• 응용통계연구
• /
• 제31권2호
• /
• pp.217-228
• /
• 2018

부동산 투기근절, 공평과세 목적으로 부동산 실거래 신고제도가 도입된 이후, 정부에서 운영 중인 부동산거래관리시스템에는 연간 약 200만 건의 부동산 실거래 신고자료가 축적되고 있다. 인터넷이 발달하고 정보에 대한 접근성이 높아진 요즘, 부동산 투자에 대한 관심 증가로 부동산 가격정보에 대한 요구도 나날이 증가하고 있다. 하지만 이는 단순히 거래사례에 대한 정보만을 제공할 뿐이라 공동주택 실거래의 경우 동, 호수, 토지건물 실거래의 경우 지번을 개인정보보호 등의 이유로 공개하고 있지 않아 실거래의 위치별 정확한 데이터를 구득하기 어려운 실정이어서 정보의 비대칭성이 여전히 존재하고 이러한 부동산 정보의 특수성이 부동산시장에서의 투기가 근절되지 않는 이유 중 하나이다. 본 논문에서는 축적된 실거래 신고가격 데이터를 활용하여 실거래 미발생 지점에 대한 시세가격 추정 모형을 도출하는 것으로, 부동산 가격이 지리적 위치에 따라 결정되는 특수성을 가지는 것을 고려하여 공간구조가 반영될 수 있도록 공간회귀 모형을 통한 추정 토지 시세가격의 정확도를 살펴보았다.

• 한국정보통신학회논문지
• /
• 제25권12호
• /
• pp.1739-1748
• /
• 2021

부동산 가격은 국가, 기업, 가계에 영향을 미치며 최근 급등하는 부동산 가격에 부동산 버블에 관한 연구가 많이 시행되고 있다. 하지만 부동산 버블 예측에서 단순히 부동산 가격만을 비교하거나, 부동산 매매에서 핵심적인 심리적 변수를 반영하지 못한다면 버블 예측 모형의 정확성이 떨어진다 판단할 수 있다. 본 연구는 오토인코더 기법을 사용하여 지역별 부동산 버블 상황을 설명할 수 있는 예측 모형을 설계하는 것이 목적이다. 기존의 부동산 버블 분석 연구들이 가격에 영향을 미치는 다양한 종류의 변수를 설정하지 못하였고 주로 선형 모형을 기반으로 연구를 진행했다는 부분에서, 본 연구는 기존 부동산 버블 연구에 사용되지 않았던 기법과 변수들의 도입 가능성을 시사한다.

• 디지털융복합연구
• /
• 제11권11호
• /
• pp.59-70
• /
• 2013

디지털 경제를 맞이하여 대부분 자산을 부동산에 투자하고 있어 향후 부동산 가격에 많은 관심을 보이고 있다. 다양한 변수들이 주택 등 부동산 시장에 영향을 미치고 있다. 그 중 대표적으로 세대주와 생산가능인구, 금리, 주가지수 등 4가지 변수들을 선정하여 어느 변수가 서울아파트 가격에 얼마나 통계적으로 유의하게 영향을 미치는지 살펴보았다. 본 연구는 실증적으로 서울아파트가격의 결정모형을 구축하는데 목적이 있다. 분석결과 주가지수만 서울아파트와 통계적으로 유의한 것으로 분석되었다. 세대주나 생산가능인구는 기존의 연구처럼 서울아파트와 방향성은 동일하지만 통계적으로 유의하지 않은 것으로 분석되었다. 독립변수 중에서 서울아파트 가격의 결정요인으로 주가지수만 주요 변수로 선정되었다. 본 연구결과 향후 주택 등 부동산시장의 예측하기 위해서는 주식시장의 전망이 선행되어야 할 것이다.

• Soft Computing and Machine Intelligence
• /
• 제1권1호
• /
• pp.11-23
• /
• 2021

House price prediction is a significant financial decision for individuals working in the housing market as well as for potential buyers. From investment to buying a house for residence, a person investing in the housing market is interested in the potential gain. This paper presents machine learning algorithms to develop intelligent regressions models for House price prediction. The proposed research methodology consists of four stages, namely Data Collection, Pre Processing the data collected and transforming it to the best format, developing intelligent models using machine learning algorithms, training, testing, and validating the model on house prices of the housing market in the Capital, Islamabad. The data used for model validation and testing is the asking price from online property stores, which provide a reasonable estimate of the city housing market. The prediction model can significantly assist in the prediction of future housing prices in Pakistan. The regression results are encouraging and give promising directions for future prediction work on the collected dataset.

• 한국건설관리학회논문집
• /
• 제7권2호
• /
• pp.162-170
• /
• 2006

부동산분야에서 전통적인 예측방법과 비교하여 보다 예측력을 높일 수 있는 방법을 찾으려 한다. 이에 앞서 신경망 모형의 적용가능성을 살펴보고, 기존의 연구를 토대로 한 신경망 이론의 정의, 구조, 장단점 등을 살펴본다. 구체적인 적용가능성을 확인하기 위하여 동일 데이터로 회귀분석과 신경망분석을 통한 모형을 구축하고, 예측정확도 측면에서 신경망모형의 적용 가능성을 검토한다. 부동산학에서 기존에 회귀분석에 치우쳐 있던 연구방법을 신경망분석까지 확장하고, 특히 예측정확도 측면에서 우수성이 검증되고 있는 신경망모형에 대한 연구를 활성화 하고자 하는데 본 연구의 목적이 있다. 연구방법으로는 분양가격에 영향을 주는 거시경제변수를 모형화 한다. 그 모형설정 후 회귀분석과 신경망분석으로 결과를 비교하여 보다 예측 정확도가 높은 것을 찾는다. 그 결과 신경망모형의 예측정확도가 상당히 높게 나타났다.

• 한국산학기술학회논문지
• /
• 제18권10호
• /
• pp.170-177
• /
• 2017

제주지역 토지가격은 연일 기록적인 상승세를 나타내고 있다. 그리고 이러한 현상은 지역 주민들에게 부동산 구매에 대한 실질적인 어려움을 유발할 뿐만 아니라, 심리적 박탈감을 불러일으키고 있다. 이에 본 연구는 지속적으로 상승하고 있는 제주지역 토지가격 안정화를 위한 방안을 검토하기 위하여 제주지역의 토지 가격 상승에 영향을 주고 있는 요인들을 분석하고, 이를 토대로 제주지역 토지가격 안정화를 위한 지역단위 정책 대안을 제시하고자 하였다. 연구 결과 '물가상승률', '금리', '인구 수' 등 7개의 변수를 포함한 토지가격 예측 모형을 개발하였다. 모형에 의하면 제주지역 토지가격은 지속적으로 가파르게 상승될 것으로 추정되며, 2020년에는 2015년 토지 실거래가의 1.7배 수준으로, 2025년에는 3배 수준으로 증가하는 것으로 예측되었다. 다만 각 변수의 연평균 증가율을 적용하여 토지가격을 추정하였기 때문에 각 변수의 변화에 따라 실제 가격과 오차가 발생할 수 있으나, 모형에 포함된 변수의 최근 변화 추세를 고려할 때 향후 지속적으로 토지가격이 가파르게 상승할 것이라는 점에서는 이견이 없을 것으로 판단된다. 이에 본 연구에서는 연구 결과를 바탕으로 '입도 관광객 수 관리를 위한 관광정책 수립', '개발행위 허가 기준 강화'의 정책 대안을 제시하였다. 본 연구에서 제시한 두 가지 정책은 지역주도로 시행이 가능한 바, 국가단위 제도 변화에 비해 효과가 미약할 수 있으나 지역 차원에서 토지가격 안정화를 위한 노력을 지속한다는데 의의가 있다고 할 수 있다.

• 한국융합학회논문지
• /
• 제12권8호
• /
• pp.47-53
• /
• 2021

4차 산업에 대한 관심이 증폭되면서 데이터를 활용한 과학적 방법론이 발전하고 있지만 부동산 분야에 대한 연구는 데이터 수집의 한계점을 내포하고 있다. 더불어 일반 시장 참여자들의 지식이 확장되면서 정성적인 심리가 부동산 시장에 미치는 영향이 커지고 있다. 때문에 본 연구에서는 기존의 원천 데이터가 아닌 심리적 부분을 반영한 정량 데이터를 텍스트마이닝과 k-meas 알고리즘을 통해 수집하는 방안을 제안하고 수집된 데이터를 바탕으로 인공신경망 학습을 통해 주택 지수의 방향성을 예측하고자 한다. 2012년부터 2019년까지의 데이터를 학습 기간으로 하고 2020년도를 예측 기간으로 설정하여 실험을 진행한 결과, 두 가지 CASE에서 예측 능력이 약 80% 이상으로 우수하였고 주택지수의 상승 구간에서의 예측 강도 또한 우수한 결과를 보였다. 본 연구를 통해서 의사결정에 있어서 부동산 시장 참여자들에게 인공신경망과 같은 과학적 방식의 활용도 증가 및 고전적 방식에서 벗어난 원천 데이터의 대체 데이터 확보 등에 대한 노력이 증진되기를 기대한다.

• 한국산학기술학회논문지
• /
• 제22권4호
• /
• pp.228-234
• /
• 2021

부동산의 시장 참여자들에게 부동산 가격에 대한 방향성을 예측하는 것은 의사결정에 있어서 매우 중요하다. 이를 위해 주로 회귀분석, ARIMA, VAR 등의 방법론을 사용하는데 이는 불특정 변수에 의해서 변동하는 자산의 가치를 예측하는데 한계점을 갖는다. 때문에 본 연구에서는 이를 보완하기 위해서 인공신경망 기법을 이용해 부동산 시장에서 유동성이 풍부한 서울 아파트 가격 추이를 예측하고자 한다. 인공신경망 학습을 위해서 총 12개의 거시 및 미시적 변수를 나눠 학습 모형을 설계하는데 거시적 요인은 CASE1, 미시적 요인은 CASE2 그리고 두 요인을 조합해서 요인을 구성한 CASE3 으로 나눠서 실험한다. 그 결과 CASE1 과 CASE2 는 약 2년 동안 87.5%의 예측을 보이고 CASE3은 95.8%의 예측성과를 보인다. 본 연구는 아파트 가격에 영향을 주는 다양한 요인들을 거시적 및 미시적으로 구분하여 정의하고 미래의 아파트 가격의 방향성을 예측하는데 인공신경망 기법을 제안하고 그 실효성을 분석했다. 따라서 최근 발전하고 있는 학습 기법이 부동산 분야에 다양한 관점으로 적용되어 시장 참여자들의 효율적인 의사결정을 할 수 있기를 기대한다.

• 지능정보연구
• /
• 제28권4호
• /
• pp.81-94
• /
• 2022

최근 고액의 실물자산이나 채권을 분할하여 여러 투자자가 공동으로 투자하는 이른바 조각투자가 인기를 얻고 있다. 2016년 설립된 뮤직카우는 음원 유통에 따른 저작권료 참여 청구권을 조각투자할 수 있는 서비스를 세계 최초로 시작하였다. 본 연구에서는 딥러닝 알고리즘 중 하나인 LSTM 모델을 사용하여 뮤직카우에서 거래되는 저작권료 참여 청구권의 가격을 예측하는 연구를 진행하였다. 청구권의 이전 가격과 거래량, 저작권료와 같은 청구권과 관련된 변수 외에도, 음악저작권료 참여 청구권 시장 상황을 나타내는 종합 지표와 경제 상황을 반영하는 환율, 국고채 금리, 한국종합주가지수도 변수로 사용하였다. 연구 결과 상대적으로 거래량이 낮은 조각투자의 사례에서도 LSTM 모델이 거래가격을 잘 예측하는 것을 확인할 수 있었다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제12권2호
• /
• pp.59-76
• /
• 2023

코로나 시대 이후 아파트 가격 상승은 비상식적이었다. 이러한 불확실한 부동산 시장에서 가격 예측 연구는 매우 중요하다. 본 논문에서는 다양한 부동산 사이트에서 자료 수집 및 크롤링을 통해 2015년부터 2020년까지 87만개의 방대한 데이터셋을 구축하고 다양한 아파트 정보와 경제지표 등 가능한 많은 변수를 모은 뒤 미래 아파트 매매실거래가격을 예측하는 모델을 만든다. 해당 연구는 먼저 다중 공선성 문제를 변수 제거 및 결합으로 해결하였다. 이후 의미있는 독립변수들을 뽑아내는 전진선택법(Forward Selection), 후진소거법(Backward Elimination), 단계적선택법(Stepwise Selection), L1 Regularization, 주성분분석(PCA) 총 5개의 변수 선택 알고리즘을 사용했다. 또한 심층신경망(DNN), XGBoost, CatBoost, Linear Regression 총 4개의 머신러닝 및 딥러닝 알고리즘을 이용해 하이퍼파라미터 최적화 후 모델을 학습시키고 모형간 예측력을 비교하였다. 추가 실험에서는 DNN의 node와 layer 수를 바꿔가면서 실험을 진행하여 가장 적절한 node와 layer 수를 찾고자 하였다. 결론적으로 가장 성능이 우수한 모델로 2021년의 아파트 매매실거래가격을 예측한 후 실제 2021년 데이터와 비교한 결과 훌륭한 성과를 보였다. 이를 통해 머신러닝과 딥러닝은 다양한 경제 상황 속에서 투자자들이 주택을 구매할 때 올바른 판단을 할 수 있도록 도움을 줄 수 있을 것이라 확신한다.