기성시가지 필지별 토지이용 변화 예측을 위한 기계학습 모델 개발에 관한 연구: 서울시 신축 발생 예측을 중심으로
Developing a Machine Learning Model for the Prediction of Parcel-based Land Use Changes in Existing Urban Areas: Focusing on the Reconstruction of Residential Buildings in Seoul
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
본 연구는 서울시를 대상으로 건물의 신축위치를 예측하는 기계학습 모델을 구축하 고 적용가능성에 대한 시사점을 제공하는데 목적을 두었다. 연구범위는 2006~ 2015년까지 서울시 전체 필지이며, 예측 대상은 건물의 신축이 일어나는 필지이다. 예측을 위해 필지, 건물, 주변환경 속성 등 총 59개의 변수를 구축하였으며, 모형은 지지벡터 머신, 인공신경망, 의사결정나무, 사례기반추론, 로지스틱 회귀분석, 그래 디언트 부스팅 등 6개 기계학습 알고리즘을 적용하였다. 예측결과 중요도 상위 4개 변수(대지면적, 지목, 주변지역의 과소필지 비율, 지가)를 사용한 의사결정나무 모형 의 정확도가 가장 높은 것으로 나타났다. 이는 예측모델이 주된 몇 개의 변수로 모 델을 구축하는 것이 더 나은 결과를 보일 수 있으며 데이터에 따라 적합한 알고리 즘이 다르다는 것을 의미한다. 따라서 예측모델의 구축과 적용을 위해서는 데이터 를 다양한 알고리즘과 환경에 적용하는 관련 연구의 축적이 필요할 것으로 보인다.
Abstract
The purpose of this study was to build a machine learning model that predicts building’s new construction location in Seoul. The predicted target is the location(parcel) where the new construction of the building takes place from 2006 to 2015. For prediction, a total of 59 variables including parcel, building, and surrounding environment properties were constructed, and the model applied six machine learning algorithms, such as a support vector machine, artificial neural network, decision tree, case-based reasoning, logistic regression, and gradient boosting. As a result of models, it was found that the decision tree model using the top 4 variables of importance(ground area, tree, and the ratio of under parcels in the surrounding area, land price) has the highest accuracy. This means that building a model with a few important variables may give better results and suitable algorithms differ depending on the data. In order to build and apply a predictive model, it is necessary to accumulate studies that apply data to various algorithms and environments.
참고문헌 (38)
- 김경민, "기계학습을 통한 공동주택 가격결정요인 분석", 주거환경, 14(3), pp.29~40 (2016), 한국주거환경학회
- 김대종, "토지이용변화 예측을 위한 시공간패턴분석기법 적용방안", 국토계획, 47(6), pp.65~81 (2012), 대한국토·도시계획학회
- 김상훈, "서울시 도시철도 확충이 신규역세권 개발밀도 변화에 미치는 영향 분석", 국토계획, 50(2), pp.173~195 (2015), 대한국토·도시계획학회
- 김성보, "저층주택지의 유형 구분 및 관리방안에 관한 연구 : 서울시 저층주택지를 중심으로", 박사, pp.2017
- 김억기, "강수지역 구분을 위한 최적 자료 전처리 기법 분석", 한국방재학회논문집, 12(5), pp.233~240 (2012), 한국방재학회
- 김영환, "기성시가지 내 기반시설 및 개발밀도에 관한 연구 - 청주시를 사례로 -", 국토계획, 46(5), pp.137~151 (2011), 대한국토·도시계획학회
- 문근식, "데이터마이닝기법을 활용한 강남구 중소형 오피스빌딩의 매매가격 결정요인 분석", 한국콘텐츠학회 논문지, 15(7), pp.414~427 (2015), 한국콘텐츠학회[DOI]
- 배성완, "딥 러닝을 이용한 부동산가격지수 예측", 부동산연구, 27(3), pp.71~86 (2017), 한국부동산연구원
- 배성완, "기계 학습을 이용한 공동주택 가격 추정: 서울 강남구를 사례로", 부동산학연구, 24(1), pp.69~85 (2018), 한국부동산분석학회[DOI]
- 연규필, "표준주택공시가격 적정성 제고를 위한 기계학습적 접근", 부동산학연구, 21(2), pp.83~92 (2015), 한국부동산분석학회
- 윤영란, "기계학습을 이용한 재실자 상태 인지를 위한 환경 데이터 기반Classification 알고리즘 비교 연구", 한국생활환경학회지, 25(2), pp.175~182 (2018), 한국생활환경학회[DOI]
- 이석원, "거시경제요인이 아파트가격 변동에 미치는 영향 연구 -의사결정나무 방법론을 이용하여-", 부동산학보, (70), pp.28~41 (2017), 한국부동산학회
- 이재남, "토지구획정리사업지구에서의 블록유형별 노후건축물 분포를 고려한 주거지 정비방안", 도시설계, 14(2), pp.19~33 (2013), 한국도시설계학회
- 이제영, "서포트 벡터 머신 알고리즘을 활용한 연속형 데이터의 다중인자 차원축소방법 적용", 한국데이터정보과학회지, 21(6), pp.1271~1280 (2010), 한국데이터정보과학회
- 이창로, "단독주택가격 추정을 위한 기계학습 모형의 응용", 대한지리학회지, 51(2), pp.219~233 (2016), 대한지리학회
- 정원구, "인공신경망을 이용한 공동주택 가격지수 예측에 관한 연구*- 서울지역을 중심으로-", 주택연구, 15(3), pp.39~64 (2007), 한국주택학회
- 정화미, "신경망을 이용한 개별공시지가산정에 관한 연구", 국토계획, 36(7), pp.55~66 (2001), 대한국토 · 도시계획학회
- 조대헌, "개발밀도를 고려한 셀룰러 오토마타 기반의 도시 토지이용변화 모델링", 대한지리학회지, 43(1), pp.117~133 (2008), 대한지리학회
- 지남석, "지하철 역세권 건축물 용도변화의 영향요인에 관한 연구 - 대전시 3개 지하철 역세권을 대상으로 -", 한국지역개발학회지, 25(1), pp.39~56 (2013), 한국지역개발학회
- 최막중, "기반시설 제약조건하에서의 도시개발용량과 토지이용밀도", 국토계획, 34(3), pp.61~72 (1999), 대한국토 · 도시계획학회
- 황유섭, "사례기반 추론기법과 인공신경망을 이용한 서비스 수요예측 프레임워크", 지능정보연구, 18(4), pp.43~57 (2012), 한국지능정보시스템학회
- Bishop, C. M., "Neural Networks for Pattern Recognition" (1995), Oxford University Press
- Bose, I., "Business Data Mining — A Machine Learning Perspective", Information & Management, 39(3), pp.211~225 (2001)
- Freund, Y., "A Decision-theoretic Generalization of On-line Learning and an Application to Boosting", Journal of Computer and System Sciences, 55(1), pp.119~139 (1997)
- "Stochastic Gradient Boosting" (1999)[URL]
- Friedman, J. H., "Annals of Statistics", pp.1189~1232 (2001)
- Kim, J. W., "Application of Decision-tree Induction Techniques to Personalized Advertisements on Internet Storefronts", International Journal of Electronic Commerce, 5(3), pp.45~62 (2001)
- Leo, B., "Classification and Regression Trees", Wadsworth International Group., ~ (1984)
- Lu, Q., "Structure Preserving Unsupervised Feature Selection", Neurocomputing, 301, pp.36~45 (2018)
- Olson, D. L., "Comparative Analysis of Data Mining Methods for Bankruptcy Prediction", Decision Support Systems, 52(2), pp.464~473 (2012)
- Persson, C., "Multi-site Solar Power Forecasting using Gradient Boosted Regression Trees", Solar Energy, 150, pp.423~436 (2017)
- Quinlan, J. R., "Combining Instance-based and Model-based Learning", Proceedings of the Tenth International Conference on Machine Learning, pp.236~243 (1993)
- Raj, S., "Development of Handheld Cardiac Event Monitoring System", IFAC-PapersOnLine, 48(4), pp.71~76 (2015)
- Razi, M. A., "A Comparative Predictive Analysis of Neural Networks(NNs), Nonlinear Regression and Classification and Regression Tree(CART)Models", Expert Systems with Applications, 29(1), pp.65~74 (2005)
- Schank, R. C., "The Current State of AI : One Man’s Opinion", AI Magazine, 4(1), pp.3~ (1983)
- Specht, D. F., "A General Regression Neural Network", IEEE Transactions on Neural Networks, 2(6), pp.568~576 (1991)
- Wu, D., "Supplier Selection : A Hybrid Model using DEA, Decision Tree and Neural Network", Expert Systems with Applications, 36(5), pp.9105~9112 (2009)
- Zhang, Y., "A Gradient Boosting Method to Improve Travel Time Prediction", Transportation Research Part C : Emerging Technologies, 58, pp.308~324 (2015)