k-평균 군집화와 인공신경망의 통합모형 구성: 주택가격추정 사례
An Integrated Model of k-Means and Neural Network: For House Price Prediction
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
본 연구에서는 k-평균 군집화 및 인공신경망 모형의 통합적 활용방식을 주택가격 추정에 적용하였다. 기존의 통합적 방식을 정리하고 새로운 통합방식을 제안하였으며, 주택가격 추정에 적용 및 추정력을 비교·평가하였다. 기존의 통합방식 모형을 주택가격 추정에 적용한 결과는 앞선 연구결과와 마찬가지로, 인공신경망으로만 구성한 모형보다 k-평균 군집결과를 인공신경망에 통합적으로 적용한 경우가 나은 추정력을 보이는 것으로 평가되었다. 이와 더불어, 본 논문에서는 개선된 통합방식을 제안하고자 하였다. 기존의 통합방식은 k-평균 군집화 과정이 마치 인공신경망의 입력자료를 유사성에 따라 나누고, 군집별 특성을 추가적으로 인공신경망에 반영하는 방식으로 고려된다. 제안한 통합모형은 학습용 데이터로부터 분할한 훈련용 데이터의 k-평균 및 군집결과로부터 인공신경망을 구성하는 형태로 구성하였다. 그리고 검증용 및 테스트용 데이터는 훈련용 데이터의 군집중심과 최근접 기준으로 각각 동일한 수의 군집으로 분류하였다. MAE로써 평가한 결과, 주택가격 추정사례에서 기존의 통합방식과 비교하여 개선된 추정력을 보이는 것으로 평가되었다. 본 논문에서 제안된 k-평균 군집화 및 인공신경망의 통합모형은 주택가격 추정 뿐만 아니라, 다양한 추정모형으로 활용이 가능할 것으로 기대된다.
Abstract
In this paper, the existing methods and a new proposed method of integration of k-means clustering and artificial neural network are compared and their estimation powers are evaluated for house price estimation. In previous studies, the integration methods were applied to areas other than house price, but the results of applying them to house price estimation are better than that of single usage of artificial neural network without k-means clustering. In the existing integration method, the k-means clustering is considered as a method in which the input data of the artificial neural network is divided according to similarity and the characteristics of each cluster are additionally reflected in the artificial neural network. The proposed integration model is configured in such a way that the training data is first divided from the learning data and the artificial neural network is constructed from k-means clustering results of the training data. In addition, the validation and test data are classified into the same number of clusters based on the closest criterion to the cluster centers of the training data groups. MAE is evaluated to show improved estimation power compared to the existing integration methods in the case of housing price estimation. The integration method proposed in this paper can be used not only for housing price estimation but also for various estimation models.
참고문헌 (25)
- 강진웅, "의사결정나무와 신경망 모형 결합에 의한 운전자 우회결정요인 분석", 한국도로학회논문집, 13(3), pp.167~176 (2011), 한국도로학회
- 김진석, "How the Pattern Recognition Ability of Deep Learning Enhances Housing Price Estimation", 한국경제지리학회지, 25(1), pp.183~201 (2022), 한국경제지리학회[DOI]
- 김창림, "사회연결망분석을 활용한 속성기반 데이터의 군집분석 : 구성원의 성격특성 데이터를 대상으로", 산업혁신연구, 36(2), pp.93~110 (2020), 산업개발연구소[DOI]
- 박병현, "빅데이터 분석을 통한 공공배달앱 인식 분석 연구 : 텍스트 마이닝 기법을 중심으로", 산업혁신연구, 38(4), pp.204~217 (2022), 산업개발연구소[DOI]
- 이우행, "사용자 관점에서의 음식 레시피 분류 모델에 관한 연구", 한국정보통신학회논문지, 26(10), pp.1441~1446 (2022), 한국정보통신학회
- 이윤수, "키워드 군집화를 이용한 연구 논문 분류에 관한 연구", 정보처리학회 논문지, 7(12), pp.477~484 (2018), 한국정보처리학회[DOI]
- 이윤홍, "출산율과 인구구조의 변화가 주택가격에 미치는 효과: 동탄신도시를 중심으로", 주택연구, 30(3), pp.113~139 (2022), 한국주택학회[DOI]
- 이지영, "인공신경망을 이용한 주택가격지수 예측", 한국산학기술학회논문지, 22(4), pp.228~234 (2021), 한국산학기술학회[DOI]
- 이창로, "단독주택가격 추정을 위한 기계학습 모형의 응용", 대한지리학회지, 51(2), pp.219~233 (2016), 대한지리학회
- 이해영, "코로나19 해외여행 불편 경험에 대한 여행자 반응 탐구: 소셜 빅데이터 내용분석", 산업혁신연구, 36(3), pp.167~190 (2020), 산업개발연구소[DOI]
- 최정일, "디지털 경제에 부동산 가격의 변동에 영향을 주는요인에 관한 연구", 디지털융복합연구, 11(11), pp.59~70 (2013), 한국디지털정책학회
- 홍고르출, "OrdinalEncoder based DNN for Natural Gas Leak Prediction", 한국융합학회논문지, 10(10), pp.7~13 (2019), 한국융합학회[DOI]
- Adetunjia, A. B., "House price prediction using random forest machine learning technique", Procedia Computer Science, 199, pp.806~813 (2022)
- Aviad, B., "Classification by clustering decision tree-like classifier based on adjusted clusters", Expert Systems with Applications, 38(7), pp.8220~8228 (2011)
- Bablani, A., "A multi stage EEG data classification using k-means and feed forward neural network", Clinical Epidemiology and Global Health, 8(3), pp.718~724 (2020)
- Faraoun, K. M., "Neural networks learning improvement using the k-means clustering algorithm to detect network intrusions", International Journal of Computer, Electrical, Automation, Control and Information Engineering, 1(10), pp.3138~3145 (2007)
- Hecht-Nielsen, R., "Applications of counter propagation networks", Neural Networks, 1(2), pp.131~139 (1988)
- Kang, J., "Developing a forecasting model for real estate auction prices using artificial intelligence", Sustainability, 12(7), pp.2899~ (2020)
- Kim, S. E., "Artificial neural network ensemble modeling with conjunctive clustering for water quality prediction in rivers", Journal of Hydro-Environmental Research, 9(3), pp.325~339 (2015)
- Li, D. K., "Tests for spatial dependence and heterogeneity in spatially autoregressive varying coefficient models with application to Boston house price analysis", Regional Science and Urban Economics, 79, pp.103470~ (2019)
- Lingxian, Y, "Online retail sales prediction with integrated framework of k-mean and neural network", Proceedings of the 10th International Conference on E1-Business, Management and Economics, pp.115~118 (2019)
- MacQueen, J., "Some methods for classification and analysis of multivariate observations", Fifth Berkley Symposium on Mathematical Statistics and Probability, 1(1), pp.281~297 (1967)
- McCulloch, W. S., "A logical calculus of the ideas immanent in nervous activity", The Bulletin of Mathematical Biophysics, 5(4), pp.115~133 (1943)
- Rousseeuw, P. J., "Silhouettes : a graphical aid to the interpretation and validation of cluster analysis", Journal of Computer Applied Mathematics, 20, pp.53~65 (1987)
- Subbalakshmi, C., "A method to find optimum number of clusters based on fuzzy silhouette on dynamic data set", Procedia Computer Science, 46, pp.346~353 (2015)