JP2022066712A - 不動産騰落率予測プログラム及びシステム - Google Patents

Abstract

【課題】特段のスキルや経験が無くても、誰でも手軽に不動産の取引価格の騰落率を予測することができる。
【解決手段】不動産について取引価格の将来の騰落率を予測する不動産騰落率予測プログラムにおいて、不動産の物件の内容に関する物件情報を取得する情報取得ステップと、不動産の物件の内容に関する参照用物件情報と、取引価格の過去の騰落率との３段階以上の連関度を利用し、上記情報取得ステップを介して取得した物件情報に応じた参照用物件情報に対する過去の取引価格の騰落率との３段階以上の連関度に基づき、予測すべき取引価格の騰落率を探索する探索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１３

Description

本発明は、事業者又は家庭向けの不動産について、その取引価格の騰落率を予測する入不動産騰落率予測プログラム及びシステムに関するものである。

従来より土地や建物等の不動産の売買、賃貸が行われている。中には事業者向けの不動産については、入居を希望する事業者の業種をある程度絞り込んだ上でアクセスした方が、マッチング成功率が高まる。つまり不動産の種類は周囲の環境によっては、オフィス向け、飲食店向け、医院向け、小売店向け、住居向け、教育機関向け等に分かれてくることになる。このような事業者の業種を事前に判別して入居を希望する事業者に推薦した方が望ましいと言える。

またこれらの不動産の売買価格、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、不動産の値付けは、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、この不動産の値付けを、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、誰でも手軽に不動産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、誰でも手軽に不動産の取引価格の騰落率を予測することができるシステムが銃らより望まれていた。

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、誰でも手軽に不動産の取引価格の騰落率を予測することができる不動産騰落率予測プログラムを提供することにある。

本発明に係る不動産騰落率予測プログラムは、不動産について取引価格の将来の騰落率を予測する不動産騰落率予測プログラムにおいて、不動産の物件の内容に関する物件情報を取得する情報取得ステップと、不動産の物件の内容に関する参照用物件情報と、取引価格の過去の騰落率との３段階以上の連関度を利用し、上記情報取得ステップを介して取得した物件情報に応じた参照用物件情報に対する過去の取引価格の騰落率との３段階以上の連関度に基づき、予測すべき取引価格の騰落率を探索する探索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、誰でも手軽に不動産について予測すべき取引価格の騰落率を探索することができる。

本発明を適用したシステムの全体構成を示すブロック図である。 推定装置の具体的な構成例を示す図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。

第１実施形態
以下、本発明を適用した入居推薦業者提案プログラム（不動産騰落率予測プログラム）について、図面を参照しながら詳細に説明をする。

図１は、本発明を適用した入居推薦業者提案プログラムが実装される入居推薦業者提案システム１の全体構成を示すブロック図である。入居推薦業者提案システム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。なお、情報取得部９と推定装置２との間、推定装置２とデータベース３との間における情報の送受信は、インターネットを始めとした公衆通信網を介して行うようにしてもよい。

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、賃貸する不動産、売買する不動産に関する様々な情報が蓄積されている。不動産とは、土地、建物（ビル、マンション、戸建住宅）等である。これら各不動産に関する地域特性情報（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、不動産の周囲の周囲画像情報、地盤情報、過去の災害情報、最寄駅からの距離情報、不動産の周囲の通行量に関する通行量情報）、物件情報（不動産の広さに関する広さ情報、上記不動産の築年数に関する築年数情報、上記不動産の内部に関する内部情報、上記不動産の外観を撮像した外観画像情報、不動産の建築構造物のブランドに関するブランド情報、不動産の新築時の価格に関する新築価格情報）が記憶されている。物件情報（参照用物件情報）は、上述した例に加え、その物件そのものを特定するための情報（物件の所在地、マンション、ビル名、階）で構成されていてもよい。この不動産内部の内部情報の例としては、例えば間取り、動線、設備、外構、屋内を撮影した画像等が含まれる。更にこのデータベース３には、外部環境情報が記憶されている。この外部環境情報は、個々の不動産とは別に政治、経済、社会等の外部環境に関するあらゆる情報を含むものであり、例えば相場情報もこれに含まれる。この相場情報としては家賃やオフィス空室率、坪単価、並びにマンションや家屋の取引価格、更にはこれらの時系列的な変化情報も含むものである。

またデータベース３には、入居を推薦する事業者の業種を示す業種情報も記憶されている。推薦する事業者の業種としては、例えば、法律事務所、飲食店、コンビニエンスストア、喫茶店、小売店等といった比較的広い分類とされていてもよいし、例えば飲食店において、居酒屋、レストラン、バー、立ち食いそば屋、チェーン店用等、詳細な分類に落とし込まれていてもよい。

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、提案すべき事業者の探索や、不動産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入居推薦業者提案システム１における動作について説明をする。

入居推薦業者提案システム１では、例えば図３に示すように、参照用地域特性情報と、入居を推薦する事業者の業種を示す業種情報との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。参照用地域特性情報とは、その不動産が位置する住所、最寄駅、駅徒歩何分であるか等の情報が含まれている。また参照用地域特性情報としては、その不動産の周囲に、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、参照用地域特性情報としては、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。またその不動産の地盤に関する地盤情報や、過去においてその不動産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地域特性情報に含められていてもよい。この参照用地域特性情報としては、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。また参照用地域特性情報としては、車両や人の通行量も含まれる。また参照用地域特性情報としては、過去においていかなる業種の業者が入居していたかに関する情報も含まれる。また、参照用地域特性情報としては、その不動産が位置する地域の地盤の振動に関する振動情報も含まれる。この振動情報は、車両の走行に伴う地盤の揺れや振動を振動計により測定したデータで構成されていてもよい。参照用地域特性情報としては、不動産が位置する地域の住民における年収に関する年収情報も含まれる。この年収情報は、例えばその不動産が位置する地域（都道府県、市区町村単位）毎に集計される平均年収のデータを利用するようにしてもよい。また、不動産が位置する地域の人口推計に関する人口推計情報や不動産が位置する地域の空き家率に関する空き家率情報も、この参照用地域特性情報に含めてもよい。また参照用地域特性情報としては、不動産が位置する地域の災害リスクに関する災害リスク情報も含めてもよい。この災害リスク情報は、過去、津波や洪水、台風、土砂崩れ等のような自然災害を被った履歴やその可能性をリスク評価値として集計した値を用いてもよい。また不動産の周囲の騒音に関する騒音情報も、この参照用地域特性情報に含めてもよく、この騒音情報は騒音計により計測したデータを利用するようにしてもよい。

図３の例では、入力データとして例えば参照用地域特性情報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地域特性情報は、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、業種情報が表示されており、例えば業種情報Ｑ１は、飲食店、業種情報Ｑ２はオフィス用等が割り当てられている。

参照用地域特性情報は、この出力解としての、業種情報に対して３段階以上の連関度を通じて互いに連関しあっている。参照用地域特性情報がこの連関度を介して左側に配列し、各業種情報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地域特性情報に対して、何れの業種情報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、各参照用地域特性情報が、いかなる業種情報に紐付けられる可能性が高いかを示す指標であり、参照用地域特性情報から最も確からしい業種情報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、参照用地域特性情報と、その場合の業種情報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、参照用地域特性情報Ｐ０１が最寄り駅○○で、駅徒歩５分で、通行量が５分当たり、平均３０人であるものとする。このとき、そのような不動産が過去のどのような業者が入っていたか調査する。

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、例えば参照用地域特性情報Ｐ０１である場合に、過去の入居してた事業者の業種を過去のデータから分析する。仮に居酒屋が多い場合には、この居酒屋を示す業種情報につながる連関度をより高く設定し、法律事務所の事例が多く、居酒屋の事例が少ない場合には、法律事務所を示す業種情報につながる連関度を高くし、居酒屋を示す業種情報につながる連関度を低く設定する。

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事業者に不動産物件を紹介する際に、いかなる業種の事業者に紹介すべきか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業種情報を判別することとなる。かかる場合には、取引対象の不動産の地域特性情報を新たに取得する。

新たに取得する地域特性情報は、上述した情報取得部９により入力される。この地域特性情報の詳細は、上述した参照用地域特性情報と同様である。

このようにして新たに取得した地域特性情報に基づいて、実際にいかなる業種の事業者に紹介すべきかを推定する。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、新たに取得した地域特性情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して業種情報Ｑ２がｗ１５、業種情報Ｑ３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業種情報Ｑ２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業種情報Ｑ３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、新たに取得する地域特性情報を参照用地域特性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、新たな地域特性情報を取得した場合には、これに同一又は類似の参照用地域特性情報を即座に参照し、入居を推薦する最適な業種を推定することが可能となる。

ちなみに地域属性情報として、不動産の周囲の周囲画像情報、最寄駅からの距離情報、不動産の周囲の通行量に関する通行量情報の何れか１以上を取得する場合には、参照用地域特性情報として、これらに応じた周囲画像情報、距離情報、通行量情報を業種情報との間で予め学習させておく必要がある。そして、実際に取得した周囲画像情報、距離情報、通行量情報に応じた参照用地域特性情報を介して、その業種情報を探索することになる。

このとき、上述した連関度を不動産の周囲の周囲画像情報、最寄駅からの距離情報、不動産の周囲の通行量に関する通行量情報の何れか２以上の組み合わせで構成するようにしてもよい。そして、その組み合わせに対する探索解としての業種情報を学習させておくことにより、解探索をさせるようにしてもよい。

図４の例では、参照用地域属性情報と、参照用物件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。

図４の例では、入力データとして例えば参照用地域属性情報Ｐ１１～Ｐ１３、参照用物件情報Ｐ１４～１７であるものとする。このような入力データとしての、参照用地域属性情報に対して、参照用物件情報が組み合わさったものが、図４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、業種情報が表示されている。

参照用地域属性情報と参照用物件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、業種情報に対して３段階以上の連関度を通じて互いに連関しあっている。参照用地域属性情報と参照用物件情報がこの連関度を介して左側に配列し、業種情報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地域属性情報と参照用物件情報に対して、何れの業種情報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、各参照用地域属性情報と参照用物件情報が、いかなる業種情報に紐付けられる可能性が高いかを示す指標であり、参照用地域属性情報と参照用物件情報から最も確からしい業種情報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、参照用地域属性情報と参照用物件情報、並びにその場合の業種情報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、過去に取引された不動産が参照用地域属性情報Ｐ１１であるものとする。このとき、物件情報として、その不動産の実際の広さが「５０坪」であったとき、以前のデータにおいて、業種情報を調査する。

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、例えば参照用地域属性情報Ｐ１１で、かつ参照用物件情報Ｐ１６「５０坪」である場合に、その業種情報を過去のデータから分析する。業種情報が仮にコンビニエンスストアの事例が多い場合には、このコンビニエンスストアを示す業種情報につながる連関度をより高く設定し、レストランの事例が多く、コンビニエンスストアの事例が少ない場合には、レストランを示す業種情報につながる連関度を高くし、コンビニエンスストアを示す業種情報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、業種情報Ｑ１と、業種情報Ｑ２の出力にリンクしているが、以前の事例から業種情報Ｑ１につながるｗ１３の連関度を７点に、業種情報Ｑ２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、参照用地域属性情報Ｐ１１に対して、参照用物件情報Ｐ１４の組み合わせのノードであり、業種情報Ｑ３の連関度がｗ１５、業種情報Ｑ５の連関度がｗ１６となっている。ノード６１ｃは、参照用地域属性情報Ｐ１２に対して、参照用物件情報Ｐ１５、Ｐ１７の組み合わせのノードであり、業種情報Ｑ２の連関度がｗ１７、業種情報Ｑ４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推薦すべき事業者の業種の推定を行う際において、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、その推薦する不動産の地域特性情報を新たに取得するとともに、物件情報を取得する。

新たに取得する地域特性情報、物件情報は、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地域特性情報、物件情報に基づいて、実際に新たに推薦すべき事業者の業種を推定する。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、新たに取得した地域特性情報がＰ１２と同一かこれに類似するものである場合であって、物件情報が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、業種情報Ｑ３がｗ１９、業種情報Ｑ４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業種情報Ｑ３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業種情報Ｑ４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。

ちなみに物件情報として、不動産の広さに関する広さ情報、上記不動産の築年数に関する築年数情報、上記不動産の内部に関する内部情報、上記不動産の外観を撮像した外観画像情報の何れか１以上を取得する場合には、参照用物件情報として、これらに応じた広さ情報、築年数情報、内部情報、外観画像情報を業種情報との間で予め学習させておく必要がある。そして、実際に取得した広さ情報、築年数情報、内部情報、外観画像情報に応じた参照用物件情報を介して、その業種情報を探索することになる。

このとき、上述した連関度を広さ情報、築年数情報、内部情報、外観画像情報の何れか２以上の組み合わせで構成するようにしてもよい。そして、その組み合わせに対する探索解としての業種情報を学習させておくことにより、解探索をさせるようにしてもよい。

図５は、上述した参照用地域特性情報と、参照用外部環境情報との組み合わせと、当該組み合わせに対する業種情報との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、このような参照用地域特性情報と、参照用外部環境情報が並んでいる。このような入力データとしての、参照用地域特性情報に対して、参照用外部環境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。

参照用外部環境情報とは、個々の不動産とは別に政治、経済、社会等の外部環境に関するあらゆる情報を含むものであり、例えば相場情報もこれに含まれる。この相場情報としてはオフィス空室率、坪単価、並びにこれらの時系列的な変化情報も含むものである。

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、実際に業種情報の推定を行う上で、参照用地域特性情報と、参照用外部環境情報、並びにその場合の実際の入居していた事業者の業種や、紹介した事業者の業種がいかなるもの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、参照用地域特性情報Ｐ１１に対して、参照用外部環境情報Ｐ１８の組み合わせのノードであり、業種情報Ｑ３の連関度がｗ１５、業種情報Ｑ５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、地域特性情報を新たに取得するとともに、外部環境情報を取得する。地域特性情報は参照用地域特性情報に対応し、外部環境情報は、参照用外部環境情報に対応する。

業種情報の推定を行う上では、予め取得した図５に示す連関度を参照する。例えば、取得した地域特性情報が参照用地域特性情報Ｐ１２に同一又は類似で、取得した外部環境情報が、参照用外部環境情報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、業種情報Ｑ２が連関度ｗ１７で、また業種情報Ｑ４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、実際にその新たに参照用地域特性情報と、参照用外部環境情報とを取得した時点における業種情報を推定していくことになる。

図６は、上述した参照用地域特性情報と、参照用物件情報に加えて、更に参照用外部環境情報との組み合わせと、当該組み合わせに対する業種情報との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６に示すように、参照用地域特性情報と、参照用物件情報と、参照用外部環境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６において、ノード６１ｃは、参照用地域特性情報Ｐ１２が連関度ｗ３で、参照用物件情報Ｐ１５が連関度ｗ７で、参照用外部環境情報Ｐ２１が連関度ｗ１１で連関している。同様にノード６１ｅは、参照用地域特性情報Ｐ１３が連関度ｗ５で、参照用物件情報Ｐ１５が連関度ｗ８で、参照用外部環境情報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、新たに取得した地域特性情報と、物件情報と、外部環境情報に基づいて、業種を推定する。

この業種を推定する上で予め取得した図６に示す連関度を参照する。例えば、取得した地域特性情報が参照用地域特性情報Ｐ１２に同一又は類似で、取得した物件情報が参照用物件情報Ｐ１５に対応し、更に取得した外部環境情報が参照用外部環境情報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、業種情報Ｑ２が連関度ｗ１７で、また業種情報Ｑ４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。

図７は、上述した参照用地域特性情報と、参照用物件情報との組み合わせと、当該組み合わせに対する取引価格との３段階以上の連関度が設定されている例を示している。ここでいう取引価格とは、売買価格以外に賃貸料も含まれる。

入力データとしては、このような参照用地域特性情報と、参照用物件情報が並んでいる。このような入力データとしての、参照用地域特性情報に対して、参照用物件情報が組み合わさったものが、図７に示す中間ノードである。

ここで利用される参照用物件情報は、物件の内容に関する情報が含まれており、例えば間取り、動線、設備、外構、屋内を撮影した画像等が含まれる。

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、実際に業種情報の推定を行う上で、参照用地域特性情報と、参照用物件情報、並びにその場合の過去の取引価格がいかなるものであったかのデータを蓄積しておき、これらを分析、解析、学習することで図７に示す連関度を作り上げておく。

図７に示す連関度の例で、ノード６１ｂは、参照用地域特性情報Ｐ１１に対して、参照用物件情報Ｐ１４の組み合わせのノードであり、取引価格Ｑ３の連関度がｗ１５、取引価格Ｑ５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、地域特性情報を新たに取得するとともに、物件情報を取得する。

取引価格の推定を行う上では、予め取得した図７に示す連関度を参照する。例えば、取得した地域特性情報が参照用地域特性情報Ｐ１２に同一又は類似で、取得した物件情報が、参照用物件情報Ｐ１５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、取引価格Ｑ２が連関度ｗ１７で、また取引価格Ｑ４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、実際にその新たに参照用地域特性情報と、参照用物件情報とを取得した時点における取引価格を推定していくことになる。

この取引価格を推定する際においても、図６に示すように、参照用地域特性情報と、参照用物件情報に加えて、更に参照用外部環境情報との組み合わせと、当該組み合わせに対する取引価格との３段階以上の連関度を学習させることにより、新たに取得した地域特性情報、物件情報、外部環境情報に対する取引価格を推定することが可能となる。

また、取引価格の推定は、業種情報の推定と共に行うようにしてもよい。これにより、推薦すべき事業者の業種を推定するとともに、その取引価格も同時に推定することができる。この時、この取引価格そのものを、推定した業種に基づいて変化させるようにしてもよい。かかる場合には、例えば業種毎に重みづけ係数を設定しておき、推定した業種に応じてその重みづけに基づいて取引価格を算出するようにしてもよい。

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、誰でも手軽に紹介する不動産の業種の推定と、不動産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紹介する不動産の業種の推定や不動産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。また地域特性情報を取得し、これ以外に物件情報、外部環境情報と、これらに対する紹介すべき業種や不動産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。

また上述した各組み合わせの連関度は、一のファクタと他のファクタとを有する組み合わせの連関度であり、これら以外の他の要素が当該連関度に関連付けられていてもよいことは勿論である。

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入居推薦業者提案システム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。

第２実施形態では、参照用物件情報を学習させる。

図８の例では、入力データとして、参照用物件情報Ｐ０１、Ｐ０２、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物件情Ｐ０１、Ｐ０２、Ｐ０３は、出力としての取引価格に連結している。

連関度は、左側に配列された参照用物件情報に対して、何れの取引価格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、各参照用物件情報が、いかなる取引価格に紐付けられる可能性が高いかを示す指標であり、各参照用物件情報について最も確からしい取引価格を選択する上での的確性を示すものである。図８の例では、連関度としてｗ１３～ｗ１９が示されている。このｗ１３～ｗ１９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取引価格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取引価格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８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、各地域の参照用物件情報と、その場合の取引価格の何れが採用、評価されたか、過去のデータセットを蓄積しておき、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。

また、この図８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９に示すように、入力データとして各地域の参照用物件情報が入力され、出力データとして取引価格が出力され、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。入力ノード又は隠れ層ノードの何れか一方又は両方において上述した連関度が設定され、これが各ノードの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。

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、以前の各地域の参照用物件情報と、取引価格とのデータセットを通じて作った後に、実際にこれから新たに取引価格の判別を行う上で、上述した学習済みデータを利用して取引価格を探索することとなる。これらのデータセットは、業者が管理しているデータベースから読み出すことで作成するようにしてもよい。

新たに取引価格を探索する場合には、探索したい物件情報の入力を受け付ける。

次にこの物件情報を参照用物件情報と照合する。かかる場合には、予め取得した図８（表１）に示す連関度を参照する。例えば、新たに取得した物件情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して取引価格Ｂがｗ１５、取引価格Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い取引価格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取引価格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。

図１０の例では、参照用物件情報と取引価格との３段階以上の連関度を利用する例である。この連関度のみに着目した場合、図８と同様であるが、この例では更に、参照用物件情報とは異なる他の参照用情報がこの取引価格に紐付いている。

参照用物件情報と、取引価格とが互いに紐づけられた連関度が形成されていることが前提となる。図１０の例では、入力データとして例えば参照用物件情報Ｐ１１～Ｐ１３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物件情報は、出力に連結している。この出力においては、出力解としての取引価格であるものとする。

参照用物件情報は、この出力解としての取引価格に対して３段階以上の連関度を通じて互いに連関しあっている。参照用物件情報がこの連関度を介して左側に配列し、各取引価格が連関度を介して右側に配列している。

判別装置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。つまり判別装置２は、実際の探索解の判別を行う上で、過去において撮像して取得した参照用物件情報のときにいかなる取引価格であったか、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１０に示す連関度を作り上げておく。

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、解を探索することとなる。かかる場合には、撮像した物件情報を取得すると共に、他の参照用情報に応じた各情報も同様に取得しておく。

先ず、新たに取得した物件情報に基づいて、取引価格を探索する。かかる場合には、予め取得した図１０に示す連関度を利用する。例えば、新たに取得した物件情報が、参照用物件情報Ｐ１２と同一かこれに類似するものである場合には、連関度を介して取引価格３０％が連関度ｗ１５、取引価格Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い取引価格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品質Ｃを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、この選択する出力解は１つに限られず、２以上選択するものであってもよい。かかる場合には、連関度の上位から順に２以上選択するようにしてもよいが、これに限定されるものではなく、他のいかなる連関度の優先順位に基づいてもよい。

連関度を通じて求められる取引価格は、更に、参照用情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。

ここでいう参照用情報とは、第１実施形態において説明したあらゆる参照用情報が含まれ、例えば、第１実施形態における参照用地域特性情報や外部環境情報等である。

例えば、参照用情報の一つとして、参照用地域特性情報において、その地域は騒音のレベルが平均よりも高い場合や、車両の走行量が平均よりも多いものする。このような構造であれば、取引価格が低くなる場合が多い。このとき、物件情報から連関度を介して探索されたより低い取引価格に対して、重み付けを上げる処理を行い、換言すれば取引価格が低い探索解につながるようにする処理を行うように予め設定しておく。これに対して、騒音のレベルが平均よりも低く閑静な環境の場合、物件情報から連関度を介して探索されたより低い取引価格に対して、重み付けを下げる処理を行い、換言すれば取引価格が高い探索解につながるようにする処理を行うように予め設定しておく。

例えば、参照用情報Ｇが、より低い取引価格を示唆するような分析結果であり、参照用情報Ｆが、より高い取引価格を示唆するような分析結果であるものとする。このように参照用情報との間での設定の後、実際に取得した情報が参照用情報Ｇと同一又は類似する場合には、低い取引価格の重み付けを上げる処理を行い、換言すれば取引価格そのものを下げる処理を行う。これに対して、実際に取得した情報が参照用情報Ｆと同一又は類似する場合には、高い取引価格の重み付けを上げる処理を行い、換言すれば取引価格そのものを上げる処理を行う。つまり、取引価格につながる連関度そのものを、この参照用情報Ｆ～Ｈに基づいてコントロールするようにしてもよいし、物件情報と取引価格との間で独立して先ずは取引価格を求め、この求めた探索解に対して参照用情報Ｆ～Ｈに基づいて修正を加えるようにしてもよい。後者の場合において、参照用情報Ｆ～Ｈに基づいてどのように探索解としての取引価格にいかなるウェートで修正を加えるかは、都度システム側において設計したものを反映させることとなる。

また参照用情報は、何れか１種で構成される場合に限定されるものではなく、２種以上の参照用情報に基づいて取引価格を探索するようにしてもよい。かかる場合も同様に、参照用情報の示唆する取引価格がより高いものにつながるケースほど、連関度を介して求められた探索解としての取引価格をより高く修正し、参照用情報の示唆する取引価格がより低いものにつながるケースほど、連関度を介して求められた探索解としての取引価格をより低く修正する。

なお、図１１に示す例では、第１実施形態と同様に、入力データとして例えば参照用地域特性情報Ｐ１１～Ｐ１３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地域特性情報は、出力に連結している。この出力においては、出力解としての取引価格であるものとする。この取引価格を求める方法としては、第１実施形態並びに本実施形態における説明を引用し、以下での説明を省略する。連関度を通じて求められる取引価格は、更に、参照用情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。

ここでいう参照用情報とは、第１実施形態において説明したあらゆる参照用情報が含まれ、例えば、第１実施形態における参照用物件情報や外部環境情報等である。かかる場合も同様に、参照用情報Ｇが、より低い取引価格を示唆するような分析結果であり、参照用情報Ｆが、より高い取引価格を示唆するような分析結果であるものとする。このように参照用情報との間での設定の後、実際に取得した情報が参照用情報Ｇと同一又は類似する場合には、低い取引価格の重み付けを上げる処理を行い、換言すれば取引価格そのものを下げる処理を行う。これに対して、実際に取得した情報が参照用情報Ｆと同一又は類似する場合には、高い取引価格の重み付けを上げる処理を行い、換言すれば取引価格そのものを上げる処理を行う。

図１２は、図７に示す、参照用地域特性情報と参照用物件情報との組み合わせに対する取引価格の連関度において、その参照用地域特性情報を参照用外部環境情報に置き換えた例を示している。かかる場合も同様に、参照用外部環境情報と参照用物件情報との組み合わせに対する取引価格の連関度を事前に学習させておき、新たに外部環境情報と物件情報を取得した場合には、その連関度を参照し、取引価格を探索解として導き出すものである。かかる場合も同様に取引価格を探索することができる。

なお、本発明は、上述した実施の形態に限定されるものではない。第１実施形態、第２実施形態ともに上述した連関度の出力を入力とし、連関度の入力に当たる探索解を探索してもよい。例えば、図８の例の場合、取引価格に対応する希望取引価格の入力を受け付ける。そして、この図８に示す連関度を利用し、取得した希望取引価格に応じた取引価格に対する参照用物件情報を逆探索するようにしてもよい。

また、第１実施形態、第２実施形態において説明した連関度の出力としての取引価格の代替として取引価格の騰落率を学習させるようにしてもよい。この騰落率とは、１年後、２年後、３年後、・・・ｎ年後（ｎは正の整数）にその不動産の取引価格が何％上昇するか、或いは何％下落するかを示すものである。この騰落率は、現在の取引価格に対する騰落率をパーセンテージで示すものであってもよいが、その取引価格に騰落率を乗じた将来の予想取引価格を示すものであってもよい。

かかる場合には、図１３に示すように、上述した第１実施形態、第２実施形態において説明したように、参照用物件情報、又はこれと各参照用情報（参照用地域特性情報、参照用外部環境情報の２以上の組み合わせに対して、取引価格の騰落率を連関度を介して学習させておく。この取引価格の騰落率を学習させる際には、過去のある一時点（例えば３年前）に対する現在の騰落率を学習させてもよいが、これに限定されるものではなく、図１４に示すように、その参照用物件情報により特定される物件の取引価格の時系列的推移で構成されていてもよい。

このような参照用物件情報、又はこれと各参照用情報（参照用地域特性情報、参照用外部環境情報の２以上の組み合わせに対して、取引価格の騰落率を連関度を介して学習させておき、実際に物件の将来の騰落率を予測する場合には、その物件情報を入力する。この物件情報に近似する参照用物件情報に応じた、取引価格の騰落率を、上記連関度を参照することにより得ることができる。このようにして得られた騰落率に基づいて、将来（例えばｎカ月後、ｎ年後；ｎは正の数）におけるその物件の騰落率を予測するようにしてもよい。

このとき、取引価格の時系列的推移が、１年前の取引価格に対する現在の取引価格の騰落率で示されており、仮に騰落率Ｑ１が５％ダウンの場合には、仮に予測したい騰落率が１年後である場合であって、その騰落率Ｑ１が探索された場合には、その５％ダウンの結果に基づいて、予測される騰落率も同様に５％ダウンと予測してもよい。

また、図１５に示すように、取引価格の時系列的推移が、過去５年間の取引価格の時系列的推移で示されており、学習させた騰落率Ｑ１が図１４に示すような時系列的推移の場合には、仮に予測したい騰落率が３年後である場合であって、その騰落率Ｑ１が探索された場合には、図１４に示す時系列的推移に応じて予測値を騰落率として予測してもよい。

なお、取引価格の騰落率の予測は、更に参照用物件情報に加え、各参照用情報（参照用地域特性情報、参照用外部環境情報の２以上の組み合わせに対して、取引価格の騰落率を学習させておくことで、その予測精度をさらに向上させることが可能となる。

なお、上述した参照用物件情報、物件情報は、新築の物件や実際に人が住んでいる中古物件、或いはもうすぐその物件からテナントや住人が退出予定の物件のみならず、人が住んでいないいわゆる空き家の物件に関する参照用物件情報、物件情報も含まれる。

かかる場合における空き家の物件情報としては、空き家の広さに関する広さ情報、上記空き家の築年数に関する築年数情報、上記空き家の内部に関する内部情報、上記空き家の外観を撮像した外観画像情報、上記空き家の建築構造物のブランドに関するブランド情報、上記空き家の新築時の価格に関する新築価格情報、空き家以前の住人に関する住人情報、空き家になった経緯に関する経緯情報、リノベーションの可能性に関するリノベーション可能性情報、劣化度に関する劣化度情報で構成される。また空き家の参照用物件情報としては、空き家の広さに関する参照用広さ情報、空き家の築年数に関する参照用築年数情報、空き家の内部に関する参照用内部情報、空き家の外観を撮像した参照用外観画像情報、空き家の建築構造物のブランドに関する参照用ブランド情報、空き家の新築時の価格に関する参照用新築価格情報、空き家以前の住人に関する参照用住人情報、空き家になった経緯に関する参照用経緯情報、リノベーションの可能性に関する参照用リノベーション可能性情報、劣化度に関する参照用劣化度情報で構成される。

ここで参照用住人情報は、その空き家以前の住人の氏名や年齢、家族構成や居住期間、退出の理由等、市区町村や不動産会社等の業者において保管されているデータから取得されるものであってもよい。空き家になった経緯に関する参照用経緯情報も同様に市区町村や不動産会社等の業者において記録されているデータから取得するようにしてもよい。この参照用経緯情報とは、空き家になっている理由が含められており、例えば住人やテナントが退出した後、誰からも買い手がつかずにそのままにしてある場合や、何らかの事件が発生した事故物件であるか否かについてもこの参照用経緯情報に含められる場合がある。リノベーションの可能性に関する参照用リノベーション可能性情報は、リノベーションの業者やその専門家により、その可能性について判定してもらった結果をデータ化してもよいし、実際その空き家について画像を撮像し、間取りや老朽化の程度、或いは家の構造の観点からリノベーションが可能か否か、またリノベーションがどの程度反映できるか、その程度を参照用経緯情報として構成してもよい。参照用劣化度情報は、劣化の度合いを示している。参照用劣化度情報は、空き家の屋内外におけるカビや結露、雨漏りの度合い、壁や天井、柱や各部屋の汚れや傷みの度合、外壁の剥がれ度合い、水回りの状況等を劣化度合いとして指標化したものである。この参照用劣化情報は、空き家の屋内外を撮像し、その画像を解析することにより自動的に判定するようにしてもよい。かかる場合には、その画像の傷や汚れ、カビや結露等の劣化を示す事象を特徴量として検出し、ディープラーニング技術、機械学習技術を利用して、判別、抽出するようにしてもよい。

この参照用物件情報の何れか１つのこれに対する取引価格との３段階以上の連関度を利用し、新たに取得したその参照用物件情報に応じた上記広さ情報、上記内部情報、上記外観画像情報、上記ブランド情報、上記新築価格情報、上記住人情報、上記経緯情報、上記リノベーション可能性情報、上記劣化度情報の何れか１つに基づき、提案すべき取引価格を探索するようにしてもよい。

また、この参照用物件情報は、図１６に示すように、参照用物件情報を構成する参照用情報として、参照用広さ情報、参照用築年数情報、参照用内部情報、参照用外観画像情報、参照用ブランド情報、参照用新築価格情報、参照用住人情報、参照用経緯情報、参照用リノベーション可能性情報、参照用劣化度情報の何れか２以上を有する組み合わせと、当該組み合わせに対する取引価格との３段階以上の連関度を利用してもよい。図１６の例は、参照用経緯情報と、参照用劣化度情報とを有する組み合わせの連関度を構成している例であるが、他のいかなる参照用物件情報を構成する参照用情報に代替させてもよい。このような連関度を形成させた後、その連関度の組み合わせに応じた広さ情報、内部情報、外観画像情報、ブランド情報、新築価格情報、住人情報、経緯情報、リノベーション可能性情報、劣化度情報に基づき、提案すべき取引価格を探索する。この探索の方法は、上述と同様である。

なお、空き家以外の物件情報も同様に、参照用物件情報を構成する参照用情報として、参照用広さ情報、参照用築年数情報、参照用内部情報、参照用外観画像情報、参照用ブランド情報、参照用新築価格情報の何れか２以上を有する組み合わせと、当該組み合わせに対する取引価格との３段階以上の連関度を利用してもよい。このような連関度を形成させた後、その連関度の組み合わせに応じた広さ情報、内部情報、外観画像情報、ブランド情報、新築価格情報に基づき、提案すべき取引価格を探索する。この探索の方法は、上述と同様である。

１ 入居推薦業者提案システム
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

Claims (12)

1. 不動産について取引価格の将来の騰落率を予測する不動産騰落率予測プログラムにおいて、
   不動産の物件の内容に関する物件情報を取得する情報取得ステップと、
   不動産の物件の内容に関する参照用物件情報と、取引価格の過去の騰落率との３段階以上の連関度を利用し、上記情報取得ステップを介して取得した物件情報に応じた参照用物件情報に対する過去の取引価格の騰落率との３段階以上の連関度に基づき、予測すべき取引価格の騰落率を探索する探索ステップとをコンピュータに実行させること
   を特徴とする不動産騰落率予測プログラム。
2. 上記情報取得ステップでは、上記不動産が立地する地域特性を示す地域特性情報を取得し、
   上記探索ステップでは、不動産が立地する地域特性を示す参照用地域特性情報を予め取得しておき、上記地域特性情報に応じた参照用地域特性情報を参照し、予測すべき取引価格の騰落率を探索すること
   を特徴とする請求項１記載の不動産騰落率予測プログラム。
3. 上記情報取得ステップでは、更に現在における外部環境情報を取得し、
   上記探索ステップでは、不動産の取引時における参照用外部環境情報と、参照用物件情報とを有する組み合わせと、当該組み合わせに対する取引価格の過去の騰落率との３段階以上の連関度を利用し、上記情報取得ステップを介して取得した上記外部環境情報に応じた参照用外部環境情報と、上記物件情報に応じた参照用物件情報とを有する組み合わせに対する取引価格の過去の騰落率との３段階以上の連関度に基づき、予測すべき取引価格の騰落率を探索すること
   を特徴とする請求項１記載の不動産騰落率予測プログラム。
4. 上記情報取得ステップでは、更に現在における外部環境情報を取得し、
   上記探索ステップでは、不動産の取引時における参照用外部環境情報を予め取得しておき、上記外部環境情報に応じた参照用外部環境情報を参照し、予測すべき取引価格の騰落率を探索すること
   を特徴とする請求項１記載の不動産騰落率予測プログラム。
5. 不動産について取引価格の将来の騰落率を予測する不動産騰落率予測プログラムにおいて、
   上記不動産が立地する地域特性を示す地域特性情報と、不動産の物件の内容に関する物件情報とを取得する情報取得ステップと、
   以前に取得した参照用地域特性情報と、取引価格の過去の騰落率との３段階以上の連関度を利用し、上記情報取得ステップを介して取得した地域特性情報に応じた参照用地域特性情報に対する取引価格の過去の騰落率との３段階以上の連関度のより高いものを優先させつつ、更に取得した上記物件情報に基づいて、予測すべき取引価格の騰落率を探索する探索ステップとをコンピュータに実行させること
   を特徴とする不動産騰落率予測プログラム。
6. 上記情報取得ステップでは、上記物件情報として、上記不動産の広さに関する広さ情報、上記不動産の築年数に関する築年数情報、上記不動産の内部に関する内部情報、上記不動産の外観を撮像した外観画像情報、上記不動産の建築構造物のブランドに関するブランド情報、上記不動産の新築時の価格に関する新築価格情報の何れか１以上を取得し、
   上記探索ステップでは、上記情報取得ステップにおいて取得される物件情報に応じた参照用物件情報に対する取引価格の過去の騰落率との３段階以上の連関度に基づき、予測すべき取引価格の騰落率を探索すること
   を特徴とする請求項１～５のうち何れか１項記載の不動産騰落率予測プログラム。
7. 上記探索ステップでは、上記参照用物件情報として、不動産の広さに関する参照用広さ情報、不動産の築年数に関する参照用築年数情報、不動産の内部に関する参照用内部情報、不動産の外観を撮像した参照用外観画像情報、不動産の建築構造物のブランドに関する参照用ブランド情報、不動産の新築時の価格に関する参照用新築価格情報の何れか２以上を有する組み合わせと、当該組み合わせに対する取引価格との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得したその組み合わせに応じた上記広さ情報、上記内部情報、上記外観画像情報、上記ブランド情報、上記新築価格情報に基づき、提案すべき取引価格の騰落率を探索すること
   を特徴とする請求項６項記載の不動産騰落率予測プログラム。
8. 上記情報取得ステップでは、上記地域特性情報として、上記不動産の周囲の周囲画像情報、最寄駅からの距離情報、上記不動産の周囲の通行量に関する通行量情報、上記不動産が位置する地盤の振動に関する振動情報、上記不動産が位置する地域の住民における年収に関する年収情報、上記不動産が位置する地域の人口推計に関する人口推計情報、上記不動産が位置する地域の空き家率に関する空き家率情報、上記不動産が位置する地域の災害リスクに関する災害リスク情報と、上記不動産の周囲の騒音に関する騒音情報の何れか１以上を取得し、
   上記探索ステップでは、上記情報取得ステップにおいて取得される地域特性情報に応じた参照用地域特性情報に基づき、予測すべき取引価格の騰落率を探索すること
   を特徴とする請求項２又は５記載の不動産騰落率予測プログラム。
9. 上記情報取得ステップでは、更に希望取引価格の騰落率の入力を受け付け、
   上記探索ステップでは、上記連関度を利用し、上記情報取得ステップを介して取得した希望取引価格の過去の騰落率に応じた取引価格の騰落率に対する参照用物件情報を探索すること
   を特徴とする請求項１～４のうち何れか１項記載の不動産騰落率予測プログラム。
10. 上記推定ステップでは、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１～９のうち何れか１項記載の不動産騰落率予測プログラム。
11. 上記探索ステップでは、取引価格の過去の時系列的推移に基づく騰落率との３段階以上の連関度を利用すること
    を特徴とする請求項１～１０のうち何れか１項記載の不動産騰落率予測プログラム。
12. 不動産について取引価格の将来の騰落率を予測する不動産騰落率予測システムにおいて、
    不動産の物件の内容に関する物件情報の入力を受け付ける情報取得手段と、
    不動産の物件の内容に関する参照用物件情報と、取引価格の過去の騰落率との３段階以上の連関度を利用し、上記情報取得手段を介して受け付けた物件情報に応じた参照用物件情報に対する取引価格の過去の騰落率との３段階以上の連関度に基づき、予測すべき取引価格の騰落率を探索する探索手段とを備えること
    を特徴とする不動産騰落率予測システム。

Images