[論文レビュー] Urban Data Streams and Machine Learning: A Case of Swiss Real Estate Market

Vahid Moosavi|arXiv (Cornell University)|Mar 30, 2017

Housing Market and Economics被引用数 5

ひとこと要約

本論文は、公開利用可能な都市データストリームと機械学習を活用してスイスにおける不動産評価をデータ駆動で行う手法を提案する。ウェブクローリングで得た不動産掲載情報とOpenStreetMapの建物データを統合することで、170万件の物件の家賃および売却価格指数を推定するシステムを構築し、個別物件の評価を可能にするAPIを提供する。ランダムフォレストを用いた結果、中央絶対相対誤差が6.57％に達し、透明性が高くコストが低い点で、従来の不透明なシステムを上回る性能を示した。

ABSTRACT

In this paper, we show how using publicly available data streams and machine learning algorithms one can develop practical data driven services with no input from domain experts as a form of prior knowledge. We report the initial steps toward development of a real estate portal in Switzerland. Based on continuous web crawling of publicly available real estate advertisements and using building data from Open Street Map, we developed a system, where we roughly estimate the rental and sale price indexes of 1.7 million buildings across the country. In addition to these rough estimates, we developed a web based API for accurate automated valuation of rental prices of individual properties and spatial sensitivity analysis of rental market. We tested several established function approximation methods against the test data to check the quality of the rental price estimations and based on our experiments, Random Forest gives very reasonable results with the median absolute relative error of 6.57 percent, which is comparable with the state of the art in the industry. We argue that while recently there have been successful cases of real estate portals, which are based on Big Data, majority of the existing solutions are expensive, limited to certain users and mostly with non-transparent underlying systems. As an alternative we discuss, how using the crawled data sets and other open data sets provided from different institutes it is easily possible to develop data driven services for spatial and temporal sensitivity analysis in the real estate market to be used for different stakeholders. We believe that this kind of digital literacy can disrupt many other existing business concepts across many domains.

研究の動機と目的

• 公開利用可能なデータストリームを活用した透明性が高く、低コストな不動産評価システムの開発。
• ドメインエキスパートや特許データに依存せずに、賃貸市場の空間的・時間的感度分析を可能にする。
• オープンデータと機械学習が、業界標準のシステムと同等の結果をもたらす可能性を実証する。
• 個別物件の家賃価格推定をリアルタイムで自動化できるスケーラブルなAPIの開発。
• 高価で非透明な不動産プラットフォームの優位性に挑戦し、都市データサイエンス分野におけるオープンなデジタルリテラシーの促進。

提案手法

• スイス各地域の公開不動産広告をウェブクローリングして、掲載データを収集する。
• OpenStreetMapから得た建物レベルのデータを統合し、物件特徴量を拡充する。
• 特にランダムフォレストを用いて、家賃価格の関数近似を実行する。
• 継続的なデータストリームを活用し、170万棟の建物の全国的家賃および売却価格指数を推定する。
• リアルタイムで自動的に個別物件の評価が可能なウェブベースのAPIを開発する。
• テストデータを用いて複数の関数近似手法の性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 ドメインエキスパートの入力を必要とせず、公開利用可能なデータストリームと機械学習を用いて信頼性の高い不動産価格推定が可能か？
• RQ2 オープンデータとウェブクロール済み掲載情報のみを用いて、自動化された家賃価格推定はどの程度の精度に達するか？
• RQ3 ランダムフォレストのような標準的な機械学習モデルは、スイスの不動産価格推定においてどの程度の性能を示すか？
• RQ4 このようなシステムは、透明性があり、スケーラブルで低コストな賃貸市場の空間的・時間的感度分析を可能にするか？
• RQ5 オープンデータと機械学習は、現在の非透明な不動産プラットフォームをどの程度まで変革できるか？

主な発見

• ランダムフォレストモデルは、家賃価格推定において中央絶対相対誤差6.57％を達成し、優れた性能を示した。
• 本システムは、オープンデータおよびクロール済みデータのみを用いて、スイス全土の170万棟の建物の家賃および売却価格指数を成功裏に推定した。
• ウェブベースのAPIは、空間的感度分析機能を備えた正確な個別物件の自動評価を可能にした。
• 本アプローチは、透明性を高めながらも、特許データへの依存を著しく低減し、多くの既存商業システムを上回る。
• 結果として、ドメインエキスパートを必要とせず、オープンデータと機械学習が最先端の精度を実現できることを確認した。
• 本研究は、都市市場向けにスケーラブルで透明性があり、低コストなデータ駆動型サービスを構築可能であることを実証した。