적대적 생성망을 이용한 부동산 시계열 데이터 생성 방안
A Methodology for Realty Time-series Generation Using Generative Adversarial Network
1
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
최근 빅데이터 분석, 인공지능, 기계학습 등의 발전으로 인해서 데이터를 과학적으로 분석하는 기술이 발전하고 있으며 이는 의사결정 문제를 최적으로 해결해주고 있다. 그러나 특정 분야의 경우에는 데이터의 양이 부족해서 과학적 방식에 적용하는 것이 어렵다. 예컨대 부동산과 같은 데이터는 데이터 발표 시점이 최근이거나 비 유동성 자산이다 보니 발표 주기가 긴 경우가 많다. 따라서 본 연구에서는 이런 문제점을 극복하기 위해서 TimeGAN 모형을 통해 기존의 시계열의 확장 가능성에 대해서 연구하고자 한다. 이를 위해 부동산과 관련된 총 45개의 시계열을 데이터 셋에 맞게 2012년부터 2021년까지 주 단위로 데이터를 수집하고 시계열 간의 상관관계를 고려해서 총 15개의 최종 시계열을 선정한다. 15개의 시계열에 대해서 TimeGAN 모형을 통해 데이터 확장을 한 결과, PCA 및 T-SNE 시각화 알고리즘을 통해 실제 데이터와 확장 데이터 간의 통계적 분포가 유사하다는 것을 확인할 수 있었다. 따라서 본 논문을 통해서 데이터의 과적합 또는 과소적합이라는 한계점을 극복할 수 있는 다양한 실험이 연구되기를 기대한다.
Abstract
With the advancement of big data analysis, artificial intelligence, machine learning, etc., data analytics technology has developed to help with optimal decision-making. However, in certain areas, the lack of data restricts the use of these techniques. For example, real estate related data often have a long release cycle because of its recent release or being a non-liquid asset. In order to overcome these limitations, we studied the scalability of the existing time series through the TimeGAN model. A total of 45 time series related to weekly real estate data were collected within the period of 2012 to 2021, and a total of 15 final time series were selected by considering the correlation between the time series. As a result of data expansion through the TimeGAN model for the 15 time series, it was found that the statistical distribution between the real data and the extended data was similar through the PCA and t-SNE visualization algorithms.
참고문헌 (16)
- 강우규, "인공지능에 대한 인간의 감정 고찰 -알파고 VS 이세돌 대국에 관한 신문기사 분석을 중심으로", 倫理硏究, 1(123), pp.181~201 (2018), 한국윤리학회[DOI]
- 유재필, "빅테이터 트렌드를 이용한 섹터 투자 전략", 정보화연구, 13(1), pp.111~121 (2016), 한국엔터프라이즈아키텍처학회
- 임준엽, "트위터를 이용한 기계학습 기반의 영화흥행 예측", 정보처리학회 논문지, 3(7), pp.263~270 (2014), 한국정보처리학회[DOI]
- 신승수, "데이터 불균형 해소를 위한 유전알고리즘 기반 최적의 오버샘플링 비율", 한국융합학회논문지, 12(1), pp.49~55 (2021), 한국융합학회[DOI]
- 배성완, "표본 주택 가격 기반 부동산 가격지수 산정: 머신 러닝 방법의 활용을 중심으로", 주택연구, 26(4), pp.53~74 (2018), 한국주택학회[DOI]
- 유재필, "변동성지수와 관리도를 이용한 KOSPI200 지수선물 투자전략", 대한산업공학회지, 38(4), pp.237~243 (2012), 대한산업공학회[DOI]
- 김정우, "결측 데이터 보정법에 의한 의사 데이터로 조정된 예측 최적화 방법", 한국산학기술학회논문지, 20(2), pp.200~209 (2019), 한국산학기술학회[DOI]
- Ann Cowling, "On Pseudodata Methods for Removing Boundary Effects in Kernel Density Estimation", Journal of the Royal Statistical Society: Series B (Methodological), 58(3), pp.551~563 (1996), Wiley[DOI]
- L. Breiman., "Using convex pseudo-data to increase prediction accuracy", breast, 5(2), pp.1~18 (1998)
- Archana Purwar, "Hybrid prediction model with missing value imputation for medical data", Expert Systems with Applications, 42(13), pp.5621~5631 (2015), Elsevier BV[DOI]
- 윤진현, "문화재 (pagoda) 복원을 위한 GAN 알고리즘 연구", 한국컴퓨터정보학회논문지, 26(1), pp.77~84 (2021), 한국컴퓨터정보학회[DOI]
- Uthayasankar Sivarajah, "Critical analysis of Big Data challenges and analytical methods", Journal of Business Research, 70, pp.263~286 (2017), Elsevier BV[DOI]
- 백문기, "GAN으로 합성한 음성의 충실도 향상", 정보처리학회 논문지, 10(1), pp.9~18 (2021), 한국정보처리학회[DOI]
- Augustus Odena, "Deconvolution and Checkerboard Artifacts", Distill, 1(10) (2016), Distill Working Group[DOI]
- I. Goodfellow, "Generative adversarial nets", Advances in neural information processing systems, pp.2672~2680 (2014)[DOI]
- J. S. Yoon, "Time-series Generative Adversarial Networks", 33rd Conference on Neural Information Processing System. (2019)