• 한국건축시공학회:학술대회논문집
• /
• 한국건축시공학회 2021년도 봄 학술논문 발표대회
• /
• pp.151-152
• /
• 2021

The sale price of apartment buildings is a key factor in the success or failure of apartment projects, and the factors that affect the sale price of apartments vary widely, including location, environmental factors, and economic conditions. Existing methods of predicting the sale price do not reflect the nonlinear characteristics of apartment prices, which are determined by the complex impact factors of reality, because statistical analysis is conducted under the assumption of a linear model. To improve these problems, a new analysis technique is needed to predict apartment sales prices by complex nonlinear influencing factors. Using machine learning techniques that have recently attracted attention in the field of engineering, it is possible to predict the sale price reflecting the complexity of various factors. Therefore, this study aims to conduct a basic study for the development of a machine learning-based prediction model for apartment sale prices.

• 지적과 국토정보
• /
• 제52권2호
• /
• pp.211-231
• /
• 2022

본 연구는 거시경제변수인 전산업생산지수, 소비자물가지수, CD금리, KOSPI지수가 전국, 서울, 광역, 지역으로 구분된 아파트 전세가격에 미치는 영향을 파악하고 LSTM(Long Short Term Memory)을 활용하여 지역별 아파트 전세가격의 방법론적 예측모형을 제시하고자 하였다. VAR분석결과에 따르면 Lag1, 2에서 전국 아파트 전세가격지수와 소비자물가지수는 전국 아파트 전세가격에 유의미한 영향을 주는 것으로 나타났고, 마찬가지로 Lag1,2에서 서울 아파트 전세가격지수와 소비자물가지수, CD금리는 서울 아파트 전세가격에 영향을 주는 것으로 나타났다. 또한, 광역 아파트 전세가격은 Lag1에서 광역 아파트 전세가격지수, 소비자물가지수가 유의미한 영향을 보였으며 지역 아파트 전세가격은 Lag1에서 지역 아파트 전세가격지수, 소비자물가지수가 유의미한 영향을 나타냄을 확인하였다. LSTM예측모델 구축 결과, 지역 아파트 전세가격 예측모델의 RMSE 0.008, MAE 0.006, R-Suared값은 0.999로 예측력이 가장 높았다. 향후, 주요 정책변수들을 포함하여 딥러닝 기반의 발전된 모형을 적용한다면 더욱 의미 있는 결과를 얻을 수 있을 것으로 기대된다.

• 스마트미디어저널
• /
• 제11권3호
• /
• pp.62-73
• /
• 2022

국내 아파트 매매가 예측에 관한 연구는 현재까지 지속적으로 수행되어 왔지만, 아파트 가격은 다양한 특성이 복합적으로 작용하기 때문에 예측하는데 어려움을 겪고 있다. 아파트 매매가를 예측하는데 앞서 정확도를 높이기 위해서는 주요 변수 선정 및 영향요인 분석이 무엇보다 중요하다. 이에 본 연구는 현재 꾸준한 상승률을 보이는 광주광역시를 대상으로 아파트 매매가에 영향을 주는 요인을 분석해보고자 한다. 이를 위해 6년간의 광주광역시 아파트 실거래가와 각종 사회적 요인 데이터를 토대로, 다중회귀분석, 랜덤 포레스트, 심층인공신경망 알고리즘을 적용하여 각 모델에서 주요 영향요인을 파악하였으며, 모델의 성능은 평균 제곱근 오차, 평균 절대 오차 그리고 결정계수를 통해 비교 분석하였다. 본 연구에서는 딥러닝의 일종인 심층인공신경망의 성능이 가장 우수함을 보였고, 매매가에 영향을 미치는 주요 요인으로 건축경과연수, 계약연도, 적용면적, 양도성예금증서, 주택담보대출금리, 선행지수, 생산자물가지수, 동행지수 등이 도출되었다.

• International Journal of Advanced Culture Technology
• /
• 제10권1호
• /
• pp.274-283
• /
• 2022

Korea is facing a number difficulties arising from rising housing prices. As 'housing' takes the lion's share in personal assets, many difficulties are expected to arise from fluctuating housing prices. The purpose of this study is creating housing price prediction model to prevent such risks and induce reasonable real estate purchases. This study made many attempts for understanding real estate instability and creating appropriate housing price prediction model. This study predicted and validated housing prices by using the LSTM technique - a type of Artificial Intelligence deep learning technology. LSTM is a network in which cell state and hidden state are recursively calculated in a structure which added cell state, which is conveyor belt role, to the existing RNN's hidden state. The real sale prices of apartments in autonomous districts ranging from January 2006 to December 2019 were collected through the Ministry of Land, Infrastructure, and Transport's real sale price open system and basic apartment and commercial district information were collected through the Public Data Portal and the Seoul Metropolitan City Data. The collected real sale price data were scaled based on monthly average sale price and a total of 168 data were organized by preprocessing respective data based on address. In order to predict prices, the LSTM implementation process was conducted by setting training period as 29 months (April 2015 to August 2017), validation period as 13 months (September 2017 to September 2018), and test period as 13 months (December 2018 to December 2019) according to time series data set. As a result of this study for predicting 'prices', there have been the following results. Firstly, this study obtained 76 percent of prediction similarity. We tried to design a prediction model of real estate transaction price with the LSTM Model based on AI and Bigdata. The final prediction model was created by collecting time series data, which identified the fact that 76 percent model can be made. This validated that predicting rate of return through the LSTM method can gain reliability.

• 응용통계연구
• /
• 제33권5호
• /
• pp.603-614
• /
• 2020

본 연구는 이미지 데이터에 대한 예측 모형으로 뛰어난 성능을 보여온 convolutional neural networks (CNN) 모형을 이용하여 서울 아파트 가격의 예측과 서울 각 지역 아파트들의 가격결정요인들을 연구한다. 이를 위해 강, 녹지, 고도와 같은 자연환경요인, 버스정류장, 지하철역, 상권, 학교 등과 같은 기반시설요소, 일자리수, 범죄율 등의 사회경제요소들을 설명변수로 고려하고, CNN 모형이 이미지 데이터에 좋은 성능을 보여온 것을 기반으로 이 설명변수들의 값들을 CNN 모형 입력층으로써 이미지 채널의 픽셀값과 같은 역할을 하도록 변환하여 아파트 가격의 예측과 가격결정요인에 대한 해석을 시도한다. 덧붙여 본 연구에서 사용된 CNN 모형은 자연환경요인과 기반시설요인 변수들을 각 아파트를 중심으로 하는 각 입력층의 채널에 이진의 이미지로 표현함으로써 각 아파트의 공간적인 특성을 고려할 수 있다.

• 한국빅데이터학회지
• /
• 제5권1호
• /
• pp.109-124
• /
• 2020

한국사회에서 부동산에 대한 많은 관심에도 불구하고 가격예측은 쉽지 않으며, 그중에서도 아파트는 주거공간인 동시에 투자의 의미도 지니고 있어 더욱 가격예측은 쉽지 않다. 아파트 가격에 영향을 주는 요인은 매우 다양하며 지역에 따른 특성도 있다. 본 연구는 경기도 S시 아파트 매매가격에 영향을 주는 요인들과 특성을 도출하기 위해 수행되었다. 일반적으로 지하철 접근성이 좋을수록 아파트 가격이 높다고 파악되나, S시의 경우 1호선과는 가까울수록 오히려 가격이 소폭 하락하는 현상이 있었으며, 신분당선은 지하철 접근성이 높을수록 매우 가격이 높게 나타났다. 국고채5년평균과 매매가격이 반비례관계였고, M2평잔과 매매가격과 비례관계로 파악이 되었다. 용적률과 총주차대수가 매매가격에 많은 영향을 미쳤으며, 1.5Km 이내의 백화점과 할인마트 존재 여부가 가장 중요한 요인이었다.

• 대한건축학회논문집:계획계
• /
• 제34권3호
• /
• pp.45-52
• /
• 2018

Currently, apartments have become an important research subject for the overall area of politics, economics, and culture as well as urban architectural study. However, there are few analyses of the research trends related to the current interest in the apartment research and prediction of the future changes of an apartment in politics and industry. In this study, the research information related to the apartment has classified, and the changes in the research trends have analyzed. Based on the classified data, the first thesis and dissertation related to the apartment and changes of academic notation have discovered. In addition, future interests and future research directions through Frequency of Appearance, Degree Centrality Analysis, and Betweenness Centrality Analysis of author keywords were predicted. As a result of the analysis, 'Space,' 'Residential Mobility' and 'Apartment Complex' studies were found to be important research topics throughout the entire period. 'Han Gang Apartment,' 'Small Size Apartment,' 'Civic Apartments,' 'Jamsil,' and 'Child' were newly interested topics until 70's era. '(Super) High-rise Apartment,' 'Perception,' 'Jugong Apartment,' 'Housing Environment,' 'Housewife,' 'Apartment Layout,' and 'Busan' were newly interested topics during the 80's and 90's era. 'Apartment Price,' 'Energy,' 'Remodeling,' 'Noise,' 'Resident Satisfaction,' 'Community,' and 'Apartment Lotting-out' were newly interested topics after the year 2000. New concerns for last decade are found to be 'Super High-rise Apartment', 'Remodeling', 'Indoor'(2007), 'Apartment Reconstruction Project', 'Brand', 'AHP', 'Housing Environment'(2008), 'Ventilation'(2009), 'Apartment Lotting-out'(2010), 'Economic Assessment'(2011), 'Cost'(2012), 'Green Building', 'Apartment Sales', 'Law', 'Society'(2013), 'Floor Impact Noise', 'Seoul'(2014), 'Noise'(2015), 'Hedonic Model'(2016). In addition, following research topics are expected to be active in the future: In maturity stage of the research development is going to be 'Apartment Price', 'Space', 'Management of Apartment Housing'; the hedonic model, which is research growth and development stage, is going to be '(Floor Impact) Noise', 'Community', 'Energy.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2020년도 추계학술발표대회
• /
• pp.956-959
• /
• 2020

본 연구에서는 아파트를 대표할 수 있는 내·외적 데이터를 수집하고 인공지능 기술들을 활용하여 아파트 가격을 예측하는 시스템을 구축하고자 한다. 구체적으로 웹크롤링 기법을 통해 수집한 아파트 내·외적 데이터의 변수들에 대한 특성 선택(Feature Selection)을 수행하였고, 다양한 인공지능 기법을 활용하여 부동산 가격 예측 모형을 개발하였다. 아파트 가격 예측 모형 생성을 위해 Linear Regression, Ridge, Xgboost, Lightgbm, Catboost 등의 기계학습 알고리즘을 사용하였고, RMSE를 사용하여 각 예측 모형 간의 성능 비교를 수행하였다. 가장 성능이 좋은 예측 모형은 Xgboost기반 예측 모형이였으며, RMSE값이 약 0.0366으로 가장 낮았으며 테스트 데이터에 대한 정확도는 약 95.1%였다.

• Communications for Statistical Applications and Methods
• /
• 제18권1호
• /
• pp.23-34
• /
• 2011

부동산 경매는 최근 새로운 부동산 투자방법 가운데 하나로 자리잡고있다. 이는 부동산 시장의 성장과 더불어 부동산 경매 시장 또한 증가하고 있는 추세에 기인한다 할 수 있다. 본 연구는 부동산 경매에 참여하는 사람 및 기관들에게 가장 중요한 지표라 할 수 있는 낙찰률의 변화를 설명하고 예측하는 모형을 구축하고자 하였다. 월별 평균 낙찰률을 예측하기 위하여 단순한 지역별, 기간별 평균값을 보완하고 의사결정나무 분석을 이용하여 예측오차를 보정하는 방법을 제안하였고 선형회귀모형을 이용하여 개별 경매 물건별 낙찰률을 예측하기 위한 모형을 구축하였다. 구축된 모형은 전국 아파트 경매 물건에 적용하여 예측 모형을 구현하였으며 그 응용방법으로 예측결과에 대한 등급화를 함께 수행하였다.

• 정보처리학회 논문지
• /
• 제13권5호
• /
• pp.209-216
• /
• 2024

부동산 시장은 다양한 요인에 의해 가격이 결정되며 거시경제 변수뿐 만 아니라 뉴스 기사, SNS 등 다양한 텍스트 데이터의 영향을 받는다. 특히 뉴스 기사는 국민들이 느끼는 경제 심리를 반영하고 있으므로 부동산 매매 가격 예측에 있어 중요한 요인이다. 본 연구에서는 뉴스 기사를 감성 분석하여 그 결과를 뉴스 감성 지수로 점수화 한 후 부동산 가격 예측 모델에 적용하였다. 먼저 기사 본문을 요약 후 요약된 내용을 바탕으로 생성 AI를 활용하여 긍정, 부정, 중립으로 분류한 다음 총 점수를 산출하였고 이를 부동산 가격 예측 모델에 적용하였다. 부동산 가격 예측 모델로는 Multi-head attention LSTM 모델과 Vector Auto Regression 모델을 사용하였다. 제안하는 뉴스 감성 지수를 적용하지 않은 LSTM 예측 모델은 1개월, 2개월, 3개월 예측에서 각각 0.60, 0.872, 1.117의 Root Mean Square Error (RMSE)을 보였으며, 뉴스 감성 지수를 적용한 LSTM 예측 모델은 각각 0.40, 0.724, 1.03의 RMSE값을 나타낸다. 또한 뉴스 감성 지수를 적용하지 않은 Vector Auto Regression 예측 모델은 1개월, 2개월, 3개월 예측에서 각각 1.6484, 0.6254, 0.9220, 뉴스 감성 지수를 적용한 Vector Auto Regression 예측 모델은 각각 1.1315, 0.3413, 1.6227의 RMSE 값을 나타낸다. 앞선 아파트 매매가격지수 예측 모델을 통해 사회/경제적 동향을 반영한 부동산 시장 가격 변동을 예측할 수 있을 것으로 보인다.