Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

通行量センシングと機械学習に基づく飲食店用不動産賃料推定

323 views

Published on

Rent estimation for restaurant

Published in: Technology
  • Be the first to comment

通行量センシングと機械学習に基づく飲食店用不動産賃料推定

  1. 1. 通行量センシングと機械学習に 基づく飲食店用不動産賃料推定 荒川 周造1 諏訪 博彦1 小川 祐樹2 荒川 豊1 安本 慶一1 太田 敏澄3 1 奈良先端科学技術大学院大学 情報科学研究科 2 立命館大学 3 行政情報システム研究所
  2. 2. 2 はじめに 飲食店用不動産 画像の出典:株式会社ABC店舗HP http://www.abc-tenpo.com 賃料決定手法??
  3. 3. 3 飲食店用不動産の賃料決定 ベテラン営業マンの感覚に基づいて決定 他の営業マンへの伝承 問題点 賃料決定に根拠が無い 暗黙知 (ノウハウ) 形式知経験の浅い営業マンでも 賃料決定を実現可能に 従来
  4. 4. 4 研究目的 根拠に基づく賃料推定システムを構築 立地条件 周囲の住環境 店舗の動的情報 通行量センサを用いたシステム 一般住宅向け 飲食店向け 例)通行量, 雰囲気 etc.
  5. 5. 5 本研究における課題 ①通行量などの動的情報の取得 ②取得データに基づく賃料推 定 センシング技術を用いることで 暗黙知の形式知化を実現 具 体 的 課 題 概 念 的 課 題
  6. 6. 6 関連研究<不動産価格推定> 不動産価格推定エンジン ビッグデータを活用した リアルタイム査定 不動産の 成約価格推定 決定木とNNに基づく不動産価格推定(Victor et al. 2015) IESHIL(β版) 風水を考慮した不動産価格推定(Chih-Hung et al. 2009) 交通システムと環境の質に着目した不動産価格推定 (Vincenza et al. 2014)
  7. 7. 7 関連研究<通行量センシング> カメラを用いた先行研究(Zeng et al. 2012) PIRセンサを用いた先行研究(Wahl et al. 2012) オフィス内の人数を シミュレーションで推定 設置やプライバシー面において課題あり
  8. 8. 8 本研究の位置づけ 賃料推定 一般住宅向け 不動産 通行量測定 飲食店向け 不動産 カメラが主流 エナジーハー ベスティング PIRセンサ 先 行 研 究 本 研 究
  9. 9. 9 通行量センシングシステム 要求仕様 小型で目につかない 半永続的なセンシング 容易なデータ取得 その様なセンサは 存在しない!!! 通行量センサ 無線モジュール 独自開発した 拡張ボード システム構成 ないものは作る
  10. 10. 10 通行量センシング実験 都内実店舗の前の通行量を測定 営業マンの感覚データ 画像の出典:Google ストリートビュー 地点A(感覚値:1.5) 地点B(感覚値:2) 地点C(感覚値:3) 地点D(感覚値:4) 1〜5 1〜5 2名の平均値
  11. 11. 11 通行量センシング実験結果 センサの反応回数が 人の感覚に比例 感覚値であった通行量を 根拠あるデータとして形式知化 測定地点(営業マンの感覚値:1〜5) 営業マンの感覚との比較センサ反応回数 通行量(動的情報)をシステムによって取得できた 実験期間:2016/2/8 17:00 〜 2/9 13:00
  12. 12. 12 機械学習を用いた賃料推定 株式会社ABC店舗が扱う東京都内の飲食店向け不動産物件 推定対象 1〜5 1〜5 通行量の感覚値
  13. 13. 13 機械学習を用いた賃料推定 どんな特徴量??
  14. 14. 14 データセット 特徴量 学習ラベル 駅推定賃料 視認性×通行量 居抜きフラグ 駅徒歩時間 階数 坪数 物件の賃料 駅平均坪単価 × 坪数 店舗の視認性(1〜5) × 周辺の通行量(1〜5) 60万円以下の184物件について検証 居抜き: 机や椅子,カウンター,ガス レンジ,冷蔵庫などの什器が 付帯した物件
  15. 15. 15 従来手法との比較(内挿同士) 重回帰分析 ランダムフォレスト (木の数:100, シード:70) 0 120000 240000 360000 480000 600000 0 120000 240000 360000 480000 600000 推定賃料[円] 実際の賃料[円] RMSE:60929.55 (平均二乗誤差) RMSE:24226.20 重回帰分析の半分以下にまで誤差が減少 0 120000 240000 360000 480000 600000 0 120000 240000 360000 480000 600000 推定賃料[円] 実際の賃料[円] 実際の賃料[円] 推定賃料[円] 実際の賃料[円]推定賃料[円]
  16. 16. 16 3-fold 交差検証の結果 ランダムフォレスト (木の数:100, シード:70) RMSE:64035.21 重回帰分析(内挿)のときと同程度の結果 モデルの汎化性能を評価 物件データ(184件) (62) (61) (61) 学習 テスト 学習 学習学習 テスト テスト 0 120000 240000 360000 480000 600000 0 120000 240000 360000 480000 600000 推定賃料[円] 実際の賃料[円] 営業マンから「現場で十分に参考になる」 実際の賃料[円]推定賃料[円]
  17. 17. 17 特徴量ごとの影響度合い 駅推定 賃料 視認性× 通行量 居抜き フラグ 駅徒歩 時間 階数 坪数 RMSE 差分 ◯ ◯ ◯ ◯ ◯ ◯ 64035 - ☓ ◯ ◯ ◯ ◯ ◯ 77660 13625 ◯ ☓ ◯ ◯ ◯ ◯ 70010 5975 ◯ ◯ ☓ ◯ ◯ ◯ 64823 788 ◯ ◯ ◯ ☓ ◯ ◯ 66117 2082 ◯ ◯ ◯ ◯ ☓ ◯ 68991 4956 ◯ ◯ ◯ ◯ ◯ ☓ 66818 2783 駅推定賃料が最も影響大 通行量も影響あり 通行量を取ることは 有用である!
  18. 18. 18 まとめ 通行量センシングシステムを構築し 通行量を測定可能なことを確認 機械学習を用いた推定システムにより 実運用に耐えうる推定精度を達成 今後の予定 新たな特徴量の追加 センサで収集した通行量を用いて推定
  19. 19. 19 付 録
  20. 20. 20 新たな特徴量の検討 坪数は駅推定賃料に含まれている ⇛削除(RMSE:66818) 駅徒歩時間と階数は共に到達しにくさを表す ⇛積をとる(RMSE:64660) 導入力を追加 ⇛視認性×通行量×導入力(RMSE:63349) 物件が持つ人を呼びこむ程度を示す感覚値 僅かだが精度を向上できた
  21. 21. 連続稼働時要求電流(STM431J+PIRセンサ) 100秒に1回送信: 2.6μA 10秒に1回送信: 14.5μA 1秒に1回送信:131 μA 35mAhのコイン電池のみでは 100秒に1回送信:13462h = 560 day 10秒に1回送信: 2414h = 100 day 1秒に1回送信: 267h = 11.13day 【実際は・・・】 ・ソーラの発電電力のみで日中は動作可能 ・深夜時間帯にセンサが反応する可能性は低い →コイン電池に頼るのは毎日6h程度(日没〜深夜の間) 21 センサ稼働時間の目安
  22. 22. 推定誤差算出方法 22 平均二乗誤差(RMSE)を使用 N:全予測対象数 yi:実績値 ŷi:推定値 推定値が実績値に対して,どれ程乖離しているかを示す →モデルの精度の悪さを評価する指標(0に近いほど優秀)

×