[論文レビュー] Sub-City Real Estate Price Index Forecasting at Weekly Horizons Using Satellite Radar and News Sentiment

Baris Arat, Hasan Fehmi Ates+1 more|arXiv (Cornell University)|Feb 20, 2026

Housing Market and Economics被引用数 0

ひとこと要約

論文は取引履歴、Sentinel-1 SAR backscatter、ニュース感情、およびマクロ経済コンテキストを組み合わせて、ドバイの週次サブシティ価格指数を予測するマルチモーダル框架を構築し、長期予測で感情とSARが改善をもたらすことを発見した。

ABSTRACT

Reliable real estate price indicators are typically published at city level and low frequency, limiting their use for neighborhood-scale monitoring and long-horizon planning. We study whether sub-city price indices can be forecasted at weekly frequency by combining physical development signals from satellite radar with market narratives from news text. Using over 350,000 transactions from Dubai Land Department (2015-2025), we construct weekly price indices for 19 sub-city regions and evaluate forecasts from 2 to 34 weeks ahead. Our framework fuses regional transaction history with Sentinel-1 SAR backscatter, news sentiment combining lexical tone and semantic embeddings, and macroeconomic context. Results are strongly horizon dependent: at horizons up to 10 weeks, price history alone matches multimodal configurations, but beyond 14 weeks sentiment and SAR become critical. At long horizons (26-34 weeks), the full multimodal model reduces mean absolute error from 4.48 to 2.93 (35% reduction), with gains statistically significant across regions. Nonparametric learners consistently outperform deep architectures in this data regime. These findings establish benchmarks for weekly sub-city index forecasting and demonstrate that remote sensing and news sentiment materially improve predictability at strategically relevant horizons.

研究の動機と目的

• 市全体の低頻度指標と近隣スケールのモニタリングとの情報ギャップに対処する。
• 2015–2025年の19地域における週次サブシティ価格指数を2–34週の horizonで予測する。
• アブレーションを通じて各モダリティ（価格、取引件数、感情、SAR、金利、グローバル文脈）の寄与を評価する。
• 長期的でマルチモーダルなサブシティ指数予測のベンチマークを確立し、学習モデルを比較する。

提案手法

• 2015–2025年の Dubai Land Department 取引350k件超を用いて19地域の週次サブシティ価格指数を構築する。
• 4つの信号タイプを融合する：地域の取引履歴、GDELTベースのニュース感情、Sentinel-1 SAR backscatter、銀行間金利、およびマクロ文脈。
• 感情を語彙的トーンと意味的埋め込み（Sentence-BERTとPCA）で表現し、SAR特徴を遅延週次統計（0,4,8,12,20週）と整列させる。
• ローリング時系列交差検証を用いて9つの horizon（2–34週）を評価し、Naive・ARIMAといったベースラインを、Ridge・Random Forest・XGBoost・KNN・LSTMといった複数の学習器と比較する。
• モダリティの寄与の統計的有意性をFriedman検定とWilcoxon検定で評価し、モダリティ追加間でBonferroni補正を適用する。

実験結果

リサーチクエスチョン

• RQ1 感情、SAR、マクロ文脈を含むマルチモーダル信号を用いて、週次のサブシティ価格指数を最大34週の horizons で正確に予測できるか。
• RQ2 感情とSARは、価格履歴を超えて予測精度に意味のある寄与を、どの horizon で示すか。
• RQ3 どのモデル手法とモダリティの組み合わせが、長期的なパフォーマンスと地域間の安定性に最も寄与するか。

主な発見

• 長期予測（26–34週）は、完全なマルチモーダルモデルから利益を得て、価格のみのベースラインと比較してMAEを約35%削減する（KNNで4.48から2.93、RFおよびXGBoostでも同様の利得）。
• 価格履歴のみは長さ約10–14週まではマルチモーダルモデルと同等の性能だが、それを超えると感情とSARが精度のために重要になる。
• 非パラメトリック学習器（KNN、Random Forest）は、このデータ領域では深層アーキテクチャ（LSTM）よりも高性能。
• 感情を意味的埋め込みで、SAR特徴を活かすことで、語彙的感情と光学指標を超えた補完情報を提供する。
• モダリティの寄与は長期的な horizons で地域間で統計的に有意であり、モデルファミリによって異なるモダリティの寄与度が変わる。