초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

국내 가구의 자산 대부분은 부동산에 편중되어 있고, 이 상황이 경제에 미치는 영향을 감안해 정책적으로 주요하게 다뤄지고 있다. 하지만 서울 일부 권역의 아파트 가격은 다양한 정책에도 불안정한 추세를 보였고 관련 대책 수립에 일조하기 위한 향후 가격 변동 예측은 중요한 연구주제다. 부동산 시장 예측 선행 연구 동향은 계량 경제학모델을 활용한 부동산 지수 예측에서부터 이들 모델과 머신러닝 모델에 대한 비교연구로 요약할 수 있다. 연구자에 따라 다양한 ...

국내 가구의 자산 대부분은 부동산에 편중되어 있고, 이 상황이 경제에 미치는 영향을 감안해 정책적으로 주요하게 다뤄지고 있다. 하지만 서울 일부 권역의 아파트 가격은 다양한 정책에도 불안정한 추세를 보였고 관련 대책 수립에 일조하기 위한 향후 가격 변동 예측은 중요한 연구주제다. 부동산 시장 예측 선행 연구 동향은 계량 경제학모델을 활용한 부동산 지수 예측에서부터 이들 모델과 머신러닝 모델에 대한 비교연구로 요약할 수 있다. 연구자에 따라 다양한 머신러닝 기법이 도입되고 있어, 이들에 대한 예측력 비교 연구를 수행할 필요성이 제기된다. 이에 본 연구에서는, 부동산 지수별 적합한 머신러닝 모델 선별과 머신러닝 모델의 예측력 비교연구를 진행하기 위해 머신러닝 모델인 RF(Random Forest), XGB(eXtreme Gradient Boosting), LSTM(LSTM: Long Short Term Memory)들을 비교한다. 단변량 변수로 아파트 매매지수, 지가지수, 전세가격지수, 부동산 심리지수를 선정했다. 연구결과 LSTM모델의 RMSE(Root Mean Square Error)가 아파트 매매지수에서 0.0978, 지가지수에서 0.2877, 전세가격지수에서 0.0259, 부동산 심리지수에서 0.2111로 높은 예측 정확도를 보였다. 또한 RF, XGBoost, LSTM 모델 모두 선형적이지만 작은 등락을 가지는 전세가격지수 데이터에서 RMSE값이 0.0268, 0.0296, 0.0259로 대체로 작은 경향을 가졌다. 이를 통해 부동산 지수의 예측은 부동산 지수의 주기특성과 데이터 형상에 따라 머신러닝 모델별 예측 정확도의 차이를 가지는 사실을 알 수 있다.