Take a Look Around: Using Street View and Satellite Imagesto Estimate House Prices

Fig6 とFig７の予測精度比較した研究。
Fig７は画像をスカラーに圧縮したのちに、他の物件属性と組み合わせて線形回帰に与えているから、価格に影響を与える間取り図の特徴を解釈することができると筆者は主張している。

related work

不動産価格の推定には、ヘドニック・アプローチは使いやすさと解釈のしやすさがあるが、このようなOLSモデルは有意な誤判定と誤仕様化エラーを発生させる。 そのため、多層のパーセプトロンを用いた価格予測が用いられることがあるが、これは使いやすさと解釈のしやすさと予測精度がトレードオフの関係になっている。

[William McCluskey, Michael McCord, Peadar Davis, Martin Haran, and David McIlhatton. 2013. Prediction accuracyin mass appraisal: a comparison of modern approaches.Journal of Property Research30, 4 (December 2013), 239–265] 

​
ANNモデルを使用することでヘドニック・アプローチよりも予測精度が有意に改善することがわかっている。この改善は、線形OLSモデルではモデル化できない隠れ層の変数によって捕捉される期待される非線形関係に起因するものであると示唆している。

Steven Peterson and Albert Flanagan. 2009. Neural Network Hedonic Pricing Models in Mass Real Estate Ap-praisal.Journal of Real Estate Research31, 2 (2009), 147–164

本研究が関連研究と違う点は次の３点である.

物件そのものの画像ではなく，道路レベルと航空レベルの都市近隣画像[15]を収集している
住宅の特徴のみを抽出したANNヘドニック価格モデルと，Google Street View APIから収集したストリート画像とBing Images APIから収集した航空画像の両方を用いたモデルを比較している
非線形ヘドニック価格モデルとハイブリッド線形ヘドニック価格モデルを比較し，画像を潜在変数にエンコードすることで，より高い解釈性を実現している．
モデルを複数のニューラルネットワークでテストし、学習セットからロンドンの自治区全体であるサザークを除いた空間アウトオブサンプルテストセットを用いて、結果の一般化可能性を実証している.
ハイブリッド線形ヘドニック価格モデルとは、画像からacnnによって特徴量を抽出した後に、線分モデルの説明変数に特徴量を組み込むアプローチである。このハイブリッド・アプローチにより、近隣の視覚的な魅力の代用変数として機能する解釈可能な意味的特徴を学習することができる。

めも

線形モデルと非線形モデルの主な違いは、画像自体の取り扱いにあります。非線形モデルでは、学習されたサブネットワークF(-)とG(-)が非線形モデルの入力として使用された場合、特徴ベクトルを抽出します。

線形モデルでは、 cnnが出力した特徴ベクトルを単一のスカラー応答に画像を圧縮する。 重みWVを持つ2つの追加の完全に接続された層によって定義された追加のネットワークV(F,G)を挿入します。このスカラーサマリーは、OLSモデルに追加の独立変数として含めることができ、ローカル都市環境の視覚的望ましさを制御するための代理変数として機能する。

価格に影響を与える画像の考察では、単一のスカラー値で画像をソートして、top10とunder10の画像の違いを議論している。

画像を用いた線形回帰モデルのモデル式： HL(X,S,A)=β0+ÕβX+γV(F(S),G(A))+ε

コレで画像のV(F(S),G(A)と賃料予測を同時に学習。

価格に影響を与える画像の解釈手法は、top10とunder10の画像の違いの比較のみ。。。。。