[논문 리뷰] Location-Centered House Price Prediction: A Multi-Task Learning Approach

Guangliang Gao, Zhifeng Bao외 4명|arXiv (Cornell University)|2019. 01. 07.

Housing Market and Economics인용 수 8

한 줄 요약

이 논문은 다중작업 학습(MTL)을 사용하여 정교한 위치 프로파일(예: 교통, 교육, 시설 접근성 데이터)을 활용하고 공간적 구역을 별개이지만 관련된 작업으로 모델링함으로써 정확도를 향상시키기 위해 위치 중심의 주택 가격 예측 프레임워크를 제안한다. 결과적으로 MTL은 단일작업 학습보다 유의하게 뛰어난 성능을 보이며, 방법 선택보다 작업 정의가 성능에 더 큰 영향을 미친다.

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.

연구 동기 및 목표

• 기존 주택 가격 예측 모델이 모든 데이터를 동일하게 취급하거나 독립적으로 데이터를 분할하여 상호작용 관계를 모델링하지 않는 한계를 해결하기 위해.
• 교통, 학교, 편의시설 등의 정교한 위치 특징을 캡처하여 예측 정확도를 향상시키기 위해.
• 공간적으로 분할된 주택 가격 예측 설정에서 작업 정의와 MTL 방법 선택이 예측 성능에 미치는 영향을 조사하기 위해.
• 특히 데이터 샘플 수가 적은 영역에서 공간적으로 관련된 주택 시장 간의 관계를 활용함으로써 MTL이 성능 향상에 기여할 수 있음을 보여주기 위해.

제안 방법

• 저자들은 다양한 데이터 소스를 사용하여 정교한 위치 프로파일을 정의하며, 이는 교통(예: 기차역까지의 거리), 교육(예: 학교 구역 및 순위), 인구 조사 기반의 부르바 프로파일, 시설 접근성(예: 병원, 슈퍼마켓)을 포함한다.
• 전체 데이터셋은 위치 프로파일 기반으로 공간적 작업으로 분할되며(예: SA3 지역, 학교 순위, 기차역 거리), 각 분할은 별개이지만 관련된 예측 작업으로 간주된다.
• MTL 모델은 세 가지 정규화 전략을 사용하여 적용된다: $l_1$-노름, $l_{2,1}$-노름, 그래프 정규화를 통해 작업 간의 관계를 활용한다.
• 평가를 위해 실제 멜버른 주택 거래 데이터(2015년 1월–2018년 1월)를 사용하며, 3년간의 일일 거래 및 특징 기록을 포함한다.
• 성능 평가는 여러 작업 정의와 MTL 구성에 대해 RMSE를 사용하며, SVR 및 랜덤 포레스트와 같은 단일작업 학습(STL) 기반 모델과의 비교를 포함한다.

실험 결과

연구 질문

• RQ1 주택 가격 예측을 다중작업 학습 문제로 모델링할 경우 단일작업 학습 대비 성능 향상 정도는 어떠한가?
• RQ2 작업 정의 선택(예: 학교 순위 기반 vs. 교통 접근성 기반)이 예측 정확도에 얼마나 큰 영향을 미치는가?
• RQ3 다양한 작업 정의 하에서 다양한 MTL 정규화 방법(예: $l_1$, $l_{2,1}$, 그래프)의 성능는 어떻게 되는가?
• RQ4 다양한 샘플 수를 가진 작업 간에서 MTL이 일관된 성능 향상을 제공하는가?

주요 결과

• MTL 기반 방법은 특히 샘플 수가 적은 영역에서 최신 기술(SOTA) 단일작업 학습 접근법보다 유의미하게 뛰어난 성능을 보인다.
• 작업 정의가 예측 성능에 미치는 영향은 방법 선택이 미치는 영향보다 훨씬 크며, 이는 작업 설계가 MTL 성공의 주요 결정 요소임을 시사한다.
• 작업 정의가 근본적일 경우(예: 단일 프로파일 기반), 그래프 정규화를 사용한 MTL이 특히 우수한 성능을 보이며, 정교한 다중프로파일 작업 정의에서는 일반 정규화(예: $l_1$)로도 충분하다.
• 낮은 샘플 수 작업(예: 1분위)에서는 MTL 기반 방법이 SVR 및 랜덤 포레스트와 같은 STL 기반 모델보다 일관되게 뛰어난 성능을 보인다.
• 높은 샘플 수 작업(예: 3분위 및 4분위)에서도 MTL은 강력한 성능 유지를 보이며, 일부 경우에서 단일작업 학습 모델(SVR, RF)이 MTL를 초월하기는 하지만 이는 국소적 사례이다.
• MTL 프레임워크는 다양한 데이터 희소 수준에서도 강인하며, 작업 간 상호관계를 활용함으로써 높은 성능을 유지한다.