JPWO2016136056A1 - 情報処理装置、情報処理方法およびプログラム - Google Patents

情報処理装置、情報処理方法およびプログラム Download PDF

Info

Publication number
JPWO2016136056A1
JPWO2016136056A1 JP2017501848A JP2017501848A JPWO2016136056A1 JP WO2016136056 A1 JPWO2016136056 A1 JP WO2016136056A1 JP 2017501848 A JP2017501848 A JP 2017501848A JP 2017501848 A JP2017501848 A JP 2017501848A JP WO2016136056 A1 JPWO2016136056 A1 JP WO2016136056A1
Authority
JP
Japan
Prior art keywords
transaction
real estate
property
estate property
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.)
Granted
Application number
JP2017501848A
Other languages
English (en)
Other versions
JP6693502B2 (ja
Inventor
慎吾 高松
慎吾 高松
拓也 藤田
拓也 藤田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Corp
Original Assignee
Sony Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sony Corp filed Critical Sony Corp
Publication of JPWO2016136056A1 publication Critical patent/JPWO2016136056A1/ja
Priority to JP2020073056A priority Critical patent/JP6919743B2/ja
Application granted granted Critical
Publication of JP6693502B2 publication Critical patent/JP6693502B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0278Product appraisal
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/16Real estate

Landscapes

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

Abstract

【課題】不動産売買に関わるさまざまなユーザにとって有用な情報を提供する。【解決手段】不動産物件または不動産物件を対象とする取引の特徴量に基づいて、第1の不動産物件または該第1の不動産物件を対象として発生する第1の取引に類似する第2の不動産物件または第2の取引に関する情報を抽出する情報抽出部と、上記抽出された情報に基づいて、上記第1の取引において上記第1の不動産物件に関連付けられる第1の価格を含む取引結果を予測する取引結果予測部とを備える情報処理装置が提供される。【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。
特開2003−281252号公報
しかしながら、例えば特許文献1に記載されたような技術は、主に不動産を購入または賃借しようとするユーザが不動産を検索したり下見したりする際に限って利用可能なものであった。その一方で、例えば、不動産売買に関わるさまざまなユーザ(不動産を購入または賃借しようとするユーザだけでなく、売却または賃貸しようとするユーザも含まれうる)にとって有用な情報を提供できるような技術は、いまだ十分に提案されているとはいえない。
そこで、本開示では、不動産売買に関わるさまざまなユーザにとって有用な情報を提供することが可能な、新規かつ改良された情報処理装置、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を対象とする取引の特徴量に基づいて、第1の不動産物件または該第1の不動産物件を対象として発生する第1の取引に類似する第2の不動産物件または第2の取引に関する情報を抽出する情報抽出部と、上記抽出された情報に基づいて、上記第1の取引において上記第1の不動産物件に関連付けられる第1の価格を含む取引結果を予測する取引結果予測部とを備える情報処理装置が提供される。
また、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を対象とする取引の特徴量に基づいて、第1の不動産物件または該第1の不動産物件を対象として発生する第1の取引に類似する第2の不動産物件または第2の取引に関する情報を抽出することと、上記抽出された情報に基づいて、上記第1の取引において上記第1の不動産物件に関連付けられる第1の価格を含む取引結果を予測することとを含む情報処理方法が提供される。
また、本開示によれば、不動産物件または不動産物件を対象とする取引の特徴量に基づいて、第1の不動産物件または該第1の不動産物件を対象として発生する第1の取引に類似する第2の不動産物件または第2の取引に関する情報を抽出する機能と、上記抽出された情報に基づいて、上記第1の取引において上記第1の不動産物件に関連付けられる第1の価格を含む取引結果を予測する機能とをコンピュータに実現させるためのプログラムが提供される。
以上説明したように本開示によれば、不動産売買に関わるさまざまなユーザにとって有用な情報を提供することができる。
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係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係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。 本開示の一実施形態において表示される物件情報入力画面の例を示す図である。 本開示の一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。 本開示の一実施形態において表示される物件比較画面の例を示す図である。 本開示の一実施形態において表示されるリノベーション提案画面の例を示す図である。 本開示の一実施形態において表示される将来予測画面の例を示す図である。 本開示の実施形態に係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、本明細書および図面において、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。
なお、説明は以下の順序で行うものとする。
1.システム構成
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.類似物件または類似取引の抽出処理
4.類似物件または類似取引の価格に基づく価格予測処理
5.取引期間予測処理
6.予測精度の算出処理
7.特徴量ベクトルの元の二値化
8.提示される情報の例
9.ハードウェア構成
10.補足
(1.システム構成)
図1は、本開示の一実施形態に係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、またはジェスチャも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。
(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。
(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)
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、物件特徴量データ3109と、取引特徴量データ3111と、パラメータデータ3113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、機械学習部3303と、情報抽出部3305と、取引結果予測部3307と、情報提示部3309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、売出し価格(変更履歴を含む)、売出し理由、現在のオーナー、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。なお、本実施形態において、物件のオーナーに関する情報は、オーナーの属性を把握することが目的であるため、オーナーの氏名などを含む必要はなく、年齢や職業などのカテゴリによって表現されていてもよい。本実施形態において、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。従って、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)。後述する通り、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、売出し理由、売り手(旧オーナー)、買い手(新オーナー)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が物件IDについて一意であるのに対して、取引データ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(施設データ3107−1および地域データ3107−2)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を含む。例えば、施設データ3107−1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3107−1は、施設の位置情報、種類、名称、オープン/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。本実施形態では、後述するように、物件の所在地と施設の位置との間の距離に基づいて特徴量が抽出される。また、例えば、地域データ3107−2は、物件が立地する地域に関するデータを含んでもよい。この場合、地域データ3107−2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。本実施形態では、後述するように、物件の所在地を含む地域に基づいて特徴量が抽出される。
物件特徴量データ3109は、物件データ3101に登録された不動産物件の特徴量(以下、物件特徴量という)のデータを含む。物件特徴量は、例えば、物件データ3101、売出しデータ3103、取引データ3105、および/または周辺環境データ3107に基づいて、特徴量生成部3301によって生成される。より具体的には、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。物件特徴量データ3109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。取引特徴量データ3111との相違として、物件特徴量データ3109では、物件特徴量が、基本的に1つの物件に対して1つ格納される。従って、物件特徴量データ3109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。
取引特徴量データ3111は、物件データ3101に登録された不動産物件を対象とする取引の特徴量(以下、取引特徴量という)のデータを含む。取引特徴量は、例えば、物件データ3101、売出しデータ3103、取引データ3105および/または周辺環境データ3107に基づいて、特徴量生成部3301によって抽出される。より具体的には、例えば、取引特徴量は、取引データ3105に記録された取引について、取引に関するデータの項目から抽出されるベクトルでありうる。取引特徴量データ3111では、このような取引特徴量のベクトルが、例えば取引データ3105に含まれる取引IDに関連付けて格納されうる。最も単純な構成として、取引特徴量は、取引データ3105に含まれる時期や価格のデータから抽出される特徴量のみを含んでもよい。このとき、価格は、物件間での比較を容易にするために単価に換算されてもよい(例えば、1mあたりの売出し価格や成約価格)。
さらに、取引特徴量は、売出しデータ3103に含まれる現在進行中の売出しに関するデータから抽出される特徴量を含んでもよい。この場合、取引特徴量データ3111には、完了済みの取引に関する取引特徴量と、未完了の取引に関する取引特徴量とが含まれることになる。また、取引特徴量は、物件データ3101や周辺環境データ3107から抽出される特徴量を、取引当時の物件の状態を表す情報(つまり、物件特徴量の過去の時点でのスナップショット)として含んでもよい。なお、取引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3113は、情報抽出部3305や取引結果予測部3307の処理に用いられる各種のパラメータを含む。パラメータは、例えば機械学習部3303によって算出される。後述するように、本実施形態では、上記の処理において、価格予測の対象になる第1の不動産物件、または第1の不動産物件の取引と、既に取引が成立している、または売出し中である第2の不動産物件、もしくは第2の不動産物件の取引との類似度を算出するにあたり、物件特徴量または取引特徴量の項目ごとに設定される重みのパラメータが利用される。また、そのようにして算出された類似度が高い物件または取引における価格に基づいて価格予測を実施する際に、価格の補正にもパラメータが利用される。パラメータデータ3113では、例えばこれらのようなパラメータが格納されている。なお、それぞれのパラメータの詳細については後述する。
最後に、上述した物件特徴量データ3109および取引特徴量データ3111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は、物件データ3101、売出しデータ3103、取引データ3105、および/または周辺環境データ3107に基づいて、不動産物件の特徴量(物件特徴量)および不動産物件を対象とする取引の特徴量(取引特徴量)を生成する。生成された特徴量は、物件特徴量データ3109や取引特徴量データ3111として格納されうる。ここで、上記の通り、物件特徴量や取引特徴量は、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。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、後述するように、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。
ここで、特徴量生成部3301は、物件データ3101に含まれる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。例えば、建築時期の場合、主に年によって、建物の経年が表現できる。また、例えば、売出し時期や成約時期の場合、主に年によって長期的な需要のトレンドが表現でき、月によって1年のサイクルの中での短期的な需要のトレンドが表現できる。
また、物件データ3101に含まれる物件の外観、内部、または物件からの眺望などの画像からは、公知の様々な手法を用いた画像解析によって画像の特徴量ベクトルを抽出することができる。特徴量生成部3301は、抽出された画像の特徴量ベクトルを、そのまま物件特徴量や取引特徴量のベクトルに含めてもよいし、画像をその特徴量ベクトルに従って分類(例えばクラスタリング)した上で、分類の結果に対応する区分値を物件特徴量や取引特徴量のベクトルに含めてもよい。同様に、例えば売出しデータ3103に含まれる売出し時の紹介文などのテキストからは、公知の形態素解析などの技術によってテキストを分解し、特徴的な単語を抽出することによって、特徴量ベクトルを抽出することができる。
さらに、特徴量生成部3301が生成する特徴量は、複数のデータを組み合わせることによって生成される新たな項目を含みうる。より具体的には、例えば、特徴量生成部3301は、物件データ3101から抽出される物件の所在地と、施設データ3107−1から抽出される施設の位置情報とに基づいて、当該物件において利用可能な周辺施設に関する特徴量を生成する。周辺施設が利用可能であるか否かは、例えば物件の所在地と施設の位置との間の距離に基づいて判定される。周辺施設に関する特徴量は、例えば、各種類の施設が利用可能であるか否かを示す二値の特徴量であってもよいし、利用可能な施設の数、および/または利用可能な施設までの距離に基づいて利用のしやすさを階級値化した特徴量であってもよい。例えば、施設データ3107−1が施設のオープン/クローズ時期を含んでいれば、取引特徴量において、過去の取引時において利用可能であった施設と、現在において利用可能である施設との相違(新たな公園が整備された、医療機関が転出した、新たなバス路線が開設された、など)を表現することも可能である。
また、例えば、特徴量生成部3301は、物件データ3101から抽出される物件の所在地と、地域データ3107−2に含まれる地域に関するデータに基づいて、当該物件の地域的な特徴に関する特徴量を生成してもよい。周辺施設に関する特徴量の場合と同様に、地域データ3107−2が地域の指定/解除時期を含んでいれば、取引特徴量において、過去の取引時における地域の特徴と、現在における地域の特徴との相違(防災工事によって災害警戒区域の指定が解除された、都市計画上のゾーニングの変更によって高層建築物が立地可能になった、など)を表現することも可能である。
機械学習部3303は、物件特徴量データ3109および取引特徴量データ3111に基づく機械学習を実施し、情報抽出部3305や取引結果予測部3307の処理に用いられる各種のパラメータを決定する。例えば、パラメータは、情報抽出部3305が物件または取引が類似するか否かを判定するにあたり物件特徴量または取引特徴量の項目ごとに設定される重みパラメータを含む。この場合、例えば、機械学習部3303は、物件特徴量および/または取引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パラメータを決定する。また、例えば、パラメータは、取引結果予測部3307が類似度の高い物件または取引に関する情報に基づいて価格や取引期間の予測を実施する際に、価格や取引期間を補正するためのパラメータを含んでもよい。この場合、例えば、機械学習部3303は、類似度が高い物件または取引の相互間で、特徴量と成約価格との関係を学習し、特徴量の相違を適切に予測価格に反映させられるようにパラメータを決定する。なお、機械学習部3303は、上記のようなパラメータを機械学習によって決定するにあたって、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ことができる。
情報抽出部3305は、例えば物件特徴量データ3109、取引特徴量データ3111、および機械学習部3303によって算出されたパラメータに基づいて、価格予測の対象になる不動産物件(第1の不動産物件)に類似する他の不動産物件(第2の不動産物件、および/または価格予測になる不動産物件を対象として発生する取引(第1の取引)に類似する他の取引(第2の取引)に関する情報を抽出する。より具体的には、例えば、情報抽出部3305は、第2の不動産物件の物件特徴量を物件特徴量データ3109から抽出し、第2の取引の取引特徴量を取引特徴量データ3111から抽出する。情報抽出部3305によって抽出された情報は、取引結果予測部3307に提供されて価格予測に用いられるだけではなく、情報提示部3309に提供されてユーザに提示する情報を生成するために利用されてもよい。
取引結果予測部3307は、情報抽出部3305によって抽出された情報、および機械学習部3303によって算出されたパラメータに基づいて、取引における不動産物件の価格を含む取引結果を予測する。例えば、価格の予測は、対象物件の売出し前、つまりオーナーが売り出すことを検討している段階で実施される。この場合、情報抽出部3305によって抽出された類似する物件や取引の情報に基づいて、対象物件の成約価格を予測することができる。また、価格の予測は、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、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(売出し価格や売出し時期など)に基づいて、取引を成立させるために適切と考えられる価格を予測することができる。さらに、価格の予測は、対象物件の取引の成立後に実施されてもよい。この場合、例えば価格の予測結果は機械学習部3303にフィードバックされ、実際の成約価格との差などに基づく学習に利用される。取引結果予測部3307は、価格と同様にして、取引が成立するまでの期間(取引期間)を予測してもよい。さらに、取引結果予測部3307は、価格や期間について、予測の精度を算出してもよい。精度は、なお、取引結果予測部3307による予測の処理の詳細な例については後述する。
情報提示部3309は、取引結果予測部3307によって予測された不動産物件の価格などを含む情報を、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ともに、またはこれに代えて採用されてもよい。
(3.類似物件または類似取引の抽出処理)
続いて、本実施形態において、サーバ300の処理部330に含まれる情報抽出部3305によって実施される、類似物件または類似取引の抽出処理について、さらに説明する。なお、以下では、代表して類似物件の抽出処理について説明するが、類似取引の抽出処理も同様に実施することが可能である。
まず、特徴量生成部3301は、物件データ3101に登録された各不動産物件について、物件データ3101、売出しデータ3103、取引データ3105、および/または周辺環境データ3107に基づいて物件特徴量を生成している。情報抽出部3305では、登録されたn件の物件についてそれぞれ生成されたK次元の物件特徴量ベクトルのうち、X,X(i,j∈1,2,・・・,N;i≠j)の間の距離関数D(X,X)が、以下の式1のように定義されている。なお、xki,xkjは、それぞれ、特徴量ベクトルX,Xのk番目の元(k=1,2,・・・,K)であり、d(xki,xkj)はxkiとxkjとの間のユークリッド距離である(なお、特徴量ベクトルの元xki,xkjは、スカラーであってもよいし2次元以上のベクトルであってもよい)。wは、特徴量ベクトルのk番目の元について設定される重みパラメータである。
Figure 2016136056
さらに、上記の距離関数D(X,X)に基づいて、特徴量ベクトルX,Xの間の類似度関数F(X,X)を以下の式2のように定義することができる。なお、類似度関数については、この例に限られず、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な任意の関数を定義することができる。
Figure 2016136056
ここで、距離関数D(X,X)における重みパラメータwは、類似度関数F(X,X)を用いて物件または取引の類似度を算出するにあたり、特徴量の項目ごとに設定されるパラメータであるといえる。つまり、特徴量ベクトルのk番目の元は、何らかの特徴量の項目に対応しており、重みパラメータwは、当該項目の類似度への影響度合いを表現するパラメータとして設定される。より具体的には、例えば、物件特徴量のベクトルにおいて、k番目の元が建築時期の年(または築年数)に対応し、k+1番目の元が建築時期の月に対応する場合、一般的には年の方が物件の類似度に影響する(具体的な例として、2011年4月に建築された建物1と、2011年10月に建築された建物2と、2001年4月に建築された建物3とがある場合、建物1と建物2との類似度は高く、建物1,2と建物3との間の類似度は低い)。従って、特徴量ベクトルのk番目の元について設定される重みパラメータwは、k+1番目の元について設定される重みパラメータwk+1よりも大きい値をとりうる。
このような重みパラメータwは、例えば既存のナレッジに基づいて予め設定されていてもよい。また、重みパラメータwは、過去に成立した取引のデータに基づいて機械学習部3303が実施する機械学習によって決定および更新されてもよい。より具体的には、例えば類似度関数F(X,X)によって類似度が高いと判定された物件の過去の取引における成約価格が互いに近接している場合、これらの物件の類似度の算出に用いられた重みパラメータwは適切であったといえる。一方、類似度関数F(X,X)によって類似度が高いと判定された物件の成約価格が互いにかけ離れていた場合、これらの物件の類似度の算出に用いられた重みパラメータwの中には、修正の必要があるものが含まれる可能性がある。なお、成約価格の近接判定においては、後述する価格予測の補正関数が考慮されうる。
例えば、情報抽出部3305は、類似物件抽出の対象物件の特徴量ベクトルXに対して、類似度関数F(X,X)の値をj=1,2,・・・,i−1,i+1,・・・,Nについて算出し、値が閾値を下回った特徴量ベクトルXに対応する物件を、類似物件として抽出する。あるいは、情報抽出部3305は、類似度関数F(X,X)の値が大きいものから順に所定の数の特徴量ベクトルXに対応する物件を、類似物件として抽出してもよい。なお、既に述べたように、類似物件抽出だけではなく類似取引抽出についても、同様に実施することが可能である。
(4.類似物件または類似取引の価格に基づく価格予測処理)
続いて、本実施形態において、サーバ300の処理部330に含まれる取引結果予測部3307によって実施される不動産物件の価格予測処理について、さらに説明する。なお、以下では、代表して類似物件の価格に基づく予測について説明するが、類似取引の価格に基づく予測も同様に実施することが可能である。
類似物件の価格に基づく予測に先立って、情報抽出部3305が、物件特徴量データ3109に基づいて予測対象の第1の不動産物件の類似物件(第2の不動産物件)を抽出する。第2の不動産物件の抽出は、価格の予測を実行するときに実施されてもよいし、前もって実施されていてもよい。取引結果予測部3307は、第2の不動産物件の価格に基づいて第1の不動産物件の価格を予測する。ここで用いられる価格は、例えば売出しデータ3103に含まれる売出し価格であってもよいし、取引データ3105に含まれる第2の不動産物件の直近の取引における成約価格であってもよい。これらの価格は、例えば直近の価格として物件特徴量データ3109に含まれていてもよいし、取引結果予測部3307が抽出された第2の不動産物件について別途売出しデータ3103や取引データ3105を参照してもよい。
ここで、価格を予測するにあたり、取引結果予測部3307は、第1の不動産物件の特徴量と第2の不動産物件の特徴量との差分に基づいて、予測価格を補正する。仮に、第1の不動産物件と第2の不動産物件とが、面積を除いて同一の特徴量を有していたとすると、予測価格は第2の不動産物件の面積あたりの成約価格や売出し価格に、第1の不動産物件の面積を乗じたものになりうる。しかしながら、実際には2つの物件が同一の特徴量を有することはなく、類似物件であっても特徴量の間にはいくらかの差分が存在する。そこで、取引結果予測部3307は、第2の不動産物件の価格に基づいて第1の不動産物件の価格を予測するにあたり、特徴量の差分に基づいて予測価格を補正する。
より具体的には、例えば、取引結果予測部3307は、以下の式3によって、第1の不動産物件(物件特徴量ベクトルX)の、第2の不動産物件(物件特徴量ベクトルX)の価格pに基づく予測価格qtsを補正する。なお、価格pおよび予測価格qtsは、面積あたりの価格である。
Figure 2016136056
式3で用いられる補正関数G(X,X)は、例えば以下の式4のように定義される。なお、式1と同様に、xks,xktは、それぞれ、特徴量ベクトルX,Xのk番目の元(k=1,2,・・・,K)であり、d(xks,xkt)はxksとxktとの間のユークリッド距離に対応する(なお、式4においては、d(xks,xkt)について、上記の式1とは異なる定義がされてもよい。例えば、xks,xktがベクトルである場合には式1の場合と同様にd(xks,xkt)=||xks−xkt||と定義される一方で、xks,xktがスカラーである場合には、符号を考慮してd(xks,xkt)=xks−xktと定義されてもよい)。rは、特徴量ベクトルのk番目の元について設定される補正のための重みパラメータである。
なお、式4は、直積(Π)の各元が、r・d(xks,xkt)=0の場合には1になり、r・d(xks,xkt)の値が0よりも大きい場合には1よりも大きくなり、r・d(xks,xkt)の値が0よりも小さい場合には1よりも小さくなって0に近づくような関数の例である。従って、本実施形態では、式4として示した具体的な関数に限らず、例えば同様の性質を有する他の関数が用いられてもよい。また、後述するように、重みパラメータrをk番目の元ベクトルの組み合わせごとに学習する構成とすることも可能である。
Figure 2016136056
取引結果予測部3307は、上記のようにして算出された予測価格qtsを各類似物件(第2の不動産物件)について重みづけして足し合わせることによって、予測価格qを算出する。予測価格qtsの足し合わせは、例えば以下の式5のように、類似度関数F(X,X)に基づいて重みを設定して実施される。この場合、t番目の類似物件(t=1,2,・・・,T;T≧1)についての予測価格qtsは、T番目までの類似物件全体の類似度の総和に対する当該t番目の類似物件の類似度の割合に対応する重みをつけて足し合わされる。
Figure 2016136056
既に述べたように、上記では代表して類似物件の価格に基づく価格の予測について説明したが、類似取引の価格に基づく価格の予測も同様に実施することが可能である。この場合、情報抽出部3305が、第1の取引の類似取引を第2の取引として抽出し、取引結果予測部3307が、第2の取引における成約価格に基づいて第1の取引の価格を予測する。ここで、抽出される第2の取引は、同じ物件について発生した複数の取引を含んでもよい。また、第1の取引の対象になる不動産物件について過去に発生した取引が、第2の取引として抽出されてもよい。
上記のような類似取引の価格に基づく価格の予測において、第1の取引は、現在進行中の取引、すなわち未成立の取引でありうる。このような未成立の取引の特徴量は、例えば既に売出しが開始されていれば売出しデータ3103から抽出される。あるいは、第1の取引の特徴量を別途ユーザが入力したり(例えば希望する成約時期、売出し理由など)自動設定したりすることによって、まだ開始されていない仮想的な取引について価格を予測することも可能である。
これとは逆に、既に成立している取引を第1の取引として価格の予測を実施し、その結果を機械学習部3303によるパラメータの学習に利用することもできる。より具体的には、例えば、取引データ3105から1件の取引を抽出し、成約価格pをマスクした上で第1の取引として扱ってもよい。この場合に、情報抽出部3305によって抽出された類似取引(第2の取引)の価格に基づいて取引結果予測部3307が予測した第1の取引における不動産物件の価格をqとする。この場合、機械学習部3303が、例えば以下の式6で示される予測価格qと実際の成約価格pとの誤差Eが最小化されるように各種のパラメータ(例えば、式1で説明した類似度算出のための重みパラメータwや、式4で説明した補正のための重みパラメータr)を決定することができる。このようなパラメータ決定のための学習は、例えば勾配法などの各種の手法を利用して実施することが可能である。
Figure 2016136056
(5.取引期間予測処理)
次に、本実施形態において、サーバ300の処理部330に含まれる取引結果予測部3307によって実施される不動産物件の取引期間予測処理について、さらに説明する。
取引期間の予測に先立って、情報抽出部3305が、取引特徴量データ3111に基づいて、予測対象の第1の不動産物件を対象として発生する第1の取引の類似取引(第2の取引)を抽出する。価格の予測の場合と同様に、第2の取引の抽出は、取引期間の予測を実行するときに実施されてもよいし、前もって実施されていてもよい。取引結果予測部3307は、第2の取引の取引期間に基づいて第1の取引の取引期間を予測する。ここで、取引結果予測部3307は、第2の取引の取引期間に基づいて第1の取引期間を予測するにあたり、情報抽出部3305によって抽出された取引の特徴量ベクトルに、いくつかの要素を追加してもよい。
例えば、取引結果予測部3307は、売出し価格と成約価格との差分(面積あたり)を、特徴量ベクトルの要素に追加する。既に成立した第2の取引については、例えば取引履歴データ3105から抽出された情報によって、売出し価格と成約価格とが特定可能である。一方、第1の取引については、取引結果予測部3307が上述した類似物件または類似取引の価格に基づく価格予測処理によって予測した価格が、成約価格として扱われる。第1の取引の売出し価格は、例えば既に売出しが開始されていれば売出しデータ3103から抽出される。あるいは、売出し希望価格を別途ユーザが入力することによって、任意の売出し価格の場合について取引期間を予測することが可能であってもよい。
また、例えば、取引結果予測部3307は、並行して売り出されている不動産物件の数を、特徴量ベクトルの要素に追加する。既に成立した第2の取引については、例えば取引履歴データ3105において取引期間が重複している他の取引をカウントすることによって、並行して売り出されていた不動産物件の数を特定可能である。一方、第1の取引については、売出しデータ3103において現在売出し中の他の不動産物件をカウントすることによって、並行して売り出されている不動産物件の数を特定可能である。なお、扱われる不動産物件の種類や地域が幅広い場合には、並行して売り出されている不動産物件が、所在地が対象物件(第1の不動産物件または第2の不動産物件)に近接しているものや、特徴量が対象物件に類似しているものに限定されうる。
取引期間の予測においても、取引結果予測部3307は、第1の取引の特徴量と第2の取引の特徴量との差分に基づいて、予測された取引期間を補正する。取引期間の補正は、例えば上記で式3および式4を参照して説明した予測価格の補正と同様に実施される。なお、上記の通り、本実施形態における取引期間の予測では、売出し価格と成約価格との差分や、並行して売り出されている不動産物件の数が、取引期間の変動に関係が深い要因として特徴量ベクトルに追加されている。従って、補正のための重みパラメータ(式4におけるパラメータr)は、これらの要因に対応するベクトルの元について、特に大きい値が設定されうる。また、取引期間についても、式5に示した例と同様に各類似取引の取引期間を類似度関数に基づいて重みを設定した上で足し合わせることによって、最終的な予測結果が算出されうる。既に成立している取引を第1の取引として取引期間の予測を実施し、その結果を機械学習部3303によるパラメータの学習に利用することが可能である点も、価格の予測と同様である。
(6.予測精度の算出処理)
次に、本実施形態において、サーバ300の処理部330に含まれる取引結果予測部3307によって実施される不動産物件の価格や取引期間の予測精度の算出処理について、さらに説明する。
既に説明したように、取引結果予測部3307は、既に成立している取引を第1の取引として価格や取引期間の予測を実施することで、予測結果と実際の結果との誤差を算出することが可能である。これを利用して、取引結果予測部3307は、予測結果の信頼幅を算出することができる。より具体的には、例えば、価格予測の場合、実際の成約価格pおよび予測価格qから以下の式7に示すように誤差率Erを算出することができる。なお、以下の例では価格の場合について説明するが、期間についても同様に予測精度(信頼幅)の算出が可能である。
Figure 2016136056
例えば、それぞれの取引(i=1,2,・・・,N)について算出された誤差率Erをプラスのものとマイナスのものとに分け、それぞれについて誤差率Erの絶対値が小さい順で上位70%点に対応する誤差率Erを信頼幅率(正の信頼幅率r、負の信頼幅率r)とすることができる。取引結果予測部3307は、例えば現在進行中の取引(第1の取引)における不動産物件(第1の不動産物件)の価格を予測した場合に、予測価格qに対する信頼幅を、プラス側q・r、マイナス側q・(−r)として算出することができる。
ここで、信頼幅率r,rは、例えば取引履歴データ3105に含まれる取引全体を対象として、予め機械学習部3303によって算出されていてもよい。この場合、信頼幅率r,rは、その時点でのシステム全体での予測の信頼性を示す。あるいは、信頼幅率r,rは、物件価格や取引期間の予測にあたり、情報抽出部3305によって対象になるは第1の取引について抽出された類似取引(第2の取引)を対象として、取引結果予測部3307によって算出されてもよい。この場合、信頼幅率r,rは、予測にあたって利用される、ある程度類似した取引群の中での予測の信頼性を示す。
さらに、価格や取引期間を予測する際に抽出された類似物件や類似取引の類似度に応じて、信頼幅率が分類されてもよい。価格や取引期間の予測にあたって抽出された類似物件や類似取引の類似度や数は、予測の信頼度に影響すると考えられる。例えば、類似度の高い類似物件や類似取引が数多く抽出された場合、予測の信頼度は高くなりうる。逆に、類似度の低い類似物件や類似取引が数少なく抽出された場合、予測の信頼度は低くなりうる。そこで、例えば機械学習部3303は、それぞれの取引について誤差率Erを算出するにあたり、予測に利用された類似物件や類似取引の類似度総和Rを以下の式8によって算出し、類似度総和Rの範囲ごとに信頼幅率r,rを算出してもよい。なお、類似度関数F(X,X)は、例えば式2において定義されたものと同様でありうる。
Figure 2016136056
この場合、取引結果予測部3307は、予測の対象になる第1の取引について抽出された類似物件または類似取引の信頼度総和Rがどの範囲に含まれるかを特定し、当該範囲に対応して算出された信頼幅率r,rを用いて、予測価格qに対する信頼幅q・r,q・(−r)を算出する。
なお、本実施形態において予測の信頼幅を算出する方法は、上記の例には限られない。例えば、物件データ3101において同じアパートメント名に関連付けられた他の物件についての取引履歴が存在するか否か、つまり、同じアパートメントで既に取引が成立した例があるか否かに応じて信頼幅が算出されてもよい。この場合、既に取引が成立した例がある場合には信頼幅率が狭められ、信頼性が高いことが表現されてもよい。
(7.特徴量ベクトルの元の二値化)
以上の説明では、本実施形態において情報抽出部3305や取引結果予測部3307の処理で利用される特徴量ベクトルXのk番目の元xkiが、スカラーであってもよいし、2次元以上のベクトルであってもよいものとして説明された。この場合、特徴量ベクトルの類似度の算出や、特徴量ベクトルの差分に基づく予測値の補正では、元同士の間のユークリッド距離d(xki,xkj)が算出された。
しかしながら、物件データ3101をはじめとする各種データについて説明したように、本実施形態で利用される特徴量ベクトルの元は、必ずしも本来的には数値で表現されない情報を含みうる。例えば物件データ3101の場合、敷地面積や床面積、建築時期などは本来的に数値で表現される情報であるが、物件種類や設備、開口部の方位などは本来的に数値で表現される情報ではない。
ここで、上記で特徴量生成部3301について説明したように、例えば方位の項目に“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で、数値として扱うことが可能である。しかしながら、特徴量ベクトルの元xkiがこのような区分値のような数値である場合、元同士の間のユークリッド距離d(xki,xkj)が必ずしも物件や取引の間の類似度を適切に表現しているとはいえない。例えば上記の方位の例の場合、“東”と“西”との間の距離と、“南”と“北”との間の距離とは等しくなるが、このような扱いが適切ではない場合もありうる。
また、本来的に数値で表現される情報の場合であっても、元同士の間のユークリッド距離d(xki,xkj)、元がスカラーである場合には数値の差分が、一様に物件または取引の類似性に影響を及ぼすとは限らない。例えば、敷地面積が40mの場合と70mの場合の差分と、敷地面積が540mの場合と570mの差分とは、いずれも30mであるが、それぞれの場合においてその差分が物件の類似性に及ぼす影響は異なる可能性がある。
そこで、本実施形態では、例えば特徴量生成部3301が各種のデータに基づいて生成する特徴量ベクトルにおいて、元を排他的な二値ベクトルとして表現してもよい。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。
また、数値の場合、既に述べたように、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ことが可能である。この場合、例えば、上記の敷地面積の例で、敷地面積に10m幅のビンを設定した場合、敷地面積が40mの場合にはベクトルの4番目の元が1、敷地面積が570mの場合には57番目の元が1で、残りの元が0になるようなベクトルが得られる。ベクトルの次元が際限なく大きくならないように、最大値(例えば、1000m以上は同じビン)や最小値が設定されてもよい。
上記のように元が二値化された特徴量ベクトルが生成される場合、式1を参照して説明した特徴量ベクトルの間の距離関数は、例えば以下の式9に示すように書き換えられる。なお、m(ki),m(kj)は、特徴量ベクトルX,Xのk番目の元のベクトルで、1である(フラグが立っている)元の番号であり、m(ki),m(kj)∈1,2,・・・,M(Mはk番目の元のベクトルの次元)である。
Figure 2016136056
この場合、k番目の元ベクトルの次元Mは有限であるため、例えばm,m∈1,2,・・・,Mのそれぞれの組み合わせ(通り)について、重みパラメータw(m,m)を学習することが可能である。これによって、例えば区分値の場合には、それぞれの区分値がどのように物件や取引の間の類似度に影響を及ぼすかを事後的に重みパラメータw(m,m)によって表現することができる。つまり、上記の方位の例でいえば、東の場合(1,0,0,0)と西の場合(0,0,1,0)とで物件や取引の類似度がどう違うか(東と西との違いがどのぐらいの距離にあたるか)は、実際の取引における成約価格の相違などに基づいて学習される重みパラメータw(1,3)によって表現される。
また、例えば数値の場合には、数値そのものの範囲によって差分が類似度に及ぼす影響の変化を、重みパラメータw(m,m)によって表現することができる。つまり、上記の敷地面積の例でいえば、40mと70mとの差による類似度への影響を重みパラメータw(4,7)によって、540mと570mとの差による類似度への影響を重みパラメータw(54,57)によって、それぞれ個別に表現することができる。例えば、重みパラメータw(4,7)には、比較的狭い敷地面積の物件の取引における成約価格の相違が反映され、30mの差分が類似度に大きな影響を与えることが表現されうる。一方、重みパラメータw(54,57)には、比較的広い敷地面積の物件の取引における成約価格の相違が反映され、30m程度の差分では類似度にさほど影響しないことが表現されうる。
また、上記のように元が二値化された特徴量ベクトルが生成される場合、式4を参照して説明した特徴量ベクトルの間の補正関数は、例えば、以下の式10に示すように書き換えられる。なお、m(ki),m(kj)は、上記の式9と同様に定義される。
Figure 2016136056
式9に示した類似度の場合と同様に、k番目の元ベクトルの次元Mが有限であるため、例えばm,m∈1,2,・・・,Mのそれぞれの組み合わせ(通り)について、重みパラメータr(m,m)を学習することが可能である。重みパラメータr(m,m)によって、例えば、区分値やビンに区分された数値に応じてどの程度予測結果を補正するべきかを、学習の結果に基づいて表現することができる。
(8.提示される情報の例)
以下では、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、以下の説明ではアパートメントの売却を検討するにあたって提示される情報の例が説明されるが、アパートメント以外の、例えば独立した建物や土地の売却を検討するにあたっても同様に情報が提示されうる。また、物件の購入を検討するにあたっても同様の情報を提示することが可能である。
図4は、本開示の一実施形態において表示される物件情報入力画面の例を示す図である。図示された例では、画面1100に、住所1101、アパートメント名1102、部屋番号1103、および最寄り駅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、例えばアパートメント名1102に入力されたアパートメント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や最寄り駅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や最寄り駅1104などが、リストとして表示されてもよい。
図5は、本開示の一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、例えば上記の物件情報入力画面で入力された情報を含む物件の詳細情報1201(より具体的には、住所、アパートメント名、部屋番号、間取り、住居面積、方位、築年、最寄り駅、オーナー種類、売却理由、リノベーション履歴)と、希望売出し価格1202とが表示されている。これらの情報は、例えば、ユーザの入力や、ユーザが入力した情報に基づく物件データ3101などの検索結果に基づいて表示される。さらに、画面1200には、売却の取引について取引結果予測部3307が実施した予測の結果1203として、価格(成約価格)1204と、取引期間1205とが表示される。図示された例において、価格1204および取引期間1205は、代表値(予測された価格および取引期間)と、その前後の変動区間とによって表示されている。変動区間は、例えば、取引結果予測部3307によって算出された予測された価格又は取引期間の信頼幅に基づいて表示されうる。
上記の例において、例えば、詳細情報1201や希望売出し価格1202は、ユーザの直接的な入力やリストからの選択によって随時変更可能でありうる。これらの情報が変更された場合、例えば情報抽出部3305および取引結果予測部3307は価格および取引期間の予測を再実行し、価格1204および取引期間1205として表示される予測結果を更新する。
さらに、図示された例において、画面1200には、価格や取引期間の予測に用いられた類似物件情報1206が表示されてもよい。図示された例では、類似物件情報1206−1,1206−2が表示されている。それぞれの類似物件情報1206には、物件名、物件の写真、売出し価格、売出し日、成約価格、および成約日が含まれている。このような情報は、例えば、取引履歴データ3105および物件データ3101から抽出されうる。類似物件情報1206が表示されることによって、ユーザは、価格1204や取引期間1205の予測の根拠を把握することができる。
図6は、本開示の一実施形態において表示される物件比較画面の例を示す図である。図示された例では、画面1300に、上記の画面1200と同様の物件(ユーザが売却しようとしている物件)の詳細情報1201と、比較対象の物件の詳細情報1301とが表示される。比較対象の物件の詳細情報1301は、例えば、詳細情報1201と共通の項目を含む。詳細情報1301は、物件データ3101や取引履歴データ3105に基づいて表示される。なお、比較対象の物件が過去の取引結果に基づいて抽出されている場合、詳細情報1301は、過去の取引の時点での情報でありうる。
例えば、物件比較のための画面1300は、上記の画面1200において、価格や取引期間の予測に用いられた類似物件情報1206のいずれかを選択することによって表示される(図示された例では、類似物件情報1206−1が選択されている)。さらに、画面1300には、比較対象の物件の価格または取引期間と予測された価格または取引期間との差の原因になっている項目について、比較情報1302が表示されてもよい。図示された例では、比較対象の物件に比べて階数が低いために予測が下方修正(価格は低く、取引期間は長く修正)されていることを示す不利点情報1302−1と、比較対象の物件に比べて築年が新しいために予測価格が上方修正(価格は高く、取引期間は短く修正)されていることを示す利点情報1302−2とが表示されている。なお、このような比較情報1302は、例えば式4または式10を参照して説明した予測結果の補正において、補正のための重みパラメータrが最大または最小であった特徴量ベクトルの元に対応する項目について表示されうる。
図7は、本開示の一実施形態において表示されるリノベーション提案画面の例を示す図である。図示された例では、画面1400に、上記の画面1200と同様の物件の詳細情報1201と、希望売出し価格1202と、予測の結果1203とが表示されている。さらに、画面1400には、リノベーション提案1401が表示される。リノベーション提案1401は、例えば、リノベーションをした場合の予測価格の変化1402−1と、予測取引期間の変化1402−2とを含む。
図示された例において、情報抽出部3305および取引結果予測部3307は、例えば詳細情報1201や希望売出し価格1202が変更された場合と同様に、売出し対象の物件についてリノベーションが実施された場合の物件特徴量を仮想的に設定することによって、リノベーションが実施された場合の予測価格1204および予測取引期間1205を算出することができる。例えば、情報提示部3309は、そのようにして予測されたリノベーション実施仮定時の予測価格のうち最も高いものについて、リノベーションの内容とともにリノベーション提案1401を生成してユーザに提示させる。
なお、情報抽出部3305、取引結果予測部3307、および情報提示部3309は、リノベーションに限らず他の項目についても、同様に物件または取引の特徴量の一部を一時的に差し替えることによって予測価格や予測取引期間の変動をシミュレートし、情報提示部3309は、取引結果を改善するために効果的な方策をユーザに提案してもよい。より具体的には、例えば、物件の売出しのための広告にかける費用を仮定して予測価格や予測取引期間の変動が算出され、例えば広告費用の増額が効果的であると推定される場合には、それをユーザに提案してもよい。また、次の例で説明されるように、売出し時期を調整することが提案されてもよい。
図8は、本開示の一実施形態において表示される将来予測画面の例を示す図である。図示された例では、画面1500に、上記の画面1200と同様の物件の詳細情報1201と、希望売出し価格1202とが表示されている。さらに、画面1500には、予測の結果1501として、画面1200と同様の予測価格1204および予測取引期間1205に加えて、将来の予測価格1502と、将来の予測取引期間1503とが表示される。なお、図示された例において、将来の予測価格1502および将来の予測取引期間1503とは表形式で表示されているが、予測価格1204や予測取引期間1205と同様に、代表値とその前後の変動区間とによって表示されてもよい。
物件の売出しが将来に実行された場合における価格や取引期間の予測は、例えば現時点における予測と同様に実行可能でありうる。このとき、例えば、現時点において売出し中の他の物件の取引が、当該他の物件の売出しが予測された取引期間で終了した(成約した)と仮定して予測が実行されてもよい。つまり、例えば、2015年2月1日の時点(現時点)において売出し中の他の物件の売出し開始が2014年12月15日であり、当該他の物件について予測された取引期間が60日である場合、2015年3月1日の時点(将来の時点)で予測を実行するにあたり、当該他の物件は既に売却が完了している(並行して売り出されている物件にはならない)ものとして予測が実行されてもよい。
上記のように将来の時点で売出しを開始した場合の価格や取引期間を予測することによって、例えば、上記のリノベーション提案1401と同様にして、並行して売り出されている物件が少なくなる将来の時点まで、売出しの開始を待つことが提案されてもよい。
なお、上記で説明した一実施形態に係るシステム10では、不動産物件を売り出すユーザを対象にした価格や取引期間の予測を利用した情報が提供されたが、本開示の実施形態はこのような例には限られない。例えば、不動産物件を購入しようとするユーザについて、同様の情報を提供するためのシステムが提供されてもよい。この場合、既に売出されている物件について、成約価格が予測されてもよい。あるいは、まだ売出されていない物件について、仮に売り出された場合の売出し価格又は成約価格が予測されてもよい。
(9.ハードウェア構成)
次に、図9を参照して、本開示の実施形態に係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9は、本開示の実施形態に係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。
(10.補足)
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、本開示の技術的範囲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、以下のような構成も本開示の技術的範囲に属する。
(1)不動産物件または不動産物件を対象とする取引の特徴量に基づいて、第1の不動産物件または該第1の不動産物件を対象として発生する第1の取引に類似する第2の不動産物件または第2の取引に関する情報を抽出する情報抽出部と、
前記抽出された情報に基づいて、前記第1の取引において前記第1の不動産物件に関連付けられる第1の価格を含む取引結果を予測する取引結果予測部と
を備える情報処理装置。
(2)前記抽出される情報は、前記第2の不動産物件または前記第2の取引に関連付けられた第2の価格の情報を含み、
前記取引結果予測部は、前記第2の価格に基づいて前記第1の価格を予測する、前記(1)に記載の情報処理装置。
(3)前記取引結果予測部は、前記第2の価格を前記第2の不動産物件または前記第2の取引と前記第1の不動産物件または前記第1の取引との間の前記特徴量の差分に応じて補正することによって前記第1の価格を予測する、前記(2)に記載の情報処理装置。
(4)前記第2の価格は、前記第2の不動産物件の売出し価格または前記第2の取引の成約価格を含む、前記(2)または(3)に記載の情報処理装置。
(5)前記抽出される情報は、前記第2の不動産物件または前記第2の取引に関連付けられた第2の期間の情報を含み、
前記取引結果予測部は、前記第1の取引において前記第1の不動産物件に関連付けられる第1の期間をさらに含む前記取引結果を予測する、前記(1)〜(4)のいずれか1項に記載の情報処理装置。
(6)前記取引結果予測部は、前記第1の期間を前記第2の不動産物件または前記第2の取引と前記第1の不動産物件または前記第1の取引との間の前記特徴量の差分に応じて補正することによって前記第1の期間を予測する、前記(5)に記載の情報処理装置。
(7)前記特徴量は、前記第1の取引における前記第1の不動産物件の売出し価格と前記取引結果予測部によって予測された前記第1の価格との差分、および前記第2の取引における前記第2の不動産物件の売出し価格と成約価格との差分に対応する特徴量を含む、前記(6)に記載の情報処理装置。
(8)前記特徴量は、前記第1の取引において並行して売り出されている他の不動産物件の数、および前記第2の取引において並行して売り出されていた他の不動産物件の数に対応する特徴量を含む、前記(6)または(7)に記載の情報処理装置。
(9)前記取引結果予測部は、前記取引結果の予測精度を算出する、前記(1)〜(8)のいずれか1項に記載の情報処理装置。
(10)前記予測精度は、前記第1の価格に対する信頼幅を含む、前記(9)に記載の情報処理装置。
(11)前記取引結果は、前記第1の取引において前記第1の不動産物件に関連付けられる第1の期間をさらに含み、
前記予測精度は、前記第1の期間に対する信頼幅を含む、前記(9)または(10)に記載の情報処理装置。
(12)前記取引結果予測部は、前記第2の不動産物件または前記第2の取引の前記第1の不動産物件または前記第1の取引に対する類似度ごとに前記予測精度を算出する、前記(9)〜(11)のいずれか1項に記載の情報処理装置。
(13)前記第1の取引は未成立の取引であり、
前記第2の取引は既に成立した取引であり、
前記取引結果予測部は、前記第1の取引において未知の前記取引結果を予測する、前記(1)〜(12)のいずれか1項に記載の情報処理装置。
(14)前記第1の取引および前記第2の取引は既に成立した取引であり、
前記情報処理装置は、前記取引結果予測部によって予測された前記取引結果と前記第1の取引における実際の取引結果との差分に基づいて、前記情報抽出部または前記取引結果予測部によって用いられるパラメータを特定するパラメータ特定部をさらに備える、前記(1)〜(12)のいずれか1項に記載の情報処理装置。
(15)前記パラメータ特定部は、前記情報抽出部が、前記第2の不動産物件または前記第2の取引が前記第1の不動産物件または前記第1の取引に類似するか否かを判定するためのパラメータを特定する、前記(14)に記載の情報処理装置。
(16)前記パラメータ特定部は、前記取引結果予測部が前記取引結果の予測のために前記第2の不動産物件または前記第2の取引に関する価格または期間を補正するためのパラメータを特定する、前記(14)または(15)に記載の情報処理装置。
(17)前記情報抽出部は、前記第1の不動産物件または前記第1の取引の特徴量の一部を一時的に差し替えた上で前記第2の不動産物件または前記第2の取引に関する情報を抽出し、
前記情報処理装置は、前記特徴量の一部を差し替えた上で予測された前記取引結果を含む情報を、前記第1の取引において前記取引結果を改善するための提案として提示する情報提示部をさらに備える、前記(1)〜(16)のいずれか1項に記載の情報処理装置。
(18)前記特徴量の一部の差し替えは、前記第1の不動産物件のリノベーション、広告費用の変更、または前記第1の取引における売出し時期の変更を含む、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を対象とする取引の特徴量に基づいて、第1の不動産物件または該第1の不動産物件を対象として発生する第1の取引に類似する第2の不動産物件または第2の取引に関する情報を抽出することと、
前記抽出された情報に基づいて、前記第1の取引において前記第1の不動産物件に関連付けられる第1の価格を含む取引結果を予測することと
を含む情報処理方法。
(20)不動産物件または不動産物件を対象とする取引の特徴量に基づいて、第1の不動産物件または該第1の不動産物件を対象として発生する第1の取引に類似する第2の不動産物件または第2の取引に関する情報を抽出する機能と、
前記抽出された情報に基づいて、前記第1の取引において前記第1の不動産物件に関連付けられる第1の価格を含む取引結果を予測する機能と
をコンピュータに実現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 物件特徴量データ
3111 取引特徴量データ
3113 パラメータデータ
320 通信部
330 処理部
3301 特徴量生成部
3303 機械学習部
3305 情報抽出部
3307 取引結果予測部
3309 情報提示部

Claims (20)

  1. 不動産物件または不動産物件を対象とする取引の特徴量に基づいて、第1の不動産物件または該第1の不動産物件を対象として発生する第1の取引に類似する第2の不動産物件または第2の取引に関する情報を抽出する情報抽出部と、
    前記抽出された情報に基づいて、前記第1の取引において前記第1の不動産物件に関連付けられる第1の価格を含む取引結果を予測する取引結果予測部と
    を備える情報処理装置。
  2. 前記抽出される情報は、前記第2の不動産物件または前記第2の取引に関連付けられた第2の価格の情報を含み、
    前記取引結果予測部は、前記第2の価格に基づいて前記第1の価格を予測する、請求項1に記載の情報処理装置。
  3. 前記取引結果予測部は、前記第2の価格を前記第2の不動産物件または前記第2の取引と前記第1の不動産物件または前記第1の取引との間の前記特徴量の差分に応じて補正することによって前記第1の価格を予測する、請求項2に記載の情報処理装置。
  4. 前記第2の価格は、前記第2の不動産物件の売出し価格または前記第2の取引の成約価格を含む、請求項2に記載の情報処理装置。
  5. 前記抽出される情報は、前記第2の不動産物件または前記第2の取引に関連付けられた第2の期間の情報を含み、
    前記取引結果予測部は、前記第1の取引において前記第1の不動産物件に関連付けられる第1の期間をさらに含む前記取引結果を予測する、請求項1に記載の情報処理装置。
  6. 前記取引結果予測部は、前記第1の期間を前記第2の不動産物件または前記第2の取引と前記第1の不動産物件または前記第1の取引との間の前記特徴量の差分に応じて補正することによって前記第1の期間を予測する、請求項5に記載の情報処理装置。
  7. 前記特徴量は、前記第1の取引における前記第1の不動産物件の売出し価格と前記取引結果予測部によって予測された前記第1の価格との差分、および前記第2の取引における前記第2の不動産物件の売出し価格と成約価格との差分に対応する特徴量を含む、請求項6に記載の情報処理装置。
  8. 前記特徴量は、前記第1の取引において並行して売り出されている他の不動産物件の数、および前記第2の取引において並行して売り出されていた他の不動産物件の数に対応する特徴量を含む、請求項6に記載の情報処理装置。
  9. 前記取引結果予測部は、前記取引結果の予測精度を算出する、請求項1に記載の情報処理装置。
  10. 前記予測精度は、前記第1の価格に対する信頼幅を含む、請求項9に記載の情報処理装置。
  11. 前記取引結果は、前記第1の取引において前記第1の不動産物件に関連付けられる第1の期間をさらに含み、
    前記予測精度は、前記第1の期間に対する信頼幅を含む、請求項9に記載の情報処理装置。
  12. 前記取引結果予測部は、前記第2の不動産物件または前記第2の取引の前記第1の不動産物件または前記第1の取引に対する類似度ごとに前記予測精度を算出する、請求項9に記載の情報処理装置。
  13. 前記第1の取引は未成立の取引であり、
    前記第2の取引は既に成立した取引であり、
    前記取引結果予測部は、前記第1の取引において未知の前記取引結果を予測する、請求項1に記載の情報処理装置。
  14. 前記第1の取引および前記第2の取引は既に成立した取引であり、
    前記情報処理装置は、前記取引結果予測部によって予測された前記取引結果と前記第1の取引における実際の取引結果との差分に基づいて、前記情報抽出部または前記取引結果予測部によって用いられるパラメータを特定するパラメータ特定部をさらに備える、請求項1に記載の情報処理装置。
  15. 前記パラメータ特定部は、前記情報抽出部が、前記第2の不動産物件または前記第2の取引が前記第1の不動産物件または前記第1の取引に類似するか否かを判定するためのパラメータを特定する、請求項14に記載の情報処理装置。
  16. 前記パラメータ特定部は、前記取引結果予測部が前記取引結果の予測のために前記第2の不動産物件または前記第2の取引に関する価格または期間を補正するためのパラメータを特定する、請求項14に記載の情報処理装置。
  17. 前記情報抽出部は、前記第1の不動産物件または前記第1の取引の特徴量の一部を一時的に差し替えた上で前記第2の不動産物件または前記第2の取引に関する情報を抽出し、
    前記情報処理装置は、前記特徴量の一部を差し替えた上で予測された前記取引結果を含む情報を、前記第1の取引において前記取引結果を改善するための提案として提示する情報提示部をさらに備える、請求項1に記載の情報処理装置。
  18. 前記特徴量の一部の差し替えは、前記第1の不動産物件のリノベーション、広告費用の変更、または前記第1の取引における売出し時期の変更を含む、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を対象とする取引の特徴量に基づいて、第1の不動産物件または該第1の不動産物件を対象として発生する第1の取引に類似する第2の不動産物件または第2の取引に関する情報を抽出することと、
    前記抽出された情報に基づいて、前記第1の取引において前記第1の不動産物件に関連付けられる第1の価格を含む取引結果を予測することと
    を含む情報処理方法。
  20. 不動産物件または不動産物件を対象とする取引の特徴量に基づいて、第1の不動産物件または該第1の不動産物件を対象として発生する第1の取引に類似する第2の不動産物件または第2の取引に関する情報を抽出する機能と、
    前記抽出された情報に基づいて、前記第1の取引において前記第1の不動産物件に関連付けられる第1の価格を含む取引結果を予測する機能と
    をコンピュータに実現させるためのプログラム。
JP2017501848A 2015-02-27 2015-11-24 情報処理装置、情報処理方法およびプログラム Active JP6693502B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020073056A JP6919743B2 (ja) 2015-02-27 2020-04-15 情報処理装置、情報処理方法およびプログラム

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2015038208 2015-02-27
JP2015038208 2015-02-27
PCT/JP2015/082832 WO2016136056A1 (ja) 2015-02-27 2015-11-24 情報処理装置、情報処理方法およびプログラム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2020073056A Division JP6919743B2 (ja) 2015-02-27 2020-04-15 情報処理装置、情報処理方法およびプログラム

Publications (2)

Publication Number Publication Date
JPWO2016136056A1 true JPWO2016136056A1 (ja) 2017-11-30
JP6693502B2 JP6693502B2 (ja) 2020-05-13

Family

ID=56788390

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2017501848A Active JP6693502B2 (ja) 2015-02-27 2015-11-24 情報処理装置、情報処理方法およびプログラム
JP2020073056A Active JP6919743B2 (ja) 2015-02-27 2020-04-15 情報処理装置、情報処理方法およびプログラム

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2020073056A Active JP6919743B2 (ja) 2015-02-27 2020-04-15 情報処理装置、情報処理方法およびプログラム

Country Status (5)

Country Link
US (1) US20170357984A1 (ja)
EP (1) EP3267390A4 (ja)
JP (2) JP6693502B2 (ja)
CN (1) CN107251082A (ja)
WO (1) WO2016136056A1 (ja)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170220950A1 (en) * 2016-01-29 2017-08-03 International Business Machines Corporation Numerical expression analysis
WO2019050934A1 (en) * 2017-09-05 2019-03-14 Drilling Info, Inc. SURFACE CARD GENERATION USING INDIRECT INFORMATION SOURCES
JP6535726B1 (ja) * 2017-12-26 2019-06-26 株式会社Dgコミュニケーションズ 住替え支援システム
US20190197102A1 (en) * 2017-12-27 2019-06-27 Paypal, Inc. Predictive Contextual Messages
CA3098670A1 (en) 2018-05-06 2019-11-14 Strong Force TX Portfolio 2018, LLC Methods and systems for improving machines and systems that automate execution of distributed ledger and other transactions in spot and forward markets for energy, compute, storage and other resources
US11550299B2 (en) 2020-02-03 2023-01-10 Strong Force TX Portfolio 2018, LLC Automated robotic process selection and configuration
US11544782B2 (en) 2018-05-06 2023-01-03 Strong Force TX Portfolio 2018, LLC System and method of a smart contract and distributed ledger platform with blockchain custody service
US11669914B2 (en) 2018-05-06 2023-06-06 Strong Force TX Portfolio 2018, LLC Adaptive intelligence and shared infrastructure lending transaction enablement platform responsive to crowd sourced information
CN109389530A (zh) * 2018-09-27 2019-02-26 智庭(北京)智能科技有限公司 一种基于ffm算法的房屋租金预测方法
JPWO2020110274A1 (ja) * 2018-11-29 2021-09-27 株式会社ワンダラス 売却価格予測装置
WO2020121542A1 (ja) * 2018-12-12 2020-06-18 株式会社ワンダラス 売却価格予測装置
CN109377291A (zh) * 2018-12-19 2019-02-22 拉扎斯网络科技(上海)有限公司 任务价格预测方法、装置、电子设备及计算机存储介质
CN109857816B (zh) * 2019-01-11 2024-05-28 平安科技(深圳)有限公司 测试样本的选取方法及装置、存储介质、电子设备
US20200402116A1 (en) * 2019-06-19 2020-12-24 Reali Inc. System, method, computer program product or platform for efficient real estate value estimation and/or optimization
KR102149683B1 (ko) * 2019-12-31 2020-08-31 노승철 부동산 매매소요기간 예측 방법 및 그 장치
US11982993B2 (en) 2020-02-03 2024-05-14 Strong Force TX Portfolio 2018, LLC AI solution selection for an automated robotic process
JP2022067050A (ja) * 2020-10-19 2022-05-02 Assest株式会社 建物修理費推定プログラム
JP7143483B1 (ja) 2021-06-18 2022-09-28 ヤフー株式会社 情報処理装置、情報処理方法および情報処理プログラム
US20230153931A1 (en) * 2021-11-18 2023-05-18 Cape Analytics, Inc. System and method for property score determination
WO2023114027A1 (en) 2021-12-16 2023-06-22 Cape Analytics, Inc. System and method for change analysis
US20230196485A1 (en) * 2021-12-16 2023-06-22 Avr Holding Llc After-repair value ("arv") estimator for real estate properties
KR102502901B1 (ko) * 2022-06-16 2023-02-23 주식회사 뱅크파트너 부동산 담보 대출 시스템
JP7489652B1 (ja) 2023-11-21 2024-05-24 株式会社コラビット プログラム、方法、情報処理装置、システム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001117973A (ja) * 1999-10-20 2001-04-27 Recruit Co Ltd 不動産評価装置、不動産評価方法、不動産評価プログラムを格納する記録媒体および不動産情報提供システム
JP2001256250A (ja) * 2000-03-10 2001-09-21 Ai Frontier:Kk ホームページにおける提案型表示方式
JP2002133260A (ja) * 2000-10-20 2002-05-10 Fudosan Infomedia Kk 取引支援システム、取引情報処理装置、情報端末装置、取引支援方法、および、記録媒体
JP2009211324A (ja) * 2008-03-03 2009-09-17 Fudosan No Miki:Kk 不動産評価システム及び不動産評価方法
JP2013167973A (ja) * 2012-02-14 2013-08-29 Rakuten Inc 検索装置、検索方法、検索プログラム、及びそのプログラムを記憶するコンピュータ読取可能な記録媒体

Family Cites Families (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5636117A (en) * 1991-03-11 1997-06-03 Rothstein; Robert E. Method and apparatus for monitoring the strength of a real estate market or commodity market and making lending and insurance decisions therefrom
US6178406B1 (en) * 1995-08-25 2001-01-23 General Electric Company Method for estimating the value of real property
US6115694A (en) * 1995-08-25 2000-09-05 General Electric Company Method for validating specified prices on real property
US6842738B1 (en) * 1996-10-11 2005-01-11 Freddie Mac System and method for providing property value estimates
US6609118B1 (en) * 1999-06-21 2003-08-19 General Electric Company Methods and systems for automated property valuation
US7970718B2 (en) * 2001-05-18 2011-06-28 Health Discovery Corporation Method for feature selection and for evaluating features identified as significant for classifying data
US6871140B1 (en) * 2000-02-25 2005-03-22 Costar Group, Inc. System and method for collection, distribution, and use of information in connection with commercial real estate
US20010039506A1 (en) * 2000-04-04 2001-11-08 Robbins Michael L. Process for automated real estate valuation
JP2002015049A (ja) * 2000-06-30 2002-01-18 Microsh:Kk 不動産情報システム
US7624074B2 (en) * 2000-08-07 2009-11-24 Health Discovery Corporation Methods for feature selection in a learning machine
WO2002019216A2 (en) * 2000-08-28 2002-03-07 Isdi.Net, Llc Value your home
US6823320B1 (en) * 2000-08-28 2004-11-23 Marc Rubin Automated valuation system and method
US7702563B2 (en) * 2001-06-11 2010-04-20 Otc Online Partners Integrated electronic exchange of structured contracts with dynamic risk-based transaction permissioning
JP2003022314A (ja) * 2001-07-06 2003-01-24 Recruit Co Ltd 不動産価格関数推定方法、不動産価格関数推定装置、及び不動産価格関数推定プログラム
US7835919B1 (en) * 2001-08-10 2010-11-16 Freddie Mac Systems and methods for home value scoring
US7711574B1 (en) * 2001-08-10 2010-05-04 Federal Home Loan Mortgage Corporation (Freddie Mac) System and method for providing automated value estimates of properties as of a specified previous time period
US6876955B1 (en) * 2001-12-28 2005-04-05 Fannie Mae Method and apparatus for predicting and reporting a real estate value based on a weighted average of predicted values
JP2004246697A (ja) * 2003-02-14 2004-09-02 Itochu Property Development Ltd 住宅買い替え支援システム
US7212995B2 (en) * 2003-06-02 2007-05-01 Transunion L.L.C. Loan underwriting system and method
US20050171822A1 (en) * 2004-02-03 2005-08-04 First American Real Estate Solutions, L.P. Responsive confidence scoring method for a proposed valuation of aproperty
US20050288942A1 (en) * 2004-06-25 2005-12-29 First American Real Estate Solutions, L.P. Method and apparatus for valuing property
US7987124B1 (en) * 2004-08-20 2011-07-26 Fannie Mae Method of and system for evaluating an appraisal value associated with a loan
US20060085234A1 (en) * 2004-09-17 2006-04-20 First American Real Estate Solutions, L.P. Method and apparatus for constructing a forecast standard deviation for automated valuation modeling
US20060089842A1 (en) * 2004-10-22 2006-04-27 Medawar Cherif R System and method for finding, analyzing, controlling, timing and strategizing real estate investing online
US7765125B1 (en) * 2005-01-12 2010-07-27 Fannie Mae Trunk branch repeated transaction index for property valuation
US7729965B1 (en) * 2005-04-26 2010-06-01 Fannie Mae Collateral valuation confidence scoring system
US8386395B1 (en) * 2005-04-28 2013-02-26 Federal Home Loan Mortgage Corporation (Freddie Mac) Systems and methods for modifying a loan
US7970674B2 (en) * 2006-02-03 2011-06-28 Zillow, Inc. Automatically determining a current value for a real estate property, such as a home, that is tailored to input from a human user, such as its owner
US8676680B2 (en) * 2006-02-03 2014-03-18 Zillow, Inc. Automatically determining a current value for a home
US8515839B2 (en) * 2006-02-03 2013-08-20 Zillow, Inc. Automatically determining a current value for a real estate property, such as a home, that is tailored to input from a human user, such as its owner
WO2008055226A2 (en) * 2006-10-31 2008-05-08 Gwen Magrisso Appraisal evaluation and scoring system and method
US8065254B1 (en) * 2007-02-19 2011-11-22 Google Inc. Presenting a diversity of recommendations
US8650067B1 (en) * 2007-02-27 2014-02-11 Richard Moss Systems, methods, and computer program product for real estate value analysis
US8046306B2 (en) * 2007-06-29 2011-10-25 Zaio Corporation System, method, and apparatus for property appraisals
US8140421B1 (en) * 2008-01-09 2012-03-20 Zillow, Inc. Automatically determining a current value for a home
US20100312537A1 (en) * 2008-01-15 2010-12-09 Anwar Rayan Systems and methods for performing a screening process
US8583562B1 (en) * 2008-10-01 2013-11-12 RealAgile, Inc. Predicting real estate and other transactions
US8396870B2 (en) * 2009-06-25 2013-03-12 University Of Tennessee Research Foundation Method and apparatus for predicting object properties and events using similarity-based information retrieval and modeling
US8832115B2 (en) * 2010-12-20 2014-09-09 Quantarium, Llc Ranking real estate based on its value and other factors
US9449022B2 (en) * 2011-02-04 2016-09-20 Fannie Mae Ranking and displaying appraiser-chosen comparables against model-chosen comparables
US20120278243A1 (en) * 2011-04-29 2012-11-01 LPS IP Holding Company LLC Determination of Appraisal Accuracy
US20130290195A1 (en) * 2012-04-27 2013-10-31 Lps Ip Holding Company, Inc. Determination of appraisal accuracy
US20130144796A1 (en) * 2011-12-06 2013-06-06 Fannie Mae Assigning confidence values to automated property valuations by using the non-typical property characteristics of the properties
US8745019B2 (en) * 2012-03-05 2014-06-03 Microsoft Corporation Robust discovery of entity synonyms using query logs
US20130282596A1 (en) * 2012-04-24 2013-10-24 Corelogic Solutions, Llc Systems and methods for evaluating property valuations
US9846887B1 (en) * 2012-08-30 2017-12-19 Carnegie Mellon University Discovering neighborhood clusters and uses therefor
US20140358943A1 (en) * 2013-05-28 2014-12-04 n35t, Inc. Method and System for Determining Suitability and Desirability of a Prospective Residence for a User

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001117973A (ja) * 1999-10-20 2001-04-27 Recruit Co Ltd 不動産評価装置、不動産評価方法、不動産評価プログラムを格納する記録媒体および不動産情報提供システム
JP2001256250A (ja) * 2000-03-10 2001-09-21 Ai Frontier:Kk ホームページにおける提案型表示方式
JP2002133260A (ja) * 2000-10-20 2002-05-10 Fudosan Infomedia Kk 取引支援システム、取引情報処理装置、情報端末装置、取引支援方法、および、記録媒体
JP2009211324A (ja) * 2008-03-03 2009-09-17 Fudosan No Miki:Kk 不動産評価システム及び不動産評価方法
JP2013167973A (ja) * 2012-02-14 2013-08-29 Rakuten Inc 検索装置、検索方法、検索プログラム、及びそのプログラムを記憶するコンピュータ読取可能な記録媒体

Also Published As

Publication number Publication date
WO2016136056A1 (ja) 2016-09-01
JP6919743B2 (ja) 2021-08-18
EP3267390A4 (en) 2018-08-08
JP2020126670A (ja) 2020-08-20
US20170357984A1 (en) 2017-12-14
CN107251082A (zh) 2017-10-13
JP6693502B2 (ja) 2020-05-13
EP3267390A1 (en) 2018-01-10

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
US20240046388A1 (en) Data collection, storage, and processing system using one or more inputs
JP6828682B2 (ja) 情報処理装置、情報処理方法、およびプログラム
US10991248B2 (en) Parking identification and availability prediction
CN102063512B (zh) 虚拟地球
US11983203B1 (en) Systems and methods of establishing correlative relationships between geospatial data features in feature vectors representing property locations
CN104756149A (zh) 与位置相关的社交数据的真实世界视图
US20170031952A1 (en) Method and system for identifying a property for purchase using image processing
KR102103073B1 (ko) 노후주택 매매 플랫폼
WO2021203728A1 (zh) 一种展业区域的选址方法、装置、计算机设备和介质
US20210073930A1 (en) Commercial real estate evaluation, valuation, and recommendation
JPWO2016009682A1 (ja) 情報処理装置、情報処理方法およびプログラム
CN106663300A (zh) 信息处理装置、信息处理方法和程序
US20180075327A1 (en) Automated location based comparative market analysis
Amarsaikhan et al. Applications of remote sensing and geographic information systems for urban land-cover change studies in Mongolia
KR20220151136A (ko) 부동산 시세 추정 시스템 및 방법
Scheuer et al. A glimpse into the future of exposure and vulnerabilities in cities? Modelling of residential location choice of urban population with random forest
Saralioglu et al. Crowdsourcing-based application to solve the problem of insufficient training data in deep learning-based classification of satellite images
Powers et al. Lessons from the pacific ocean portal: building pacific island capacity to interpret, apply, and communicate ocean information
Dimopoulos et al. Comparative analysis of property taxation policies within Greece and Cyprus evaluating the use of GIS, CAMA, and remote sensing techniques
Aydinoglu et al. Comparing modelling performance and evaluating differences of feature importance on defined geographical appraisal zones for mass real estate appraisal
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
TW201909098A (zh) 資訊比對系統及方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20181004

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20190208

RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20190214

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20190222

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20190515

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20190522

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20191210

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200204

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

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200317

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200330

R151 Written notification of patent or utility model registration

Ref document number: 6693502

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151