information;
Calculated value calculation means for calculating a predetermined calculated value from the estimated input information and the model formula,
Distribution table creation means for creating a distribution table for each home ownership relationship using the calculated value calculated by the calculated value calculation means and the learning output information, and a distribution table display means for displaying the distribution table for each home ownership relationship A distribution table estimation system classified by home ownership, characterized by comprising:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2005145488A JP2006323586A (en) | 2005-05-18 | 2005-05-18 | System for estimating home ownership relation-based distribution table |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2005145488A JP2006323586A (en) | 2005-05-18 | 2005-05-18 | System for estimating home ownership relation-based distribution table |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2006323586A true JP2006323586A (en) | 2006-11-30 |
Family
ID=37543223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2005145488A Pending JP2006323586A (en) | 2005-05-18 | 2005-05-18 | System for estimating home ownership relation-based distribution table |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2006323586A (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014067361A (en) * | 2012-09-27 | 2014-04-17 | Hitachi Solutions Ltd | Information processor and information processing method |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06162173A (en) * | 1992-11-20 | 1994-06-10 | Mitsubishi Electric Corp | Three-dimensional body recognizing device |
| JPH10153493A (en) * | 1996-11-26 | 1998-06-09 | Kubota Corp | Temperature estimating method for exhaust gas |
| JP2004118853A (en) * | 2002-09-04 | 2004-04-15 | Itochu Techno-Science Corp | Method, program and device for preparing detail statistical data |
-
2005
- 2005-05-18 JP JP2005145488A patent/JP2006323586A/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06162173A (en) * | 1992-11-20 | 1994-06-10 | Mitsubishi Electric Corp | Three-dimensional body recognizing device |
| JPH10153493A (en) * | 1996-11-26 | 1998-06-09 | Kubota Corp | Temperature estimating method for exhaust gas |
| JP2004118853A (en) * | 2002-09-04 | 2004-04-15 | Itochu Techno-Science Corp | Method, program and device for preparing detail statistical data |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014067361A (en) * | 2012-09-27 | 2014-04-17 | Hitachi Solutions Ltd | Information processor and information processing method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101764834B1 (en) | System for estimating market price of real estate using bigdata and method thereof | |
| Hwang et al. | The effect of the rural tourism policy on non-farm income in South Korea | |
| Zerger | Examining GIS decision utility for natural hazard risk modelling | |
| Tomppo et al. | A sampling design for a large area forest inventory: case Tanzania | |
| Garcia et al. | Modeling internal migration flows in sub-Saharan Africa using census microdata | |
| Bocher et al. | A geoprocessing framework to compute urban indicators: The MApUCE tools chain | |
| Noor et al. | Sustainable Urban Regeneration: GIS and Hedonic Pricing Method in determining the value of green space in housing area | |
| Marinoni | A stochastic spatial decision support system based on PROMETHEE | |
| Dubé et al. | Spatial econometrics and the hedonic pricing model: what about the temporal dimension? | |
| Oikarinen et al. | Regional variation in the elasticity of supply of housing, and its determinants: The case of a small sparsely populated country | |
| Jiang et al. | A panel vector error correction approach to forecasting demand in regional construction markets | |
| Martínez-Paz et al. | Assessment of management measures for the conservation of traditional irrigated lands: The case of the Huerta of Murcia (Spain) | |
| Upton et al. | Combining conventional and volunteered geographic information to identify and model forest recreational resources | |
| US7930254B1 (en) | Property value estimation using feature distance from comparable sales | |
| Shwiff et al. | Assignment of measurable costs and benefits to wildlife conservation projects | |
| Zhang et al. | Redefining relational rent | |
| Gerecke et al. | Assessing potential landscape service trade-offs driven by urbanization in Switzerland | |
| Marmolejo‐Duarte et al. | Using choice‐based‐experiments to support real estate design decisions | |
| Choi et al. | BIM-based benchmarking system for healthcare projects: Feasibility study and functional requirements | |
| JP2012526318A (en) | A system to generate a house price index | |
| Krisztin et al. | A spatial multinomial logit model for analysing urban expansion | |
| Carbonara et al. | Real estate values and urban quality: A multiple linear regression model for defining an urban quality index | |
| Gabrielli et al. | Valuing the historical heritage: the case of the Venetian Villas in Italy | |
| Zainora et al. | A spatial analysis on GIS-hedonic pricing model on the influence of public open space and house price in Klang Valley, Malaysia | |
| Ali et al. | Spatial filtering using a raster geographic information system: methods for scaling health and environmental data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20070629 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20091111 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20091201 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20100420 |