[論文レビュー] Location-Centered House Price Prediction: A Multi-Task Learning Approach

Guangliang Gao, Zhifeng Bao+4 more|arXiv (Cornell University)|Jan 7, 2019

Housing Market and Economics被引用数 8

ひとこと要約

本稿では、交通、教育、施設データなどの細分化された立地プロファイルを活用し、空間的領域を別々だが関連するタスクとしてモデル化することで、精度を向上させるためのマルチタスク学習（MTL）を用いた立地中心の住宅価格予測フレームワークを提案する。結果として、MTLは単一タスク学習を著しく上回り、タスク定義の影響が手法選択の影響よりも予測性能に与える影響が大きいことが示された。

ABSTRACT

Accurate house prediction is of great significance to various real estate stakeholders such as house owners, buyers, investors, and agents. We propose a location-centered prediction framework that differs from existing work in terms of data profiling and prediction model. Regarding data profiling, we define and capture a fine-grained location profile powered by a diverse range of location data sources, such as transportation profile (e.g., distance to nearest train station), education profile (e.g., school zones and ranking), suburb profile based on census data, facility profile (e.g., nearby hospitals, supermarkets). Regarding the choice of prediction model, we observe that a variety of approaches either consider the entire house data for modeling, or split the entire data and model each partition independently. However, such modeling ignores the relatedness between partitions, and for all prediction scenarios, there may not be sufficient training samples per partition for the latter approach. We address this problem by conducting a careful study of exploiting the Multi-Task Learning (MTL) model. Specifically, we map the strategies for splitting the entire house data to the ways the tasks are defined in MTL, and each partition obtained is aligned with a task. Furthermore, we select specific MTL-based methods with different regularization terms to capture and exploit the relatedness between tasks. Based on real-world house transaction data collected in Melbourne, Australia. We design extensive experimental evaluations, and the results indicate a significant superiority of MTL-based methods over state-of-the-art approaches. Meanwhile, we conduct an in-depth analysis on the impact of task definitions and method selections in MTL on the prediction performance, and demonstrate that the impact of task definitions on prediction performance far exceeds that of method selections.

研究の動機と目的

• 既存の住宅価格予測モデルが、すべてのデータを均一に扱うか、独立してデータを分割するが、タスク間の関係性をモデル化しないという限界を解決すること。
• 交通、学校、施設へのアクセスなどの細分化された立地特徴を捉えることで、予測精度を向上させること。
• 空間的領域に分割された住宅価格予測設定において、タスク定義とMTL手法選択が予測性能に与える影響を調査すること。
• MTLが空間的に関連する住宅市場間の関係性を活用することで、特にサンプル数が少ない状況でも性能向上を実現できることを示すこと。

提案手法

• 著者らは、交通（例：鉄道駅からの距離）、教育（例：学校区域とランク付け）、国勢統計に基づくサブエリアプロファイル、施設アクセス（例：病院、スーパー）など、多様なデータソースを用いて細分化された立地プロファイルを定義する。
• 全データセットは、立地プロファイル（例：SA3地域、学校ランク、駅からの距離）に基づいて空間的タスクに分割され、各パーティションが別々だが関連する予測タスクとして扱われる。
• タスク間の関係性を活用するため、3つの正則化戦略（$l_1$-ノルム、$l_{2,1}$-ノルム、グラフ正則化）を用いたマルチタスク学習モデルを適用する。
• 評価には、2015年1月から2018年1月までのメルボルンの住宅取引実データ（3年間の日次売買および特徴量記録）を用いる。
• 性能評価は、複数のタスク定義とMTL設定においてRMSEを用い、SVR やランダムフォレストなどの単一タスク学習（STL）ベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 マルチタスク学習として住宅価格予測をモデル化することで、単一タスク学習と比較して性能がどのように向上するか？
• RQ2 タスク定義の選択（例：学校ランクに基づくか、交通アクセスに基づくか）が予測精度に与える影響はどの程度か？
• RQ3 異なるMTL正則化手法（例：$l_1$、$l_{2,1}$、グラフ）が、さまざまなタスク定義下でどのように性能を発揮するか？
• RQ4 MTLは、サンプル数が異なるタスクにおいて一貫した性能向上を示すか？

主な発見

• MTLベースの手法は、特にサンプル数が少ない状況において、最先端の単一タスク学習手法を著しく上回る。
• タスク定義の影響が手法選択の影響を大きく上回り、タスク設計がMTL成功の主な要因であることが示された。
• タスク定義が粗い場合（例：1つのプロファイルに基づく場合）、グラフ正則化を用いたMTLが特に優れた性能を発揮するが、細分化された複数プロファイルのタスク定義では、一般的な正則化（例：$l_1$）で十分である。
• サンプル数が少ないタスク（例：第1四分位）では、MTLベースの手法が、SVR やランダムフォレストなどのSTLベースラインを一貫して上回る。
• サンプル数が多いタスク（例：第3・第4四分位）においても、MTLは高い性能を維持するが、一部のSTLモデル（例：RF、SVR）が孤立したケースでMTLを上回ることもある。
• MTLフレームワークは、データのスパarsityレベルが変動しても頑健であり、タスク間の関係性を活用することで高い性能を維持する。