[논문 리뷰] Take a Look Around

Stephen Law, Brooks Paige외 1명|arXiv (Cornell University)|2019. 11. 14.

Housing Market and Economics참고 문헌 34인용 수 40

한 줄 요약

이 논문은 런던의 주택 가격 예측을 향상시키기 위해 스트리트 레벨 및 항공사진을 전통적인 주택 특성과 융합하는 딥러닝 파이프라인을 제안한다. 구글 스트리트 뷰와 빙 위성 영상에서 도시의 시각적 품질 특징을 추출함으로써, 모델은 가격 추정 정확도를 향상시키고 해석 가능하고 이식 가능한 도시 이웃의 시각적 매력 지도를 제공한다.

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.

연구 동기 및 목표

• 시각적 매력과 이웃의 명성과 같은 비물리적이고 측정하기 어려운 도시 편의시설이 주택 가격에 미치는 영향을 정량화하는 데 있어 발생하는 격차를 해소하기 위해.
• 도시 품질 데이터 수집의 높은 비용과 주관성 문제를 해결하기 위해 구글 스트리트 뷰와 빙 위성 영상에서 접근 가능한 영상 데이터를 활용하기 위해.
• 시각적 특징과 기존 주택 특성을 융합하여 주택 가격 예측 모델을 향상시키는 가용성 있고 이식 가능한 방법을 개발하기 위해.
• 비선형 및 선형 융합 방법이 주택 가격 추정에서 모델 성능과 해석 가능성에 미치는 영향을 탐색하기 위해.
• 기존에 볼 수 없었던 군구에 대해 훈련된 모델을 적용하여 런던 전역에 걸쳐 높은 밀도의 생생한 시각적 매력 지도를 생성하기 위해.

제안 방법

• 런던의 주거 지역에 대한 구글 스트리트 뷰와 빙 위성 영상에서 시각적 특징을 자동으로 추출하기 위해 딥 네ural 네트워크를 활용한다.
• 추출된 시각적 특징을 기존 주택 특성(예: 부동산 연식, 크기, 일자리 중심지 접근성 등)과 융합하여 통합된 회귀 모델을 구성한다.
• 선형 및 비선형 융합 기법을 사용하여 시각적 특징과 기존 특징을 통합하고, 예측 정확도에 미치는 영향을 비교한다.
• 런던 군구 전역의 가격 레이블이 부여된 데이터셋을 기반으로 모델을 훈련시켜 이전에 볼 수 없었던 지역으로의 일반화를 가능하게 한다.
• 선형 모델의 해석 가능성을 활용하여 시각적 매력의 대체 변수를 도출하며, 이는 향후 경제계량 분석에서 활용될 수 있다.
• 전체 도시 전역에 걸쳐 훈련된 모델을 적용하여 고해상도의 고밀도 시각적 매력 지도를 생성한다.

실험 결과

연구 질문

• RQ1 스트리트 레벨 및 항공사진에서 추출한 시각적 특징이 도시 환경에서 주택 가격 예측 모델의 정확도를 향상시킬 수 있는가?
• RQ2 비선형 및 선형 융합 방법은 주택 가격 추정을 위한 시각적 특징과 기존 주택 특징을 어떻게 융합하는가?
• RQ3 런던 군구의 일정 집단에서 훈련된 모델이 이전에 볼 수 없었던 군구의 가격을 예측하는 데 얼마나 잘 일반화되는가?
• RQ4 모델의 선형 구성 요소에서 유추된 해석 가능한 대체 변수는 이웃의 시각적 매력에 대해 의미 있는가?
• RQ5 훈련된 모델은 런던과 같은 전체 도시 전역에 걸쳐 세밀하고 공간적으로 고밀도의 시각적 매력 지도를 생성할 수 있는가?

주요 결과

• 스트리트 및 위성 영상에서 추출한 시각적 특징의 통합은 기존 특성만을 사용하는 모델에 비해 주택 가격 예측 정확도를 크게 향상시킨다.
• 모델은 이전에 볼 수 없었던 런던 군구로 효과적으로 일반화되며, 학습된 시각적 표현의 강건성과 이식 가능성을 입증한다.
• 비선형 융합 방법이 예측 성능 측면에서 선형 융합 방법을 능가하지만, 선형 모델은 시각적 매력 대체 변수 유도에 있어 더 높은 해석 가능성을 제공한다.
• 모델은 런던 전역에 걸쳐 고밀도의 고해상도 시각적 매력 지도를 성공적으로 생성하여 이웃의 매력성에 대한 공간적 패턴을 드러낸다.
• 선형 구성 요소에서 파생된 해석 가능한 대체 변수는 실제 이웃의 품질과 의미 있는 관련성을 가지며, 향후 경제계량 모델링에 활용될 수 있다.
• 이 방법은 전통적인 주관적인 방법에 비해 비용 효율적이고 확장 가능한 도시 미관 및 환경 품질 측정의 대안을 제공한다.