WO2020121542A1 - 売却価格予測装置 - Google Patents

売却価格予測装置 Download PDF

Info

Publication number
WO2020121542A1
WO2020121542A1 PCT/JP2019/006715 JP2019006715W WO2020121542A1 WO 2020121542 A1 WO2020121542 A1 WO 2020121542A1 JP 2019006715 W JP2019006715 W JP 2019006715W WO 2020121542 A1 WO2020121542 A1 WO 2020121542A1
Authority
WO
WIPO (PCT)
Prior art keywords
house
information
sold
sale
price
Prior art date
Application number
PCT/JP2019/006715
Other languages
English (en)
French (fr)
Inventor
栄一 遠藤
Original Assignee
株式会社ワンダラス
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 株式会社ワンダラス filed Critical 株式会社ワンダラス
Priority to CN201980091381.XA priority Critical patent/CN113396438B/zh
Priority to JP2020559683A priority patent/JP7112772B2/ja
Publication of WO2020121542A1 publication Critical patent/WO2020121542A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/08—Auctions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate

Definitions

  • the financial institution When a mortgage loan application is made to a financial institution (for example, a bank), the financial institution will estimate the loan loss rate estimated from the applicant's attributes and the expected amount of debt collection by collateral sale when repayment is delayed. In consideration of the various conditions, the loan conditions such as whether or not to execute the loan, the loan amount, the loan interest rate, and the guarantee fee are determined.
  • the financial institution can sell the collateral property and use all or part of the sale amount for collection of the claim, so at the time/property where the arrears have not yet occurred Precisely predicting the amount of sale of the evaluation target house in the future is very important in determining whether or not a loan can be made and the loan conditions.
  • Patent Document 1 proposes a technique for calculating the asset value of a collateral vehicle based on auction history data when the collateral property of the financing by the financial institution is an automobile.
  • the present invention provides a selling price prediction device that accurately predicts a selling price of a house that is not yet sold for the purpose of collecting debts when it is supposed to be the target. With the goal.
  • One form of the sale price prediction device to be disclosed is a sale price in the real estate sale procedure of a sold home that has been subjected to a real estate sale procedure for debt collection, and an attribute that is the same as or similar to the sold home, and Learning information storage means for storing a plurality of sets of learning information including a location, an area, a selling price of a sold house traded in the market, and information characterizing the sold house or the sold house, and the set of learning Input/output relation when the sale price is the objective variable, and the information including the location, the area, the sale price, and the information characterizing the sold house or the sold house is the explanatory variable Is associated with the function approximator that has learned, based on the location, area, and sale price of one trial calculation target housing, and among the plurality of sets of learning information, the location or attribute of the one trial calculation target housing.
  • the one trial calculation target housing is subjected to the real estate sale procedure.
  • a selling price predicting means for calculating a predicted value of the selling price in an assumed case.
  • One form of the sale price prediction device to be disclosed is a sale price in the real estate sale procedure of a sold home that has been subjected to a real estate sale procedure for debt collection, and an attribute that is the same as or similar to the sold home, and For learning to store a plurality of sets of learning information including the location, the floor, the occupied area, the occupancy area, the direction of the main opening, the sale price, and the sale house or the information characterizing the sale house, which are traded in the market.
  • the disclosed sale price prediction device accurately predicts the sale price of a house that is not yet subject to sale for the purpose of debt collection, when it is assumed that it is the subject.
  • FIG. 1 is a diagram illustrating how the device 100 is related to peripheral devices
  • FIG. 2 is a functional block diagram of the device 100
  • 3 to 9 are diagrams for explaining each element of the device 100.
  • the present apparatus 100 predicts the sale price of a house that has not been subjected to the real estate sale procedure 210 for the purpose of debt collection yet if it is subjected to the real estate sale procedure 210 in the future.
  • the real estate sale procedure 210 for the purpose of debt collection refers to all procedures for selling real estate for debt collection, such as judicial auction 220, private auction, voluntary sale, etc. , Simply called “auction”.
  • the sale price 370 refers to an overall price concept such as an appraisal price, a sale price, a prospective contract price, a contract price, etc., which is generated in a series of real estate transaction transactions and is targeted for evaluation. However, in the following, for convenience of explanation, it is simply referred to as a "buying price".
  • Houses such as single-family homes and condominiums (condominiums) have various characteristics such as location, floor, floor area (land area, building area, private area, etc.) and orientation of main openings. Based on this, the asset value of each house is determined. Further, the selling price 370 of the house 310 that is generally traded in the market and the selling price 290 of the house 230 that is sold in the auction 210 have different price formation mechanisms, and there is a discrepancy between the two. On the other hand, the number of houses that can be auctioned 210 is not so large that the future sale price can be predicted from the auction results of similar properties in the past. That is, it was not possible to predict the sale price 290 in the future auction 210 for a house that has not yet been auctioned 210.
  • the device 100 links the history information about the property 230 for sale by the auction 210 with a small number of cases and the history information about the house 310 with a large number of cases on the market, based on a predetermined rule, and can learn the function.
  • a data set 380 to be trained by the approximator 410 is generated.
  • the device 100 uses the selling price 290 in the auction 210 as a target variable, and the location 320 of the trading house 310, the floor 340, the occupied area 350, the azimuth 360 of the main opening, etc.
  • the function approximator 410 is made to learn the input/output relationship when each is used as an explanatory variable. In this way, the present apparatus 100 predicts the sale price of a house that has not been sold for the purpose of collecting debts when it is assumed that the house has been sold.
  • the apparatus 100 saves the labor of data input by the user and predicts the sale price by extracting some of the explanatory variables input to the learned function approximator 410 from the learning data set 380. Improve accuracy.
  • the device 100 is connected to a user terminal 460 operated by a user 450 via a communication network 470.
  • the communication network 470 may be wired or wireless.
  • the user terminal 460 may be a desktop or notebook personal computer, or a mobile information terminal such as a smartphone/tablet.
  • the present apparatus 100 includes a sold house information storage unit 110, a sold house information storage unit 120, a statistical information storage unit 130, a land price information storage unit 140, a learning information generation unit 150, and an input/output relationship learning unit. 160, a selling price prediction unit 170, and a learning information storage unit 180.
  • the sold house information storage unit 110 stores the location 240 of the house (sold house) 230 that was hung in the auction 210, the condominium name 250, the floor 260, the occupied area 270, the azimuth 280 of the main opening, and the sale price 290 at the auction 210.
  • Information on the sold house 230 including the information 300 on the management delinquency amount is stored for each property.
  • the sold-house information storage unit 110 may be configured to store various items of information regarding the sold house 230 other than these.
  • the location 240 is, for example, information such as “2-23, Sennin-cho 23-32, Hachioji-shi” and “287-6, Gonta-zaka, Hodogaya-ku, Yokohama-shi 6”.
  • the location floor 260 is information such as "2nd floor” and "5th floor”, and the selling price 290 is "25,700,108 (yen)" and "17,200,903 (yen)”. ..
  • the information stored in the sold house information storage means 110 can be acquired from, for example, a real estate auction property information site (http://bit.sikkou.jp/app/top/pt001/h01/).
  • the information obtained from this site is excluded from information for organizing and eliminating peculiarities: Case number: Collateral real estate auction case (ke case), Successful bidder attribute: Exclude individual, Type: Equity sale, Property not sold , Type (registration): home, sale price: 1 million yen or less, 100 million yen or more is excluded, the number of bidders: 3 or less is preferably excluded, and data cleansing is performed.
  • the trading house information storage means 120 includes a trading house 310 including a location 320 of a house (sale house) 310 traded in the market, a condominium name 330, a floor 340, a floor area 350, an exclusive area 350, a main opening direction 360, and a selling price 370. Store information about each property. As shown in FIG. 5, the selling and buying house information storage unit 120 may be configured to store information on various items related to the buying and selling house 310 other than these.
  • the condominium name 330 is information such as “Proud Nishi-Hachioji” and “Gran City Hodogaya”. Further, the exclusive area 350 is information such as “72.72 m 2 ”, “75.34 m 2 ”, and the orientation 360 of the main opening is “southeast”.
  • the information stored in the selling and selling house information storage means 120 can be acquired from various real estate information sites on the Internet.
  • the information acquired from the site is subjected to data cleansing from the viewpoints of trading price: 1 million yen or less, 100 million yen or more, site usage right: ownership, etc., in order to organize information and eliminate peculiarities. Is preferred.
  • the statistical information storage unit 130 stores statistical information 430 regarding the living environment of the area, which includes one or more of the ratio of foreigners in each area, the vacancy rate of rental housing, and the degree of ease of living. In addition to these, the statistical information storage unit 130 may be configured to store various items of information regarding the statistical information 430.
  • the ratio of foreigners by region which is an example of the statistical information 430, is, for example, “Hachioji-shi, Tokyo: 1.45(%)”, “Hodogaya-ku, Yokohama-shi, Kanagawa: 1.84( %)” and other information.
  • the vacancy rate of rental housing, which is an example of the statistical information 430 is, for example, “Hachioji City, Tokyo: 16.8 (%)”, “Hodogaya Ward, Yokohama City, Kanagawa Prefecture: 19.3 (%)”, Ease of living is information such as “Hachioji City, Tokyo: 3.96” and “Hodogaya Ward, Yokohama City, Kanagawa Prefecture: 3.24”.
  • the information stored in the statistical information storage unit 130 can be obtained, for example, from the government statistics general contact (https://www.e-stat.go.jp).
  • the land price information storage unit 140 stores public land price information 440 for each area.
  • the official land price information 440 includes the official price based on the Land Price Public Notification Act, the standard land standard price based on the National Land Use Planning Act, the inheritance tax line price based on the inheritance tax law, and the property tax evaluation value based on the local tax law.
  • the land price information 440 is, for example, “109-21 Ueno-cho, Hachioji-shi, Tokyo 21:187,000 (yen/m 2 )”, “Hatsunegaoka 141-1, 174, Hodogaya-ku, Yokohama-shi, Kanagawa”. 000 (yen/m 2 )” and other information.
  • the information stored in the land price information storage means 140 can be obtained from, for example, the land comprehensive information system (Ministry of Land, Infrastructure, Transport and Tourism public land price data) site (http://www.land.mlit.go.jp/webland/). Is.
  • the learning information storage unit 180 stores a plurality of sets of learning data sets 380 generated by the learning information generation unit 150 described later.
  • the learning information generation unit 150 links information about the sold house 230 and information about the sold house 310 having the same or similar attributes as the target sold house 230 as a set of learning information 380.
  • the houses 230 and 310 are dwelling units in an apartment house, the sale house 230 and the building having the same attributes as the sold house 230 have the same building as the sold house 230, and the floor, the occupied area, the main opening direction, A house for sale whose information indicating the characteristics of each house, such as the balcony area, is within the specified error.
  • the fact that the buildings are the same means that the locations are the same or that the major parts of the locations are the same and the condominium names are the same considering the erroneous description of the locations.
  • “within a predetermined error” refers to, for example, the location: the difference is within 3 floors, the occupied area: the difference is within 15%, the orientation of the main opening: the difference is within 90 degrees, and the like.
  • the sold-for-sale house 310 since there is more information about the sold-for-sale house 310 than information about the sold-for-sale 230, one piece of information about the sold-house 230 is linked to information about a plurality of sold-houses 230.
  • the learning information 380 may be generated.
  • the learning information generating means 150 has the same location, the same floor, and the same floor area as the location (2, Sennincho, Hachioji-shi, Tokyo) and the name of the apartment (Proud Nishi-Hachioji). : Error 12.2%, azimuth of main opening: Since they are the same, the information on the sold house 230: article 1 and the information on the sold house 310: article 1 are linked as a set of learning information 380.
  • the sold house 230 and the selling house 310 that are linked are usually different houses, but there is no problem even if they are the same house.
  • the learning information generating means 150 links the information about the sold house 230 and the statistical information 430 about the area where the target sold house 230 and the location match, as a set of learning information 380.
  • the learning information generation unit 150 includes a set of the sold house 230: information on the property 1 and statistical information 430: information on the location (Hachioji-shi, Tokyo) 430: example 1 as a set. Is linked as the learning information 380.
  • the learning information generating means 150 links the information about the sold house 230 and the land price information 440 about the place closest to the target sold house 230 as a set of learning information 380.
  • the location closest to the target sold house 230 is specified by comparing the latitude/longitude of the target sold house 230 and the latitude/longitude of the calculation point of the local price information 440 using the Pythagorean theorem or the H Wegi formula. To do.
  • the learning information generating unit 150 includes the information about the sold house 230: Property 1 at the location (2-23-2, Sennin-cho, Hachioji-shi) and the nearest point (Tokyo).
  • the land price information 440: 187,000 yen/m 2 of 10921 Ueno-machi, Hachioji City) is linked as a set of learning information 380.
  • the learning information generation unit 150 may exclude the generated learning information 380 from the "auction year/month” in the information on the sold house 230 being later than the "auction/month/year” in the information on the sold house 310. .. This is in order to comply with the real estate agent's action principle of selling houses in the general trading market after renewing the houses acquired at the auction.
  • the learning information generating means 150 may also generate information of a new item as an objective variable 390 or an explanatory variable 400, which will be described later, by combining a plurality of pieces of information in the same group in one set of learning information 380. good.
  • the learning information generating means 150 may be configured such that, for each of the learning information 380, the sum of the selling price 290 and the management delinquency amount 300 is set as a target variable 390 described later. Further, the learning information generating means 150, for a set of learning information 380, management cost delinquency amount 300/sale price 290, management cost delinquency amount 300/trade price 370, sale price 370-management cost delinquency amount, etc.
  • the management cost delinquency amount 300 itself may be set as an explanatory variable 400 described later. This is because the management fee delinquency amount 300 is the obligation of the repayment of the successful bidder of the auction, and it is considered appropriate to reflect it in the objective variable (sale price 290) 390 or the explanatory variable 400.
  • the learning information generating means 150 calculates the magnitude of the difference between the floor 260 and the floor 340 and the difference between the occupied area 270 and the occupied area 350 for each learning information 380, and the learning of each group.
  • the information may be associated with the information to be used as the explanatory variable 400 in the usage information 380. This is because these affect the input/output relationship learned by the input/output relationship learning means 160 described later.
  • the input/output relation learning means 160 sets the selling price 290 as the objective variable 390 for each learning information 380, the location 320, the floor 340, the occupied floor area 350, the exclusive area 350, the azimuth 360 of the main opening, and the sale in the information about the sold house 310.
  • the function approximator 410 is made to learn the input/output relationship when each information including the price 370 is used as the explanatory variable 400.
  • the selling price 290 is assumed to include an amount corrected by adding the management fee delinquency amount 300 to the selling price 290.
  • FIG. 9 shows an example of items adopted as the objective variable 390 and the explanatory variable 400. As illustrated in FIG.
  • the location 320, the use area of the location 320, the structure/floor/total number of units/distance from the station/bus use/purchase of the housing complex to which the buying/sale housing 310 belongs Price 370, occupied area 350, floor plan for sale/buy 310/balcony area/direction of main opening/floor, size of delinquent amount/degree 300, management cost of sold house 230, age at the time of auction ( Auction date-New construction date), "Buying date-Auction date" (index that takes into account the difference between the time when a house is sold and sold), the official price 440, and the basis for calculating the official price
  • the shortest distance from the nearest standard place to the housing complex to which the selling and selling house 310 belongs, and the statistical information 430 (ratio of foreigners, ease of living, vacancy rate of rental property) of the area where the selling and selling house 310 is located are adopted.
  • the function approximator 410 may employ either a linear model or a non-linear model.
  • a support vector machine Small Vector Machine
  • a random forest Random Forest
  • an XGBoost a neural network
  • Machine learning algorithms may have one or more hyperparameters to control their behavior. Unlike the coefficient (parameter) included in the model, the hyperparameter is not one whose value is determined through machine learning, but is given a value before execution of the machine learning algorithm. Examples of hyperparameters include the number of decision trees generated in a random forest, the fitting accuracy of regression analysis, and the degree of polynomial included in the model.
  • a fixed value may be used as the value of the hyperparameter, or a value specified by the user may be used.
  • the prediction performance of the generated model also depends on the values of hyperparameters. Even if the machine learning algorithm and the sample size are the same, the prediction performance of the model may change when the value of the hyperparameter changes. When the types of machine learning algorithms are the same but the values of hyperparameters are different, they may be treated as using different machine learning algorithms.
  • the random forest used in this embodiment is a decision tree-based prediction algorithm.
  • Using a decision tree-based prediction model has the advantage that the final model can be easily explained. Conversely, for other models, it is often difficult to explain why the model predicted this sale price.
  • a random forest decisions are made based on a series of questions, so it can be considered as a model for classifying data.
  • Random forest is a method of performing a highly accurate prediction model by group learning of a decision tree model.
  • the selling price predicting unit 170 refers to the function approximator 410 that has been learned by the input/output relation learning unit 160, and an explanatory variable including the location, the floor, the occupied area, the azimuth of the main opening, and the sale price regarding one trial calculation target house. Enter information about 400. As a result, the sale price prediction unit 170 calculates, as an output of the function approximation unit 410, a predicted value of the sale price when it is assumed that the trial calculation target house has been auctioned 210.
  • the sale price prediction unit 170 receives information about the item adopted as the explanatory variable 400 including the location, the floor, the occupied area, the azimuth of the main opening, and the sale price regarding the trial calculation target house from the user terminal 460, and describes the received information.
  • the variable 400 is input to the learned function approximator 410.
  • the sale price predicting means 170 uses the user terminal 460 to monopolize the location of the target housing, the sale date (purchase date), the sale price, the floor plan, the floor, the occupied area, the balcony area, the direction of the main opening, the management cost, etc. Accept information about parts.
  • the sale price prediction unit 170 identifies the learning information 380 including the location 320 that matches the location of the received trial calculation target housing. It should be noted that the matching of the addresses means that the addresses to be compared are the same or that the main parts of the addresses to be compared are the same and the condominium names are the same in consideration of the erroneous description of the addresses.
  • the selling price predicting unit 170 extracts the information about the item adopted as the explanatory variable 400 (excluding the information about the exclusive portion of the trial calculation target house received from the user terminal 460) from the specified learning information 380. As shown in FIG. 9, the selling price predicting unit 170 uses, for example, a restricted area, a structure, a floor, a total number of units, transportation (walking at a station), transportation (bus service) from the identified set of learning information 380. Information about the railway line name, new construction date, auction date, officially announced price 440, foreigner ratio 430, livability 430, and vacancy rate 430 in the area is extracted.
  • the selling price predicting unit 170 inputs the information received from the user terminal 460 and the information extracted from the learning information 380 to the function approximator 410 as the information regarding the explanatory variable 400. By doing so, the labor for the user 450 to input data to the device 100 is saved, and the learning information 380 used for learning the function approximator 410 is used. Prediction accuracy is improved.
  • the sale price predicting means 170 uses the user terminal 460 to monopolize the location of the target housing, the sale date (purchase date), the sale price, the floor plan, the floor, the occupied area, the balcony area, the direction of the main opening, the management cost, etc. Accept information about parts.
  • the selling price predicting unit 170 identifies the learning information 380 regarding the buying/selling house 310 in which the location 320 is within a predetermined distance from the location of the received trial calculation target house and/or the attribute is similar to the trial calculation target house. To do.
  • the attributes of the houses are similar, information indicating the characteristics of the houses to be compared, including the floors of the houses to be compared, the occupied area, the direction of the main opening, the sale price, the floor plan, and the balcony area, and the location It is the same in any one or more of the information representing the characteristics of the comparison target housing (the entire condominium to which it belongs) including the restricted zone, the structure, the floor, the total number of units, the traffic access and the age, or Even if there is a difference, it means that the difference is within a predetermined range.
  • the selling price predicting unit 170 extracts information regarding items adopted as the explanatory variables 400 (excluding information regarding the exclusive portion of the trial calculation target house received from the user terminal 460) from the identified set of learning information 380. As shown in FIG. 9, the selling price predicting unit 170 uses, for example, a set of learning information 380, a restricted area, a structure, a floor, a total number of units, transportation (walking at a station), transportation (bus service), and a wayside name. , The date of new construction, the date of auction, the official price 440, the foreigner ratio 430, the livability 430, and the vacancy rate 430 in the area are extracted.
  • the selling price predicting unit 170 inputs the information received from the user terminal 460 and the information extracted from the learning information 380 to the function approximator 410 as the information regarding the explanatory variable 400. By doing so, the labor for the user 450 to input data to the device 100 is saved, and the sale price of a condominium (apartment house) that has not been auctioned in the past can be precisely estimated. It can be carried out.
  • the selling price predicting unit 170 specifies a plurality of sets of learning information 380, performs the above-described processing on each group of learning information 380, and then calculates an average value of a plurality of selling price prediction values calculated in each processing.
  • the median or the median may be used as the predicted value of the selling price of the target housing.
  • the sale price prediction means 170 receives the prediction target date from the user terminal 460, and regarding the building age at the time of the auction which is the explanatory variable 400, “new construction date included in the learning information 380” is calculated from the prediction target date. It is also possible to calculate by subtracting and input to the function approximator 410.
  • the present apparatus 100 predicts a sale price of a house that is not yet an object of sale for the purpose of debt collection, when it is assumed that the object is an object of sale. (Hardware Configuration of Sale Price Prediction Device According to this Embodiment)
  • FIG. 10 is a diagram showing an example of the hardware configuration of the device 100.
  • the device 100 includes a CPU (Central Processing Unit) 510, a ROM (Read-Only Memory) 520, a RAM (Random Access Memory) 530, an auxiliary storage device 540, a communication I/F 550, and an input device 560.
  • the CPU 510 is a device that executes a program stored in the ROM 520, performs arithmetic processing on the data expanded (loaded) in the RAM 530 according to the instructions of the program, and controls the entire device 100.
  • the ROM 520 stores programs and data executed by the CPU 510.
  • the RAM 530 expands (loads) the program or data to be executed when the CPU 510 executes the program stored in the ROM 520, and temporarily holds the operation data during the operation.
  • the auxiliary storage device 540 is a device that stores an OS (Operating System) that is basic software, an application program according to the present embodiment, and the like together with related data.
  • the auxiliary storage device 540 includes storage means 110, 120, 130, 140, 180, and is, for example, an HDD (Hard Disc Drive) or a flash memory.
  • the communication I/F 550 is an interface for connecting to a communication network 470 such as a wired/wireless LAN (Local Area Network) and the Internet, and exchanging data with another device 460 that provides a communication function.
  • a communication network 470 such as a wired/wireless LAN (Local Area Network) and the Internet
  • the input device 560 is a device such as a keyboard for inputting data to the device 100.
  • the display device (output device) 570 is a device including an LCD (Liquid Crystal Display), etc., and functions as a user interface when a user uses the functions of the device 100 and when performing various settings. is there.
  • the recording medium I/F 580 is an interface for transmitting/receiving data to/from the recording medium 590 such as a CD-ROM, a DVD-ROM, and a USB memory.
  • Each unit included in the device 100 may be realized by the CPU 510 executing a program corresponding to each unit stored in the ROM 520 or the auxiliary storage device 540. Further, each unit included in the device 100 may have a form in which the processing related to each unit is realized as hardware.
  • the program according to the present invention is read from an external server device via the communication I/F 550, or the program according to the present invention is read from a recording medium 590 via the recording medium I/F 580. Alternatively, the program may be executed by the.
  • (1) Machine Learning Process by the Device 100 The flow of the machine learning process by the device will be described with reference to FIG. FIG. 11 is a flowchart showing the flow of machine learning processing by the device 100.
  • the learning information generating unit 150 has the same or similar attributes as the information about the sold house 230 stored in the sold house information storage unit 110 and the information of the sold house information storage unit 120 and the target sold house 230.
  • the information about the buying and selling house 310 to be linked is linked as a set of learning information 380.
  • the sale house 230 and the building having the same attributes as the sold house 230 have the same building as the sold house 230, and the floor, the occupied area, the main opening direction, A house for sale whose information that shows the characteristics of the entire condominium, such as the balcony area, is within the specified error.
  • the fact that the buildings are the same means that the locations are the same or that the major parts of the locations are the same and the condominium names are the same considering the erroneous description of the locations.
  • “within a predetermined error” refers to, for example, the location: the difference is within 3 floors, the occupied area: the difference is within 15%, the orientation of the main opening: the difference is within 90 degrees, and the like.
  • the sold-for-sale house 310 since there is more information about the sold-for-sale house 310 than information about the sold-for-sale 230, one piece of information about the sold-house 230 is linked to information about a plurality of sold-houses 230.
  • the learning information 380 may be generated.
  • the learning information generating means 150 matches the conditions of the location (2-chome, Sennin-cho, Hachioji-shi, Tokyo) and the name of the apartment (Proud Nishi-Hachioji), and the location is the same: Occupied area: error 12.2%, main azimuth direction: the same. Therefore, the information on the sold house 230: Property 1 and the information on the sold house 310: Property 1 are linked as a set of learning information 380.
  • the learning information generating means 150 relates to the information about the sold house 230 stored in the sold house information storage means 110 and the area stored in the statistical information storage means 130 and the location of which matches the target sold house 230.
  • the statistical information 430 may be linked with the learning information 380 as a set.
  • the learning information generating unit 150 stores the information on the sold house 230: article 1 and the statistical information 430 on which the location (Hachioji, Tokyo) matches: the information on example 1. It is linked as a set of learning information 380.
  • the learning information generation unit 150 has information about the sold house 230 stored in the sold house information storage unit 110 and the land price information stored in the land price information storage unit 140 and related to the nearest place to the target sold house 230.
  • 440 and 440 may be linked as a set of learning information 380.
  • the location closest to the target sold house 230 is specified by comparing the latitude/longitude of the target sold house 230 and the latitude/longitude of the calculation point of the local price information 440 using the Pythagorean theorem or the H Clausi formula. To do.
  • the learning information generating unit 150 has information about the sold house 230: article 1 at the location (2-23-2, Sennin-cho, Hachioji-shi) and the nearest point ( Land price information 440: 187,000 yen/m 2 of 109-21 Ueno-cho, Hachioji-shi, Tokyo is linked as a set of learning information 380.
  • the learning information generating means 150 excludes the learning information 380 generated, in which the “auction date” in the information on the sold house 230 is later than the “sales date” in the information on the sold house 310. It may be in the form. This is in order to comply with the real estate agent's action principle of selling houses in the general trading market after renewing the houses acquired at the auction.
  • the learning information generating unit 150 combines the plurality of pieces of information in the same set in the set of learning information 380 to obtain the information of the item having a new attribute as a target variable 390 or an explanatory variable described later.
  • the form may be generated as 400.
  • the learning information generating means 150 may set the amount of the selling price 290 plus management delinquency amount 300 or the like for each learning information 380 as an objective variable 390 described later. Further, in S10, the learning information generation means 150 causes the management information delinquency amount 300/sale price 290, the management cost delinquency amount 300/the sale price 370, the sale price 370-the management cost delinquency for the set of learning information 380.
  • the amount 300 or the management delinquency amount 300 itself may be set as an explanatory variable 400 described later. This is because the management fee delinquency amount 300 is the obligation of the repayment of the successful bidder of the auction, and it is considered appropriate to reflect it in the objective variable (sale price 290) 390 or the explanatory variable 400.
  • the learning information generation unit 150 calculates the magnitude of the difference between the floors 260 and 340 and the floor area 270 and the area 350 between the floors 340 and 340 for each of the learning information 380, and each set.
  • the learning information 380 may be linked with the explanatory variable 400. This is because these affect the input/output relationship learned by the input/output relationship learning means 160 described later.
  • the input/output relationship learning means 160 sets the selling price 290 as the target variable 390 for each learning information 380 generated in S10, and sets the location 320, the floor 340, the occupied area 350, and the main opening in the information regarding the sale and purchase housing 310.
  • the function approximator 410 is made to learn the input/output relationship when each of the information including the direction 360 of the part and the selling price 370 is used as the explanatory variable 400.
  • the selling price 290 is assumed to include an amount corrected by adding the management fee delinquency amount 300 to the selling price 290.
  • the purpose of the device 100 is to calculate the selling price 290, it is not possible to change the selling price 290 as the objective variable 390, but the items adopted as the explanatory variable 400 can be appropriately selected.
  • FIG. 9 shows an example of items adopted as the objective variable 390 and the explanatory variable 400.
  • explanatory variables 400 for example, the location 320, the use area of the location 320, the structure/floor/total number of units/distance from the station/bus use/purchase of the housing complex to which the buying/sale housing 310 belongs Price 370, occupied area 350, floor plan for sale/buy 310/balcony area/direction of main opening/floor, size of delinquent amount/degree 300, management cost of sold house 230, age at the time of auction ( Auction date-New construction date), "Buying date-Auction date" (index that takes into account the difference between the time when a house is sold and sold), the official price 440, and the basis for calculating the official price
  • the function approximator 410 may employ either a linear model or a non-linear model.
  • a support vector machine Small Vector Machine
  • a random forest Random Forest
  • XGBoost a neural network
  • the random forest adopted in this embodiment is a decision tree-based prediction algorithm. Using a decision tree-based prediction model has the advantage that the final model can be easily explained. Conversely, for other models, it is often difficult to explain why the model predicted this sale price. In a random forest, decisions are made based on a series of questions, so it can be considered as a model for classifying data. Random forest is a method of performing a highly accurate prediction model by group learning of a decision tree model.
  • the present apparatus 100 allows the disclosed sale price prediction apparatus to determine the sale price of a house that is not yet subject to sale for the purpose of debt collection when it is assumed to be the subject.
  • a predictive function approximation 410 can be generated.
  • the sale price predicting unit 170 receives from the user terminal 460 the information regarding the item adopted as the explanatory variable 400 including the location, the floor, the occupied area, the direction of the main opening, and the purchase/sale price related to the trial calculation target house.
  • the selling price predicting unit 170 instructs the function approximator 410 that has been learned in S20 to include an explanatory variable 400 including the location, the floor, the occupied area, the azimuth of the main opening, and the sale price of the trial calculation target house received in S110. Enter information about.
  • the selling price predicting unit 170 calculates, as an output of the function approximator 410, a predicted value of the selling price in the case where it is assumed that the trial calculation target house has been auctioned 210.
  • the sale price prediction means 170 uses the user terminal 460 to determine the location of the target housing, the sale date (purchase date), the sale price, the floor plan, the floor, the occupied area, the balcony area, the direction of the main opening, the management cost, etc. It is also possible to adopt a mode of accepting information regarding the exclusive portion of the. At that time, in S120, the sale price prediction means 170 identifies the learning information 380 including the location 320 that matches the location of the received trial calculation target housing. It should be noted that the matching of the addresses means that the addresses to be compared are the same or that the main parts of the addresses to be compared are the same and the condominium names are the same in consideration of the erroneous description of the addresses.
  • the selling price predicting unit 170 extracts information regarding the item adopted as the explanatory variable 400 from the learning information 380 identified in S110 (excluding information regarding the exclusive portion of the trial calculation target house received from the user terminal 460). .. As shown in FIG. 9, the selling price predicting unit 170 uses, for example, a restricted area, a structure, a floor, a total number of units, transportation (walking at a station), transportation (bus service) from the identified set of learning information 380. Information about the railway line name, new construction date, auction date, officially announced price 440, foreigner ratio 430, livability 430, and vacancy rate 430 in the area is extracted.
  • the selling price predicting unit 170 inputs the information received from the user terminal 460 in S110 and the information extracted from the learning information 380 in S120 to the function approximator 410 as information regarding the explanatory variable 400.
  • the selling price predicting unit 170 calculates, as an output of the function approximator 410, a predicted value of the selling price when it is assumed that the trial calculation target house has been auctioned 210.
  • the device 100 saves the labor of the user 450 to input data to the device 100, and uses the learning information 380 used for learning the function approximator 410, Improve the accuracy of forecasting the sale price of the target housing.
  • the selling price prediction unit 170 has learning information about the buying and selling house 310 in which the location 320 is within a predetermined distance from the location of the trial calculation target house received in S110 and/or the attribute is similar to the trial calculation target home.
  • a form in which 380 is specified may be used.
  • the attributes of the houses are similar, information indicating the characteristics of the houses to be compared, including the floors of the houses to be compared, the occupied area, the direction of the main opening, the sale price, the floor plan, and the balcony area, and the location It is the same in any one or more of the information representing the characteristics of the comparison target housing (the entire condominium to which it belongs) including the restricted zone, the structure, the floor, the total number of units, the traffic access and the age, or Even if there is a difference, it means that the difference is within a predetermined range.
  • the sale price prediction unit 170 has information about the item adopted as the explanatory variable 400 from the set of learning information 380 specified in S120 (excluding information about the exclusive portion of the trial calculation target house received from the user terminal 460).
  • the selling price predicting unit 170 for example, from a set of learning information 380, uses area, structure, floors, total number of units, transportation (walking at station), transportation (bus service), wayside name , Date of new construction, year of auction, official price 440, foreigner ratio 430, livability 430, and vacancy rate 430 in the area are extracted.
  • the selling price prediction unit 170 inputs the information received from the user terminal 460 and the information extracted from the learning information 380 to the function approximator 410 as information regarding the explanatory variable 400.
  • the selling price predicting unit 170 calculates, as an output of the function approximator 410, a predicted value of the selling price when it is assumed that the trial calculation target house has been auctioned 210.
  • the present apparatus 100 saves labor for the user 450 to input data into the present apparatus 100, and the house (apartment (condominium)) that has no auctioned property in the past. It is also possible to make a precise forecast of the selling price for the dwelling unit).
  • the selling price predicting unit 170 specifies a plurality of sets of learning information 380, performs the above-described processing on each group of learning information 380, and then calculates an average value of a plurality of selling price prediction values calculated in each processing.
  • the median or the median may be used as the predicted value of the selling price of the target housing.
  • Sold Price Prediction Device 110 Sold House Information Storage Means 120 Sold House Information Storage Means 130 Statistical Information Storage Means 140 Land Price Information Storage Means 150 Learning Information Generation Means 160 Input/Output Relationship Learning Means 170 Sold Price Prediction Means 180 Learning Information Storage Means 210 Real Estate Sale Procedures for Debt Collection 220 Judicial Auction 230 Homes Sold: Houses that have been subjected to the real estate sale procedure for debt collection 240 Location of the sold home 250 Condominium name of the sold home 260 Location of the sold home 270 of the sold home Occupied area 280 Azimuth of main opening of sold house 290 Sale price of sold house 300 Information about delinquent management fee of sold house 310 Trading house: Market traded house 320 Location of trading house 330 Condominium name of trading house 340 Trading house Floor of the house 350 exclusive area of trading house 360 direction of main opening of trading house 370 trading price of trading house 380 learning information: learning data set 390 objective variable 400 explanatory variable 410 function approximator 420 predicted value of

Landscapes

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

Abstract

【課題】　未だ債権回収目的の売却対象となっていない住宅について、当該対象になったと想定される場合の売却価格を精度よく予測する。 【解決手段】　競売住宅の売却価格、並びに、売却住宅と属性が同一である又は類似すると共に、市場取引された売買住宅の所在地、所在階、専有面積、主要開口部の方位、売買価格及び売却住宅又は売買住宅を特徴付ける情報を含む学習用情報を記憶する手段と、売却価格を目的変数とし、売買住宅の所在地、所在階、専有面積、主要開口部の方位、売買価格等を説明変数とするときの入出力関係を学習させた関数近似器に対し、試算対象住宅の所在地、所在階、専有面積、主要開口部の方位及び売買価格、並びに、試算対象住宅の所在地又は属性に基づき関連付けられる一組の学習用情報における説明変数として使用した情報を説明変数として入力することによって、試算対象住宅の売却価格を予測する手段と、を有する。

Description

売却価格予測装置
　評価対象住宅が不動産売却手続（例えば、司法競売、民間競売、任意売却等）に掛けられたと想定するとき、当該住宅の売却価格の予測を行う技術に関する。
　金融機関（例えば、銀行）へ住宅ローンの融資申込があった場合、金融機関は、申込者の属性等から推定される貸倒率や返済が滞ったときに行う担保売却による債権回収見込額等の諸条件を考慮して、融資実行の可否や融資金額・融資利率・保証料等の融資条件を判断する。
　ここで金融機関は、貸出債権の返済が滞った場合、担保物件を売却し、売却金額の全部又は一部を債権の回収に充当することができるため、未だ延滞の起こっていない時点・物件において、将来における評価対象住宅の売却金額を精緻に予測することは、融資可否、融資条件を判断する上で非常に重要なことである。
　ところで、特許文献１では、金融機関による融資の担保物件が自動車である場合、競売履歴データに基づいて、担保車輌の資産価値を算出する技術が提案されている。
特開２００５－２０８７０３号公報
　しかしながら、自動車と住宅では担保物件としての特徴・性質が異なり、また、債権回収目的で売却される住宅数が少ないため、上記の従来技術を債権回収のための不動産売却手続における売却価格予測に適用できないという問題点があった。
　そこで本発明では、上記問題点を鑑み、未だ債権回収目的の売却対象となっていない住宅について、当該対象になったと想定される場合の売却価格を精度よく予測する売却価格予測装置を提供することを目的とする。
　開示する売却価格予測装置の一形態は、債権回収のための不動産売却手続に掛けられた売却住宅の前記不動産売却手続における売却価格、並びに、前記売却住宅と属性が同一である又は類似すると共に、市場において取引された売買住宅の所在地、面積、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む一組の学習用情報を複数組記憶する学習用情報記憶手段と、前記一組の学習用情報について、前記売却価格を目的変数とし、前記売買住宅に関する情報における前記所在地、面積、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む情報それぞれを説明変数とするときの入出力関係を学習させた関数近似器に対し、一の試算対象住宅に関する前記所在地、面積及び売買価格、並びに、複数組の前記学習用情報のうち、前記一の試算対象住宅に関する所在地又は属性に基づき関連付けられる前記一組の学習用情報における前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することによって、前記一の試算対象住宅が前記不動産売却手続に掛けられたと想定する場合の前記売却価格の予測値を算出する売却価格予測手段と、を有することを特徴とする。
　開示する売却価格予測装置の一形態は、債権回収のための不動産売却手続に掛けられた売却住宅の前記不動産売却手続における売却価格、並びに、前記売却住宅と属性が同一である又は類似すると共に、市場において取引された売買住宅の所在地、所在階、専有面積、主要開口部の方位、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む一組の学習用情報を複数組記憶する学習用情報記憶手段と、前記一組の学習用情報について、前記売却価格を目的変数とし、前記売買住宅に関する情報における前記所在地、所在階、専有面積、主要開口部の方位、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む情報それぞれを説明変数とするときの入出力関係を学習させた関数近似器に対し、一の試算対象住宅に関する前記所在地、所在階、専有面積、主要開口部の方位及び売買価格、並びに、複数組の前記学習用情報のうち、前記一の試算対象住宅に関する所在地又は属性に基づき関連付けられる前記一組の学習用情報における前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することによって、前記一の試算対象住宅が前記不動産売却手続に掛けられたと想定する場合の前記売却価格の予測値を算出する売却価格予測手段と、を有することを特徴とする。
　開示する売却価格予測装置は、未だ債権回収目的の売却対象となっていない住宅について、当該対象になったと想定される場合の売却価格を精度よく予測する。
本実施の形態に係る売却価格予測装置の概要を示す図である。 本実施の形態に係る売却価格予測装置の機能ブロック図である。 本実施の形態に係る売却住宅情報記憶手段の一例（項目例）を示す図である。 本実施の形態に係る売却住宅情報記憶手段の一例（データ例）を示す図である。 本実施の形態に係る売買住宅情報記憶手段の一例（項目例）を示す図である。 本実施の形態に係る売買住宅情報記憶手段の一例（データ例）を示す図である。 本実施の形態に係る統計情報記憶手段の一例を示す図である。 本実施の形態に係る地価情報記憶手段の一例を示す図である。 本実施の形態に係る目的変数・説明変数として採用した項目の一例を示す図である。 本実施の形態に係る売却価格予測装置のハードウエア構成例を示す図である。 本実施の形態に係る売却価格予測装置による機械学習処理の流れを示すフローチャートである。 本実施の形態に係る売却価格予測装置による売却価格予測処理の流れを示すフローチャートである。
　図面を参照しながら、本発明を実施するための形態について説明する。
　（本実施の形態に係る売却価格予測装置の動作原理）
　図１乃至９を用いて、本実施の形態に係る売却価格予測装置（以下、単に「本装置」という。）１００の動作原理について説明する。図１は、本装置１００と周辺装置との関わり方を説明する図であり、図２は、本装置１００の機能ブロック図である。図３乃至９は、本装置１００が有する各要素を説明するための図である。
　本装置１００は、未だ債権回収目的の不動産売却手続２１０に掛けられていない住宅について、将来、不動産売却手続２１０に掛けられた場合の売却価格を予測する。ここで、債権回収目的の不動産売却手続２１０とは、司法競売２２０、民間競売、任意売却等、債権回収のために不動産を売却する手続全般を指すものであるが、以下では、説明の都合上、単に「競売」という。ここで、売買価格３７０とは、査定価格、売出価格、成約見込価格、成約価格、等、不動産売買取引の一連の流れにおいて発生する当該不動産を評価の対象とする価格概念全般を指すものであるが、以下では、説明の都合上、単に「売買価格」という。
　一戸建てやマンション（集合住宅）等の住宅（住戸）は、所在地、所在階、面積（土地面積、建物面積、専有面積等）、主要開口部の方位等様々な特徴を有し、その各要素に基づき個々の住宅の資産的価値が決定される。また、市場において一般に取引される住宅３１０の売買価格３７０と競売２１０において売却される住宅２３０の売却価格２９０とでは、価格形成のメカニズムが異なり、両者の間には乖離が有る。一方、過去の類似物件に関する競売結果から将来の売却価格を予測できるほど、競売２１０に掛けられる住宅の数は、多くない状況である。つまり、未だ競売２１０に掛けられていない住宅に関し、将来の競売２１０における売却価格２９０を予測することはできなかった。
　そこで本装置１００は、事例数が乏しい競売２１０による売却物件２３０に関する履歴情報と、事例数が豊富な市場取引される住宅３１０に関する履歴情報とを、所定の規則に基づき紐付け、学習可能な関数近似器４１０に学習させるデータセット３８０を生成する。そして、本装置１００は、学習用データセット３８０において、競売２１０における売却価格２９０を目的変数とする一方、売買住宅３１０の所在地３２０、所在階３４０、専有面積３５０、主要開口部の方位３６０等の各々を説明変数とするときの入出力関係を関数近似器４１０に学習させる。そのようにして本装置１００は、未だ債権回収目的による売却対象となっていない住宅について、当該対象になったと想定される場合の売却価格を予測する。
　また、本装置１００は、学習済みの関数近似器４１０に入力する説明変数の一部を学習用データセット３８０から抽出することによって、ユーザーによるデータ入力の手間を省力化させると共に、売却価格の予測精度を向上させる。
　図１で示すように、本装置１００は、通信ネットワーク４７０を介して、ユーザー４５０が操作するユーザー端末４６０と接続される。通信ネットワーク４７０は、有線であっても良く、無線であっても良い。また、ユーザー端末４６０は、デスクトップ型又はノート型のパーソナルコンピューターであっても良く、スマートフォン・タブレットの様な携帯情報端末であっても良い。
　図２で示すように、本装置１００は、売却住宅情報記憶手段１１０、売買住宅情報記憶手段１２０、統計情報記憶手段１３０、地価情報記憶手段１４０、学習用情報生成手段１５０、入出力関係学習手段１６０、売却価格予測手段１７０、学習用情報記憶手段１８０を有する。
　売却住宅情報記憶手段１１０は、競売２１０に掛けられた住宅（売却住宅）２３０の所在地２４０、マンション名称２５０、所在階２６０、専有面積２７０、主要開口部の方位２８０、競売２１０における売却価格２９０、管理費滞納額に関する情報３００を含む売却住宅２３０に関する情報を物件毎に記憶する。図３で示すように、売却住宅情報記憶手段１１０は、これら以外にも、売却住宅２３０に関する種々の項目の情報を記憶する形態としても良い。
　図４で示すように、所在地２４０は、例えば、“八王子市千人町二丁目２３番地３２”、“横浜市保土ヶ谷区権太坂一丁目２８７番地６”等の情報である。また、所在階２６０は、例えば、“２階”、“５階”、売却価格２９０は、“２５，７００，１０８（円）”、“１７，２００，９０３（円）”等の情報である。
　なお、売却住宅情報記憶手段１１０に記憶される情報は、例えば、不動産競売物件情報サイト（http://bit.sikkou.jp/app/top/pt001/h01/）から取得可能である。また、当サイトから取得した情報は、情報整理・特殊性排除のため、事件番号：担保不動産競売事件（ケ事件）、落札者属性：個人を除外、種別：持分売り、売却外物件ありを除外、種類（登記）：居宅、売却価格：１００万円以下、１億円以上を除外、入札者数：３件以下を除外、等の観点によるデータクレンジングを施されることが好適である。
　売買住宅情報記憶手段１２０は、市場において取引された住宅（売買住宅）３１０の所在地３２０、マンション名称３３０、所在階３４０、専有面積３５０、主要開口部の方位３６０、売買価格３７０を含む売買住宅３１０に関する情報を物件毎に記憶する。図５で示すように、売買住宅情報記憶手段１２０は、これら以外にも、売買住宅３１０に関する種々の項目の情報を記憶する形態としても良い。
　図６で示すように、マンション名称３３０は、例えば、“プラウド西八王子”、“グランシティ保土ヶ谷”等の情報である。また、専有面積３５０は、例えば、“７２.７２ｍ２”、“７５.３４ｍ２”、主要開口部の方位３６０は、“南東”等の情報である。
　なお、売買住宅情報記憶手段１２０に記憶される情報は、インターネット上の各種不動産情報サイトから取得可能である。また、サイトから取得した情報は、情報整理・特殊性排除のため、売買価格：１００万円以下、１億円以上を除外、敷地利用権：所有権、等の観点によるデータクレンジングを施されることが好適である。
　統計情報記憶手段１３０は、地域毎の外国人比率、賃貸用住宅の空室率、住み易さの度合いのうち何れか一つ以上を含む地域の住環境に関する統計情報４３０を記憶する。統計情報記憶手段１３０は、これら以外にも、統計情報４３０に関する種々の項目の情報を記憶する形態としても良い。
　図７で示すように、統計情報４３０の一例である地域毎の外国人比率は、例えば、“東京都八王子市：１．４５（％）”、“神奈川県横浜市保土ヶ谷区：１．８４（％）”等の情報である。また、統計情報４３０の一例である賃貸用住宅の空室率は、例えば、“東京都八王子市：１６．８（％）”、“神奈川県横浜市保土ヶ谷区：１９．３（％）”、住みやすさは、“東京都八王子市：３．９６”、“神奈川県横浜市保土ヶ谷区：３．２４”等の情報である。
　なお、統計情報記憶手段１３０に記憶される情報は、例えば、政府統計の総合窓口（https://www.e-stat.go.jp）から取得可能である。
　地価情報記憶手段１４０は、地域毎の公的な地価情報４４０を記憶する。公的な地価情報４４０とは、地価公示法に基づく公示価格、国土利用計画法に基づく基準地標準価格、相続税法に基づく相続税路線価、地方税法に基づく固定資産税評価額を含むものである。
　図８で示すように、地価情報４４０は、例えば、“東京都八王子市上野町１０９番２１：１８７，０００（円／ｍ２）”、“神奈川県横浜市保土ケ谷区初音ケ丘１４１番１１：１７４，０００（円／ｍ２）”等の情報である。
　なお、地価情報記憶手段１４０に記憶される情報は、例えば、土地総合情報システム（国土交通省地価公示データ）サイト（http://www.land.mlit.go.jp/webland/）から取得可能である。
　学習用情報記憶手段１８０は、後述する学習用情報生成手段１５０によって生成される複数組の学習用データセット３８０を記憶する。
　学習用情報生成手段１５０は、売却住宅２３０に関する情報と、対象の売却住宅２３０と属性が同一である又は類似する売買住宅３１０に関する情報と、を一組の学習用情報３８０として紐付ける。売却住宅２３０に属性が類似する売買住宅３１０とは、住宅２３０、３１０が集合住宅における住戸である場合、売却住宅２３０と建物が一致し、かつ、所在階、専有面積、主要開口部の方位、バルコニー面積等各住宅の特徴を表す情報が所定の誤差内にある売買住宅をいう。
　なお、建物が一致するとは、所在地が同一であるか、又は、所在地の誤記を考慮し、所在地の主要部分が一致し、かつ、マンション名称が一致することをいう。また、所定の誤差内とは、例えば、所在階：差異が３階以内、専有面積：差異が１５％以内、主要開口部の方位：差異が９０度以内等の条件をいう。なお、売却住宅２３０に関する情報より売買住宅３１０に関する情報の方が多いため、売却住宅２３０に関する情報１つに複数の売買住宅３１０に関する情報が紐付けられ、売却住宅２３０に関する情報１つについて、複数組の学習用情報３８０が生成されても良い。
　図４及び６で示すように、学習用情報生成手段１５０は、所在地（東京都八王子市千人町２丁目）・マンション名称（プラウド西八王子）の条件が合致し、所在階：同じ、専有面積：誤差１２．２％、主要開口部の方位：同じであるため、売却住宅２３０：物件１の情報と売買住宅３１０：物件１の情報とを一組の学習用情報３８０として紐付ける。
　なお、学習用情報生成手段１５０が生成する学習用情報３８０において、紐付けられる売却住宅２３０と売買住宅３１０とは、通常、異なる住宅であるが、同一の住宅であっても問題は無い。
　学習用情報生成手段１５０は、売却住宅２３０に関する情報と、対象の売却住宅２３０と所在地が合致する地域に関する統計情報４３０と、を一組の学習用情報３８０として紐付ける。
　図４及び７で示すように、学習用情報生成手段１５０は、売却住宅２３０：物件１の情報と、所在地（東京都八王子市）が合致する統計情報４３０：例１の情報と、を一組の学習用情報３８０として紐付ける。
　学習用情報生成手段１５０は、売却住宅２３０に関する情報と、対象の売却住宅２３０と最も近い場所に関する地価情報４４０と、を一組の学習用情報３８０として紐付ける。対象の売却住宅２３０と最も近い場所は、対象の売却住宅２３０の緯度・経度と各地価情報４４０の算出地点の緯度・経度とを、三平方の定理又はヒュベニの公式を使用して比較し特定する。
　図４及び８で示すように、学習用情報生成手段１５０は、所在地（八王子市千人町二丁目２３番地３２）である売却住宅２３０：物件１に関する情報と、そこに最も近い地点（東京都八王子市上野町１０９番２１）の地価情報４４０：１８７，０００円／ｍ２と、を一組の学習用情報３８０として紐付ける。
　学習用情報生成手段１５０は、生成した学習用情報３８０について、売却住宅２３０に関する情報における“競売年月”が売買住宅３１０に関する情報における“売買年月”よりも遅いものを除外する形態としても良い。競売で取得した住宅をリニューアルした後、一般の取引市場において売却するという不動産業者の行動原則に合致させるためである。
　学習用情報生成手段１５０は、一組の学習用情報３８０において、同一組内の複数の情報を組み合わせることによって、新たな項目の情報を後述の目的変数３９０又は説明変数４００として生成する形態としても良い。
　図３及び４で示すように、売却住宅２３０に関する情報が、対象住宅の管理費滞納額に関する情報（滞納額、遅延損害金）３００を含むときを想定する。そのとき、学習用情報生成手段１５０は、各学習用情報３８０について、売却価格２９０に管理費滞納額等３００を加算した金額を後述する目的変数３９０として設定する形態であっても良い。また、学習用情報生成手段１５０は、一組の学習用情報３８０について、管理費滞納額等３００÷売却価格２９０、管理費滞納額等３００÷売買価格３７０、売買価格３７０－管理費滞納額等３００、又は、管理費滞納額等３００そのものを後述する説明変数４００として設定する形態であっても良い。管理費滞納額等３００は、競売落札者が返済義務を負うものであり、それを目的変数（売却価格２９０）３９０又は説明変数４００に反映させることが妥当と考えられるためである。
　学習用情報生成手段１５０は、各学習用情報３８０について、所在階２６０・所在階３４０間の差異の大きさ、専有面積２７０・専有面積３５０間の差異の大きさを算出し、各組の学習用情報３８０における説明変数４００に採用する情報として紐付ける形態としても良い。これらは、後述する入出力関係学習手段１６０によって学習させる入出力関係に影響を与えるものだからである。
　入出力関係学習手段１６０は、各々の学習用情報３８０について、売却価格２９０を目的変数３９０とし、売買住宅３１０に関する情報における所在地３２０、所在階３４０、専有面積３５０、主要開口部の方位３６０及び売買価格３７０を含む情報それぞれを説明変数４００とするときの入出力関係を関数近似器４１０に学習させる。なお、売却価格２９０は、売却価格２９０に管理費滞納額等３００を加算して修正した金額を含むものとする。
　本装置１００の目的が売却価格２９０の算出であるため、売却価格２９０を目的変数３９０とする限り、説明変数４００として採用する項目については適宜選定することができる。図９において、目的変数３９０・説明変数４００として採用する項目の一例を示す。図９で示すように、説明変数４００として、例えば、所在地３２０、所在地３２０の用途地域、売買住宅３１０が属する集合住宅の構造・階建て・総戸数・駅からの距離・バス利用の有無、売買価格３７０、専有面積３５０、売買住宅３１０の間取り・バルコニー面積・主要開口部の方位・所在階、滞納額の大きさ・程度３００、売却住宅２３０の管理費、競売にかけられた時点の築年数（競売年月－新築年月）、“売買年月－競売年月”（住宅が売買された時期と売却された時期とのズレを勘案する指標）、公示価格４４０、公示価格の算定の基礎となる最寄りの標準地から売買住宅３１０が属する集合住宅までの最短距離、売買住宅３１０が立地する地域の統計情報４３０（外国人比率、住みやすさ、賃貸用物件の空室率）を採用する。
　関数近似器４１０は、線形モデル、非線形モデルの何れを採用しても良く、非線形モデルの一例としては、サポートベクターマシーン（Support Vector Machine）、ランダムフォレスト（Random Forest）、ＸＧＢｏｏｓｔ、ニューラルネットワーク（Neural Network）等が挙げられる。機械学習アルゴリズムは、その挙動を制御するための１以上のハイパーパラメーターをもつことがある。ハイパーパラメーターは、モデルに含まれる係数（パラメーター）と異なり機械学習を通じて値が決定されるものではなく、機械学習アルゴリズムの実行前に値が与えられるものである。ハイパーパラメーターの例として、ランダムフォレストにおける決定木の生成本数、回帰分析のフィッティング精度、モデルに含まれる多項式の次数などが挙げられる。ハイパーパラメーターの値として、固定値が使用されることもあるし、ユーザーから指定された値が使用されることもある。生成されるモデルの予測性能は、ハイパーパラメーターの値にも依存する。機械学習アルゴリズムとサンプルサイズが同じでも、ハイパーパラメーターの値が変わるとモデルの予測性能も変化し得る。機械学習アルゴリズムの種類が同じでハイパーパラメーターの値が異なる場合、異なる機械学習アルゴリズムを使用したものとして取り扱っても良い。
　本実施の形態において採用するランダムフォレストは、決定木をベースとした予測アルゴリズムである。決定木ベースの予測モデルを用いることで、最終的なモデルの説明を容易にできる、というメリットがある。逆に、それ以外のモデルに関しては、なぜモデルがこの売却価格を予測したのか、ということに対して説明が困難になる場合が多い。ランダムフォレストにおいては、一連の質問に基づいて決定を下していくため、データを分類していくモデルであると考えることができる。ランダムフォレストは、決定木モデルの集団学習により、高精度な予測モデルを行う手法となっている。
　売却価格予測手段１７０は、入出力関係学習手段１６０による学習済みの関数近似器４１０に対し、一の試算対象住宅に関する所在地、所在階、専有面積、主要開口部の方位及び売買価格を含む説明変数４００に関する情報を入力する。それによって、売却価格予測手段１７０は、関数近似器４１０の出力として、試算対象住宅が競売２１０に掛けられたと想定する場合の売却価格の予測値を算出する。
　売却価格予測手段１７０は、ユーザー端末４６０から試算対象住宅に関する所在地、所在階、専有面積、主要開口部の方位及び売買価格を含む説明変数４００として採用した項目に関する情報を受け付け、受け付けた情報を説明変数４００として学習済みの関数近似器４１０に対し入力する。
　売却価格予測手段１７０は、ユーザー端末４６０から試算対象住宅の所在地、売買年月（購入日）、売買価格、間取り、所在階、専有面積、バルコニー面積、主要開口部の方位、管理費等の専有部分に関する情報を受け付ける。次に、売却価格予測手段１７０は、受け付けた試算対象住宅の所在地と合致する所在地３２０を含む学習用情報３８０を特定する。なお、所在地が合致するとは、比較する所在地どうしが同一であるか、又は、所在地の誤記を考慮し、比較する所在地の主要部分が一致し、かつ、マンション名称が一致することをいう。
　さらに、売却価格予測手段１７０は、特定した学習用情報３８０から説明変数４００として採用した項目に関する情報（ユーザー端末４６０から受け付けた試算対象住宅の専有部分に関する情報を除く）を抽出する。図９で示すように、売却価格予測手段１７０は、例えば、特定した一組の学習用情報３８０から、用途地域、構造、階建て、総戸数、交通（駅徒歩）、交通（バス便）、沿線名、新築年月、競売年月、公示価格４４０、外国人比率４３０、住みやすさ４３０、当該エリアの空室率４３０に関する情報を抽出する。
　そして、売却価格予測手段１７０は、ユーザー端末４６０から受け付けた情報及び学習用情報３８０から抽出した情報を、説明変数４００に関する情報として関数近似器４１０に対し入力する。そうすることによって、ユーザー４５０の本装置１００へのデータ入力の手間が省力化されると共に、関数近似器４１０の学習に使用した学習用情報３８０を使用するため、試算対象住宅に係る売却価格の予測精度が向上する。
　売却価格予測手段１７０は、ユーザー端末４６０から試算対象住宅の所在地、売買年月（購入日）、売買価格、間取り、所在階、専有面積、バルコニー面積、主要開口部の方位、管理費等の専有部分に関する情報を受け付ける。次に、売却価格予測手段１７０は、受け付けた試算対象住宅の所在地から所在地３２０が所定距離内にあり、かつ（又は）、試算対象住宅と属性が類似する売買住宅３１０に関する学習用情報３８０を特定する。ここで、住宅の属性が類似するとは、比較する住宅どうしの所在階、専有面積、主要開口部の方位、売買価格、間取り及びバルコニー面積を含む比較対象住宅の特徴を表す情報、並びに、立地する用途地域、構造、階建て、総戸数、交通アクセス及び築年数を含む比較対象住宅（が属するマンション全体）の特徴を表す情報のうち何れか一つ以上の観点において、同一であるか、又は、差異があっても、その差異が所定の範囲内にあることをいう。
　さらに、売却価格予測手段１７０は、特定した一組の学習用情報３８０から説明変数４００として採用した項目に関する情報（ユーザー端末４６０から受け付けた試算対象住宅の専有部分に関する情報を除く）を抽出する。図９で示すように、売却価格予測手段１７０は、例えば、一組の学習用情報３８０から、用途地域、構造、階建て、総戸数、交通（駅徒歩）、交通（バス便）、沿線名、新築年月、競売年月、公示価格４４０、外国人比率４３０、住みやすさ４３０、当該エリアの空室率４３０に関する情報を抽出する。
　そして、売却価格予測手段１７０は、ユーザー端末４６０から受け付けた情報及び学習用情報３８０から抽出した情報を、説明変数４００に関する情報として関数近似器４１０に対し入力する。そうすることによって、ユーザー４５０による本装置１００へのデータ入力の手間が省力化されると共に、過去に競売に掛けられた物件が無いマンション（集合住宅）の住宅に関しても売却価格の精緻な予測を行うことができる。
　なお、売却価格予測手段１７０は、複数組の学習用情報３８０を特定し、各組の学習用情報３８０について上記処理を行った後、各処理において算出された複数の売却価格予測値の平均値や中央値を、試算対象住宅に係る売却価格の予測値とする形態としても良い。
　売却価格予測手段１７０は、ユーザー端末４６０から予測対象日を受け付け、説明変数４００である競売に掛けられた時点の築年数について、予測対象日から“学習用情報３８０に含まれる新築年月”を控除して算出し、関数近似器４１０に対し入力する形態としても良い。
　上記のような動作原理に基づいて、本装置１００は、未だ債権回収目的の売却対象となっていない住宅について、当該対象になったと想定される場合の売却価格を予測する。
　（本実施の形態に係る売却価格予測装置のハードウエア構成）
　図１０を用いて、本装置１００のハードウエア構成例について説明する。図１０は、本装置１００のハードウエア構成の一例を示す図である。図１０で示すように、本装置１００は、ＣＰＵ（Central Processing Unit）５１０、ＲＯＭ（Read-Only Memory）５２０、ＲＡＭ（Random Access Memory）５３０、補助記憶装置５４０、通信Ｉ／Ｆ５５０、入力装置５６０、表示装置５７０、記録媒体Ｉ／Ｆ５８０を有する。
　ＣＰＵ５１０は、ＲＯＭ５２０に記憶されたプログラムを実行する装置であり、ＲＡＭ５３０に展開（ロード）されたデータを、プログラムの命令に従って演算処理し、本装置１００全体を制御する。ＲＯＭ５２０は、ＣＰＵ５１０が実行するプログラムやデータを記憶している。ＲＡＭ５３０は、ＣＰＵ５１０でＲＯＭ５２０に記憶されたプログラムを実行する際に、実行するプログラムやデータが展開（ロード）され、演算の間、演算データを一時的に保持する。
　補助記憶装置５４０は、基本ソフトウエアであるＯＳ（Operating System）や本実施の形態に係るアプリケーションプログラムなどを、関連するデータとともに記憶する装置である。補助記憶装置５４０は、記憶手段１１０、１２０、１３０、１４０、１８０を含み、例えば、ＨＤＤ（Hard Disc Drive）やフラッシュメモリなどである。
　通信Ｉ／Ｆ５５０は、有線・無線ＬＡＮ（Local Area Network）、インターネットなどの通信ネットワーク４７０に接続し、通信機能を提供する他装置４６０とデータの授受を行うためのインターフェースである。
　入力装置５６０は、キーボードなど本装置１００にデータ入力を行うための装置である。表示装置（出力装置）５７０は、ＬＣＤ（Liquid Crystal Display）等で構成される装置であり、本装置１００が有する機能をユーザーが利用する際や各種設定を行う際のユーザーインターフェースとして機能する装置である。記録媒体Ｉ／Ｆ５８０は、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ＵＳＢメモリなどの記録媒体５９０とデータの送受信を行うためのインターフェースである。
　本装置１００が有する各手段は、ＣＰＵ５１０が、ＲＯＭ５２０又は補助記憶装置５４０に記憶された各手段に対応するプログラムを実行することにより実現される形態としても良い。また、本装置１００が有する各手段は、当該各手段に関する処理をハードウエアとして実現される形態としても良い。また、通信Ｉ／Ｆ５５０を介して外部サーバー装置から本発明に係るプログラムを読み込ませたり、記録媒体Ｉ／Ｆ５８０を介して記録媒体５９０から本発明に係るプログラムを読み込ませたりして、本装置１００に当該プログラムを実行させる形態としても良い。
　（本実施の形態に係る売却価格予測装置による処理例）
　（１）本装置１００による機械学習処理
　図１１を用いて、本装置による機械学習処理の流れを説明する。図１１は、本装置１００による機械学習処理の流れを示すフローチャートである。
　Ｓ１０で学習用情報生成手段１５０が、売却住宅情報記憶手段１１０に記憶される売却住宅２３０に関する情報と、売買住宅情報記憶手段１２０に記憶され、対象の売却住宅２３０と属性が同一である又は類似する売買住宅３１０に関する情報と、を一組の学習用情報３８０として紐付ける。
　売却住宅２３０に属性が類似する売買住宅３１０とは、住宅２３０、３１０が集合住宅における住戸である場合、売却住宅２３０と建物が一致し、かつ、所在階、専有面積、主要開口部の方位、バルコニー面積等マンション全体の特徴を表す情報が所定の誤差内にある売買住宅をいう。
　なお、建物が一致するとは、所在地が同一であるか、又は、所在地の誤記を考慮し、所在地の主要部分が一致し、かつ、マンション名称が一致することをいう。また、所定の誤差内とは、例えば、所在階：差異が３階以内、専有面積：差異が１５％以内、主要開口部の方位：差異が９０度以内等の条件をいう。なお、売却住宅２３０に関する情報より売買住宅３１０に関する情報の方が多いため、売却住宅２３０に関する情報１つに複数の売買住宅３１０に関する情報が紐付けられ、売却住宅２３０に関する情報１つについて、複数組の学習用情報３８０が生成されても良い。
　図４及び６で示すように、学習用情報生成手段１５０は、例えば、所在地（東京都八王子市千人町２丁目）・マンション名称（プラウド西八王子）の条件が合致し、所在階：同じ、専有面積：誤差１２．２％、主要開口部の方位：同じであるため、売却住宅２３０：物件１の情報と売買住宅３１０：物件１の情報とを一組の学習用情報３８０として紐付ける。
　さらに、Ｓ１０で学習用情報生成手段１５０が、売却住宅情報記憶手段１１０に記憶される売却住宅２３０に関する情報と、統計情報記憶手段１３０に記憶され、対象の売却住宅２３０と所在地が合致する地域に関する統計情報４３０と、を一組の学習用情報３８０として紐付ける形態としても良い。
　図４及び７で示すように、学習用情報生成手段１５０は、例えば、売却住宅２３０：物件１の情報と、所在地（東京都八王子市）が合致する統計情報４３０：例１の情報と、を一組の学習用情報３８０として紐付ける。
　さらに、Ｓ１０で学習用情報生成手段１５０が、売却住宅情報記憶手段１１０に記憶される売却住宅２３０に関する情報と、地価情報記憶手段１４０に記憶され、対象の売却住宅２３０と最も近い場所に関する地価情報４４０と、を一組の学習用情報３８０として紐付ける形態としても良い。対象の売却住宅２３０と最も近い場所は、対象の売却住宅２３０の緯度・経度と各地価情報４４０の算出地点の緯度・経度とを、三平方の定理又はヒュベニの公式を使用して比較し特定する。
　図４及び８で示すように、学習用情報生成手段１５０は、例えば、所在地（八王子市千人町二丁目２３番地３２）である売却住宅２３０：物件１に関する情報と、そこに最も近い地点（東京都八王子市上野町１０９番２１）の地価情報４４０：１８７，０００円／ｍ２と、を一組の学習用情報３８０として紐付ける。
　ところでＳ１０において、学習用情報生成手段１５０は、生成した学習用情報３８０について、売却住宅２３０に関する情報における“競売年月”が売買住宅３１０に関する情報における“売買年月”よりも遅いものを除外する形態としても良い。競売で取得した住宅をリニューアルした後、一般の取引市場において売却するという不動産業者の行動原則に合致させるためである。
　また、Ｓ１０において学習用情報生成手段１５０は、一組の学習用情報３８０において、同一組内の複数の情報を組み合わせることによって、新たな属性を備える項目の情報を後述の目的変数３９０又は説明変数４００として生成する形態としても良い。
　図３及び４で示すように、売却住宅２３０に関する情報が、対象住宅の管理費滞納額に関する情報（滞納額、遅延損害金）３００を含むときを想定する。そのとき、Ｓ１０で学習用情報生成手段１５０が、各学習用情報３８０について、売却価格２９０に管理費滞納額等３００を加算した金額を後述する目的変数３９０として設定する形態であっても良い。また、Ｓ１０で学習用情報生成手段１５０が、一組の学習用情報３８０について、管理費滞納額等３００÷売却価格２９０、管理費滞納額等３００÷売買価格３７０、売買価格３７０－管理費滞納額等３００、又は、管理費滞納額等３００そのものを後述する説明変数４００として設定する形態であっても良い。管理費滞納額等３００は、競売落札者が返済義務を負うものであり、それを目的変数（売却価格２９０）３９０又は説明変数４００に反映させることが妥当と考えられるためである。
　Ｓ１０で学習用情報生成手段１５０が、各学習用情報３８０について、所在階２６０・所在階３４０間の差異の大きさ、専有面積２７０・専有面積３５０間の差異の大きさを算出し、各組の学習用情報３８０における説明変数４００として紐付ける形態としても良い。これらは、後述する入出力関係学習手段１６０によって学習させる入出力関係に影響を与えるものだからである。
　Ｓ２０で入出力関係学習手段１６０が、Ｓ１０で生成した各々の学習用情報３８０について、売却価格２９０を目的変数３９０とし、売買住宅３１０に関する情報における所在地３２０、所在階３４０、専有面積３５０、主要開口部の方位３６０及び売買価格３７０を含む情報それぞれを説明変数４００とするときの入出力関係を関数近似器４１０に学習させる。なお、売却価格２９０は、売却価格２９０に管理費滞納額等３００を加算して修正した金額を含むものとする。
　本装置１００の目的が売却価格２９０の算出であるため、売却価格２９０を目的変数３９０とすることは変更できないが、説明変数４００として採用する項目については適宜選定することができる。
　図９において、目的変数３９０・説明変数４００として採用する項目の一例を示す。図９で示すように、説明変数４００として、例えば、所在地３２０、所在地３２０の用途地域、売買住宅３１０が属する集合住宅の構造・階建て・総戸数・駅からの距離・バス利用の有無、売買価格３７０、専有面積３５０、売買住宅３１０の間取り・バルコニー面積・主要開口部の方位・所在階、滞納額の大きさ・程度３００、売却住宅２３０の管理費、競売にかけられた時点の築年数（競売年月－新築年月）、“売買年月－競売年月”（住宅が売買された時期と売却された時期とのズレを勘案する指標）、公示価格４４０、公示価格の算定の基礎となる最寄りの標準地から売買住宅３１０が属する集合住宅までの最短距離、売買住宅３１０が立地する地域の統計情報４３０（外国人比率、住みやすさ、賃貸用物件の空室率）を採用する。
　関数近似器４１０は、線形モデル、非線形モデルの何れを採用しても良く、非線形モデルの一例としては、サポートベクターマシーン（Support Vector Machine）、ランダムフォレスト（Random Forest）、ＸＧＢｏｏｓｔ、ニューラルネットワーク（Neural Network）等が挙げられる。本実施の形態において採用するランダムフォレストは、決定木をベースとした予測アルゴリズムである。決定木ベースの予測モデルを用いることで、最終的なモデルの説明を容易にできる、というメリットがある。逆に、それ以外のモデルに関しては、なぜモデルがこの売却価格を予測したのか、ということに対して説明が困難になる場合が多い。ランダムフォレストにおいては、一連の質問に基づいて決定を下していくため、データを分類していくモデルであると考えることができる。ランダムフォレストは、決定木モデルの集団学習により、高精度な予測モデルを行う手法となっている。
　上記のような処理を行うことによって、本装置１００は、開示する売却価格予測装置は、未だ債権回収目的の売却対象となっていない住宅について、当該対象になったと想定される場合の売却価格を予測する関数近似器４１０を生成することができる。
　（２）本装置１００による売却価格予測処理
　図１２を用いて、本装置による売却価格予測処理の流れを説明する。図１２は、本装置１００による売却価格予測処理の流れを示すフローチャートである。
　Ｓ１１０で売却価格予測手段１７０が、ユーザー端末４６０から試算対象住宅に関する所在地、所在階、専有面積、主要開口部の方位及び売買価格を含む説明変数４００として採用した項目に関する情報を受け付ける。Ｓ１２０で売却価格予測手段１７０が、Ｓ２０において学習済みの関数近似器４１０に対し、Ｓ１１０において受け付けた試算対象住宅に関する所在地、所在階、専有面積、主要開口部の方位及び売買価格を含む説明変数４００に関する情報を入力する。そして、Ｓ１３０で売却価格予測手段１７０が、関数近似器４１０の出力として、試算対象住宅が競売２１０に掛けられたと想定する場合の売却価格の予測値を算出する。
　Ｓ１１０において売却価格予測手段１７０は、ユーザー端末４６０から試算対象住宅の所在地、売買年月（購入日）、売買価格、間取り、所在階、専有面積、バルコニー面積、主要開口部の方位、管理費等の専有部分に関する情報を受け付ける形態としても良い。そのとき、Ｓ１２０において売却価格予測手段１７０は、受け付けた試算対象住宅の所在地と合致する所在地３２０を含む学習用情報３８０を特定する。なお、所在地が合致するとは、比較する所在地どうしが同一であるか、又は、所在地の誤記を考慮し、比較する所在地の主要部分が一致し、かつ、マンション名称が一致することをいう。
　さらに、Ｓ１２０において売却価格予測手段１７０は、Ｓ１１０において特定した学習用情報３８０から説明変数４００として採用した項目に関する情報（ユーザー端末４６０から受け付けた試算対象住宅の専有部分に関する情報を除く）を抽出する。図９で示すように、売却価格予測手段１７０は、例えば、特定した一組の学習用情報３８０から、用途地域、構造、階建て、総戸数、交通（駅徒歩）、交通（バス便）、沿線名、新築年月、競売年月、公示価格４４０、外国人比率４３０、住みやすさ４３０、当該エリアの空室率４３０に関する情報を抽出する。
　そして、Ｓ１２０において売却価格予測手段１７０は、Ｓ１１０においてユーザー端末４６０から受け付けた情報及びＳ１２０において学習用情報３８０から抽出した情報を、説明変数４００に関する情報として関数近似器４１０に対し入力する。Ｓ１３０において売却価格予測手段１７０は、関数近似器４１０の出力として、試算対象住宅が競売２１０に掛けられたと想定する場合の売却価格の予測値を算出する。
　上記のような処理を行うことによって、本装置１００は、ユーザー４５０の本装置１００へのデータ入力の手間を省力化させると共に、関数近似器４１０の学習に使用した学習用情報３８０を使用し、試算対象住宅に係る売却価格の予測精度を向上させる。
　また、Ｓ１２０において売却価格予測手段１７０は、Ｓ１１０において受け付けた試算対象住宅の所在地から所在地３２０が所定距離内にあり、かつ（又は）、試算対象住宅と属性が類似する売買住宅３１０に関する学習用情報３８０を特定する形態としても良い。ここで、住宅の属性が類似するとは、比較する住宅どうしの所在階、専有面積、主要開口部の方位、売買価格、間取り及びバルコニー面積を含む比較対象住宅の特徴を表す情報、並びに、立地する用途地域、構造、階建て、総戸数、交通アクセス及び築年数を含む比較対象住宅（が属するマンション全体）の特徴を表す情報のうち何れか一つ以上の観点において、同一であるか、又は、差異があっても、その差異が所定の範囲内にあることをいう。
　さらに、Ｓ１２０において売却価格予測手段１７０は、Ｓ１２０において特定した一組の学習用情報３８０から説明変数４００として採用した項目に関する情報（ユーザー端末４６０から受け付けた試算対象住宅の専有部分に関する情報を除く）を抽出する。図９で示すように、売却価格予測手段１７０は、例えば、一組の学習用情報３８０から、用途地域、構造、階建て、総戸数、交通（駅徒歩）、交通（バス便）、沿線名、新築年月、競売年月、公示価格４４０、外国人比率４３０、住みやすさ４３０、当該エリアの空室率４３０に関する情報を抽出する。
　そして、Ｓ１２０において売却価格予測手段１７０は、ユーザー端末４６０から受け付けた情報及び学習用情報３８０から抽出した情報を、説明変数４００に関する情報として関数近似器４１０に対し入力する。Ｓ１３０において売却価格予測手段１７０は、関数近似器４１０の出力として、試算対象住宅が競売２１０に掛けられたと想定する場合の売却価格の予測値を算出する。
　上記のような処理を行うことによって、本装置１００は、ユーザー４５０による本装置１００へのデータ入力の手間を省力化させると共に、過去に競売に掛けられた物件の無い住宅（マンション（集合住宅）の住戸）に関しても売却価格の精緻な予測を行うことができる。
　なお、売却価格予測手段１７０は、複数組の学習用情報３８０を特定し、各組の学習用情報３８０について上記処理を行った後、各処理において算出された複数の売却価格予測値の平均値や中央値を、試算対象住宅に係る売却価格の予測値とする形態としても良い。
　以上、本発明の実施の形態について詳述したが、本発明は係る特定の実施の形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲において、種々の変形・変更が可能である。
１００　売却価格予測装置
１１０　売却住宅情報記憶手段
１２０　売買住宅情報記憶手段
１３０　統計情報記憶手段
１４０　地価情報記憶手段
１５０　学習用情報生成手段
１６０　入出力関係学習手段
１７０　売却価格予測手段
１８０　学習用情報記憶手段
２１０　債権回収のための不動産売却手続
２２０　司法競売
２３０　売却住宅：債権回収のための不動産売却手続に掛けられた住宅
２４０　売却住宅の所在地
２５０　売却住宅のマンション名称
２６０　売却住宅の所在階
２７０　売却住宅の専有面積
２８０　売却住宅の主要開口部の方位
２９０　売却住宅の売却価格
３００　売却住宅の管理費滞納額に関する情報
３１０　売買住宅：市場取引された住宅
３２０　売買住宅の所在地
３３０　売買住宅のマンション名称
３４０　売買住宅の所在階
３５０　売買住宅の専有面積
３６０　売買住宅の主要開口部の方位
３７０　売買住宅の売買価格
３８０　学習用情報：学習用データセット
３９０　目的変数
４００　説明変数
４１０　関数近似器
４２０　売却価格の予測値
４３０　地域の住環境に関する統計情報
４４０　地域毎の公的な地価情報
４５０　ユーザー
４６０　ユーザー端末
４７０　通信ネットワーク
５１０　ＣＰＵ
５２０　ＲＯＭ
５３０　ＲＡＭ
５４０　補助記憶装置
５５０　通信インターフェース
５６０　入力装置
５７０　出力装置
５８０　記録媒体インターフェース
５９０　記録媒体
 

Claims (17)

  1. 　債権回収のための不動産売却手続に掛けられた売却住宅の前記不動産売却手続における売却価格、並びに、前記売却住宅と属性が同一である又は類似すると共に、市場において取引された売買住宅の所在地、面積、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む一組の学習用情報を複数組記憶する学習用情報記憶手段と、
    　前記一組の学習用情報について、前記売却価格を目的変数とし、前記売買住宅に関する情報における前記所在地、面積、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む情報それぞれを説明変数とするときの入出力関係を学習させた関数近似器に対し、一の試算対象住宅に関する前記所在地、面積及び売買価格、並びに、複数組の前記学習用情報のうち、前記一の試算対象住宅に関する所在地又は属性に基づき関連付けられる前記一組の学習用情報における前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することによって、前記一の試算対象住宅が前記不動産売却手続に掛けられたと想定する場合の前記売却価格の予測値を算出する売却価格予測手段と、を有することを特徴とする売却価格予測装置。
  2. 　債権回収のための不動産売却手続に掛けられた売却住宅の前記不動産売却手続における売却価格、並びに、前記売却住宅と属性が同一である又は類似すると共に、市場において取引された売買住宅の所在地、所在階、専有面積、主要開口部の方位、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む一組の学習用情報を複数組記憶する学習用情報記憶手段と、
    　前記一組の学習用情報について、前記売却価格を目的変数とし、前記売買住宅に関する情報における前記所在地、所在階、専有面積、主要開口部の方位、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む情報それぞれを説明変数とするときの入出力関係を学習させた関数近似器に対し、一の試算対象住宅に関する前記所在地、所在階、専有面積、主要開口部の方位及び売買価格、並びに、複数組の前記学習用情報のうち、前記一の試算対象住宅に関する所在地又は属性に基づき関連付けられる前記一組の学習用情報における前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することによって、前記一の試算対象住宅が前記不動産売却手続に掛けられたと想定する場合の前記売却価格の予測値を算出する売却価格予測手段と、を有することを特徴とする売却価格予測装置。
  3. 　前記売却価格予測手段が、前記複数組の学習用情報の中から、前記売買住宅の所在地が前記一の試算対象住宅の所在地と合致する前記一組の学習用情報を特定し、特定した前記一組の学習用情報から前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を抽出し、抽出した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することを特徴とする請求項１又は２に記載の売却価格予測装置。
  4. 　前記一組の学習用情報が、前記売買住宅のマンション名称を含み、
    　前記売却価格予測手段が、前記複数組の学習用情報の中から、前記売買住宅の前記マンション名称が前記一の試算対象住宅のマンション名称と合致する前記一組の学習用情報を特定し、特定した前記一組の学習用情報から前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を抽出し、抽出した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することを特徴とする請求項３に記載の売却価格予測装置。
  5. 　前記売却価格予測手段が、前記複数組の学習用情報の中から、前記売買住宅の所在地が前記一の試算対象住宅に関する所在地から所定距離内にある前記一組の学習用情報を特定し、特定した前記一組の学習用情報から前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を抽出し、抽出した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することを特徴とする請求項１又は２に記載の売却価格予測装置。
  6. 　前記売却価格予測手段が、前記複数組の学習用情報の中から、前記一の試算対象住宅と属性が類似する住宅に関する前記一組の学習用情報を特定し、特定した前記一組の学習用情報から前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を抽出し、抽出した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することを特徴とする請求項１、２又は５に記載の売却価格予測装置。
  7. 　前記売却価格予測手段が、面積、売買価格、間取り、立地する用途地域、構造、建物階、交通アクセス及び築年数を含む比較対象住宅の特徴を表す情報のうち何れか一つ以上の観点において、前記一の試算対象住宅と属性が類似する住宅に関する前記一組の学習用情報を特定することを特徴とする請求項６に記載の売却価格予測装置。
  8. 　前記売却価格予測手段が、所在階、専有面積、主要開口部の方位、売買価格、間取り及びバルコニー面積を含む比較対象住宅の特徴を表す情報、並びに、立地する用途地域、構造、階建て、総戸数、交通アクセス及び築年数を含む比較対象住宅が属するマンション全体の特徴を表す情報のうち何れか一つ以上の観点において、前記一の試算対象住宅と属性が類似する住宅に関する前記一組の学習用情報を特定することを特徴とする請求項６に記載の売却価格予測装置。
  9. 　債権回収のための不動産売却手続に掛けられた売却住宅の前記不動産売却手続における売却価格、並びに、前記売却住宅と属性が同一である又は類似すると共に、市場において取引された売買住宅の所在地、面積、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む一組の学習用情報を複数組記憶する学習用情報記憶手段を有するコンピューターにおいて、
    　売却価格予測手段が、前記一組の学習用情報について、前記売却価格を目的変数とし、前記売買住宅に関する情報における前記所在地、面積、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む情報それぞれを説明変数とするときの入出力関係を学習させた関数近似器に対し、一の試算対象住宅に関する前記所在地、面積及び売買価格、並びに、複数組の前記学習用情報のうち、前記一の試算対象住宅に関する所在地又は属性に基づき関連付けられる前記一組の学習用情報における前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することによって、前記一の試算対象住宅が前記不動産売却手続に掛けられたと想定する場合の前記売却価格の予測値を算出するステップ、を含む売却価格予測方法。
  10. 　債権回収のための不動産売却手続に掛けられた売却住宅の前記不動産売却手続における売却価格、並びに、前記売却住宅と属性が同一である又は類似すると共に、市場において取引された売買住宅の所在地、所在階、専有面積、主要開口部の方位、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む一組の学習用情報を複数組記憶する学習用情報記憶手段を有するコンピューターにおいて、
    　売却価格予測手段が、前記一組の学習用情報について、前記売却価格を目的変数とし、前記売買住宅に関する情報における前記所在地、所在階、専有面積、主要開口部の方位、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む情報それぞれを説明変数とするときの入出力関係を学習させた関数近似器に対し、一の試算対象住宅に関する前記所在地、所在階、専有面積、主要開口部の方位及び売買価格、並びに、複数組の前記学習用情報のうち、前記一の試算対象住宅に関する所在地又は属性に基づき関連付けられる前記一組の学習用情報における前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することによって、前記一の試算対象住宅が前記不動産売却手続に掛けられたと想定する場合の前記売却価格の予測値を算出するステップ、を含む売却価格予測方法。
  11. 　前記売却価格予測手段が、前記複数組の学習用情報の中から、前記売買住宅の所在地が前記一の試算対象住宅の所在地と合致する前記一組の学習用情報を特定し、特定した前記一組の学習用情報から前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を抽出し、抽出した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することを特徴とする請求項９又は１０に記載の売却価格予測方法。
  12. 　前記一組の学習用情報が、前記売買住宅のマンション名称を含み、
    　前記売却価格予測手段が、前記複数組の学習用情報の中から、前記売買住宅の前記マンション名称が前記一の試算対象住宅のマンション名称と合致する前記一組の学習用情報を特定し、特定した前記一組の学習用情報から前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を抽出し、抽出した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することを特徴とする請求項１１に記載の売却価格予測方法。
  13. 　前記売却価格予測手段が、前記複数組の学習用情報の中から、前記売買住宅の所在地が前記一の試算対象住宅に関する所在地から所定距離内にある前記一組の学習用情報を特定し、特定した前記一組の学習用情報から前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を抽出し、抽出した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することを特徴とする請求項９又は１０に記載の売却価格予測方法。
  14. 　前記売却価格予測手段が、前記複数組の学習用情報の中から、前記一の試算対象住宅と属性が類似する住宅に関する前記一組の学習用情報を特定し、特定した前記一組の学習用情報から前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を抽出し、抽出した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することを特徴とする請求項９、１０又は１３に記載の売却価格予測方法。
  15. 　前記売却価格予測手段が、面積、売買価格、間取り、立地する用途地域、構造、建物階、交通アクセス及び築年数を含む比較対象住宅の特徴を表す情報のうち何れか一つ以上の観点において、前記一の試算対象住宅と属性が類似する住宅に関する前記一組の学習用情報を特定することを特徴とする請求項１４に記載の売却価格予測方法。
  16. 　前記売却価格予測手段が、所在階、専有面積、主要開口部の方位、売買価格、間取り及びバルコニー面積を含む比較対象住宅の特徴を表す情報、並びに、立地する用途地域、構造、階建て、総戸数、交通アクセス及び築年数を含む比較対象住宅が属するマンション全体の特徴を表す情報のうち何れか一つ以上の観点において、前記一の試算対象住宅と属性が類似する住宅に関する前記一組の学習用情報を特定することを特徴とする請求項１４に記載の売却価格予測方法。
  17. 　コンピューターに、請求項９乃至１６の何れか一に記載の方法を実行させるための売却価格予測プログラム。
PCT/JP2019/006715 2018-12-12 2019-02-22 売却価格予測装置 WO2020121542A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201980091381.XA CN113396438B (zh) 2018-12-12 2019-02-22 出售价格预测装置
JP2020559683A JP7112772B2 (ja) 2018-12-12 2019-02-22 売却価格予測装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018232812 2018-12-12
JP2018-232812 2018-12-12

Publications (1)

Publication Number Publication Date
WO2020121542A1 true WO2020121542A1 (ja) 2020-06-18

Family

ID=71076298

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/006715 WO2020121542A1 (ja) 2018-12-12 2019-02-22 売却価格予測装置

Country Status (3)

Country Link
JP (1) JP7112772B2 (ja)
CN (1) CN113396438B (ja)
WO (1) WO2020121542A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070119942A (ko) * 2006-06-16 2007-12-21 정춘자 부동산 경매정보 제공시스템에 있어 적정 입찰가격분석정보 제공방법
KR20140118906A (ko) * 2013-03-27 2014-10-08 이경문 부동산 경매 물건 관련 가격 정보 제공 방법 및 시스템
WO2016136056A1 (ja) * 2015-02-27 2016-09-01 ソニー株式会社 情報処理装置、情報処理方法およびプログラム

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6321212B1 (en) * 1999-07-21 2001-11-20 Longitude, Inc. Financial products having a demand-based, adjustable return, and trading exchange therefor
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
KR20020004710A (ko) * 2000-07-07 2002-01-16 권오억 인터넷을 이용한 부동산 가격관련 정보 표시방법,지리정보시스템 또는 인터넷 지리정보시스템을 이용한부동산 가격정보 표시방법, 및 인터넷상 또는인터넷지리정보시스템상 지아이에스 지(적)도면을 이용한부동산감정가격 자동산정 방법 및 인터넷 홈페이지를이용한 이의 표시방법
JP2006048572A (ja) * 2004-08-09 2006-02-16 Toshiba Corp 不動産競売情報提供システム
JP2006099591A (ja) * 2004-09-30 2006-04-13 Asahi Kasei Homes Kk 住宅ローン債権の証券化情報提供システム
US20090234763A1 (en) * 2006-09-27 2009-09-17 Equassure, Inc., A Delaware Corporation Home option contract business process
KR101161347B1 (ko) * 2009-07-15 2012-07-09 윤호원 부동산 운용 시스템 및 그 방법
JP5208167B2 (ja) * 2010-06-21 2013-06-12 旭化成ホームズ株式会社 住宅ローン債権の情報提供方法及びそれを備えた住宅ローン債権の情報提供システム
US20130346151A1 (en) * 2012-06-22 2013-12-26 Corelogic Solutions, Llc Systems and methods for automated valuation of real estate developments
WO2016009683A1 (ja) * 2014-07-15 2016-01-21 ソニー株式会社 情報処理装置、情報処理方法およびプログラム
CN106663301A (zh) * 2014-07-15 2017-05-10 索尼公司 信息处理装置、信息处理方法及程序
JP6217049B2 (ja) * 2015-06-30 2017-10-25 株式会社マーキュリー 中古販売価格算定システム、プログラムおよび方法
KR101762888B1 (ko) * 2016-07-11 2017-08-04 주식회사 한국감정원 유사가격권 및 실거래가격을 이용한 부동산 시세 산정 시스템 및 방법
TW201839696A (zh) * 2017-04-18 2018-11-01 台灣金聯資產管理股份有限公司 智慧型資產評估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070119942A (ko) * 2006-06-16 2007-12-21 정춘자 부동산 경매정보 제공시스템에 있어 적정 입찰가격분석정보 제공방법
KR20140118906A (ko) * 2013-03-27 2014-10-08 이경문 부동산 경매 물건 관련 가격 정보 제공 방법 및 시스템
WO2016136056A1 (ja) * 2015-02-27 2016-09-01 ソニー株式会社 情報処理装置、情報処理方法およびプログラム

Also Published As

Publication number Publication date
JP7112772B2 (ja) 2022-08-04
JPWO2020121542A1 (ja) 2020-06-18
CN113396438A (zh) 2021-09-14
CN113396438B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
Bayer et al. Speculative fever: Investor contagion in the housing bubble
Chen et al. Machine learning in/for blockchain: Future and challenges
Cheng et al. Bidding decision making for construction company using a multi-criteria prospect model
US20150178829A1 (en) System and method for generating a virtual credit score and a respective virtual credit line
US20200387990A1 (en) Systems and methods for performing automated feedback on potential real estate transactions
KR20010108282A (ko) 입찰가 판정 방법, 시스템 및 컴퓨터
JP2003526147A (ja) 自動的にポートフォリオ記述統計値を求める相互相関ツール
Hwang et al. Housing price dynamics in time and space: predictability, liquidity and investor returns
Teoh et al. Explainable housing price prediction with determinant analysis
Rosenfield et al. Agent-based housing market microsimulation for integrated land use, transportation, environment model system
Leishman et al. The influence of uncertainty on house builder behaviour and residential land values
Čermáková et al. Comparison of property price development in regions affected by mining with other regions of the CR.
Helgaker et al. Adverse selection in iBuyer business models—don’t buy lemons!
Soltani et al. The non-linear dynamics of South Australian regional housing markets: A machine learning approach
WO2020121542A1 (ja) 売却価格予測装置
WO2020110274A1 (ja) 売却価格予測装置
Loberto Foreclosures and house prices
Augustyniak et al. Property valuation for mortgage purposes in Poland
Yee et al. Using machine learning to forecast residential property prices in overcoming the property overhang issue
Sápi The international practice of statistical property valuation methods and the possibilities of introducing automated valuation models in Hungary
Dwivedi et al. House Price Prediction using regression techniques
KR102668661B1 (ko) 부동산 투자회사의 주식 정보 제공 방법
Yosef et al. Decision support system based on fuzzy logic for assessment of expected corporate income performance
JP2010128515A (ja) Ｆｘ用融資審査装置及びコンピュータプログラム
KR102120591B1 (ko) P2p 대출 상품의 대출 정보 분석 서비스 시스템 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19897471

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020559683

Country of ref document: JP

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 19897471

Country of ref document: EP

Kind code of ref document: A1