[論文レビュー] Take a Look Around

Stephen Law, Brooks Paige+1 more|arXiv (Cornell University)|Nov 14, 2019

Housing Market and Economics参考文献 34被引用数 40

ひとこと要約

本稿では、ロンドンの住宅価格予測を向上させるために、ストリートレベルおよび航空写真と、従来の住宅特徴を統合する深層学習パイプラインを提案する。GoogleストリートビューとBing衛星画像から都市の視覚的質の特徴を抽出することで、価格推定の精度が向上し、地域の視覚的魅力の解釈可能で転送可能な地図作成が可能になる。

ABSTRACT

When an individual purchases a home, they simultaneously purchase its structural features, its accessibility to work, and the neighborhood amenities. Some amenities, such as air quality, are measurable while others, such as the prestige or the visual impression of a neighborhood, are difficult to quantify. Despite the well-known impacts intangible housing features have on house prices, limited attention has been given to systematically quantifying these difficult to measure amenities. Two issues have led to this neglect. Not only do few quantitative methods exist that can measure the urban environment, but that the collection of such data is both costly and subjective. We show that street image and satellite image data can capture these urban qualities and improve the estimation of house prices. We propose a pipeline that uses a deep neural network model to automatically extract visual features from images to estimate house prices in London, UK. We make use of traditional housing features such as age, size, and accessibility as well as visual features from Google Street View images and Bing aerial images in estimating the house price model. We find encouraging results where learning to characterize the urban quality of a neighborhood improves house price prediction, even when generalizing to previously unseen London boroughs. We explore the use of non-linear vs. linear methods to fuse these cues with conventional models of house pricing, and show how the interpretability of linear models allows us to directly extract proxy variables for visual desirability of neighborhoods that are both of interest in their own right, and could be used as inputs to other econometric methods. This is particularly valuable as once the network has been trained with the training data, it can be applied elsewhere, allowing us to generate vivid dense maps of the visual appeal of London streets.

研究の動機と目的

• 視覚的魅力や地域の格式といった、定量化が困難で測定が難しい都市的利便施設が住宅価格に与える影響を埋めるため。
• 都市の質のデータ収集にかかる高コストと主観性の問題を克服するため、GoogleストリートビューとBing衛星画像からのアクセス可能な画像データを活用するため。
• 視覚的特徴と従来の住宅属性を統合することで、住宅価格予測モデルを強化する、スケーラブルで転送可能な手法を開発するため。
• 非線形および線形の統合手法が、住宅価格推定におけるモデルの性能と解釈可能性に与える影響を調査するため。
• 以前に観測されていなかったborough（区）にまで適用可能な、高密度で鮮明な視覚的魅力マップを生成するため。

提案手法

• ロンドンの住宅地域のGoogleストリートビューおよびBing航空写真から、視覚的特徴を自動で抽出するための深層ニューラルネットワークを活用する。
• 抽出された視覚的特徴を、物件の年数、面積、雇用センターへのアクセス性といった標準的な住宅特徴と統合し、統一された回帰モデルを構築する。
• 視覚的特徴と従来の特徴を統合するための線形および非線形の統合技術を用い、その予測精度に与える影響を比較する。
• ロンドンのborough（区）にわたる住宅価格のラベル付きデータセットでモデルを学習させ、以前に観測されていなかった地域への一般化を可能にする。
• 線形モデルの解釈可能性を活用して、視覚的魅力を表す代理変数を導出し、その後続の計量経済分析に利用できるようにする。
• 訓練済みモデルを都市全体に適用することで、高解像度で高密度の地域の視覚的魅力マップを生成する。

実験結果

リサーチクエスチョン

• RQ1 ストリートレベルおよび航空写真から抽出された視覚的特徴は、都市環境における住宅価格予測モデルの精度を向上させることができるか？
• RQ2 非線形および線形の統合手法は、住宅価格推定における視覚的特徴と従来の住宅特徴を統合する際に、どのように比較されるか？
• RQ3 あるロンドンのborough（区）で学習したモデルは、以前に観測されていなかったborough（区）の価格予測にどの程度一般化できるか？
• RQ4 線形成分から導出される、地域の視覚的魅力のための解釈可能な代理変数をモデルから得られるか？
• RQ5 訓練済みモデルは、ロンドンのような都市全体にわたり、詳細で空間的に高密度な視覚的魅力マップを生成できるか？

主な発見

• ストリートおよび衛星画像からの視覚的特徴の統合により、従来の特徴のみを用いたモデルと比較して、住宅価格予測の精度が顕著に向上する。
• モデルは、以前に観測されていなかったロンドンのborough（区）に対しても効果的に一般化され、学習された視覚的表現の堅牢性と転送可能性が示された。
• 非線形統合手法は、予測性能の観点で線形統合を上回るが、線形モデルは視覚的魅力の代理変数を導出する上でより高い解釈可能性を提供する。
• モデルは、ロンドン全体にわたり、高密度で高解像度の視覚的魅力マップを効果的に生成し、地域の魅力の空間的パターンを明らかにした。
• 線形成分から導出された解釈可能な代理変数は、地域の質の主観的評価と意味的に整合しており、さらなる計量経済モデリングに利用可能である。
• 本アプローチは、従来の主観的でコストの高い都市の美的・環境的質の測定方法に対する、スケーラブルで費用対効果に優れた代替手段を提供する。