본문 바로가기
KERD
논문KCI 등재

딥러닝과 머신러닝을 이용한 아파트 실거래가 예측

Apartment Price Prediction Using Deep Learning and Machine Learning

오하영|김학현|유환규
한국정보처리학회|2023.02|정보처리학회 논문지 (The Transactions of the Korea Information Processing Society)|제12권 제2호|pp. 59-76

1

조회

0

다운로드

6

인용

0

참고문헌

키워드

부동산회귀RegressionDNNMap VisualizationReal EstateXGBoostCatBoost지도 시각화
주제분류컴퓨터학

초록

코로나 시대 이후 아파트 가격 상승은 비상식적이었다. 이러한 불확실한 부동산 시장에서 가격 예측 연구는 매우 중요하다. 본 논문에서는다양한 부동산 사이트에서 자료 수집 및 크롤링을 통해 2015년부터 2020년까지 87만개의 방대한 데이터셋을 구축하고 다양한 아파트 정보와경제지표 등 가능한 많은 변수를 모은 뒤 미래 아파트 매매실거래가격을 예측하는 모델을 만든다. 해당 연구는 먼저 다중 공선성 문제를 변수제거 및 결합으로 해결하였다. 이후 의미있는 독립변수들을 뽑아내는 전진선택법(Forward Selection), 후진소거법(Backward Elimination), 단계적선택법(Stepwise Selection), L1 Regularization, 주성분분석(PCA) 총 5개의 변수 선택 알고리즘을 사용했다. 또한 심층신경망(DNN),XGBoost, CatBoost, Linear Regression 총 4개의 머신러닝 및 딥러닝 알고리즘을 이용해 하이퍼파라미터 최적화 후 모델을 학습시키고 모형간 예측력을 비교하였다. 추가 실험에서는 DNN의 node와 layer 수를 바꿔가면서 실험을 진행하여 가장 적절한 node와 layer 수를 찾고자하였다. 결론적으로 가장 성능이 우수한 모델로 2021년의 아파트 매매실거래가격을 예측한 후 실제 2021년 데이터와 비교한 결과 훌륭한 성과를 보였다. 이를 통해 머신러닝과 딥러닝은 다양한 경제 상황 속에서 투자자들이 주택을 구매할 때 올바른 판단을 할 수 있도록 도움을 줄수 있을 것이라 확신한다.

Abstract

Since the COVID-19 era, the rise in apartment prices has been unconventional. In this uncertain real estate market, price predictionresearch is very important. In this paper, a model is created to predict the actual transaction price of future apartments after buildinga vast data set of 870,000 from 2015 to 2020 through data collection and crawling on various real estate sites and collecting as manyvariables as possible. This study first solved the multicollinearity problem by removing and combining variables. After that, a totalof five variable selection algorithms were used to extract meaningful independent variables, such as Forward Selection, BackwardElimination, Stepwise Selection, L1 Regulation, and Principal Component Analysis(PCA). In addition, a total of four machine learningand deep learning algorithms were used for deep neural network(DNN), XGBoost, CatBoost, and Linear Regression to learn the modelafter hyperparameter optimization and compare predictive power between models. In the additional experiment, the experiment wasconducted while changing the number of nodes and layers of the DNN to find the most appropriate number of nodes and layers. In conclusion, as a model with the best performance, the actual transaction price of apartments in 2021 was predicted and comparedwith the actual data in 2021. Through this, I am confident that machine learning and deep learning will help investors make the rightdecisions when purchasing homes in various economic situations.

참고문헌 (20)

  1. 남상현, "머신러닝 기법을 통한 대한민국 부동산 가격 변동 예측", 한국인터넷방송통신학회 논문지, 20(6), pp.15~20 (2020), 한국인터넷방송통신학회[DOI]
  2. 황윤태, "아파트 가격 지수 산출에 관한 연구: 머신러닝 알고리즘을 중심으로", 금융연구, 33(3), pp.51~83 (2019), 한국금융학회[DOI]
  3. L. Whieldon, "Predicting residential property value in catonsville, maryland : A comparison of multiple regression techniques", General Economics(econ. GN), ~ (2020)
  4. S. B. Jha, "Housing market prediction problem using different machine learning algorithms : A case study", Machine Learning(cs. LG), ~ (2020)
  5. 배성완, "딥 러닝을 이용한 부동산가격지수 예측", 부동산연구, 27(3), pp.71~86 (2017), 한국부동산연구원
  6. 배성완, "머신 러닝 방법과 시계열 분석 모형을 이용한 부동산 가격지수 예측", 주택연구, 26(1), pp.107~133 (2018), 한국주택학회[DOI]
  7. 배성완, "기계 학습을 이용한 공동주택 가격 추정: 서울 강남구를 사례로", 부동산학연구, 24(1), pp.69~85 (2018), 한국부동산분석학회[DOI]
  8. 이태형, "딥러닝 모형을 활용한 서울 주택가격지수 예측에 관한 연구: 다변량 시계열 자료를 중심으로", 주택도시연구, 8(2), pp.39~56 (2018), SH공사 도시연구원[DOI]
  9. 전해정, "딥 러닝을 이용한 주택가격 예측에 관한 연구", 주거환경, 17(2), pp.37~49 (2019), 한국주거환경학회[DOI]
  10. 임성식, "주택가격지수 예측모형에 관한 비교연구", 한국데이터정보과학회지, 25(1), pp.65~76 (2014), 한국데이터정보과학회[DOI]
  11. L. Prokhorenkova, "CatBoost : Unbiased boosting with categorical features", Machine Learning(cs. LG), ~ (2017)
  12. G. Ke, "LightGBM : A highly efficient gradient boosting decision tree", Advances in Neural Information Processing Systems, 30 (2017)[DOI]
  13. T. Chen, "XGBoost : A scalable tree boosting system", Machine Learning(cs. LG), ~ (2016)
  14. S. Kapoor, "A simple and fast baseline for tuning large XGBoost models", Machine Learning(cs. LG), ~ (2021)
  15. P. Liashchynskyi, "Grid search, random search, genetic algorithm : A big comparison for NAS", Machine Learning(cs. LG), ~ (2019)
  16. J. Shlens, "A tutorial on principal component analysis", Machine Learning(cs. LG), ~ (2014)
  17. Byeonghwa Park, "Using machine learning algorithms for housing price prediction: The case of Fairfax County, Virginia housing data", Expert Systems with Applications, 42(6), pp.2928~2934 (2015), Elsevier BV[DOI]
  18. A. B. Khamis, "Comparative study on estimate house price using statistical and neural network model", International Journal of Scientific & Technology Research, 3(12), pp.126~131 (2014)
  19. A. Gulli, "Deep learning with keras" (2017), Packt Publishing
  20. A. S. Fotheringham, "Exploring, modelling and predicting spatiotemporal variations in house prices", The Annals of Regional Science, 54, pp.417~436 (2015)[DOI]

관련 논문AI추천

광주광역시 아파트 매매가 영향요인 분석고창완, 임성연, 정영선(사)한국스마트미디어학회 · 스마트미디어저널2022 · 제11권 제3호머신러닝 기반 오피스텔 적정가 자동 산정 기법조진형한국실천공학교육학회 · 실천공학교육논문지2024 · 제16권 제6호기계학습을 통한 공동주택 가격결정요인 분석김경민한국주거환경학회 · 주거환경2016 · 제14권 제3호머신 러닝 방법과 시계열 분석 모형을 이용한 부동산 가격지수 예측배성완, 유정석한국주택학회 · 주택연구2018 · 제26권 제1호머신러닝과 패널고정효과를 활용한 아파트 실거래가 예측김승현, 김원혁, 이윤수한국주택학회 · 주택연구2022 · 제30권 제1호딥 러닝을 이용한 주택가격 예측에 관한 연구양혜선, 전해정한국주거환경학회 · 주거환경2019 · 제17권 제2호

이 간행물의 다른 논문 (4건)

딥러닝을 이용한 농경지 팜맵 판독 적용 방안정남수, 위성승, 신용태, 이원석pp. 77-82Stack-Attention을 이용한 흐릿한 영상 강화 기법조석제, 이광일, 박채림pp. 83-90이미지 이어붙이기를 이용한 인간-객체 상호작용 탐지 데이터 증강이상백, 이규철pp. 91-98마이터 어택과 머신러닝을 이용한 UNSW-NB15 데이터셋 기반 유해 트래픽 분류원동호, 구자환, 윤동현pp. 99-110
원문 보기