WO2022085612A1 - 不動産取引価格提案プログラム - Google Patents

不動産取引価格提案プログラム Download PDF

Info

Publication number
WO2022085612A1
WO2022085612A1 PCT/JP2021/038361 JP2021038361W WO2022085612A1 WO 2022085612 A1 WO2022085612 A1 WO 2022085612A1 JP 2021038361 W JP2021038361 W JP 2021038361W WO 2022085612 A1 WO2022085612 A1 WO 2022085612A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
real estate
transaction price
association
degree
Prior art date
Application number
PCT/JP2021/038361
Other languages
English (en)
French (fr)
Inventor
綾子 澤田
Original Assignee
Ａｓｓｅｓｔ株式会社
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 Ａｓｓｅｓｔ株式会社 filed Critical Ａｓｓｅｓｔ株式会社
Publication of WO2022085612A1 publication Critical patent/WO2022085612A1/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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/08—Construction
    • 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 present invention relates to a move-in recommendation company proposal program that proposes a transaction price for real estate for businesses or households.
  • the selling price and rental price (hereinafter referred to as "price") of these real estates are priced based on conventional experience, taking into consideration the location, size, age, functions of the building, images, market prices, etc. Is done. If this pricing deviates from the balance between supply and demand based on these various factors, either the buyer or the seller will unfairly lose money. For this reason, real estate pricing is required to set an optimal value that is well-balanced for both parties. However, it takes considerable skill to set the price of this real estate to the optimum price based on these various factors, the balance between supply and demand, and past experience. For this reason, a system that allows anyone to easily price real estate without any special skill or experience has been desired. In addition to this, a system that allows anyone to easily predict the rate of increase or decrease in the transaction price of real estate has been more desired.
  • the present invention was devised in view of the above-mentioned problems, and the purpose of the present invention is a move-in recommendation company proposal program that can price real estate, and anyone can easily make a real estate transaction price.
  • the purpose is to provide a real estate ups and downs forecasting program that can predict the ups and downs of real estate.
  • the move-in recommendation company proposal program is a real estate transaction price proposal program that proposes a transaction price for real estate, in which an information acquisition step for acquiring property information regarding the contents of a real estate property and a reference property regarding the contents of a real estate property are provided. Proposals are made based on the three or more levels of association between the information and the transaction price, and the transaction price for the reference property information according to the property information acquired through the above information acquisition step. It is characterized by having a computer perform a search step to search for a transaction price to be made.
  • FIG. 1 It is a block diagram which shows the whole structure of the system to which this invention is applied. It is a figure which shows the specific configuration example of the estimation device. It is a figure for demonstrating the operation of this invention. It is a figure for demonstrating the operation of this invention. It is a figure for demonstrating the operation of this invention. It is a figure for demonstrating the operation of this invention. It is a figure for demonstrating the operation of this invention. It is a figure for demonstrating the operation of this invention. It is a figure for demonstrating the operation of this invention. It is a figure for demonstrating the operation of this invention. It is a figure for demonstrating the operation of this invention. It is a figure for demonstrating the operation of this invention. It is a figure for demonstrating the operation of this invention. It is a figure for demonstrating the operation of this invention. It is a figure for demonstrating the operation of this invention. It is a figure for demonstrating the operation of this invention. It is a figure for demonstrating the operation of this invention. It is a
  • FIG. 1 is a block diagram showing an overall configuration of a occupancy recommendation company proposal system 1 in which a occupancy recommendation company proposal program to which the present invention is applied is implemented.
  • the move-in recommendation company proposal system 1 includes an information acquisition unit 9, an estimation device 2 connected to the information acquisition unit 9, and a database 3 connected to the estimation device 2.
  • Information may be transmitted / received between the information acquisition unit 9 and the estimation device 2 and between the estimation device 2 and the database 3 via a public communication network such as the Internet.
  • the information acquisition unit 9 is a device for a person using this system to input various commands and information, and specifically, is composed of a keyboard, buttons, a touch panel, a mouse, a switch, and the like.
  • the information acquisition unit 9 is not limited to a device for inputting text information, and may be configured by a device such as a microphone that can detect voice and convert it into text information. Further, the information acquisition unit 9 may be configured as an image pickup device capable of taking an image of a camera or the like.
  • the information acquisition unit 9 may be configured by a scanner having a function of recognizing a character string from a paper-based document. Further, the information acquisition unit 9 may be integrated with the estimation device 2 described later.
  • the information acquisition unit 9 outputs the detected information to the estimation device 2. Further, the information acquisition unit 9 may be configured by means for specifying the position information by scanning the map information.
  • Database 3 stores various information about real estate to be rented and real estate to be bought and sold.
  • Real estate is land, buildings (buildings, condominiums, detached houses), etc.
  • Regional characteristic information about each of these real estates (address, nearest station, how many minutes walk from the station, surrounding facility information, surrounding environment information, surrounding image information around the real estate, ground information, past disaster information, nearest Distance information from the station, traffic volume information about the traffic around the real estate), property information (area information about the size of the real estate, age information about the age of the real estate, inside information about the inside of the real estate, the real estate Appearance image information that captures the appearance of the real estate, brand information about the brand of the building structure of the real estate, new construction price information about the price at the time of new construction of the real estate) is stored.
  • the property information may be composed of information (location of the property, condominium, building name, floor) for specifying the property itself, in addition to the above-mentioned example.
  • Examples of the inside information inside the real estate include, for example, floor plans, flow lines, equipment, exteriors, images taken indoors, and the like.
  • the external environment information is stored in this database 3.
  • This external environmental information includes all information related to the external environment such as politics, economy, and society, apart from individual real estate, and includes, for example, market price information.
  • This market price information includes rent, office vacancy rate, tsubo unit price, transaction price of condominiums and houses, and information on changes over time.
  • Database 3 also stores industry information indicating the type of business of the business operator who recommends moving in.
  • the type of business to be recommended may be classified into a relatively broad category such as law offices, restaurants, convenience stores, coffee shops, retail stores, etc. For example, in restaurants, taverns, restaurants, bars, etc. It may be included in detailed classifications such as for standing eating soba restaurants and chain stores.
  • the estimation device 2 is composed of, for example, an electronic device such as a personal computer (PC), but is embodied in any other electronic device such as a mobile phone, a smartphone, a tablet terminal, a wearable terminal, etc., in addition to the PC. It may be the one to be converted. The user can obtain a search solution by this estimation device 2.
  • PC personal computer
  • FIG. 2 shows a specific configuration example of the estimation device 2.
  • the estimation device 2 performs wired communication or wireless communication with a control unit 24 for controlling the entire estimation device 2 and an operation unit 25 for inputting various control commands via an operation button, a keyboard, or the like.
  • a communication unit 26 for the purpose, an estimation unit 27 for making various judgments, and a storage unit 28 for storing a program for performing a search to be executed represented by a hard disk or the like are connected to the internal bus 21, respectively. ..
  • a display unit 23 as a monitor that actually displays information is connected to the internal bus 21.
  • the control unit 24 is a so-called central control unit for controlling each component mounted in the estimation device 2 by transmitting a control signal via the internal bus 21. Further, the control unit 24 transmits various control commands via the internal bus 21 according to the operation via the operation unit 25.
  • the operation unit 25 is embodied by a keyboard or a touch panel, and an execution command for executing a program is input from the user.
  • the operation unit 25 notifies the control unit 24 of the execution command.
  • the control unit 24, including the estimation unit 27, executes a desired processing operation in cooperation with each component.
  • the operation unit 25 may be embodied as the information acquisition unit 9 described above.
  • the estimation unit 27 is responsible for searching for a business operator to be proposed and estimating the price for pricing real estate.
  • the estimation unit 27 reads out various information stored in the storage unit 28 and various information stored in the database 3 as necessary information when executing the estimation operation.
  • the estimation unit 27 may be controlled by artificial intelligence. This artificial intelligence may be based on any well-known artificial intelligence technique.
  • the display unit 23 is configured by a graphic controller that creates a display image based on the control by the control unit 24.
  • the display unit 23 is realized by, for example, a liquid crystal display (LCD) or the like.
  • the storage unit 28 When the storage unit 28 is composed of a hard disk, predetermined information is written to each address based on the control by the control unit 24, and is read out as needed. Further, the storage unit 28 stores a program for executing the present invention. This program will be read and executed by the control unit 24.
  • the reference area characteristic information includes information such as the address where the real estate is located, the nearest station, and how many minutes walk from the station. Also, as reference area characteristic information, how many minutes walk to schools, stores (supermarkets, shopping malls, convenience stores, libraries, public halls, hospitals, restaurants), etc. around the real estate, or what is actually It contains information about the surrounding facilities as to whether they are located at a distance of meters.
  • reference area characteristic information for example, information on the surrounding location environment such as pubs, restaurants, stores specializing in sex customs, simple inns, etc., and information on the natural environment such as sunlight and wind direction (hereinafter, surrounding environment information). ) Is also included.
  • ground information regarding the ground of the real estate and past disaster information that describes the presence or absence of damage due to a disaster at the location of the real estate in the past, the degree of damage, etc. may be included in this reference area characteristic information. .. It is essential that this reference area characteristic information includes all of the address, the nearest station, how many minutes walk from the station, surrounding facility information, surrounding environmental information, ground information, and past disaster information. However, any one or more may be included.
  • the reference area characteristic information also includes the traffic volume of vehicles and people.
  • the reference area characteristic information includes information on what kind of industry the company has moved in in the past.
  • the reference area characteristic information includes vibration information regarding the vibration of the ground in the area where the real estate is located. This vibration information may be composed of data obtained by measuring the ground shaking and vibration caused by the traveling of the vehicle with a vibration meter.
  • the reference area characteristic information also includes the annual income information regarding the annual income of the residents in the area where the real estate is located. For this annual income information, for example, the average annual income data aggregated for each area (prefecture, city, ward, town, village unit) where the real estate is located may be used.
  • population estimation information regarding population estimation in the area where the real estate is located and vacant house rate information regarding the vacant house rate in the area where the real estate is located may also be included in this reference area characteristic information.
  • disaster risk information regarding the disaster risk in the area where the real estate is located may be included.
  • the history of suffering natural disasters such as tsunamis, floods, typhoons, landslides, etc. in the past and the possibility of such disasters may be aggregated as risk assessment values.
  • noise information regarding noise around the real estate may be included in the reference area characteristic information, and the data measured by the sound level meter may be used for this noise information.
  • the input data is, for example, reference area characteristic information P01 to P03.
  • the reference area characteristic information as such input data is linked to the output.
  • industry information as an output solution is displayed.
  • the industry information Q1 is assigned to a restaurant
  • the industry information Q2 is assigned to an office, and the like.
  • the reference area characteristic information is related to the industry information as this output solution through three or more levels of association.
  • the reference area characteristic information is arranged on the left side through this degree of association, and each industry information is arranged on the right side through this degree of association.
  • the degree of association indicates the degree of which industry information is highly relevant to the reference area characteristic information arranged on the left side.
  • this degree of association is an index showing what kind of industry information each reference area characteristic information is likely to be associated with, and is used to select the most probable industry information from the reference area characteristic information. It shows the accuracy in. In the example of FIG. 3, w13 to w19 are shown as the degree of association.
  • w13 to w19 are shown in 10 stages as shown in Table 1 below, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the price as an output. On the contrary, the closer to one point, the lower the degree of relevance of each combination as an intermediate node to the price as an output.
  • the estimation device 2 acquires in advance the degree of association w13 to w19 of three or more stages shown in FIG. That is, the estimation device 2 accumulates past data on how much the reference area characteristic information and the industry information in that case were in determining the actual search solution, and analyzes and analyzes these. By doing so, the degree of association shown in FIG. 3 is created.
  • the reference area characteristic information P01 is the nearest station XX, a 5-minute walk from the station, and an average of 30 people per 5 minutes of traffic. At this time, it is investigated what kind of company in the past such real estate was included.
  • This analysis may be performed by artificial intelligence.
  • the type of business of the business operator who has moved in in the past is analyzed from the past data. If there are many taverns, the degree of association that leads to the industry information indicating this tavern is set higher, and if there are many cases of law firms and there are few cases of taverns, it leads to industry information indicating the law firm. Set the degree of association high and the degree of association low that leads to industry information indicating izakaya.
  • the degree of association shown in FIG. 3 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association.
  • the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
  • Such degree of association is what is called learned data in artificial intelligence. After creating such learned data, when actually introducing a real estate property to a new business operator, when estimating what kind of business operator should be introduced, the above-mentioned learned data is used. The industry information will be determined. In such a case, the regional characteristic information of the real estate to be traded is newly acquired.
  • the newly acquired regional characteristic information is input by the above-mentioned information acquisition unit 9.
  • the details of this regional characteristic information are the same as those for reference regional characteristic information described above.
  • the degree of association shown in FIG. 3 (Table 1) acquired in advance is referred to.
  • the industry information Q2 is associated with w15 and the industry information Q3 is associated with the association degree w16 via the degree of association.
  • the industry information Q2 having a higher degree of association is selected as the optimum solution.
  • an output solution to which the arrows are not connected may be selected, and any other output solution may be selected in any other priority as long as it is based on the degree of association.
  • the newly acquired regional characteristic information is consistent with the reference regional characteristic information as the type of information. Therefore, when the new regional characteristic information is acquired, it is the same or the same as the regional characteristic information. It is possible to immediately refer to similar regional characteristic information for reference and estimate the optimal industry for recommending occupancy.
  • the surrounding image information around the real estate when acquiring any one or more of the surrounding image information around the real estate, the distance information from the nearest station, and the traffic volume information about the traffic volume around the real estate as the regional attribute information, as the reference regional characteristic information. , It is necessary to learn the surrounding image information, the distance information, and the traffic volume information corresponding to these from the industry information in advance. Then, the industry information is searched for through the reference area characteristic information according to the actually acquired surrounding image information, distance information, and traffic volume information.
  • the above-mentioned degree of association may be composed of any two or more combinations of the surrounding image information around the real estate, the distance information from the nearest station, and the traffic volume information regarding the traffic volume around the real estate. Then, the solution may be searched by learning the industry information as the search solution for the combination.
  • the input data is, for example, reference area attribute information P11 to P13 and reference property information P14 to 17.
  • the intermediate node shown in FIG. 4 is a combination of reference property information and reference area attribute information as such input data.
  • Each intermediate node is further linked to the output. In this output, industry information as an output solution is displayed.
  • Each combination (intermediate node) of the reference area attribute information and the reference property information is associated with each other through three or more levels of association with the industry information as this output solution.
  • the reference area attribute information and the reference property information are arranged on the left side through this degree of association, and the industry information is arranged on the right side through this degree of association.
  • the degree of association indicates the degree of which industry information is highly relevant to the reference area attribute information and the reference property information arranged on the left side. In other words, this degree of association is an index showing what kind of industry information each reference area attribute information and reference property information is likely to be associated with, and is a reference area attribute information and reference property information. It shows the accuracy in selecting the most probable industry information from. In the example of FIG.
  • w13 to w22 are shown as the degree of association. As shown in Table 1, these w13 to w22 are shown in 10 stages, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the price as an output, and conversely. The closer to one point, the less related each combination as an intermediate node to the price as an output.
  • the estimation device 2 acquires in advance the degree of association w13 to w22 of three or more stages shown in FIG. That is, the estimation device 2 accumulates past data on how much the reference area attribute information, the reference property information, and the industry information in that case were in determining the actual search solution, and these By analyzing and analyzing, the degree of association shown in FIG. 4 is created.
  • the real estate traded in the past is the reference area attribute information P11.
  • the actual area of the real estate is "50 tsubo" as the property information
  • the industry information is investigated in the previous data.
  • This analysis may be performed by artificial intelligence.
  • the industry information is analyzed from the past data. If the industry information has many cases of convenience stores, the degree of association that leads to the industry information indicating this convenience store is set higher, and if there are many cases of restaurants and there are few cases of convenience stores, the restaurant is indicated. Set the degree of association that leads to industry information high, and the degree of association that leads to industry information that indicates convenience stores low.
  • the output of the industry information Q1 and the industry information Q2 is linked, but from the previous case, the degree of association of w13 connected to the industry information Q1 is set to 7 points, and the degree of association of w13 connected to the industry information Q2 is set to 7.
  • the degree of association is set to 2 points.
  • the degree of association shown in FIG. 4 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association.
  • the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
  • the node 61b is a node in which the reference property information P14 is combined with the reference area attribute information P11, the degree of association of the industry information Q3 is w15, and the association of the industry information Q5.
  • the degree is w16.
  • the node 61c is a node that is a combination of the reference property information P15 and P17 with respect to the reference area attribute information P12, and the degree of association of the industry information Q2 is w17 and the degree of association of the industry information Q4 is w18.
  • Such degree of association is what is called learned data in artificial intelligence.
  • the price will be estimated using the above-mentioned learned data when actually estimating the type of business of the business operator to be newly recommended from now on.
  • the regional characteristic information of the recommended real estate is newly acquired and the property information is acquired.
  • the newly acquired regional characteristic information and property information may be acquired via a user interface such as a keyboard.
  • the degree of association shown in FIG. 4 (Table 1) acquired in advance is referred to.
  • the node 61d is associated with the node 61d via the degree of association.
  • the node 61d is associated with the industry information Q3 by w19 and the industry information Q4 by the degree of association w20.
  • the industry information Q3 having a higher degree of association is selected as the optimum solution.
  • Table 2 below shows an example of the degree of association w1 to w12 extending from the input.
  • the intermediate node 61 may be selected based on the degree of association w1 to w12 extending from this input. That is, the larger the degree of association w1 to w12, the heavier the weighting in the selection of the intermediate node 61 may be. However, the degrees of association w1 to w12 may all have the same value, and the weights in the selection of the intermediate node 61 may all be the same.
  • the property information one or more of the area information regarding the size of the real estate, the age information regarding the age of the real estate, the internal information regarding the inside of the real estate, and the external image information obtained by imaging the appearance of the real estate is acquired.
  • the area information, the age information, the internal information, and the external image information corresponding to these as the reference property information with the industry information.
  • the industry information is searched for through the actually acquired area information, age information, internal information, and reference property information according to the external image information.
  • the above-mentioned degree of association may be composed of any two or more combinations of breadth information, age information, internal information, and external image information. Then, the solution may be searched by learning the industry information as the search solution for the combination.
  • FIG. 5 shows an example in which the combination of the above-mentioned reference area characteristic information, the reference external environment information, and the industry information for the combination are set to three or more levels of association.
  • the intermediate node shown in FIG. 5 is a combination of the reference area characteristic information and the reference external environment information as such input data.
  • the reference external environment information includes all information related to the external environment such as politics, economy, and society, apart from individual real estate, and for example, market price information is also included in this.
  • This market price information includes office vacancy rate, unit price per tsubo, and information on changes over time.
  • the estimation device 2 acquires in advance the degree of association w13 to w22 of three or more stages shown in FIG. That is, in actually estimating the industry information, the estimation device 2 includes the reference area characteristic information, the reference external environment information, the industry of the business operator who actually moved in in that case, and the introduced business operator. By accumulating data on what kind of industry was, and analyzing and analyzing these, the degree of association shown in FIG. 5 is created.
  • the node 61b is a node in which the reference external environment information P18 is combined with the reference area characteristic information P11, the degree of association of the industry information Q3 is w15, and the industry information Q5.
  • the degree of association is w16.
  • the regional characteristic information corresponds to the reference regional characteristic information
  • the external environmental information corresponds to the reference external environmental information
  • the degree of association shown in FIG. 5 acquired in advance.
  • the combination is associated with the node 61c.
  • the industry information Q2 is associated with the association degree w17
  • the industry information Q4 is associated with the association degree w18.
  • FIG. 6 in addition to the above-mentioned reference area characteristic information and reference property information, a combination of reference external environment information and industry information for the combination are set to three or more levels of association. An example is shown.
  • the degree of association is such that the set of combinations of the reference area characteristic information, the reference property information, and the reference external environment information is the node 61a to 61e of the intermediate node as described above. Will be expressed as.
  • the reference area characteristic information P12 is associated with the association degree w3
  • the reference property information P15 is associated with the association degree w7
  • the reference external environment information P21 is associated with the association degree w11.
  • the reference area characteristic information P13 is associated with the association degree w5
  • the reference property information P15 is associated with the association degree w8
  • the reference external environment information P20 is associated with the association degree w10.
  • the type of industry is estimated based on the newly acquired regional characteristic information, property information, and external environmental information.
  • the acquired regional characteristic information is the same as or similar to the reference regional characteristic information P12
  • the acquired property information corresponds to the reference property information P15
  • the acquired external environment information corresponds to the reference external environment information P21.
  • the node 61c is associated with the combination
  • the industry information Q2 is associated with the association degree w17
  • the industry information Q4 is associated with the association degree w18.
  • FIG. 7 shows an example in which the combination of the above-mentioned reference area characteristic information, the reference property information, and the transaction price for the combination are set to three or more levels of association.
  • the transaction price here includes the rent as well as the sale price.
  • the intermediate node shown in FIG. 7 is a combination of reference property information and reference area characteristic information as such input data.
  • the reference property information used here includes information on the contents of the property, for example, floor plans, flow lines, equipment, exteriors, images taken indoors, and the like.
  • the estimation device 2 acquires in advance the degree of association w13 to w22 of three or more stages shown in FIG. 7. That is, the estimation device 2 accumulates reference area characteristic information, reference property information, and data on what the past transaction price was in that case when actually estimating the industry information. By analyzing, analyzing, and learning these, the degree of association shown in FIG. 7 is created.
  • the node 61b is a node of the combination of the reference property information P14 with respect to the reference area characteristic information P11, the degree of association of the transaction price Q3 is w15, and the association of the transaction price Q5.
  • the degree is w16.
  • the transaction price refers to the degree of association shown in FIG. 7 acquired in advance.
  • the combination is associated with the node 61c.
  • the transaction price Q2 is associated with the degree of association w17
  • the transaction price Q4 is associated with the degree of association w18.
  • the combination of the reference external environment information and the transaction price for the combination are used. By learning the degree of association of three or more levels, it is possible to estimate the transaction price for newly acquired regional characteristic information, property information, and external environmental information.
  • the transaction price may be estimated together with the estimation of the industry information. As a result, it is possible to estimate the type of business of the business to be recommended and the transaction price at the same time. At this time, the transaction price itself may be changed based on the estimated industry. In such a case, for example, a weighting coefficient may be set for each industry, and the transaction price may be calculated based on the weighting according to the estimated industry.
  • the degree of association is expressed by a 10-step evaluation, but it is not limited to this, and it may be expressed by a degree of association of 3 or more levels, and conversely, it may be expressed by 3 or more levels. For example, 100 steps or 1000 steps may be used.
  • this degree of association does not include those expressed in two stages, that is, whether or not they are related to each other, either 1 or 0.
  • the present invention having the above-mentioned configuration, anyone can easily estimate the type of real estate to be introduced and price the real estate without any special skill or experience. Further, according to the present invention, it is possible to make a judgment of this search solution with higher accuracy than that made by a human being. Further, by configuring the above-mentioned degree of association with artificial intelligence (neural network or the like), it is possible to further improve the discrimination accuracy by learning this.
  • artificial intelligence neural network or the like
  • the optimum solution search is performed through the degree of association set in three or more stages.
  • the degree of association can be described by a numerical value from 0 to 100%, for example, in addition to the above-mentioned 5 stages, but is not limited to this, and any stage can be described as long as it can be described by a numerical value of 3 or more stages. It may be configured.
  • the search policy can be determined by the method of setting the threshold value by performing the search based on the degree of association of three or more stages. If the threshold value is lowered, even if the above-mentioned degree of association is 1%, it can be picked up without omission, but it is unlikely that a more appropriate discrimination result can be detected favorably, and a lot of noise may be picked up. be. On the other hand, if the threshold value is raised, there is a high possibility that the optimum search solution can be detected with high probability, but the degree of association is usually low and it is passed through, but it is suitable to appear once in tens or hundreds of times. Sometimes the solution is overlooked. It is possible to decide which one should be emphasized based on the ideas of the user side and the system side, but it is possible to increase the degree of freedom in selecting the points to be emphasized.
  • the above-mentioned degree of association may be updated.
  • This update may reflect information provided, for example, via a public communication network such as the Internet.
  • a public communication network such as the Internet.
  • the degree of association is increased accordingly. Or lower it.
  • this update is equivalent to learning in terms of artificial intelligence. It can be said that it is a learning act because it acquires new data and reflects it in the learned data.
  • this update of the degree of association is done by the system side or the user side based on the contents of research data, papers, conference presentations, newspaper articles, books, etc. by experts, except when it is based on information that can be obtained from public communication networks. It may be updated artificially or automatically. Artificial intelligence may be utilized in these update processes.
  • the process of first creating a trained model and the above-mentioned update may use not only supervised learning but also unsupervised learning, deep learning, reinforcement learning, and the like.
  • unsupervised learning instead of reading and training the data set of input data and output data, information corresponding to the input data is read and trained, and the degree of association related to the output data is self-formed from there. You may let it.
  • the degree of association of each combination described above is the degree of association of a combination having one factor and another factor, and it goes without saying that other elements other than these may be associated with the degree of association.
  • the reference property information is learned.
  • the reference property information P01, P02, P03 is used as the input data.
  • the reference property information P01, P02, and P03 as such input data are linked to the transaction price as output.
  • the degree of association indicates the degree of which transaction price is highly relevant to the reference property information arranged on the left side. In other words, this degree of association is an indicator of what transaction price each reference property information is likely to be associated with, and in selecting the most probable transaction price for each reference property information. It shows the accuracy of.
  • w13 to w19 are shown as the degree of association. As shown in Table 1, these w13 to w19 are shown in 10 stages, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the transaction price as an output, and vice versa. The closer to one point, the lower the degree of relevance of each combination as an intermediate node to the transaction price as an output.
  • the search device 2 acquires in advance the degree of association w13 to w19 of three or more stages shown in FIG. That is, the search device 2 accumulates the past data set as to which of the reference property information of each region and the transaction price in that case is adopted and evaluated in determining the actual search solution. By analyzing and analyzing these, the degree of association shown in FIG. 8 is created.
  • the degree of association shown in FIG. 8 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association.
  • the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
  • reference property information of each region is input as input data
  • transaction price is output as output data
  • at least one hidden layer is formed between the input node and the output node. It may be provided and machine learning may be performed.
  • the above-mentioned degree of association is set in either one or both of the input node and the hidden layer node, and this is the weight of each node, and the output is selected based on this. Then, when this degree of association exceeds a certain threshold value, the output may be selected.
  • Such degree of association is what is called learned data in artificial intelligence.
  • the above-mentioned trained data will be used to actually determine the transaction price from now on. It will be used to search for the transaction price.
  • These data sets may be created by reading from a database managed by the vendor.
  • the degree of association shown in FIG. 8 (Table 1) acquired in advance is referred to.
  • the transaction price B is associated with w15 and the transaction price C is associated with the association degree w16 via the degree of association.
  • the transaction price B having the highest degree of association is selected as the optimum solution.
  • the transaction price C which has the lowest degree of association but is recognized for the association itself, may be selected as the optimum solution.
  • an output solution to which the arrows are not connected may be selected, and any other output solution may be selected in any other priority as long as it is based on the degree of association.
  • FIG. 10 it is an example of using the degree of association between the reference property information and the transaction price in three or more stages.
  • this degree of association it is the same as in FIG. 8, but in this example, other reference information different from the reference property information is further associated with this transaction price.
  • the reference property information and the transaction price are linked to each other to form a degree of association.
  • the input data is, for example, reference property information P11 to P13.
  • the reference property information as such input data is linked to the output.
  • the transaction price is the output solution.
  • the reference property information is related to the transaction price as this output solution through three or more levels of association.
  • the reference property information is arranged on the left side through this degree of association, and each transaction price is arranged on the right side through this degree of association.
  • the discrimination device 2 acquires in advance the degree of association w13 to w19 of three or more stages shown in FIG. That is, in determining the actual search solution, the discrimination device 2 accumulates past data on what kind of transaction price was obtained at the time of the reference property information captured and acquired in the past, and analyzes these. By analyzing, the degree of association shown in FIG. 10 is created.
  • Such degree of association is what is called learned data in artificial intelligence. After creating such trained data, the solution will be searched. In such a case, the captured property information is acquired, and each information corresponding to other reference information is also acquired in the same manner.
  • the degree of association shown in FIG. 10 acquired in advance is used.
  • the transaction price of 30% is the degree of association w15
  • the transaction price C is the degree of association w16.
  • the transaction price B having the highest degree of association is selected as the optimum solution.
  • quality C which has a low degree of association but is recognized in the association itself, may be selected as the solution.
  • an output solution to which the arrows are not connected may be selected, and any other output solution may be selected in any other priority as long as it is based on the degree of association.
  • the output solution to be selected is not limited to one, and two or more may be selected. In such a case, two or more may be selected in order from the highest degree of association, but the present invention is not limited to this, and may be based on the priority of any other degree of association.
  • the transaction price obtained through the degree of association may be further modified based on the reference information, or the weighting may be changed.
  • the reference information referred to here includes all the reference information described in the first embodiment, for example, the reference area characteristic information and the external environment information in the first embodiment.
  • the noise level in the area is higher than the average, or the traveling amount of the vehicle is higher than the average.
  • the transaction price is often low.
  • it is set in advance to perform a process of increasing the weighting for the lower transaction price searched from the property information via the degree of association, in other words, a process of leading to a search solution having a low transaction price.
  • the lower transaction price searched from the property information via the degree of association is processed to lower the weight, in other words, the transaction price is higher. It is set in advance to perform processing that leads to a high search solution.
  • the reference information G is an analysis result suggesting a lower transaction price
  • the reference information F is an analysis result suggesting a higher transaction price.
  • a process of increasing the weighting of the low transaction price is performed, in other words, the transaction price. Performs the process of lowering itself.
  • a process of increasing the weighting of the high transaction price is performed, in other words, a process of increasing the transaction price itself is performed.
  • the degree of association itself that leads to the transaction price may be controlled based on the reference information F to H, or the transaction price is first obtained independently between the property information and the transaction price, and this Modifications may be made to the obtained search solution based on the reference information F to H. In the latter case, how to modify the transaction price as a search solution based on the reference information F to H will reflect the one designed on the system side each time.
  • the reference information is not limited to the case where it is composed of any one type, and the transaction price may be searched based on two or more types of reference information.
  • the higher the transaction price suggested by the reference information is, the higher the transaction price as the search solution obtained through the degree of association is corrected, and the transaction suggested by the reference information.
  • the lower the price the lower the transaction price as the search solution obtained through the degree of association.
  • the input data is, for example, reference area characteristic information P11 to P13, as in the first embodiment.
  • the reference area characteristic information as such input data is linked to the output.
  • the transaction price is the output solution.
  • the description in the first embodiment and the present embodiment will be quoted, and the description below will be omitted.
  • the transaction price obtained through the degree of association may be further modified based on the reference information or the weighting may be changed.
  • the reference information referred to here includes all the reference information described in the first embodiment, for example, the reference property information and the external environment information in the first embodiment.
  • the reference information G is an analysis result suggesting a lower transaction price
  • the reference information F is an analysis result suggesting a higher transaction price.
  • a process of increasing the weighting of the low transaction price is performed, in other words, the transaction price. Performs the process of lowering itself.
  • a process of increasing the weighting of the high transaction price is performed, in other words, a process of increasing the transaction price itself is performed.
  • FIG. 12 shows an example in which the reference area characteristic information is replaced with the reference external environment information in the degree of association of the transaction price with respect to the combination of the reference area characteristic information and the reference property information shown in FIG. 7. ..
  • the degree of association of the transaction price with respect to the combination of the reference external environment information and the reference property information is learned in advance, and when the external environment information and the property information are newly acquired, the association is obtained.
  • the transaction price is derived as a search solution by referring to the degree. In such a case, the transaction price can be searched in the same manner.
  • the present invention is not limited to the above-described embodiment.
  • the output of the above-mentioned degree of association may be used as an input, and a search solution corresponding to the input of the degree of association may be searched.
  • a search solution corresponding to the input of the degree of association may be searched.
  • the input of the desired transaction price corresponding to the transaction price is accepted.
  • the reference property information for the transaction price corresponding to the acquired desired transaction price may be reversely searched.
  • the rate of increase / decrease of the transaction price may be learned as an alternative to the transaction price as the output of the degree of association described in the first embodiment and the second embodiment.
  • This rate of increase / decrease is what percentage of the transaction price of the real estate will rise or fall in one year, two years, three years, ... n years (n is a positive integer). Is shown.
  • This rate of increase / decrease may indicate the rate of increase / decrease with respect to the current transaction price as a percentage, or may indicate the expected future transaction price obtained by multiplying the transaction price by the rate of increase / decrease.
  • the reference property information or the reference information (reference area characteristic information, reference).
  • the rate of increase / decrease in the transaction price is learned through the degree of association.
  • the rate of increase / decrease in the transaction price there is a certain point in the past (for example, 3 years). You may learn the current rate of increase / decrease with respect to the previous), but it is not limited to this, and as shown in Fig. 14, it is a time-series transition of the transaction price of the property specified by the reference property information. It may be configured.
  • the rate of increase / decrease in transaction price is learned through the degree of association. If you actually want to predict the future rate of increase / decrease of the property, enter the property information. Refer to the above-mentioned degree of association for the rate of increase / decrease of the transaction price according to the reference property information that is close to this property information. Based on the rate of increase / decrease thus obtained, the rate of increase / decrease of the property in the future (for example, n months, n years; n is a positive number) is predicted. May be good.
  • the time-series transition of the transaction price is shown by the rate of increase / decrease of the current transaction price with respect to the transaction price of one year ago. If is one year later and the rate of increase / decrease Q1 is searched for, the expected rate of increase / decrease may be similarly predicted to be 5% down based on the result of the 5% decrease. ..
  • the time-series transition of the transaction price is shown by the time-series transition of the transaction price over the past five years, and the learned rate of increase / decrease Q1 is the time-series as shown in FIG.
  • the rate of increase / decrease to be predicted is three years later and the rate of increase / decrease Q1 is searched, the predicted value will increase / decrease according to the time-series transition shown in FIG. It may be predicted as a rate.
  • the transaction price increase / decrease rate is predicted by using the transaction price increase / decrease rate for two or more combinations of reference information (reference area characteristic information and reference external environment information). By learning, it is possible to further improve the prediction accuracy.
  • reference property information and property information are not limited to newly built properties, used properties where people actually live, or properties where tenants and residents are scheduled to leave the property soon, so-called so-called uninhabited properties. Reference property information and property information regarding vacant house properties are also included.
  • the property information of the vacant house includes size information regarding the size of the vacant house, age information regarding the age of the vacant house, internal information regarding the inside of the vacant house, external image information obtained by capturing the appearance of the vacant house, and the vacant house. Brand information about the brand of the building structure, new construction price information about the price at the time of new construction of the above vacant house, resident information about the resident before the vacant house, history information about the background of becoming vacant house, renovation possibility information about the possibility of renovation, deterioration It consists of deterioration degree information regarding the degree.
  • the reference property information of the vacant house includes the reference area information regarding the size of the vacant house, the reference age information regarding the age of the vacant house, the reference internal information regarding the inside of the vacant house, and the reference appearance that images the appearance of the vacant house.
  • Image information reference brand information about the brand of the building structure of the vacant house, reference new construction price information about the price at the time of new construction of the vacant house, reference resident information about the residents before the vacant house, reference background information about the history of becoming vacant house, It consists of renovation possibility information for reference regarding the possibility of renovation and deterioration degree information for reference regarding the degree of deterioration.
  • the reference resident information is obtained from the data stored by the municipality, real estate company, etc., such as the name and age of the resident before the vacant house, family structure and period of residence, reason for leaving, etc. There may be.
  • reference history information regarding the circumstances of becoming an unoccupied house may be obtained from data recorded by a trader such as a municipality or a real estate company.
  • This reference background information includes the reason why the house is vacant. For example, after a resident or tenant has left the house, no one can buy it and leave it as it is, or an accident in which some incident occurred. Whether or not the property is a property may also be included in this reference background information.
  • the degree of aging, whether or not renovation is possible from the viewpoint of the structure of the house, and the degree to which the renovation can be reflected may be configured as reference background information.
  • the reference deterioration degree information indicates the degree of deterioration.
  • the deterioration degree information for reference is an index of the degree of deterioration such as mold and dew condensation inside and outside the vacant house, the degree of rain leakage, the degree of dirt and damage on the walls and ceiling, pillars and each room, the degree of peeling of the outer wall, the condition of water circulation, etc. It is a ghost.
  • the deterioration information for reference may be automatically determined by taking an image of the inside and outside of an unoccupied house and analyzing the image.
  • an event indicating deterioration such as scratches and stains, mold and dew condensation on the image may be detected as a feature amount, and discriminated and extracted by using a deep learning technique and a machine learning technique.
  • the transaction price to be proposed may be searched based on any one of the information, the brand information, the new construction price information, the resident information, the background information, the renovation possibility information, and the deterioration degree information. ..
  • this reference property information includes reference area information, reference age information, reference internal information, and reference external image information as reference information constituting the reference property information.
  • Reference brand information, reference new construction price information, reference resident information, reference history information, reference renovation possibility information, reference deterioration degree information, and the transaction price for the combination You may use the degree of association of 3 or more levels.
  • the example of FIG. 16 is an example of configuring the degree of association of the combination having the reference history information and the reference deterioration degree information, but it is substituted with the reference information constituting any other reference property information. You may.
  • property information other than vacant houses also includes reference area information, reference age information, reference internal information, reference exterior image information, and reference brand information as reference information that constitutes reference property information.
  • a combination having any two or more of the new construction price information for reference and a transaction price for the combination may be associated with three or more levels. After forming such a degree of association, the transaction price to be proposed is searched for based on the size information, the inside information, the appearance image information, the brand information, and the new construction price information according to the combination of the degree of association. The method of this search is the same as described above.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

【課題】事業者又は家庭向けの不動産について、その取引価格を提案する。 【解決手段】事業者向けの不動産について、入居を推薦する事業者の業種を提案する入居推薦業者提案プログラムにおいて、上記不動産が立地する地域特性を示す地域特性情報を取得する情報取得ステップと、以前に取得した参照用地域特性情報と、入居を推薦する事業者の業種を示す業種情報との３段階以上の連関度を利用し、上記情報取得ステップを介して取得した上記地域特性情報に応じた参照用地域特性情報に対する業種情報との３段階以上の連関度に基づき、提案すべき事業者の業種を探索する探索ステップとを有することを特徴とする。

Description

不動産取引価格提案プログラム
　本発明は、事業者又は家庭向けの不動産について、その取引価格を提案する入居推薦業者提案プログラムに関するものである。
　従来より土地や建物等の不動産の売買、賃貸が行われている。中には事業者向けの不動産については、入居を希望する事業者の業種をある程度絞り込んだ上でアクセスした方が、マッチング成功率が高まる。つまり不動産の種類は周囲の環境によっては、オフィス向け、飲食店向け、医院向け、小売店向け、住居向け、教育機関向け等に分かれてくることになる。このような事業者の業種を事前に判別して入居を希望する事業者に推薦した方が望ましいと言える。
　またこれらの不動産の売買価格、賃貸価格（以下、値段という。）は、立地、広さ、築年数、建物に備わっている機能、画像、相場等を勘案し、従来の経験を踏まえて値付けが行われる。この値付けが、これら各種要因に基づく需要と供給のバランスから乖離してしまうと、買い手又は売り手の一方が不当に損をしてしまうことにもなる。このため、不動産の値付けは、両者にとってバランスが取られた最適な値を設定することが求められる。しかしながら、この不動産の値付けを、これらの各種要因や需要と供給のバランス、更には過去の経験を踏まえて最適な値段に設定するのは相当のスキルを要する。このため、特段のスキルや経験が無くても、誰でも手軽に不動産の値付けを行うことができるシステムが従来より望まれていた。これに加えて、誰でも手軽に不動産の取引価格の騰落率を予測することができるシステムがより望まれていた。
　そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、不動産の値付けを行うことができる入居推薦業者提案プログラム、誰でも手軽に不動産の取引価格の騰落率を予測することができる不動産騰落率予測プログラムを提供することにある。
　本発明に係る入居推薦業者提案プログラムは、不動産について取引価格を提案する不動産取引価格提案プログラムにおいて、不動産の物件の内容に関する物件情報を取得する情報取得ステップと、不動産の物件の内容に関する参照用物件情報と、取引価格との３段階以上の連関度を利用し、上記情報取得ステップを介して取得した物件情報に応じた参照用物件情報に対する取引価格との３段階以上の連関度に基づき、提案すべき取引価格を探索する探索ステップとをコンピュータに実行させることを特徴とする。
　特段のスキルや経験が無くても、誰でも手軽に事業者向けの不動産について、入居を推薦する事業者の業種を絞ることができ、また不動産の値付けを行うことができる。
本発明を適用したシステムの全体構成を示すブロック図である。 推定装置の具体的な構成例を示す図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。
　第１実施形態
　以下、本発明を適用した入居推薦業者提案プログラム（不動産取引価格提案プログラム）について、図面を参照しながら詳細に説明をする。
  図１は、本発明を適用した入居推薦業者提案プログラムが実装される入居推薦業者提案システム１の全体構成を示すブロック図である。入居推薦業者提案システム１は、情報取得部９と、情報取得部９に接続された推定装置２と、推定装置２に接続されたデータベース３とを備えている。なお、情報取得部９と推定装置２との間、推定装置２とデータベース３との間における情報の送受信は、インターネットを始めとした公衆通信網を介して行うようにしてもよい。
　情報取得部９は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部９は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部９は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部９は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部９は、後述する推定装置２と一体化されていてもよい。情報取得部９は、検知した情報を推定装置２へと出力する。また情報取得部９は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。
　データベース３は、賃貸する不動産、売買する不動産に関する様々な情報が蓄積されている。不動産とは、土地、建物（ビル、マンション、戸建住宅）等である。これら各不動産に関する地域特性情報（住所、最寄駅、駅徒歩何分であるか、周囲の施設情報、周囲の環境情報、不動産の周囲の周囲画像情報、地盤情報、過去の災害情報、最寄駅からの距離情報、不動産の周囲の通行量に関する通行量情報）、物件情報（不動産の広さに関する広さ情報、上記不動産の築年数に関する築年数情報、上記不動産の内部に関する内部情報、上記不動産の外観を撮像した外観画像情報、不動産の建築構造物のブランドに関するブランド情報、不動産の新築時の価格に関する新築価格情報）が記憶されている。物件情報（参照用物件情報）は、上述した例に加え、その物件そのものを特定するための情報（物件の所在地、マンション、ビル名、階）で構成されていてもよい。この不動産内部の内部情報の例としては、例えば間取り、動線、設備、外構、屋内を撮影した画像等が含まれる。更にこのデータベース３には、外部環境情報が記憶されている。この外部環境情報は、個々の不動産とは別に政治、経済、社会等の外部環境に関するあらゆる情報を含むものであり、例えば相場情報もこれに含まれる。この相場情報としては家賃やオフィス空室率、坪単価、並びにマンションや家屋の取引価格、更にはこれらの時系列的な変化情報も含むものである。
　またデータベース３には、入居を推薦する事業者の業種を示す業種情報も記憶されている。推薦する事業者の業種としては、例えば、法律事務所、飲食店、コンビニエンスストア、喫茶店、小売店等といった比較的広い分類とされていてもよいし、例えば飲食店において、居酒屋、レストラン、バー、立ち食いそば屋、チェーン店用等、詳細な分類に落とし込まれていてもよい。
　推定装置２は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この推定装置２による探索解を得ることができる。
　図２は、推定装置２の具体的な構成例を示している。この推定装置２は、推定装置２全体を制御するための制御部２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、有線通信又は無線通信を行うための通信部２６と、各種判断を行う推定部２７と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２８とが内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、実際に情報を表示するモニタとしての表示部２３が接続されている。
  制御部２４は、内部バス２１を介して制御信号を送信することにより、推定装置２内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部２４は、操作部２５を介した操作に応じて各種制御用の指令を内部バス２１を介して伝達する。
　操作部２５は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザから入力された場合には、これを制御部２４に通知する。この通知を受けた制御部２４は、推定部２７を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部２５は、前述した情報取得部９として具現化されるものであってもよい。
　推定部２７は、提案すべき事業者の探索や、不動産の値付けを行う上での値段の推定を担う。この推定部２７は、推定動作を実行するに当たり、必要な情報として記憶部２８に記憶されている各種情報や、データベース３に記憶されている各種情報を読み出す。この推定部２７は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。
  表示部２３は、制御部２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部２３は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。
  記憶部２８は、ハードディスクで構成される場合において、制御部２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２８には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部２４により読み出されて実行されることになる。
　上述した構成からなる入居推薦業者提案システム１における動作について説明をする。
　入居推薦業者提案システム１では、例えば図３に示すように、参照用地域特性情報と、入居を推薦する事業者の業種を示す業種情報との３段階以上の連関度が予め設定され、取得されていることが前提となる。参照用地域特性情報とは、その不動産が位置する住所、最寄駅、駅徒歩何分であるか等の情報が含まれている。また参照用地域特性情報としては、その不動産の周囲に、学校、店舗（スーパーマーケット、ショッピングモール、コンビニエンスストア、図書館、公民館、病院、レストラン）等が徒歩何分の距離にあるか、又は実際に何メートルの距離のところに位置するのかに関する周囲の施設情報が記述されている。また、参照用地域特性情報としては、例えば居酒屋、飲食店、性風俗特殊営業の店舗、簡易旅館等、周囲の立地環境に関する情報や、日当たりや風向きといった自然環境に関する情報（以下、周囲の環境情報という。）も含まれる。またその不動産の地盤に関する地盤情報や、過去においてその不動産の立地箇所において災害による被害の有無、被害の程度等が記述された過去の災害情報もこの参照用地域特性情報に含められていてもよい。この参照用地域特性情報としては、住所、最寄駅、駅徒歩何分であるか、周囲の施設情報、周囲の環境情報、地盤情報、過去の災害情報の全てが含まれていることは必須ではなく、何れか１以上が含まれていればよい。また参照用地域特性情報としては、車両や人の通行量も含まれる。また参照用地域特性情報としては、過去においていかなる業種の業者が入居していたかに関する情報も含まれる。また、参照用地域特性情報としては、その不動産が位置する地域の地盤の振動に関する振動情報も含まれる。この振動情報は、車両の走行に伴う地盤の揺れや振動を振動計により測定したデータで構成されていてもよい。参照用地域特性情報としては、不動産が位置する地域の住民における年収に関する年収情報も含まれる。この年収情報は、例えばその不動産が位置する地域（都道府県、市区町村単位）毎に集計される平均年収のデータを利用するようにしてもよい。また、不動産が位置する地域の人口推計に関する人口推計情報や不動産が位置する地域の空き家率に関する空き家率情報も、この参照用地域特性情報に含めてもよい。また参照用地域特性情報としては、不動産が位置する地域の災害リスクに関する災害リスク情報も含めてもよい。この災害リスク情報は、過去、津波や洪水、台風、土砂崩れ等のような自然災害を被った履歴やその可能性をリスク評価値として集計した値を用いてもよい。また不動産の周囲の騒音に関する騒音情報も、この参照用地域特性情報に含めてもよく、この騒音情報は騒音計により計測したデータを利用するようにしてもよい。
　図３の例では、入力データとして例えば参照用地域特性情報Ｐ０１～Ｐ０３であるものとする。このような入力データとしての参照用地域特性情報は、出力に連結している。この出力においては、出力解としての、業種情報が表示されており、例えば業種情報Ｑ１は、飲食店、業種情報Ｑ２はオフィス用等が割り当てられている。
　参照用地域特性情報は、この出力解としての、業種情報に対して３段階以上の連関度を通じて互いに連関しあっている。参照用地域特性情報がこの連関度を介して左側に配列し、各業種情報が連関度を介して右側に配列している。連関度は、左側に配列された参照用地域特性情報に対して、何れの業種情報と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用地域特性情報が、いかなる業種情報に紐付けられる可能性が高いかを示す指標であり、参照用地域特性情報から最も確からしい業種情報を選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３～ｗ１９が示されている。このｗ１３～ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。
Figure JPOXMLDOC01-appb-T000001
　推定装置２は、このような図３に示す３段階以上の連関度ｗ１３～ｗ１９を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用地域特性情報と、その場合の業種情報がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図３に示す連関度を作り上げておく。
　例えば、参照用地域特性情報Ｐ０１が最寄り駅○○で、駅徒歩５分で、通行量が５分当たり、平均３０人であるものとする。このとき、そのような不動産が過去のどのような業者が入っていたか調査する。
　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用地域特性情報Ｐ０１である場合に、過去の入居してた事業者の業種を過去のデータから分析する。仮に居酒屋が多い場合には、この居酒屋を示す業種情報につながる連関度をより高く設定し、法律事務所の事例が多く、居酒屋の事例が少ない場合には、法律事務所を示す業種情報につながる連関度を高くし、居酒屋を示す業種情報につながる連関度を低く設定する。
　また、この図３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに事業者に不動産物件を紹介する際に、いかなる業種の事業者に紹介すべきかを推定する際において、上述した学習済みデータを利用して業種情報を判別することとなる。かかる場合には、取引対象の不動産の地域特性情報を新たに取得する。
　新たに取得する地域特性情報は、上述した情報取得部９により入力される。この地域特性情報の詳細は、上述した参照用地域特性情報と同様である。
　このようにして新たに取得した地域特性情報に基づいて、実際にいかなる業種の事業者に紹介すべきかを推定する。かかる場合には、予め取得した図３（表１）に示す連関度を参照する。例えば、新たに取得した地域特性情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して業種情報Ｑ２がｗ１５、業種情報Ｑ３が連関度ｗ１６で関連付けられている。かかる場合には、連関度のもっと高い業種情報Ｑ２を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる業種情報Ｑ３を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　このようにして、新たに取得する地域特性情報を参照用地域特性情報とは互いに情報の種類としては整合を持たせてあるため、新たな地域特性情報を取得した場合には、これに同一又は類似の参照用地域特性情報を即座に参照し、入居を推薦する最適な業種を推定することが可能となる。
　ちなみに地域属性情報として、不動産の周囲の周囲画像情報、最寄駅からの距離情報、不動産の周囲の通行量に関する通行量情報の何れか１以上を取得する場合には、参照用地域特性情報として、これらに応じた周囲画像情報、距離情報、通行量情報を業種情報との間で予め学習させておく必要がある。そして、実際に取得した周囲画像情報、距離情報、通行量情報に応じた参照用地域特性情報を介して、その業種情報を探索することになる。
　このとき、上述した連関度を不動産の周囲の周囲画像情報、最寄駅からの距離情報、不動産の周囲の通行量に関する通行量情報の何れか２以上の組み合わせで構成するようにしてもよい。そして、その組み合わせに対する探索解としての業種情報を学習させておくことにより、解探索をさせるようにしてもよい。
　図４の例では、参照用地域属性情報と、参照用物件情報との組み合わせが形成されていることが前提となる。
　図４の例では、入力データとして例えば参照用地域属性情報Ｐ１１～Ｐ１３、参照用物件情報Ｐ１４～１７であるものとする。このような入力データとしての、参照用地域属性情報に対して、参照用物件情報が組み合わさったものが、図４に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、業種情報が表示されている。
　参照用地域属性情報と参照用物件情報との各組み合わせ（中間ノード）は、この出力解としての、業種情報に対して３段階以上の連関度を通じて互いに連関しあっている。参照用地域属性情報と参照用物件情報がこの連関度を介して左側に配列し、業種情報が連関度を介して右側に配列している。連関度は、左側に配列された参照用地域属性情報と参照用物件情報に対して、何れの業種情報と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用地域属性情報と参照用物件情報が、いかなる業種情報に紐付けられる可能性が高いかを示す指標であり、参照用地域属性情報と参照用物件情報から最も確からしい業種情報を選択する上での的確性を示すものである。図４の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。
　推定装置２は、このような図４に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用地域属性情報と参照用物件情報、並びにその場合の業種情報がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図４に示す連関度を作り上げておく。
　例えば、過去に取引された不動産が参照用地域属性情報Ｐ１１であるものとする。このとき、物件情報として、その不動産の実際の広さが「５０坪」であったとき、以前のデータにおいて、業種情報を調査する。
　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用地域属性情報Ｐ１１で、かつ参照用物件情報Ｐ１６「５０坪」である場合に、その業種情報を過去のデータから分析する。業種情報が仮にコンビニエンスストアの事例が多い場合には、このコンビニエンスストアを示す業種情報につながる連関度をより高く設定し、レストランの事例が多く、コンビニエンスストアの事例が少ない場合には、レストランを示す業種情報につながる連関度を高くし、コンビニエンスストアを示す業種情報につながる連関度を低く設定する。例えば中間ノード６１ａの例では、業種情報Ｑ１と、業種情報Ｑ２の出力にリンクしているが、以前の事例から業種情報Ｑ１につながるｗ１３の連関度を７点に、業種情報Ｑ２につながるｗ１４の連関度を２点に設定している。
　また、この図４に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　図４に示す連関度の例で、ノード６１ｂは、参照用地域属性情報Ｐ１１に対して、参照用物件情報Ｐ１４の組み合わせのノードであり、業種情報Ｑ３の連関度がｗ１５、業種情報Ｑ５の連関度がｗ１６となっている。ノード６１ｃは、参照用地域属性情報Ｐ１２に対して、参照用物件情報Ｐ１５、Ｐ１７の組み合わせのノードであり、業種情報Ｑ２の連関度がｗ１７、業種情報Ｑ４の連関度がｗ１８となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに推薦すべき事業者の業種の推定を行う際において、上述した学習済みデータを利用して値段を推定することとなる。かかる場合には、その推薦する不動産の地域特性情報を新たに取得するとともに、物件情報を取得する。
　新たに取得する地域特性情報、物件情報は、キーボード等のユーザインターフェースを介して取得するようにしてもよい。
　このようにして新たに取得した地域特性情報、物件情報に基づいて、実際に新たに推薦すべき事業者の業種を推定する。かかる場合には、予め取得した図４（表１）に示す連関度を参照する。例えば、新たに取得した地域特性情報がＰ１２と同一かこれに類似するものである場合であって、物件情報がＰ１７である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、業種情報Ｑ３がｗ１９、業種情報Ｑ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度のもっと高い業種情報Ｑ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる業種情報Ｑ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　また、入力から伸びている連関度ｗ１～ｗ１２の例を以下の表２に示す。
Figure JPOXMLDOC01-appb-T000002
　この入力から伸びている連関度ｗ１～ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１～ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１～ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。
　ちなみに物件情報として、不動産の広さに関する広さ情報、上記不動産の築年数に関する築年数情報、上記不動産の内部に関する内部情報、上記不動産の外観を撮像した外観画像情報の何れか１以上を取得する場合には、参照用物件情報として、これらに応じた広さ情報、築年数情報、内部情報、外観画像情報を業種情報との間で予め学習させておく必要がある。そして、実際に取得した広さ情報、築年数情報、内部情報、外観画像情報に応じた参照用物件情報を介して、その業種情報を探索することになる。
　このとき、上述した連関度を広さ情報、築年数情報、内部情報、外観画像情報の何れか２以上の組み合わせで構成するようにしてもよい。そして、その組み合わせに対する探索解としての業種情報を学習させておくことにより、解探索をさせるようにしてもよい。
　図５は、上述した参照用地域特性情報と、参照用外部環境情報との組み合わせと、当該組み合わせに対する業種情報との３段階以上の連関度が設定されている例を示している。
　入力データとしては、このような参照用地域特性情報と、参照用外部環境情報が並んでいる。このような入力データとしての、参照用地域特性情報に対して、参照用外部環境情報が組み合わさったものが、図５に示す中間ノードである。
　参照用外部環境情報とは、個々の不動産とは別に政治、経済、社会等の外部環境に関するあらゆる情報を含むものであり、例えば相場情報もこれに含まれる。この相場情報としてはオフィス空室率、坪単価、並びにこれらの時系列的な変化情報も含むものである。
　推定装置２は、このような図５に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり推定装置２は、実際に業種情報の推定を行う上で、参照用地域特性情報と、参照用外部環境情報、並びにその場合の実際の入居していた事業者の業種や、紹介した事業者の業種がいかなるものであったかのデータを蓄積しておき、これらを分析、解析することで図５に示す連関度を作り上げておく。
　図５に示す連関度の例で、ノード６１ｂは、参照用地域特性情報Ｐ１１に対して、参照用外部環境情報Ｐ１８の組み合わせのノードであり、業種情報Ｑ３の連関度がｗ１５、業種情報Ｑ５の連関度がｗ１６となっている。
　このような連関度が設定されている場合も同様に、地域特性情報を新たに取得するとともに、外部環境情報を取得する。地域特性情報は参照用地域特性情報に対応し、外部環境情報は、参照用外部環境情報に対応する。
　業種情報の推定を行う上では、予め取得した図５に示す連関度を参照する。例えば、取得した地域特性情報が参照用地域特性情報Ｐ１２に同一又は類似で、取得した外部環境情報が、参照用外部環境情報Ｐ１９に相当するものである場合、その組み合わせはノード６１ｃが関連付けられており、このノード６１ｃは、業種情報Ｑ２が連関度ｗ１７で、また業種情報Ｑ４が連関度ｗ１８で関連付けられている。このような連関度の結果、ｗ１７、ｗ１８に基づいて、実際にその新たに参照用地域特性情報と、参照用外部環境情報とを取得した時点における業種情報を推定していくことになる。
　図６は、上述した参照用地域特性情報と、参照用物件情報に加えて、更に参照用外部環境情報との組み合わせと、当該組み合わせに対する業種情報との３段階以上の連関度が設定されている例を示している。
  かかる場合において、連関度は、図６に示すように、参照用地域特性情報と、参照用物件情報と、参照用外部環境情報との組み合わせの集合が上述と同様に中間ノードのノード６１ａ～６１ｅとして表現されることとなる。
  例えば、図６において、ノード６１ｃは、参照用地域特性情報Ｐ１２が連関度ｗ３で、参照用物件情報Ｐ１５が連関度ｗ７で、参照用外部環境情報Ｐ２１が連関度ｗ１１で連関している。同様にノード６１ｅは、参照用地域特性情報Ｐ１３が連関度ｗ５で、参照用物件情報Ｐ１５が連関度ｗ８で、参照用外部環境情報Ｐ２０が連関度ｗ１０で連関している。
  このような連関度が設定されている場合も同様に、新たに取得した地域特性情報と、物件情報と、外部環境情報に基づいて、業種を推定する。
　この業種を推定する上で予め取得した図６に示す連関度を参照する。例えば、取得した地域特性情報が参照用地域特性情報Ｐ１２に同一又は類似で、取得した物件情報が参照用物件情報Ｐ１５に対応し、更に取得した外部環境情報が参照用外部環境情報Ｐ２１に対応する場合、その組み合わせはノード６１ｃが関連付けられており、このノード６１ｃは、業種情報Ｑ２が連関度ｗ１７で、また業種情報Ｑ４が連関度ｗ１８で関連付けられている。このような連関度の結果、ｗ１７、ｗ１８に基づいて、実際に探索解を求めていくことになる。
　図７は、上述した参照用地域特性情報と、参照用物件情報との組み合わせと、当該組み合わせに対する取引価格との３段階以上の連関度が設定されている例を示している。ここでいう取引価格とは、売買価格以外に賃貸料も含まれる。
　入力データとしては、このような参照用地域特性情報と、参照用物件情報が並んでいる。このような入力データとしての、参照用地域特性情報に対して、参照用物件情報が組み合わさったものが、図７に示す中間ノードである。
　ここで利用される参照用物件情報は、物件の内容に関する情報が含まれており、例えば間取り、動線、設備、外構、屋内を撮影した画像等が含まれる。
　推定装置２は、このような図７に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり推定装置２は、実際に業種情報の推定を行う上で、参照用地域特性情報と、参照用物件情報、並びにその場合の過去の取引価格がいかなるものであったかのデータを蓄積しておき、これらを分析、解析、学習することで図７に示す連関度を作り上げておく。
　図７に示す連関度の例で、ノード６１ｂは、参照用地域特性情報Ｐ１１に対して、参照用物件情報Ｐ１４の組み合わせのノードであり、取引価格Ｑ３の連関度がｗ１５、取引価格Ｑ５の連関度がｗ１６となっている。
　このような連関度が設定されている場合も同様に、地域特性情報を新たに取得するとともに、物件情報を取得する。
　取引価格の推定を行う上では、予め取得した図７に示す連関度を参照する。例えば、取得した地域特性情報が参照用地域特性情報Ｐ１２に同一又は類似で、取得した物件情報が、参照用物件情報Ｐ１５に相当するものである場合、その組み合わせはノード６１ｃが関連付けられており、このノード６１ｃは、取引価格Ｑ２が連関度ｗ１７で、また取引価格Ｑ４が連関度ｗ１８で関連付けられている。このような連関度の結果、ｗ１７、ｗ１８に基づいて、実際にその新たに参照用地域特性情報と、参照用物件情報とを取得した時点における取引価格を推定していくことになる。
　この取引価格を推定する際においても、図６に示すように、参照用地域特性情報と、参照用物件情報に加えて、更に参照用外部環境情報との組み合わせと、当該組み合わせに対する取引価格との３段階以上の連関度を学習させることにより、新たに取得した地域特性情報、物件情報、外部環境情報に対する取引価格を推定することが可能となる。
　また、取引価格の推定は、業種情報の推定と共に行うようにしてもよい。これにより、推薦すべき事業者の業種を推定するとともに、その取引価格も同時に推定することができる。この時、この取引価格そのものを、推定した業種に基づいて変化させるようにしてもよい。かかる場合には、例えば業種毎に重みづけ係数を設定しておき、推定した業種に応じてその重みづけに基づいて取引価格を算出するようにしてもよい。
　上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。
　上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に紹介する不動産の業種の推定と、不動産の値付けを行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能（ニューラルネットワーク等）で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。
　また、本発明によれば、３段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した５段階以外に、例えば０～１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。
　このような３段階以上の数値で表される連関度に基づいて最も確からしい紹介する不動産の業種の推定や不動産の値段を探索することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より確からしい探索解を優先的に表示することも可能となる。
　これに加えて、本発明によれば、連関度が１％のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。
　更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。
　更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また地域特性情報を取得し、これ以外に物件情報、外部環境情報と、これらに対する紹介すべき業種や不動産の値段に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。
　つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。
　また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。
　また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。
　また上述した各組み合わせの連関度は、一のファクタと他のファクタとを有する組み合わせの連関度であり、これら以外の他の要素が当該連関度に関連付けられていてもよいことは勿論である。
　第２実施形態
　以下、第２実施形態について説明をする。この第２実施形態を実行する上では、第１実施形態において使用する入居推薦業者提案システム１、情報取得部９、探索装置２、データベース３を同様に使用する。これらの各構成の説明は、第１実施形態の説明を引用することで以下での説明を省略する。
　第２実施形態では、参照用物件情報を学習させる。
　図８の例では、入力データとして、参照用物件情報Ｐ０１、Ｐ０２、Ｐ０３であるものとする。このような入力データとしての参照用物件情Ｐ０１、Ｐ０２、Ｐ０３は、出力としての取引価格に連結している。
　連関度は、左側に配列された参照用物件情報に対して、何れの取引価格と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用物件情報が、いかなる取引価格に紐付けられる可能性が高いかを示す指標であり、各参照用物件情報について最も確からしい取引価格を選択する上での的確性を示すものである。図８の例では、連関度としてｗ１３～ｗ１９が示されている。このｗ１３～ｗ１９は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての取引価格と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての取引価格と互いに関連度合いが低いことを示している。
　探索装置２は、このような図８に示す３段階以上の連関度ｗ１３～ｗ１９を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、各地域の参照用物件情報と、その場合の取引価格の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図８に示す連関度を作り上げておく。
　また、この図８に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　かかる場合には、図９に示すように、入力データとして各地域の参照用物件情報が入力され、出力データとして取引価格が出力され、入力ノードと出力ノードの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力ノード又は隠れ層ノードの何れか一方又は両方において上述した連関度が設定され、これが各ノードの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを、以前の各地域の参照用物件情報と、取引価格とのデータセットを通じて作った後に、実際にこれから新たに取引価格の判別を行う上で、上述した学習済みデータを利用して取引価格を探索することとなる。これらのデータセットは、業者が管理しているデータベースから読み出すことで作成するようにしてもよい。
　新たに取引価格を探索する場合には、探索したい物件情報の入力を受け付ける。
　次にこの物件情報を参照用物件情報と照合する。かかる場合には、予め取得した図８（表１）に示す連関度を参照する。例えば、新たに取得した物件情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して取引価格Ｂがｗ１５、取引価格Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い取引価格Ｂを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる取引価格Ｃを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　図１０の例では、参照用物件情報と取引価格との３段階以上の連関度を利用する例である。この連関度のみに着目した場合、図８と同様であるが、この例では更に、参照用物件情報とは異なる他の参照用情報がこの取引価格に紐付いている。
　参照用物件情報と、取引価格とが互いに紐づけられた連関度が形成されていることが前提となる。図１０の例では、入力データとして例えば参照用物件情報Ｐ１１～Ｐ１３であるものとする。このような入力データとしての参照用物件情報は、出力に連結している。この出力においては、出力解としての取引価格であるものとする。
　参照用物件情報は、この出力解としての取引価格に対して３段階以上の連関度を通じて互いに連関しあっている。参照用物件情報がこの連関度を介して左側に配列し、各取引価格が連関度を介して右側に配列している。
　判別装置２は、このような図１０に示す３段階以上の連関度ｗ１３～ｗ１９を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、過去において撮像して取得した参照用物件情報のときにいかなる取引価格であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１０に示す連関度を作り上げておく。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、解を探索することとなる。かかる場合には、撮像した物件情報を取得すると共に、他の参照用情報に応じた各情報も同様に取得しておく。
　先ず、新たに取得した物件情報に基づいて、取引価格を探索する。かかる場合には、予め取得した図１０に示す連関度を利用する。例えば、新たに取得した物件情報が、参照用物件情報Ｐ１２と同一かこれに類似するものである場合には、連関度を介して取引価格３０％が連関度ｗ１５、取引価格Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い取引価格Ｂを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる品質Ｃを解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。また、この選択する出力解は１つに限られず、２以上選択するものであってもよい。かかる場合には、連関度の上位から順に２以上選択するようにしてもよいが、これに限定されるものではなく、他のいかなる連関度の優先順位に基づいてもよい。
　連関度を通じて求められる取引価格は、更に、参照用情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。
　ここでいう参照用情報とは、第１実施形態において説明したあらゆる参照用情報が含まれ、例えば、第１実施形態における参照用地域特性情報や外部環境情報等である。
　例えば、参照用情報の一つとして、参照用地域特性情報において、その地域は騒音のレベルが平均よりも高い場合や、車両の走行量が平均よりも多いものする。このような構造であれば、取引価格が低くなる場合が多い。このとき、物件情報から連関度を介して探索されたより低い取引価格に対して、重み付けを上げる処理を行い、換言すれば取引価格が低い探索解につながるようにする処理を行うように予め設定しておく。これに対して、騒音のレベルが平均よりも低く閑静な環境の場合、物件情報から連関度を介して探索されたより低い取引価格に対して、重み付けを下げる処理を行い、換言すれば取引価格が高い探索解につながるようにする処理を行うように予め設定しておく。
　例えば、参照用情報Ｇが、より低い取引価格を示唆するような分析結果であり、参照用情報Ｆが、より高い取引価格を示唆するような分析結果であるものとする。このように参照用情報との間での設定の後、実際に取得した情報が参照用情報Ｇと同一又は類似する場合には、低い取引価格の重み付けを上げる処理を行い、換言すれば取引価格そのものを下げる処理を行う。これに対して、実際に取得した情報が参照用情報Ｆと同一又は類似する場合には、高い取引価格の重み付けを上げる処理を行い、換言すれば取引価格そのものを上げる処理を行う。つまり、取引価格につながる連関度そのものを、この参照用情報Ｆ～Ｈに基づいてコントロールするようにしてもよいし、物件情報と取引価格との間で独立して先ずは取引価格を求め、この求めた探索解に対して参照用情報Ｆ～Ｈに基づいて修正を加えるようにしてもよい。後者の場合において、参照用情報Ｆ～Ｈに基づいてどのように探索解としての取引価格にいかなるウェートで修正を加えるかは、都度システム側において設計したものを反映させることとなる。
　また参照用情報は、何れか１種で構成される場合に限定されるものではなく、２種以上の参照用情報に基づいて取引価格を探索するようにしてもよい。かかる場合も同様に、参照用情報の示唆する取引価格がより高いものにつながるケースほど、連関度を介して求められた探索解としての取引価格をより高く修正し、参照用情報の示唆する取引価格がより低いものにつながるケースほど、連関度を介して求められた探索解としての取引価格をより低く修正する。
　なお、図１１に示す例では、第１実施形態と同様に、入力データとして例えば参照用地域特性情報Ｐ１１～Ｐ１３であるものとする。このような入力データとしての参照用地域特性情報は、出力に連結している。この出力においては、出力解としての取引価格であるものとする。この取引価格を求める方法としては、第１実施形態並びに本実施形態における説明を引用し、以下での説明を省略する。連関度を通じて求められる取引価格は、更に、参照用情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。
　ここでいう参照用情報とは、第１実施形態において説明したあらゆる参照用情報が含まれ、例えば、第１実施形態における参照用物件情報や外部環境情報等である。かかる場合も同様に、参照用情報Ｇが、より低い取引価格を示唆するような分析結果であり、参照用情報Ｆが、より高い取引価格を示唆するような分析結果であるものとする。このように参照用情報との間での設定の後、実際に取得した情報が参照用情報Ｇと同一又は類似する場合には、低い取引価格の重み付けを上げる処理を行い、換言すれば取引価格そのものを下げる処理を行う。これに対して、実際に取得した情報が参照用情報Ｆと同一又は類似する場合には、高い取引価格の重み付けを上げる処理を行い、換言すれば取引価格そのものを上げる処理を行う。
　図１２は、図７に示す、参照用地域特性情報と参照用物件情報との組み合わせに対する取引価格の連関度において、その参照用地域特性情報を参照用外部環境情報に置き換えた例を示している。かかる場合も同様に、参照用外部環境情報と参照用物件情報との組み合わせに対する取引価格の連関度を事前に学習させておき、新たに外部環境情報と物件情報を取得した場合には、その連関度を参照し、取引価格を探索解として導き出すものである。かかる場合も同様に取引価格を探索することができる。
　なお、本発明は、上述した実施の形態に限定されるものではない。第１実施形態、第２実施形態ともに上述した連関度の出力を入力とし、連関度の入力に当たる探索解を探索してもよい。例えば、図８の例の場合、取引価格に対応する希望取引価格の入力を受け付ける。そして、この図８に示す連関度を利用し、取得した希望取引価格に応じた取引価格に対する参照用物件情報を逆探索するようにしてもよい。
　また、第１実施形態、第２実施形態において説明した連関度の出力としての取引価格の代替として取引価格の騰落率を学習させるようにしてもよい。この騰落率とは、１年後、２年後、３年後、・・・ｎ年後（ｎは正の整数）にその不動産の取引価格が何％上昇するか、或いは何％下落するかを示すものである。この騰落率は、現在の取引価格に対する騰落率をパーセンテージで示すものであってもよいが、その取引価格に騰落率を乗じた将来の予想取引価格を示すものであってもよい。
　かかる場合には、図１３に示すように、上述した第１実施形態、第２実施形態において説明したように、参照用物件情報、又はこれと各参照用情報（参照用地域特性情報、参照用外部環境情報の２以上の組み合わせに対して、取引価格の騰落率を連関度を介して学習させておく。この取引価格の騰落率を学習させる際には、過去のある一時点（例えば３年前）に対する現在の騰落率を学習させてもよいが、これに限定されるものではなく、図１４に示すように、その参照用物件情報により特定される物件の取引価格の時系列的推移で構成されていてもよい。
　このような参照用物件情報、又はこれと各参照用情報（参照用地域特性情報、参照用外部環境情報の２以上の組み合わせに対して、取引価格の騰落率を連関度を介して学習させておき、実際に物件の将来の騰落率を予測する場合には、その物件情報を入力する。この物件情報に近似する参照用物件情報に応じた、取引価格の騰落率を、上記連関度を参照することにより得ることができる。このようにして得られた騰落率に基づいて、将来（例えばｎカ月後、ｎ年後；ｎは正の数）におけるその物件の騰落率を予測するようにしてもよい。
　このとき、取引価格の時系列的推移が、１年前の取引価格に対する現在の取引価格の騰落率で示されており、仮に騰落率Ｑ１が５％ダウンの場合には、仮に予測したい騰落率が１年後である場合であって、その騰落率Ｑ１が探索された場合には、その５％ダウンの結果に基づいて、予測される騰落率も同様に５％ダウンと予測してもよい。
　また、図１５に示すように、取引価格の時系列的推移が、過去５年間の取引価格の時系列的推移で示されており、学習させた騰落率Ｑ１が図１４に示すような時系列的推移の場合には、仮に予測したい騰落率が３年後である場合であって、その騰落率Ｑ１が探索された場合には、図１４に示す時系列的推移に応じて予測値を騰落率として予測してもよい。
　なお、取引価格の騰落率の予測は、更に参照用物件情報に加え、各参照用情報（参照用地域特性情報、参照用外部環境情報の２以上の組み合わせに対して、取引価格の騰落率を学習させておくことで、その予測精度をさらに向上させることが可能となる。
　なお、上述した参照用物件情報、物件情報は、新築の物件や実際に人が住んでいる中古物件、或いはもうすぐその物件からテナントや住人が退出予定の物件のみならず、人が住んでいないいわゆる空き家の物件に関する参照用物件情報、物件情報も含まれる。
　かかる場合における空き家の物件情報としては、空き家の広さに関する広さ情報、上記空き家の築年数に関する築年数情報、上記空き家の内部に関する内部情報、上記空き家の外観を撮像した外観画像情報、上記空き家の建築構造物のブランドに関するブランド情報、上記空き家の新築時の価格に関する新築価格情報、空き家以前の住人に関する住人情報、空き家になった経緯に関する経緯情報、リノベーションの可能性に関するリノベーション可能性情報、劣化度に関する劣化度情報で構成される。また空き家の参照用物件情報としては、空き家の広さに関する参照用広さ情報、空き家の築年数に関する参照用築年数情報、空き家の内部に関する参照用内部情報、空き家の外観を撮像した参照用外観画像情報、空き家の建築構造物のブランドに関する参照用ブランド情報、空き家の新築時の価格に関する参照用新築価格情報、空き家以前の住人に関する参照用住人情報、空き家になった経緯に関する参照用経緯情報、リノベーションの可能性に関する参照用リノベーション可能性情報、劣化度に関する参照用劣化度情報で構成される。
　ここで参照用住人情報は、その空き家以前の住人の氏名や年齢、家族構成や居住期間、退出の理由等、市区町村や不動産会社等の業者において保管されているデータから取得されるものであってもよい。空き家になった経緯に関する参照用経緯情報も同様に市区町村や不動産会社等の業者において記録されているデータから取得するようにしてもよい。この参照用経緯情報とは、空き家になっている理由が含められており、例えば住人やテナントが退出した後、誰からも買い手がつかずにそのままにしてある場合や、何らかの事件が発生した事故物件であるか否かについてもこの参照用経緯情報に含められる場合がある。リノベーションの可能性に関する参照用リノベーション可能性情報は、リノベーションの業者やその専門家により、その可能性について判定してもらった結果をデータ化してもよいし、実際その空き家について画像を撮像し、間取りや老朽化の程度、或いは家の構造の観点からリノベーションが可能か否か、またリノベーションがどの程度反映できるか、その程度を参照用経緯情報として構成してもよい。参照用劣化度情報は、劣化の度合いを示している。参照用劣化度情報は、空き家の屋内外におけるカビや結露、雨漏りの度合い、壁や天井、柱や各部屋の汚れや傷みの度合、外壁の剥がれ度合い、水回りの状況等を劣化度合いとして指標化したものである。この参照用劣化情報は、空き家の屋内外を撮像し、その画像を解析することにより自動的に判定するようにしてもよい。かかる場合には、その画像の傷や汚れ、カビや結露等の劣化を示す事象を特徴量として検出し、ディープラーニング技術、機械学習技術を利用して、判別、抽出するようにしてもよい。
　この参照用物件情報の何れか１つのこれに対する取引価格との３段階以上の連関度を利用し、新たに取得したその参照用物件情報に応じた上記広さ情報、上記内部情報、上記外観画像情報、上記ブランド情報、上記新築価格情報、上記住人情報、上記経緯情報、上記リノベーション可能性情報、上記劣化度情報の何れか１つに基づき、提案すべき取引価格を探索するようにしてもよい。
　また、この参照用物件情報は、図１６に示すように、参照用物件情報を構成する参照用情報として、参照用広さ情報、参照用築年数情報、参照用内部情報、参照用外観画像情報、参照用ブランド情報、参照用新築価格情報、参照用住人情報、参照用経緯情報、参照用リノベーション可能性情報、参照用劣化度情報の何れか２以上を有する組み合わせと、当該組み合わせに対する取引価格との３段階以上の連関度を利用してもよい。図１６の例は、参照用経緯情報と、参照用劣化度情報とを有する組み合わせの連関度を構成している例であるが、他のいかなる参照用物件情報を構成する参照用情報に代替させてもよい。このような連関度を形成させた後、その連関度の組み合わせに応じた広さ情報、内部情報、外観画像情報、ブランド情報、新築価格情報、住人情報、経緯情報、リノベーション可能性情報、劣化度情報に基づき、提案すべき取引価格を探索する。この探索の方法は、上述と同様である。
　なお、空き家以外の物件情報も同様に、参照用物件情報を構成する参照用情報として、参照用広さ情報、参照用築年数情報、参照用内部情報、参照用外観画像情報、参照用ブランド情報、参照用新築価格情報の何れか２以上を有する組み合わせと、当該組み合わせに対する取引価格との３段階以上の連関度を利用してもよい。このような連関度を形成させた後、その連関度の組み合わせに応じた広さ情報、内部情報、外観画像情報、ブランド情報、新築価格情報に基づき、提案すべき取引価格を探索する。この探索の方法は、上述と同様である。
１　入居推薦業者提案システム
２　推定装置
２１　内部バス
２３　表示部
２４　制御部
２５　操作部
２６　通信部
２７　推定部
２８　記憶部
６１　ノード
 

Claims (11)

  1. 　不動産について取引価格を提案する不動産取引価格提案プログラムにおいて、
    　不動産の物件の内容に関する物件情報を取得する情報取得ステップと、
    　不動産の物件の内容に関する参照用物件情報と、取引価格との３段階以上の連関度を利用し、上記情報取得ステップを介して取得した物件情報に応じた参照用物件情報に対する取引価格との３段階以上の連関度に基づき、提案すべき取引価格を探索する探索ステップとをコンピュータに実行させること
    　を特徴とする不動産取引価格提案プログラム。
  2. 　上記情報取得ステップでは、上記不動産が立地する地域特性を示す地域特性情報を取得し、
    　上記探索ステップでは、不動産が立地する地域特性を示す参照用地域特性情報を予め取得しておき、上記地域特性情報に応じた参照用地域特性情報を参照し、提案すべき取引価格を探索すること
    　を特徴とする請求項１記載の不動産取引価格提案プログラム。
  3. 　上記情報取得ステップでは、更に現在における外部環境情報を取得し、
    　上記探索ステップでは、不動産の取引時における参照用外部環境情報と、参照用物件情報とを有する組み合わせと、当該組み合わせに対する取引価格との３段階以上の連関度を利用し、上記情報取得ステップを介して取得した上記外部環境情報に応じた参照用外部環境情報と、上記物件情報に応じた参照用物件情報とを有する組み合わせに対する取引価格との３段階以上の連関度に基づき、提案すべき取引価格を探索すること
    　を特徴とする請求項１記載の不動産取引価格提案プログラム。
  4. 　上記情報取得ステップでは、更に現在における外部環境情報を取得し、
    　上記探索ステップでは、不動産の取引時における参照用外部環境情報を予め取得しておき、上記外部環境情報に応じた参照用外部環境情報を参照し、提案すべき取引価格を探索すること
    　を特徴とする請求項１記載の不動産取引価格提案プログラム。
  5. 　不動産について取引価格を提案する不動産取引価格提案プログラムにおいて、
    　上記不動産が立地する地域特性を示す地域特性情報と、不動産の物件の内容に関する物件情報とを取得する情報取得ステップと、
    　以前に取得した参照用地域特性情報と、取引価格との３段階以上の連関度を利用し、上記情報取得ステップを介して取得した地域特性情報に応じた参照用地域特性情報に対する取引価格との３段階以上の連関度のより高いものを優先させつつ、更に取得した上記物件情報に基づいて、提案すべき取引価格を探索する探索ステップとをコンピュータに実行させること
    　を特徴とする不動産取引価格提案プログラム。
  6. 　上記情報取得ステップでは、上記物件情報として、上記不動産の広さに関する広さ情報、上記不動産の築年数に関する築年数情報、上記不動産の内部に関する内部情報、上記不動産の外観を撮像した外観画像情報、上記不動産の建築構造物のブランドに関するブランド情報、上記不動産の新築時の価格に関する新築価格情報の何れか１以上を取得し、
    　上記探索ステップでは、上記情報取得ステップにおいて取得される物件情報に応じた参照用物件情報に対する取引価格との３段階以上の連関度に基づき、提案すべき取引価格を探索すること
    　を特徴とする請求項１～５のうち何れか１項記載の不動産取引価格提案プログラム。
  7. 　上記探索ステップでは、上記参照用物件情報として、不動産の広さに関する参照用広さ情報、不動産の築年数に関する参照用築年数情報、不動産の内部に関する参照用内部情報、不動産の外観を撮像した参照用外観画像情報、不動産の建築構造物のブランドに関する参照用ブランド情報、不動産の新築時の価格に関する参照用新築価格情報の何れか２以上を有する組み合わせと、当該組み合わせに対する取引価格との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得したその組み合わせに応じた上記広さ情報、上記内部情報、上記外観画像情報、上記ブランド情報、上記新築価格情報に基づき、提案すべき取引価格を探索すること
    　を特徴とする請求項６項記載の不動産取引価格提案プログラム。
  8. 　上記情報取得ステップでは、上記地域特性情報として、上記不動産の周囲の周囲画像情報、最寄駅からの距離情報、上記不動産の周囲の通行量に関する通行量情報、上記不動産が位置する地盤の振動に関する振動情報、上記不動産が位置する地域の住民における年収に関する年収情報、上記不動産が位置する地域の人口推計に関する人口推計情報、上記不動産が位置する地域の空き家率に関する空き家率情報、上記不動産が位置する地域の災害リスクに関する災害リスク情報と、上記不動産の周囲の騒音に関する騒音情報の何れか１以上を取得し、
    　上記探索ステップでは、上記情報取得ステップにおいて取得される地域特性情報に応じた参照用地域特性情報に基づき、提案すべき取引価格を探索すること
    　を特徴とする請求項２又は５記載の不動産取引価格提案プログラム。
  9. 　上記情報取得ステップでは、更に希望取引価格の入力を受け付け、
    　上記探索ステップでは、上記連関度を利用し、上記情報取得ステップを介して取得した希望取引価格に応じた取引価格に対する参照用物件情報を探索すること
    　を特徴とする請求項１～４のうち何れか１項記載の不動産取引価格提案プログラム。
  10. 　上記推定ステップでは、人工知能におけるニューラルネットワークのノードの各出力の重み付け係数に対応する上記連関度を利用すること
    　を特徴とする請求項１～９のうち何れか１項記載の不動産取引価格提案プログラム。
  11. 　不動産について取引価格の将来の騰落率を予測する不動産騰落率予測プログラムにおいて、
    　不動産の物件の内容に関する物件情報を取得する情報取得ステップと、
    　不動産の物件の内容に関する参照用物件情報と、取引価格の過去の騰落率との３段階以上の連関度を利用し、上記情報取得ステップを介して取得した物件情報に応じた参照用物件情報に対する過去の取引価格の騰落率との３段階以上の連関度に基づき、予測すべき取引価格の騰落率を探索する探索ステップとをコンピュータに実行させること
    　を特徴とする不動産騰落率予測プログラム。
     
PCT/JP2021/038361 2020-10-19 2021-10-18 不動産取引価格提案プログラム WO2022085612A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-175213 2020-10-19
JP2020175213 2020-10-19

Publications (1)

Publication Number Publication Date
WO2022085612A1 true WO2022085612A1 (ja) 2022-04-28

Family

ID=81290490

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/038361 WO2022085612A1 (ja) 2020-10-19 2021-10-18 不動産取引価格提案プログラム

Country Status (2)

Country Link
JP (4) JP2022067051A (ja)
WO (1) WO2022085612A1 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015090538A (ja) * 2013-11-05 2015-05-11 Ｓｂｉモーゲージ株式会社 情報送信方法及び情報送信装置
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
JP2017040957A (ja) * 2015-08-17 2017-02-23 株式会社リブセンス 不動産情報処理装置、算定方法情報生成装置、不動産情報処理、算定方法情報生成方法、およびプログラム
JP2018180996A (ja) * 2017-04-14 2018-11-15 ヤフー株式会社 予測装置、予測方法、及び予測プログラム
JP2018190375A (ja) * 2017-05-09 2018-11-29 ジャパンモード株式会社 サービス提供システム
JP2020144810A (ja) * 2019-03-08 2020-09-10 Ａｓｓｅｓｔ株式会社 農作物の収穫量予測プログラム及び農作物の品質予測プログラム
KR102156659B1 (ko) * 2019-11-26 2020-09-16 주식회사 공감랩 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치 및 그 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015090538A (ja) * 2013-11-05 2015-05-11 Ｓｂｉモーゲージ株式会社 情報送信方法及び情報送信装置
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
JP2017040957A (ja) * 2015-08-17 2017-02-23 株式会社リブセンス 不動産情報処理装置、算定方法情報生成装置、不動産情報処理、算定方法情報生成方法、およびプログラム
JP2018180996A (ja) * 2017-04-14 2018-11-15 ヤフー株式会社 予測装置、予測方法、及び予測プログラム
JP2018190375A (ja) * 2017-05-09 2018-11-29 ジャパンモード株式会社 サービス提供システム
JP2020144810A (ja) * 2019-03-08 2020-09-10 Ａｓｓｅｓｔ株式会社 農作物の収穫量予測プログラム及び農作物の品質予測プログラム
KR102156659B1 (ko) * 2019-11-26 2020-09-16 주식회사 공감랩 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치 및 그 방법

Also Published As

Publication number Publication date
JP2022067095A (ja) 2022-05-02
JP2022067051A (ja) 2022-05-02
JP2022067050A (ja) 2022-05-02
JP2022067049A (ja) 2022-05-02

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
US11068911B1 (en) Automatically determining market rental rate index for properties
Juan et al. Decision support for housing customization: A hybrid approach using case-based reasoning and genetic algorithm
US11288756B1 (en) Automatically determining market rental rates for properties
CN109155039A (zh) 用于时间期满清单利用预测的回归树压缩的特征向量机
Lam et al. An artificial neural network and entropy model for residential property price forecasting in Hong Kong
KR102509598B1 (ko) 소비자 선택 모델을 이용한 부동산 맞춤형 정보 추천 방법 및 서버
KR102103073B1 (ko) 노후주택 매매 플랫폼
JP2021174267A (ja) 建物値付プログラム
KR20070097939A (ko) 서버 및 클라이언트 단말기를 이용한 부동산 정보 제공방법 및 이를 수행하는 컴퓨터 프로그램이 기록된컴퓨터에서 판독 가능한 기록 매체
Deng et al. Improving small-area population estimation: An integrated geographic and demographic approach
JP2022007877A (ja) 不動産取引価格提案プログラム
WO2022085612A1 (ja) 不動産取引価格提案プログラム
JP2006318011A (ja) 需要分析・提案システム
JP2022066712A (ja) 不動産騰落率予測プログラム及びシステム
JP2022066713A (ja) 空き家取引価格提案プログラム
JP6773346B1 (ja) 入居推薦業者提案プログラム、不動産取引価格提案プログラム
KR102441358B1 (ko) 아파트의 지수화를 통한 아파트 투자 가치 평가 시스템
WO2022039141A1 (ja) 引越費用推定プログラム及びシステム
JP2022033575A (ja) 引越費用推定プログラム
JP2022033577A (ja) 引越費用推定プログラム
JP2022033576A (ja) 引越費用推定プログラム
JP2022108347A (ja) 商品需要予測プログラム
JP2022108346A (ja) 商品需要予測プログラム

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: 21882753

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 01.08.2023)

122 Ep: pct application non-entry in european phase

Ref document number: 21882753

Country of ref document: EP

Kind code of ref document: A1