JP2021174267A - 建物値付プログラム - Google Patents
建物値付プログラム Download PDFInfo
- Publication number
- JP2021174267A JP2021174267A JP2020077871A JP2020077871A JP2021174267A JP 2021174267 A JP2021174267 A JP 2021174267A JP 2020077871 A JP2020077871 A JP 2020077871A JP 2020077871 A JP2020077871 A JP 2020077871A JP 2021174267 A JP2021174267 A JP 2021174267A
- Authority
- JP
- Japan
- Prior art keywords
- building
- information
- association
- degree
- price
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013473 artificial intelligence Methods 0.000 claims description 39
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000004308 accommodation Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 21
- 238000000034 method Methods 0.000 description 21
- 238000013135 deep learning Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 206010041232 sneezing Diseases 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】特段のスキルや経験が無くても、誰でも手軽に建物の値付けを行うことができ る建物値付プログラムを提供する。【解決手段】これから売買又は賃貸する建物の値付けを行う建物値付プログラムにおいて、建物の内部又は建物外からの音声を時系列的に取り込んだ参照用音声情報と、建物の値段の増減率との3段階以上の連関度を予め取得する連関度取得ステップと、建物の値付けを新たに行う際に、その値付けをする建物の内部又は建物外からの音声を時系列的に取り込んだ音声情報を取得する情報取得ステップと、上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した音声情報に基づき、新たに値付けをする建物の値段の増減率を判定する判定ステップとをコンピュータに実行させること を特徴とする。【選択図】図10
Description
本発明は、これから売買又は賃貸する建物の値付けを行う建物値付プログラムに関する。
従来より土地や建物等の建物の売買、賃貸が行われている。これらの建物の売買価格、賃貸価格(以下、値段という。)は、立地、広さ、築年数、建物に備わっている機能、画像、相場等を勘案し、従来の経験を踏まえて値付けが行われる。この値付けが、これら各種要因に基づく需要と供給のバランスから乖離してしまうと、買い手又は売り手の一方が不当に損をしてしまうことにもなる。このため、建物の値付けは、両者にとってバランスが取られた最適な値を設定することが求められる。しかしながら、この建物の値付けを、これらの各種要因や需要と供給のバランス、更には過去の経験を踏まえて最適な値段に設定するのは相当のスキルを要する。このため、特段のスキルや経験が無くても、誰でも手軽に建物の値付けを行うことができるシステムが従来より望まれていた。
これに加えて、販売対象の建物の傷み具合や汚れ具合に応じて建物としての価値は変化する。また、実際にその建物に居住してみないと分からないような外部や上下階、隣の家からの騒音や車両の走行等により伝わる振動、更には日当たりや湿気等に応じて建物としての価値は変化する。このような要因に基づいて建物の価値、ひいては建物の値付けを行うことができるシステムは従来において提案されていなかった。
そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、特段のスキルや経験が無くても、販売対象の建物の傷み具合や汚れ具合、実際にその建物に居住してみないと分からないような外部や上下階、隣の家からの騒音や車両の走行等により伝わる振動、更には日当たりや湿気等の要因も反映させた上で、売却又は賃貸する建物の値付けを行うことができる建物値付プログラムを提供することにある。
本発明を適用した建物値付プログラムは、これから売買又は賃貸する建物の値付けを行う建物値付プログラムにおいて、建物から発生する音声を時系列的に取り込んだ参照用音声情報と、建物の値段の増減率との3段階以上の連関度を予め取得する連関度取得ステップと、建物の値付けを新たに行う際に、その値付けをする建物から発生する音声情報を取得する情報取得ステップと、上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した音声情報に基づき、新たに値付けをする建物の値段の増減率を判定する判定ステップとをコンピュータに実行させることを特徴とする。
特段のスキルや経験が無くても、販売対象の建物の傷み具合や汚れ具合、実際にその建物に居住してみないと分からないような外部や上下階、隣の家からの騒音や車両の走行等により伝わる振動、更には日当たりや湿気等の要因も反映させた上で、売却又は賃貸する建物の値付けを行うことができる。
以下、本発明を適用した建物値付プログラムについて、図面を参照しながら詳細に説明をする。
図1は、本発明を適用した建物値付プログラムが実装される建物値付システム1の全体構成を示すブロック図である。建物値付システム1は、情報取得部9と、情報取得部9に接続された推定装置2と、推定装置2に接続されたデータベース3とを備えている。
情報取得部9は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部9は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部9は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部9は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部9は、後述する推定装置2と一体化されていてもよい。情報取得部9は、検知した情報を推定装置2へと出力する。また情報取得部9は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。
データベース3は、賃貸する建物、売買する建物に関する様々な情報が蓄積されている。建物とは、土地、建物(ビル、マンション、戸建住宅)等である。これら各建物に関する立地情報(住所、最寄駅、駅徒歩何分であるか、周囲の施設情報、周囲の環境情報、地盤情報、過去の災害情報)、広さ、築年数、建物の機能(間取り、動線、設備、外構等)、建物並びにその周囲を撮影した画像も同様にこのデータベース3に記録されている。建物は、集合住宅又は雑居ビルの場合、賃貸又は販売対象となる個々の部屋もこれに含まれる概念である。また、その建物における過去の売買価格、賃貸価格(以下これらを「値段」と総称する。)並びにその売買や賃貸が行われた当時の相場情報(例えば、その当時の空室率、坪単価等)や、現在の相場情報(例えば、現在の空室率、坪単価等)に関するデータ等が記録されている。
推定装置2は、例えば、パーソナルコンピュータ(PC)等を始めとした電子機器で構成されているが、PC以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この推定装置2による探索解を得ることができる。
図2は、推定装置2の具体的な構成例を示している。この推定装置2は、推定装置2全体を制御するための制御部24と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部25と、有線通信又は無線通信を行うための通信部26と、各種判断を行う推定部27と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部28とが内部バス21にそれぞれ接続されている。さらに、この内部バス21には、実際に情報を表示するモニタとしての表示部23が接続されている。
制御部24は、内部バス21を介して制御信号を送信することにより、推定装置2内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部24は、操作部25を介した操作に応じて各種制御用の指令を内部バス21を介して伝達する。
操作部25は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部25は、上記実行命令がユーザから入力された場合には、これを制御部24に通知する。この通知を受けた制御部24は、推定部27を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部25は、前述した情報取得部9として具現化されるものであってもよい。
推定部27は、建物の値付けを行う上での値段の推定を担う。この推定部27は、推定動作を実行するに当たり、必要な情報として記憶部28に記憶されている各種情報や、データベース3に記憶されている各種情報を読み出す。この推定部27は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。
表示部23は、制御部24による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部23は、例えば、液晶ディスプレイ(LCD)等によって実現される。
記憶部28は、ハードディスクで構成される場合において、制御部24による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部28には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部24により読み出されて実行されることになる。
上述した構成からなる建物値付システム1における動作について説明をする。
建物値付システム1では、例えば図3に示すように、参照用立地情報と、建物の値段との3段階以上の連関度が予め設定され、取得されていることが前提となる。参照用立地情報とは、その建物が位置する住所、最寄駅、駅徒歩何分であるか等の情報が含まれている。また参照用立地情報としては、その建物の周囲に、学校、店舗(スーパーマーケット、ショッピングモール、コンビニエンスストア、図書館、公民館、病院、レストラン)等が徒歩何分の距離にあるか、又は実際に何メートルの距離のところに位置するのかに関する周囲の施設情報が記述されている。また、参照用立地情報としては、例えば居酒屋、飲食店、性風俗特殊営業の店舗、簡易旅館等、周囲の立地環境に関する情報や、日当たりや風向きといった自然環境に関する情報(以下、周囲の環境情報という。)も含まれる。またその建物の地盤に関する地盤情報や、過去においてその建物の立地箇所において災害による被害の有無、被害の程度等が記述された過去の災害情報もこの参照用立地情報に含められていてもよい。この参照用立地情報としては、住所、最寄駅、駅徒歩何分であるか、周囲の施設情報、周囲の環境情報、地盤情報、過去の災害情報の全てが含まれていることは必須ではなく、何れか1以上が含まれていればよい。
図3の例では、入力データとして例えば参照用立地情報P01〜P03であるものとする。このような入力データとしての参照用立地情報は、出力に連結している。この出力においては、出力解としての、建物の値段が表示されている。
参照用立地情報は、この出力解としての、建物の値段に対して3段階以上の連関度を通じて互いに連関しあっている。参照用立地情報がこの連関度を介して左側に配列し、各建物の値段が連関度を介して右側に配列している。連関度は、左側に配列された参照用立地情報に対して、何れの値段と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用立地情報が、いかなる値段に紐付けられる可能性が高いかを示す指標であり、参照用立地情報から最も確からしい建物の値段を選択する上での的確性を示すものである。図3の例では、連関度としてw13〜w19が示されている。このw13〜w19は以下の表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。
推定装置2は、このような図3に示す3段階以上の連関度w13〜w19を予め取得しておく。つまり推定装置2は、実際の探索解の判別を行う上で、参照用立地情報と、その場合の建物の値段がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図3に示す連関度を作り上げておく。
例えば、参照用立地情報P01が最寄り駅○○で、駅徒歩5分であるものとする。このとき、そのような建物が過去のどの程度の値段で取引されていたか調査する。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用立地情報P01である場合に、過去の建物の取引価格を過去のデータから分析する。値段が仮に月12万円の事例が多い場合には、この月12万円につながる連関度をより高く設定し、取引価格が仮に月14万円の事例が多く、取引価格が月12万円の事例が少ない場合には、月14万円につながる連関度を高くし、月12万円につながる連関度を低く設定する。例えば参照用立地情報P01の例では、月12万円と、月14万円の出力にリンクしているが、以前の事例から月12万円につながるw13の連関度を7点に、月14万円につながるw14の連関度を2点に設定している。
また、この図3に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに取引をしようとする建物の値段を推定する際において、上述した学習済みデータを利用して建物の値段を判別することとなる。かかる場合には、取引対象の建物の立地情報を新たに取得する。
新たに取得する立地情報は、上述した情報取得部9により入力される。
このようにして新たに取得した立地情報に基づいて、実際にその新たに値付けをしようとする建物の値段を推定する。かかる場合には、予め取得した図3(表1)に示す連関度を参照する。例えば、新たに取得した立地情報がP02と同一かこれに類似するものである場合には、連関度を介して「月14万円」がw15、「月16万円」が連関度w16で関連付けられている。かかる場合には、連関度のもっと高い「月14万円」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「月16万円」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
このようにして、新たに取得する立地情報を参照用立地情報とは互いに情報の種類としては整合を持たせてあるため、新たな立地情報を取得した場合には、これに同一又は類似の参照用立地情報を即座に参照し、最適な値段を推定することが可能となる。
図4の例では、参照用立地情報と、参照用広さ情報との組み合わせが形成されていることが前提となる。参照用広さ情報とは、その建物の広さ(坪数、或いはm2数)に関するものである。
図4の例では、入力データとして例えば参照用立地情報P11〜P13、参照用広さ情報P14〜17であるものとする。このような入力データとしての、参照用立地情報に対して、参照用広さ情報が組み合わさったものが、図3に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、値段が表示されている。
参照用立地情報と参照用広さ情報との各組み合わせ(中間ノード)は、この出力解としての、建物の値段に対して3段階以上の連関度を通じて互いに連関しあっている。参照用立地情報と参照用広さ情報がこの連関度を介して左側に配列し、建物の値段が連関度を介して右側に配列している。連関度は、左側に配列された参照用立地情報と参照用広さ情報に対して、何れの値段と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用立地情報と参照用広さ情報が、いかなる建物の値段に紐付けられる可能性が高いかを示す指標であり、参照用立地情報と参照用広さ情報から最も確からしい建物の値段を選択する上での的確性を示すものである。図4の例では、連関度としてw13〜w22が示されている。このw13〜w22は表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。
推定装置2は、このような図4に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり推定装置2は、実際の探索解の判別を行う上で、参照用立地情報と、参照用広さ情報、並びにその場合の値段がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図4に示す連関度を作り上げておく。
例えば、過去に取引された建物が参照用立地情報P11が「東京都港区○○町○○丁目○−○」であるものとする。このとき、その建物の実際の広さが「50坪」であったとき、以前のデータにおいて、賃貸価格(又は売買価格)がいくらであったかを調査する。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用立地情報P11で、かつ参照用広さ情報P16「50坪」である場合に、その取引価格を過去のデータから分析する。取引価格が仮に月12万円の事例が多い場合には、この月12万円につながる連関度をより高く設定し、取引価格が月14万円の事例が多く、取引価格月12万円の事例が少ない場合には、月14万円につながる連関度を高くし、月12万円につながる連関度を低く設定する。例えば中間ノード61aの例では、月12万円と、月14万円の出力にリンクしているが、以前の事例から月12万円につながるw13の連関度を7点に、月14万円につながるw14の連関度を2点に設定している。
また、この図4に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
図4に示す連関度の例で、ノード61bは、参照用立地情報P11に対して、参照用広さ情報P14の組み合わせのノードであり、月16万円の連関度がw15、月20万円の連関度がw16となっている。ノード61cは、参照用立地情報P12に対して、参照用広さ情報P15、P17の組み合わせのノードであり、月14万円の連関度がw17、月18万円の連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに建物の値付けを行う際において、上述した学習済みデータを利用して値段を推定することとなる。かかる場合には、その値付けを行う建物の立地情報を新たに取得するとともに、広さ情報を取得する。
新たに取得する立地情報、広さ情報は、キーボード等のユーザインターフェースを介して取得するようにしてもよい。
このようにして新たに取得した立地情報、広さ情報に基づいて、実際にその新たに立地情報、広さ情報とを取得した建物の値段を推定する。かかる場合には、予め取得した図4(表1)に示す連関度を参照する。例えば、新たに取得した立地情報がP12と同一かこれに類似するものである場合であって、広さ情報がP17である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、「月16万円」がw19、「月18万円」が連関度w20で関連付けられている。かかる場合には、連関度のもっと高い「月16万円」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「月18万円」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
また、入力から伸びている連関度w1〜w12の例を以下の表2に示す。
この入力から伸びている連関度w1〜w12に基づいて中間ノード61が選択されていてもよい。つまり連関度w1〜w12が大きいほど、中間ノード61の選択における重みづけを重くしてもよい。しかし、この連関度w1〜w12は何れも同じ値としてもよく、中間ノード61の選択における重みづけは何れも全て同一とされていてもよい。
図5は、上述した参照用立地情報と、参照用築年数情報との組み合わせと、当該組み合わせに対する建物の値段との3段階以上の連関度が設定されている例を示している。
入力データとしては、このような参照用立地情報と、参照用築年数情報が並んでいる。このような入力データとしての、参照用立地情報に対して、参照用築年数情報が組み合わさったものが、図5に示す中間ノードである。
参照用築年数情報とは、その建物としての建物が築造されてから築何年が経過したかを示す情報である。
推定装置2は、このような図5に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり推定装置2は、実際の建物の値付けを行う上で、参照用立地情報と、参照用築年数情報、並びにその場合の実際の取引価格がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図5に示す連関度を作り上げておく。
図5に示す連関度の例で、ノード61bは、参照用立地情報P11に対して、参照用外部築年数情報P18「築20年」の組み合わせのノードであり、月16万円の連関度がw15、月20万円の連関度がw16となっている。
このような連関度が設定されている場合も同様に、立地情報を新たに取得するとともに、築年数情報を取得する。立地情報は参照用立地情報に対応し、築年数情報は、参照用築年数情報に対応する。
建物の値付けを行う上では、予め取得した図5に示す連関度を参照する。例えば、取得した立地情報が参照用立地情報P12に同一又は類似で、取得した築年数情報が、参照用築年数情報P19に相当するものである場合、その組み合わせはノード61cが関連付けられており、このノード61cは、月14万円が連関度w17で、また月18万円が連関度w18で関連付けられている。このような連関度の結果、w17、w18に基づいて、実際にその新たに立地情報と築年数情報がとを取得した時点における建物の値段を推定していくことになる。
図6は、上述した参照用立地情報と、参照用機能情報との組み合わせと、当該組み合わせに対する建物の値段との3段階以上の連関度が設定されている例を示している。
入力データとしては、このような参照用立地情報と、参照用機能情報が並んでいる。このような入力データとしての、参照用立地情報に対して、参照用機能情報が組み合わさったものが、図6に示す中間ノード61である。
参照用機能情報とは、建物の機能に関するあらゆる情報を含む概念であり、例えば、間取り(3LDK、4LDK等以外に、竣工図を含めた間取りに関するあらゆる設計情報をも含む)、動線、設備(空調、換気、浴室等)、外構(駐車場の広さや配置、庭の広さや配置等)等に関する情報である。
推定装置2は、このような図6に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり推定装置2は、実際の建物の値段を推定する上で、参照用立地情報と、参照用機能情報、並びにその場合の建物の値段がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図6に示す連関度を作り上げておく。
図6に示す連関度の例で、ノード61bは、参照用立地情報P11に対して、参照用機能情報P22の組み合わせのノードであり、月16万円の連関度がw15、月20万円の連関度がw16となっている。
このような連関度が設定されている場合も同様に、立地情報を新たに取得するとともに、機能情報を取得する。機能情報は、参照用機能情報に対応する。
機能情報の取得方法は、上述した参照用機能情報の取得方法と同様である。つまり、新たに値付けをしようとする建物からその機能に関する情報を取得し、入力するか、これらの情報が記録されているサーバーの情報を参照することになる。
建物の値付けを行う上では、予め取得した図6に示す連関度を参照する。例えば、取得した立地情報が参照用立地情報P12に同一又は類似で、取得した機能情報が、参照用機能情報P23と同一又は類似である場合、その組み合わせはノード61cが関連付けられており、このノード61cは、月14万円が連関度w17で、また月18万円が連関度w18で関連付けられている。このような連関度の結果、w17、w18に基づいて、建物の値付けを行っていくことになる。
図7は、上述した参照用立地情報と、参照用画像情報との組み合わせと、当該組み合わせに対する建物の値段との3段階以上の連関度が設定されている例を示している。
入力データとしては、このような参照用立地情報と、参照用画像情報が並んでいる。このような入力データとしての、参照用立地情報に対して、参照用画像情報が組み合わさったものが、図7に示す中間ノード61である。
参照用画像情報とは、建物について撮影した画像の情報である。この参照用画像情報は、土地であれば実地においてその土地を撮影した画像であってもよい。また建物であればその内部の各部屋について撮影した画像であってもよいし、その建物の外観を様々な角度から撮影したものであってもよい。またこの参照用画像情報は建物の周囲の環境の画像を撮影したものであってもよい。
推定装置2は、このような図7に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり推定装置2は、実際の建物の値段を推定する上で、参照用立地情報と、参照用画像情報、並びにその場合の建物の値段がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図7に示す連関度を作り上げておく。ちなみにこの参照用画像情報は、予めディープラーニング等により、特徴的な部位が抽出されたものを含むようにしてもよい。例えば、屋内における傷んでいる箇所について予めディープラーニングを介して抽出しておくことにより、値付けに影響を与えるファクターを参照用画像情報を通じて情報化させておくようにしてもよい。
図7に示す連関度の例で、ノード61bは、参照用立地情報P11に対して、参照用画像情報P26の組み合わせのノードであり、月16万円の連関度がw15、月20万円の連関度がw16となっている。
このような連関度が設定されている場合も同様に、立地情報を新たに取得するとともに、画像情報を取得する。画像情報は、参照用画像情報に対応する。
画像情報の取得方法は、上述した参照用画像情報の取得方法と同様である。つまり、新たに値付けをしようとする建物からその画像を撮影し、入力するか、これらの情報が記録されているサーバーの情報を参照することになる。
建物の値付けを行う上では、予め取得した図7に示す連関度を参照する。例えば、取得した立地情報が参照用立地情報P12に同一又は類似で、取得した画像情報が、参照用画像情報P27と同一又は類似である場合、その組み合わせはノード61cが関連付けられており、このノード61cは、月14万円が連関度w17で、また月18万円が連関度w18で関連付けられている。このような連関度の結果、w17、w18に基づいて、建物の値付けを行っていくことになる。
図8は、上述した参照用立地情報と、参照用相場情報との組み合わせと、当該組み合わせに対する建物の値段との3段階以上の連関度が設定されている例を示している。
入力データとしては、このような参照用立地情報と、参照用相場情報が並んでいる。このような入力データとしての、参照用立地情報に対して、参照用相場情報が組み合わさったものが、図8に示す中間ノード61である。
参照用相場情報とは、建物についてその売買や賃貸が行われた当時の相場情報(例えば、その当時の空室率、坪単価等)や、現在の相場情報(例えば、現在の空室率、坪単価等)に関するデータ等が記録されている。この相場情報としては、日経平均株価や、各種経済指標、為替レート等も含まれる。
推定装置2は、このような図8に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり推定装置2は、実際の建物の値段を推定する上で、参照用立地情報と、参照用相場情報、並びにその場合における実際の取引時の建物の値段がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図8に示す連関度を作り上げておく。
図8に示す連関度の例で、ノード61bは、参照用立地情報P11に対して、参照用相場情報P30の組み合わせのノードであり、月16万円の連関度がw15、月20万円の連関度がw16となっている。
このような連関度が設定されている場合も同様に、立地情報を新たに取得するとともに、現時点における相場情報を取得する。相場情報は、参照用相場情報に対応する。
相場情報の取得方法は、上述した参照用相場情報の取得方法と同様である。つまり、新たに値付けをしようとする建物の立地場所における坪単価や空室率をデータサーバーから取得する。
建物の値付けを行う上では、予め取得した図8に示す連関度を参照する。例えば、取得した立地情報が参照用立地情報P12に同一又は類似で、取得した相場情報が、参照用画像相場情報P31と同一又は類似である場合、その組み合わせはノード61cが関連付けられており、このノード61cは、月14万円が連関度w17で、また月18万円が連関度w18で関連付けられている。このような連関度の結果、w17、w18に基づいて、建物の値付けを行っていくことになる。
図9は、上述した参照用立地情報と、参照用広さ情報に加えて、更に参照用築年数情報との組み合わせと、当該組み合わせに対する値段との3段階以上の連関度が設定されている例を示している。
かかる場合において、連関度は、図9に示すように、参照用立地情報と、参照用広さ情報と、参照用築年数情報との組み合わせの集合が上述と同様に中間ノードのノード61a〜61eとして表現されることとなる。
例えば、図9において、ノード61cは、参照用立地情報P12が連関度w3で、参照用広さ情報P15が連関度w7で、参照用築年数情報P21が連関度w11で連関している。同様にノード61eは、参照用立地情報P13が連関度w5で、参照用広さ情報P15が連関度w8で、参照用築年数情報P20が連関度w10で連関している。
このような連関度が設定されている場合も同様に、新たに取得した立地情報、広さ情報、築年数情報に基づいて、値段を推定する。
この値段を推定する上で予め取得した図9に示す連関度を参照する。例えば、取得した立地情報が参照用立地情報P12に同一又は類似で、取得した広さ情報が参照用広さ情報P15に対応し、更に取得した築年数情報が参照用築年数情報P21に対応する場合、その組み合わせはノード61cが関連付けられており、このノード61cは、月14万円が連関度w17で、また月18万円が連関度w18で関連付けられている。このような連関度の結果、w17、w18に基づいて、実際に探索解を求めていくことになる。
このような入力パラメータの種類を3種類以上にわたり組み合わせる場合には、参照用立地情報に加え、参照用広さ情報、参照用築年数情報、参照用機能情報、参照用画像情報、参照用相場情報の何れか2以上で組み合わせが構成されたものであっても適用可能である。
なお、第1実施形態においては、探索解を実際の建物の値段としているが、これに限定されるものではなく、実際の建物の値段の代替として、通常の建物の相場に対する増減率を学習用データとして学習させるようにしてもよい。これにより、探索解として、建物の値段の代わりに、通常の建物の相場に対する増減率を導出することができる。
なお、第1実施形態においては、探索解を実際の建物の値段としているが、これに限定されるものではなく、実際の建物の値段の代替として、通常の建物の相場に対する増減率を学習用データとして学習させるようにしてもよい。これにより、探索解として、建物の値段の代わりに、通常の建物の相場に対する増減率を導出することができる。
上述した連関度においては、10段階評価で連関度を表現しているが、これに限定されるものではなく、3段階以上の連関度で表現されていればよく、逆に3段階以上であれば100段階でも1000段階でも構わない。一方、この連関度は、2段階、つまり互いに連関しているか否か、1又は0の何れかで表現されるものは含まれない。
上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に建物の値付けを行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能(ニューラルネットワーク等)で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。
また、本発明によれば、3段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した5段階以外に、例えば0〜100%までの数値で記述することができるが、これに限定されるものではなく3段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。
このような3段階以上の数値で表される連関度に基づいて最も確からしい建物の値段を探索することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より確からしい探索解を優先的に表示することも可能となる。
これに加えて、本発明によれば、連関度が1%のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。
更に本発明によれば、このような3段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が1%のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。
更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また立地情報を取得し、これ以外に参照用広さ情報、参照用築年数情報、参照用機能情報、参照用画像情報、参照用相場情報と、これらに対する建物の値段に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。
つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。
また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。
また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。
第2実施形態
以下、第2実施形態について説明をする。この第2実施形態を実行する上では、第1実施形態において使用する建物値付システム1、情報取得部9、探索装置2、データベース3を同様に使用する。これらの各構成の説明は、第1実施形態の説明を引用することで以下での説明を省略する。
以下、第2実施形態について説明をする。この第2実施形態を実行する上では、第1実施形態において使用する建物値付システム1、情報取得部9、探索装置2、データベース3を同様に使用する。これらの各構成の説明は、第1実施形態の説明を引用することで以下での説明を省略する。
賃貸対象、販売対象の建物の傷み具合や汚れ具合に応じて建物としての価値は変化する。また、実際にその建物に居住してみないと分からないような外部や上下階、隣の家からの騒音や車両の走行等により伝わる振動、更には日当たりや湿気等に応じて建物としての価値は変化する。第2実施形態では、このような要因に基づいて建物の価値、ひいては建物の値付けを行う。
第2実施形態においては、例えば図10に示すように、建物から発生する音声、又は建物外からの音声を時系列的に取り込んだ参照用音声情報と、建物の値段の増減率との3段階以上の連関度が予め設定され、取得されていることが前提となる。
参照用音声情報は、建物の内部又は外部に設置された音センサ、騒音センサ、マイクロフォン等を通じて取得された音声に関する情報である。建物の内部から取得することができる音声としては、例えば隣の家から発生する音声(話し声、くしゃみ、その他生活音等)、集合住宅の場合における上下階から発生する音声(歩く音、話し声、くしゃみ、その他生活音等)等がある。またこれ以外に建物から取得することができる音声としては、家がきしむ音、家鳴り、床がきしむ音、床鳴り等がある。また、建物の外部から取得することができる音声としては、車両の走行音、飛行機からの音、通行人の音声、近隣が保育園である場合の園児の声、近隣が工場である場合におけるその製造等に伴う音声等がある。
参照用音声情報は、図11(a)に示すように、このような音声情報を時系列的に取得する。いかなる期間に亘り、この音声情報を取得するかは、システム側、ユーザ側において自在に設定することができる。このようにして取得した音声情報は、図11(a)に示すような時間軸のデータそのもので構成されていてもよいが、必要に応じてこれをFFT変換した図11(b)に示すような周波数軸の信号で構成されていてもよく、これらが参照用音声情報となる。この参照用音声情報は、取得した音声に応じた特徴が反映されることになる。
建物の値段の増減率は、建物における一般的な取引価格や一般的な相場の平均値の増減率で構成してもよい。かかる場合にはその建物における一般的な取引価格の相場の平均値が、Aが+10%、Bが−15%等で示されることになる。
つまり、この参照用音声情報と、建物の値段の増減率のデータセットを通じて、参照用音声情報に示される各音声に対して、実際にいかなる建物の値段の増減率で顧客に販売されていたかが分かる。つまり参照用音声情報に記述された音声の内容と建物の値段の増減率とがデータセットとなっている。このため、参照用音声情報と建物の値段の増減率のデータセットを集めておくことにより、過去どのような時期に建物の値段の増減率がいくらであったかを知ることが可能となる。
ちなみに、このデータセットを作る上で実際に建物の値段の増減率のデータの量が足りない場合には、ある程度ペルソナを作ってデータセットそのものを作成して補充してもよい。かかる場合には、参照用音声情報の音声データにおけるある周波数帯域の音が大きい場合には、建物の値段の増減率が低いものに対する連関度を高く設定してもよい。つまり、道路からの走行音を取得した場合において、その走行音において仮に住民にとってストレスの感じる周波数成分が存在するとき、当該周波数成分を耳にしなければならない建物はその分建物の値段が下がるように連関度を設定してもよい。
実際にこの連関度を形成する過程では、このような周波数成分の有無、或いは音の強弱に応じてスコア化してもよく、上述したストレスに感じる周波数成分の音が大きいほど、或いは音そのものが大きいほど、スコアを小さくし、逆にそのようなものが少ないほどスコアを大きくする。そして、スコアが大きくなるほど、より高い増減率への連関度を高くするように制御してもよい。
図10の例では、入力データとして例えば参照用音声情報P01〜P03であるものとする。このような入力データとしての参照用音声情報は、出力に連結している。この出力においては、出力解としての、建物の値段の増減率が表示されている。
参照用音声情報は、この出力解としての建物の値段の増減率に対して3段階以上の連関度を通じて互いに連関しあっている。参照用音声情報がこの連関度を介して左側に配列し、建物の値段の増減率が連関度を介して右側に配列している。連関度は、左側に配列された参照用音声情報に対して、何れの建物の値段の増減率と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用音声情報が、いかなる建物の値段の増減率に紐付けられる可能性が高いかを示す指標であり、参照用音声情報から最も確からしい建物の値段の増減率を選択する上での的確性を示すものである。図10の例では、連関度としてw13〜w19が示されている。このw13〜w19は以下の表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としての建物の値段の増減率と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としての建物の値段の増減率と互いに関連度合いが低いことを示している。
探索装置2は、このような図10に示す3段階以上の連関度w13〜w19を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用音声情報と、その場合の建物の値段の増減率の何れが採用されたか、過去のデータを蓄積しておき、これらを分析、解析することで図10に示す連関度を作り上げておく。
例えば、ある参照用音声情報が、ある周波数帯域における音声の強度が予め設定した閾値を超えており、かかる場合における建物の値段の増減率が+16%であるものとする。このような状況において、同様の周波数帯域における音声の強度が予め設定した閾値を超えている参照用音声情報において、建物の値段の増減率が+16%とされているものが同様に多かったものとする。このような場合には、かかる周波数帯域における音声の強度が予め設定した閾値を超えている参照用音声情報について、その建物の値段の増減率+16%の連関度が強くなる。これに対して、全く同じ参照用音声情報のパターン(分類)において、−12%と判定されたものが多く、+16%と判定されたものが少なかったものとする。かかる場合には、−12%の連関度が強くなり、+16%の連関度が低くなる。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用音声情報P01である場合に、過去の建物の値段の増減率のデータから分析する。これは、例えば各機関や各不動産会社において保管されている過去の建物の値段の増減率のデータから抽出するようにしてもよい。参照用音声情報P01である場合に、建物の値段の増減率Aの事例が多い場合には、この建物の値段の増減率Aにつながる連関度をより高く設定し、建物の値段の増減率Bの事例が多い場合には、この建物の値段の増減率Bにつながる連関度をより高く設定する。例えば参照用音声情報P01の例では、建物の値段の増減率Aと建物の値段の増減率Cにリンクしているが、以前の事例から建物の値段の増減率Aにつながるw13の連関度を7点に、建物の値段の増減率Cにつながるw14の連関度を2点に設定している。
また、この図10に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
かかる場合には、図10に示すように、入力データとして参照用音声情報が入力され、出力データとして各建物の値段の増減率が出力され、入力ノードと出力ノードの間に少なくとも1以上の隠れ層が設けられ、機械学習させるようにしてもよい。また、逆に建物の値段の増減率が入力で参照用音声情報が出力となるように構成されていてもよい。このような連関度が、人工知能でいうところの学習済みデータとなる。
このような学習済みデータを作った後に、実際にこれから新たに建物の値段の増減率の判定を行う上で、上述した学習済みデータを利用して建物の値段の増減率を予測することとなる。かかる場合には、実際に新たに建物の値段の増減率を判定する建物の内部又は外部からの音声を取り込んだ音声情報を取得する。音声情報は、上述した参照用音声情報と同種のものであり、その取得方法も同様である。
このような学習済みデータを作った後に、実際にこれから新たに建物の値段の増減率の判定を行う上で、上述した学習済みデータを利用して建物の値段の増減率を予測することとなる。かかる場合には、実際に新たに建物の値段の増減率を判定する建物の内部又は外部からの音声を取り込んだ音声情報を取得する。音声情報は、上述した参照用音声情報と同種のものであり、その取得方法も同様である。
このようにして新たに取得した音声情報に基づいて、最適な建物の値段の増減率を探索する。音声情報に応じた参照用音声情報がP02と同一かこれに類似するものである場合には、連関度を介して増減率Bがw15、増減率Cが連関度w16で関連付けられている。かかる場合には、連関度の最も高い増減率Bを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減率Cを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
このようにして、新たに取得する音声情報から、判定すべき建物の値段の増減率を探索し、ユーザや不動産業者に表示することができる。この探索結果を見ることにより、ユーザは、探索された建物の値段の増減率に基づいて、不動産購入計画を練ることができ、また不動産業者は、建物の値段を検討することができる。ちなみに、この建物の値段の増減率を出力する過程において、単に探索された建物の値段の増減率のみを表示する以外に、この建物の値段の増減率に基づいた具体的な建物の値段そのものを表示するようにしてもよい。かかる場合には、各建物ごと、あるいは建物が集合住宅である場合には、その各部屋毎の建物の値段に対して、この増減率に応じた補正をするようにしてもよい。
図12は、上述した参照用音声情報と参照用振動情報との組み合わせと、当該組み合わせに対する建物の値段の増減率との3段階以上の連関度が設定されている例を示している。参照用振動情報は、建物に伝達する振動を時系列的に取り込んだ情報である。参照用振動情報は、建物の内部又は外部に設置された振動センサ等を通じて取得された振動に関する情報である。建物に伝達する振動としては、車両の走行以外に、工事現場による工事に基づく振動、近隣の工場から伝わる振動等がある。
参照用振動情報は、図11(a)に示すように、このような振動を時系列的に取得するようにしてもよい。いかなる期間に亘り、この振動を取得するかは、システム側、ユーザ側において自在に設定することができる。このようにして取得した振動情報は、図11(a)に示すような時間軸のデータそのもので構成されていてもよいが、必要に応じてこれをFFT変換した図11(b)に示すような周波数軸の信号で構成されていてもよく、これらが参照用振動情報となる。この参照用振動情報は、取得した振動に応じた特徴が反映されることになる。
図12の例では、入力データとして例えば参照用音声情報P01〜P03、参照用振動情報P18〜21であるものとする。このような入力データとしての、参照用音声情報に対して、参照用振動情報が組み合わさったものが、図12に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、建物の値段の増減率が表示されている。
参照用音声情報と参照用振動情報との各組み合わせ(中間ノード)は、この出力解としての、建物の値段の増減率に対して3段階以上の連関度を通じて互いに連関しあっている。参照用音声情報と参照用振動情報がこの連関度を介して左側に配列し、建物の値段の増減率が連関度を介して右側に配列している。連関度は、左側に配列された参照用音声情報と参照用振動情報に対して、建物の値段の増減率と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用音声情報と参照振動情報が、いかなる建物の値段の増減率に紐付けられる可能性が高いかを示す指標であり、参照用音声情報と参照用振動情報から最も確からしい各建物の値段の増減率を選択する上での的確性を示すものである。音声情報に加え、実際の振動がいかなる状態にあるのかに応じて、建物の値段は変化する。このため、これらの参照用音声情報と参照用振動情報の組み合わせで、最適な建物の値段の増減率を探索していくこととなる。
探索装置2は、このような図12に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用音声情報と参照用振動情報、並びにその場合の建物の値段の増減率が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図12に示す連関度を作り上げておく。
ちなみに、このデータセットを作る上で実際に建物の値段の増減率のデータの量が足りない場合には、ある程度ペルソナを作ってデータセットそのものを作成して補充してもよい。かかる場合には、参照用振動情報と音声データを時系列的に組み合わせた結果、音声データにおけるある周波数帯域の音が大きく、またその同じ時間帯において建物の振動が大きい場合には、建物の値段の増減率が低いものに対する連関度を高く設定してもよい。つまり、道路からの走行音とこれに伴う振動を取得した場合において、その走行音、振動が仮に住民にとってストレスの感じる周波数成分が存在するとき、当該周波数成分を感じなければならない建物はその分建物の値段が下がるように連関度を設定してもよい。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用音声情報P01で、参照用振動情報P20である場合に、その建物の値段の増減率を過去のデータから分析する。例えば中間ノード61aの例では、増減率Aと増減率Bの出力にリンクしているが、以前の事例から増減率Aにつながるw13の連関度を7点に、増減率Bにつながるw14の連関度を2点に設定している。
図12に示す連関度の例で、ノード61bは、参照用音声情報P01に対して、参照用振動情報P18の組み合わせのノードであり、増減率Cの連関度がw15、増減率Eの連関度がw16となっている。ノード61cは、参照用音声情報P02に対して、参照用振動情報P19、P21の組み合わせのノードであり、増減率Bの連関度がw17、増減率Dの連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した音声情報に加え、振動情報を取得する。この振動情報は、上述した参照用振動情報と同種のデータで構成される。実際に取得する振動情報は、直近の振動情報を入力する。この直近の振動情報は、解探索時から遡った所定の又は任意の期間とされる。
このようにして新たに取得した音声情報、振動情報に基づいて、建物の値段の増減率を探索する。かかる場合には、予め取得した図12(表1)に示す連関度を参照する。例えば、新たに取得した音声情報がP02と同一かこれに類似するものである場合であって、新たに取得した外部環境に応じた参照用振動情報がP21である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、増減率Cがw19、増減率Dが連関度w20で関連付けられている。かかる場合には、連関度の最も高い増減率Cを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減率Dを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
図12は、上述した参照用音声情報と参照用振動情報との組み合わせと、当該組み合わせに対する建物の値段の増減率との3段階以上の連関度が設定されている例を示している。参照用振動情報は、建物に伝達する振動を時系列的に取り込んだ情報である。参照用振動情報は、建物の内部又は外部に設置された振動センサ等を通じて取得された振動に関する情報である。建物に伝達する振動としては、車両の走行以外に、工事現場による工事に基づく振動、近隣の工場から伝わる振動等がある。
参照用振動情報は、図11(a)に示すように、このような振動を時系列的に取得するようにしてもよい。いかなる期間に亘り、この振動を取得するかは、システム側、ユーザ側において自在に設定することができる。このようにして取得した振動情報は、図11(a)に示すような時間軸のデータそのもので構成されていてもよいが、必要に応じてこれをFFT変換した図11(b)に示すような周波数軸の信号で構成されていてもよく、これらが参照用振動情報となる。この参照用振動情報は、取得した振動に応じた特徴が反映されることになる。
図12の例では、入力データとして例えば参照用音声情報P01〜P03、参照用振動情報P18〜21であるものとする。このような入力データとしての、参照用音声情報に対して、参照用振動情報が組み合わさったものが、図12に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、建物の値段の増減率が表示されている。
参照用音声情報と参照用振動情報との各組み合わせ(中間ノード)は、この出力解としての、建物の値段の増減率に対して3段階以上の連関度を通じて互いに連関しあっている。参照用音声情報と参照用振動情報がこの連関度を介して左側に配列し、建物の値段の増減率が連関度を介して右側に配列している。連関度は、左側に配列された参照用音声情報と参照用振動情報に対して、建物の値段の増減率と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用音声情報と参照振動情報が、いかなる建物の値段の増減率に紐付けられる可能性が高いかを示す指標であり、参照用音声情報と参照用振動情報から最も確からしい各建物の値段の増減率を選択する上での的確性を示すものである。音声情報に加え、実際の振動がいかなる状態にあるのかに応じて、建物の値段は変化する。このため、これらの参照用音声情報と参照用振動情報の組み合わせで、最適な建物の値段の増減率を探索していくこととなる。
探索装置2は、このような図12に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用音声情報と参照用振動情報、並びにその場合の建物の値段の増減率が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図12に示す連関度を作り上げておく。
ちなみに、このデータセットを作る上で実際に建物の値段の増減率のデータの量が足りない場合には、ある程度ペルソナを作ってデータセットそのものを作成して補充してもよい。かかる場合には、参照用振動情報と音声データを時系列的に組み合わせた結果、音声データにおけるある周波数帯域の音が大きく、またその同じ時間帯において建物の振動が大きい場合には、建物の値段の増減率が低いものに対する連関度を高く設定してもよい。つまり、道路からの走行音とこれに伴う振動を取得した場合において、その走行音、振動が仮に住民にとってストレスの感じる周波数成分が存在するとき、当該周波数成分を感じなければならない建物はその分建物の値段が下がるように連関度を設定してもよい。
ちなみに、このデータセットを作る上で実際に建物の値段の増減率のデータの量が足りない場合には、ある程度ペルソナを作ってデータセットそのものを作成して補充してもよい。かかる場合には、参照用振動情報と音声データを時系列的に組み合わせた結果、音声データにおけるある周波数帯域の音が大きく、またその同じ時間帯において建物の振動が大きい場合には、建物の値段の増減率が低いものに対する連関度を高く設定してもよい。つまり、道路からの走行音とこれに伴う振動を取得した場合において、その走行音、振動が仮に住民にとってストレスの感じる周波数成分が存在するとき、当該周波数成分を感じなければならない建物はその分建物の値段が下がるように連関度を設定してもよい。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用音声情報P01で、参照用振動情報P20である場合に、その建物の値段の増減率を過去のデータから分析する。例えば中間ノード61aの例では、増減率Aと増減率Bの出力にリンクしているが、以前の事例から増減率Aにつながるw13の連関度を7点に、増減率Bにつながるw14の連関度を2点に設定している。
図12に示す連関度の例で、ノード61bは、参照用音声情報P01に対して、参照用振動情報P18の組み合わせのノードであり、増減率Cの連関度がw15、増減率Eの連関度がw16となっている。ノード61cは、参照用音声情報P02に対して、参照用振動情報P19、P21の組み合わせのノードであり、増減率Bの連関度がw17、増減率Dの連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した音声情報に加え、振動情報を取得する。この振動情報は、上述した参照用振動情報と同種のデータで構成される。実際に取得する振動情報は、直近の振動情報を入力する。この直近の振動情報は、解探索時から遡った所定の又は任意の期間とされる。
このようにして新たに取得した音声情報、振動情報に基づいて、建物の値段の増減率を探索する。かかる場合には、予め取得した図12(表1)に示す連関度を参照する。例えば、新たに取得した音声情報がP02と同一かこれに類似するものである場合であって、新たに取得した外部環境に応じた参照用振動情報がP21である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、増減率Cがw19、増減率Dが連関度w20で関連付けられている。かかる場合には、連関度の最も高い増減率Cを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減率Dを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
図13は、上述した参照用音声情報と参照用照度情報との組み合わせと、当該組み合わせに対する建物の値段の増減率との3段階以上の連関度が設定されている例を示している。参照用照度情報は、建物に伝達する振動を時系列的に取り込んだ情報である。参照用照度情報は、建物の外部又は内部に取り付けられた照度センサを介して計測された照度の時系列的傾向を示す情報である。建物の内部の実際の日当たりは、実際に24時間生活して始めて分かるものであるが、これを例えば数日間に亘り、建物の内部に設置された照度センサを介して計測することで、その日当たりの傾向を調査することができる。このような日当たりは、建物の値段へ影響を及ぼす要因となる。
参照用照度情報は、図11(a)に示すように、このような照射してくる可視光の強度を時系列的に取得するようにしてもよい。いかなる期間に亘り、この振動を取得するかは、システム側、ユーザ側において自在に設定することができる。このようにして取得した照度情報は、図11(a)に示すような時間軸のデータそのもので構成されていてもよいが、必要に応じてこれを可視光の周波数軸の信号で構成されていてもよく、これらが参照用照度情報となる。この参照用照度情報は、取得した振動に応じた特徴が反映されることになる。
図13の例では、入力データとして例えば参照用音声情報P01〜P03、参照用照度情報P18〜21であるものとする。このような入力データとしての、参照用音声情報に対して、参照用照度情報が組み合わさったものが、図13に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、建物の値段の増減率が表示されている。
参照用音声情報と参照用照度情報との各組み合わせ(中間ノード)は、この出力解としての、建物の値段の増減率に対して3段階以上の連関度を通じて互いに連関しあっている。参照用音声情報と参照用照度情報がこの連関度を介して左側に配列し、建物の値段の増減率が連関度を介して右側に配列している。連関度は、左側に配列された参照用音声情報と参照用照度情報に対して、建物の値段の増減率と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用音声情報と参照照度情報が、いかなる建物の値段の増減率に紐付けられる可能性が高いかを示す指標であり、参照用音声情報と参照用照度情報から最も確からしい各建物の値段の増減率を選択する上での的確性を示すものである。音声情報に加え、実際の振動がいかなる状態にあるのかに応じて、建物の値段は変化する。このため、これらの参照用音声情報と参照用照度情報の組み合わせで、最適な建物の値段の増減率を探索していくこととなる。
探索装置2は、このような図13に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用音声情報と参照用照度情報、並びにその場合の建物の値段の増減率が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図13に示す連関度を作り上げておく。
ちなみに、このデータセットを作る上で実際に建物の値段の増減率のデータの量が足りない場合には、ある程度ペルソナを作ってデータセットそのものを作成して補充してもよい。かかる場合には、参照用照度情報と参照用照度情報を時系列的に組み合わせた結果、音声データにおけるある周波数帯域の音が大きく、またその同じ時間帯において照度が小さい場合には、建物の値段の増減率が低いものに対する連関度を高く設定してもよい。つまり、道路からの走行音とこれに伴う照度を取得した場合において、その走行音、照度が仮に住民にとってストレスの感じる周波数成分が存在するとき、当該周波数成分を感じなければならない建物はその分建物の値段が下がるように連関度を設定してもよい。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用音声情報P01で、参照用照度情報P20である場合に、その建物の値段の増減率を過去のデータから分析する。例えば中間ノード61aの例では、増減率Aと増減率Bの出力にリンクしているが、以前の事例から増減率Aにつながるw13の連関度を7点に、増減率Bにつながるw14の連関度を2点に設定している。
図13に示す連関度の例で、ノード61bは、参照用音声情報P01に対して、参照用照度情報P18の組み合わせのノードであり、増減率Cの連関度がw15、増減率Eの連関度がw16となっている。ノード61cは、参照用音声情報P02に対して、参照用照度情報P19、P21の組み合わせのノードであり、増減率Bの連関度がw17、増減率Dの連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した音声情報に加え、照度情報を取得する。この照度情報は、上述した参照用照度情報と同種のデータで構成される。実際に取得する照度情報は、直近の照度情報を入力する。この直近の照度情報は、解探索時から遡った所定の又は任意の期間とされる。
このようにして新たに取得した音声情報、照度情報に基づいて、建物の値段の増減率を探索する。かかる場合には、予め取得した図13(表1)に示す連関度を参照する。例えば、新たに取得した音声情報がP02と同一かこれに類似するものである場合であって、新たに取得した外部環境に応じた参照用照度情報がP21である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、増減率Cがw19、増減率Dが連関度w20で関連付けられている。かかる場合には、連関度の最も高い増減率Cを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減率Dを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
図14は、上述した参照用音声情報と参照用風情報との組み合わせと、当該組み合わせに対する建物の値段の増減率との3段階以上の連関度が設定されている例を示している。参照用風情報は、建物の外部又は内部に取り付けられた風速センサを介して計測された風速の時系列的傾向を示す。この風情報は、風速以外に、風の方向に関する情報も含めてもよい。この参照用風情報は、時間軸に対していかなる方向にどの風速の風が吹いているが時系列的に示されている。
図14の例では、入力データとして例えば参照用音声情報P01〜P03、参照用風情報P18〜21であるものとする。このような入力データとしての、参照用音声情報に対して、参照用風情報が組み合わさったものが、図14に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、建物の値段の増減率が表示されている。
参照用音声情報と参照用風情報との各組み合わせ(中間ノード)は、この出力解としての、建物の値段の増減率に対して3段階以上の連関度を通じて互いに連関しあっている。参照用音声情報と参照用風情報がこの連関度を介して左側に配列し、建物の値段の増減率が連関度を介して右側に配列している。連関度は、左側に配列された参照用音声情報と参照用風情報に対して、建物の値段の増減率と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用音声情報と参照風情報が、いかなる建物の値段の増減率に紐付けられる可能性が高いかを示す指標であり、参照用音声情報と参照用風情報から最も確からしい各建物の値段の増減率を選択する上での的確性を示すものである。音声情報に加え、実際の振動がいかなる状態にあるのかに応じて、建物の値段は変化する。このため、これらの参照用音声情報と参照用風情報の組み合わせで、最適な建物の値段の増減率を探索していくこととなる。
探索装置2は、このような図14に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用音声情報と参照用風情報、並びにその場合の建物の値段の増減率が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図14に示す連関度を作り上げておく。
ちなみに、このデータセットを作る上で実際に建物の値段の増減率のデータの量が足りない場合には、ある程度ペルソナを作ってデータセットそのものを作成して補充してもよい。かかる場合には、参照用音声情報と参照用風情報を時系列的に組み合わせた結果、音声データにおけるある周波数帯域の音が大きく、またその同じ時間帯において照度が小さい場合には、建物の値段の増減率が低いものに対する連関度を高く設定してもよい。つまり、道路からの走行音とこれに伴う照度を取得した場合において、その走行音、照度が仮に住民にとってストレスの感じる周波数成分が存在するとき、当該周波数成分を感じなければならない建物はその分建物の値段が下がるように連関度を設定してもよい。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用音声情報P01で、参照用風情報P20である場合に、その建物の値段の増減率を過去のデータから分析する。例えば中間ノード61aの例では、増減率Aと増減率Bの出力にリンクしているが、以前の事例から増減率Aにつながるw13の連関度を7点に、増減率Bにつながるw14の連関度を2点に設定している。
図14に示す連関度の例で、ノード61bは、参照用音声情報P01に対して、参照用風情報P18の組み合わせのノードであり、増減率Cの連関度がw15、増減率Eの連関度がw16となっている。ノード61cは、参照用音声情報P02に対して、参照用風情報P19、P21の組み合わせのノードであり、増減率Bの連関度がw17、増減率Dの連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した音声情報に加え、風情報を取得する。この風情報は、上述した参照用風情報と同種のデータで構成される。実際に取得する風情報は、直近の風情報を入力する。この直近の風情報は、解探索時から遡った所定の又は任意の期間とされる。
このようにして新たに取得した音声情報、風情報に基づいて、建物の値段の増減率を探索する。かかる場合には、予め取得した図14(表1)に示す連関度を参照する。例えば、新たに取得した音声情報がP02と同一かこれに類似するものである場合であって、新たに取得した外部環境に応じた参照用風情報がP21である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、増減率Cがw19、増減率Dが連関度w20で関連付けられている。かかる場合には、連関度の最も高い増減率Cを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減率Dを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
なお、本発明においては、この図14に示す参照用風情報の代替として、建物の外部又は内部に取り付けられた温度センサを介して計測された温度の時系列的傾向を示す参照用温度情報が参照用音声情報の組み合わせで連関度に関連付けられて学習されてなるものであってもよい。
かかる場合には、参照用音声情報と、参照用温度情報とを有する組み合わせと、建物の値段の増減率との3段階以上の連関度を予め取得しておく。このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した音声情報に加え、増減率を判定する建物の内部又は外部の温度を時系列的に測定することで温度情報を取得する。
取得する温度情報は、上述した参照用温度情報に対応するものであり、取得方法も同様である。そして、連関度を参照した上で、新たに取得した音声情報と温度情報とに基づき、建物の値段の増減率を上述と同様に判定する。
また、この参照用温度情報の代替として、建物の外部又は内部に取り付けられた温度センサを介して計測された湿度の時系列的傾向を示す参照用湿度情報を参照用音声情報との組み合わせで連関度に関連付けられて学習されてなるものであってもよい。かかる場合には、上述した音声情報に加え、増減率を判定する建物の内部又は外部の湿度を時系列的に測定することで湿度情報を取得する。
取得する湿度情報は、上述した参照用湿度情報に対応するものであり、取得方法も同様である。そして、連関度を参照した上で、新たに取得した音声情報と湿度情報とに基づき、建物の値段の増減率を上述と同様に判定する。
なお、本発明においては、この図14に示す参照用風情報の代替として、建物の画像に関する参照用画像情報が参照用音声情報の組み合わせで連関度に関連付けられて学習されてなるものであってもよい。参照用画像情報は、第1実施形態において説明したものと同様であり、建物について撮影した画像の情報である。この参照用画像情報は、建物の内部の各部屋について撮影した画像であってもよいし、その建物の外観を様々な角度から撮影したものであってもよい。またこの参照用画像情報は、建物の周囲の環境の画像を撮影したものであってもよい。
ちなみにこの参照用画像情報は、予めディープラーニング等により、特徴的な部位が抽出されたものを含むようにしてもよい。例えば、屋内における傷んでいる箇所について予めディープラーニングを介して抽出しておくことにより、値付けに影響を与えるファクターを参照用画像情報を通じて情報化させておくようにしてもよい。
かかる場合には、参照用音声情報と、参照用画像情報とを有する組み合わせと、建物の値段の増減率との3段階以上の連関度を予め取得しておく。このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した音声情報に加え、増減率を判定する建物の画像情報を取得する。
取得する画像情報は、上述した参照用画像情報に対応するものであり、取得方法も同様である。そして、連関度を参照した上で、新たに取得した音声情報と画像情報とに基づき、建物の値段の増減率を上述と同様に判定する。
なお、音声情報に加えて、振動情報、照度情報、風情報、温度情報、湿度情報、画像情報等の何れか2以上を取得する場合には、その取得する2以上の情報に応じた、2以上の参照用情報(参照用振動情報、参照用照度情報、参照用風情報、参照用温度情報、参照用湿度情報、参照用画像情報)を参照用音声情報との組み合わせと、当該組み合わせに対する増減率との3段階以上の連関度からなる学習用データを作っておくことで、同様に解探索を行うことができる。
また、音声情報に加えて、振動情報、照度情報、風情報、温度情報、湿度情報、画像情報等の何れか1以上に加え、更に、他の情報を取得する場合も同様に、その取得する情報に応じた参照用音声情報等と、他の取得する情報に応じた参照用情報との組み合わせと、当該組み合わせに対する増減率との3段階以上の連関度からなる学習用データを作っておくことで、同様に解探索を行うことができる。
なお、本実施形態においては、解探索を行う上で第1実施形態において説明した全ての参照用情報との組み合わせで連関度を形成し、探索解としての増減率とのデータセットを通じて学習させておくようにしてもよい。これにより、本実施形態のみならず、第1実施形態において説明した説明変数を組み合わせて解探索を行うことが可能となる。
かかる場合には、参照用音声情報に加えて、参照用立地情報、参照用広さ情報、参照用築年数情報、参照用機能情報、参照用画像情報、参照用相場情報等との組み合わせと、当該組み合わせに対する増減率との3段階以上の連関度からなる学習用データを作っておくことで、同様に解探索を行うことができる。
なお、第2実施形態における出力解としての建物の値段の増減率における、建物の値段は、第1実施形態を通じて導き出された出力解で構成してもよい。かかる場合には、第1実施形態を通じて導き出した建物の値段を上述した参照用音声情報との間で学習用データセットとして学習させる。
また、本発明においては、第1実施形態を通じて建物の値段を導出し、これに対して第2実施形態において導出した出力解の増減率を反映させることで最終的に提案する建物の値段を出してもよい。即ち、この最終的に提案する建物の値段は第1実施形態を通じて算出した建物の値段に、第2実施形態を通じて導出した増減率を加算又は減算することで算出し、出力するようにしてもよい。
第3実施形態
以下、第3実施形態について説明をする。この第3実施形態を実行する上では、第1実施形態において使用する建物値付システム1、情報取得部9、探索装置2、データベース3を同様に使用する。これらの各構成の説明は、第1実施形態の説明を引用することで以下での説明を省略する。
以下、第3実施形態について説明をする。この第3実施形態を実行する上では、第1実施形態において使用する建物値付システム1、情報取得部9、探索装置2、データベース3を同様に使用する。これらの各構成の説明は、第1実施形態の説明を引用することで以下での説明を省略する。
賃貸対象、販売対象の建物の傷み具合や汚れ具合に応じて建物としての価値は変化する。また、実際にその建物に居住してみないと分からないような外部や上下階、隣の家からの騒音や車両の走行等により伝わる振動、更には日当たりや湿気等に応じて建物としての価値は変化する。第3実施形態では、このような要因に基づいて建物の価値、ひいては建物の値付けを行う。
第3実施形態においては、例えば図15に示すように、建物から発生する音声、又は建物外からの音声を時系列的に取り込んだ参照用振動情報と、建物の値段の増減率との3段階以上の連関度が予め設定され、取得されていることが前提となる。
参照用振動情報は、第2実施形態において説明したものと同様であることから、これを引用することにより以下での説明を省略する。
つまり、この参照用振動情報と、建物の値段の増減率のデータセットを通じて、参照用振動情報に示される各振動に対して、実際にいかなる建物の値段の増減率で顧客に販売されていたかが分かる。つまり参照用振動情報に記述された音声の内容と建物の値段の増減率とがデータセットとなっている。このため、参照用振動情報と建物の値段の増減率のデータセットを集めておくことにより、過去どのような時期に建物の値段の増減率がいくらであったかを知ることが可能となる。
図15の例では、入力データとして例えば参照用振動情報P01〜P03であるものとする。このような入力データとしての参照用振動情報は、出力に連結している。この出力においては、出力解としての、建物の値段の増減率が表示されている。
参照用振動情報は、この出力解としての建物の値段の増減率に対して3段階以上の連関度を通じて互いに連関しあっている。参照用振動情報がこの連関度を介して左側に配列し、建物の値段の増減率が連関度を介して右側に配列している。連関度は、左側に配列された参照用振動情報に対して、何れの建物の値段の増減率と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用振動情報が、いかなる建物の値段の増減率に紐付けられる可能性が高いかを示す指標であり、参照用振動情報から最も確からしい建物の値段の増減率を選択する上での的確性を示すものである。図15の例では、連関度としてw13〜w19が示されている。このw13〜w19は以下の表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としての建物の値段の増減率と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としての建物の値段の増減率と互いに関連度合いが低いことを示している。
探索装置2は、このような図15に示す3段階以上の連関度w13〜w19を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用振動情報と、その場合の建物の値段の増減率の何れが採用されたか、過去のデータを蓄積しておき、これらを分析、解析することで図15に示す連関度を作り上げておく。
例えば、ある参照用振動情報が、ある周波数帯域における振動の強度が予め設定した閾値を超えており、かかる場合における建物の値段の増減率が+16%であるものとする。このような状況において、同様の周波数帯域における振動の強度が予め設定した閾値を超えている参照用振動情報において、建物の値段の増減率が+16%とされているものが同様に多かったものとする。このような場合には、かかる周波数帯域における音声の強度が予め設定した閾値を超えている参照用振動情報について、その建物の値段の増減率+16%の連関度が強くなる。これに対して、全く同じ参照用振動情報のパターン(分類)において、−12%と判定されたものが多く、+16%と判定されたものが少なかったものとする。かかる場合には、−12%の連関度が強くなり、+16%の連関度が低くなる。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用振動情報P01である場合に、過去の建物の値段の増減率のデータから分析する。これは、例えば各機関や各不動産会社において保管されている過去の建物の値段の増減率のデータから抽出するようにしてもよい。参照用振動情報P01である場合に、建物の値段の増減率Aの事例が多い場合には、この建物の値段の増減率Aにつながる連関度をより高く設定し、建物の値段の増減率Bの事例が多い場合には、この建物の値段の増減率Bにつながる連関度をより高く設定する。例えば参照用振動情報P01の例では、建物の値段の増減率Aと建物の値段の増減率Cにリンクしているが、以前の事例から建物の値段の増減率Aにつながるw13の連関度を7点に、建物の値段の増減率Cにつながるw14の連関度を2点に設定している。
また、この図15に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
かかる場合には、図15に示すように、入力データとして参照用振動情報が入力され、出力データとして各建物の値段の増減率が出力され、入力ノードと出力ノードの間に少なくとも1以上の隠れ層が設けられ、機械学習させるようにしてもよい。また、逆に建物の値段の増減率が入力で参照用振動情報が出力となるように構成されていてもよい。このような連関度が、人工知能でいうところの学習済みデータとなる。
このような学習済みデータを作った後に、実際にこれから新たに建物の値段の増減率の判定を行う上で、上述した学習済みデータを利用して建物の値段の増減率を予測することとなる。かかる場合には、実際に新たに建物の値段の増減率を判定する建物の内部又は外部からの音声を取り込んだ振動情報を取得する。振動情報は、上述した参照用振動情報と同種のものであり、その取得方法も同様である。
このようにして新たに取得した振動情報に基づいて、最適な建物の値段の増減率を探索する。振動情報に応じた参照用振動情報がP02と同一かこれに類似するものである場合には、連関度を介して増減率Bがw15、増減率Cが連関度w16で関連付けられている。かかる場合には、連関度の最も高い増減率Bを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減率Cを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
このようにして、新たに取得する振動情報から、判定すべき建物の値段の増減率を探索し、ユーザや不動産業者に表示することができる。この探索結果を見ることにより、ユーザは、探索された建物の値段の増減率に基づいて、不動産購入計画を練ることができ、また不動産業者は、建物の値段を検討することができる。ちなみに、この建物の値段の増減率を出力する過程において、単に探索された建物の値段の増減率のみを表示する以外に、この建物の値段の増減率に基づいた具体的な建物の値段そのものを表示するようにしてもよい。かかる場合には、各建物ごと、あるいは建物が集合住宅である場合には、その各部屋毎の建物の値段に対して、この増減率に応じた補正をするようにしてもよい。
図16は、上述した参照用振動情報と参照用照度情報との組み合わせと、当該組み合わせに対する建物の値段の増減率との3段階以上の連関度が設定されている例を示している。
図16の例では、入力データとして例えば参照用振動情報P01〜P03、参照用照度情報P18〜21であるものとする。このような入力データとしての、参照用振動情報に対して、参照用照度情報が組み合わさったものが、図16に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、建物の値段の増減率が表示されている。
参照用振動情報と参照用照度情報との各組み合わせ(中間ノード)は、この出力解としての、建物の値段の増減率に対して3段階以上の連関度を通じて互いに連関しあっている。参照用振動情報と参照用照度情報がこの連関度を介して左側に配列し、建物の値段の増減率が連関度を介して右側に配列している。連関度は、左側に配列された参照用振動情報と参照用照度情報に対して、建物の値段の増減率と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用振動情報と参照照度情報が、いかなる建物の値段の増減率に紐付けられる可能性が高いかを示す指標であり、参照用振動情報と参照用照度情報から最も確からしい各建物の値段の増減率を選択する上での的確性を示すものである。振動情報に加え、実際の振動がいかなる状態にあるのかに応じて、建物の値段は変化する。このため、これらの参照用振動情報と参照用照度情報の組み合わせで、最適な建物の値段の増減率を探索していくこととなる。
探索装置2は、このような図16に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用振動情報と参照用照度情報、並びにその場合の建物の値段の増減率が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図13に示す連関度を作り上げておく。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用振動情報P01で、参照用照度情報P20である場合に、その建物の値段の増減率を過去のデータから分析する。例えば中間ノード61aの例では、増減率Aと増減率Bの出力にリンクしているが、以前の事例から増減率Aにつながるw13の連関度を7点に、増減率Bにつながるw14の連関度を2点に設定している。
図16に示す連関度の例で、ノード61bは、参照用振動情報P01に対して、参照用照度情報P18の組み合わせのノードであり、増減率Cの連関度がw15、増減率Eの連関度がw16となっている。ノード61cは、参照用振動情報P02に対して、参照用照度情報P19、P21の組み合わせのノードであり、増減率Bの連関度がw17、増減率Dの連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した振動情報に加え、照度情報を取得する。この照度情報は、上述した参照用照度情報と同種のデータで構成される。実際に取得する照度情報は、直近の照度情報を入力する。この直近の照度情報は、解探索時から遡った所定の又は任意の期間とされる。
このようにして新たに取得した振動情報、照度情報に基づいて、建物の値段の増減率を探索する。かかる場合には、予め取得した図16(表1)に示す連関度を参照する。例えば、新たに取得した振動情報がP02と同一かこれに類似するものである場合であって、新たに取得した外部環境に応じた参照用照度情報がP21である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、増減率Cがw19、増減率Dが連関度w20で関連付けられている。かかる場合には、連関度の最も高い増減率Cを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減率Dを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
図17は、上述した参照用振動情報と参照用風情報との組み合わせと、当該組み合わせに対する建物の値段の増減率との3段階以上の連関度が設定されている例を示している。
図17は、上述した参照用振動情報と参照用風情報との組み合わせと、当該組み合わせに対する建物の値段の増減率との3段階以上の連関度が設定されている例を示している。
図17の例では、入力データとして例えば参照用振動情報P01〜P03、参照用風情報P18〜21であるものとする。このような入力データとしての、参照用振動情報に対して、参照用風情報が組み合わさったものが、図17に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、建物の値段の増減率が表示されている。
参照用振動情報と参照用風情報との各組み合わせ(中間ノード)は、この出力解としての、建物の値段の増減率に対して3段階以上の連関度を通じて互いに連関しあっている。参照用振動情報と参照用風情報がこの連関度を介して左側に配列し、建物の値段の増減率が連関度を介して右側に配列している。連関度は、左側に配列された参照用振動情報と参照用風情報に対して、建物の値段の増減率と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用振動情報と参照風情報が、いかなる建物の値段の増減率に紐付けられる可能性が高いかを示す指標であり、参照用振動情報と参照用風情報から最も確からしい各建物の値段の増減率を選択する上での的確性を示すものである。振動情報に加え、実際の振動がいかなる状態にあるのかに応じて、建物の値段は変化する。このため、これらの参照用振動情報と参照用風情報の組み合わせで、最適な建物の値段の増減率を探索していくこととなる。
探索装置2は、このような図17に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用振動情報と参照用風情報、並びにその場合の建物の値段の増減率が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図17に示す連関度を作り上げておく。
ちなみに、このデータセットを作る上で実際に建物の値段の増減率のデータの量が足りない場合には、ある程度ペルソナを作ってデータセットそのものを作成して補充してもよい。かかる場合には、参照用振動情報と参照用風情報を時系列的に組み合わせた結果、音声データにおけるある周波数帯域の音が大きく、またその同じ時間帯において照度が小さい場合には、建物の値段の増減率が低いものに対する連関度を高く設定してもよい。つまり、道路からの走行音とこれに伴う照度を取得した場合において、その走行音、照度が仮に住民にとってストレスの感じる周波数成分が存在するとき、当該周波数成分を感じなければならない建物はその分建物の値段が下がるように連関度を設定してもよい。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用振動情報P01で、参照用風情報P20である場合に、その建物の値段の増減率を過去のデータから分析する。例えば中間ノード61aの例では、増減率Aと増減率Bの出力にリンクしているが、以前の事例から増減率Aにつながるw13の連関度を7点に、増減率Bにつながるw14の連関度を2点に設定している。
図17に示す連関度の例で、ノード61bは、参照用振動情報P01に対して、参照用風情報P18の組み合わせのノードであり、増減率Cの連関度がw15、増減率Eの連関度がw16となっている。ノード61cは、参照用振動情報P02に対して、参照用風情報P19、P21の組み合わせのノードであり、増減率Bの連関度がw17、増減率Dの連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した振動情報に加え、風情報を取得する。この風情報は、上述した参照用風情報と同種のデータで構成される。実際に取得する風情報は、直近の風情報を入力する。この直近の風情報は、解探索時から遡った所定の又は任意の期間とされる。
このようにして新たに取得した振動情報、風情報に基づいて、建物の値段の増減率を探索する。かかる場合には、予め取得した図17(表1)に示す連関度を参照する。例えば、新たに取得した振動情報がP02と同一かこれに類似するものである場合であって、新たに取得した外部環境に応じた参照用風情報がP21である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、増減率Cがw19、増減率Dが連関度w20で関連付けられている。かかる場合には、連関度の最も高い増減率Cを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減率Dを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
なお、本発明においては、この図17に示す参照用風情報の代替として、建物の外部又は内部に取り付けられた温度センサを介して計測された温度の時系列的傾向を示す参照用温度情報が参照用振動情報の組み合わせで連関度に関連付けられて学習されてなるものであってもよい。
かかる場合には、参照用振動情報と、参照用温度情報とを有する組み合わせと、建物の値段の増減率との3段階以上の連関度を予め取得しておく。このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した振動情報に加え、増減率を判定する建物の内部又は外部の温度を時系列的に測定することで温度情報を取得する。
取得する温度情報は、上述した参照用温度情報に対応するものであり、取得方法も同様である。そして、連関度を参照した上で、新たに取得した振動情報と温度情報とに基づき、建物の値段の増減率を上述と同様に判定する。
また、この参照用温度情報の代替として、建物の外部又は内部に取り付けられた温度センサを介して計測された湿度の時系列的傾向を示す参照用湿度情報を参照用振動情報との組み合わせで連関度に関連付けられて学習されてなるものであってもよい。かかる場合には、上述した振動情報に加え、増減率を判定する建物の内部又は外部の湿度を時系列的に測定することで湿度情報を取得する。
取得する湿度情報は、上述した参照用湿度情報に対応するものであり、取得方法も同様である。そして、連関度を参照した上で、新たに取得した振動情報と湿度情報とに基づき、建物の値段の増減率を上述と同様に判定する。
なお、本発明においては、この図17に示す参照用風情報の代替として、建物の画像に関する参照用画像情報が参照用振動情報の組み合わせで連関度に関連付けられて学習されてなるものであってもよい。参照用画像情報は、第1実施形態において説明したものと同様であり、建物について撮影した画像の情報である。この参照用画像情報は、建物の内部の各部屋について撮影した画像であってもよいし、その建物の外観を様々な角度から撮影したものであってもよい。またこの参照用画像情報は、建物の周囲の環境の画像を撮影したものであってもよい。
ちなみにこの参照用画像情報は、予めディープラーニング等により、特徴的な部位が抽出されたものを含むようにしてもよい。例えば、屋内における傷んでいる箇所について予めディープラーニングを介して抽出しておくことにより、値付けに影響を与えるファクターを参照用画像情報を通じて情報化させておくようにしてもよい。
かかる場合には、参照用振動情報と、参照用画像情報とを有する組み合わせと、建物の値段の増減率との3段階以上の連関度を予め取得しておく。このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した振動情報に加え、増減率を判定する建物の画像情報を取得する。
取得する画像情報は、上述した参照用画像情報に対応するものであり、取得方法も同様である。そして、連関度を参照した上で、新たに取得した振動情報と画像情報とに基づき、建物の値段の増減率を上述と同様に判定する。
なお、振動情報に加えて、照度情報、風情報、温度情報、湿度情報、画像情報等の何れか2以上を取得する場合には、その取得する2以上の情報に応じた、2以上の参照用情報(参照用照度情報、参照用風情報、参照用温度情報、参照用湿度情報、参照用画像情報)を参照用振動情報との組み合わせと、当該組み合わせに対する増減率との3段階以上の連関度からなる学習用データを作っておくことで、同様に解探索を行うことができる。
また、振動情報に加えて、照度情報、風情報、温度情報、湿度情報、画像情報等の何れか1以上に加え、更に、他の情報を取得する場合も同様に、その取得する情報に応じた、参照用振動情報と、他の取得する情報に応じた参照用情報との組み合わせと、当該組み合わせに対する増減率との3段階以上の連関度からなる学習用データを作っておくことで、同様に解探索を行うことができる。
なお、本実施形態においては、解探索を行う上で第1実施形態において説明した全ての参照用情報との組み合わせで連関度を形成し、探索解としての増減率とのデータセットを通じて学習させておくようにしてもよい。これにより、本実施形態のみならず、第1実施形態において説明した説明変数を組み合わせて解探索を行うことが可能となる。
かかる場合には、参照用振動情報に加えて、参照用立地情報、参照用広さ情報、参照用築年数情報、参照用機能情報、参照用画像情報、参照用相場情報等との組み合わせと、当該組み合わせに対する増減率との3段階以上の連関度からなる学習用データを作っておくことで、同様に解探索を行うことができる。
なお、第3実施形態における出力解としての建物の値段の増減率における、建物の値段は、第1実施形態を通じて導き出された出力解で構成してもよい。かかる場合には、第1実施形態を通じて導き出した建物の値段を上述した参照用振動情報との間で学習用データセットとして学習させる。
また、本発明においては、第1実施形態を通じて建物の値段を導出し、これに対して第3実施形態において導出した出力解の増減率を反映させることで最終的に提案する建物の値段を出してもよい。即ち、この最終的に提案する建物の値段は第1実施形態を通じて算出した建物の値段に、第3実施形態を通じて導出した増減率を加算又は減算することで算出し、出力するようにしてもよい。
1 建物値付システム
2 推定装置
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 推定部
28 記憶部
61 ノード
2 推定装置
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 推定部
28 記憶部
61 ノード
Claims (10)
- これから売買又は賃貸する建物の値付けを行う建物値付プログラムにおいて、
建物の内部又は建物外からの音声を時系列的に取り込んだ参照用音声情報と、建物の値段の増減率との3段階以上の連関度を予め取得する連関度取得ステップと、
建物の値付けを新たに行う際に、その値付けをする建物の内部又は建物外からの音声を時系列的に取り込んだ音声情報を取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した音声情報に基づき、新たに値付けをする建物の値段の増減率を判定する判定ステップとをコンピュータに実行させること
を特徴とする建物値付プログラム。 - これから売買又は賃貸する建物の値付けを行う建物値付プログラムにおいて、
建物に伝達する振動を時系列的に取り込んだ参照用振動情報と、建物の値段の増減率との3段階以上の連関度を予め取得する連関度取得ステップと、
建物の値付けを新たに行う際に、その値付けをする建物に伝達する振動を時系列的に取り込んだ振動情報を取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した振動情報に基づき、新たに値付けをする建物の値段の増減率を判定する判定ステップとをコンピュータに実行させること
を特徴とする建物値付プログラム。 - 上記連関度取得ステップでは、上記参照用音声情報と、建物に伝達する振動を時系列的に取り込んだ参照用振動情報との組み合わせと、当該組み合わせに対する上記建物の値段の増減率との3段階以上の連関度を予め取得し、
上記情報取得ステップでは、建物の値付けを新たに行う際に、その値付けをする建物に伝達する振動を時系列的に取り込んだ振動情報を取得し、
上記判定ステップでは、上記連関度取得ステップにおいて取得した連関度を参照し、更に上記情報取得ステップを介して取得した振動情報に基づき、新たに値付けをする建物の値段の増減率を判定すること
を特徴とする請求項1記載の建物値付プログラム。 - 上記連関度取得ステップでは、上記参照用音声情報と、建物の外部又は内部に取り付けられた照度センサを介して計測された照度の時系列的傾向を示す参照用照度情報との組み合わせと、当該組み合わせに対する上記建物の値段の増減率との3段階以上の連関度を予め取得し、
上記情報取得ステップでは、建物の値付けを新たに行う際に、その値付けをする建物の外部又は内部に取り付けられた照度センサを介して計測された照度の時系列的傾向を示す照度情報を取得し、
上記判定ステップでは、上記連関度取得ステップにおいて取得した連関度を参照し、更に上記情報取得ステップを介して取得した照度情報に基づき、新たに値付けをする建物の値段の増減率を判定すること
を特徴とする請求項1記載の建物値付プログラム。 - 上記連関度取得ステップでは、上記参照用振動情報と、建物の外部又は内部に取り付けられた照度センサを介して計測された照度の時系列的傾向を示す参照用照度情報との組み合わせと、当該組み合わせに対する上記建物の値段の増減率との3段階以上の連関度を予め取得し、
上記情報取得ステップでは、建物の値付けを新たに行う際に、その値付けをする建物の外部又は内部に取り付けられた照度センサを介して計測された照度の時系列的傾向を示す照度情報を取得し、
上記判定ステップでは、上記連関度取得ステップにおいて取得した連関度を参照し、更に上記情報取得ステップを介して取得した照度情報に基づき、新たに値付けをする建物の値段の増減率を判定すること
を特徴とする請求項2記載の建物値付プログラム。 - 上記連関度取得ステップでは、上記参照用音声情報と、建物の外部又は内部に取り付けられた風速センサを介して計測された風速の時系列的傾向を示す参照用風情報との組み合わせと、当該組み合わせに対する上記建物の値段の増減率との3段階以上の連関度を予め取得し、
上記情報取得ステップでは、建物の値付けを新たに行う際に、その値付けをする建物の外部又は内部に取り付けられた風速センサを介して計測された風速の時系列的傾向を示す風情報を取得し、
上記判定ステップでは、上記連関度取得ステップにおいて取得した連関度を参照し、更に上記情報取得ステップを介して取得した風情報に基づき、新たに値付けをする建物の値段の増減率を判定すること
を特徴とする請求項1記載の建物値付プログラム。 - 上記連関度取得ステップでは、上記参照用音声情報と、建物の外部又は内部に取り付けられた温度センサを介して計測された温度の時系列的傾向を示す参照用温度情報との組み合わせと、当該組み合わせに対する上記建物の値段の増減率との3段階以上の連関度を予め取得し、
上記情報取得ステップでは、建物の値付けを新たに行う際に、その値付けをする建物の外部又は内部に取り付けられた温度センサを介して計測された温度の時系列的傾向を示す温度情報を取得し、
上記判定ステップでは、上記連関度取得ステップにおいて取得した連関度を参照し、更に上記情報取得ステップを介して取得した温度情報に基づき、新たに値付けをする建物の値段の増減率を判定すること
を特徴とする請求項1記載の建物値付プログラム。 - 上記連関度取得ステップでは、上記参照用音声情報と、建物の外部又は内部に取り付けられた温度センサを介して計測された温度の時系列的傾向を示す参照用湿度情報との組み合わせと、当該組み合わせに対する上記建物の値段の増減率との3段階以上の連関度を予め取得し、
上記情報取得ステップでは、建物の値付けを新たに行う際に、その値付けをする建物の外部又は内部に取り付けられた湿度センサを介して計測された温度の時系列的傾向を示す温度情報を取得し、
上記判定ステップでは、上記連関度取得ステップにおいて取得した連関度を参照し、更に上記情報取得ステップを介して取得した湿度情報に基づき、新たに値付けをする建物の値段の増減率を判定すること
を特徴とする請求項1記載の建物値付プログラム。 - 上記連関度取得ステップでは、上記参照用音声情報と、上記建物の画像に関する参照用画像情報との組み合わせと、当該組み合わせに対する上記建物の値段の増減率との3段階以上の連関度を予め取得し、
情報取得ステップでは、その値付けをする建物の画像情報を更に取得し、
上記判別ステップでは、更に上記情報取得ステップを介して取得した画像情報に基づき、建物の値段の増減率を判定すること
を特徴とする請求項1記載の建物値付プログラム。 - 上記判定ステップでは、人工知能におけるニューラルネットワークのノードの各出力の重み付け係数に対応する上記連関度を利用すること
を特徴とする請求項1〜6のうち何れか1項記載の宿泊料の増減率判定プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020077871A JP2021174267A (ja) | 2020-04-25 | 2020-04-25 | 建物値付プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020077871A JP2021174267A (ja) | 2020-04-25 | 2020-04-25 | 建物値付プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021174267A true JP2021174267A (ja) | 2021-11-01 |
Family
ID=78279823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020077871A Pending JP2021174267A (ja) | 2020-04-25 | 2020-04-25 | 建物値付プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021174267A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7160295B1 (ja) | 2022-05-12 | 2022-10-25 | 株式会社ハシマAit | 学習モデルの生成方法、情報処理装置、情報処理方法、コンピュータプログラム |
JP7230288B1 (ja) | 2022-05-12 | 2023-03-01 | 株式会社ハシマAit | 学習モデル |
KR102561926B1 (ko) * | 2022-05-17 | 2023-08-01 | 제이비 주식회사 | 도시가스 데이터와 부동산 관련 데이터를 이용한 대안 부동산 감정평가 시스템 |
-
2020
- 2020-04-25 JP JP2020077871A patent/JP2021174267A/ja active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7160295B1 (ja) | 2022-05-12 | 2022-10-25 | 株式会社ハシマAit | 学習モデルの生成方法、情報処理装置、情報処理方法、コンピュータプログラム |
JP7230288B1 (ja) | 2022-05-12 | 2023-03-01 | 株式会社ハシマAit | 学習モデル |
JP2023168193A (ja) * | 2022-05-12 | 2023-11-24 | 株式会社ハシマAit | 学習モデル |
JP2023167502A (ja) * | 2022-05-12 | 2023-11-24 | 株式会社ハシマAit | 学習モデルの生成方法、情報処理装置、情報処理方法、コンピュータプログラム |
KR102561926B1 (ko) * | 2022-05-17 | 2023-08-01 | 제이비 주식회사 | 도시가스 데이터와 부동산 관련 데이터를 이용한 대안 부동산 감정평가 시스템 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6919743B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
JP6604054B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
JP2021174267A (ja) | 建物値付プログラム | |
US7676428B2 (en) | System and method for aiding commercial property assessment | |
JP6587268B1 (ja) | プラットホーム危険度判別プログラム及びシステム | |
JP2021125250A (ja) | デリバティブ取引プログラム | |
JP2022007878A (ja) | 不動産取引価格増減予測プログラム | |
JP2021144357A (ja) | 不動産ローン借り換え融資条件提案プログラム | |
WO2022039139A1 (ja) | 買取価格推定プログラム | |
JP2023067771A (ja) | 情報処理システム、プログラム及び情報処理方法 | |
WO2022085612A1 (ja) | 不動産取引価格提案プログラム | |
JP6773346B1 (ja) | 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 | |
JP2022066712A (ja) | 不動産騰落率予測プログラム及びシステム | |
JP6664676B1 (ja) | 株取引情報表示プログラム及びシステム | |
JP2022033574A (ja) | 引越費用推定プログラム及びシステム | |
JP2021140800A (ja) | 不動産融資可否判断プログラム | |
US20200311817A1 (en) | System and method for interconnected and networked assessment platform | |
JP2022108347A (ja) | 商品需要予測プログラム | |
JP2021174272A (ja) | 旅行プラン提案プログラム | |
JP2021174266A (ja) | 宿泊料の増減率判定プログラム | |
JP2022108346A (ja) | 商品需要予測プログラム | |
JP2022156867A (ja) | 売買価格推定プログラム | |
JP2021179875A (ja) | イベント混雑予想プログラム | |
JP2021124802A (ja) | 自動トレードアルゴリズム提案プログラム | |
JP2022042959A (ja) | 車両修理期間推定プログラム |