24、平面图对租金预测的增量信息价值

平面图对租金预测的增量信息价值

1. 数据概述

在本次研究中，我们聚焦于单一市场，避免考虑多市场带来的问题，着重验证计算机视觉方法的可行性。对于每个房源信息，我们收集了公寓的月租金、公寓平面图图像，以及 6 个连续变量和 3 个分类变量。具体变量信息如下表所示：
| 变量 | 解释 |
| — | — |
| Apt. Floor | 房产所在楼层 |
| Size in m² | 房产面积（平方米） |
| Time to station | 采用“方式”到达下一个车站所需的分钟数 |
| Age bldg | 房产建成的年数 |
| No Floors bldg | 建筑物的楼层数 |
| Admin fee 10,000¥ | 每月管理费金额（万日元） |
| Station | 最近公共交通车站的名称 |
| Method | “到达车站时间”的测量方式（步行、公交或汽车） |
| Style | 公寓布局类型描述（1K、1LDK 等） |
| apt_rent | 房源每月租金（万日元） |

收集的数据仅为观察性数据，不能代表整个东京房地产市场。我们可以从图 1 中看到变量的值分布情况，附录中的表 6 和表 7 提供了摘要统计信息。

2. 神经网络架构

我们使用 fastai、pytorch 和 torchvision 软件库构建神经网络。基于 Paszke 等人实现的 resnet50 模型，该模型由 He 等人提出。我们将模型的权重初始化为 torchvision 中预训练的权重，这些权重是在“ImageNet”数据集上训练