JP2021068331A - 不動産価格分析装置、不動産価格分析モデル生成方法、不動産価格分析システム及び不動産価格分析プログラム - Google Patents

Abstract

【課題】不動産価格分析装置、不動産価格分析モデル生成方法、不動産価格分析システム及び不動産価格分析プログラムを提供する。【解決手段】不動産価格分析装置１、ＰＣやスマートフォン等の情報端末３、不動産の売買データおよび賃料データを保持する不動産情報提供サーバ４、７がネットワーク２上に接続されている。不動産情報提供サーバ４は、取引されている売買データ５および賃料データ６を保持する。不動産情報提供サーバ７は、過去に取引された売買データ８および賃料データ９を保持する。不動産価格分析装置１は、不動産情報提供サーバ４、７から不動産の売買データおよび賃料データを取得して学習する。【選択図】図１

Description

本発明は、不動産価格分析装置、不動産価格分析モデル生成方法、不動産価格分析システム及び不動産価格分析プログラムに関するものである。

不動産業者などが運営するポータルサイトにおいて、各種条件を入力し、売買や賃貸の物件を検索できるサービスが数多く存在する。（非特許文献１参照）これらのサービスでは、指定した条件の検索結果として、物件の売価または賃料、駅名、所要時間、広さ、築年などの詳細情報を提供している。

例えば、これらのサービスで、マンションを検索する場合、駅名「大井町」、所要時間「５分以内」、広さ「50平米〜60平米」、現在までの経過築年数「20年以下」を指定すると、条件にヒットした物件のリストが表示される。顧客は、ヒットした物件のリストにある売価および賃料を見て、似たような条件の物件の情報から、おおよその売価および賃料を推測し、予算に合うかを判断している。

ただし、駅名「大井町」、所要時間「５分以内」、広さ「50平米〜60平米」、経過築年数「20年以下」というような曖昧な条件では指定できるが、例えば、駅名「大井町」、所要時間「8分」、広さ（平米）「63平米」、経過築年数「14年」といった完全に確定した条件での価格を知ることはできない。

また、これらヒットした物件の売価および賃料は、そのサービスに加盟している個別の不動産業者が扱っている物件の売価または賃料を表示しているだけであり、それ自体に論理的根拠があるとは言えない。売主および貸主の意向が強く反映されたものも多く、価格として客観性に欠ける。

このような課題を解決するため、最寄り駅までの所要時間、広さ、経過築年数を、不動産の特徴を表現する説明変数とし、結果として目的変数である価格を導き出すための数学的な関係性を定義したモデル（いわゆる計算式）を生成することによって、賃料を算出できるものが存在する。（特許文献１参照）

同様に、様々な不動産関連情報を元にして、機械学習技術やディープラーニング技術を実施した不動産価格推定エンジンにより、独自の価格推定アルゴリズムに基づき、推定成約価格を推定するものも存在する。（非特許文献２参照）

さらに、各種物件の階構造と対応する売価などを収集し、モデルを生成することで、特定の物件の部屋番号を指定すると、該当部屋番号の売価を算出するようなものも存在する。（特許文献２参照）

ただし、特許文献１や非特許文献２の数学的な関係性を定義したモデルによって、価格を算出する場合、都道府県や市区町村などといった広い地域を対象とすれば、所要時間「5分」、広さ「55平米」、経過築年数「15年」といった完全に確定した条件で賃料を推定することはできるが、駅名まで限定した賃料を算出することはできない。

また、特許文献２においては、実際に存在する物件がないと売価を算出することができないだけではなく、特定の物件毎にモデルを生成する方法では、駅毎の特性を反映した売価を算出できない。

特開２０１４− １４７６５２号公報（ 第７〜８頁等） 特開２０１５− １６０３４９号公報（段落番号２２２〜２６３、図２５、図２６等）

「SUUMO」https://suumo.jp/ 「不動産価格推定エンジン」https://sre-realestate.com/tech/ret1.html

不動産の売価および賃料は、駅毎に、最寄り駅までの所要時間、広さ、経過築年数などの物件属性による影響度合いが異なる。例えば、ある駅では、最寄駅までの所要時間よりも、築年数や広さのほうが売価および賃料への影響度合いが大きいが、別の駅では最寄駅までの所要時間が最も売価および賃料へ影響を与えているなど、個々の駅で違いがあり、一律のモデルでは対応できない。

したがって、所要時間、広さ、経過築年数だけではなく、駅名まで含めた完全な条件を指定しない限り、価格を正確には算出できないという課題がある。

このように、駅単位での売価および賃料の予測を困難している理由は、不動産の売買データおよび賃料データは有限であり、駅毎にデータの数に偏りがある点があげられる。ある駅では、分析に必要なデータが少ないため、分析の精度が大きく落ちてしまう。

不動産の売買データおよび賃料データは、インターネットや公共データなどによって提供されている。

例えば、現時点において、行政機関が運営している公共データとして提供される過去の売買データであっても、東京都23区でも現状10万件程度である。また、インターネット上で大手の不動産サイトで、実際に日々売り出されている売買データは、東京都23区でも３万件程度に過ぎない。東京都内には、400を超える駅があり、平均しても、過去の売買データとしては、１駅あたり250件程度、売り出しデータとしてはその3分の１程度で100件未満となる。当然ながら、駅毎に売買データに偏りがあり、ある駅では、分析に必要なデータが少ないため、分析の精度が大きく落ちてしまう駅もある。このデータの偏りが、駅単位での分析を困難にしている。

本発明は、上記の課題を解決するものであり、有限の不動産の売買データおよび賃料データを使って、駅名、所要時間、広さ、経過築年数など、完全に確定した条件での価格および賃料を知ることができる不動産価格分析装置、不動産価格分析モデル生成方法、不動産価格分析システム及び不動産価格分析プログラムを提供することを目的とする。

本発明の請求項１記載の不動産価格分析装置は、不動産の売買データを蓄積するデータ管理部と、各駅の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、駅毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成する学習部と、生成した駅毎の所要時間、広さ、経過築年数の係数および切片を駅単位重回帰係数テーブルに管理するモデル管理部とを具備する。

本発明の請求項２記載の不動産価格分析装置は、前記モデル管理部で管理された駅毎の駅単位重回帰係数テーブルに設定された任意に指定された駅と一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測する予測部とを具備する。

本発明の請求項３記載の不動産価格分析装置は、前記学習部は、駅の学習用データの数が閾値未満の場合、隣接する駅も含めて学習用データを抽出し、閾値以上の学習用データの数が集まった場合、駅毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を駅毎に生成することを特徴とする。

本発明の請求項４記載の不動産価格分析装置は、前記学習部は、各路線の同市区町村の学習用データを抽出し、閾値以上の学習用データの数が集まった場合、各路線の市区町村毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を、各路線の市区町村毎に生成し、前記モデル管理部は、生成した各路線の市区町村毎の所要時間、広さ、経過築年数の係数および切片を路線市区町村単位重回帰係数テーブルに管理することを特徴とする。

本発明の請求項５記載の不動産価格分析装置は、前記予測部は、前期モデル管理部に任意に指定された駅に該当する駅単位重回帰係数テーブルが存在しない場合、前記モデル管理部で管理された路線市区町村単位重回帰係数テーブルに設定された、任意に指定された駅の路線および市区町村に一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測することを特徴とする。

本発明の請求項６記載の不動産価格分析装置は、前記学習部は、市区町村毎の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、市区町村毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成することを特徴とし、前期モデル管理部は、生成した市区町村毎の所要時間、広さ、経過築年数の係数および切片を市区町村単位重回帰係数テーブルに管理することを特徴とする。

本発明の請求項７記載の不動産価格分析装置は、前記予測部は、前期モデル管理部に任意に指定された駅に該当する駅単位重回帰係数テーブル、および、任意に指定された駅の路線および市区町村に一致する路線市区町村単位重回帰係数テーブルが存在しない場合、前記モデル管理部で管理された市区町村単位重回帰係数テーブルに設定された、任意に指定された駅の市区町村と一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測することを特徴とする。

本発明の請求項８記載の不動産価格分析装置は、前記学習部は、路線毎の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、路線毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成することを特徴とし、前期モデル管理部は、生成した路線毎の所要時間、広さ、経過築年数の係数および切片を路線単位重回帰係数テーブルに管理することを特徴とする。

本発明の請求項９記載の不動産価格分析装置は、前記予測部は、前期モデル管理部に任意に指定された駅に該当する駅単位重回帰係数テーブル、および、任意に指定された駅の路線および市区町村に一致する路線市区町村単位重回帰係数テーブル、および、任意に指定された駅の市区町村に一致する市区町村単位重回帰係数テーブルが存在しない場合、前記モデル管理部で管理された路線単位重回帰係数テーブルに設定された、任意に指定された駅の路線に一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測することを特徴とする。

本発明の請求項１０記載の不動産価格分析装置は、前記学習部は、都道府県毎の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、都道府県毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成することを特徴とし、
前期モデル管理部は、生成した都道府県毎の所要時間、広さ、経過築年数の係数および切片を都道府県単位重回帰係数テーブルに管理することを特徴とし、前期モデル管理部は、
生成した都道府県毎の所要時間、広さ、経過築年数の係数および切片を都道府県単位重回帰係数テーブルに管理することを特徴とする。

本発明の請求項１１記載の不動産価格分析装置は、前記予測部は、前期モデル管理部に任意に指定された駅に該当する駅単位重回帰係数テーブル、および、任意に指定された駅の路線および市区町村に一致する路線市区町村単位重回帰係数テーブル、および、任意に指定された駅の市区町村に一致する市区町村単位重回帰係数テーブル、および、任意に指定された駅の路線に一致する路線単位重回帰係数テーブルが存在しない場合、前記モデル管理部で管理された都道府県単位重回帰係数テーブルに設定された、任意に指定された駅の都道府県に一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測すること
を特徴とする。

本発明の請求項１２記載の不動産価格分析装置は、前記予測部は、前期モデル管理部に任意に指定された駅に該当する駅単位重回帰係数テーブル、および、任意に指定された駅の路線および市区町村に一致する路線市区町村単位重回帰係数テーブル、および、任意に指定された駅の市区町村に一致する市区町村単位重回帰係数テーブル、および、任意に指定された駅の路線に一致する路線単位重回帰係数テーブル、および、任意に指定された駅の都道府県に一致する路線単位重回帰係数テーブルが存在しない場合、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測ができないものとし、予測不可とすることを特徴とする。

本発明の請求項１３記載の不動産価格分析装置は、前記データ管理部は、都道府県別に、売価の学習用データを、あらかじめ設定してある広さの閾値以上であれば実需向け、広さの閾値未満であれば投資向けと判断し、さらに、その後、あらかじめ設定してある経過築年数の新築閾値以下であれば、新築用とし、築古閾値以上であれば築古用とし、それ以外であれば一般の中古物件用として分けることを特徴とし、前期学習部は、データ収集部によって分けられた都道府県別、実需および投資別の新築用、築古用、一般の中古物件用の学習用データによって、駅単位重回帰係数テーブル、路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブルを別々に生成することを特徴とし、前期モデル管理部は、生成された各テーブルを都道府県別に、実需および投資別の新築用、築古用、一般の中古物件用に分けて管理することを特徴とする。

本発明の請求項１４記載の不動産価格分析装置は、前記予測部は、任意に指定された広さによって、前記広さの閾値以上であれば実需向け、広さの閾値未満であれば投資向けと判断し、さらに、その後、任意に指定された経過築年数によって、前記経過築年数の新築閾値以下であれば新築、築古閾値以上であれば築古、それ以外であれば一般の中古物件として判断し、それに一致した前記モデル管理部で管理された都道府県別、実需および投資別の新築用、築古用、一般の中古物件用の駅単位重回帰係数テーブル、路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブルを選択し、所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測することを特徴とする。

本発明の請求項１５記載の不動産価格分析装置は、前記請求項１４記載の態様において、前期学習部は、新築または築古用の学習データを使って学習する場合は、説明変数を所要時間、広さのみとし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さのみの係数および切片を生成することを特徴とし、前記予測部は、任意に指定された経過築年数によって、新築または築古であると判断された場合、所要時間、広さのみの係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測することを特徴とする。

本発明の請求項１６記載の不動産価格分析装置は、前期データ収集部は、都道府県別、実需および投資別の新築用、築古用、一般の中古物件用の学習用データを都道府県単位、あるいは、市区町村単位、あるいは、路線単位、あるいは、路線市区町村単位、あるいは、駅単位で学習用データに存在する取引年別の売価の平米単価を集計することで、取引年別の平米単価の前年比を算出した価格調整テーブルを生成し、1件毎の各学習用データの取引年と一致する価格調整テーブルの該当取引年から以後のすべての前年比を売価に乗ずることで、学習用データの過去の売価を現在の価格として補正することを特徴とする。

本発明の請求項１７記載の不動産価格分析装置は、前記データ管理部は、賃料データを管理し、前記学習部で学習し、前記モデル管理部で管理し、前記予測部によって、任意に指定された駅、所要時間、広さ、経過築年数によって賃料を予測することを特徴とする。

本発明の請求項１８記載の不動産価格分析装置は、前記請求項１７記載の態様において、
前記予測部は、売価と賃料を同時に予測し、表面利回り（＝年間の賃料÷売価）を算出することを特徴とする。

本発明の請求項１９記載の不動産価格分析システムは、前記不動産価格分析装置と、前記不動産価格分析装置の前記データ管理部がアクセスする現在の売買データおよび賃料データを保持する不動産情報提供サーバ、前記不動産価格分析装置の前記データ管理部がアクセスする過去の売買データおよび賃料データを保持する不動産情報提供サーバ、前記不動産価格分析装置の前記データ管理部がアクセスする現在および過去の売買データおよび賃料データを保持する不動産情報提供サーバ、前記不動産価格分析装置の前記予測部にアクセスし、利用者が任意に指定した駅、所要時間、広さ、経過築年数によって、売価、賃料、表面利回りを取得する情報端末、これらを繋ぎ、通信するためのネットワークとを備える。

本発明の請求項２０記載の不動産価格分析装置が実行する不動産価格分析モデル方法は、各駅の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、駅毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成し、生成した駅毎の所要時間、広さ、経過築年数の係数および切片を駅単位重回帰係数テーブルに管理する工程と、

駅の学習用データの数が閾値未満の場合、隣接する駅も含めて学習用データを抽出し、
閾値以上の学習用データの数が集まった場合、駅毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を、駅毎に生成し、生成した駅毎の所要時間、広さ、経過築年数の係数および切片を駅単位重回帰係数テーブルに管理する工程と、

各路線の同市区町村の学習用データを抽出し、閾値以上の学習用データの数が集まった場合、各路線の市区町村毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を、各路線の市区町村毎に生成し、生成した各路線の市区町村毎の所要時間、広さ、経過築年数の係数および切片を路線市区町村単位重回帰係数テーブルに管理する工程と、

市区町村毎の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、市区町村毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、
重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成し、
生成した市区町村毎の所要時間、広さ、経過築年数の係数および切片を市区町村単位重回帰係数テーブルに管理する工程と、

路線毎の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、路線毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、
重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成し、
生成した路線毎の所要時間、広さ、経過築年数の係数および切片を路線単位重回帰係数テーブルに管理する工程と、

都道府県毎の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、都道府県毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成し、
生成した都道府県毎の所要時間、広さ、経過築年数の係数および切片を都道府県単位重回帰係数テーブルに管理する工程と、

売価の学習用データを、あらかじめ設定してある広さの閾値以上であれば実需向け、広さの閾値未満であれば投資向けと判断し、さらに、その後、あらかじめ設定してある経過築年数の新築閾値以下であれば、新築用とし、築古閾値以上であれば築古用とし、それ以外であれば一般の中古物件用として分け、データ収集部によって分けられた都道府県別、実需および投資別の新築用、築古用、一般の中古物件用の学習用データによって駅単位重回帰係数テーブル、路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブル、を生成し、その際、新築または築古用の学習データを使って学習する場合は、説明変数を所要時間、広さのみとし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さのみの係数および切片を生成する工程と、

各テーブルを都道府県別に、実需および投資別の新築用、築古用、一般の中古物件用に分けて管理する工程と、
を含むことを特徴とする。

本発明の請求項２１記載の不動産価格分析装置が実行するコンピュータのプログラムは、不動産価格分析装置が実行する不動産価格分析モデル方法であって、各駅の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、駅毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、
所要時間、広さ、経過築年数の係数および切片を生成し、生成した駅毎の所要時間、広さ、経過築年数の係数および切片を駅単位重回帰係数テーブルに管理する手順と、

駅の学習用データの数が閾値未満の場合、隣接する駅も含めて学習用データを抽出し、
閾値以上の学習用データの数が集まった場合、駅毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を、駅毎に生成し、生成した駅毎の所要時間、広さ、経過築年数の係数および切片を駅単位重回帰係数テーブルに管理する手順と、

各路線の同市区町村の学習用データを抽出し、閾値以上の学習用データの数が集まった場合、各路線の市区町村毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を、各路線の市区町村毎に生成し、生成した各路線の市区町村毎の所要時間、広さ、経過築年数の係数および切片を路線市区町村単位重回帰係数テーブルに管理する手順と、

市区町村毎の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、市区町村毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、
重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成し、
生成した市区町村毎の所要時間、広さ、経過築年数の係数および切片を市区町村単位重回帰係数テーブルに管理する手順と、

路線毎の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、路線毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、
重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成し、
生成した路線毎の所要時間、広さ、経過築年数の係数および切片を路線単位重回帰係数テーブルに管理する手順と、

都道府県毎の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、都道府県毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、
重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成し、
生成した都道府県毎の所要時間、広さ、経過築年数の係数および切片を都道府県単位重回帰係数テーブルに管理する手順と、

売価の学習用データを、あらかじめ設定してある広さの閾値以上であれば実需向け、広さの閾値未満であれば投資向けと判断し、さらに、その後、あらかじめ設定してある経過築年数の新築閾値以下であれば、新築用とし、築古閾値以上であれば築古用とし、それ以外であれば一般の中古物件用として分け、データ収集部によって分けられた都道府県別、実需および投資別の新築用、築古用、一般の中古物件用の学習用データによって
駅単位重回帰係数テーブル、路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブル、
を別々に生成し、その際、新築または築古用の学習データを使って学習する場合は、
説明変数を所要時間、広さのみとし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さのみの係数および切片を生成する手順と、

各テーブルを都道府県別に、実需および投資別の新築用、築古用、一般の中古物件用に分けて管理する手順と、
を備えること特徴とする。

本発明の請求項２２記載の不動産価格分析装置が実行するコンピュータのプログラムは、
前記請求項２１で管理される駅毎の駅単位重回帰係数テーブルに設定された
任意に指定された駅と一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測する手順と、

前記請求項２１で管理される任意に指定された駅に該当する駅単位重回帰係数テーブルが存在しない場合、前記モデル管理部で管理された路線市区町村単位重回帰係数テーブルに設定された、任意に指定された駅の路線および市区町村に一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測する手順と、

前記請求項２１で管理される任意に指定された駅に該当する駅単位重回帰係数テーブル、および、任意に指定された駅の路線および市区町村に一致する路線市区町村単位重回帰係数テーブルが存在しない場合、前記モデル管理部で管理された市区町村単位重回帰係数テーブルに設定された、任意に指定された駅の市区町村に一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測する手順と、

前記請求項２１で管理される任意に指定された駅に該当する駅単位重回帰係数テーブル、
および、任意に指定された駅の路線および市区町村に一致する路線市区町村単位重回帰係数テーブル、および、任意に指定された駅の市区町村に一致する市区町村単位重回帰係数テーブルが存在しない場合、前記モデル管理部で管理された路線単位重回帰係数テーブルに設定された、任意に指定された駅の路線に一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測する手順と、

前記請求項２１で管理される任意に指定された駅に該当する駅単位重回帰係数テーブル、
および、任意に指定された駅の路線および市区町村に一致する路線市区町村単位重回帰係数テーブル、および、任意に指定された駅の市区町村に一致する市区町村単位重回帰係数テーブル、および、任意に指定された駅の路線に一致する路線単位重回帰係数テーブル、
が存在しない場合、前記モデル管理部で管理された都道府県単位重回帰係数テーブルに設定された、任意に指定された駅の都道府県に一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測する手順と、

前記請求項２１で管理される任意に指定された駅に該当する駅単位重回帰係数テーブル、
および、任意に指定された駅の路線および市区町村に一致する路線市区町村単位重回帰係数テーブル、および、任意に指定された駅の市区町村に一致する市区町村単位重回帰係数テーブル、および、任意に指定された駅の路線に一致する路線単位重回帰係数テーブル、および、任意に指定された駅の都道府県に一致する路線単位重回帰係数テーブル、
が存在しない場合、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測ができないものとし、予測不可とする手順と、

任意に指定された広さによって、前記広さの閾値以上であれば実需向け、広さの閾値未満であれば投資向けと判断し、さらに、その後、任意に指定された経過築年数によって、前記経過築年数の新築閾値以下であれば新築、築古閾値以上であれば築古、それ以外であれば一般の中古物件として判断し、それに一致した前記請求項２１で管理される都道府県別、実需および投資別の新築用、築古用、一般の中古物件用の駅単位重回帰係数テーブル、路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブルを選択し、所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測する手順と、

不動産の売価と賃料を同時に予測し、表面利回り（＝年間の賃料÷売価）を算出する手順と、
を備えること特徴とする。

本発明によれば、駅単位にモデルを生成でき、任意に指定された駅、所要時間、広さ、経過築年数によって売価を知ることができる。

また、学習用データが少ない駅であっても、隣接する駅も含めた学習用データを使って学習することで、駅単位にモデルを生成でき、任意に指定された駅、所要時間、広さ、経過築年数によって売価を知ることができる。

さらに、隣接する駅も含めても、学習用データが少ない駅であっても、代わりとなる各路線の市区町村毎のモデルを生成できることで、任意に指定された駅、所要時間、広さ、経過築年数によって、近しい売価を知ることができる。

さらに、各路線の市区町村毎の学習用データが少ない駅であっても、代わりとなる市区町村毎のモデルを生成できることで、任意に指定された駅、所要時間、広さ、経過築年数によって、近しい売価を知ることができる。

さらに、市区町村毎の学習用データが少ない駅であっても、代わりとなる路線毎のモデルを生成できることで、任意に指定された駅、所要時間、広さ、経過築年数によって、近しい売価を知ることができる。

さらに、路線毎の学習用データが少ない駅であっても、代わりとなる都道府県毎のモデルを生成できることで、任意に指定された駅、所要時間、広さ、経過築年数によって、近しい売価を知ることができる。

また、価格特性の異なる実需および投資別の新築用、築古用、一般の中古物件用のモデルを生成することで、学習の精度をあげることができる。

そして、任意に指定された駅、所要時間、広さ、経過築年数するだけで、実需および投資別の新築用、築古用、一般の中古物件用かどうかを意識することなく、所望の物件に適した売価を知ることができる。

また、不動産の売買データが過去のものであっても、現在の売価として補正し、学習することで、現在の売価を知ることができる。

また、売買データではなく、賃料データを学習に使うことで、任意に指定された駅、所要時間、広さ、経過築年数によって、賃料を知ることができる。

さらに、売買データおよび賃料データの両方の学習を行うことで、任意に指定された駅、所要時間、広さ、経過築年数によって、売価と賃料を同時に知ることができる。

さらに、売価と賃料から表面利回りを算出することで、指定した駅と他の駅と比較した市況の高低を容易に判断できる。

本発明の実施の形態１に係る不動産価格分析装置の動作するネットワークを示す概略図 実施の形態１に係る不動産価格分析装置の機能ブロック図 実施の形態１に係る不動産価格分析装置から送信された条件入力画面を表示した場合のネットワークに接続されたPC、スマートフォンの表示部を示す図 実施の形態１に係る不動産価格分析装置から送信された分析結果画面を表示した場合のネットワークに接続されたPC、スマートフォンの表示部を示す図 実施の形態１に係る不動産価格分析装置で用いられるモデル管理構造を示す図 実施の形態１に係る不動産価格分析装置のハードウェアブロック図 実施の形態１に係る各種閾値を管理する閾値テーブルを示す図 実施の形態１ に係る不動産価格分析装置で用いられる不動産の賃料データを示す図 実施の形態１ に係る不動産価格分析装置で用いられる賃料のための実需かつ一般の中古物件用の学習用データを示す図 実施の形態１ に係る不動産価格分析装置で用いられる賃料のための実需かつ新築用の学習用データを示す図 実施の形態１ に係る不動産価格分析装置で用いられる賃料のための実需かつ築古用の学習用データを示す図 実施の形態１ に係る不動産価格分析装置で用いられる賃料のための投資かつ一般の中古物件用の学習用データを示す図 実施の形態１ に係る不動産価格分析装置で用いられる賃料のための投資かつ新築用の学習用データを示す図 実施の形態１ に係る不動産価格分析装置で用いられる賃料のための投資かつ築古用の学習用データを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価のための実需かつ一般の中古物件用の学習用データに使用される価格調整テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価のための実需かつ新築用の学習用データに使用される価格調整テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価のための実需かつ築古用の学習用データに使用される価格調整テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価のための投資かつ一般の中古物件用の学習用データに使用される価格調整テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価のための投資かつ新築用の学習用データに使用される価格調整テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる不動産の売買データを示す図 実施の形態１に係る不動産価格分析装置で用いられる売価のための実需かつ一般の中古物件用の学習用データを示す図 実施の形態１に係る不動産価格分析装置で用いられる売価のための実需かつ新築用の学習用データを示す図 実施の形態１に係る不動産価格分析装置で用いられる売価のための実需かつ築古用の学習用データを示す図 実施の形態１に係る不動産価格分析装置で用いられる売価のための投資かつ一般の中古物件用の学習用データを示す図 実施の形態１ に係る不動産価格分析装置で用いられる売価のための投資かつ新築用の学習用データを示す図 実施の形態１ に係る不動産価格分析装置で用いられる売価のための投資かつ築古用の学習用データを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価のための投資かつ築古用の学習用データに使用される価格調整テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料のための実需かつ一般の中古物件用の学習用データに使用される価格調整テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料のための実需かつ新築用の学習用データに使用される価格調整テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料のための実需かつ築古用の学習用データに使用される価格調整テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料のための投資かつ一般の中古物件用の学習用データに使用される価格調整テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料のための投資かつ新築用の学習用データに使用される価格調整テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料のための投資かつ築古用の学習用データに使用される価格調整テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、路線駅テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価用の実需かつ一般の中古物件用の駅単位重回帰係数テーブルを示す図 実施の形態１係る不動産価格分析装置で用いられる東京都の例における、売価用の実需かつ一般の中古物件用の路線市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価用の実需かつ一般の中古物件用の市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価用の実需かつ一般の中古物件用の路線単位重回帰係数テーブルを示す図 実施の形態１ に係る不動産価格分析装置で用いられる東京都の例における、売価用の実需かつ一般の中古物件用の都道府県単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価用の実需かつ築古用の駅単位重回帰係数テーブルを示す図 実施の形態１係る不動産価格分析装置で用いられる東京都の例における、売価用の実需かつ築古用の路線市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価用の実需かつ築古用の市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価用の実需かつ築古用の路線単位重回帰係数テーブルを示す図 実施の形態１ に係る不動産価格分析装置で用いられる東京都の例における、売価用の実需かつ築古用の都道府県単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価用の実需かつ新築用の駅単位重回帰係数テーブルを示す図 実施の形態１係る不動産価格分析装置で用いられる東京都の例における、売価用の実需かつ新築用の路線市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価用の実需かつ新築用の市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価用の実需かつ新築用の路線単位重回帰係数テーブルを示す図 実施の形態１ に係る不動産価格分析装置で用いられる東京都の例における、売価用の実需かつ新築用の都道府県単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価用の投資かつ一般の中古物件用の駅単位重回帰係数テーブルを示す図 実施の形態１係る不動産価格分析装置で用いられる東京都の例における、売価用の投資かつ一般の中古物件用の路線市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価用の投資かつ一般の中古物件用の市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価用の投資かつ一般の中古物件用の路線単位重回帰係数テーブルを示す図 実施の形態１ に係る不動産価格分析装置で用いられる東京都の例における、売価用の投資かつ一般の中古物件用の都道府県単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価用の投資かつ築古用の駅単位重回帰係数テーブルを示す図 実施の形態１係る不動産価格分析装置で用いられる東京都の例における、売価用の投資かつ築古用の路線市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価用の投資かつ築古用の市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価用の投資かつ築古用の路線単位重回帰係数テーブルを示す図 実施の形態１ に係る不動産価格分析装置で用いられる東京都の例における、売価用の投資かつ築古用の都道府県単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価用の投資かつ新築用の駅単位重回帰係数テーブルを示す図 実施の形態１係る不動産価格分析装置で用いられる東京都の例における、売価用の投資かつ新築用の路線市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価用の投資かつ新築用の市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、売価用の投資かつ新築用の路線単位重回帰係数テーブルを示す図 実施の形態１ に係る不動産価格分析装置で用いられる東京都の例における、売価用の投資かつ新築用の都道府県単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料用の実需かつ一般の中古物件用の駅単位重回帰係数テーブルを示す図 実施の形態１係る不動産価格分析装置で用いられる東京都の例における、賃料用の実需かつ一般の中古物件用の路線市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料用の実需かつ一般の中古物件用の市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料用の実需かつ一般の中古物件用の路線単位重回帰係数テーブルを示す図 実施の形態１ に係る不動産価格分析装置で用いられる東京都の例における、賃料用の実需かつ一般の中古物件用の都道府県単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料用の実需かつ築古用の駅単位重回帰係数テーブルを示す図 実施の形態１係る不動産価格分析装置で用いられる東京都の例における、賃料用の実需かつ築古用の路線市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料用の実需かつ築古用の市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料用の実需かつ築古用の路線単位重回帰係数テーブルを示す図 実施の形態１ に係る不動産価格分析装置で用いられる東京都の例における、賃料用の実需かつ築古用の都道府県単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料用の実需かつ新築用の駅単位重回帰係数テーブルを示す図 実施の形態１係る不動産価格分析装置で用いられる東京都の例における、賃料用の実需かつ新築用の路線市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料用の実需かつ新築用の市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料用の実需かつ新築用の路線単位重回帰係数テーブルを示す図 実施の形態１ に係る不動産価格分析装置で用いられる東京都の例における、賃料用の実需かつ新築用の都道府県単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料用の投資かつ一般の中古物件用の駅単位重回帰係数テーブルを示す図 実施の形態１係る不動産価格分析装置で用いられる東京都の例における、賃料用の投資かつ一般の中古物件用の路線市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料用の投資かつ一般の中古物件用の市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料用の投資かつ一般の中古物件用の路線単位重回帰係数テーブルを示す図 実施の形態１ に係る不動産価格分析装置で用いられる東京都の例における、賃料用の投資かつ一般の中古物件用の都道府県単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料用の投資かつ築古用の駅単位重回帰係数テーブルを示す図 実施の形態１係る不動産価格分析装置で用いられる東京都の例における、賃料用の投資かつ築古用の路線市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料用の投資かつ築古用の市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料用の投資かつ築古用の路線単位重回帰係数テーブルを示す図 実施の形態１ に係る不動産価格分析装置で用いられる東京都の例における、賃料用の投資かつ築古用の都道府県単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料用の投資かつ新築用の駅単位重回帰係数テーブルを示す図 実施の形態１係る不動産価格分析装置で用いられる東京都の例における、賃料用の投資かつ新築用の路線市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料用の投資かつ新築用の市区町村単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置で用いられる東京都の例における、賃料用の投資かつ新築用の路線単位重回帰係数テーブルを示す図 実施の形態１ に係る不動産価格分析装置で用いられる東京都の例における、賃料用の投資かつ新築用の都道府県単位重回帰係数テーブルを示す図 実施の形態１に係る不動産価格分析装置のデータ管理部でのデータ収集と学習部での学習の全体動作を説明するためのフロー図 実施の形態１に係る不動産価格分析装置のデータ管理部でのデータ収集動作を説明するためのフロー図 実施の形態１に係る不動産価格分析装置のデータ管理部でのデータ収集動作におけるデータ保存処理を説明するためのフロー図 実施の形態１に係る不動産価格分析装置の学習部での価格調整動作を説明するためのフロー図 実施の形態１に係る不動産価格分析装置の学習部での価格調整テーブル作成動作を説明するためのフロー図 実施の形態１に係る不動産価格分析装置の学習部での価格調整処理詳細動作を説明するためのフロー図 実施の形態１に係る不動産価格分析装置の学習部での学習フローの動作を説明するためのフロー図 実施の形態１に係る不動産価格分析装置の学習部での重回帰分析学習の全体動作を説明するためのフロー図 実施の形態１に係る不動産価格分析装置の学習部での階層別重回帰分析学習動作を説明するためのフロー図 実施の形態１に係る不動産価格分析装置の学習部での隣接駅単位の重回帰分析学習動作を説明するためのフロー図 実施の形態１に係る不動産価格分析装置の学習部での重回帰分析学習動作を説明するためのフロー図 実施の形態１に係る不動産価格分析装置の予測部での結果分析動作を説明するためのフロー図 実施の形態１に係る不動産価格分析装置の予測部での重回帰分析モデル計算動作を説明するためのフロー図 実施の形態１に係る不動産価格分析装置の予測部での重回帰分析モデル計算におけるテーブル切替動作を説明するためのフロー図

以下、本発明の実施の形態について、図面を参照して詳細に説明する。

図１は、本発明の実施の形態１ に係る不動産価格分析装置１の動作する構成を示す概略図である。

図１に示すように、本実施の形態の不動産価格分析装置１は、例えば、インターネットなどのネットワーク２ 上に設けられている。

ネットワーク２ には、PCやスマートフォン等の情報端末３、不動産の売買データおよび賃料データを保持する不動産情報提供サーバ４および７が接続されている。

不動産情報提供サーバ４は、主に不動産業者が運営する不動産業者サイトで稼働するサーバで、現在、取引されている売買データ５および賃料データ６を保持する。

不動産情報提供サーバ７は、行政機関が運営する行政機関サイトあるいは不動産業者が運営する不動産業者サイトで稼働するサーバで、過去に取引された売買データ８および賃料データ９を保持する。

不動産価格分析装置１は、不動産情報提供サーバ４および７から不動産の売買データおよび賃料データを取得し、学習する。

そして、情報端末３において、図３に示すような駅名、所要時間、広さ、経過築年数を完全に確定した条件として指定し、ネットワーク２を介して、不動産価格分析装置１にアクセスすることで、図４に示すような売価および賃料、表面キャップレートを知ることができる。

図２は、本不動産価格分析装置１の機能ブロック図を示す。図２を用いて、実現する機能の概略を説明する。

図２において、データ管理部１１は、不動産情報提供サーバ４および７からネットワーク２を介して、それらが保持する不動産の売買データ５および８、賃料データ６および９を取得し、価格の単位を合わせたり、和暦を西暦に変換するなどして、学習用データに変換し、保存する。その際、学習用データを、都道府県別に、売価および賃料別、かつ、実需と投資別、かつ、新築と築古と一般の中古物件に分けて保存する。

学習部１２は、これら保存された学習用データを使って、駅毎に所要時間、広さ、経過築年数を説明変数とし、売価および賃料を目的変数として、重回帰分析学習を実施する。
そして、モデル管理部１３では、学習の結果である説明変数である所要時間、広さ、経過築年数の係数および切片を管理する。

予測部１４では、情報端末３において図３の画面に示すようにユーザによって入力された都道府県、駅名、所要時間、広さ、経過築年数を受け取り、都道府県の指定された駅名で、モデル管理部１３の各種重回帰係数テーブルを検索し、該当の所要時間、広さ、経過築年数の係数および切片を取得し、売価と賃料の重回帰式を生成する。

そして、生成した重回帰式によって、説明変数に所要時間、広さ、経過築年数を設定し、売価と賃料を算出後、表面利回りを計算する。その後、売価、賃料、表面利回りを情報端末３にネットワーク２を介して返却する。

情報端末３では、取得した売価、賃料、表面利回りを図４のようにユーザへ表示する。

図５は、図２のモデル管理部１３で管理されるモデル構造であるモデルストアを示す。

モデルストアは、モデルをツリー状のノードで管理する。東京都ノード（５１００）、神奈川県ノード（５２００）、千葉県ノード（５３００）などといった都道府県を最上位とし、以下に不動産の売買データおよび賃料データを分割した区分に従い、階層化して管理する。

例えば、東京都ノード（５１００）の配下は、売価ノード（５１１０）と賃料ノード（５１３０）に分かれ、各々の配下は、実需ノード（５１１１）と投資ノード（５１２１）に分かれ、さらに各々の配下は、一般の中古不動産である一般ノード（５１１２）、そして、新築ノード（５１１３）、築古ノード（５１１４）に分かれる。そして、それらのノードの配下には、５１１５、５１１６、５１１７に示す駅単位重回帰係数テーブル、路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブルが保存される。

図７に、本不動産価格分析装置１で使用する閾値テーブルを示す。

実需閾値（７０１）は、広さが30平米以上であることを示す値であり、この閾値以上であれば、実需向けの物件と判断し、閾値未満であれば投資向けの物件と判断するために使用される。

新築閾値（７０２）は、経過築年数が３年以下であることを示す値であり、この閾値以下であれば、新築の物件と判断し、閾値を超えるものであればそれ以外の物件と判断するために使用される。

築古閾値（７０３）は、経過築年数が３８年以上であることを示す値であり、この閾値以上であれば、築古の物件と判断し、閾値未満であればそれ以外の物件と判断するために使用される。

データ数閾値（一般）（７０３）は、一般の中古物件の学習用データのためのもので、データ数が30件以上であることを示す値であり、この閾値以上であれば、学習に必要なデータ数を満たすものと判断し、閾値未満であれば学習不可と判断するために使用される。

データ数閾値（新築または築古）（７０３）は、新築または築古の学習用データのためのもので、データ数が20件以上であることを示す値であり、この閾値以上であれば、学習に必要なデータ数を満たすものと判断し、閾値未満であれば学習不可と判断するために使用される。

これらの閾値は、あらかじめ設定しておくものとする。これらの閾値を使用し、最終的に図５に示すようなモデルストアが構築される。

図６に、本実施例における不動産価格分析装置１のハードウェア構成を示す。

CPU６０１ 、RAM６０２、ROM６０３、不揮発メモリ６０４、HDD６０８、通信インターフェイス（Ｉ／Ｆ）６０５、入出力インターフェイス（Ｉ／Ｆ）６０５、メディアイ
ンターフェイス（Ｉ／Ｆ）６０７を有する。

CPU６０１は、ROM６０３、または、HDD６０８に格納されたプログラムに基づいて動作し、各部の制御を行う。ROM６０３は、起動時にCPU６０１によって実行されるブートプログラムや、ハードウェアに依存するプログラム等を格納する。

HDD６０８は、CPU６０１によって実行されるプログラム、及び、プログラムによって使用されるデータ等を記憶する。通信インターフェイス（Ｉ／Ｆ）６０５ は、図１のネットワーク２を介して、他の装置、あるいは、サイトからデータを受信して、CPU６０１へ送り、CPU６０１が生成したデータを他の装置、あるいは、サイトへ送信する。

CPU６０１は、入出力インターフェイス（Ｉ／Ｆ）６０５を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。CPU６０１は、入出力インターフェイス（Ｉ／Ｆ）６０５を介して、入力装置からデータを取得する。また、CPU６０１は、入出力インターフェイス（Ｉ／Ｆ）６０５を介して生成したデータを出力装置へ出力する。

メディアインターフェイス（Ｉ／Ｆ）６０７は、記憶媒体６０９に格納されたプログラム、または、データを読み取り、RAM６０２を介してCPU６０１に提供する。CPU６０１は、プログラムを、メディアインターフェイス（Ｉ／Ｆ）６０７を介して記憶媒体６０９ からRAM６０２上にロードし、ロードしたプログラムを実行する。記憶媒体６０９は、例
えば、DVD（Digital Versatile Disc）等の光学記録媒体、磁気記録媒体、または半導体メモリ等である。

次に、上記構成を有する本不動産価格分析装置１が、不動産の売買データおよび賃料データを、不動産情報提供サーバ４および７から取得し、学習する動作について図９５のフローを用いて説明する。

まず、データ管理部１１において、不動産の売買データおよび賃料データを収集するタイミングが到来したかを判断する。（ステップS17001）まだ、到来していなければ、次回のデータ収集タイミングまで待つ。

データ収集のタイミングは、一日単位、一週間単位、月単位、4半期単位、年単位など、あらかじめ決められた時間に実施する。これらは、不動産情報提供サーバ４および７において不動産の売買データおよび賃料データが生成・更新されるタイミングを想定して設定される。

収集タイミングが到来していれば、データ管理部１１において、不動産の売買データおよび賃料データを収集し、学習用データへの変換を実施する。（ステップS17002）

次に、データ管理部１１は、学習タイミングが到来しているか判断する。（ステップS17004）まだ、到来していなければ、次回の学習タイミングまで待つ。学習タイミングは、夜間など、あらかじめ決められた時間に実施する。

図５に示す駅単位重回帰係数テーブル、路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブルを再作成することになるため、運用上、支障がない曜日や時間帯を選択し、決定する。
学習タイミングであれば、学習部１２において学習を実施し、各種重回帰係数テーブルを生成し、モデル管理部１３が保持する図５のモデルストアで管理する。（ステップS17005）

以後、ステップS17001〜17005を繰り返す。

上述した図９５のステップS17002のデータ管理部１１におけるデータ収集処理について、図９６のフローを用いて説明する。

不動産の売買データおよび賃料データを保持するインターネット上の不動産情報提供サーバ４および７からデータをダウンロードする。（ステップS17101）ダウンロードするサーバは、あらかじめ探しておいて決めておくか、あるいは、クローリングによって、インターネット上を散策し、決定するものとする。

ダウンロードする不動産の売買データの例を図８に、賃料データの例を図１５に示す。
ダウンロードした売買データおよび賃料データは、HTMLであったり、CSVなど、様々なフォーマットで取得される。そのため、各フォーマットを解析し、学習に必要な駅名、駅までの所要時間、広さ、経過築年数、売価および賃料を取り出し、学習に合わせた単位に変換する。（ステップS17102）

例えば、3万円を30000円に、1時間を60分になど単位を合わせるために変換したり、和暦の昭和60年を西暦の1985年に変換したり、あるいは、学習に不要なデータを削除する。

この変換をダウンロードした売買データおよび賃料データの全件数に対して実施する。（ステップS17103）

次に、売価および賃料の学習用データをデータ管理部１１に保存する。（ステップS17104）

図９７に、上述した図９６のステップS17104のデータ管理部１１におけるデータ保存処理のフローを示す。

まず、広さが、図７の閾値テーブルにある実需閾値（７０１）以上かを判断する。（ステップS17201）

実需閾値以上であれば、次に、経過築年数が、図７の閾値テーブルにある新築閾値（７０２）以下かを判断する。（ステップS17202）

新築閾値以下であれば、各都道府県の実需用の学習用データ（新築）として保存する。（ステップS17202）

図１０に、都道府県が東京都における売価のための実需かつ新築用の学習用データを、図１７に、都道府県が東京都における売価のための賃料のための実需かつ新築用の学習用データを、図１３に、都道府県が東京都における売価のための売価のための投資かつ新築用の学習用データを、図２０に、都道府県が東京都における売価のための賃料のための投資かつ新築用の学習用データを示す。

次に、ステップS17202において、新築閾値を超えていれば、築年数が図７の閾値テーブルにある築古閾値（７０３）以下かを判断する。（ステップS17204）

築古閾値以上であれば、各都道府県の実需用の学習用データ（築古）として保存する。（ステップS17206）

図１１に、都道府県が東京都における売価のための実需かつ築古用の学習用データを、図１４に、都道府県が東京都における売価のための投資かつ築古用の学習用データを、図１８に、都道府県が東京都における賃料のための実需かつ築古用の学習用データを、図２１に、都道府県が東京都における賃料のための投資かつ築古用の学習用データを示す。

ステップS17204において、築古閾値未満であれば、各都道府県の実需用の学習用データ（一般）として保存する。（ステップS17205）

図９に、都道府県が東京都における売価のための実需かつ一般の中古物件用の学習用データを、図１２に、都道府県が東京都における売価のための投資かつ一般の中古物件用の学習用データを、図１６に、都道府県が東京都における賃料のための実需かつ一般の中古物件用の学習用データを、図１９に、都道府県が東京都における賃料のための投資かつ一般の中古物件用の学習用データを示す。

上述した図９５のフローのステップS17003の価格調整処理について、図９８を用いて説明する。

まず、図９７のフローのステップS17203にて保存された都道府県における実需用の学習用データ（新築）により価格調整処理を実施する。（ステップS17301）

次に、図９７のステップS17205にて保存された都道府県における実需用の学習用データ（一般）により価格調整処理を実施する。（ステップS17302）

次に、図９７のステップS17206にて保存された都道府県における実需用の学習用データ（築古）により価格調整処理を実施する。（ステップS17303）

次に、図９７のステップS17208にて保存された都道府県における投資用の学習用データ（新築）により価格調整処理を実施する。（ステップS17304）

次に、図９７のステップS17210にて保存された都道府県における投資用の学習用データ（一般）により価格調整処理を実施する。（ステップS17305）

次に、図９７のステップS17211にて保存された都道府県における投資用の学習用データ（築古）により価格調整処理を実施する。（ステップS17306）

以後、すべての都道府県が終了するまで、ステップS17301〜17306を繰り返す。

図９９に、上記、図９８のフローのステップS17301〜17306で実施される各学習用データの価格調整処理のフローを示す。

まず、価格調整テーブルを生成する。（ステップS17401）

次に、生成した価格調整テーブルを使用して、学習用データの価格補正を実施する。（ステップS17402）

図１００に、上記、図９９のフローのステップS17401で実施される価格調整テーブル生成フローを示す。

まず、学習用データから市区町村単位のデータを取得する。（ステップS17501）

次に、市区町村毎に取引年別の価格平均（円）、広さ（平米）平均を算出し、そこから平均の平米（平米）単価を算出する。（ステップS17502）

次に、算出した平均の平米（平米）単価が最初の取引年のものであるかを判断する。（ステップS17503）

最初の取引年のものであれば、最初の取引年の前年比を1とする。（ステップS17505）

最初の取引年のものでなければ、市区町村毎に年毎の平均の平米（平米）単価から前年比を算出する。（ステップS17503）

ステップS17502〜S17503を、市区町村単位で学習用データに存在するすべての年に対して実施する。（ステップS17506）

そして、生成した市区町村単位の価格調整テーブルをデータ管理部に保存する。（ステップS17507）

以後、全市区町村分すべて終了するまで、ステップS17501〜S17505までを繰り返す。（ステップS17508）

例えば、図２２に示す東京都の例における、売価のための実需かつ一般の中古物件用の学習用データに使用される価格調整テーブルの品川区のレコード（３００１〜３０１４）であれば、最初の取引年が2005年であり、平均の平米（平米）単価前年比を1.000とする。（レコード３００１）その翌年の取引年の2006年の、平均の平米（平米）単価前年比は、2005年の平均の平米（平米）単価である541530.0円を2006年の平均の平米（平米）単価である564739.8円で割った1.043となる。（レコード３００２）これは、平均の平米（平米）単価が前年よりも、4.3%ほど上昇したことを意味する。以後、同様な計算を2018年まで繰り返すことで、売価のための実需かつ一般の中古物件用の学習用データに使用される価格調整テーブルの品川区のデータ（レコード３００１〜３０１４）として生成できる。

以上のようにして、都道府県別に、実需および投資別の新築用、築古用、一般の中古物件用の価格調整テーブルを生成することができる。
例えば、東京都であれば、売価の各学習用データによって、図２２〜図２７に示す価格調整テーブルが生成され、賃料の各学習用データによって図２８〜図３３の価格調整テーブルが生成される。

図１０１に、上述した図９９のフローのステップS17402で実施する価格補正処理のフローを示す。

まず、データ管理部から学習用データのレコードを1件づつ取り出す。（ステップS17601）
次に、価格調整テーブルから、データの駅の属する市区町村の価格調整テーブルのレコードを取得する。（ステップS17602）

次に、データの駅の属する市区町村の価格調整テーブルのレコードが存在するか判断する。（ステップS17603）

存在しなければ、価格調整せずに、次の学習用データのレコード処理へと移る。

存在すれば、取り出したデータの取引年と一致する価格調整テーブルのレコードまで移動する。（ステップS17604）

該当取引年のレコードが存在するか判断する。（ステップS17605）

該当レコードが存在すれば、学習用データのレコードの売価または賃料を仮の価格として初期設定する。（ステップS17606）

例えば、売価のための実需かつ一般の中古物件用の学習用データから取り出したレコードにある駅の市区町村が「品川区」であれば、図２２の価格調整テーブルの品川区のデータ（レコード３００１〜３０１４）を取得し、その取引年が2010年であれば、図２２の価格調整テーブルのレコード３００６まで移動する。そして、売価3000万円であれば、それを仮の価格とし、賃料5万円であれば、それを仮の価格とする。

次に、価格調整テーブルにおける該当市区町村の次のレコードを取得する。（ステップS17607）

次に該当レコードが存在するかを判断する。（ステップS17608）

存在すれば、平均平米単価前年比を取得する。（ステップS17609）

次に、計算式「仮の価格×平均平米単価前年比」によって、仮の価格を更新する。（ステップS17610）

以後、価格調整テーブルの残りの全レコードが終了するまで、ステップS17607〜S17610まで繰り返す。

また、ステップS17605で、該当取引年のレコードが存在しなければ、次の学習用データのレコードを取得し、ステップS17601〜S17611までを、すべての学習用データ分、繰り返す。（ステップS17612）

また、ステップS17608で、該当市区町村の次のレコードが存在しなければ、仮の価格を、学習用データのレコードの売価または賃料の補正価格に設定する。（ステップS17611）

その後、次の学習用データのレコードを取得し、ステップS17601〜S17611までを、すべての学習用データ分、繰り返す。（ステップS17612）

例えば、図９の売価のための実需かつ一般の中古物件用の学習用データのレコード１１０１である品川区の大井町駅にあるマンションＡの場合、価格（円）が56000000、取引年が2009年となっている。

一方、図２２の売価のための実需かつ一般の中古物件用の学習用データに使用される価格調整テーブルの品川区のデータを見てみると、取引年の2009年のレコード３００５が存在し、以後、2010年から2018年までのレコード３００６〜３０１４が存在する。

まず、2010年の前年比は1.309なので、73304000＝56000000×1.309を仮の価格とする。次に、2011年の前年比は0.845なので、61,941,880＝73304000×0.845を仮の価格として更新する。また次に、2012年の前年比は0.978なので、60,579,158＝61,941,880×0.978を仮の価格として更新する。以後、レコード３０１４のある2018年まで繰り返し、最終的に62977352.02を学習用データのレコード１１０１の補正価格として設定する。

そして、この価格補正処理によって算出される補正価格が、学習用データの図１６〜図２１の補正価格の列に反映される。

この価格補正によって、過去の売価および賃料に対し、年単位で現在までの平均平米単価の変動を反映させることで、売買データおよび賃料データが過去のものであっても、現在価格に近似して補正することができ、以後、この学習用データによって学習することにより、現在の売価を知ることが可能となる。

なお、本実施例では、駅の売価あるいは賃料の変動傾向がわかるものとして価格調整テーブルを、市区町村単位で生成するものとしたが、都道府県単位、路線単位、路線市区町村単位、駅単位で生成するものであっても構わない。

ここまでの処理によって、不動産の売買データ、賃料データから、都道府県毎に、売価かつ実需の新築・築古・一般、売価かつ投資の新築・築古・一般、賃料かつ実需の新築・築古・一般、賃料かつ投資の新築・築古・一般の合計１２個の学習用データに変換する。

例えば、不動産の売買データ（図８）、賃料データ（図１５）から、変換された１２個の東京都の学習用データを図９〜図１４、図１６〜２６に示す。

以後、このような都道府県毎に１２個の学習用データを使って、学習を実施する。

図１０２に、学習フローを示す。ここで述べる階層別重回帰分析学習とは、各種学習用データを使って重回帰分析を実施し、図５のモデル構造に従いモデルを生成することを意味する。

まず、都道府県単位の学習用データ一式である前述した１２個の学習用データを取得する。（ステップS17701）

次に、売価かつ実需の新築の学習用データで階層別重回帰分析学習を実施する。（ステップS17702）その結果、図５の５１１６の各重回帰係数テーブル一式が生成される。

次に、売価かつ実需の築古の学習用データで階層別重回帰分析学習を実施する。（ステップS17703）その結果、図５の５１１７の各重回帰係数テーブル一式が生成される。

次に、売価かつ実需の一般の学習用データで階層別重回帰分析学習を実施する。（ステップS17704）その結果、図５の５１１５の各重回帰係数テーブル一式が生成される。

次に、売価かつ投資の新築の学習用データで階層別重回帰分析学習を実施する。（ステップS17705）その結果、図５の５１２６の各重回帰係数テーブル一式が生成される。

次に、売価かつ投資の築古の学習用データで階層別重回帰分析学習を実施する。（ステップS17706）その結果、図５の５１２７の各重回帰係数テーブル一式が生成される。

次に、売価かつ投資の一般の学習用データで階層別重回帰分析学習を実施する。（ステップS17707）その結果、図５の５１２５の各重回帰係数テーブル一式が生成される。

次に、賃料かつ実需の新築の学習用データで階層別重回帰分析学習を実施する。（ステップS17708）その結果、図５の５１３６の各重回帰係数テーブル一式が生成される。

次に、賃料かつ実需の築古の学習用データで階層別重回帰分析学習を実施する。（ステップS17709）その結果、図５の５１３７の各重回帰係数テーブル一式が生成される。

次に、賃料かつ実需の一般の学習用データで階層別重回帰分析学習を実施する。（ステップS17710）その結果、図５の５１３５の各重回帰係数テーブル一式が生成される。

次に、賃料かつ投資の新築の学習用データで階層別重回帰分析学習を実施する。（ステップS17711）その結果、図５の５１４６の各重回帰係数テーブル一式が生成される。

次に、賃料かつ投資の築古の学習用データで階層別重回帰分析学習を実施する。（ステップS17712）その結果、図５の５１４７の各重回帰係数テーブル一式が生成される。

次に、賃料かつ投資の一般の学習用データで階層別重回帰分析学習を実施する。（ステップS17713）その結果、図５の５１４５の各重回帰係数テーブル一式が生成される。

全都道府県分、すべて終了するまで、ステップS17701〜S17713を繰り返す。（ステップS17714）

図１０３に、図１０２のフローのステップS17702〜S17713で実施される階層別重回帰分析学習の詳細フローを示す。

まず、学習用データから都道府県のデータを取得し（ステップS17801）、都道府県単位の重回帰分析学習を実施し（ステップS17802）、生成した重回帰係数レコードを、モデルストア（図５）の該当階層下に都道府県単位重回帰係数テーブルへと保存する。（ステップS17803）

次に、学習用データから市区町村のデータを取得し（ステップS17804）、市区町村単位の重回帰分析学習を実施し（S17805）、生成した重回帰係数レコードをモデルストアの該当階層下の市区町村単位重回帰係数テーブルに保存する。（ステップS17806）
S17804〜S17806を全市区町村分、繰り返す。（ステップS17807）

上記、全市町村分、すべて終了すれば、学習用データから駅が存在する路線のデータを取得し（ステップS17808）、路線単位の重回帰分析学習を実施し（ステップS17809）、生成した重回帰係数レコードをモデルストア（図５）の該当階層下の路線単位重回帰係数テーブルに保存する。（ステップS17810）

以後、ステップS17808〜S17810を全路線分、繰り返す。（ステップS17811）

上記、全路線分、すべて終了すれば、学習用データから同じ路線の駅で同じ市区町村のデータを取得し（ステップS17812）、路線内市区町村単位の重回帰分析学習を実施し（ステップS17813）、生成した生成した重回帰係数レコードをモデルストア（図５）の該当階層下の路線市区町村単位重回帰係数テーブルに保存する。（ステップS17814）

次に、ステップS17812〜S17814を全市区町村分、繰り返し（ステップS17815）、さらに、ステップS17812〜S17815を全路線分、繰り返す。（ステップS17816）

上記、全路線分終了すれば、学習用データから同じ駅のデータを取得し（ステップS17817）、
駅単位の重回帰分析学習を実施し（ステップS17818）、生成した生成した重回帰係数レコードをモデルストア（図５）の該当階層下の駅単位重回帰係数テーブルに保存する。（ステップS17819）

次に、駅単位重回帰係数テーブルが生成されているかを判断する。（ステップS17820）

生成されていなければ、隣接駅単位重回帰分析学習を実施する。（ステップS17821）

次に、ステップS17817〜S17821を全駅分、すべて繰り返す。（ステップS17822）

図１０４に、図１０３のフローのステップS17821の隣接駅単位重回帰分析学習のフローを示す。

まず、学習用データのレコードにある駅で、図１５の路線駅テーブルを検索し、路線と駅番号を取得する。（ステップS17901）この場合、複数の駅がヒットすることもある。例えば、東京都の品川駅であれば、図３４のレコード４５１７の京浜東北線、レコード４５３１の山手線がヒットする。

次に、取得した駅番号に−１をした駅番号で路線駅テーブルを検索し、前の駅を取得する。（ステップS17902）例えば、図３４のレコード４５１７の京浜東北線の品川駅であれば、駅番号が１８であるので、−１すれば１７となり、それが前の駅の駅番号となり、レコード４５１６の田町駅が取得できる。

次に、取得した駅番号に＋１をした駅番号で路線駅テーブルを検索し、次の駅を取得する。（ステップS17903）例えば、図３４のレコード４５１７の京浜東北線の品川駅であれば、駅番号が１８であるので、＋１すれば、１９となり、それが次の駅の駅番号となり、レコード４５１８の大井町駅が取得できる。

このステップS17902とステップS17903で取得した駅が隣接駅であり、上記の例の場合、田町駅と大井町駅が、京浜東北線の品川駅の隣接駅となる。

ステップS17902〜S17903をステップS17901でヒットした全路線分、実施し（ステップS17904）、すべての隣接駅を取得する。例えば、最終的に、東京都の品川駅であれば、京浜東北線の田町駅と大井町駅、山手線の田町駅と大崎駅が隣接駅となり、重複を除いて、田町駅、大井町駅、大崎駅が隣接駅となる。

次に、学習用データから該当駅、および、隣接駅のデータを取得する。（ステップS17905）
例えば、上記の例で、東京都の品川駅であれば、品川駅のデータと、隣接駅の田町駅、大井町駅、大崎駅のデータをすべて取得する。

次に、これらのデータを使って、駅単位の重回帰分析学習を実施し（ステップS17906）、生成した生成した重回帰係数レコードをモデルストア（図５）の該当階層下の駅単位重回帰係数テーブルに保存する。（ステップS17907）

図１０５に、図１０３のフローのステップS17802、ステップS17805、ステップS17809、ステップS17813、ステップS17818、および、図１０４のフローのステップS17806での、重回帰分析学習のフローを示す。

まず、学習用データが新築または築古ものかを判断する。（ステップS18001）

新築または築古のデータであれば、データ数が図７の閾値テーブルにあるデータ数閾値
（新築または築古）（７０５）以上であるかを判断する。（ステップS18005）

次に、所要時間、広さの２つを説明変数として重回帰分析を実施し、係数、切片を取得する。（ステップS18006）

そして、取得した所要時間、広さの２つの係数、および、切片を重回帰分析係数レコードとして生成する。（ステップS18006）これは、経過築年数と売価および賃料との相関が薄いため、経過築年数を説明変数に含める必要はなく、所要時間、広さの２つの説明変数だけで良いためである。

ステップS18001で、データが新築または築古以外の一般用の中古住宅のものであれば、
所要時間、広さ、経過築年数の３つを説明変数として重回帰分析を実施し、係数、切片を取得する。（ステップS18003）

そして、取得した所要時間、広さ、経過築年数の３つの係数、および、切片を重回帰分析係数レコードとして生成する。（ステップS18004）

ところで、ここで述べている重回帰分析とは、一般的なものであり、以下のような一次方程式の係数と切片を、データを使って近似的に推定するものである。

Y=A×Ｘ１+Ｂ×Ｘ２+Ｃ×Ｘ３+Ｄ

Ｙ：目的変数
Ｘ１、Ｘ２、Ｘ３：説明変数
Ａ，Ｂ、Ｃ：係数
Ｄ：切片

本発明の実施例の場合、次のように対応する。

Ｙ：価格または賃料
Ｘ１：所要時間（分）
Ｘ２：広さ（平米）
Ｘ３：経過築年数
Ａ：所要時間（分）係数
Ｂ：広さ（平米）係数
Ｃ：経過築年数係数
Ｄ：切片

これら係数と切片を各種重回帰分析係数テーブルに管理しておけば、いつでも上記の一次方程式を形成でき、所要時間、広さ、経過築年数を説明変数としてあたえることで、所望する目的変数である売価または賃料を得られる。

以上、ここまでの処理によって、不動産の売買データ、賃料データから、都道府県毎に、売価かつ実需の新築・築古・一般、売価かつ投資の新築・築古・一般、賃料かつ実需の新築・築古・一般、賃料かつ投資の新築・築古・一般の合計１２個の学習用データ（図９〜１６、図１６〜２６）に変換された都道府県毎の学習データを使って学習した結果、モデル管理部１３が管理する図５のモデルストア内に、図３５〜図８４に示すような東京都の例における各種重回帰係数テーブルを生成することができる。

この仕組みによって、本発明の不動産価格分析装置は、駅単位重回帰係数テーブルを生成することで、駅単位の売価および賃料のモデルを生成できる。

また、学習用データが少ない駅であっても、隣接する駅も含めた学習用データを使って学習し、駅単位重回帰係数テーブルを生成することで、駅単位の売価および賃料のモデルを生成できる。

隣接する駅も含めても、学習用データが少ない駅であっても、路線市区町村単位重回帰係数テーブルを生成することで、代わりとなる各路線の市区町村毎のモデルを生成でき、

各路線の市区町村毎の学習用データが少ない駅であっても、市区町村単位重回帰係数テーブルを生成することで、代わりとなる市区町村毎のモデルを生成でき、

市区町村毎の学習用データが少ない駅であっても、路線単位重回帰係数テーブルを生成することで、代わりとなる路線毎のモデルを生成でき、

路線毎の学習用データが少ない駅であっても、都道府県単位重回帰係数テーブルを生成することで、代わりとなる都道府県毎のモデルを生成できる。

また、実需および投資別の新築用、築古用、一般の中古物件用の駅単位重回帰係数テーブル、路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブルを生成することで、価格特性の異なる実需および投資別の新築用、築古用、一般の中古物件用のモデルを生成することで学習の精度をあげることができる。

さらに、売買データではなく、賃料データを学習に行うことで、同様に賃料のモデルも生成できる。

以後、生成された図５のモデルストアの各種重回帰係数テーブルを使って、不動産価格および賃料、表面キャップレートを算出する手順を示す。

図１０６に、不動産価格分析装置１の予測部１４での結果分析動作のフローを示す。

まず、図３のような情報端末３の画面から入力された都道府県名、駅名、所要時間、広さ、経過築年数の入力パラメータを取得する。（ステップS19001）

次に、モデル管理部のモデルストアを指定された都道府県名の売価以下に切り替える。（ステップS19002）例えば、指定された都道府県が東京都であれば、図５のモデルストアの東京都ノード（５１００）/売価ノード（５１１０）以下に切り替える。

次に、売価の重回帰分析モデル処理により、不動産価格を算出する。（ステップS19003）
算出不可エラーかを判断する。（ステップS19004）

その際、算出不可エラーであれば、売価を０に設定する。（ステップS19005）

次に、モデル管理部のモデルストアを指定された都道府県名の賃料以下に切り替える。（ステップS19006）例えば、指定された都道府県が東京都であれば、図５のモデルストアの東京都ノード（５１００）/賃料ノード（５１３０）以下に切り替える。

次に、賃料の重回帰分析モデル処理により、賃料を算出する。（ステップS19007）
算出不可エラーかを判断する。（ステップS19008）

その際、算出不可エラーであれば、賃料を０に設定する。（ステップS19009）

次に、売価または賃料が０でないかを判断する。（ステップS19010）

両方とも０でない場合、（（賃料×１２か月） ÷ 売価 ）×１００の計算式で、表面利回りを算出する。（S19011）

いずれかが０である場合、表面利回りを０とする。（ステップS19012）

最後に、算出した売価、賃料、表面利回りを返す（ステップS19013）。その結果、図４に示すように情報端末３の画面にて表示される。

図１０７に、図１０６のステップS19003およびステップS19007の重回帰分析モデル処理のフローを示す。

まず、入力された都道府県名、駅名、所要時間、広さ、経過築年数の入力パラメータによって、該当条件の駅単位重回帰係数テーブル、路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブルが存在するモデル管理部のモデルストアに切り替える。（ステップS20001）

図１０８に、図１０７のステップS20001におけるモデルストア（図５）の切り替え処理のフローを示す。

指定された広さが閾値テーブル（図７）の実需閾値（７０１）以上かを判断する。（ステップS20101）

実需閾値以上であれば、モデル管理部のモデルストアを実需用以下に切り替える。（ステップS20102）例えば、東京都ノード（５１００）/売価ノード（５１１０）/実需ノード（５１１１）以下、あるいは、東京都ノード（５１００）/賃料ノード（５１３０）/実需ノード（５１３１）以下に切り替える。

次に、指定された経過築年数が閾値テーブル（図７）の新築閾値（７０２）以下かを判断する。（ステップS20103）

新築閾値以下であれば、モデル管理部のモデルストアを新築以下に切り替える。（ステップS20107）例えば、東京都ノード（５１００）/売価ノード（５１１０）/実需ノード（５１１１）/新築ノード（５１１３）以下、あるいは、東京都ノード（５１００）/賃料ノード（５１３０）/実需ノード（５１３１）/新築ノード（５１３３）以下に切り替える。

新築閾値を超えるものであれば、指定された経過築年数が閾値テーブル（図７）の築古閾値（７０３）以上かを判断する。（ステップS20103）

築古閾値以上であれば、モデル管理部のモデルストアを築古以下に切り替える。（ステップS20108）例えば、東京都ノード（５１００）/売価ノード（５１１０）/実需ノード（５１１１）/築古ノード（５１１４）以下、あるいは、東京都ノード（５１００）/賃料ノード（５１３０）/実需ノード（５１３１）/古ノード（５１３４）以下に切り替える。

築古閾値未満であれば、モデル管理部のモデルストアを一般以下に切り替える。（ステップS20105）例えば、東京都ノード（５１００）/売価ノード（５１１０）/実需ノード（５１１１）/一般ノード（５１１２）以下、あるいは、東京都ノード（５１００）/賃料ノード（５１３０）/実需ノード（５１３１）/一般ノード（５１３２）以下に切り替える。

ステップS20101において、指定された広さが閾値テーブル（図７）の実需閾値（７０１）未満であれば、モデル管理部のモデルストアを投資用以下に切り替える。（ステップS20106）

以後、上記と同様にステップS20103〜S20108を実施する。

その結果、例えば、東京都ノード（５１００）/売価ノード（５１１０）/投資ノード（５１２１）/新築ノード（５１２３）以下、あるいは、東京都ノード（５１００）/賃料ノード（５１３０）/投資ノード（５１３１）/新築ノード（５１４３）以下に切り替える。

東京都ノード（５１００）/売価ノード（５１１０）/投資ノード（５１２１）/築古ノード（５１２４）以下、あるいは、東京都ノード（５１００）/賃料ノード（５１３０）/投資ノード（５１３１）/築古ノード（５１４４）以下に切り替える。

東京都ノード（５１００）/売価ノード（５１１０）/投資ノード（５１２１）/一般ノード（５１２２）以下、あるいは、東京都ノード（５１００）/賃料ノード（５１３０）/投資ノード（５１３１）/一般ノード（５１４２）以下に切り替える。

次に、駅名で駅単位重回帰係数テーブルを検索する。（ステップS20002）

次に、レコードが存在するかを判断する。（ステップS20003）

レコードが存在すれば、そのレコードの所要時間、広さ、経過築年数を変数とし、取得した係数によって、以下のような計算式を生成する。（ステップS20013）

Y=A×Ｘ１+Ｂ×Ｘ２+Ｃ×Ｘ３+Ｄ

Ａ：所要時間（分）係数
Ｂ：広さ（平米）係数
Ｃ：経過築年数係数
Ｄ：切片

所要時間、広さ、経過築年数を変数とし、上記の計算式にて、Yの価格または賃料を算出する。（ステップS20014）

Ｘ１：所要時間（分）
Ｘ２：広さ（平米）
Ｘ３：経過築年数

例えば、図５のモデルストアの東京都ノード（５１００）/売価ノード（５１１０）/実需ノード（５１１１）/一般ノード（５１１２）以下にある５１１５の駅単位重回帰係数テーブルの例として、図３５の駅単位重回帰係数テーブルを、駅名として、大井町駅で検索する。

その結果、図３５のレコード５００１がヒットし、所要時間係数であるＡ＝-1350972.08354583、広さ係数であるＢ＝1051452.44300308、経過築年数係数であるＣ＝-1043594.96680969、切片であるＤ＝17189768.3009935を取得できる。

この係数を前述した一次方程式に当てはめ、以下のような計算式を得る。

Y=（-1350972.08354583）×Ｘ１+1051452.44300308×Ｘ２+（-1043594.96680969）×Ｘ３+17189768.3009935

この計算式に、図３に示すＸ１：所要時間（分）＝５、Ｘ２：広さ（平米）＝６０、Ｘ３：経過築年数＝１０の説明変数を指定し、計算すると、目的変数の売価であるY：58013166.006485を算出できる。

ステップS20003で、駅名に対応するレコードが存在しなければ、路線駅テーブル（図３４）を駅で検索し、指定された駅の路線と市区町村を取得する。（ステップS20004）

取得した指定された駅の路線と市区町村で路線市区町村単位重回帰係数テーブルを検索する。（ステップS20005）

次に、レコードが存在するかを判断する。（ステップS20006）

レコードが存在すれば、そのレコードの所要時間、広さ、経過築年数を変数とし、取得した係数によって、上記のような計算式を生成する。（ステップS20013）

所要時間、広さ、経過築年数を変数とし、上記の計算式にて、Yの価格または賃料を算出する。（ステップS20014）

ステップS20006で、レコードが存在しなければ、指定された駅の市区町村で市区町村単位重回帰係数テーブルを検索する。（ステップS20007）

次に、レコードが存在するかを判断する。（ステップS20008）

レコードが存在すれば、そのレコードの所要時間、広さ、経過築年数を変数とし、取得した係数によって、上記のような計算式を生成する。（ステップS20013）

所要時間、広さ、経過築年数を変数とし、上記の計算式にて、Yの価格または賃料を算出する。（ステップS20014）

ステップS20008で、レコードが存在しなければ、指定された駅の路線で路線単位重回帰係数テーブルを検索する。（ステップS20009）

次に、レコードが存在するかを判断する。（ステップS20010）

レコードが存在すれば、そのレコードの所要時間、広さ、経過築年数を変数とし、取得した係数によって、上記のような計算式を生成する。（ステップS20013）

所要時間、広さ、経過築年数を変数とし、上記の計算式にて、Yの価格または賃料を算出する。（ステップS20014）

ステップS20010で、レコードが存在しなければ、指定された都道府県の都道府県単位重回帰係数テーブルを検索する。（ステップS20011）

次に、レコードが存在するかを判断する。（ステップS20012）

レコードが存在すれば、そのレコードの所要時間、広さ、経過築年数を変数とし、取得した係数によって、上記のような計算式を生成する。（ステップS20013）

所要時間、広さ、経過築年数を変数とし、上記の計算式にて、Yの価格または賃料を算出する。（ステップS20014）

ステップS20012で、レコードが存在しなければ、算出不可エラーとする。（ステップS20015）

これによって、駅単位にモデルである駅単位重回帰係数テーブルによって、任意に指定された駅、所要時間、広さ、経過築年数によって売価または賃料を知ることができる。

さらに、駅単位にモデルである駅単位重回帰係数テーブルが存在しなくても、
代わりとなる各路線の市区町村毎のモデルである路線市区町村単位重回帰係数テーブルによって、任意に指定された駅、所要時間、広さ、経過築年数によって、近しい売価または賃料を知ることができる。

さらに、各路線の市区町村毎のモデルである路線市区町村単位重回帰係数テーブルが存在しなくても、代わりとなる市区町村毎のモデルである市区町村単位重回帰係数テーブルによって、任意に指定された駅、所要時間、広さ、経過築年数によって、近しい売価または賃料を知ることができる。

さらに、市区町村毎のモデルである市区町村単位重回帰係数テーブルが存在しなくても
代わりとなる路線毎のモデルである路線単位重回帰係数テーブルによって、任意に指定された駅、所要時間、広さ、経過築年数によって、近しい売価または賃料を知ることができる。

さらに、路線毎のモデルである路線単位重回帰係数テーブルが存在しなくても代わりとなる都道府県毎のモデルである都道府県単位重回帰係数テーブルによって、任意に指定された駅、所要時間、広さ、経過築年数によって、近しい売価または賃料を知ることができる。

また、任意に指定された駅、所要時間、広さ、経過築年数するだけで、実需および投資別の新築用、築古用、一般の中古物件用のモデルとして、各々の駅単位重回帰係数テーブル、
路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブルを自動的に切り替え、実需および投資別の新築用、築古用、一般の中古物件用かどうかを意識することなく、所望の物件に適した売価または賃料を知ることができる。

さらに、任意に指定された駅、所要時間、広さ、経過築年数によって、売価と賃料を同時に知ることができ、売価と賃料から表面利回りを算出することで、指定した駅と他の駅と比較した市況の高低を容易に判断できる。

以上、本発明者によってなされた発明を好適な実施例に基づき具体的に説明したが、本
発明は上記実施例で説明したものに限定されるものではなく、その要旨を逸脱しない範囲
で種々変更可能であることはいうまでもない。

１ 不動産価格分析装置
２ ネットワーク
３ 情報端末
４ 不動産情報提供サーバ
５ 売買データ（現在データ）
６ 賃料データ（現在データ）
７ 不動産情報提供サーバ
８ 売買データ（過去データ）
９ 賃料データ（過去データ）
１１ データ管理部
１２ 学習部
１３ モデル管理部
１４ 予測部
５１００ 東京都ノード
５１１０ 売価ノード
５１１１ 実需ノード
５１１２ 一般の中古不動産である一般ノード
５１１３ 新築ノード
５１１４ 築古ノード
５１１５、５１１６、５１１７ 駅単位重回帰係数テーブル、路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブル
５１２１ 投資ノード
５１２２ 一般の中古不動産である一般ノード
５１２３ 新築ノード
５１２４ 築古ノード
５１２５、５１２６、５１２７ 駅単位重回帰係数テーブル、路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブル
５１３０ 賃料ノード
５１３１ 実需ノード
５１３２ 一般の中古不動産である一般ノード
５１３３ 新築ノード
５１３４ 築古ノード
５１３５、５１３６、５１３７ 駅単位重回帰係数テーブル、路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブル
５１４１ 投資ノード
５１４１ 実需ノード
５１４２ 一般の中古不動産である一般ノード
５１４３ 新築ノード
５１４４ 築古ノード
５１４５、５１４６、５１４７ 駅単位重回帰係数テーブル、路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブル
５２００ 神奈川県ノード
５３００ 千葉県ノード
６０１ CPU
６０２ RAM
６０３ ROM
６０４ 不揮発メモリ
６０５ 通信インターフェイス（Ｉ／Ｆ）
６０６ 入出力インターフェイス（Ｉ／Ｆ）
６０７ メディアインターフェイス（Ｉ／Ｆ）
６０８ HDD
６０９ 光学記録媒体、磁気記録媒体、または半導体メモリ等
７０１ 実需閾値
７０２ 新築閾値
７０３ 築古閾値
７０４ データ数閾値（一般）
７０５ データ数閾値（新築または築古）
１１０１ 東京都における売価の学習用データ（実需：一般）のレコード
３００１〜３０１４ 東京都：売価の価格調整テーブル（実需：一般）の品川区のレコード
４５０１〜４５２０、４５２５〜４５２７、４５３０〜４５３２ 東京都：路線駅テーブルのレコード

Claims (22)

1. 不動産の売買データを蓄積するデータ管理部と、
   各駅の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、駅毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成する学習部と、
   生成した駅毎の所要時間、広さ、経過築年数の係数および切片を駅単位重回帰係数テーブルに管理するモデル管理部と
   を備える不動産価格分析装置
2. 前記モデル管理部で管理された駅毎の駅単位重回帰係数テーブルに設定された任意に指定された駅と一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測する予測部と
   を備える不動産価格分析装置
3. 前記学習部は、駅の学習用データの数が閾値未満の場合、隣接する駅も含めて学習用データを抽出し、閾値以上の学習用データの数が集まった場合、駅毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を駅毎に生成すること
   を特徴とする不動産価格分析装置
4. 前記学習部は、各路線の同市区町村の学習用データを抽出し、閾値以上の学習用データの数が集まった場合、各路線の市区町村毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を、各路線の市区町村毎に生成し、
   前記モデル管理部は、生成した各路線の市区町村毎の所要時間、広さ、経過築年数の係数および切片を路線市区町村単位重回帰係数テーブルに管理すること
   を特徴とする不動産価格分析装置
5. 前記予測部は、前期モデル管理部に任意に指定された駅に該当する駅単位重回帰係数テーブルが存在しない場合、前記モデル管理部で管理された路線市区町村単位重回帰係数テーブルに設定された、任意に指定された駅の路線および市区町村に一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測すること
   を特徴とする不動産価格分析装置
6. 前記学習部は、市区町村毎の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、市区町村毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成することを特徴とし、
   前期モデル管理部は、生成した市区町村毎の所要時間、広さ、経過築年数の係数および切片を市区町村単位重回帰係数テーブルに管理すること
   を特徴とする不動産価格分析装置
7. 前記予測部は、前期モデル管理部に任意に指定された駅に該当する駅単位重回帰係数テーブル、および、任意に指定された駅の路線および市区町村に一致する路線市区町村単位重回帰係数テーブルが存在しない場合、
   前記モデル管理部で管理された市区町村単位重回帰係数テーブルに設定された、任意に指定された駅の市区町村と一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測すること
   を特徴とする不動産価格分析装置
8. 前記学習部は、路線毎の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、路線毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成することを特徴とし、
   前期モデル管理部は、生成した路線毎の所要時間、広さ、経過築年数の係数および切片を
   路線単位重回帰係数テーブルに管理すること
   を特徴とする不動産価格分析装置
9. 前記予測部は、前期モデル管理部に任意に指定された駅に該当する駅単位重回帰係数テーブル、および、任意に指定された駅の路線および市区町村に一致する路線市区町村単位重回帰係数テーブル、および、任意に指定された駅の市区町村に一致する市区町村単位重回帰係数テーブルが存在しない場合、
   前記モデル管理部で管理された路線単位重回帰係数テーブルに設定された、任意に指定された駅の路線に一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測すること
   を特徴とする不動産価格分析装置
10. 前記学習部は、都道府県毎の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、都道府県毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成することを特徴とし、
    前期モデル管理部は、生成した都道府県毎の所要時間、広さ、経過築年数の係数および切片を都道府県単位重回帰係数テーブルに管理すること
    を特徴とする不動産価格分析装置
11. 前記予測部は、前期モデル管理部に任意に指定された駅に該当する駅単位重回帰係数テーブル、および、任意に指定された駅の路線および市区町村に一致する路線市区町村単位重回帰係数テーブル、および、任意に指定された駅の市区町村に一致する市区町村単位重回帰係数テーブル、および、任意に指定された駅の路線に一致する路線単位重回帰係数テーブルが存在しない場合、
    前記モデル管理部で管理された都道府県単位重回帰係数テーブルに設定された、任意に指定された駅の都道府県に一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測すること
    を特徴とする不動産価格分析装置
12. 前記予測部は、前期モデル管理部に任意に指定された駅に該当する駅単位重回帰係数テーブル、および、任意に指定された駅の路線および市区町村に一致する路線市区町村単位重回帰係数テーブル、および、任意に指定された駅の市区町村に一致する市区町村単位重回帰係数テーブル、および、任意に指定された駅の路線に一致する路線単位重回帰係数テーブル、
    および、任意に指定された駅の都道府県に一致する路線単位重回帰係数テーブルが存在しない場合、
    任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測ができないものとし、予測不可とすること
    を特徴とする不動産価格分析装置
13. 前記データ管理部は、都道府県別に、売価の学習用データを、あらかじめ設定してある広さの閾値以上であれば実需向け、広さの閾値未満であれば投資向けと判断し、さらに、その後、あらかじめ設定してある経過築年数の新築閾値以下であれば、新築用とし、築古閾値以上であれば築古用とし、それ以外であれば一般の中古物件用として分けることを特徴とし、
    前期学習部は、データ収集部によって分けられた都道府県別、実需および投資別の新築用、築古用、一般の中古物件用の学習用データによって、駅単位重回帰係数テーブル、
    路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブルを別々に生成することを特徴とし、
    前期モデル管理部は、生成された各テーブルを都道府県別に、実需および投資別の新築用、築古用、一般の中古物件用に分けて管理すること
    を特徴とする不動産価格分析装置
14. 前記予測部は、任意に指定された広さによって、前記広さの閾値以上であれば実需向け、広さの閾値未満であれば投資向けと判断し、さらに、その後、任意に指定された経過築年数によって、前記経過築年数の新築閾値以下であれば新築、築古閾値以上であれば築古、それ以外であれば一般の中古物件として判断し、
    それに一致した前記モデル管理部で管理された都道府県別、実需および投資別の新築用、築古用、一般の中古物件用の駅単位重回帰係数テーブル、路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブルを選択し、
    所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、
    任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測すること
    を特徴とする不動産価格分析装置
15. 前期学習部は、新築または築古用の学習データを使って学習する場合は、説明変数を所要時間、広さのみとし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さのみの係数および切片を生成することを特徴とし、
    前記予測部は、任意に指定された経過築年数によって、新築または築古であると判断された場合、所要時間、広さのみの係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測すること
    を特徴とする前記請求項１４記載の不動産価格分析装置
16. 前期データ収集部は、都道府県別、実需および投資別の新築用、築古用、一般の中古物件用の学習用データを都道府県単位、あるいは、市区町村単位、あるいは、路線単位、あるいは、路線市区町村単位、あるいは、駅単位で学習用データに存在する取引年別の売価の平米単価を集計することで、取引年別の平米単価の前年比を算出した価格調整テーブルを生成し、1件毎の各学習用データの取引年と一致する価格調整テーブルの該当取引年から以後のすべての前年比を売価に乗ずることで、学習用データの過去の売価を現在の価格として補正すること
    を特徴とする不動産価格分析装置
17. 前記データ管理部は、賃料データを管理し、前記学習部で学習し、
    前記モデル管理部で管理し、前記予測部によって、任意に指定された駅、所要時間、広さ、経過築年数によって賃料を予測すること
    を特徴とする不動産価格分析装置
18. 前記予測部は、売価と賃料を同時に予測し、表面利回り（＝年間の賃料÷売価）を算出すること
    を特徴とした請求項１７記載の不動産価格分析装置
19. 前記不動産価格分析装置と、前記不動産価格分析装置の前記データ管理部がアクセスする現在の売買データおよび賃料データを保持する不動産情報提供サーバ、
    前記不動産価格分析装置の前記データ管理部がアクセスする過去の売買データおよび賃料データを保持する不動産情報提供サーバ、
    前記不動産価格分析装置の前記データ管理部がアクセスする現在および過去の売買データおよび賃料データを保持する不動産情報提供サーバ、
    前記不動産価格分析装置の前記予測部にアクセスし、利用者が任意に指定した駅、所要時間、広さ、経過築年数によって、売価、賃料、表面利回りを取得する情報端末、
    これらを繋ぎ、通信するためのネットワークと
    を備える不動産価格分析システム
20. 不動産価格分析装置が実行する不動産価格分析モデル方法であって、各駅の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、駅毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、
    所要時間、広さ、経過築年数の係数および切片を生成し、生成した駅毎の所要時間、広さ、経過築年数の係数および切片を駅単位重回帰係数テーブルに管理する工程と、
    駅の学習用データの数が閾値未満の場合、隣接する駅も含めて学習用データを抽出し、
    閾値以上の学習用データの数が集まった場合、駅毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を、駅毎に生成し、生成した駅毎の所要時間、広さ、経過築年数の係数および切片を駅単位重回帰係数テーブルに管理する工程と、
    各路線の同市区町村の学習用データを抽出し、閾値以上の学習用データの数が集まった場合、各路線の市区町村毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を、各路線の市区町村毎に生成し、生成した各路線の市区町村毎の所要時間、広さ、経過築年数の係数および切片を路線市区町村単位重回帰係数テーブルに管理する工程と、
    市区町村毎の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、市区町村毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、
    重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成し、
    生成した市区町村毎の所要時間、広さ、経過築年数の係数および切片を市区町村単位重回帰係数テーブルに管理する工程と、
    路線毎の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、路線毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、
    重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成し、
    生成した路線毎の所要時間、広さ、経過築年数の係数および切片を路線単位重回帰係数テーブルに管理する工程と、
    都道府県毎の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、都道府県毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成し、
    生成した都道府県毎の所要時間、広さ、経過築年数の係数および切片を都道府県単位重回帰係数テーブルに管理する工程と、
    売価の学習用データを、あらかじめ設定してある広さの閾値以上であれば実需向け、広さの閾値未満であれば投資向けと判断し、さらに、その後、あらかじめ設定してある経過築年数の新築閾値以下であれば、新築用とし、築古閾値以上であれば築古用とし、それ以外であれば一般の中古物件用として分け、データ収集部によって分けられた都道府県別、実需および投資別の新築用、築古用、一般の中古物件用の学習用データによって駅単位重回帰係数テーブル、路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブル、を生成し、その際、新築または築古用の学習データを使って学習する場合は、説明変数を所要時間、広さのみとし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さのみの係数および切片を生成する工程と、
    各テーブルを都道府県別に、実需および投資別の新築用、築古用、一般の中古物件用に分けて管理する工程と、
    を含むことを特徴とする不動産価格分析モデル生成方法
21. コンピュータに、
    不動産価格分析装置が実行する不動産価格分析モデル方法であって、各駅の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、駅毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、
    所要時間、広さ、経過築年数の係数および切片を生成し、生成した駅毎の所要時間、広さ、経過築年数の係数および切片を駅単位重回帰係数テーブルに管理する手順と、
    駅の学習用データの数が閾値未満の場合、隣接する駅も含めて学習用データを抽出し、
    閾値以上の学習用データの数が集まった場合、駅毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を、駅毎に生成し、生成した駅毎の所要時間、広さ、経過築年数の係数および切片を駅単位重回帰係数テーブルに管理する手順と、
    各路線の同市区町村の学習用データを抽出し、閾値以上の学習用データの数が集まった場合、各路線の市区町村毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を、各路線の市区町村毎に生成し、生成した各路線の市区町村毎の所要時間、広さ、経過築年数の係数および切片を路線市区町村単位重回帰係数テーブルに管理する手順と、
    市区町村毎の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、市区町村毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、
    重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成し、
    生成した市区町村毎の所要時間、広さ、経過築年数の係数および切片を市区町村単位重回帰係数テーブルに管理する手順と、
    路線毎の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、路線毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、
    重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成し、
    生成した路線毎の所要時間、広さ、経過築年数の係数および切片を路線単位重回帰係数テーブルに管理する手順と、
    都道府県毎の学習用データの数が閾値以上であれば、蓄積された売価の学習用データを使って、都道府県毎に説明変数を所要時間、広さ、経過築年数とし、売価を目的変数として、
    重回帰分析により学習することで、所要時間、広さ、経過築年数の係数および切片を生成し、
    生成した都道府県毎の所要時間、広さ、経過築年数の係数および切片を都道府県単位重回帰係数テーブルに管理する手順と、
    売価の学習用データを、あらかじめ設定してある広さの閾値以上であれば実需向け、広さの閾値未満であれば投資向けと判断し、さらに、その後、あらかじめ設定してある経過築年数の新築閾値以下であれば、新築用とし、築古閾値以上であれば築古用とし、それ以外であれば一般の中古物件用として分け、データ収集部によって分けられた都道府県別、実需および投資別の新築用、築古用、一般の中古物件用の学習用データによって
    駅単位重回帰係数テーブル、路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブル、
    を別々に生成し、その際、新築または築古用の学習データを使って学習する場合は、
    説明変数を所要時間、広さのみとし、売価を目的変数として、重回帰分析により学習することで、所要時間、広さのみの係数および切片を生成する手順と、
    各テーブルを都道府県別に、実需および投資別の新築用、築古用、一般の中古物件用に分けて管理する手順と、
    を実行させることを特徴とするプログラム
22. コンピュータに、
    前記請求項２１で管理される駅毎の駅単位重回帰係数テーブルに設定された
    任意に指定された駅と一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測する手順と、
    前記請求項２１で管理される任意に指定された駅に該当する駅単位重回帰係数テーブルが存在しない場合、前記モデル管理部で管理された路線市区町村単位重回帰係数テーブルに設定された、任意に指定された駅の路線および市区町村に一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測する手順と、
    前記請求項２１で管理される任意に指定された駅に該当する駅単位重回帰係数テーブル、および、任意に指定された駅の路線および市区町村に一致する路線市区町村単位重回帰係数テーブルが存在しない場合、前記モデル管理部で管理された市区町村単位重回帰係数テーブルに設定された、任意に指定された駅の市区町村に一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測する手順と、
    前記請求項２１で管理される任意に指定された駅に該当する駅単位重回帰係数テーブル、
    および、任意に指定された駅の路線および市区町村に一致する路線市区町村単位重回帰係数テーブル、および、任意に指定された駅の市区町村に一致する市区町村単位重回帰係数テーブルが存在しない場合、前記モデル管理部で管理された路線単位重回帰係数テーブルに設定された、任意に指定された駅の路線に一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測する手順と、
    前記請求項２１で管理される任意に指定された駅に該当する駅単位重回帰係数テーブル、
    および、任意に指定された駅の路線および市区町村に一致する路線市区町村単位重回帰係数テーブル、および、任意に指定された駅の市区町村に一致する市区町村単位重回帰係数テーブル、および、任意に指定された駅の路線に一致する路線単位重回帰係数テーブル、
    が存在しない場合、前記モデル管理部で管理された都道府県単位重回帰係数テーブルに設定された、任意に指定された駅の都道府県に一致する所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測する手順と、
    前記請求項２１で管理される任意に指定された駅に該当する駅単位重回帰係数テーブル、
    および、任意に指定された駅の路線および市区町村に一致する路線市区町村単位重回帰係数テーブル、および、任意に指定された駅の市区町村に一致する市区町村単位重回帰係数テーブル、および、任意に指定された駅の路線に一致する路線単位重回帰係数テーブル、および、任意に指定された駅の都道府県に一致する路線単位重回帰係数テーブル、
    が存在しない場合、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測ができないものとし、予測不可とする手順と、
    任意に指定された広さによって、前記広さの閾値以上であれば実需向け、広さの閾値未満であれば投資向けと判断し、さらに、その後、任意に指定された経過築年数によって、前記経過築年数の新築閾値以下であれば新築、築古閾値以上であれば築古、それ以外であれば一般の中古物件として判断し、それに一致した前記請求項２１で管理される都道府県別、実需および投資別の新築用、築古用、一般の中古物件用の駅単位重回帰係数テーブル、路線市区町村単位重回帰係数テーブル、市区町村単位重回帰係数テーブル、路線単位重回帰係数テーブル、都道府県単位重回帰係数テーブルを選択し、所要時間、広さ、経過築年数の係数および切片によって生成した重回帰分析式により、任意に指定された駅、所要時間、広さ、経過築年数によって売価を予測する手順と、
    不動産の売価と賃料を同時に予測し、表面利回り（＝年間の賃料÷売価）を算出する手順と、
    を実行させることを特徴とする前記請求項２１記載のプログラム

Images