論文の概要: Boarding House Renting Price Prediction Using Deep Neural Network Regression on Mobile Apps

• arxiv url: http://arxiv.org/abs/2101.02033v1
• Date: Thu, 31 Dec 2020 15:12:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-17 22:50:22.713001
• Title: Boarding House Renting Price Prediction Using Deep Neural Network Regression on Mobile Apps
• Title（参考訳）: モバイルアプリにおけるディープニューラルネットワーク回帰を用いた寄宿価格予測
• Authors: Malik Abdul Aziz, Fahmi Nurrahim, Prastyo Eko Susanto, Yurio Windiatmoko
• Abstract要約: 寄宿家賃を求める学生は、希望する様々な側面を比較するのにより多くの努力を必要とする。 都市,地域,寄宿舎の種類,施設など,複数の変数を比較して学生のニーズに応じて価格を予測できるモバイルアプリケーションを開発した。 本研究の結果から, 入居住宅の賃貸価格の予測には, 決定した変数と, ディープニューラルネットワーク回帰を用いた変数のモデル化が有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Boarding house is the most important requirement, especially for college students who live far away from the city, place of his origin or house. However, the problem we see now is the uneven distribution of study places in Indonesia which 75% of the best top educational institutions come from the island of Java. So, students who are looking for boarding houses rent requires more effort in comparing the various aspects desired. They need to survey one by one to the boarding house they want, even though they can survey online, it still requires more effort to pay attention to the desired facilities one by one. Therefore, we then created an Mobile Application that can predict prices based on student needs by comparing several variables, namely city, area, type of boarding house, and facilities. So, students can easily estimate the ideal price. The results of this study prove that we have succeeded in predicting prices for boarding houses rent well based on the variables we have determined, and modeling that variables using Deep Neural Network Regression.
• Abstract（参考訳）: ボードハウスは最も重要な要件であり、特に市内から遠く離れた、出身地や自宅の場所に住む大学生にとって重要である。 しかし、現在私たちが目にしている問題は、ジャワ島から最高の教育機関の75%が来ていたインドネシアにおける研究場所の不均一な分布です。 そのため、寄宿家賃を求める学生は、希望するさまざまな側面を比較するのにより多くの努力が必要である。 オンライン調査はできるものの、希望する施設に1人ずつ注意を払うのに、より多くの労力が要る。 そこで我々は,学生のニーズに応じて,都市,地域,寄宿舎の種類,施設など,いくつかの変数を比較して価格を予測するモバイルアプリケーションを開発した。 そのため、学生は理想的な価格を簡単に見積もることができる。 本研究の結果から, 入居住宅の賃貸価格の予測には, 決定した変数と, ディープニューラルネットワーク回帰を用いた変数のモデル化が有効であることが示唆された。

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)
• A graph-based multimodal framework to predict gentrification [4.429604861456339]
  本稿では,トラクタと必須施設の都市ネットワークに基づくジェントリフィケーションを予測するための,グラフに基づくマルチモーダル深層学習フレームワークを提案する。 シカゴ、ニューヨーク、ロサンゼルスのデータを使って提案されたフレームワークをトレーニングし、テストする。 このモデルは平均0.9倍の精度で国勢調査水準のジェントリフィケーションを予測できる。
  論文  参考訳（メタデータ） (2023-12-25T08:20:50Z)
• Predicting Listing Prices In Dynamic Short Term Rental Markets Using Machine Learning Models [0.0]
  私たちは、機械学習モデリングアプローチを用いてAirbnbレンタルの価格を予測することを目指している。 本研究の目的は、テキサス州オースチンでAirbnbの賃貸価格を予測するための正確な機械学習モデルを構築することである。 プロジェクトの第2の目的は、Airbnbのレンタル価格を駆動する重要な要因を特定し、これらの要因が場所や資産タイプによってどのように異なるかを調べることです。
  論文  参考訳（メタデータ） (2023-08-14T04:15:09Z)
• A Multi-Source Information Learning Framework for Airbnb Price Prediction [10.016920721900753]
  本稿では,Airbnbの賃貸価格を予測するため,マルチソース情報埋め込み(MSIE)モデルを提案する。 我々は、3つの異なるテキスト情報の単語特徴ベクトルと感情スコアの組み合わせを生成し、テキスト特徴埋め込みを形成する。 第3に,レンタルハウス情報に関する関心点(POI)を用いて様々な空間的ネットワークグラフを生成し,ネットワークの埋め込みを学習し,空間的特徴の埋め込みを得る。
  論文  参考訳（メタデータ） (2023-01-01T11:07:55Z)
• On Inferring User Socioeconomic Status with Mobility Records [61.0966646857356]
  本稿では,DeepSEIと呼ばれる,社会経済に配慮したディープモデルを提案する。 DeepSEIモデルはディープネットワークとリカレントネットワークと呼ばれる2つのネットワークを組み込んでいる。 実際の移動記録データ、POIデータ、住宅価格データについて広範な実験を行う。
  論文  参考訳（メタデータ） (2022-11-15T15:07:45Z)
• Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
  交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。 近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。 本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T17:58:12Z)
• Using Machine Learning to Evaluate Real Estate Prices Using Location Big Data [0.5033155053523041]
  一般的な回帰モデルとツリーベースモデルの予測能力を向上させるために,モバイル位置情報が有効かどうかを検討する。 本研究では,1週間あたり500m以内の利用者を収集した不動産データから,個別の資産にアタッチすることで,移動データを処理した。 これらの動的国勢調査の特徴に加えて, 住民数, 通勤者数, 通勤者数, 住民数など, 静的な国勢調査特徴も含んでいた。
  論文  参考訳（メタデータ） (2022-05-02T19:58:18Z)
• AutoDistil: Few-shot Task-agnostic Neural Architecture Search for Distilling Large Language Models [121.22644352431199]
  ニューラルアーキテクチャサーチ (NAS) を用いて、大容量モデルから可変コストで複数の圧縮された学生を自動的に抽出する。 現在の作業では、ウェイトシェアリングを備えた数百万の作業からなる1つのSuperLMをトレーニングしています。 最先端のKDおよびNAS手法に対するGLUEベンチマーク実験は、AutoDistilが先行圧縮技術より優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T06:13:04Z)
• Exploring Bayesian Deep Learning for Urgent Instructor Intervention Need in MOOC Forums [58.221459787471254]
  大規模なオープンオンラインコース(MOOC)は、その柔軟性のおかげで、eラーニングの一般的な選択肢となっている。 多くの学習者とその多様な背景から、リアルタイムサポートの提供は課税されている。 MOOCインストラクターの大量の投稿と高い作業負荷により、インストラクターが介入を必要とするすべての学習者を識別できる可能性は低いです。 本稿では,モンテカルロドロップアウトと変分推論という2つの手法を用いて,学習者によるテキスト投稿のベイジアン深層学習を初めて検討する。
  論文  参考訳（メタデータ） (2021-04-26T15:12:13Z)
• Distilling Object Detectors with Task Adaptive Regularization [97.52935611385179]
  現在の最先端のオブジェクト検出器は高い計算コストを犠牲にしており、ローエンドデバイスへのデプロイが困難である。 より大規模な教師モデルから知識を伝達することで、より小さな学生ネットワークを訓練することを目的とした知識蒸留は、モデル小型化のための有望な解決策の1つである。
  論文  参考訳（メタデータ） (2020-06-23T15:58:22Z)
• Towards Practical Lottery Ticket Hypothesis for Adversarial Training [78.30684998080346]
  トレーニングプロセス中にはるかに高速に収束する,前述のサブネットワークのサブセットが存在することを示す。 本研究の実践的応用として,このようなサブネットワークは,対人訓練の総時間を短縮する上で有効であることを示す。
  論文  参考訳（メタデータ） (2020-03-06T03:11:52Z)

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。