머신 러닝은 인공지능 기술의 한 분야로서 하드웨어의 발전과 함께 예측의 정확성을 향상시킬 수 있는 새로운 알고리즘이 개발되면서 주목받고 있다. 머신 러닝은 데이터를 이용한 학습을 기반으로 하는데, 최근 실거래자료, 매물자료와 같은 다양하고 방대한 부동산 데이터에 대한 접근 또는 수집이 가능하다는 점은 부동산 가격에 대한 예측에 있어서 머신 러닝의 활용 가능성이 높음을 시사하고 있다. 본 연구에서는 머신 러닝을 이용한 주택 가격 예측을 시도하여, 머신 러닝의 실제 활용 가능성을 검토하였다. 분석방법은 ...
머신 러닝은 인공지능 기술의 한 분야로서 하드웨어의 발전과 함께 예측의 정확성을 향상시킬 수 있는 새로운 알고리즘이 개발되면서 주목받고 있다. 머신 러닝은 데이터를 이용한 학습을 기반으로 하는데, 최근 실거래자료, 매물자료와 같은 다양하고 방대한 부동산 데이터에 대한 접근 또는 수집이 가능하다는 점은 부동산 가격에 대한 예측에 있어서 머신 러닝의 활용 가능성이 높음을 시사하고 있다. 본 연구에서는 머신 러닝을 이용한 주택 가격 예측을 시도하여, 머신 러닝의 실제 활용 가능성을 검토하였다. 분석방법은 서포트 벡터 머신(Support Vector Machine, SVM), 앙상블 모형(Ensenble Model)인 랜덤 포레스트(Random Forest, RF)와 그래디언트 부스팅 회귀 트리(Gradient Boosting Regression Tree, GBRT), 딥 러닝(Deep Learning) 방법인 심층신경망(Deep Neural Networks, DNN)과 LSTM(Long Short Term Momory networks)을 활용하였다. 본 연구에서는 주택 가격의 예측이 주택가격지수 작성과 주택가격지수 예측에 활용이 가능하다는 점을 고려하여 다음의 3가지 실증분석을 시도하였다. 첫째, 머신 러닝을 이용하여 서울특별시 강남구와 경기도 고양시 일산서구의 아파트 가격을 예측하였고 이를 통해 과세 가격 산정 업무에 있어서 머신 러닝의 활용 가능성을 검토하였다. 분석결과 SVM, RF, GBRT, DNN과 같은 머신 러닝 방법이 다중회귀분석보다 예측력이 우수한 것으로 나타났다. 머신 러닝에 의해 추정된 과세 가격은 실제 과세 가격보다 거래 가격을 더 잘 반영하고 있으며, 과세 형평성 요건도 충족하고 있는 것으로 나타났다. 둘째, ‘머신 러닝에 의해 추정된 표본 주택 가격’을 기반으로 서울특별시 강남구의 주택가격지수 작성을 시도하였다. 주택가격지수 작성에는 제본스 지수(Jevons Index) 방법을 이용하였다. 분석결과, 표본 주택 가격 추정시 활용되는 훈련 데이터의 범위에 따라 SVM 지수, RF 지수, GBRT 지수 및 DNN 지수는 변동성이 달라지는 것으로 나타났다. SVM 지수, RF 지수, GBRT 지수 및 DNN 지수는 KAB 지수 및 실거래가격지수와 비교적 유사한 추세를 보이고 있으며, 더 큰 변동성을 갖는 것으로 나타났다. 셋째, 머신 러닝 방법인 SVM, RF, GBRT, DNN 및 LSTM과 시계열분석 모형인 자기회귀이동평균모형(AutoRegressive Integrated Moving Average model, ARIMA), 벡터자기회귀모형(Vector AutoRegression model, VAR), 베이지언 벡터자기회귀모형(Bayesian Vector AutoRegression model, BVAR)을 이용하여 아파트 매매실거래가격지수를 추정하고, 모형 간 예측력을 비교하였다. 시계열분석 모형보다 머신 러닝 방법의 예측력이 우수한 것으로 나타났다. 시계열분석 모형은 안정적인 시장 상황에서는 의미 있는 예측결과를 보여주고 있으나 외부충격이나 구조적 변화로 인한 불안정한 시장 상황에서는 예측력이 급격히 낮아지는 것으로 나타났다. 반면, 머신 러닝 방법은 불안정한 시장 상황에서도 의미 있는 예측력을 보여주는 것으로 나타났다. 본 연구는 머신 러닝이 부동산 가격 산정에 있어서 효율성을 증진하고, 기존 주택가격지수의 문제점을 보완하며, 부동산 시장 예측의 정확성을 향상시키는 데 기여할 수 있음을 확인하였다는 점에서 의의를 갖는다.
머신 러닝은 인공지능 기술의 한 분야로서 하드웨어의 발전과 함께 예측의 정확성을 향상시킬 수 있는 새로운 알고리즘이 개발되면서 주목받고 있다. 머신 러닝은 데이터를 이용한 학습을 기반으로 하는데, 최근 실거래자료, 매물자료와 같은 다양하고 방대한 부동산 데이터에 대한 접근 또는 수집이 가능하다는 점은 부동산 가격에 대한 예측에 있어서 머신 러닝의 활용 가능성이 높음을 시사하고 있다. 본 연구에서는 머신 러닝을 이용한 주택 가격 예측을 시도하여, 머신 러닝의 실제 활용 가능성을 검토하였다. 분석방법은 서포트 벡터 머신(Support Vector Machine, SVM), 앙상블 모형(Ensenble Model)인 랜덤 포레스트(Random Forest, RF)와 그래디언트 부스팅 회귀 트리(Gradient Boosting Regression Tree, GBRT), 딥 러닝(Deep Learning) 방법인 심층신경망(Deep Neural Networks, DNN)과 LSTM(Long Short Term Momory networks)을 활용하였다. 본 연구에서는 주택 가격의 예측이 주택가격지수 작성과 주택가격지수 예측에 활용이 가능하다는 점을 고려하여 다음의 3가지 실증분석을 시도하였다. 첫째, 머신 러닝을 이용하여 서울특별시 강남구와 경기도 고양시 일산서구의 아파트 가격을 예측하였고 이를 통해 과세 가격 산정 업무에 있어서 머신 러닝의 활용 가능성을 검토하였다. 분석결과 SVM, RF, GBRT, DNN과 같은 머신 러닝 방법이 다중회귀분석보다 예측력이 우수한 것으로 나타났다. 머신 러닝에 의해 추정된 과세 가격은 실제 과세 가격보다 거래 가격을 더 잘 반영하고 있으며, 과세 형평성 요건도 충족하고 있는 것으로 나타났다. 둘째, ‘머신 러닝에 의해 추정된 표본 주택 가격’을 기반으로 서울특별시 강남구의 주택가격지수 작성을 시도하였다. 주택가격지수 작성에는 제본스 지수(Jevons Index) 방법을 이용하였다. 분석결과, 표본 주택 가격 추정시 활용되는 훈련 데이터의 범위에 따라 SVM 지수, RF 지수, GBRT 지수 및 DNN 지수는 변동성이 달라지는 것으로 나타났다. SVM 지수, RF 지수, GBRT 지수 및 DNN 지수는 KAB 지수 및 실거래가격지수와 비교적 유사한 추세를 보이고 있으며, 더 큰 변동성을 갖는 것으로 나타났다. 셋째, 머신 러닝 방법인 SVM, RF, GBRT, DNN 및 LSTM과 시계열분석 모형인 자기회귀이동평균모형(AutoRegressive Integrated Moving Average model, ARIMA), 벡터자기회귀모형(Vector AutoRegression model, VAR), 베이지언 벡터자기회귀모형(Bayesian Vector AutoRegression model, BVAR)을 이용하여 아파트 매매실거래가격지수를 추정하고, 모형 간 예측력을 비교하였다. 시계열분석 모형보다 머신 러닝 방법의 예측력이 우수한 것으로 나타났다. 시계열분석 모형은 안정적인 시장 상황에서는 의미 있는 예측결과를 보여주고 있으나 외부충격이나 구조적 변화로 인한 불안정한 시장 상황에서는 예측력이 급격히 낮아지는 것으로 나타났다. 반면, 머신 러닝 방법은 불안정한 시장 상황에서도 의미 있는 예측력을 보여주는 것으로 나타났다. 본 연구는 머신 러닝이 부동산 가격 산정에 있어서 효율성을 증진하고, 기존 주택가격지수의 문제점을 보완하며, 부동산 시장 예측의 정확성을 향상시키는 데 기여할 수 있음을 확인하였다는 점에서 의의를 갖는다.
Machine learning is garnering attention as one of the artificial intelligence technologies since new algorithms have been developed with the advancement of hardware, which could improve prediction accuracy. Machine learning is based on learning from data and highly applicable to predict real estate ...
Machine learning is garnering attention as one of the artificial intelligence technologies since new algorithms have been developed with the advancement of hardware, which could improve prediction accuracy. Machine learning is based on learning from data and highly applicable to predict real estate prices, given the fact that machine learning can access or collect a massive amount of real estate data, including the latest transactions and information about real estate up for sale. The purpose of this study is to predict the real estate price using machine learning and analyze its applicability. The analytical methods utilized Support Vector Machine (SVM), Random Forests (RF), and Gradient Boosting Regression Trees (GBRT) from ensemble modeling, and Deep Neural Networks (DNN) and Long Short-Term Memory (LSTM) networks from deep learning. In this study, three empirical analyses were attempted, taking into account that forecasting of the housing price could be used to draw up a housing price index and to predict a housing price index. First, machine learning was used to estimate apartment prices in Gangnam-gu, Seoul and Ilsanseo-gu, Goyang to determine how applicable machine learning could be in calculating the assessed value of apartments. The results revealed that the machine learning methods, such as SVM, RF, GBRT, and DNN outperformed multiple regression analysis in predictive power. The machine learning-estimated taxable value better reflected the transaction price than the actual taxable value and met the requirements of tax fairness. Second, this study attempted to draw up a housing price index for Gangnam-gu, Seoul based on ‘the machine learning-estimated sample housing price.’ The Jevons index was used to create a housing price index. The results showed that the SVM, RF, GBRT, and DNN indices varied depending on the range of training data used in estimating the sample housing price. The SVM, RF, GBRT, and DNN indices had a similar trend to KAB index and the SPI(sales price index) but showed a larger variability. Third, this study used machine-learning methods, such as SVM, RF, GBRT, DNN, and LSTM, and time-series analysis models, such as autoregressive integrated moving average (ARIMA) model, vector autoregression (VAR) model, and Bayesian vector autoregression (BVAR) model, to predict the SPI and compare the predictive power among models. The predictive power of the machine learning methods was found to be better than that of the time-series analysis models. Although the time-series analysis models showed significant prediction results in stable market conditions, their predictive power declined sharply in unstable market conditions caused by external shocks or structural changes. By contrast, the machine learning methods displayed significant predictive power even in unstable market conditions. This study confirmed that machine learning can enhance efficiency in estimating real estate prices in large volumes, address the problem with the existing thehousingpriceindex, and make great contributions to improve accuracy in predicting the real estate market.
Machine learning is garnering attention as one of the artificial intelligence technologies since new algorithms have been developed with the advancement of hardware, which could improve prediction accuracy. Machine learning is based on learning from data and highly applicable to predict real estate prices, given the fact that machine learning can access or collect a massive amount of real estate data, including the latest transactions and information about real estate up for sale. The purpose of this study is to predict the real estate price using machine learning and analyze its applicability. The analytical methods utilized Support Vector Machine (SVM), Random Forests (RF), and Gradient Boosting Regression Trees (GBRT) from ensemble modeling, and Deep Neural Networks (DNN) and Long Short-Term Memory (LSTM) networks from deep learning. In this study, three empirical analyses were attempted, taking into account that forecasting of the housing price could be used to draw up a housing price index and to predict a housing price index. First, machine learning was used to estimate apartment prices in Gangnam-gu, Seoul and Ilsanseo-gu, Goyang to determine how applicable machine learning could be in calculating the assessed value of apartments. The results revealed that the machine learning methods, such as SVM, RF, GBRT, and DNN outperformed multiple regression analysis in predictive power. The machine learning-estimated taxable value better reflected the transaction price than the actual taxable value and met the requirements of tax fairness. Second, this study attempted to draw up a housing price index for Gangnam-gu, Seoul based on ‘the machine learning-estimated sample housing price.’ The Jevons index was used to create a housing price index. The results showed that the SVM, RF, GBRT, and DNN indices varied depending on the range of training data used in estimating the sample housing price. The SVM, RF, GBRT, and DNN indices had a similar trend to KAB index and the SPI(sales price index) but showed a larger variability. Third, this study used machine-learning methods, such as SVM, RF, GBRT, DNN, and LSTM, and time-series analysis models, such as autoregressive integrated moving average (ARIMA) model, vector autoregression (VAR) model, and Bayesian vector autoregression (BVAR) model, to predict the SPI and compare the predictive power among models. The predictive power of the machine learning methods was found to be better than that of the time-series analysis models. Although the time-series analysis models showed significant prediction results in stable market conditions, their predictive power declined sharply in unstable market conditions caused by external shocks or structural changes. By contrast, the machine learning methods displayed significant predictive power even in unstable market conditions. This study confirmed that machine learning can enhance efficiency in estimating real estate prices in large volumes, address the problem with the existing thehousingpriceindex, and make great contributions to improve accuracy in predicting the real estate market.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.