딥러닝을 활용한 지가적정성 검증모형: DCGAN 적용을 중심으로
Validation Model of Land Price Adequacy by Applying DCGAN
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 인공지능 기술은 모든 산업분야에서 광범위하게 적용되고 있다. 부동산분야에서도 예외는 아니며 민간분야에서 빅데이터와 컴퓨터기술의 결합으로 과업 효율성이 극대화되는 추세이다. 개별공시지가 검증업무는 매년 반복적으로 수행되고 있음에도 지가오류의 문제가 발생하고 있는바 새로운 검증방안으로서 딥러닝 중 DCGAN의 적용 가능성을 분석하였다. 연구결과 첫째, 일정한 학습이후 D와 G모두에서 안정화 추세를 보였으며 DCGAN의 정확도는 최대 78.8%수준으로 나타났다. 둘째, 소거비율을 90%~30% 범위에서 조정하여 분석한 결과 적정 소거비율은 60%로 분석되었다. 셋째, 적정 소거비율을 기준으로 용도지역 정확도를 분석한 결과 ‘주거지역>공업지역>녹지지역>상업지역’으로 나타났다. 넷째, 학습이 진행됨에 따라 모형의 정확도가 개선되었다. DCGAN을 지가검증 모형으로 적용하기 위해서는 정책안정성을 고려하여 풍부한 입력데이터를 투입하고 정확도를 향상시킬 필요가 있다. 본 연구는 지가검증을 위한 새로운 대안의 가능성을 확인하였다는데 의미가 있으나, 분석데이터의 공간적ㆍ시간적 범위를 확대한 추가 연구가 필요하다는 한계를 갖는다.
Abstract
Recently, artificial intelligence has become widely utilized in all industries. The field of real estate property is not an exemption, and in private sectors, efficiency is optimized through the integration between big data and computer technology. This study analyzed the applicability of DCGAN paired with deep learning as a new verification measure. Land price errors occur for public land prices despite repeated annual verification. Based on the research findings, first, there was a stabilizing trend in D and G after steady learning where the accuracy of DCGAN was identified at 78.8%. Second, as a result of adjusting the extinction ratio within the 90%-30% range, the appropriate extinction ratio was analyzed at 60%. Third, the accuracy of land use was analyzed based on the appropriate extinction ratio, and was displayed in the order of 'residential area>industrial area>green area>commercial area' Fourth, the accuracy of the model was improved based on the learning process. To apply DCGAN as the land price verification model, it is necessary to consider the policy appropriateness and apply sufficient inserted data to improve the accuracy of the model. This study is meaningful because it identified the potential of new measurements for land price verification. There are, however, limits to this study requiring additional research with enlarged spatial and temporal ranges.
참고문헌 (31)
- 2020년도 부동산가격공시에 관한 연차보고서, "국토교통부", ~ (2020)
- 권민지, "딥러닝 모델 기반 서울시 아파트 매매가격지수 예측", 대한산업공학회추계학술대회 논문집, pp.101~106 (2020)
- 김채원, "딥러닝을 활용한 아파트 매매가 예측 모델 설계", 한국통신학회 학술대회논문집, pp.463~464 (2020)
- 민성욱, "딥러닝을 이용한 주택가격 예측모형에 관한 연구", 박사, pp.2017
- 배성완, "딥 러닝을 이용한 부동산가격지수 예측", 부동산연구, 27(3), pp.71~86 (2017), 한국부동산연구원
- 신은경, "SOM을 이용한 지역분석 기반 딥러닝을 활용한 부동산가격 예측", 한국IT서비스학회 2020 추계학술대회, pp.114~121 (2020)
- 이창로, "The Deep Learning Approach to Property Valuation: An Application of a Multilayer Neural Net Model for Estimating House", 한국지역개발학회지, 30(4), pp.179~202 (2018), 한국지역개발학회
- 부동산 과세가치 추정방법 연구 – AI기술의접목을 중심으로, "이창로", 한국지방세연구원, ~, pp.기본과제 2019-05호 (2019)
- 이태형, "딥러닝 모형을 활용한 서울 주택가격지수 예측에 관한 연구: 다변량 시계열 자료를 중심으로", 주택도시연구, 8(2), pp.39~56 (2018), SH공사 도시연구원[DOI]
- 전해정, "딥 러닝을 이용한 주택가격 예측에 관한 연구", 주거환경, 17(2), pp.37~49 (2019), 한국주거환경학회[DOI]
- 정원구, "인공신경망을 이용한 공동주택 가격지수 예측에 관한 연구*- 서울지역을 중심으로-", 주택연구, 15(3), pp.39~64 (2007), 한국주택학회
- 딥러닝(Deep Learning)기술의 이해와 연구개발 정책과제, "최근우", 한국과학기술기획평가원, ~ (2016)
- Radford, A., "Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks", Under review as a conference paper at ICLR 2016 (2016)
- He, B, "Stock Price Prediction by Using Hybrid Sequential Generative Adversarial Networks", 2020 International Conference on Data Mining Workshops (ICDMW) (2020)
- Chen, X., "House Price Prediction Using LSTM", ~ (2017)
- Hinton, Geoffrey E., "A Fast Learning Algorithm for Deep Belief Nets", Neural computation, 18(7), pp.1527~1554 (2006)
- Glorot, X., "Understanding the difficulty of training deep feedforward neural networks", Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics, PMLR, 9, pp.249~256 (2010)
- Goodfellow, I. J., "Generative Adversarial Nets", Proceedings of the International Conference on Neural Information Processing Systems(NIPS 2014), pp.2672~2680 (2014)
- Zhang, K., "Stock Market Prediction Based on Generative Adversarial Network", Procedia Computer Science, 147, pp.400~406 (2019)
- Khalafallah, A., "Neural Network Based Model for Predicting Housing Market Performance", TSINGHUA SCIENCE AND TECHNOLOGY, 13(S1), pp.325~328 (2008)
- Khamis, Azme, B., "Comparative Study On Estimate House Price Using Statistical And Neural Network Model", INTERNATIONAL JOURNAL OF SCIENTIFIC & TECHNOLOGY RESEARCH, 3(12), pp.126~131 (2014)
- Koch, D., "Visual Estimation of Building Condition with Patch-level ConvNets", ~ (2018)
- Kuremotoa, T., "Time series forecasting using a deep belief network with restricted Boltzmann machines", Neurocomputing, 137, pp.47~56 (2014), Elsevier
- McCulloch, W. S., "A logical calculus of the ideas immanent in nervous activity", The Bulletin of Mathematical Biophysics, 5(4), pp.115~133 (1943)
- Milunovich, G., "Forecasting Australia’s real house price index: A comparison of time series and machine learning methods", Journal of Forecasting, 39, pp.1098~1118 (2019)
- Nair, V., "Rectified Linear units Improve Restricted Boltzmann Machines", Proceeding of the 27th International Conference on Machine Learning (ICML), pp.807~814 (2010)
- Nguyen, N., "Predicting housing value: a comparison of multiple regression analysis and artificial neural networks", Journal of Real Estate Research, 22(3), pp.313~336 (2001)
- Poursaeed, O., "Vision-based Real Estate Price Estimation", ~ (2018)
- Pow, N., "Prediction of real estate property prices in Montreal", Applied Machine Learning Project, 4 (2014)
- Bengio, Y., "Representation Learning : A Review and New Perspectives", IEEE Trans. PAMI, special Issue Learning Deep Architectures (2013)
- You, Q., "Image-based appraisal of real estate properties", IEEE Transactions on Multimedia, 19(12), pp.2751~2759 (2017)