未知の知見

国土地理院の「CNNによる地物抽出用教師データセット」（地図作成のための機械学習用データセット（ＧＳＩデータセット） (gsi.go.jp)）を使って、自作の地物抽出用セマンティック・セグメンテーション・モデルを作ってみました。 モデルは「道路、建物、水域、軌道、駐車場、水田、針葉樹林」のそれぞれについて一つずつ、合計７モデルを作りました。 モデルの訓練には１モデルあたり約１０時間かかるので、合計７０時間。ＣＰＵもＧＰＵも働きっぱなし。 ようやくモデルを作って、７カテゴリーのそれぞれについてその物体に属するピクセルが、１枚の画像に占める割合を求めたいと思います。 23,300枚の画像でこの作業をやったところ、 所要時間は、1カテゴリー当たり、例えば道路だけで62,750秒、17時間半！！！ ７カテゴリー全部やって１２２時間、約５日間パソコン動きっぱなし。 NVIDIAの「GeForce RTX 3060 Ti」が１枚と「13th Gen Core i5-13400」が16では、まだ不足なのでしょうかね？ もしこの作業を5、6時間で終わらせることができるパソコンを買うと、一体いくらかかることやら（買わないけど）。

東京都地価公示価格を訓練用データに、地理空間情報の技術を使って説明変数を丁寧に作りこみ、lightGBM回帰でモデルを構築しクロスバリデーションで検証したところ、 決定係数R2 : 0.94285 平均平方二乗誤差RMSE : 0.1866 平均絶対誤差MAE : 0.1417 平均絶対パーセント誤差 : 0.0110 と、すごい精度が出ました。 検証データを使った予測と本当の価格でグラフを作ると 見るから精度が良さそう。 でも目的は予測ではなくて、東京都の住宅地価格はどのように形成されているかを確かめること。 shapのバープロットで価格に影響を与えた説明変数を確認すると となりました。 都心（丸の内口）、副都心（新宿駅）までの距離（時間）の影響が強い。そしてその他たくさんある説明変数の中では、最寄り駅までの距離や道路幅員に交じってconveni_**（** ｍ圏内のコンビニ数）やmarket_**（**ｍ圏内の触診スーパー数）が目立っています。 もう少しちゃんと解釈すると、まず都心までの距離によって例えば三鷹市の価格水準（三鷹市ならだいたいこの位の価格ね）が決まり、さらに三鷹市内においてはconveni_1500ｍ以下の説明変数によって個別地点の価格が決まることを表しています。 従来の価格モデルでは、最寄り駅などコンビニにしろ、スーパーにしろ、最寄りの施設一択で回帰モデルを作っていました。でも地理空間情報を駆使してモデルを作ると、従来型よりずっと高い精度をはじき出すことができます。 いずれ私のような不動産鑑定士がいらなくなる日が来るのかもしれません。

帝京平成大の大学院で環境情報学を通信教育で専攻しています。 修了までにスクーリングを受講してその成果を発表することが必須となっています。 本当は１日１時限の受講で１５日間とか、１日２時限の７日間で学校に通います。私の場合、遠方である事を配慮してくれて、担当教授とのオンラインでの課題のやり取りで９時限分を認めてもらい、実際に投稿するのは３日間毎日２時限（トータル１５時限）でスクーリングの受講を認めてもらいました。８月５日から３日間、大学に登校して約４０年ぶりに学生気分を味わっています。 今日は２日目。 受講は一人ぼっち。定員８０人の教室でポツンと課題を進めています。教授が見に来て課題の報告をして壱日の予定が終わります。９時２０分から１２時半まで。 窓からはかつての母校。昔は中野に校舎はなかったけど、この近くに区営のテニスコートがあって練習に通いました。しかし街並みは全く変わっていて懐かしいとも思わない。 午前のノルマ終了で校内の学食で昼食をとり（安い！）、 せっかくの東京だけど外は暑いので午後は図書館で発表会のプレゼン資料を作ります。 9月6日の発表会では、空間自己相関と地理的加重回帰がテーマで、地理的加重回帰の長所と短所を分かりやすく説明するつもりです。