Construcción de features para imágenes satelitales utilizando Deep convolutional networks para la estimación del valor de venta de propiedades en Chile

Abstract

El presente trabajo tiene como objetivo la construcción de un modelo de regresión que per- mita predecir precios de venta de casas en la ciudad de Santiago. Para lograr esto se explota la información disponible en internet correspondiente a avisos de venta de propiedades. Reconociendo que muchos anuncios de venta publicados en internet cuentan con informa- ción de la ubicación de la propiedad, ya sea en forma de coordenadas o, más comúnmente, como una marca en Google Maps o algún otro servicio de mapas online, existe una rica fuente de información a explotar: El entorno de la propiedad descrito en formato de imágenes. Un buen modelo necesita una buena fuente de datos para aprender, por lo que se proce- de a explotar la información extra de los anuncios utilizando redes convolucionales profun- das, entrenadas para resolver un problema de clasificación llamado Imagenet. Estas redes se re-entrenan parcialmente para generar deep features de imágenes satelitales centradas en la propiedad a distintos niveles de zoom. Cada una de estas imágenes entrega información res- pecto a distintos aspectos de la propiedad: Características del terreno, aspecto del vecindario, presencia de masas de agua, cercanía a montañas, entre otros. Para re-entrenar las redes y generar los features se construye un dataset de anuncios de venta de propiedades ubicadas en las comunas de Santiago, Estación Central, Las Condes, La Florida, Puente Alto y Maipú. Se experimenta con las métricas RMSE, R² y MAE, para determinar el desempeño de los modelos generados. Los experimentos revelan que, para Random Forest, complementar la información original de los anuncios con los deep features generados permite superar el desempeño en regresión obtenido sin ellos, disminuyendo cerca de un 8% el RMSE.