論文の概要: Boosting House Price Predictions using Geo-Spatial Network Embedding
- arxiv url: http://arxiv.org/abs/2009.00254v1
- Date: Tue, 1 Sep 2020 06:17:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 00:34:19.235162
- Title: Boosting House Price Predictions using Geo-Spatial Network Embedding
- Title(参考訳): 地理空間ネットワークを用いた住宅価格予測
- Authors: Sarkar Snigdha Sarathi Das, Mohammed Eunus Ali, Yuan-Fang Li, Yong-Bin
Kang, Timos Sellis
- Abstract要約: 本稿では, グラフニューラルネットワークの概念を活用し, 住宅近傍の空間的文脈を捉えることを提案する。
特に,地空間ネットワーク埋め込み(GSNE, Geo-Spatial Network Embedding)という,多部ネットワークの形で住宅の埋め込みや様々な種類の関心点(POI)を学習する手法を提案する。
- 参考スコア(独自算出の注目度): 16.877628778633905
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real estate contributes significantly to all major economies around the
world. In particular, house prices have a direct impact on stakeholders,
ranging from house buyers to financing companies. Thus, a plethora of
techniques have been developed for real estate price prediction. Most of the
existing techniques rely on different house features to build a variety of
prediction models to predict house prices. Perceiving the effect of spatial
dependence on house prices, some later works focused on introducing spatial
regression models for improving prediction performance. However, they fail to
take into account the geo-spatial context of the neighborhood amenities such as
how close a house is to a train station, or a highly-ranked school, or a
shopping center. Such contextual information may play a vital role in users'
interests in a house and thereby has a direct influence on its price. In this
paper, we propose to leverage the concept of graph neural networks to capture
the geo-spatial context of the neighborhood of a house. In particular, we
present a novel method, the Geo-Spatial Network Embedding (GSNE), that learns
the embeddings of houses and various types of Points of Interest (POIs) in the
form of multipartite networks, where the houses and the POIs are represented as
attributed nodes and the relationships between them as edges. Extensive
experiments with a large number of regression techniques show that the
embeddings produced by our proposed GSNE technique consistently and
significantly improve the performance of the house price prediction task
regardless of the downstream regression model.
- Abstract(参考訳): 不動産は世界中の主要経済に大きく貢献している。
特に住宅価格は、住宅購入者から金融会社まで、利害関係者に直接的な影響を与える。
このように不動産価格予測のための様々な手法が開発されている。
既存の技術のほとんどは、住宅価格を予測する様々な予測モデルを構築するために、異なる住宅機能に依存している。
住宅価格に空間依存が及ぼす影響を把握し、予測性能を向上させるための空間回帰モデルの導入に焦点をあてた研究もある。
しかし、駅や高ランクの学校、ショッピングセンターへの住宅の近さなど、近隣のアメニティの地理空間的文脈を考慮に入れていない。
このような文脈情報は、住宅におけるユーザーの興味に重要な役割を担い、価格に直接影響する可能性がある。
本稿では,住宅近傍の地理空間的文脈を捉えるために,グラフニューラルネットワークの概念を活用することを提案する。
特に,住宅の埋め込みと様々な種類の興味点(pois)を多部ネットワークとして学習する新しい手法gsne(geo-spatial network embedded)を提案し,住宅とpoisを属性ノードとして表現し,それらの関係をエッジとして表現する。
多数の回帰手法を用いた大規模実験により,提案手法による組込みが一貫して行われ,下流回帰モデルによらず住宅価格予測タスクの性能が著しく向上することを示した。
関連論文リスト
- An Optimal House Price Prediction Algorithm: XGBoost [0.0]
住宅価格の予測にはさまざまな機械学習技術を使用します。
住宅コストに影響を与える重要な要因を特定します。
XGBoostは住宅価格予測の最高のパフォーマンスモデルだ。
論文 参考訳(メタデータ) (2024-02-06T15:36:06Z) - Improving Real Estate Appraisal with POI Integration and Areal Embedding [2.977678192707268]
本研究は、不動産評価手法における2つの重要な課題に焦点を当てる。
まず,POI(Points of Interest)が資産価値に与える影響について検討する。
次に,道路ネットワークを基盤としたAreal Embeddingを統合し,不動産評価のための空間的理解を強化する。
論文 参考訳(メタデータ) (2023-11-20T14:48:09Z) - Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。
我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。
提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
論文 参考訳(メタデータ) (2023-03-28T00:23:23Z) - Extracting real estate values of rental apartment floor plans using
graph convolutional networks [0.0]
アクセスグラフのためのグラフ畳み込みネットワーク(GCN)を実装し,アクセスグラフの不動産価値をフロアプラン値として推定するモデルを提案する。
その結果,提案手法は従来のモデルと比較して家賃推定の精度を著しく向上させることがわかった。
論文 参考訳(メタデータ) (2023-03-23T14:38:34Z) - Preference Enhanced Social Influence Modeling for Network-Aware Cascade
Prediction [59.221668173521884]
本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。
エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
論文 参考訳(メタデータ) (2022-04-18T09:25:06Z) - House Price Valuation Model Based on Geographically Neural Network
Weighted Regression: The Case Study of Shenzhen, China [6.023710971800604]
GNNWR(Geographical Neural Network Weighted Regression)と呼ばれる新しい手法が適用され、不動産評価の精度が向上した。
GNNWRは、深セン不動産市場で異なる変種の重量分布を捉えており、GWRは実現が難しい。
これは住宅価格を評価するための実用的で厳しい方法であり、複雑な社会経済データセットにおけるGNNWRの有効性を実証する。
論文 参考訳(メタデータ) (2022-02-09T09:40:54Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [77.14319095965058]
グラフ上のノードレベルの予測にOOD問題を定式化する。
そこで我々は,探索から抽出までのリスク最小化という新たなドメイン不変学習手法を開発した。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2022-02-05T02:31:01Z) - Masked Transformer for Neighhourhood-aware Click-Through Rate Prediction [74.52904110197004]
本稿では,近隣相互作用に基づくCTR予測を提案し,そのタスクを異種情報ネットワーク(HIN)設定に組み込む。
周辺地域の表現を高めるために,ノード間のトポロジカルな相互作用を4種類検討する。
本研究では,2つの実世界のデータセットに関する総合的な実験を行い,提案手法が最先端のCTRモデルを大幅に上回ることを示す。
論文 参考訳(メタデータ) (2022-01-25T12:44:23Z) - What Image Features Boost Housing Market Predictions? [81.32205133298254]
本稿では,予測アルゴリズムにおける効率的な数値包摂のための視覚特徴抽出手法を提案する。
本稿では,シャノンのエントロピー,重心計算,画像分割,畳み込みニューラルネットワークなどの手法について論じる。
ここで選択された40の画像特徴のセットは、かなりの量の予測能力を持ち、最も強力なメタデータ予測器よりも優れています。
論文 参考訳(メタデータ) (2021-07-15T06:32:10Z) - Machine Learning Approaches to Real Estate Market Prediction Problem: A
Case Study [0.0]
本研究は,2010年1月から2019年11月までの10年間の実際のデータセットを用いた不動産価格分類モデルを開発する。
開発モデルは不動産投資家、住宅ローン貸付業者、金融機関がより良い情報的判断を下すよう促すことができる。
論文 参考訳(メタデータ) (2020-08-22T22:28:58Z) - Lifelong Property Price Prediction: A Case Study for the Toronto Real
Estate Market [75.28009817291752]
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。
論文 参考訳(メタデータ) (2020-08-12T07:32:16Z)
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。