論文の概要: PATE: Property, Amenities, Traffic and Emotions Coming Together for Real Estate Price Prediction

• arxiv url: http://arxiv.org/abs/2209.05471v2
• Date: Wed, 12 Oct 2022 01:10:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 11:08:10.512771
• Title: PATE: Property, Amenities, Traffic and Emotions Coming Together for Real Estate Price Prediction
• Title（参考訳）: PATE:不動産・アメニティ・交通・感情を合わせて不動産価格予測
• Authors: Yaping Zhao, Ramgopal Ravi, Shuhui Shi, Zhongrui Wang, Edmund Y. Lam, Jichang Zhao
• Abstract要約: 我々は、さまざまな社会経済特性の経済的貢献を評価するために、複数のデータソースを使用します。 実験は北京の28,550戸で行われた。
• 参考スコア（独自算出の注目度）: 4.746544835197422
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real estate prices have a significant impact on individuals, families, businesses, and governments. The general objective of real estate price prediction is to identify and exploit socioeconomic patterns arising from real estate transactions over multiple aspects, ranging from the property itself to other contributing factors. However, price prediction is a challenging multidimensional problem that involves estimating many characteristics beyond the property itself. In this paper, we use multiple sources of data to evaluate the economic contribution of different socioeconomic characteristics such as surrounding amenities, traffic conditions and social emotions. Our experiments were conducted on 28,550 houses in Beijing, China and we rank each characteristic by its importance. Since the use of multi-source information improves the accuracy of predictions, the aforementioned characteristics can be an invaluable resource to assess the economic and social value of real estate. Code and data are available at: https://github.com/IndigoPurple/PATE
• Abstract（参考訳）: 不動産価格は個人、家族、企業、政府に大きな影響を与える。 不動産価格予測の一般的な目的は、不動産そのものから他の寄与要因に至るまで、不動産取引から生じる社会経済パターンを特定し、活用することである。 しかし、価格予測は、プロパティ自身を超えて多くの特性を推定する、挑戦的な多次元問題である。 本稿では,周囲のアメニティ,交通条件,社会感情など,様々な社会経済的特徴の経済的貢献を評価するために,複数のデータソースを用いる。 中国・北京の28,550軒の住宅で実験を行い,その重要性からそれぞれの特徴をランク付けした。 マルチソース情報の利用により予測精度が向上するため、上記の特徴は不動産の経済的・社会的価値を評価する上で貴重な資源となる。 コードとデータは、https://github.com/IndigoPurple/PATEで入手できる。

関連論文リスト

• 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)
• 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)
• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• 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)
• MugRep: A Multi-Task Hierarchical Graph Representation Learning Framework for Real Estate Appraisal [57.28018917017665]
  正確な不動産評価のためのマルチタスク階層グラフ表現学習(MugRep)フレームワークを提案する。 複数の都市データを取得し統合することにより、まず、複数の視点から不動産を包括的にプロファイルするリッチな特徴セットを構築する。 進化する不動産取引グラフとそれに対応するイベントグラフ畳み込みモジュールが提案され、不動産取引に非同期に時間的依存関係を組み込む。
  論文  参考訳（メタデータ） (2021-07-12T03:51:44Z)
• Fairness, Welfare, and Equity in Personalized Pricing [88.9134799076718]
  顧客特性に基づくパーソナライズ価格における公平性、福祉、株式の配慮の相互作用について検討する。 選択ワクチンの価格補助金と、マイクロクレジットの下流結果に対するパーソナライズされた利率の影響の2つの設定において、パーソナライズされた価格の潜在的利点を示す。
  論文  参考訳（メタデータ） (2020-12-21T01:01:56Z)
• Towards robust and speculation-reduction real estate pricing models based on a data-driven strategy [0.0]
  本稿では,機械学習に基づくデータ駆動型不動産価格モデルを提案する。 2016年から2020年にかけて収集されたBogot'aの178,865のフラットリストでモデルを検証した。 その結果、提案した最先端モデルが不動産価格を推定する上で堅牢で正確であることが示唆された。
  論文  参考訳（メタデータ） (2020-11-26T15:54:07Z)
• Boosting House Price Predictions using Geo-Spatial Network Embedding [16.877628778633905]
  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。
  論文  参考訳（メタデータ） (2020-09-01T06:17:21Z)
• 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)
• A Philosophy of Data [91.3755431537592]
  我々は、統計計算に必要な基本特性から統計データの定義まで研究する。 我々は、有用なデータの必要性は、プロパティを根本的にユニークか等しく理解することを規則化する必要があると論じている。 データとデータ技術への依存度が高まるにつれて、この2つの特徴は現実の集合概念に影響を与えます。
  論文  参考訳（メタデータ） (2020-04-15T14:47:24Z)

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。