服部 凌典, 岡本 一志, 柴田 淳司: 間取り図を用いた賃料予測モデルに関する一検討, 第33回人工知能学会全国大会, 2019.6

1. / 20
JSAI 2019
2019.6.4
間取り図を用いた賃料予測モデルに関する一検討
1
服部 凌典¹ 岡本 一志¹ 柴田 淳司²
¹ 電気通信大学 大学院情報理工学研究科 情報学専攻
² 産業技術大学院大学 産業技術研究科 情報アーキテクチャ専攻

2. / 20
JSAI 2019
2019.6.4
賃貸物件の特徴
• 同じ物件が存在しない
• 間取り，階数，立地などの物件変数が賃料に影響を与える
賃貸物件の価格決定方法 [大野喜，2016]
• 積算法
• 収益分析法
• 賃貸事例比較法
• 対象物件の周囲の物件や類似する物件を参照して賃料を決定
• 決定支援にヘドニック・アプローチを採用
はじめに
2
大野喜久之輔：継続賃料鑑定評価を再考する，
都市住宅学，住宅新報社，2016.

3. / 20
JSAI 2019
2019.6.4
ヘドニック・アプローチ
ある商品の価格をその商品の変数の価値に関する集合とし，
その商品価格の予測モデルを線形回帰で構築する技術[唐渡，2016]
既存のヘドニック・アプローチは間取り図が考慮されていない
3
ŷi = ↵1x1 + ↵2x2 + ↵3x3 + · · · + ↵nxn +
<latexit sha1_base64="vQx08F43bZHjET/G6F0shHJHj2A=">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</latexit>
<latexit sha1_base64="vQx08F43bZHjET/G6F0shHJHj2A=">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</latexit>
<latexit sha1_base64="Mhn41z7d/Q2n10aqYFv7sL5P/oA=">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</latexit>
占有面積 立地 階数 築年数
賃料
唐渡 広志：ヘドニック・アプローチを利用した不動産価格
指数の推定方法とその問題点，都市住宅学，vol.2016，
no.92，pp.17-20， 2016.

4. / 20
JSAI 2019
2019.6.4
ヘドニック・アプローチを用いた関連研究
4
• Ram P. Dahal and Robert K. Grala and Jason S. Gordon and Ian A. Munn and Daniel R. Petrolia and J. Reid Cummings：
A hedonic pricing method to estimate the value of waterfronts in the Gulf of Mexico，Urban Forestry & Urban Greening，vol.41，
pp.184-194，2019.
• Dr. Philipp Deschermeier and Björn Seipelt：
A Hedonic Rent Index for Student Housing in Germany，Cologne Institute for economic research，pp.1–12，2016．
• yung-Jin Jun, Hee-Jae Kim：Measuring the effect of greenbelt proximity on apartment rents in Seoul，Cities，vol. 62, 2017．
建物構造
立地
/アクセス
周辺環境 売買契約 画像
Ram+
2019 ○ ○ ○ × ×
Philipp+
2016 ○ ○ ○ × ×
Jun+
2017 ○ ○ ○ ○ ×
本研究 ○ ○ × ○ ○
説明変数として使用されている変数のカテゴリ

5. / 20
JSAI 2019
2019.6.4
間取り図の特性
間取り規格が同じであっても，部屋の形状が違うものが存在
希望の賃貸物件を探す際には間取り図を見る習慣がある[清田+，2017]
5
清田陽司，山崎俊彦，諏訪博彦，清水弘：
エディトリアル：「不動産とAI 」，人工知能，
vol.32，2017．
同じ建物の間取り規格Kで間取り図が違う例

6. / 20
JSAI 2019
2019.6.4
目的: 賃料予測における間取り図の影響を明らかにする
手段: 賃料の予測誤差を比較
• 間取り図を考慮しない予測モデル（LR)
• 間取り図を考慮した予測モデル
• 線形変換による特徴量抽出法（PCA-LR）
• 非線形変換による特徴量抽出法（VGG-LR)
研究内容
6

7. / 20
JSAI 2019
2019.6.4
一般的なヘドニック・アプローチ
• 予測式：
• 説明変数に間取り図を含まない
• scikit-learn（version：0.20.2）のLinearRegressionクラス使用
LR（Linear-Regression）
7
ŷi = f(xi) = ↵T
xi +
<latexit sha1_base64="gAXdu8udRiXbYQWOcxxODvbMMjU=">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</latexit>
<latexit sha1_base64="gAXdu8udRiXbYQWOcxxODvbMMjU=">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</latexit>
<latexit sha1_base64="gAXdu8udRiXbYQWOcxxODvbMMjU=">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</latexit>
このLRと間取り図を考慮したPCA-LRとVGG-LRを比較する
f(xi)
xi ŷi
変数
ベクトル
賃料

8. / 20
JSAI 2019
2019.6.4
• 主成分分析による特徴抽出
• 抽出した間取り図の特徴量と
変数ベクトルを組み合わせ，線形回帰で賃料予測
• 間取り図の特徴量: 64，128，256，512，1024，
2048次元の6種類
PCA（Principal Component Analysis）-LR
8
• scikit-learn（version：0.20.2）
のPCAクラス使用
•
LRの説明変数に間取り図を追加したモデル
特
徴
量
主成分
分析
vi
属性
ベクトル
φθ(vi)
ui
xi
ŷi
賃料
f(xi)
x = [u, ✓(v)]
<latexit sha1_base64="tbvrKtiF/xOXDGMbwaD2COlchy8=">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</latexit>

9. / 20
JSAI 2019
2019.6.4
VGG-LR
9
• ミニバッチ＋確率的勾配降下法を適用
• batch size: 100，epoch: 100
• 間取り図の特徴抽出: 64次元
• 活性化関数: ReLU
• Keras（version：2.2.4）のFunction API
•
間取り図を非線変換で特徴抽出するモデル
x = [u, h✓(v)]
<latexit sha1_base64="o9TUYv/8nCTnfgkDaEu18FszFcY=">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</latexit>
VGG16
vi
ŷi
属性
ベクトル
ui
賃料
xi
f(xi)
f(xi)
特
徴
量
hθ(vi)

10. / 20
JSAI 2019
2019.6.4
VGG16の構造
10
Karen Simonyan，and Andrew Zisserman： Very Deep Convolutional
Networks for Large-Scale Image Recognition，Computing Research
Repository，vol.abs/1409.1556，2014.
VGG16 [Karen+，2014]: オックスフォード大学のVGGチームによって開発された
学習済みのニューラルネットワーク
7 × 7 × 512
13
224 × 224 × 3 1 × 1000
1 × 4096
14 × 14 × 512
28 × 28 × 512
・
・
・
層
224 × 224 × 3 28 × 28 × 512
11
1 × 64
・
・
・
層
使用するVGG16
• 後ろの5層を除去
• 64次元の全結合層追加
• 後ろ3層のみ学習

11. / 20
JSAI 2019
2019.6.4
実験環境
LIFULL HOME’Sデータセット（2015年9月時点）
• 賃貸物件データ（70変数，533万件）
• 120×120ピクセルの画像データ（8,300万ファイル）
使用する計算機（OS: Ubuntu 18.04.１）
• CPU：Xeon(R) CPU E5-2650 v3 @ 2.30GHz
• GPU：GeForce GTX 1080 Ti 11GB
• メモリ：64GB
11

12. / 20
JSAI 2019
2019.6.4
徒歩距離，立地，階数（地上），階数（地下），市町村区，部屋階数，
契約期間，建物構造，駐車場料金，新築・未入居フラグ，占有面積，
築年数，間取り図
使用賃貸物件データ（14変数，9万件）
• 東京都のデータを使用（ 47都道府県で最もデータ量が多いため）
• 目的変数：賃料 + 共益費
• 説明変数：
• 間取り図：グレースケール変換
データセット分割
• 使用賃貸物件データを間取り規格を基準にK，R，DK，LD，LDKの5種類に分割
• LDはデータ数が35件のため使用しない
• 20%をテストデータに，80%を開発用データに分割
データセット
12

13. / 20
JSAI 2019
2019.6.4
実験概要
13
1. ハイパーパラメータチューニング
• PCA-LRにおける適切な間取り図の次元数を探索
• 64，128，256，512，1024，2048次元の6種類
• 開発用データに10-fold cross-validationを適用
• 評価指標：平方平均二乗誤差（RMSE: Root Mean Square Error）
2. テストデータに対するLRとVGG-LR，PCA-LRの評価
1. RMSEによる評価と学習時間
2. 予測値の可視化

14. 1. ハイパーパラメータチューニング
DK LDK
K R

15. / 20
JSAI 2019
2019.6.4
2-1．RMSEによる評価と学習時間
15
データ数 LR PCA-LR VGG-LR
K 1,712 11,602 11,689 16,862
R 7,525 9,217 8,727 12,541
DK 3,548 11,156 10,957 16,467
LDK 6,842 20,121 19,646 22,878
データ数 LR PCA-LR VGG-LR
K 9,205 0.06 11 2,897
R 39,985 0.08 48 14,566
DK 18,975 0.05 23 6,471
LDK 36,595 0.07 45 13,026
テストデータに対するRMSE[円]
開発用データの学習時間[秒]

16. LR PCA-LR VGG-LR
間取り規格R
LR PCA-LR VGG-LR
間取り規格K
2-2．予測値の可視化

17. / 20
JSAI 2019
2019.6.4
2-2．累積密度関数（1/2）
17
K R
= |1 −
̂
y
y
|
横軸：error rate
縦軸：error rate 以下の誤差に収まっているデータ数の割合
y : 真値 ̂
y :予測値

18. / 20
JSAI 2019
2019.6.4
DK LDK
18
2-2．累積密度関数（2/2）

19. / 20
JSAI 2019
2019.6.4
LIFULL HOME’Sデータセット外の物件予測
19
間取り図 構造
間取り
規格
賃料 LR PCA-LR VGG-LR
自宅 RC K 65,000 61,361 62,545 83,695
学生寮 RC K 47,700 56,931 49,716 64,526
A宅 木造 K 74,000 66,695 68,701 58,561
B宅 鉄筋 LDK 128,000 130,988 122,887 181,913

20. / 20
JSAI 2019
2019.6.4
おわりに
目的：賃料予測における間取り図の影響を明らかにする
実験結果
間取り図を考慮することで予測誤差が改善する
• 特徴量抽出に主成分分析を用いることでRMSEが改善する
• 間取り図の特徴量は1024，2048次元の高次元が望ましい
• 1024，2048次元の間取り図の特徴量で間取り図の大部分の特徴量を
抽出できる
• 特徴量抽出にVGGを用いることで，error rateが0.1以下の物件数が増える
• 予測誤差のばらつきが課題
• 計算コストが課題
20