[論文レビュー] Second Hand Price Prediction for Tesla Vehicles

Sayed Erfan Arefin|arXiv (Cornell University)|Jan 11, 2021

Energy, Environment, and Transportation Policies参考文献 3被引用数 6

ひとこと要約

この論文では、ウェブスクレイピングにより中古車サイト（例：cars.com, truecar.com）から収集したデータを活用して、機械学習を用いた中古テスラ車両の価格予測システムを提案する。Microsoft Azure ML Studioでブーストド決定木回帰モデルを実装し、比較したアルゴリズムの中で最小のRMSE（5,849.8）を達成した。このモデルはREST APIとしてデプロイされ、フルスタックMERNベースの予測システムに統合された。

ABSTRACT

The Tesla vehicles became very popular in the car industry as it was affordable in the consumer market and it left no carbon footprint. Due to the large decline in the stock prices of Tesla Inc. at the beginning of 2019, Tesla owners started selling their vehicles in the used car market. These used car prices depended on attributes such as the model of the vehicle, year of production, miles driven, and the battery used for the vehicle. Prices were different for a specific vehicle in different months. In this paper, it is discussed how a machine learning technique is being implemented in order to develop a second-hand Teslavehicle price prediction system. To reach this goal, different machine learning techniques such as decision trees, support vector machine (SVM), random forest, and deep learning were investigated and finally was implemented with boosted decision tree regression. I the future, it is intended to use a more sophisticated algorithm for better accuracy.

研究の動機と目的

• 2019年初頭に株価が下落し、中古市場需要が高まる中、中古テスラ車両の価格予測という課題に取り組むこと。
• モデル、年式、バッテリー、走行距離といった主な属性に基づいて、中古テスラ車両の価格を予測する際に最も正確な機械学習モデルを特定すること。
• 最良の性能を示したモデルを用いて、リアルタイムの価格予測を可能にする機能的なWebサービスAPIを開発・デプロイすること。
• VIN入力を用いた車両識別を活用し、予測モデルをフルスタックMERNアプリケーションに統合すること。

提案手法

• import.ioを用いて、米国主要3社の中古車サイト（cars.com, truecar.com, autotrader.com）から1,600件の中古テスラ車両のリストを収集した。
• 収集したデータを前処理し、モデル、年式、バッテリー、価格、走行距離、日付（時間的変動を反映）を含むラベル付きデータセットに構造化した。
• 5つの機械学習手法（ディープラーニング、サポートベクターマシン、ランダムフォレスト、決定木、ブーストド決定木回帰）を評価した。
• テストセットにおける最小の平均二乗誤差（RMSE）5,849.8を示したブーストド決定木回帰モデルを選定した。
• 最終モデルをMicrosoft Azure Machine Learning Studioで学習し、モデル、年式、バッテリー、走行距離、日付を入力パラメータとするRESTful Webサービスとしてデプロイした。
• デプロイされたWebサービスを、MongoDB、Express.js、React.js、Node.jsから構成されるフルスタックMERN（MERN）アプリケーションに統合し、VINを用いて車両の詳細を抽出して予測価格を取得した。

実験結果

リサーチクエスチョン

• RQ1 モデル、年式、バッテリー、走行距離に基づいて、どの機械学習アルゴリズムがテスラ車両の中古価格予測において最も正確な結果をもたらすか？
• RQ2 時間的変動（例：2019年1月 vs. 2019年3月）は中古テスラ車両の価格にどのように影響するか？また、その影響を効果的にモデル化できるか？
• RQ3 訓練済みの機械学習モデルを、生産環境でリアルタイムの価格予測を可能にするスケーラブルなWebサービスとして成功裏にデプロイできるか？
• RQ4 VINベースの車両識別の統合は、予測システムの使いやすさと正確性をどのように向上させるか？

主な発見

• ブーストド決定木回帰モデルは、RMSE 5,849.8を達成し、ディープラーニング（6,110.2）やサポートベクターマシン（10,108.7）を上回る性能を示した。
• モデルは優れた一般化性能を示し、APIテスト（Postmanを用いて）により、予測値と実際の価格の間で良好な一致が確認された。
• WebサービスAPIは正常にデプロイされ、テストも完了した。JSON形式で正確な予測結果を返し、19,000マイル走行の2017年式モデルXの予測価格が81,789.66ドルであることが確認された。
• MERNスタックで構築された最終システムは、VINデータを受信して車両属性を抽出し、デプロイ済みの機械学習モデルを介してリアルタイムの価格予測を提供した。
• 本研究では、時間的要因（販売月）が中古テスラ車両の価格に顕著な影響を及ぼすことが確認され、正確な予測にはその特徴量を含める必要があることが示された。
• 本システムのアーキテクチャは、将来的なスケーラビリティを実現しており、追加のデータソースやより洗練されたモデルへの統合が可能である。