Advent Calendar 2019

Dies ist der Artikel am 20. Tag des estie Adventskalenders 2019. Bitte beachten Sie auf jeden Fall andere Artikel. https://qiita.com/advent-calendar/2019/estie

Einführung

Ich bin Miyano, CTO von estie. Bei estie schätze ich die Miete von Büroimmobilien, aber ich dachte: "Vielleicht gibt es einen Ort, an dem es rentabler ist, ein Büro zu mieten?"

Daher habe ich die Miete verglichen, als ** Budokan ** ein Büro mit dem Rückgabemodell von LightGBM war, und überprüft, welches im Vergleich zur aktuellen Nutzung wie Live-Auftritte und nationale Veranstaltungen die besten Umsätze erzielt hat.

Der Code liegt übrigens bei github.

Fazit

Wenn alle Budokan als Büros vermietet werden, erhöht sich der Jahresumsatz um 300 Millionen **.

Da der Stückpreis pro Tsubo der Miete des Budokan auf ** 22.006 Yen / Tsubo ** geschätzt wurde, beträgt der Jahresumsatz "ungefähr 1,35 Milliarden Yen", vorausgesetzt, die Auslastung beträgt 1.

Andererseits wurde die Umsatzprognose für das Geschäftsjahr 2009 im vom Budokan veröffentlichten "Reiwa 1st Year Balance Budget" angegeben Es war 1.031.445.000 Yen ("ungefähr 1,03 Milliarden Yen"), daher war es ein schockierendes Ergebnis, dass es rentabler wäre, daraus ein Büro zu machen. (Obwohl ich davon ausgehe, dass die Betriebsrate 1 ist)

Was ich getan habe

Erfassung von Trainingsdaten

In Japan ist es sehr schwierig, korrekte Mietdaten zu sammeln, und es gibt fast keine Daten, die der Öffentlichkeit zugänglich sind. Daher werden wir dieses Mal "Informationen zum Bewertungsbericht" verwenden, die aus diesem Jahr veröffentlicht wurden. Diese Daten enthalten hypothetische Informationen zur Zahlungsbilanz an verschiedenen Punkten, die als Grundlage für die Berechnung des "Grundstückspreises" dienten. Daher wird auch die hypothetische Miete aufgeführt, es handelt sich also nicht um die tatsächlich vertraglich vereinbarte Miete, sondern sie scheint nutzbar zu sein.

Zur Zeit habe ich nur Tokio heruntergeladen. (Informationen zum spezifischen Formen finden Sie unter github.)

Lernen

Merkmalsauswahl

Selbst wenn alle Informationen in den obigen Daten verwendet werden können, ist es nicht gut, wenn die Merkmale für den Budokan nicht berechnet werden können. Daher werden die folgenden als Merkmalsgrößen ausgewählt.

{
    "landprice": "Grundstückspreis",
    "gross_floor_area": "Gesamtfläche",
    "floors": "Anzahl der oberirdischen Stockwerke",
    "road_width": "Breite(Straßenbreite)",
    "nearest_station_distance": "Entfernung zum nächsten Bahnhof",
    "lot_coverage": "Gebäudedeckungsgrad",
    "office": "Ob für den Büroeinsatz oder nicht-hot",
    "retail": "Ist es für den kommerziellen Gebrauch?",
    "residential": "Ist es für den Wohnbereich?",
    "hotel": "Ist es für den Hotelgebrauch?",
    "industrial": "Ist es für den industriellen Gebrauch?",
}

Ich kenne den Grundstückspreis des Budokan nicht, aber es scheint gut, den nächstgelegenen Grundstückspreis zu verwenden.

Lernmodell

Ich habe LightGBM verwendet, ohne an irgendetwas zu denken. Diesmal ist auch High Para geeignet.

{
     "metric": "rmse",
     "n_estimators": 200,
     "objective": "regression"
}

Richtigkeit

Vorerst habe ich es mit train_test_split in zwei Teile geteilt und die Genauigkeit überprüft. Unten ist ein Streudiagramm der Genauigkeit.

Der Entscheidungskoeffizient betrug "65,19%". Ich kann nichts sagen, aber ist es nicht eine gute Idee, nichts zu tunen?

Budokan Miete

Es ist eine Mietprognose der Kampfsporthalle in der Stadt.

Eigentlich wäre es besser zu raten, nachdem Sie alle Fälle gelernt haben, aber das oben erstellte Modell wird so verwendet, wie es ist.

Der Funktionsbetrag wird übrigens von Offizielle Website abgerufen.


feature_values = ['landprice', 'gross_floor_area', 'floors', 'road_width', 'nearest_station_distance',
                  'lot_coverage', 'office', 'retail', 'residential', 'hotel', 'industrial']
target_col = 'rent_tsubo'

class Estimator:
    def __init__(self):
        self.read_model()

    def read_model(self):
        '''ml.Laden Sie das mit py gelernte Modell
        '''
        with open('accuracy/model.pkl', mode='rb') as f:
            self.model = pickle.load(f)

    def estimate(self, df: pd.core.frame.DataFrame) -> pd.core.frame.DataFrame:
        '''Miete für Datenrahmen mit Funktionen(Stückpreis pro Tsubo)Schätzen
        '''
        pred = self.model.predict(
            np.array(df[feature_values]), num_iteration=self.model.best_iteration)
        df[target_col] = pred
        df[target_col] = df[target_col].astype(int)
        return df

def estimate_budokan():
    '''Budokan Mietprognose
    '''
    budokan_info = {
        'landprice': 3130000,  #Nächster Grundstückspreis(2-2-5, Kudan Minami, Chiyoda-ku, Tokio)Durchschnittswert von(3120000, 3140000)
        'gross_floor_area': 21133.300 * 0.3025,  #In Einheiten von Tsubo
        'floors': 3,  #3 Stockwerke über dem Boden
        'road_width': 10,  #Ich habe Google Maps gesehen und es sah aus wie 10 m
        'nearest_station_distance': 5 * 80,  #5 Minuten zu Fuß* 80m/Protokoll
        'lot_coverage': 100 * 8132.240 / 12625.000,  #Baustelle/Standortbereich
        'office': 1,  #Annahme einer Büroimmobilie
        'retail': 0,
        'residential': 0,
        'hotel': 0,
        'industrial': 0,
    }
    estimator = Estimator()
    budokan = estimator.estimate(pd.io.json.json_normalize(budokan_info))
    budokan_dic = budokan.to_dict(orient='list')
    budokan_result = {k: budokan_dic[k][0] for k in budokan_dic.keys()}
    return budokan_result

if __name__ == '__main__':
    budokan_result = estimate_budokan()
    print(budokan_result[target_col]) # 22006

Übrigens war die Straßenbreite (Breite) "ungefähr 10 m?". Als ich mir die Google-Karte ansah, legte ich sie so ein, wie sie ist.

Vergleich mit der aktuellen Bilanz von Budokan

Unter der Annahme, dass die Miete 22006 (Yen / Tsubo / Monat) beträgt, beträgt die vermietbare Fläche etwa 80% der gesamten Grundfläche (* geschätzt von estiepro) und die Belegungsrate 1.

Miete(Kreis/Tsubo/Mond) *Mietfläche(Tsubo) *Nutzungsrate* 12ヶMond
=Miete* (Gesamtfläche* 0.8 ) * 1.0 * 12
= 22006 * (21133.300 * 0.3025 * 0.8) * 12
= 1,350,532,497 Yen(Über 13.500 Millionen Yen)

Der Jahresumsatz beträgt "rund 1,35 Milliarden Yen".

Betrachtet man das [Budokans Budget für das erste Jahr, Reiwa 2 vom 1. April 2019 Es scheint, dass der Gesamtumsatz am 31. März 2014 "ungefähr 1,03 Milliarden Yen" beträgt.

Natürlich ist es nur eine Schätzung, also weiß ich nicht, ob es wirklich passieren wird. ..

abschließend

Die Miete des Budokan basiert übrigens auf dem von estie entwickelten Modell zur Schätzung der Büromiete (E-Miete: auch im Nikkei Shimbun-> https://www.nikkei.com/article/DGXMZO49454100V00C19A9XY0000/ enthalten)

"19.600 Yen / Tsubo"

war. Selbst mit diesem Ergebnis wird der Jahresumsatz "1,2 Milliarden Yen" betragen, so dass es wirklich ein Büro sein kann ... (ohne den emotionalen Teil)

Bei estie entwickeln wir solche Algorithmen und Apps, um die Bürosuche zu vereinfachen! Wenn Sie interessiert sind, tun Sie bitte! !!

https://www.wantedly.com/companies/company_6314859/projects

estie -> https://www.estie.jp estiepro -> https://pro.estie.jp Unternehmensseite-> https://www.estie.co.jp

[PYTHON] Wenn der Budokan ein Mietbüroobjekt ist