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

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。

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)=w^tx+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。

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x_i,s、成約に至らなかった物件の特徴量ベクトルをx_i,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。

（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^２幅のビンを設定した場合、敷地面積が４０ｍ^２の場合にはベクトルの４番目の元が１、敷地面積が５７０ｍ^２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^２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。

Images