論文の概要: Lifelong Property Price Prediction: A Case Study for the Toronto Real Estate Market

• arxiv url: http://arxiv.org/abs/2008.05880v1
• Date: Wed, 12 Aug 2020 07:32:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 05:39:32.671401
• Title: Lifelong Property Price Prediction: A Case Study for the Toronto Real Estate Market
• Title（参考訳）: 不動産価格の生涯予測:トロントの不動産市場を事例として
• Authors: Hao Peng, Jianxin Li, Zheng Wang, Renyu Yang, Mingzhe Liu, Mingming Zhang, Philip S. Yu and Lifang He
• Abstract要約: 自動資産評価のための最初の寿命予測モデルであるLuceを提示する。 ルースは不動産価格の2つの重要な問題に対処している。 トロント不動産市場から得られた大規模な実生活データセットにLuceを適用することで,Luceのメリットを実証する。
• 参考スコア（独自算出の注目度）: 75.28009817291752
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Luce, the first life-long predictive model for automated property valuation. Luce addresses two critical issues of property valuation: the lack of recent sold prices and the sparsity of house data. It is designed to operate on a limited volume of recent house transaction data. As a departure from prior work, Luce organizes the house data in a heterogeneous information network (HIN) where graph nodes are house entities and attributes that are important for house price valuation. We employ a Graph Convolutional Network (GCN) to extract the spatial information from the HIN for house-related data like geographical locations, and then use a Long Short Term Memory (LSTM) network to model the temporal dependencies for house transaction data over time. Unlike prior work, Luce can make effective use of the limited house transactions data in the past few months to update valuation information for all house entities within the HIN. By providing a complete and up-to-date house valuation dataset, Luce thus massively simplifies the downstream valuation task for the targeting properties. We demonstrate the benefit of Luce by applying it to large, real-life datasets obtained from the Toronto real estate market. Extensive experimental results show that Luce not only significantly outperforms prior property valuation methods but also often reaches and sometimes exceeds the valuation accuracy given by independent experts when using the actual realization price as the ground truth.
• Abstract（参考訳）: 自動資産評価のための最初の寿命予測モデルであるLuceを提示する。 ルースは不動産評価額の2つの重要な問題に対処している。 最近の住宅取引データの限られた量で動作するように設計されている。 以前の作業から離れて、Luceはハウスデータをヘテロジニアスな情報ネットワーク(HIN)に整理し、グラフノードはハウスエンティティであり、ハウス価格評価に重要な属性である。 グラフ畳み込みネットワーク(GCN)を用いて、HINから地理的位置情報などの住宅関連データを抽出し、Long Short Term Memory(LSTM)ネットワークを用いて、住宅取引データの時間的依存関係を時間とともにモデル化する。 以前の仕事とは異なり、luceはhin内のすべてのハウスエンティティのバリュエーション情報を更新するために、過去数ヶ月で限られたハウストランザクションデータを有効に利用することができる。 完全かつ最新の住宅評価データセットを提供することで、Luceはターゲットプロパティの下流評価タスクを大幅に単純化する。 トロント不動産市場から得られた大規模な実生活データセットに適用することで,Luceのメリットを実証する。 広範な実験結果から、ルースが先行する資産評価手法を大幅に上回るだけでなく、実際の実現価格を根拠とする独立した専門家による評価精度をしばしば上回ることも示されている。

関連論文リスト

• Private, Augmentation-Robust and Task-Agnostic Data Valuation Approach for Data Marketplace [56.78396861508909]
  PriArTaは、買い手の既存のデータセットと売り手のデータセットの分布の間の距離を計算するアプローチである。 PriArTaは通信効率が良く、買い手は各売り手からデータセット全体にアクセスすることなくデータセットを評価することができる。
  論文  参考訳（メタデータ） (2024-11-01T17:13:14Z)
• A Multi-Modal Deep Learning Based Approach for House Price Prediction [19.02810406484948]
  住宅のより正確な表現を学習するために,様々なタイプのデータを活用するマルチモーダルディープラーニング手法を提案する。 特に, 住宅属性, 地理空間近傍, および最も重要な特徴は, 住宅を表わすテキスト記述や画像から学習する。 その結果、住宅広告記述のテキスト埋め込みと住宅画像のイメージ埋め込みは、住宅価格予測精度を著しく向上させることができることがわかった。
  論文  参考訳（メタデータ） (2024-09-09T05:26:33Z)
• Robust Utility-Preserving Text Anonymization Based on Large Language Models [80.5266278002083]
  テキストの匿名化は、プライバシーを維持しながら機密データを共有するために重要である。 既存の技術は、大規模言語モデルの再識別攻撃能力の新たな課題に直面している。 本稿では,3つのLCMベースコンポーネント – プライバシ評価器,ユーティリティ評価器,最適化コンポーネント – で構成されるフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-16T14:28:56Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• DoRA: Domain-Based Self-Supervised Learning Framework for Low-Resource Real Estate Appraisal [15.404630852751547]
  低リソース不動産評価のためのドメインベースの自己教師型学習フレームワークであるDoRAを提案する。 DoRAは、事前のドメイン知識と不動産表現を等価にするためのサンプル内の地理的予測で事前訓練されている。 実世界のトランザクションの3つのプロパティタイプに対するベンチマークの結果,DoRAはSSLベースラインを著しく上回る結果となった。
  論文  参考訳（メタデータ） (2023-09-02T08:01:32Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• Real Estate Property Valuation using Self-Supervised Vision Transformers [2.1320960069210475]
  本稿では,自己監督型視覚変換器を用いたプロパティ評価手法を提案する。 提案アルゴリズムは、機械学習、コンピュータビジョン、および不動産データに基づいてトレーニングされたヘドニック価格モデルの組み合わせを用いている。
  論文  参考訳（メタデータ） (2023-01-31T21:54:15Z)
• Integrating Floor Plans into Hedonic Models for Rent Price Appraisal [0.0]
  本研究では,オンライン不動産プラットフォームにおけるマンションフロア計画の視覚的自動分析が,ヘドニック賃貸価格評価をいかに高めるかを検討する。 歴史的価格データからフロアプランの価格関連設計を学ぶために,2段階の深層学習手法を提案する。 9174の不動産リストのユニークなデータセットに基づく経験的分析は、現在のヘドニックモデルが利用可能なデータを過小に活用していることを示唆している。
  論文  参考訳（メタデータ） (2021-02-16T14:05:33Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)
• Location, location, location: Satellite image-based real-estate appraisal [0.0]
  本研究では,畳み込みニューラルネットワークを用いて衛星画像と構造化データの予測性能を測定する。 トレーニングされた結果のCNNモデルは、構造化データに基づいてトレーニングされたニューラルネットワークの高度なベースラインよりも、MAEで7%向上する。
  論文  参考訳（メタデータ） (2020-06-04T07:25:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。