通行量センシングと機械学習に基づく飲食店用不動産賃料推定

荒川 周造 1 　諏訪 博彦 1 　小川 祐樹 2 　荒川 豊 1

安本 慶一 1 　太田 敏澄 3

1 奈良先端科学技術大学院大学 情報科学研究科

2 立命館大学3 行政情報システム研究所

2

はじめに飲食店用不動産

画像の出典 : 株式会社 ABC 店舗 HPhttp://www.abc-tenpo.com 賃料決定手法？？

3

飲食店用不動産の賃料決定

ベテラン営業マンの感覚に基づいて決定

他の営業マンへの伝承

問題点

賃料決定に根拠が無い

暗黙知（ノウハウ）

形式知経験の浅い営業マンでも賃料決定を実現可能に

従来

4

研究目的

根拠に基づく賃料推定システムを構築

立地条件

周囲の住環境

店舗の動的情報

通行量センサを用いたシステム

一般住宅向け 飲食店向け

例 ) 通行量 , 雰囲気 etc.

5

本研究における課題

① 通行量などの動的情報の取得

② 取得データに基づく賃料推定

センシング技術を用いることで暗黙知の形式知化を実現

具体的課題

概念的課題

6

関連研究＜不動産価格推定＞

不動産価格推定エンジン

ビッグデータを活用したリアルタイム査定

不動産の成約価格推定

決定木と NN に基づく不動産価格推定（ Victor et al. 2015 ）

IESHIL （ β 版）

風水を考慮した不動産価格推定（ Chih-Hung et al. 2009 ）

交通システムと環境の質に着目した不動産価格推定（ Vincenza et al. 2014 ）

7

関連研究＜通行量センシング＞カメラを用いた先行研究（ Zeng et al. 2012 ）

PIR センサを用いた先行研究（ Wahl et al. 2012 ）

オフィス内の人数をシミュレーションで推定

設置やプライバシー面において課題あり

8

本研究の位置づけ賃料推定

一般住宅向け不動産

通行量測定

飲食店向け不動産

カメラが主流

エナジーハーベスティング

PIR センサ

先行研究

本研究

9

通行量センシングシステム要求仕様

小型で目につかない

半永続的なセンシング

容易なデータ取得

その様なセンサは存在しない !!!

通行量センサ無線モジュール

独自開発した拡張ボード

システム構成

ないものは作る

10

通行量センシング実験都内実店舗の前の通行量を測定

営業マンの感覚データ

画像の出典 :Google ストリートビュー

地点 A(感覚値 :1.5)

地点 B(感覚値 :2)地点 C(感覚値 :3)

地点 D(感覚値 :4)

１〜５ １〜５

2 名の平均値

11

通行量センシング実験結果

センサの反応回数が人の感覚に比例

感覚値であった通行量を根拠あるデータとして形式知化

測定地点（営業マンの感覚値 :1 〜5 ）

営業マンの感覚との比較セ

ンサ反応回

数

通行量（動的情報）をシステムによって取得できた

実験期間： 2016/2/8 17:00 〜 2/9 13:00

12

機械学習を用いた賃料推定

株式会社 ABC 店舗が扱う東京都内の飲食店向け不動産物件

推定対象

１〜５ １〜５

通行量の感覚値

13

機械学習を用いた賃料推定

どんな特徴量？？

都心？郊外？

人が多い？

面積が広い？

便利な場所？

14

データセット特徴量

学習ラベル

駅推定賃料視認性 × 通行量居抜きフラグ駅徒歩時間階数坪数

物件の賃料

駅平均坪単価 × 坪数

店舗の視認性（１〜 5 ）× 周辺の通行量（１〜 5 ）

60万円以下の 184物件について検証

居抜き :机や椅子，カウンター，ガスレンジ，冷蔵庫などの什器が付帯した物件

15

従来手法との比較（内挿同士）重回帰分析 ランダムフォレスト

( 木の数 :100, シード :70)

RMSE： 60929.55（平均二乗誤差）

RMSE： 24226.20

重回帰分析の半分以下にまで誤差が減少

実際の賃料 [円 ]

推定

賃料

[円]

実際の賃料 [円 ]推

定賃

料[円

]

16

3-fold 交差検証の結果ランダムフォレスト( 木の数 :100, シード :70)

RMSE： 64035.21

重回帰分析（内挿）のときと同程度の結果

モデルの汎化性能を評価

物件データ (184件 )

(62) (61) (61)

学習 テスト学習

学習学習 テストテスト

営業マンから「現場で十分に参考になる」

実際の賃料 [円 ]推

定賃

料[円

]

17

特徴量ごとの影響度合い駅推定賃料

視認性 ×通行量

居抜きフラグ

駅徒歩時間

階数 坪数 RMSE 差分

◯ ◯ ◯ ◯ ◯ ◯ 64035 -☓ ◯ ◯ ◯ ◯ ◯ 77660 13625◯ ☓ ◯ ◯ ◯ ◯ 70010 5975◯ ◯ ☓ ◯ ◯ ◯ 64823 788◯ ◯ ◯ ☓ ◯ ◯ 66117 2082◯ ◯ ◯ ◯ ☓ ◯ 68991 4956◯ ◯ ◯ ◯ ◯ ☓ 66818 2783

駅推定賃料が最も影響大

通行量も影響あり 通行量を取ることは有用である！

18

まとめ

通行量センシングシステムを構築し通行量を測定可能なことを確認

機械学習を用いた推定システムにより実運用に耐えうる推定精度を達成

今後の予定

新たな特徴量の追加

センサで収集した通行量を用いて推定

19

付　　録

20

新たな特徴量の検討

坪数は駅推定賃料に含まれている　 削除（⇛ RMSE:66818 ）

駅徒歩時間と階数は共に到達しにくさを表す　 積をとる（⇛ RMSE:64660 ）

導入力を追加

　 視認性⇛ × 通行量 ×導入力（ RMSE:63349 ）

物件が持つ人を呼びこむ程度を示す感覚値

僅かだが精度を向上できた

連続稼働時要求電流（ STM431J＋ PIR センサ）100秒に 1回送信： 2.6μA 10秒に 1回送信： 14.5μA 1秒に 1回送信： 131 μA

35mAh のコイン電池のみでは100秒に 1回送信： 13462h = 560 day 10秒に 1回送信： 2414h = 100 day 1秒に 1回送信： 267h = 11.13day

【実際は・・・】・ソーラの発電電力のみで日中は動作可能・深夜時間帯にセンサが反応する可能性は低い→コイン電池に頼るのは毎日 6h程度（日没〜深夜の間） 21

センサ稼働時間の目安

推定誤差算出方法

22

平均二乗誤差（ RMSE ）を使用

N：全予測対象数yi：実績値ŷi：推定値

推定値が実績値に対して，どれ程乖離しているかを示す→モデルの精度の悪さを評価する指標（ 0 に近いほど優秀）