본문 바로가기
KERD
논문KCI 등재

머신러닝을 활용한 결측 부동산 매매 지수의 추정에 대한 연구

A Study on the Index Estimation of Missing Real Estate Transaction Cases Using Machine Learning

김규석|남대식|김경민
한국경제지리학회 (The Economic Geographical Society Of Korea)|2022.03|한국경제지리학회지 (Journal of the Economic Geographical Society of Korea)|제25권 제1호|pp. 171-181|DOI 10.23841/egsk.2022.25.1.171

0

조회

0

다운로드

3

인용

0

참고문헌

키워드

머신러닝machine learningmissing value결측치부동산 매매가격 지수MAPE(평균절대비오차)RNN(순환신경망)LSTM(장단기 메모리)real estate price indexmape(mean absolute percentage error)rnn(recurrent neural network)lstm(long short-term memory)
주제분류지리학

초록

부동산 시장 분석에 있어 기본이 되는 정량적 데이터는 부동산 가격 지수이다. OECD와 같은 국제기구에서는 국가별 부동산 가격 지수를 공표하고, 한국부동산원에서는 광역시 단위와 시군구 단위의 지수를 산출한다. 그런데 공간단위를 시군구보다 정교한 동단위, 아파트 단지 단위로 설정하는 경우, 여러 문제점을 맞이하게 된다. 대표적인 문제는 결측치이다. 공간적 범위를 좁힐수록 단위 기간에 따라 거래가 적거나 아예 존재하지 않는경우가 존재하기에 이 경우에는 지수의 산출이 불가능한 결측치가 발생할 수 있다. 본 연구에서는 지도학습 기반의 머신러닝 기법을 활용하여 특정 범위와 기간에 거래가 존재하지 않아 발생할 수 있는 결측치를 보완하는기법을 제안한다. 본 모형을 통해 부동산 매매 지수의 실제값이 존재하는 것들의 예측을 통해 그 정확도를 검증하고 결측치가 발생한 것들의 예측도 해 볼 수 있었다.

Abstract

The real estate price index plays key roles as quantitative data in real estate market analysis. International organizations including OECD publish the real estate price indexes by country, and the Korea Real Estate Board announces metropolitan-level and municipal-level indexes. However, when the index is set on the smaller spatial unit level than metropolitan and municipal-level, problems occur: missing values. As the spatial scope is narrowed down, there are cases where there are few or no transactions depending on the unit period, which lead index calculation difficult or even impossible. This study suggests a supervised learning-based machine learning model to compensate for missing values that may occur due to no transaction in a specific range and period. The models proposed in our research verify the accuracy of predicting the existing values and missing values.

참고문헌 (30)

  1. "실거래가 공개시스템"[URL]
  2. 박주연, "아파트 특성이 분양 후 가격 변동에 미치는 요인: 판교 신도시를 대상으로", 부동산연구, 24(4), pp.25~37 (2014), 한국부동산연구원
  3. 박천규, "주택시장 체감지표의 주택시장지표 예측력 분석", 부동산학연구, 16(1), pp.131~146 (2010), 한국부동산분석학회
  4. 배종찬, "거시경제와 부동산정책이 서울 아파트가격에 미치는 영향 연구", LHI Journal, 12(4), pp.41~59 (2021), 한국토지주택공사 토지주택연구원[DOI]
  5. 배성완, "머신 러닝 방법과 시계열 분석 모형을 이용한 부동산 가격지수 예측", 주택연구, 26(1), pp.107~133 (2018), 한국주택학회[DOI]
  6. 손정식, "부동산가격 예측모형에 관한 연구", 주택연구, 11(1), pp.49~75 (2003), 한국주택학회
  7. 송의현, "제2기 수도권신도시 및 주변지역 아파트가격지수 추정", 부동산분석, 5(2), pp.17~41 (2019), 한국부동산원[DOI]
  8. 신동하, "RNN과 LSTM을 이용한 주가 예측율 향상을 위한 딥러닝 모델", 한국정보기술학회논문지, 15(10), pp.9~16 (2017), 한국정보기술학회[DOI]
  9. 이금숙, "복합용도개발과 교통이 아파트가격에 미치는 영향", 한국경제지리학회지, 13(4), pp.515~528 (2010), 한국경제지리학회[DOI]
  10. 이우민, "주택정책에 따른 서울 자치구별 주택시장 반응에 대한 연구", 한국경제지리학회지, 22(4), pp.555~575 (2019), 한국경제지리학회[DOI]
  11. 전해정, "유동성 관련 변수가 주택가격에 미치는 영향 및 정책적 시사점에 관한 연구", 한국경제지리학회지, 15(4), pp.585~600 (2012), 한국경제지리학회[DOI]
  12. 이태형, "인공신경망을 활용한 주택가격지수 예측에 관한 연구 : 서울 주택가격지수를 중심으로", 박사, pp.2019
  13. 임성식, "주택가격지수 예측모형에 관한 비교연구", 한국데이터정보과학회지, 25(1), pp.65~76 (2014), 한국데이터정보과학회[DOI]
  14. "통계청"[URL]
  15. 최문기, "거시경제변수 및 부동산 대책이 강남4구 아파트 시장에 미치는 영향", 한국지적학회지, 37(3), pp.105~114 (2021), 한국지적학회[DOI]
  16. "경제통계시스템"[URL]
  17. Chanasit, K., "A Real Estate Valuaton Model Using Boosted Feature Selection", IEEE Access, 9, pp.86938~86953 (2021)
  18. Duan, L., "Improving spectral clustering with deep embedding, cluster estimation and metric learning", Knowledge and Information Systems, 63(3), pp.675~694 (2020)
  19. Grinberg, N. F., "An evaluation of machine-learning for predicting phenotype : studies in yeast, rice, and wheat", Machine Learning, 109(2), pp.251~277 (2019)
  20. Hihn. H., "Specialization in Hierachical Learning Systems : A Unified Informationtheoretic Approach for Supervised, Unsupervised and Reinforcement Learning", Neural Processing Letters, 52(3), pp.2319~2352 (2020)
  21. Hendershott, P. H., "Investor rationality : evidence from UK property capitalization rates", Real Estate Economics, 33(2), pp.299~322 (2005)
  22. Hollies, R., "International variation in office yields : a panel approach", Journal of Property Investment and Finance, 25(4), pp.370~387 (2007)
  23. Huang, Y., "Predicting Home Value in California, United States via Machine Learning Modeling", Statistics, Optimization & Information Computing, 7(1), pp.66~74 (2019)
  24. Khan, A., "RNN-LSTM-GRU based language transformation", Soft Computing, 23(24), pp.13007~13024 (2019)
  25. Kim, K., "How does liquidity in the financial market affect the real estate market yields?", Journal of Property Investment & Finance, 37(10), pp.2~19 (2019)
  26. Kumar, N., "Artificial intelligence for classification and regression tree based feature selection method for network intrusion detection system in various telecommunication technologies", Computational Intelligence, pp.1~13 (2022)
  27. Lauati, A., "Price forecasting for real estate using machine learning: A case study on Riyadh city", 1~16 (2021)
  28. Park, B., "Using machine learning algorithms for housing pice prediction : The case of Fairfax County, Virginia housing data", Expert Systems with Applications, 42(6), pp.2928~2934 (2015)
  29. Tchuente, D., "Real estate price estimation in French cities using geocoding and machine learning", Annals of Operations Research, 308(1-2), pp.571~608 (2021)
  30. Sivitanides, P., "The determinants of appraisal-based capitalization rates", Real Estate Finance, 18(2), pp.27~38 (2001)

이 간행물의 다른 논문 (9건)

Entrepreneurial Ecosystems(기업가적 생태계) 개념과 시사점구양미pp. 1-22전자산업 글로벌 가치사슬의 변화와 주요국의 참여 구조 분석구지영pp. 23-40제조업 집적의 외부효과가 지역경제 생산성에 미치는 영향 분석: 산업단지 조절효과를 중심으로우한성pp. 41-59대구 자동차부품산업의 기술이전 프로세스김효미pp. 61-86B급 문화콘텐츠의 활용을 통한 소도시 마케팅 전략: 충주시의 사례를 중심으로권경인, 이병민pp. 87-107
원문 보기