地理空間ネットワークデータと機械学習を用いた説明可能性の高い賃料予測

抄録

住宅のヘドニック価格モデルは個々の構成要素に対する価値の説明可能性に焦点を当てており、通常は機械学習モデルよりも予測力が低い単純な統計モデルに依存している。 ここでは、機械学習アルゴリズムを用いて高い予測性能を獲得しつつ、解釈可能性の高い特徴量の生成を行うことで結果の解釈可能性を高く保つハイブリッドアプローチを探求する。具体的には、物件近隣の地理情報と交通利便性の価値を一般的な方法で捉えることができる地理空間データのみを使用することに関心がある。まず、地域ごとの正社員数に基づくネットワーク拡散を用いて東京圏の住宅需要を推定する。次に、LightGBMを用いて、この推定需要の予測精度を駅のIDと緯度経度の座標を用いた場合と比較する。 その結果、駅名や緯度経度を用いた方が若干良い結果が得られた。次に、用途地域、土地利用、店舗、植生、人口、建物構造、駅の重要性の影響を確認した。これらの特徴量は予測精度を向上させるものの、座標の特徴量が保有する情報を完全に代替するものではないことがわかった。