JP2017016321A - 情報処理装置、情報処理方法、およびプログラム - Google Patents

情報処理装置、情報処理方法、およびプログラム Download PDF

Info

Publication number
JP2017016321A
JP2017016321A JP2015131364A JP2015131364A JP2017016321A JP 2017016321 A JP2017016321 A JP 2017016321A JP 2015131364 A JP2015131364 A JP 2015131364A JP 2015131364 A JP2015131364 A JP 2015131364A JP 2017016321 A JP2017016321 A JP 2017016321A
Authority
JP
Japan
Prior art keywords
real estate
transaction
property
contract
feature amount
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
JP2015131364A
Other languages
English (en)
Other versions
JP6604054B2 (ja
Inventor
慎吾 高松
Shingo Takamatsu
慎吾 高松
拓也 藤田
Takuya Fujita
拓也 藤田
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.)
Sony Corp
Original Assignee
Sony Corp
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 Sony Corp filed Critical Sony Corp
Priority to JP2015131364A priority Critical patent/JP6604054B2/ja
Priority to EP16727236.8A priority patent/EP3317846A1/en
Priority to CN201680037042.XA priority patent/CN107735811A/zh
Priority to US15/558,211 priority patent/US20180082388A1/en
Priority to PCT/JP2016/002436 priority patent/WO2017002299A1/en
Publication of JP2017016321A publication Critical patent/JP2017016321A/ja
Application granted granted Critical
Publication of JP6604054B2 publication Critical patent/JP6604054B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/16Real estate
    • G06Q50/167Closing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201Market modelling; Market analysis; Collecting market data
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0278Product appraisal
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283Price estimation or determination
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/16Real estate

Landscapes

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

Abstract

【課題】不動産の売出し/貸出し価格の決定や成約価格の調整を行う際の参考となる不動産取引の成約確率を予測し、不動産取引の利便性を向上させることが可能な情報処理装置、制御方法、およびプログラムを提供する。
【解決手段】不動産物件または不動産物件に関する事象の特徴量を算出する算出部と、過去の成立した取引における成立期間および対象不動産物件の前記特徴量と、現在の当該取引の対象不動産物件の前記特徴量とに基づいて、前記取引における所定取引期間の成約確率を予測する予測部と、を備える、情報処理装置。
【選択図】図3

Description

本開示は、情報処理装置、情報処理方法、およびプログラムに関する。
近年、不動産売買においても、情報の検索や売買に関する連絡などがインターネットなどのネットワークを介して実施されることが多くなってきている。例えば、特許文献1には、クライアントに入力されるユーザ識別子および不動産識別子に基づいて、サーバで保持されているユーザ情報および不動産情報を取得し、取得されたユーザ情報および不動産情報が書き込まれた下見のための紹介状を作成する技術が記載されている。
このようなネットワークを介した不動産売買において、不動産の売出し価格や成約価格の調整は、査定額に基づく不動産仲介業者の推測により行われていた。
特開2003−281252号公報
しかしながら、不動産仲介業者の推測に頼る方法は信頼性や客観性が低く、また、不動産の売出し価格の決定や成約価格の調整をユーザ(オーナー、売主)が行う際における有益な情報が提示されず、不便であった。かかる課題は、ネットワークを介した不動産賃貸においても同様であった。
そこで、本開示では、不動産の売出し/貸出し価格の決定や成約価格の調整を行う際の参考となる不動産取引の成約確率を予測し、不動産取引の利便性を向上させることが可能な情報処理装置、情報処理方法、およびプログラムを提案する。
本開示によれば、不動産物件または不動産物件に関する事象の特徴量を算出する算出部と、過去の成立した取引における成立期間および対象不動産物件の前記特徴量と、現在の当該取引の対象不動産物件の前記特徴量とに基づいて、前記取引における所定取引期間の成約確率を予測する予測部と、を備える、情報処理装置を提案する。
本開示によれば、プロセッサが、不動産物件または不動産物件に関する事象の特徴量を算出することと、過去の成立した取引における成立期間および対象不動産物件の前記特徴量と、現在の当該取引の対象不動産物件の前記特徴量とに基づいて、前記取引における所定取引期間の成約確率を予測することと、を含む、情報処理方法を提案する。
本開示によれば、コンピュータを、不動産物件または不動産物件に関する事象の特徴量を算出する算出部と、過去の成立した取引における成立期間および対象不動産物件の前記特徴量と、現在の当該取引の対象不動産物件の前記特徴量とに基づいて、前記取引における所定取引期間の成約確率を予測する予測部と、として機能させるための、プログラムを提案する。
以上説明したように本開示によれば、不動産の売出し/貸出し価格の決定や成約価格の調整を行う際の参考となる不動産取引の成約確率を予測し、不動産取引の利便性を向上させることが可能となる。
なお、上記の効果は必ずしも限定的なものではなく、上記の効果とともに、または上記の効果に代えて、本明細書に示されたいずれかの効果、または本明細書から把握され得る他の効果が奏されてもよい。
本開示の一実施形態によるシステムの概略的な構成を示す図である。 本開示の一実施形態によるシステムの内部構成を示すブロック図である。 本開示の一実施形態におけるサーバのデータベースおよび処理部の機能構成例を示すブロック図である。 本実施形態による対数正規分布の一例を示すグラフである。 本実施形態による特徴量生成処理を示すフローチャートである。 本実施形態による物件情報がシンボルの場合のベクトル化の処理を示すフローチャートである。 本実施形態による物件情報が連続値の場合のベクトル化の処理を示すフローチャートである。 本実施形態による検索クエリデータに基づく特徴量ベクトルの生成処理を示すフローチャートである。 本実施形態によるページアクセスデータに基づく特徴量ベクトルの生成処理を示すフローチャートである。 本実施形態による移動ログに基づく特徴量ベクトルの生成処理を示すフローチャートである。 本実施形態による引っ越しデータに基づく特徴量ベクトルの生成処理を示すフローチャートである。 本実施形態において表示される物件情報入力画面の一例を示す図である。 本実施形態において表示される売出し価格検討画面の例を示す図である。 本実施形態において表示される売出し価格検討画面が更新された例を示す図である。 本実施形態による成約確率の累積を表示する画面例を示す図である。 本実施形態による成約確率を売れやすさの段階表示を行う画面例を示す図である。 本実施形態による指定成約期間における成約確率を表示する画面例を示す図である。 本実施形態による成約確率と売出し期間毎の予測成約価格の一覧を表示する画面例を示す図である。 本実施形態による成約確率を点数で表示する画面例を示す図である。 本実施形態による売出し価格の自動調整履歴を表示する画面例を示す図である。 本実施形態による売出し価格の自動調整において目標成約期間を設定できる画面例を示す図である。 本実施形態による売出し価格の自動調整において下限を設定できる画面例を示す図である。 本実施形態による仲介案件の成約確率を表示する画面例を示す図である。 本開示の実施形態による情報処理装置のハードウェア構成例を示すブロック図である。
以下に添付図面を参照しながら、本開示の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
また、説明は以下の順序で行うものとする。
1.本開示の一実施形態によるシステムの概要
1−1.クライアントの構成
1−2.サーバの構成
2.機能構成
2−1.データベースの構成例
2−2.処理部の構成例
3.特徴量生成処理
3−1.売出しデータと取引履歴データに基づく特徴量ベクトルの生成
3−2.サイトアクセスデータを用いた特徴量ベクトルの生成
3−3.移動データを用いた特徴量ベクトルの生成
4.情報提示画面例
5.応用例
6.ハードウェア構成
7.まとめ
<<1.本開示の一実施形態によるシステムの概要>>
図1は、本開示の一実施形態によるシステムの概略的な構成を示す図である。図1を参照すると、本実施形態に係るシステム10は、クライアント100と、サーバ300とを含む。クライアント100とサーバ300とは、ネットワーク200によって接続され、相互に通信が可能である。
クライアント100は、例えば、スマートフォン100a、パーソナルコンピュータ100b、およびタブレット100cなどを含みうる。クライアント100は、図示された例には限らず、ユーザとの間で情報を入出力する機能を有するあらゆる種類の端末装置を含みうる。クライアント100は、ユーザに情報を出力するために、例えば画像または音声などを用いる。また、クライアント100は、ユーザからの情報の入力を、端末装置の操作入力、発話を示す音声、またはジェスチャ若しくは視線を示す画像などによって受け付けてもよい。
サーバ300は、ネットワーク上の1または複数のサーバ装置を含む。複数のサーバ装置が協働して以下で説明するサーバ300の機能を実現する場合、複数のサーバ装置の全体が、単一の情報処理装置として扱われてもよい。あるいは、サーバ装置の少なくとも一部は、以下で説明するサーバ300のオペレータとは異なるオペレータによって運用されてもよい。このような場合、以下の説明では、サーバ300の一部が、システム10に含まれない外部サーバとして参照されうる。本実施形態において、サーバ装置の少なくとも一部は、データベース310を有する。データベース310には、不動産やその取引履歴に関する情報が格納される。
ネットワーク200は、例えば、インターネット、LAN(Local Area Network)、または携帯電話網など、有線または無線の各種のネットワークを含む。ネットワーク200は、クライアント100とサーバ300とを接続するとともに、サーバ300に含まれる複数のサーバ装置を接続してもよい。ネットワーク200に複数の種類のネットワークが含まれるような場合、ネットワーク200は、それらのネットワークを互いに接続するルータやハブなどを含んでもよい。
図2は、本開示の一実施形態に係るシステムの内部構成を示すブロック図である。図2を参照すると、クライアント100は、ローカルストレージ110と、通信部120と、処理部130と、入出力部140とを含みうる。サーバ300は、データベース310と、通信部320と、処理部330とを含みうる。以下、それぞれの機能構成についてさらに説明する。なお、クライアント100として機能する端末装置、およびサーバ300に含まれる1または複数のサーバ装置は、例えば後述する情報処理装置のハードウェア構成によって実現される。
<1−1.クライアントの構成>
ローカルストレージ110は、例えば端末装置が有するメモリまたはストレージによって実現される。ローカルストレージ110には、例えば、ネットワーク200を介してサーバ300から提供された情報や、入出力部140を介してユーザによって入力された情報が、一時的または持続的に格納される。ローカルストレージ110に格納された情報を利用して、ユーザは、オフラインでもサーバ300から提供された情報を参照したり、サーバ300に提供する情報の下書きを入力したりすることができる。
通信部120は、ネットワーク200を介してサーバ300と通信する。通信部120は、例えばクライアント100が接続されるネットワークでの通信を実行する通信装置によって実現される。
処理部130は、例えば端末装置が有するCPU(Central Processing Unit)のようなプロセッサによって実現される。例えば、処理部130は、入出力部140を介してユーザによって入力された情報に基づいて、通信部120を介してサーバ300に情報を要求する処理を実行する。また、例えば、処理部130は、通信部120を介してサーバ300から提供された情報に基づいて、入出力部140を介してユーザに情報を出力する処理を実行する。このとき、処理部130は、提供された情報を、入出力部140の種類に応じて適切な形式に変換する処理を実行してもよい。
入出力部140は、例えば端末装置が有するタッチパネル、マウス、キーボード、マイクロフォン、またはカメラ(撮像装置)のような入力装置と、ディスプレイまたはスピーカのような出力装置とによって実現される。なお、入出力部140は、入力装置または出力装置のいずれか一方だけを含んでもよい。例えば、入出力部140に含まれるディスプレイには、通信部120を介してサーバ300から受信された情報が、処理部130による処理を経て表示される。また、例えば、入出力部140に含まれるタッチパネルなどによって取得されたユーザの操作入力は、処理部130による処理を経て、通信部120を介してサーバ300に送信される。
上記のような処理部130および入出力部140の機能自体は、例えば一般的な端末装置における処理部および入出力部の機能と同様であるために、以下の本実施形態の説明では詳細に説明されない場合がありうる。しかしながら、そのような場合でも、例えばサーバ300から受信される情報が特徴的であれば、そうした情報を処理し、また出力するという点において、クライアント100における処理部130または入出力部140の機能も、一般的な端末装置におけるそれらの機能に比較して特徴的でありうる。
<1−2.サーバの構成>
データベース310は、例えばサーバ装置が有するメモリまたはストレージによって実現される。上記の通り、データベース310には、不動産やその取引に関する情報が格納される。また、データベース310には、クライアント100のユーザに関する情報が格納されてもよい。データベース310に格納される情報のより具体的な種類は、サーバ300によって提供されるサービスの内容によって異なりうる。
通信部320は、ネットワーク200を介してクライアント100と通信する。また、通信部320は、ネットワーク200を介して外部サーバと通信してもよい。通信部320は、例えばサーバ300が接続されるネットワークでの通信を実行する通信装置によって実現される。
処理部330は、例えばサーバ装置が有するCPUのようなプロセッサによって実現される。例えば、処理部330は、通信部320を介してクライアント100から受信された情報に基づいて、データベース310から情報を取得し、取得された情報を必要に応じて処理した上で、通信部320を介してクライアント100に送信する処理を実行する。
なお、サーバ300が複数のサーバ装置を含む場合、上述したサーバ300の機能構成は、複数のサーバ装置に分散して実現されうる。例えば、データベース310の機能は、いずれかのサーバ装置で集約的に実現されてもよいし、複数のサーバ装置に分散したデータベースを統合的に運用することによって実現されてもよい。また、例えば、処理部330の機能は、複数のサーバ装置に分散したプロセッサを統合的に運用することによって実現されてもよい。この場合、以下で説明する処理部330の機能は、説明のために定義された機能ブロックの区分に関わらず、複数のサーバ装置に直列的または並列的に分散して実現されうる。
<<2.機能構成>>
続いて、サーバ300のデータベース310および処理部330の機能構成について図3を参照して説明する。
図3は、本開示の一実施形態におけるサーバのデータベースおよび処理部の機能構成例を示すブロック図である。図には、サーバ300のデータベース310の機能として、物件データ3101と、売出しデータ3103と、取引履歴データ3105と、周辺環境データ3107と、サイトアクセスデータ3109と、移動データ3111と、特徴量データ3113と、パラメータデータ3115とが示されている。また、図には、処理部330の機能として、特徴量生成部3301と、学習部3303と、予測部3306と、情報提示部3309と、価格調整部3312とが示されている。以下、それぞれの構成要素についてさらに説明する。
<2−1.データベースの構成例>
(物件データ3101)
物件データ3101は、サーバ300によって提供されるサービスで扱われる不動産物件のマスタデータとして機能する。不動産物件は、例えば、土地、独立した建物、アパートメント、タウンハウス、商業物件など、あらゆる種類の物件を含みうる。物件データ3101では、このような不動産物件に関するデータが、例えば各物件に一意なIDに関連付けて登録されている。より具体的には、例えば、土地に関するデータは、物件種類、所在地、敷地面積などを含みうる。建物に関するデータは、さらに、床面積、間取り、設備、建築時期、開口部の方位、採光状態などを含みうる。さらに、データには、物件の外観、内部、または物件からの眺望などの画像が含まれてもよい。例えば建物を建て替えたり、リノベーションしたりした場合、別の物件として新たなIDに関連付けられたデータが追加されてもよいし、建て替えやリノベーションなどの履歴が物件データ3101に含まれてもよい。
(売出しデータ3103)
売出しデータ3103は、物件データ3101に登録された不動産物件の現在進行中の売出しに関するデータを含む。より具体的には、売出しデータ3103には、物件ID、売出し時期(年月日)、売出し価格(変更履歴を含む)、売出し理由、現在のオーナー情報(オーナーID、デモグラフィック情報、売却理由(例えば住み替えおよび現金化のいずれであるか))、売出しを担当しているエージェント、売出し時にオーナーまたはエージェントによって作成された紹介文などのデータが格納される。また、売出しデータ3103には現在売出し中の物件に関するデータが格納される。売出しデータ3103は、売出し主体および物件IDについて一意になる(例えば、複数のエージェントが並行して同じ物件を売り出す場合、同じ物件IDについて、エージェントごとに売出しデータ3103が作成されうる)。また、売出された物件について取引が成立すると、当該物件についての売出しデータ3103の一部または全部は、取引履歴データ3105に移行される。
(取引履歴データ3105)
取引履歴データ3105は、物件データ3101に登録された不動産物件の成立した取引に関するデータを含む。より具体的には、取引履歴データ3105には、取引ID、物件ID、売出し時期、成約時期、売出し価格(変更履歴を含む)、成約価格、広告情報(広告キャンペーンのタイプ、広告費用、掲載した媒体と規模、掲載対象、掲載期間、および広告の内容等)、売出し理由、売り手情報(旧オーナー)、買い手情報(新オーナー;購入者、購入者ID、デモグラフィック情報、購入理由(例えば住み替えおよび運用のいずれであるか))、売り手側および買い手側のエージェント、売出し時にオーナーまたはエージェントによって作成された紹介文などのデータが格納される。既に述べた通り、取引履歴データ3105は、取引が成立した物件の売出しデータ3103に基づいて生成されてもよい。あるいは、取引履歴データ3105は、外部サーバによって提供されるサービス(公的なサービスを含む)によって提供される取引履歴のデータをインポートすることによって生成されてもよい。上記のように売出しデータ3103が売出し主体および物件IDについて一意であるのに対して、取引履歴データ3105では、過去に複数回にわたって取引が成立した物件であれば1つの物件IDに対して複数のデータが存在しうる。従って、上記のように、各取引を一意に識別するために、取引履歴データ3105では別途取引IDを設定してもよい。
(周辺環境データ3107)
周辺環境データ3107は、物件データ3101に登録された不動産物件の周辺環境に関するデータ(例えば施設データ、地域データ)を含む。施設データは、不動産物件の周辺に立地する各種の施設に関するデータを含む。この場合、施設データは、施設の位置情報、種類、名称、オープンまたはクローズ時期などを含みうる。施設は、例えば、駅などの交通施設、店舗、避難施設、公園、医療機関、学校などを含む。また、地域データは、物件が立地する地域に関するデータを含む。この場合、地域データは、地域の範囲、種類、指定/解除時期などを含みうる。地域は、例えば行政区画、災害警戒区域、都市計画上のゾーニングなどを含む。
(サイトアクセスデータ3109)
サイトアクセスデータ3109は、不動産情報サイトにおける検索クエリデータと、ページアクセスデータとを含む。検索クエリデータは、ユーザが不動産情報サイトで検索を実行した際に生成され、例えば検索クエリID、検索クエリ、検索年月日時刻、およびユーザIDを含む。また、ページアクセスデータは、ユーザが物件売出しページにアクセスした際に生成され、例えばページアクセスID、物件ID、アクセス検索年月日時刻、およびユーザIDを含む。
(移動データ3111)
移動データ3111は、人間の移動ログと、引っ越しデータとを含む。人間の移動ログは、スマートフォンなどモバイルデバイスからリアルタイムで取得される人のGPS(Global Positioning System)情報等に基づくデータである。例えば移動ログは、緯度、経度、年月日時刻、およびユーザIDを含む。引っ越しデータは、例えば住所(本明細書では「住所」を「所在地」の意味で用いる)、搬入/搬出情報、および年月日を含み、引っ越しが行われるたびに追加される。引っ越しデータを下記に説明する特徴量生成部3301により物件の特徴量としてシンボル化する場合、例えば引っ越しの際に搬入が行われた場合には「1」が引っ越しデータとして入力され、搬出が行われた場合には「0」が引っ越しデータとして入力される。
(特徴量データ3113)
特徴量データ3113は、物件データ3101に登録された不動産物件の特徴量(以下、物件特徴量とも称す)を含む。物件特徴量は、例えば、物件データ3101、売出しデータ3103、取引履歴データ3105、周辺環境データ3107、サイトアクセスデータ3109、および移動データ3111のうち少なくともいずれか1以上を用いて特徴量生成部3301により生成される。具体的には、例えば物件特徴量は、ある物件(物件IDによって特定される)について、それぞれのデータの項目から抽出されるベクトルでありうる。特徴量データ3113では、このような物件特徴量のベクトルが、物件IDに関連付けて格納されうる。物件特徴量は、基本的に1つの物件に対して1つ格納される。従って、特徴量データ3113は、例えば物件の現在の状態を表す情報として利用されうる。なお、物件特徴量を生成するための特徴量生成部3301の処理の詳細については後述する。
(パラメータデータ3115)
パラメータデータ3115は、学習部3303により学習(例えば最尤推定により決定)され、予測部3306で用いられる各種パラメータを含む。各種パラメータは、予測部3306による各種予測処理に用いられる。
すなわち、パラメータデータ3115は、成約確率の予測処理に用いられる各種パラメータを含む。上記予測処理は、予測部3306により行われ、予測対象となる不動産物件の所定の売出し期間(売出し日からの所定期間)における成約確率を、予測モデルを用いて算出するものである。
また、パラメータデータ3115は、物件が類似するか否かを判定するにあたり物件特徴量の項目ごとに設定される重みパラメータを含む。例えば、学習部3303は、物件特徴量と成約価格との関係を学習し、パラメータを用いて算出される類似度が同じような取引価格の傾向を示す物件について高くなるように当該パラメータを決定する。
また、パラメータデータ3115は、予測部3306により成約価格の予測処理に用いられる各種パラメータを含む。
以上、データベース310の構成例について説明した。最後に、上述した特徴量データ3113が含みうる特徴量について、改めて例示する。物件特徴量(間取り、築年、広さ、構造、階数、敷地権)、周辺施設特徴量(最寄り駅、最寄りスーパー、最寄りバス停、最寄り高速入口、ダム、避難施設、観光施設、公園、公共施設、医療機関、学校)、周辺地域特徴(犯罪MAP、海抜、崖、液状化、海岸、川、森林、農地、行政区域、都市計画、豪雪地域、土壌、災害MAP、平均気温、天気、主要道路そば、線路の傍、空港基地、島、半島)、物件写真(外観写真、ベランダからのビュー、間取り図、部屋。アパートメントのグレードや眺望などデータ化されていない情報が取れるため、予測精度が向上する)、物件説明文(物件売り文句のテキスト、ソーシャルメディアのクチコミ。メゾネットか否かや日当たり、評判などデータ化されていない情報が取れるため、予測精度が向上する)、センサデータ(周辺の騒音、日当たり、風通し、落ち葉、電波状況)、近隣住民、人間移動ログ(地域の人気度、タクシー、人の移動量。スマートフォンなどモバイルデバイスからリアルタイムで取得される人のGPS情報を利用することにより、現実に即した、地域の人気度などを観測できるため、予測精度が向上する)、経済指標(平均株価、雇用統計、地域の人口増減)、土地周辺道路(一軒家の場合)、リノベーション情報、売出し中の類似物件の数、直近の売れ行き、取引期間(現在の市場の状態を予測に組み込むことができるため、予測精度が向上する)、交渉先の仲介会社、オーナー、路線価、公示地価、借地権、固定資産税、売却理由、購入理由(家族構成の変化による住み替え、転勤による住み替え、結婚・離婚による住み替え、物件への不満による住み替え、または投資による購入など。理由によって成約価格に影響があるため、予測精度が向上する)、売買時期、早く売りたい事情(家族構成の変化による住み替え、転勤による住み替え、結婚・離婚による住み替え、物件への不満による住み替え、投資による購入、または遺産相続した物件の売却など。安くても良いから早く売りたい場合などもあり、売買時期を利用することで予測精度が向上する)、管理費、賃貸料、駐車場料、空室率(アパートメントなどの空室率が高ければ、価格が下がる傾向にある)、地域の不動産取引量(地域の不動産取引量が多い方が、価格が高い傾向がある)、売却時に広告にかけた金額、事故物件か否か。
<2−2.処理部の構成例>
(特徴量生成部3301)
特徴量生成部3301は、物件データ3101、売出しデータ3103、取引履歴データ3105、周辺環境データ3107、サイトアクセスデータ3109、および移動データ3111の少なくともいずれか1以上に基づいて、不動産物件の特徴量を生成する。生成された特徴量は、特徴量データ3113として格納されうる。なお、特徴量生成部3301は、定期的に(例えば1日1回の頻度で)特徴量を生成し、各物件の特徴量データ3113を更新し得る。
本実施形態において、特徴量とは、例えばデータから抽出されるベクトル(特徴量ベクトル)でありうる。このような特徴量ベクトルは、例えばデータの項目を単純に連結することによって生成されてもよい。本実施形態では、物件を一意に特定する物件ID毎に特徴量ベクトルを生成し、「物件ID、特徴量ベクトル、成約平米単価、売出し平米単価、売出し年月日、成約年月日」といった6つのデータの組み合わせを特徴量データ3113として格納してもよい。また、これら6つのデータの組み合わせを物件特徴量エントリとも称す。成約平米単価、売出し平米単価、売出し年月日、成約年月日は、取引履歴データ3105から取得される。成約平米単価、売出し平米単価、売出し年月日、成約年月日が存在しない場合は、それぞれをnullとする。特徴量ベクトルの生成の詳細については後述する。
(学習部3303)
学習部3303は、特徴量データ3113を用いて機械学習を実施し、各種パラメータを算出(生成)する生成部として機能する。例えば学習部3303は、予測部3306による成約確率予測処理に用いられる成約確率予測モデルに使用する各種パラメータを機械学習により算出する。以下、学習部3303による成約確率予測モデルの学習について具体的に説明する。なお以下に説明する学習方法は一例であって、必ずしもこれに限定されない。
学習部3303は、まず、成約期間yの決定方法を下記式1に示すようにモデル化する。下記式1において、成約期間yは物件の売り出し日から成約までの日数を示し、xは物件の特徴量ベクトルを示し、f(x)は実数値を返す関数を示し、イプシロンはノイズを示す。
Figure 2017016321
上記式1で用いるノイズは、例えば対数正規分布に従うとする。本実施形態では、正規分布ではなく、現実の成約確率分布に近い対数正規分布に従うことで、予測精度を高めることが可能となる。ここで、対数正規分布の一例を図4に示す。図示されたグラフは、横軸に日数、縦軸に成約確率を取る。対数正規分布に従う場合、最尤推定を行う際における推定アルゴリズムがガンマ分布等と比較して比較的単純になる。
f(x)は、f(x)=wtx+w0と表現される線形回帰関数を使用する。ただし、f(x)は線形回帰関数以外の任意の関数であってもよく、例えば多項式回帰や多層ニューラルネットを使用することが可能である。wはパラメータベクトルであり、w0は実数値のパラメータである。確率分布で表現すると、成約期間yにおける対象物件(特徴量ベクトルxを持つ対象物件)の成約確率pは、下記式2により求められる。下記式2において、シグマは、ノイズの対数正規分布のパラメータである。
Figure 2017016321
本実施形態において、上記各種パラメータw(パラメータベクトル)、w0(実数値のパラメータ)、シグマ(ノイズの対数正規分布のパラメータ)は、学習部3303により例えば最尤推定を用いて推定され得る。例えば学習部3303は、特徴量データ3113に格納されている6つのデータの組み合わせ(物件特徴量エントリ;物件ID、特徴量ベクトル、成約平米単価、売出し平米単価、売出し年月日、および成約年月日)のうち、成約平米単価および成約年月日が共にnullでない特徴量ベクトルをx、売出し日から成約日までの日数をyとして学習データを準備する。そして、学習部3303は、準備した学習データから導かれる、尤度を最大とするようなパラメータを探索(推定)する。なお最尤推定を行う前に、各特徴量ベクトルを次のように修正する。すなわち、特徴量生成部3301は、定期的に各物件(売出し中および成約済み物件全てを含む)の特徴量の生成を行っているため、特徴量データ3113には、現時点からの直近一定期間の情報に基づいて生成された特徴量ベクトルが格納されている。したがって、最尤推定を行う際、成約に至った物件(成約平米単価および成約年月日が共にnullでない物件)について当該成約に至った物件の売出し日からの直近一定期間の情報に基づいて生成された特徴量ベクトルに修正することで、予測の精度を向上させることができる。
学習部3303は、修正した上記各特徴量ベクトルに基づいて、最尤推定により各種パラメータ(w、w0、シグマ)を決定(算出)する。算出された各種パラメータは、パラメータデータ3115として格納される。そして、各種パラメータは、後述する予測部3306において、予測対象物件の特徴量ベクトルxおよび指定の経過日数y(売出し日からの経過日数)と共に上記式2に代入され、成約確率pの予測処理に用いられる。
以上説明した例では、成約に至った物件の特徴量ベクトルに基づいて各種パラメータを推定したが、本実施形態はこれに限定されず、例えば成約に至らなかった物件の特徴量ベクトルも利用して各種パラメータを推定することも可能である。
例えば同じ購入者iにおいて成約に至った物件の特徴量ベクトルをxi,s、成約に至らなかった物件の特徴量ベクトルをxi,fとし、下記式3を尤度に加えた関数を最小化することで、各種パラメータ(w、w0、シグマ)を決定する。下記式3のガンマは適当な実数値である。下記式3は、成約に至らなかった場合の最も確率の高い成約期間が、成約に至った場合の最も確率の高い成約期間よりも短くなるとペナルティを与えるような効果がある。
Figure 2017016321
(予測部3306)
予測部3306は、学習部3303によって算出されたパラメータ(パラメータデータ3115)と、対象物件について特徴量生成部3301により生成された特徴量ベクトル(特徴量データ3113)とに基づいて、対象物件の所定売出し期間における成約確率を予測する。すなわち、予測部3306は、過去の成立した取引における成立期間および対象不動産物件の特徴量データと、現在の予測対象の当該取引の対象不動産物件の特徴量とに基づいて、所定取引期間の成約確率を予測する。例えば予測部3306は、現在の予測対象の当該不動産物件の特徴量と共通する特徴量を持つ(類似する)過去の成立取引の対象不動産物件における成立期間および特徴量から生成された、特徴量に応じた成約期間に対応する成約確率を算出するためのパラメータを用いて、所定取引期間における成約確率を予測する。本実施形態では、物件データ3101、売出しデータ3103、取引履歴データ3105、周辺環境データ3107といった物件や物件取引に関するデータ以外のデータ、例えばサイトアクセスデータ3109や移動データ3111をも特徴量として用いて学習し、成約確率の予測処理を行うことで、より正確に成約確率の予測を行うことが可能となる。
成約確率の予測処理は、例えば対象物件の売出し前、つまり売主が売り出すことを検討している段階で実施され得る。この場合、予測部3306は、例えば対象物件に類似する物件の特徴量ベクトルに基づいて、対象物件の所定売出し期間における成約確率を予測する。所定売出し期間は、クライアント100においてユーザにより指定された取引期間であってもよいし、サーバ300側で自動的に設定した取引期間であってもよい。また、予測部3306は、複数の取引期間毎の成約確率(例えば売出しから1カ月の成約確率、2カ月の成約確率等)を各々予測してもよい。
また、成約確率の予測処理は、対象物件の売出し後、まだ取引が成立していない段階で実施されてもよい。この場合、予測部3306は、上記と同様の情報、および対象物件の売出しに関する情報(売出し日からの経過日数、売出し価格など)に基づいて、1カ月以内、2カ月以内等の所定取引期間の間に取引が成立する成約確率を予測する。
さらに、成約確率の予測は、対象物件の取引の成立後に実施されてもよい。この場合、例えば成約確率の予測結果は学習部3303にフィードバックされ、学習部3303による実際の成約期間との差などに基づく学習に利用される。
また、予測部3306は、成約確率と同様にして、取引が成立する価格(成約価格とも称す)の予測を行うことも可能である。具体的には、まず、予め学習部3303が、類似度が高い物件の相互間で特徴量と成約価格との関係を学習して、特徴量の相違を適切に予測価格に反映させるパラメータを決定し、パラメータデータ3115に格納する。かかるパラメータを決定するにあたって、学習部3303は、例えば勾配法など、公知の各種のアルゴリズムを利用する。そして、予測部3306は、売出し物件の特徴量と、学習部3303に決定された上記パラメータに基づいて、成約価格の予測を行う。
さらに、予測部3306は、成約確率と同様にして、取引が成立する期間(成約期間とも称す)の予測を行うことも可能である。学習部3303により学習された成約確率の予測モデル(また、各種パラメータ)を成約期間の予測に使用する場合、予測部3306は、平均値だけでなく、最頻値や中央値を算出し、成約期間の予測値として使用することができる。また、予測部3306は、平均誤差ではなく最頻値を用いることで、誤差が一定以下である件数を増やすことができる。成約期間の信頼幅としては、対数正規分布を正規分布に変換することで90%信頼区間等を算出することが可能となる。
(情報提示部3309)
情報提示部3309は、予測部3306によって予測された不動産物件の成約確率の予測、成約価格の予測、または成約期間の予測を含む情報を、クライアント100を介してユーザに提示する。より具体的には、情報提示部3309は、クライアント100で入出力部140に含まれるディスプレイに画像を出力させるためのデータを生成して、通信部320からクライアント100に送信させる。なお、クライアント100における情報出力の方法は画像表示には限られず、例えば音声出力が画像表示と共に、またはこれに代えて採用されてもよい。
(価格調整部3312)
価格調整部3312は、予測部3306により算出される対象物件の成約確率の予測結果に基づいて、当該対象物件の売出し価格を自動調整する機能を有する。本実施形態は、ネットワークを介した不動産売買において、売出し期間中、売主が設定した売出し価格が買主側に提示され続けるが、需要や供給に関する特徴量の変化により成約確率が変化するため、成約確率に応じて売り出し価格を経時的に調整することで、需要や供給に合った価格設定を実現することが可能となる。例えば、まず、売出し開始の時点では、後述する情報提示画面例において、売主が売出し価格を決定する。その後、予測成約確率が更新される度に、価格調整部3312は、売出し価格を調整する。具体的には、価格調整部3312は、現在からある期間までの成約確率が増えた場合には売出し価格を上昇させ、一方成約確率が減った場合には売出し価格を下降させるよう調整する。また、価格調整部3312は、現在からある期間までの成約確率が一定になるように売出し価格を調整することも可能である。この期間や成約確率は売主が設定してもよいし、システム側で予め設定してもよい。
以上、本実施形態によるサーバ300のデータベース310および処理部330の機能構成について説明した。なお本実施形態では、不動産の売買取引を一例として用いるが、本実施形態による不動産取引はこれに限定されず、不動産の賃貸取引に適用することも可能である。その場合、データベース310には、例えば売出しデータ3103に代わって、貸出しデータを格納され、取引履歴データ3105は賃貸取引に関する情報が含まれ、これらに基づいて成約確率が予測される。
<<3.特徴量生成処理>>
続いて、本実施形態による特徴量生成処理について、図5〜図11を参照して具体的に説明する。
図5は、本実施形態による特徴量生成処理を示すフローチャートである。図5に示すように、まず、ステップS103において、特徴量生成部3301は、売出しデータ3103および/または取引履歴データ3105に基づいて、対象物件の特徴量ベクトルx1を生成する。具体的には、対象物件が売出し中の場合は売出しデータ3103、対象物件が成約に至った場合は取引履歴データ3105が用いられて特徴量ベクトルx1が生成される。
次に、ステップS106において、特徴量生成部3301は、サイトアクセスデータ3109に基づいて、特徴量ベクトルx2を生成する。具体的には、対象物件のWebサイトへのアクセスデータおよび/または検索クエリデータが用いられて特徴量ベクトルx2が生成される。
次いで、ステップS109において、特徴量生成部3301は、移動データ3111に基づいて、特徴量ベクトルx3を生成する。具体的には、対象物件の周囲の直近所定期間の移動データの統計量が用いられて特徴量ベクトルx3が生成される。
そして、ステップS112において、特徴量生成部3301は、生成した対象物件の特徴量ベクトルx1、x2、x3を連結し、特徴量ベクトルxを生成する。
なお、ここでは一例として、売出しデータ3103、取引履歴データ3105、サイトアクセスデータ3109、および移動データ3111を用いて、特徴量ベクトルxを生成する場合について説明したが、本実施形態はこれに限定されず、例えばこれらのデータのうち少なくともいずれか1以上のデータの特徴量ベクトルから特徴量ベクトルxを生成してもよい。
<3−1.売出しデータと取引履歴データに基づく特徴量ベクトルの生成>
特徴量生成部3301は、売出しデータ3103および取引履歴データ3105を用いて、物件の特徴量ベクトルを生成することが可能である。売出しデータ3103には、現在売出し中の物件に関する情報(以下、物件情報エントリと称す)が格納されている。例えば、売出しデータ3103は、物件ID、および物件特徴情報(住所(所在地)、位置情報(緯度・経度)、占有面積、築年、間取りタイプ、バルコニー方向、建物名、部屋番号、周辺環境(例えば周辺地域の人口、当該人口の構成要素、当該人口の変化等))を含む。また、取引履歴データ3105には、成約に至った物件に関する情報(以下、物件情報エントリと称す)が格納されている。例えば、取引履歴データ3105は、物件ID、売出し情報(売出し価格、売出し年月日)、成約情報(成約価格、成約年月日)、広告情報(広告キャンペーンのタイプ、広告費用、掲載した媒体と規模、掲載対象、掲載期間、および広告の内容等)、物件オーナー(売主)情報(オーナーID、デモグラフィック情報、売却理由(住み替えまたは現金化のどちらであるか))、購入者情報(購入者ID、デモグラフィック情報、購入理由(居住または運用のどちらであるか))を含む。
特徴量生成部3301は、物件情報エントリ毎に、物件特徴量としてデータから抽出されるベクトル(特徴量ベクトル)を生成する。このような特徴量ベクトルは、例えば、データの項目を単純に連結することによって生成されてもよい。
(シンボルの場合)
例えば物件情報エントリがシンボルである場合、そのシンボルの種類数分の次元のベクトルを作り、対応するシンボルの次元を1、その他の次元を0とするシンボル特徴量が生成される。
より具体的には、例えば方位の項目は、“東=1,南=2,西=3,北=4”といったように区分値を設定することによって、数値として扱うことができる。所在地も、例えば自治体や町名に区分値を設定したり、緯度経度で表現したりすることによって数値として扱うことができる。なお、このような数値化において、特徴量ベクトルの元を構成するベクトルの二値化が実施されてもよい。この場合、例えば、上記の方位の例では、方位を示す特徴量ベクトルの元が4次元のベクトルになり、東の場合は(1,0,0,0)、南の場合は(0,1,0,0)、西の場合は(0,0,1,0)、北の場合は(0,0,0,1)とされる。物件情報エントリがシンボルである場合のベクトル化の処理を図6に示す。
図6は、本実施形態による物件情報がシンボルの場合のベクトル化の処理を示すフローチャートである。図6に示すように、まず、ステップS123において、特徴量生成部3301は、対象物件の物件情報S「A」を取得する。ここで、物件情報Sは、シンボルとして表現される。
次に、ステップS126において、特徴量生成部3301は、物件情報Sが取り得るシンボルに対して1から順に自然数を割り当てた辞書データを参照し、「A」に割り当てられた自然数“i”を取得する。
次いで、ステップS129において、特徴量生成部3301は、i番目の次元が「1」で他の次元が「0」であるn次元ベクトル(物件情報Sが取り得るシンボル数をnとする)を生成する。
(連続値の場合)
また、物件情報エントリが、敷地面積や床面積など、連続的な数値として記録される項目については、そのまま数値として扱って特徴量を生成してもよいが、数値の範囲を適切な幅のビン(bin)に分割することによって二値化されたデータとして扱ってもよい。建築時期や売出し時期、成約時期などの日付として記録される項目については、連続的な数値と同様に扱ってもよいし、日付から年と月とをそれぞれ抽出して別々のデータとして扱ってもよい。数値の範囲を適切な幅のビン(bin)に分割することによってデータを二値化する場合、例えば、上記の敷地面積の例で、敷地面積に10m幅のビンを設定した場合、敷地面積が40mの場合にはベクトルの4番目の元が1、敷地面積が570mの場合には57番目の元が1で、残りの元が0になるようなベクトルが得られる。ベクトルの次元が際限なく大きくならないように、最大値(例えば、1000m以上は同じビン)や最小値が設定されてもよい。物件情報エントリが連続値である場合のベクトル化の処理を図7に示す。
図7は、本実施形態による物件情報が連続値の場合のベクトル化の処理を示すフローチャートである。図7に示すように、まず、ステップS133において、特徴量生成部3301は、対象物件の物件情報C「B」を取得する。ここで、物件情報Cは、連続値を取る。
次に、ステップS136において、特徴量生成部3301は、物件情報Cが取り得る値を分割するビンを想定し、値Bが含まれるビンのID“i”を取得する。
次いで、ステップS139において、特徴量生成部3301は、i番目の次元が「1」で他の次元が「0」であるn次元ベクトルを生成する。なお物件情報Cが取り得る値を分割するビンの数をnとし、ビンのIDは小さい方から順に自然数が割り当てられているとする。
(複数のデータと用いる場合)
特徴量生成部3301は、対象物件の売出しデータと取引履歴データの両方が存在する場合、「(売出し価格−成約価格)/(専有面積)」と、売出し年月の年、月をそれぞれ別の特徴量ベクトルにしてもよい。また、売出しデータのみが存在する場合、特徴量生成部3301は、成約価格の代わりに予測成約価格を算出し、「(売出し価格−予測成約価格)/(専有面積)」を特徴量ベクトルにしてもよい。
(広告情報のベクトル化)
特徴量生成部3301は、広告情報においては、広告キャンペーンのタイプによる特徴量と広告費用の組み合わせを1つのシンボル特徴量として扱ってもよい。この際、特徴量生成部3301は、広告費用は予め四捨五入により1万円単位に変換して利用する。
(類似物件の利用)
特徴量生成部3301は、対象物件と類似する物件の成約状況に基づいて、対象物件の特徴量ベクトルを生成してもよい。例えば特徴量生成部3301は、直近のある一定期間について、類似物件の成約の和を特徴量とし、特徴量ベクトルを生成する。ここで物件間の類似度は、例えば各物件の物件情報エントリに基づく特徴量ベクトルのマハラノビス距離の単調減少関数として算出されてもよい。また、類似物件とは、類似度が一定以上の物件を言う。
<3−2.サイトアクセスデータを用いた特徴量ベクトルの生成>
続いて、サイトアクセスデータ3109を用いた特徴量ベクトルの生成について説明する。上述したように、サイトアクセスデータ3109には、検索クエリデータと、ページアクセスデータとが格納され、特徴量生成部3301は、検索クエリデータまたはページアクセスデータを用いて対象物件の特徴量ベクトルを生成し得る。以下、具体的に説明する。
(検索クエリデータに基づく特徴量ベクトルの生成)
図8は、本実施形態による検索クエリデータに基づく特徴量ベクトルの生成処理を示すフローチャートである。図8に示すように、まず、ステップS143において、特徴量生成部3301は、サイトアクセスデータ3109から、直近のある一定期間の検索クエリデータを取得する。
次に、特徴量生成部3301は、対象物件の物件情報エントリと、取得した直近一定期間の全ての検索クエリデータとの関連度の和を算出する。物件情報エントリと検索クエリデータとの関連度の算出方法については、例えば下記2つの手法のいずれかを用い得る。1つ目は、対象物件の物件情報エントリに含まれる物件特徴情報を文字列とみなし、当該文字列に検索クエリデータが含まれる場合には関連度を1、検索クエリデータが含まれない場合には関連度を0とする方法である。2つ目の手法は、ページアクセスデータを利用する方法である。検索クエリが生成された後、ある一定時間内にアクセスしたページに対応する物件情報エントリの関連度を1とし、どのアクセスページにも対応しない物件情報エントリの関連度を0とする。
次いで、ステップS149において、特徴量生成部3301は、算出した対象物件の検索クエリデータとの関連度の和の値を対象物件の特徴量ベクトルとする。
(ページアクセスデータに基づく特徴量ベクトルの生成)
図9は、本実施形態によるページアクセスデータに基づく特徴量ベクトルの生成処理を示すフローチャートである。
図9に示すように、まず、ステップS153において、特徴量生成部3301は、直近の一定期間の全てのページアクセスデータに基づいて、対象物件に対応するページ(例えば対象物件の情報が掲載されているWebページ)へのアクセス数の和を算出する。
次に、ステップS156において、特徴量生成部3301は、アクセス数の和から特徴量ベクトルx2−1を生成する。
次いで、ステップS159において、特徴量生成部3301は、対象物件と他の物件との類似度を算出する。具体的には、対象物件と他の物件の特徴量ベクトルの距離に基づいて算出され得る。また、類似度は、特徴量ベクトル間の距離が小さいほど大きな値をとるようにしてもよい。
次に、ステップS162において、特徴量生成部3301は、類似度が一定以上の他の物件(類似物件)について、類似物件に対応するページへのアクセス数に類似度を加算した和を取得する。
次いで、ステップS165において、特徴量生成部3301は、取得した和から特徴量ベクトルx2−2を生成する。
そして、ステップS168において、特徴量生成部3301は、上記算出した特徴量ベクトルx2−1と特徴量ベクトルx2−2を連結し、特徴量ベクトルx2を生成する。
以上、ページアクセスデータに基づく特徴量ベクトルx2の生成処理について説明した。なお、ここでは一例としてページアクセス数の和を用いたが、本実施形態はこれに限定されず、ページアクセスを行ったユニークなユーザIDの数を用いてもよい。
<3−3.移動データを用いた特徴量ベクトルの生成>
次に、移動データ3111を用いた特徴量ベクトルの生成について説明する。移動データ3111には、人間の移動ログ(例えばGPS情報エントリ)と、引っ越しデータが含まれる。特徴量生成部3301は、人間の移動ログまたは引っ越しデータを用いて対象物件の特徴量ベクトルを生成し得る。以下、具体的に説明する。
図10は、本実施形態による移動ログに基づく特徴量ベクトルの生成処理を示すフローチャートである。図10に示すように、まず、ステップS173において、特徴量生成部3301は、対象物件の位置情報(例えば物件特徴量に含まれる位置情報(緯度・経度)、または住所情報(所在地情報)から取得し得る位置情報(緯度・経度))を取得する。
次に、ステップS176において、特徴量生成部3301は、対象物件の位置から一定距離内における移動ログの数をカウントする。対象物件の位置から一定距離内における移動ログの数とは、例えば対象物件の周辺地域に訪れた人の数である。また、移動ログ数のカウントは、移動ログ数の和であってもよいし、変化量であってもよい。また、特徴量生成部3301は、他の地域への移動が目的で単に通過しただけの人の数を除外するため、対象物件の位置から一定距離内における移動ログの滞留点の数(滞在数)をカウントしてもよい。この場合、特徴量生成部3301は、例えば連続して30分以上の時間、半径100m以内に含まれる観測点の平均値に基づいて滞留点の数をカウントする。また、自宅での滞留(居住)を除外するため、ユーザID毎に例えば午前2時(または午前2時〜4時等の一定時間内)に滞留していた滞留点をカウントしないようにしてもよい。
次いで、ステップS179において、特徴量生成部3301は、カウント数から特徴量ベクトルx3−1を生成する。
図11は、本実施形態による引っ越しデータに基づく特徴量ベクトルの生成処理を示すフローチャートである。図11に示すように、まず、ステップS183において、特徴量生成部3301は、引っ越しデータに基づいて、空き家を特定する。具体的には、特徴量生成部3301は、引っ越しデータに基づいて、各住所の最新の年月日の搬入/搬出情報が0であるかどうかを確認し、0であった場合はその住所を空き家住所として特定する。
次に、ステップS186において、特徴量生成部3301は、対象物件の位置から一定距離内に存在する空き家の数をカウントする。
次いで、ステップS189において、特徴量生成部3301は、カウント数から特徴量ベクトルx3−2を生成する。
以上説明したように、特徴量生成部3301は、対象物件の周辺における空き家数に基づいて、対象物件の特徴量ベクトルを生成することが可能である。また、特徴量生成部3301は、対象物件の周辺における空き家の物件特徴情報に基づく特徴量ベクトルを足し合わせて、対象物件の特徴量ベクトルすることも可能である。若しくは、特徴量生成部3301は、対象物件と類似する物件の空き家数に基づいて対象物件の特徴量ベクトルを生成してもよい。
特徴量生成部3301は、上記算出した特徴量ベクトルx3−1と特徴量ベクトルx3−2を連結し、特徴量ベクトルx3を生成し得る。
以上、物件の特徴量ベクトル生成処理について具体的に説明したが、本実施形態はこれに限定されず、例えば物件の広告情報(掲載した媒体と規模、掲載対象、期間、広告の内容等)を利用して特徴量ベクトルを生成したり、物件の周辺地域の人口、その構成要素、それらの変化を利用して特徴量ベクトルを生成してもよい。本実施形態では、不動産仲介以外の情報(すなわち売出しデータや取引履歴データ以外の情報)も利用して特徴量ベクトルxNを各々算出し、これらの特徴量ベクトルxNを連結して生成した物件の特徴量ベクトルxを用いることで、より正確に成約確率を予測することができる。
<<4.情報提示画面例>>
続いて、例えばクライアント100において入出力部140に含まれるディスプレイに表示される画面の例を参照しながら、本開示の一実施形態において提示される情報の例について説明する。なお、以下の説明では分譲マンションの売却を行うにあたって提示される情報の例が説明されるが、分譲マンション以外の、例えば独立した建物や土地の売却を行うにあたっても同様に情報が提示されうる。また、物件(不動産)の貸出しを行うにあたっても同様の情報を提示することが可能である。
実施形態では、分譲マンションの売り主(物件オーナー、すなわちユーザ)による物件売出し価格の決定を、売出しからの経過日数(所定期間)における成約確率の予測値を表示することにより補助することが可能となる。
図12は、本実施形態において表示される物件情報入力画面の一例を示す図である。図示された例では、画面1100に、住所1101(「住所」は「所在地」と表示されてもよい)、マンション名1102、部屋番号1103、および最寄駅1104の入力欄が表示される。ユーザはこれらの入力欄に情報を入力し、完了したら“次へ”ボタン1105を押下する。なお、ここで、例えばマンション名1102に入力されたマンション名が既に物件データ3101に登録されている場合、他の情報、例えば住所1101や最寄駅1104などが自動的に設定されてもよい。あるいは、選択可能な部屋番号1103や最寄駅1104などが、リストとして表示されてもよい。
画面1100から入力された物件情報は、クライアント100からネットワーク200を介してサーバ300へ送信される。サーバ300の情報提示部3309は、通信部320でクライアント100から受信した物件情報に基づいて、物件データ3101から該当する物件を検索し、売出し物件を特定する。売出し物件が特定できると、情報提示部3309は、当該売出し物件の価格や広告方法を売出しデータ3103として登録するため、売出し価格や広告方法の検討画面をクライアント100の入出力部140に含まれるディスプレイに表示するよう制御する。以下、売出し物件の価格(売出し価格)等の検討画面について複数の例を用いて説明する。
図13は、本実施形態において表示される売出し価格検討画面の例を示す図である。図示された例では、画面1200に、売出し価格入力欄1201と、予測成約価格1202と、広告キャンペーンタイプ1203と、所定取引期間毎の成約確率情報1204とが表示される。予測成約価格1202は、対象売出し物件の特徴量ベクトルに基づいて、予測部3306により算出され得る。対象売出し物件の特徴量ベクトルは、特徴量生成部3301により予め算出され、特徴量データ3113に格納されていてもよいし、予測部3306が予測処理を行う際に改めて特徴量生成部3301により算出され、特徴量データ3113に格納されてもよい。売主は、表示された予測成約価格1202を参照して売出し価格を検討することが可能である。なお本実施形態では、売出し価格の検討材料の一つとして予測成約価格1202を表示しているが、これは一例であって、予測成約価格1202が検討画面に表示されていなくともよい。また、予測成約価格1202の代わりに、物件の査定額が既知であれば査定額が表示されてもよい。また、図13の画面構成は一例であって、各情報の配置はこれに限定されない。
また、売主が売出し価格入力欄1201に売出し価格を入力し、広告キャンペーンタイプ1203(例えば広告費)を選択すると、所定取引期間毎の成約確率情報1204が表示される。図示された例では、成約確率情報1204は、例えば売出し日から1週目、2週目、3週目…における成約確率情報1204がグラフ表示されている。このような成約確率情報1204は、具体的には、入力された売出し価格および広告キャンペーンタイプがクライアント100からネットワーク200を介してサーバ300へ送信され、サーバ300の予測部3306により算出され得る。予測部3306は、受信した売出し価格および広告キャンペーンタイプを含めて特徴量生成部3301により再生成された対象売出し物件の特徴量ベクトルxを取得する。例えば特徴量生成部3301は、既に算出され特徴量データ3113に格納されている売出し物件の特徴量ベクトルxに、売出し価格および広告キャンペーンタイプに基づいて生成した特徴量ベクトルxを連結させて対象売出し物件の特徴量ベクトルxを再生成し、予測部3306に出力する。予測部3306は、対象売出し物件の特徴量ベクトルxと指定の経過日数y(売出し日からの経過日数)とを、パラメータデータ3115から抽出した各種パラメータを用いた成約確率の予測モデル(上記式2参照)に代入して、所定日数経過時点における売出し物件の成約確率を算出する。なお、図13に示すように、売出し日から1週目、2週目、3週目…における成約確率を各々グラフ表示する場合、予測部3306は、売出し日から1日目、2日目、3日目…といった経過日数毎の成約確率を各々算出し、各週における成約確率を、例えばその週の各日にちの成約確率を足し合わせることで算出する。
図13に示す例では、対象売出し物件について、売出し価格を5200万円、および広告キャンペーンタイプAに設定した場合、1週目(売出し日から7日間)に成約する確率が15%、2週目(売出し日7日後から7日間)に成約する確率は20%、3週目(売出し日14日後から7日間)に成約する確率は12%、4週目に成約する確率は10%、5週目に成約する確率は8%、6週目に成約する確率は7%であることが分かる。売主は、このような成約確率情報1204を参照して、売出し価格や広告キャンペーンの選択を検討することが可能である。
図13において、売出し価格1201、または広告キャンペーンタイプ1203のいずれかが変化すると、成約確率の予測結果が変化するので、入力された内容に応じて、所定取引期間における成約確率を更新し、図14に示すように、ユーザインターフェースの表示が更新される。
図14は、本実施形態において表示される売出し価格検討画面が更新された例を示す図である。図示された画面1300は、売出し価格1301が5200万円(図13の売出し価格1201)から5000万円に変化したことにより更新された画面である。売出し価格1301の変化に応じて成約確率情報1304も、図13の画面1200に示される成約確率情報1204から変化していることが示される。具体的には、売出し価格を5000万円に下落させたことで、1週目に成約する確率が17%、2週目に成約する確率が22%、3週目に成約する確率が14%、4週目に成約する確率が11%、5週目に成約する確率が9%、6週目に成約する確率が8%と、各々増えている。
売主は、このように、売出し価格や広告キャンペーンの選択の変化に応じて更新される成約確率情報を参照しながら、売出し価格や広告キャンペーンの選択を検討することができる。
続いて、他のユーザインターフェースの例を図15〜図22に示す。図15は、成約確率の累積を表示する画面例を示す図である。図示された例では、画面1400に、売主が入力する売出し価格1401と、売出し物件の特徴量に基づいて予測される予測成約価格1402と、売出し価格を含む売出し物件の特徴量に基づいて予測される成約確率情報1404が表示されている。図15に示す成約確率情報1404は、売出し日から各月までの成約確率の累計がグラフにより表示されている。具体的には、例えば売出し日が3月1日の場合、3月末までの累積成約確率は35%、売出し日から4月末までの累積成約確率は75%、売出し日から5月末までの累積成約確率は90%、売出し日から6月末までの累積成約確率は97%となる。
図16は、成約確率を売れやすさの段階表示を行う画面例を示す図である。ここでは、成約確率をパーセンテージではなく、簡易な表現に変換することで、より分かり易く売主に見せることができる。図示された例では、画面1500に、売出し価格1501と、予測成約価格1502と、成約確率情報1503が表示されている。成約確率情報1503は、適当な閾値の設定により成約確率を3段階の売れやすさ表記に変換し、売れやすさランクを星の数で示したものである。例えば、1カ月以内の成約確率(売出し日から1カ月の累積成約確率)30%未満かつ2カ月以内の成約確率(売出し日から2カ月の累積成約確率)60%未満の場合、「売れやすさランク」は3段階のうち最も低い評価を示す星1つで表示され、1カ月以内の成約確率40%未満かつ2カ月以内の成約確率70%未満の場合は星2つで表示され、1カ月以内の成約確率50%未満かつ2カ月以内の成約確率80%未満の場合は最も良い評価を示す星3つで表示される。
図17は、指定成約期間における成約確率を表示する画面例を示す図である。図示された例では、画面1600に、売出し価格1601、予測成約価格1602、指定成約期間1603、成約確率情報1604が表示されている。売主が売出し価格1601に任意の売出し価格を入力することに加え、指定成約期間1603に任意の成約期間を入力することで、入力した成約期間までの成約確率が予測され、表示される。
図18は、成約確率と売出し期間毎の予測成約価格の一覧を表示する画面例を示す図である。図示された例では、画面1700に、売出し価格1701と、予測成約価格情報1702が表示されている。予測成約価格情報1702は、例えば各売出し期間(例えば60日以内、80日以内、100日以内、120日以内、140日以内)における成約確率毎(例えば60%、70%、80%、90%)の予測成約価格を示す表を含む。売主は、予測成約価格情報1702を参照して、売出し価格1701を検討することができる。
図19は、成約確率を点数で表示する画面例を示す図である。図示された例では、画面1800に、売出し価格1801と、予測成約価格1802と、売れやすさポイント値1803と、点数変化情報1804が表示されている。売れやすさポイント値1803は、ある期間(例えば1カ月または2カ月等)における成約確率が、0〜100の値に変換され、点数として表示されたものである。成約確率のポイント値への変換の際は、例えば100に近い程成約確率が高くなるよう、変換の閾値が適宜定められる。点数変化情報1804は、売れやすさポイント値を上昇させるための情報を含む。具体的には、例えば売出し価格の変更や広告キャンペーンの追加により、ある期間における成約確率と共にポイント値が変化するため、「売出し価格を1%下げる:85点」、「地元紙に広告を出す:80点」等の情報が表示される。なお広告キャンペーンの場合、同じ広告費用であっても広告場所や広告対象等によって成約確率が異なる場合も想定されるが、その場合は最も成約確率が上昇するものが選択され提示され得る。
図20は、売出し価格の自動調整履歴を表示する画面例を示す図である。図示された例では、画面1900に、売出し価格1901と、予測成約価格1902と、所定成約期間における成約確率1903と、売出し価格の自動調整履歴1904が表示されている。売出し価格の自動調整は、サーバ300の価格調整部3312により行われ得る。図20に示す例では、所定成約期間における成約確率1903が設定され、設定された成約確率を維持するよう価格調整部3312により売出し価格が調整されている。成約確率は経過時間と共に変化するため(例えば図4に示すように売出し日から略20日間は成約確率が急激に高くなるが、それ以降は徐々に下がっている)、価格調整部3312は、設定された成約確率を維持するよう、売出し価格を調整する。自動調整履歴1904は、このように調整された売出し価格の履歴を表示するものである。図示された例では、売主に入力された売出し価格「5200万」で4月1日から売出しが開始され、例えば4月8日から12日現在において売れやすい時期であるため、売出し価格が高く(成約確率80%を維持するよう)調整されている。
図21は、売出し価格の自動調整において目標成約期間を設定できる画面例を示す図である。図示された例では、画面2000に、目標成約期間2001と、目標成約期間における累積成約確率2003と、売出し価格の自動調整履歴2004が表示されている。価格調整部3312は、売主に入力された目標成約期間に近付いた場合、売出し価格を下降させるよう調整する。この際、価格調整部3312は、目標成約期間における累積成約確率が例えば80%になるよう調整する。累積成約確率の設定は売主が任意に行えるようにしてもよいし、システム側が適宜決定してもよい。現在から目標成約期間までの成約確率は、「売出し日からの成約確率」を「1−売出し日から現在までの成約確率」で割ることで算出され得る。
図22は、売出し価格の自動調整において下限を設定できる画面例を示す図である。上述したように目標成約期間が近付いた際に売出し価格を調整する場合、売出し価格が低くなり過ぎる可能性があるため、図22の画面2100に示すように、売主が予め売出し価格の下限を設定できるようにしてもよい。図示された例では、画面2100に、目標成約期間2101と、売出し価格の下限2102と、目標成約期間における累積成約確率2104と、売出し価格の自動調整履歴2105が表示されている。価格調整部3312は、売主に入力された目標成約期間に近付いた場合に売出し価格を下降させるよう調整し、目標成約期間における累積成約確率が例えば80%になるよう調整するが、この際、設定された売出し価格の下限(例えば4800万円)を下回らないよう売出し価格を調整する。
<<5.応用例>>
以上、売主が売出し価格を決定する際に成約確率を用いる場合について説明したが、本開示はこれに限定されず、成約確率を以下に説明するような他の用途に用いてもよい。
<5−1.買主側での利用>
例えば、物件の購入を検討しているユーザ(買主)が閲覧する売出し物件のWebページに、当該売出し物件の現在の成約確率や今後の成約確率の変化を表示することで、買主は、購入の意思決定や、成約価格の交渉の参考にすることができる。具体的には、例えば買主は、成約確率が高いので早めに購入の意思決定をしたり、成約確率が低いので強気に値切り交渉に臨んだりすることが可能となる。
また、サーバ300の情報提示部3309は、物件の購入を検討している買主がブックマーク(不動産情報サイトにおいて、すぐアクセスできるように登録すること)した物件について、その物件ページへのアクセス増加や経過日数等によって成約確率が上がった(すなわち需要が増えた)場合、買主へアラートを出してもよい。買主へのアラートは、例えば電子メールを用いて行われ得る。また、情報提示部3309は、予測部3306により成約期間の予測も行われている場合、買主がブックマークした物件の予測成約期間が短くなった場合、買主へアラートを出してもよい。これにより、買主は、ブックマークした物件を他者に買われる前に売買交渉を行うというような判断の参考にすることができる。
<5−2.不動産仲介業者側での利用>
また、本実施形態による成約確率は、不動産仲介業者がエージェントを顧客(買主)に配置する際の参考にすることも可能である。不動産仲介業者は複数の仲介案件を抱えているため、その中から最も成約確率の高い仲介案件から優先的にエージェントを配置することで、営業効率を向上させることが可能となる。仲介案件の成約確率は、売出し物件毎、購入希望者毎、または対象物件の購入希望者毎に提示され得る。上述したように、取引履歴データ3105には購入者情報が含まれ、特徴量生成部3301による特徴量の生成に用いられるため、予測部3306は、当該特徴量を用いた学習部3303による機械学習結果に基づいて対象売出し物件に対する購入希望者毎の成約確率を予測することが可能となる。
図23は、仲介案件の成約確率を表示する画面例を示す図である。図示された例では、売出し物件の購入希望者毎の1週間以内における成約確率が表示されている。具体的には、例えば物件Aに対する購入希望者aの成約確率は62%、同物件に対する購入希望者bの成約確率は60%、物件Bに対する購入希望者cの成約確率は55%、物件Cに対する購入希望者cの成約確率は52%、物件Dに対する購入希望者dの成約確率は42%と表示されている。これにより、不動産仲介業者は、成約確率の高い購入希望者にエージェントを配置することで、営業効率を上昇させることができる。
また、学習部3303が取引履歴データ3105に含まれるエージェント情報を特徴量として用いてエージェントの成約確率への影響を学習することで、予測部3306は、仲介案件の成約確率を、さらにエージェント毎に予測することも可能となる。例えば図23に示す表においてエージェントの列が追加され得る。情報提示部3309により、仲介案件の成約確率がエージェント毎に提示されることで、不動産仲介業者は各エージェントを適切に顧客(買主)に配置することができる。
<5−3.売買以外の不動産契約での応用>
上述した実施形態では、不動産の売買取引における成約確率の予測を行っているが、本開示はこれに限定されず、予測部3306は、不動産の賃貸取引における成約確率の予測も同様に行うことができる。この際、情報提示部3309は、貸主が賃貸料を決定する際のUIに賃貸取引における成約確率を表示する。また、価格調整部3312は、成約確率を用いた賃貸価格の自動調整を行うことができる。
また、情報提示部3309は、物件にオーナーに、賃貸取引における成約確率と売買取引における成約確率とを提示することで、オーナーによる運用方法(賃貸による運用、または売却)の決定をサポートすることができる。
また、不動産物件の所有者が留守の間に第三者に物件を提供する際には宿泊契約を行うが、この際にも本開示による成約確率予測を利用することが可能である。情報提示部3309は、物件の所有者が宿泊料を決定する際のUIに宿泊契約における成約確率を表示する。また、価格調整部3312は、成約確率を用いた宿泊料の自動調整を行うことができる。なお、個人所有の物件の宿泊契約に限らず、一般的なホテルの宿泊契約を行う際にも成約確率予測を用いることが可能である。情報提示部3309は、ホテルの担当者が宿泊料を決定する際のUIに宿泊契約における成約確率を表示する。
<5−4.オンライン物販での利用>
また、本実施形態による成約確率は、オンライン物販における物品の販売価格決定時にも利用され得る。オンライン物販とは、物品の売買をWebサイト上で行う取引形態である。物品の出展者は物品の説明と販売価格を設定してWebサイトに公開する。この際、UIに当該物品の成約確率が提示されることで、出展者は、成約確率を参考にしながら販売価格を設定することができる。また、価格調整部3312による販売価格の自動調整も利用し得る。
なお不動産とはドメインが異なるため、特徴量生成時に利用するデータは一部異なる。例えば特徴量生成部3301は、サイトアクセスデータや取引履歴データ(成約情報を含む)は不動産の場合と同様に用い、物件データ3101に代えて物品データ(商品名、製品番号、製造元、大きさ、色、発売年月日、外観画像等)を用い、移動データ3111は用いずに、特徴量の生成を行う。
<<6.ハードウェア構成>>
次に、図24を参照して、本開示の実施形態による情報処理装置のハードウェア構成について説明する。図24は、本開示の実施形態による情報処理装置のハードウェア構成例を示すブロック図である。図示された情報処理装置900は、例えば、上記の実施形態におけるサーバ300およびクライアント100を実現しうる。
情報処理装置900は、CPU(Central Processing unit)901、ROM(Read Only Memory)903、およびRAM(Random Access Memory)905を含む。また、情報処理装置900は、ホストバス907、ブリッジ909、外部バス911、インターフェース913、入力装置915、出力装置917、ストレージ装置919、ドライブ921、接続ポート923、通信装置925を含んでもよい。情報処理装置900は、CPU901に代えて、またはこれとともに、DSP(Digital Signal Processor)、ASIC(Application Specific Integrated Circuit)、またはFPGA(Field-Programmable Gate Array)などの処理回路を有してもよい。
CPU901は、演算処理装置および制御装置として機能し、ROM903、RAM905、ストレージ装置919、またはリムーバブル記録媒体927に記録された各種プログラムに従って、情報処理装置900内の動作全般またはその一部を制御する。ROM903は、CPU901が使用するプログラムや演算パラメータなどを記憶する。RAM905は、CPU901の実行において使用するプログラムや、その実行において適宜変化するパラメータなどを一次記憶する。CPU901、ROM903、およびRAM905は、CPUバスなどの内部バスにより構成されるホストバス907により相互に接続されている。さらに、ホストバス907は、ブリッジ909を介して、PCI(Peripheral Component Interconnect/Interface)バスなどの外部バス911に接続されている。
入力装置915は、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチおよびレバーなど、ユーザによって操作される装置である。入力装置915は、例えば、赤外線やその他の電波を利用したリモートコントロール装置であってもよいし、情報処理装置900の操作に対応した携帯電話などの外部接続機器929であってもよい。入力装置915は、ユーザが入力した情報に基づいて入力信号を生成してCPU901に出力する入力制御回路を含む。ユーザは、この入力装置915を操作することによって、情報処理装置900に対して各種のデータを入力したり処理動作を指示したりする。
出力装置917は、取得した情報をユーザに対して視覚や聴覚、触覚などの感覚を用いて通知することが可能な装置で構成される。出力装置917は、例えば、LCD(Liquid Crystal Display)または有機EL(Electro-Luminescence)ディスプレイなどの表示装置、スピーカまたはヘッドフォンなどの音声出力装置、もしくはバイブレータなどでありうる。出力装置917は、情報処理装置900の処理により得られた結果を、テキストもしくは画像などの映像、音声もしくは音響などの音声、またはバイブレーションなどとして出力する。
ストレージ装置919は、情報処理装置900の記憶部の一例として構成されたデータ格納用の装置である。ストレージ装置919は、例えば、HDD(Hard Disk Drive)などの磁気記憶デバイス、半導体記憶デバイス、光記憶デバイス、または光磁気記憶デバイスなどにより構成される。ストレージ装置919は、例えばCPU901が実行するプログラムや各種データ、および外部から取得した各種のデータなどを格納する。
ドライブ921は、磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリなどのリムーバブル記録媒体927のためのリーダライタであり、情報処理装置900に内蔵、あるいは外付けされる。ドライブ921は、装着されているリムーバブル記録媒体927に記録されている情報を読み出して、RAM905に出力する。また、ドライブ921は、装着されているリムーバブル記録媒体927に記録を書き込む。
接続ポート923は、機器を情報処理装置900に接続するためのポートである。接続ポート923は、例えば、USB(Universal Serial Bus)ポート、IEEE1394ポート、SCSI(Small Computer System Interface)ポートなどでありうる。また、接続ポート923は、RS−232Cポート、光オーディオ端子、HDMI(登録商標)(High-Definition Multimedia Interface)ポートなどであってもよい。接続ポート923に外部接続機器929を接続することで、情報処理装置900と外部接続機器929との間で各種のデータが交換されうる。
通信装置925は、例えば、通信ネットワーク931に接続するための通信デバイスなどで構成された通信インターフェースである。通信装置925は、例えば、LAN(Local Area Network)、Bluetooth(登録商標)、Wi−Fi、またはWUSB(Wireless USB)用の通信カードなどでありうる。また、通信装置925は、光通信用のルータ、ADSL(Asymmetric Digital Subscriber Line)用のルータ、または、各種通信用のモデムなどであってもよい。通信装置925は、例えば、インターネットや他の通信機器との間で、TCP/IPなどの所定のプロトコルを用いて信号などを送受信する。また、通信装置925に接続される通信ネットワーク931は、有線または無線によって接続されたネットワークであり、例えば、インターネット、家庭内LAN、赤外線通信、ラジオ波通信または衛星通信などを含みうる。
以上、情報処理装置900のハードウェア構成の一例を示した。上記の各構成要素は、汎用的な部材を用いて構成されていてもよいし、各構成要素の機能に特化したハードウェアにより構成されていてもよい。かかる構成は、実施する時々の技術レベルに応じて適宜変更されうる。
<<7.まとめ>>
本開示の実施形態は、例えば、上記で説明したような情報処理装置(サーバまたはクライアント)、システム、情報処理装置またはシステムで実行される情報処理方法、情報処理装置を機能させるためのプログラム、およびプログラムが記録された一時的でない有形の媒体を含みうる。
以上、添付図面を参照しながら本開示の好適な実施形態について詳細に説明したが、本技術はかかる例に限定されない。本開示の技術分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本開示の技術的範囲に属するものと了解される。
また、本明細書に記載された効果は、あくまで説明的または例示的なものであって限定的ではない。つまり、本開示に係る技術は、上記の効果とともに、または上記の効果に代えて、本明細書の記載から当業者には明らかな他の効果を奏しうる。
なお、本技術は以下のような構成も取ることができる。
(1)
不動産物件または不動産物件に関する事象の特徴量を算出する算出部と、
過去の成立した取引における成立期間および対象不動産物件の前記特徴量と、現在の当該取引の対象不動産物件の前記特徴量とに基づいて、前記取引における所定取引期間の成約確率を予測する予測部と、
を備える、情報処理装置。
(2)
前記予測部は、現在の当該取引の対象不動産物件の前記特徴量と共通する特徴量を持つ前記過去の成立取引の対象不動産物件における成立期間および特徴量から生成された、特徴量に応じた成約期間に対応する成約確率を算出するためのパラメータを用いて、前記所定取引期間における成約確率を予測する、前記(1)に記載の情報処理装置。
(3)
前記予測部は、複数の取引期間毎の各成約確率を予測する、前記(1)または(2)に記載の情報処理装置。
(4)
前記情報処理装置は、
前記予測部により予測された所定取引期間の成約確率を、前記現在の当該取引を行っている取引者に提示するよう制御する提示制御部をさらに備える、前記(1)〜(3)のいずれか1項に記載の情報処理装置。
(5)
前記提示制御部は、前記現在の当該取引における取引価格設定画面に、所定取引期間の成約確率を提示するよう制御する、前記(4)に記載の情報処理装置。
(6)
前記提示制御部は、記現在の当該取引を行っている取引者により指定された取引期間の成約確率を提示するよう制御する、前記(5)に記載の情報処理装置。
(7)
前記不動産物件に関する事象の特徴量は、算出対象の不動産物件または類似する不動産物件が掲載されているWebページへのアクセス数またはアクセス数の変化の少なくともいずれかの特徴量を含む、前記(1)〜(6)のいずれか1項に記載の情報処理装置。
(8)
前記不動産物件に関する事象の特徴量は、不動産情報のWebサイトにおける検索履歴と算出対象の不動産物件との関連度または関連度の変化の少なくともいずれかの特徴量を含む、前記(1)〜(7)のいずれか1項に記載の情報処理装置。
(9)
前記不動産物件に関する事象の特徴量は、算出対象の不動産物件の周囲における人の往来量または往来量の変化の少なくともいずれかの特徴量を含む、前記(1)〜(8)のいずれか1項に記載の情報処理装置。
(10)
前記不動産物件に関する事象の特徴量は、算出対象の不動産物件の広告情報の特徴量を含む、前記(1)〜(9)のいずれか1項に記載の情報処理装置。
(11)
前記不動産物件に関する事象の特徴量は、算出対象の不動産物件の周囲または類似する不動産物件の周囲の空き物件情報の少なくともいずれかの特徴量を含む、前記(1)〜(10)のいずれか1項に記載の情報処理装置。
(12)
前記情報処理装置は、
前記予測された成約確率に応じて、前記現在の当該取引における取引価格を調整する価格調整部をさらに含む、前記(1)〜(11)のいずれか1項に記載の情報処理装置。
(13)
前記価格調整部は、前記成約確率の更新に応じて、成約確率が一定になるよう前記取引価格を調整する、前記(12)に記載の情報処理装置。
(14)
前記価格調整部は、設定された目標成立期間における成約確率が一定になるよう前記取引価格を調整する、前記(12)に記載の情報処理装置。
(15)
前記算出部は、前記特徴量を定期的に更新する、前記(1)〜(14)のいずれか1項に記載の情報処理装置。
(16)
前記情報処理装置は、
前記過去の成立取引の対象不動産物件における成立期間および特徴量に基づいて、成約期間に対応する成約確率を算出するための予測モデルに使用するパラメータを生成する生成部をさらに備える、前記(2)に記載の情報処理装置。
(17)
前記予測部は、前記過去の成立取引の対象不動産物件の成立期間および特徴量から生成された、特徴量に応じた成約期間に対応する成約確率を算出するための関数に、前記現在の当該取引の対象不動産物件における前記特徴量を代入し、前記所定取引期間における成約確率を予測する、前記(2)に記載の情報処理装置。
(18)
前記予測部は、前記関数に含まれる成約確率のノイズ分布として、対数正規分布を用いる、前記(17)に記載の情報処理装置。
(19)
プロセッサが、
不動産物件または不動産物件に関する事象の特徴量を算出することと、
過去の成立した取引における成立期間および対象不動産物件の前記特徴量と、現在の当該取引の対象不動産物件の前記特徴量とに基づいて、前記取引における所定取引期間の成約確率を予測することと、
を含む、情報処理方法。
(20)
コンピュータを、
不動産物件または不動産物件に関する事象の特徴量を算出する算出部と、
過去の成立した取引における成立期間および対象不動産物件の前記特徴量と、現在の当該取引の対象不動産物件の前記特徴量とに基づいて、前記取引における所定取引期間の成約確率を予測する予測部と、
として機能させるための、プログラム。
10 システム
100 クライアント
200 ネットワーク
300 サーバ
310 データベース
3101 物件データ
3103 売出しデータ
3105 取引履歴データ
3107 周辺環境データ
3109 サイトアクセスデータ
3111 移動データ
3113 物件特徴量データ
3115 パラメータデータ
320 通信部
330 処理部
3301 特徴量生成部
3303 学習部
3306 予測部
3309 情報提示部
3312 価格調整部

Claims (20)

  1. 不動産物件または不動産物件に関する事象の特徴量を算出する算出部と、
    過去の成立した取引における成立期間および対象不動産物件の前記特徴量と、現在の当該取引の対象不動産物件の前記特徴量とに基づいて、前記取引における所定取引期間の成約確率を予測する予測部と、
    を備える、情報処理装置。
  2. 前記予測部は、現在の当該取引の対象不動産物件の前記特徴量と共通する特徴量を持つ前記過去の成立取引の対象不動産物件における成立期間および特徴量から生成された、特徴量に応じた成約期間に対応する成約確率を算出するためのパラメータを用いて、前記所定取引期間における成約確率を予測する、請求項1に記載の情報処理装置。
  3. 前記予測部は、複数の取引期間毎の各成約確率を予測する、請求項1に記載の情報処理装置。
  4. 前記情報処理装置は、
    前記予測部により予測された所定取引期間の成約確率を、前記現在の当該取引を行っている取引者に提示するよう制御する提示制御部をさらに備える、請求項1に記載の情報処理装置。
  5. 前記提示制御部は、前記現在の当該取引における取引価格設定画面に、所定取引期間の成約確率を提示するよう制御する、請求項4に記載の情報処理装置。
  6. 前記提示制御部は、記現在の当該取引を行っている取引者により指定された取引期間の成約確率を提示するよう制御する、請求項5に記載の情報処理装置。
  7. 前記不動産物件に関する事象の特徴量は、算出対象の不動産物件または類似する不動産物件が掲載されているWebページへのアクセス数またはアクセス数の変化の少なくともいずれかの特徴量を含む、請求項1に記載の情報処理装置。
  8. 前記不動産物件に関する事象の特徴量は、不動産情報のWebサイトにおける検索履歴と算出対象の不動産物件との関連度または関連度の変化の少なくともいずれかの特徴量を含む、請求項1に記載の情報処理装置。
  9. 前記不動産物件に関する事象の特徴量は、算出対象の不動産物件の周囲における人の往来量または往来量の変化の少なくともいずれかの特徴量を含む、請求項1に記載の情報処理装置。
  10. 前記不動産物件に関する事象の特徴量は、算出対象の不動産物件の広告情報の特徴量を含む、請求項1に記載の情報処理装置。
  11. 前記不動産物件に関する事象の特徴量は、算出対象の不動産物件の周囲または類似する不動産物件の周囲の空き物件情報の少なくともいずれかの特徴量を含む、請求項1に記載の情報処理装置。
  12. 前記情報処理装置は、
    前記予測された成約確率に応じて、前記現在の当該取引における取引価格を調整する価格調整部をさらに含む、請求項1に記載の情報処理装置。
  13. 前記価格調整部は、前記成約確率の更新に応じて、成約確率が一定になるよう前記取引価格を調整する、請求項12に記載の情報処理装置。
  14. 前記価格調整部は、設定された目標成立期間における成約確率が一定になるよう前記取引価格を調整する、請求項12に記載の情報処理装置。
  15. 前記算出部は、前記特徴量を定期的に更新する、請求項1に記載の情報処理装置。
  16. 前記情報処理装置は、
    前記過去の成立取引の対象不動産物件における成立期間および特徴量に基づいて、成約期間に対応する成約確率を算出するための予測モデルに使用するパラメータを生成する生成部をさらに備える、請求項2に記載の情報処理装置。
  17. 前記予測部は、前記過去の成立取引の対象不動産物件の成立期間および特徴量から生成された、特徴量に応じた成約期間に対応する成約確率を算出するための関数に、前記現在の当該取引の対象不動産物件における前記特徴量を代入し、前記所定取引期間における成約確率を予測する、請求項2に記載の情報処理装置。
  18. 前記予測部は、前記関数に含まれる成約確率のノイズ分布として、対数正規分布を用いる、請求項17に記載の情報処理装置。
  19. プロセッサが、
    不動産物件または不動産物件に関する事象の特徴量を算出することと、
    過去の成立した取引における成立期間および対象不動産物件の前記特徴量と、現在の当該取引の対象不動産物件の前記特徴量とに基づいて、前記取引における所定取引期間の成約確率を予測することと、
    を含む、情報処理方法。
  20. コンピュータを、
    不動産物件または不動産物件に関する事象の特徴量を算出する算出部と、
    過去の成立した取引における成立期間および対象不動産物件の前記特徴量と、現在の当該取引の対象不動産物件の前記特徴量とに基づいて、前記取引における所定取引期間の成約確率を予測する予測部と、
    として機能させるための、プログラム。
JP2015131364A 2015-06-30 2015-06-30 情報処理装置、情報処理方法、およびプログラム Active JP6604054B2 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2015131364A JP6604054B2 (ja) 2015-06-30 2015-06-30 情報処理装置、情報処理方法、およびプログラム
EP16727236.8A EP3317846A1 (en) 2015-06-30 2016-05-18 System, method, and program for real estate pricing
CN201680037042.XA CN107735811A (zh) 2015-06-30 2016-05-18 用于房地产定价的系统、方法和程序
US15/558,211 US20180082388A1 (en) 2015-06-30 2016-05-18 System, method, and program
PCT/JP2016/002436 WO2017002299A1 (en) 2015-06-30 2016-05-18 System, method, and program for real estate pricing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2015131364A JP6604054B2 (ja) 2015-06-30 2015-06-30 情報処理装置、情報処理方法、およびプログラム

Publications (2)

Publication Number Publication Date
JP2017016321A true JP2017016321A (ja) 2017-01-19
JP6604054B2 JP6604054B2 (ja) 2019-11-13

Family

ID=56101771

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2015131364A Active JP6604054B2 (ja) 2015-06-30 2015-06-30 情報処理装置、情報処理方法、およびプログラム

Country Status (5)

Country Link
US (1) US20180082388A1 (ja)
EP (1) EP3317846A1 (ja)
JP (1) JP6604054B2 (ja)
CN (1) CN107735811A (ja)
WO (1) WO2017002299A1 (ja)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019197252A (ja) * 2018-05-07 2019-11-14 株式会社タス 空室率推計装置及び方法並びにコンピュータプログラム
JP2020003962A (ja) * 2018-06-26 2020-01-09 株式会社Lifull 照会確率提示装置、照会確率提示プログラム、照会確率提示方法、及び情報提供システム
JP2020003961A (ja) * 2018-06-26 2020-01-09 株式会社Lifull 広告オプション割当装置、広告オプション割当プログラム、広告オプション割当方法、及び情報提供システム
JP2020119413A (ja) * 2019-01-28 2020-08-06 株式会社日立製作所 物件検索支援システムおよび物件検索支援方法
JP2020123298A (ja) * 2019-01-31 2020-08-13 株式会社 Ambition 学習装置及び予測装置
KR102149683B1 (ko) * 2019-12-31 2020-08-31 노승철 부동산 매매소요기간 예측 방법 및 그 장치
KR102157833B1 (ko) * 2019-11-29 2020-09-18 김상헌 임대인 등록형 부동산 매물 관리 시스템 및 그 방법
WO2020250810A1 (ja) 2019-06-11 2020-12-17 ソニー株式会社 情報処理装置、情報処理方法およびプログラム
JP2021018471A (ja) * 2019-07-17 2021-02-15 Assest株式会社 入居推薦業者提案プログラム、不動産取引価格提案プログラム
JP2021068437A (ja) * 2019-10-17 2021-04-30 株式会社ウチダレック 出力プログラム、出力方法及び出力装置
JP2021093035A (ja) * 2019-12-11 2021-06-17 株式会社エクサウィザーズ 情報処理装置、情報処理方法、およびプログラム
WO2021140957A1 (ja) 2020-01-08 2021-07-15 ソニーグループ株式会社 情報処理装置、情報処理方法、及び、プログラム
JP2021114115A (ja) * 2020-01-17 2021-08-05 ヤフー株式会社 推定装置、推定方法、および推定プログラム
JP2021152760A (ja) * 2020-03-24 2021-09-30 株式会社日立製作所 取引支援システム及び取引交渉支援方法
WO2022064545A1 (ja) * 2020-09-23 2022-03-31 日本電気株式会社 売却予測装置、売却予測方法および記録媒体
JP2023094063A (ja) * 2021-12-23 2023-07-05 日本リスク・データ・バンク株式会社 情報処理装置、情報処理方法、情報処理プログラム及びコンピュータ可読記録媒体
JP7430205B2 (ja) 2022-01-13 2024-02-09 Lineヤフー株式会社 情報処理装置、情報処理方法、および情報処理プログラム
JP7482200B1 (ja) 2022-12-20 2024-05-13 株式会社Zozo 決定装置、決定方法及び決定プログラム

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170316436A1 (en) * 2016-04-29 2017-11-02 International Business Machines Corporation Context-aware curve-fitting for pipeline value prediction
US11568433B2 (en) 2017-05-16 2023-01-31 Carrier Corporation Predictive change for real estate application
US20190318433A1 (en) * 2018-04-16 2019-10-17 Nobul Corporation Real estate marketplace method and system
US11461737B2 (en) * 2018-04-20 2022-10-04 Microsoft Technology Licensing, Llc Unified parameter and feature access in machine learning models
CN108986355B (zh) * 2018-07-02 2020-11-17 浙江兰景科技有限公司 农贸市场数据采集终端及其数据采集方法
CN109389247A (zh) * 2018-09-27 2019-02-26 智庭(北京)智能科技有限公司 一种基于大数据的区域房屋租金预测方法
WO2020157844A1 (ja) * 2019-01-30 2020-08-06 三菱電機株式会社 計測装置、計測方法及び計測プログラム
CN111143656B (zh) * 2019-12-30 2021-01-05 深圳集智数字科技有限公司 一种调整事件属性的方法及相关装置
US20230051294A1 (en) * 2021-08-11 2023-02-16 Bungalow Living, Inc. System and method for determining and assigning an optimal value associated with a property unit using a short-term predictor
US20230153931A1 (en) * 2021-11-18 2023-05-18 Cape Analytics, Inc. System and method for property score determination
US20230161751A1 (en) * 2021-11-24 2023-05-25 State Farm Mutual Automobile Insurance Company Systems and methods for refining house characteristic data using artificial intelligence and/or other techniques
TWI821980B (zh) * 2022-04-11 2023-11-11 陳韋孝 複合式建築應用系統

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002024527A (ja) * 2000-07-03 2002-01-25 Recruit Co Ltd 不動産投資分析用システム及び記録媒体
JP2002133260A (ja) * 2000-10-20 2002-05-10 Fudosan Infomedia Kk 取引支援システム、取引情報処理装置、情報端末装置、取引支援方法、および、記録媒体
JP2007164751A (ja) * 2005-11-20 2007-06-28 Idu:Kk 賃貸用不動産オークションの落札確率表示システム
US20080133319A1 (en) * 2006-11-30 2008-06-05 Oia Intellectuals, Inc. Method and apparatus of determining effect of price on distribution of time to sell real property

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7440921B1 (en) * 2002-02-12 2008-10-21 General Electric Capital Corporation System and method for evaluating real estate transactions
JP2003281252A (ja) 2002-03-26 2003-10-03 Sony Corp 不動産情報提供サーバ、不動産情報提供方法、記録媒体、及びプログラム
US20080167889A1 (en) * 2007-01-05 2008-07-10 Kagarlis Marios A Price Indexing
US20110066561A1 (en) * 2009-07-28 2011-03-17 Lazarre Paul E Leveraged Usage of Information Regarding Real Estate Offerings
US8285568B1 (en) * 2009-04-20 2012-10-09 Pricelock Finance, Llc Home resale price protection plan
US7962353B1 (en) * 2009-04-20 2011-06-14 PriceLock Finance LLC Home resale price protection plan
US20110251974A1 (en) * 2010-04-07 2011-10-13 Woodard Scott E System and method for utilizing sentiment based indicators in determining real property prices and days on market
US8832115B2 (en) * 2010-12-20 2014-09-09 Quantarium, Llc Ranking real estate based on its value and other factors
US20120215703A1 (en) * 2011-02-22 2012-08-23 Fannie Mae Property value estimation with categorical location variable providing neighborhood proxy
US20130144796A1 (en) * 2011-12-06 2013-06-06 Fannie Mae Assigning confidence values to automated property valuations by using the non-typical property characteristics of the properties
US20130346151A1 (en) * 2012-06-22 2013-12-26 Corelogic Solutions, Llc Systems and methods for automated valuation of real estate developments
US8788402B2 (en) * 2012-09-28 2014-07-22 Ekcs, Llc Systems and methods for residential real estate risk transference via asset-backed contract
US10032180B1 (en) * 2012-10-04 2018-07-24 Groupon, Inc. Method, apparatus, and computer program product for forecasting demand using real time demand
US20150025931A1 (en) * 2013-07-18 2015-01-22 International Business Machines Corporation Business opportunity forecasting
US20150112879A1 (en) * 2013-10-23 2015-04-23 Mastercard International Incorporated Systems and methods for evaluating pricing of real estate
CN103778215B (zh) * 2014-01-17 2016-08-17 北京理工大学 一种基于情感分析和隐马尔科夫模型融合的股市预测方法
US20150324939A1 (en) * 2014-03-09 2015-11-12 Ashutosh Malaviya Real-estate client management method and system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002024527A (ja) * 2000-07-03 2002-01-25 Recruit Co Ltd 不動産投資分析用システム及び記録媒体
JP2002133260A (ja) * 2000-10-20 2002-05-10 Fudosan Infomedia Kk 取引支援システム、取引情報処理装置、情報端末装置、取引支援方法、および、記録媒体
JP2007164751A (ja) * 2005-11-20 2007-06-28 Idu:Kk 賃貸用不動産オークションの落札確率表示システム
US20080133319A1 (en) * 2006-11-30 2008-06-05 Oia Intellectuals, Inc. Method and apparatus of determining effect of price on distribution of time to sell real property

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019197252A (ja) * 2018-05-07 2019-11-14 株式会社タス 空室率推計装置及び方法並びにコンピュータプログラム
JP2020003962A (ja) * 2018-06-26 2020-01-09 株式会社Lifull 照会確率提示装置、照会確率提示プログラム、照会確率提示方法、及び情報提供システム
JP2020003961A (ja) * 2018-06-26 2020-01-09 株式会社Lifull 広告オプション割当装置、広告オプション割当プログラム、広告オプション割当方法、及び情報提供システム
JP7217097B2 (ja) 2018-06-26 2023-02-02 株式会社Lifull 照会確率提示装置、照会確率提示プログラム、照会確率提示方法、及び情報提供システム
JP7217096B2 (ja) 2018-06-26 2023-02-02 株式会社Lifull 広告オプション割当装置、広告オプション割当プログラム、広告オプション割当方法、及び情報提供システム
JP2020119413A (ja) * 2019-01-28 2020-08-06 株式会社日立製作所 物件検索支援システムおよび物件検索支援方法
JP2020123298A (ja) * 2019-01-31 2020-08-13 株式会社 Ambition 学習装置及び予測装置
WO2020250810A1 (ja) 2019-06-11 2020-12-17 ソニー株式会社 情報処理装置、情報処理方法およびプログラム
JP2021018471A (ja) * 2019-07-17 2021-02-15 Assest株式会社 入居推薦業者提案プログラム、不動産取引価格提案プログラム
JP7109804B2 (ja) 2019-10-17 2022-08-01 株式会社ウチダレック 出力プログラム、出力方法及び出力装置
JP2021068437A (ja) * 2019-10-17 2021-04-30 株式会社ウチダレック 出力プログラム、出力方法及び出力装置
KR102157833B1 (ko) * 2019-11-29 2020-09-18 김상헌 임대인 등록형 부동산 매물 관리 시스템 및 그 방법
JP2021093035A (ja) * 2019-12-11 2021-06-17 株式会社エクサウィザーズ 情報処理装置、情報処理方法、およびプログラム
KR102149683B1 (ko) * 2019-12-31 2020-08-31 노승철 부동산 매매소요기간 예측 방법 및 그 장치
WO2021140957A1 (ja) 2020-01-08 2021-07-15 ソニーグループ株式会社 情報処理装置、情報処理方法、及び、プログラム
JP2021114115A (ja) * 2020-01-17 2021-08-05 ヤフー株式会社 推定装置、推定方法、および推定プログラム
JP7353192B2 (ja) 2020-01-17 2023-09-29 ヤフー株式会社 推定装置、推定方法、および推定プログラム
JP2021152760A (ja) * 2020-03-24 2021-09-30 株式会社日立製作所 取引支援システム及び取引交渉支援方法
WO2021192385A1 (ja) * 2020-03-24 2021-09-30 株式会社日立製作所 取引支援システム及び取引交渉支援方法
WO2022064545A1 (ja) * 2020-09-23 2022-03-31 日本電気株式会社 売却予測装置、売却予測方法および記録媒体
JP2023094063A (ja) * 2021-12-23 2023-07-05 日本リスク・データ・バンク株式会社 情報処理装置、情報処理方法、情報処理プログラム及びコンピュータ可読記録媒体
JP7395141B2 (ja) 2021-12-23 2023-12-11 日本リスク・データ・バンク株式会社 情報処理装置、情報処理方法、情報処理プログラム及びコンピュータ可読記録媒体
JP7430205B2 (ja) 2022-01-13 2024-02-09 Lineヤフー株式会社 情報処理装置、情報処理方法、および情報処理プログラム
JP7482200B1 (ja) 2022-12-20 2024-05-13 株式会社Zozo 決定装置、決定方法及び決定プログラム

Also Published As

Publication number Publication date
CN107735811A (zh) 2018-02-23
JP6604054B2 (ja) 2019-11-13
EP3317846A1 (en) 2018-05-09
US20180082388A1 (en) 2018-03-22
WO2017002299A1 (en) 2017-01-05

Similar Documents

Publication Publication Date Title
JP6604054B2 (ja) 情報処理装置、情報処理方法、およびプログラム
JP6919743B2 (ja) 情報処理装置、情報処理方法およびプログラム
US10970800B2 (en) Data collection, storage, and processing system using one or more inputs
JP6828682B2 (ja) 情報処理装置、情報処理方法、およびプログラム
Hu et al. Retirement villages in Australia: a literature review
WO2017150772A1 (ko) 부동산 정보 제공 및 공유 장치
Charles Understanding the determinants of single-family residential redevelopment in the inner-ring suburbs of Chicago
Belanger et al. The impact of flood risk on the price of residential properties: the case of England
US11983203B1 (en) Systems and methods of establishing correlative relationships between geospatial data features in feature vectors representing property locations
US20210073930A1 (en) Commercial real estate evaluation, valuation, and recommendation
JPWO2016009682A1 (ja) 情報処理装置、情報処理方法およびプログラム
CN106663300A (zh) 信息处理装置、信息处理方法和程序
Sissons et al. Changes in transitions from private renting to homeownership in the context of rapidly rising house prices
Bera et al. Estimation of spatial association between housing price and local environmental amenities in Kolkata, India Using Hedonic Local Regression
Hinrichs et al. Using shrinkage for data-driven automated valuation model specification–a case study from Berlin
Wong et al. Apartment foreclosure discount in Kuala Lumpur
US11887159B2 (en) Privacy-safe frequency distribution of geo-features for mobile devices
Liu et al. The rent gap revisited: Gentrification in point Chevalier, Auckland
Irwin et al. Price and liquidity dynamics for single and multi-family homes during housing market shocks
US20200211051A1 (en) Out-of-home campaign intelligence
Aydinoglu et al. Comparing modelling performance and evaluating differences of feature importance on defined geographical appraisal zones for mass real estate appraisal
Stanišić et al. Appraisal of Apartments in Belgrade Using Hedonic Regression: Model Specification, Predictive Performance, Suitability for Mass Appraisal, and Comparison with Machine Learning Methods
Zhang et al. Effects of Urban Expressways on Housing Prices: A Case Study of Qiushi Highway, Hangzhou, China
US20230342869A1 (en) Systems and Methods for Generating a Home Score for a User Using a Home Score Component Model
US20240037680A1 (en) Systems and Methods for Generating a Home Score for a User

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180507

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20190208

RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20190214

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20190222

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20190515

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20190522

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190709

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190903

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20190917

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190930

R151 Written notification of patent or utility model registration

Ref document number: 6604054

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151