[論文レビュー] House Price Prediction Using LSTM

Xiaochen Chen, Wei Lai+1 more|arXiv (Cornell University)|Sep 25, 2017

Housing Market and Economics参考文献 2被引用数 21

ひとこと要約

本稿では、2004年1月から2016年10月までの歴史的データを用いて、北京、上海、広州、深センの2016年11月および12月の平均住宅価格を予測するための長短期記憶（LSTM）ネットワークを提案する。LSTMモデルは平均二乗誤差（MSE）の観点でベースラインのARIMAモデルを上回り、状態保持型およびスタックドLSTMの変種がさらに予測精度を向上させた。

ABSTRACT

In this paper, we use the house price data ranging from January 2004 to October 2016 to predict the average house price of November and December in 2016 for each district in Beijing, Shanghai, Guangzhou and Shenzhen. We apply Autoregressive Integrated Moving Average model to generate the baseline while LSTM networks to build prediction model. These algorithms are compared in terms of Mean Squared Error. The result shows that the LSTM model has excellent properties with respect to predict time series. Also, stateful LSTM networks and stack LSTM networks are employed to further study the improvement of accuracy of the house prediction model.

研究の動機と目的

• 歴史的データの時間的パターンを活用して、中国の大都市における住宅価格を予測する深層学習モデルの開発を目的とする。
• ARIMAのような従来の時系列モデルと比較して、LSTMネットワークの住宅価格予測における性能を評価することを目的とする。
• 状態保持型およびスタックドLSTMのようなアーキテクチャ的改善が予測精度に与える影響を評価することを目的とする。
• 動的で変化の激しい都市市場における不動産価格予測に、強固でデータ駆動型のアプローチを提供することを目的とする。

提案手法

• 北京、上海、広州、深センの4つの中国の大都市について、2004年1月から2016年10月までの住宅価格データを用いる。
• 比較のためのベースラインとして、自己回帰統合移動平均（ARIMA）モデルを採用する。
• 時系列データ内の逐次的依存関係をモデル化するために、長短期記憶（LSTM）ネットワークを適用する。
• バッチ間で隠れ状態を保持する状態保持型LSTMを実装し、時間的連続性を向上させる。
• 複数層を有するスタックドLSTMネットワークを用いて、特徴抽出能力およびモデルの表現力の向上を図る。
• 主な評価指標として平均二乗誤差（MSE）を用い、モデルの性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 LSTMネットワークは、歴史的時系列データを用いて、中国の大都市における住宅価格の動向を効果的にモデル化・予測できるか？
• RQ2 予測精度の観点で、LSTMの性能は従来のARIMAモデルと比べてどの程度優れているか？
• RQ3 状態保持型およびスタックドLSTMのようなアーキテクチャ的変更が、予測精度にどの程度の向上効果をもたらすか？
• RQ4 LSTMモデルは、中国の異なる都市不動産市場に十分に一般化できるほど頑健か？

主な発見

• LSTMモデルは、ARIMAベースラインと比較して顕著に低い平均二乗誤差（MSE）を達成しており、優れた予測性能を示した。
• 状態保持型LSTMネットワークは、シーケンス間で隠れ状態の連続性を維持することで、予測精度が向上した。
• スタックドLSTMネットワークは、時間的パターンのより深い学習を可能にすることで、モデルの性能をさらに向上させた。
• 結果から、LSTMは不動産価格データにおける複雑で非線形な時系列トレンドをモデル化するのに適していることが確認された。