PropGman: Regional-index-predict-based-on-transaction-records

Taget 🎯

本研究希望建立一套通用流程，透過實價登錄資料，對土地價值進行預測，幫助不論是公部門或是相關人士在對於土地資產活化的評估與決策中，一些過去需以人工經驗、認知判斷的因素與指標，通過一種更為客觀有依據的方法進行更精準的預測。 影響土地的價值有許多不同的指標，本研究選以「一段時間與區域範圍內的土地交易之平均每坪土地交易價值」為範例目標進行深入討論與研究，並期許於未來可以將此流程與方法擴展至其他指標上，進行更全面、完善的探討與運用，達到真正的資產活化與效益最大化。

Result

每月單位土地價

每個月在目標土地中心 3000 公尺內的土地交易(時價登入)的「單價元平方公尺」平均值。

Group	MAE	RMSE	MAPE
0	8559	11221	0.1200
1	13177	15033	0.1714
2	4725	6197	0.1551
3	12471	15810	0.1817
4	36140	43242	0.5367
5	36388	37937	0.6182
6	18018	20783	0.3152
7	4718	6186	0.2148
8	3126	4391	0.1766
9	27635	32195	0.4216
10	8805	10027	0.3290
		avg.	0.29

每月交易量

每個月在目標土地中心 3000 公尺內的土地交易(時價登入)的數量。

Group	MAE	RMSE	MAPE
0	16.3	22.4	0.4673
1	16.3	20.5	0.4492
2	8.6	10.5	0.4751
3	10.3	12.3	0.3869
4	8.3	10.2	0.7115
5	7.5	8.9	1.1352
6	4.3	4.4	0.7005
7	7.5	9.5	0.4964
8	7.5	8.6	0.4324
9	10.8	13.2	1.8828
10	7.9	10.5	0.6284
		avg.	0.706

Demo

input

year	month	group_center	refer_point1	refer_point2	refer_point3	refer_point4	group
2017	11	63555	57228	73875	63721	37824	0
2017	12	47273	40341	49434	58276	32960	0
2018	1	45804	60585	44698	46390	34342	0

our predict

python demo.py

ps. 答案為 72275，雖然差了1萬左右，但是以趨勢來看，表現不錯。

Reproduce

📁 Folder schema

- PropGman
    |-- method: 我們的方法
    |-- model: 原始 gman code

- EDA_and_preprocess
    |-- code: 資料爬蟲、前處理、探勘過程
        |--data_procces
        |--method_procces
        |--supplementary: 非過程中的其他參考程式碼

- configs
- data 
    |-- input: 整理過的資料，包含目標土地 & 時價登入
    |-- train_data: 訓練用資料

- output
- scripts: shell or batch 腳本，包含批次跑實驗、訓練範例
- doc
- img

- requirements.txt: python 依賴套件
- data_helper.py: 將輸入資料(data/input)依造參數設定檔(configs)轉換成訓練資料(data/train_data)
- train.py: 主要訓練程式碼

🖥️ Environment settings

code

git clone https://github.com/aaron1aaron2/PropGman__Regional-index-predict-based-on-transaction-records.git

pytorch

本專案是在 window 11、cuda(11.6)、pytorch(1.12.1)測試。 如使用不同環境請到 pytorch 官網 選擇對應版的指令。

pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu116

other packages

pip3 install -r requirements.txt

🙋 Quick start

Step1: 資料準備

主要資料位於 data/input 底下。

• target.csv: 目標土地資料 + 土地經緯度
• transaction.csv: 時價登入資料 + 土地經緯度

p.s. 土地經緯爬取與資料前處理流程請參考 EDA_and_preprocess

Step2: 產生訓練資料

python data_helper.py --config_path configs/Basic.yaml

p.s. 可以到 configs 資料夾底下複製模板，並依自己的需求客製化自己的 config 檔。

Step3: 訓練模型

scripts\train_basic.bat

or

source scripts/train_basic.sh

p.s. scripts 底下有批次跑實驗模板，可以參考。

Other information

Our team

姓名	學校	系級	github
何彥南	國立政治大學(NCCU)	資科碩二(智慧計算組)	https://github.com/aaron1aaron2
莊崴宇	國立政治大學(NCCU)	資科碩二(一般組)	https://github.com/C-WeiYu
周倢因	國立台灣科技大學(NTUST)	資科碩二

Code Source (GMAN)

Citation

This version of implementation is only for learning purpose. For research, please refer to and cite from the following paper:

@inproceedings{ GMAN-AAAI2020,
  author = "Chuanpan Zheng and Xiaoliang Fan and Cheng Wang and Jianzhong Qi"
  title = "GMAN: A Graph Multi-Attention Network for Traffic Prediction",
  booktitle = "AAAI",
  pages = "1234--1241",
  year = "2020"
}