최근 부동산 시장에 대한 관심이 높다. 과거 주거환경으로만 여겨지던 부동산은 끊임없는 수요 증가로 안정적인 투자 대상으로 인식되고 있기 때문이다. 특히 국내 시장의 경우 인구 수의 감소에도 불구하고 1인 가구의 증가 및 대도시로의 인구 유입이 가속화되며 수도권 중심으로 부동산 가격이 급격히 상승하고 현상이 나타나고 있다. 이에 미래 부동산 시장의 전망을 정확히 예측하는 것은 개인의 자산 관리 뿐 아니라 정부 정책 수립 등 사회 전반에 걸쳐 매우 중요한 사안이라고 할 수 있다. 본 논문에서는 머신러닝 기법을 활용해 과거 부동산 매매 데이터를 학습해 미래 부동산 시세를 예측하는 프로그램을 개발하였다. 한국감정원과 국토교통부에서 제공하는 대한민국 부동산 매매 시세 데이터를 활용하였으며 지역별로 2022년도 평균 매매가 예측치를 제시한다. 개발된 프로그램은 오픈소스 형태로 공개하여 다양한 형태로 활용될 수 있도록 하였다.
최근 부동산 시장에 대한 관심이 높다. 과거 주거환경으로만 여겨지던 부동산은 끊임없는 수요 증가로 안정적인 투자 대상으로 인식되고 있기 때문이다. 특히 국내 시장의 경우 인구 수의 감소에도 불구하고 1인 가구의 증가 및 대도시로의 인구 유입이 가속화되며 수도권 중심으로 부동산 가격이 급격히 상승하고 현상이 나타나고 있다. 이에 미래 부동산 시장의 전망을 정확히 예측하는 것은 개인의 자산 관리 뿐 아니라 정부 정책 수립 등 사회 전반에 걸쳐 매우 중요한 사안이라고 할 수 있다. 본 논문에서는 머신러닝 기법을 활용해 과거 부동산 매매 데이터를 학습해 미래 부동산 시세를 예측하는 프로그램을 개발하였다. 한국감정원과 국토교통부에서 제공하는 대한민국 부동산 매매 시세 데이터를 활용하였으며 지역별로 2022년도 평균 매매가 예측치를 제시한다. 개발된 프로그램은 오픈소스 형태로 공개하여 다양한 형태로 활용될 수 있도록 하였다.
Recently, the real estate is of high interest. This is because real estate, which was considered only a residential environment in the past, is recognized as a stable investment target due to the ever-growing demand on it. In particular, in the case of the domestic market, despite the decrease in th...
Recently, the real estate is of high interest. This is because real estate, which was considered only a residential environment in the past, is recognized as a stable investment target due to the ever-growing demand on it. In particular, in the case of the domestic market, despite the decrease in the number of people, the number of single-person households and the influx of people to large cities are accelerating, and real estate prices are rising sharply around the metropolitan area. Therefore, accurately predicting the prospects of the future real estate market becomes a very important issue not only for individual asset management but also for government policy establishment. In this paper, we developed a program to predict future real estate market prices by learning past real estate sales data using machine learning techniques. The data on the market price of real estate provided by the Korea Appraisal Board and the Ministry of Land, Infrastructure and Transport were used, and the average sales price forecast for 2022 by region is presented. The developed program is publicly available so that it could be used in various forms.
Recently, the real estate is of high interest. This is because real estate, which was considered only a residential environment in the past, is recognized as a stable investment target due to the ever-growing demand on it. In particular, in the case of the domestic market, despite the decrease in the number of people, the number of single-person households and the influx of people to large cities are accelerating, and real estate prices are rising sharply around the metropolitan area. Therefore, accurately predicting the prospects of the future real estate market becomes a very important issue not only for individual asset management but also for government policy establishment. In this paper, we developed a program to predict future real estate market prices by learning past real estate sales data using machine learning techniques. The data on the market price of real estate provided by the Korea Appraisal Board and the Ministry of Land, Infrastructure and Transport were used, and the average sales price forecast for 2022 by region is presented. The developed program is publicly available so that it could be used in various forms.
본 논문에서는 최근 관심이 고조되고 있는 대한민국 부동산 시장 전망에 대해 머신러닝 기법을 사용해 예측해보는 프로그램을 개발하였다. 지난 10년간 발생한 매매 데이터를 활용해 선형회귀 분석 방식을 통해 부동산 매매 가격 변동을 모델링하고 이를 활용해 미래 부동산 가격을 예측하였다.
부동산 가격의 변동은 주거안정을 요구하는 개인부터 부동산을 자산으로 보유하고 있는 기업에 이르기까지 다양한 계층에 큰 영향을 끼친다. 본 연구에서는 이러한 사회적 파급력이 높은 부동산 시장의 가치를 머신러닝 기법을 활용해 예측하는 응용을 개발함으로써 개인의 자산설계 및 사회적 정책 수립에 정보로 활용될 수 있도록 하고자 한다.
제안 방법
지난 10년간 발생한 매매 데이터를 활용해 선형회귀 분석 방식을 통해 부동산 매매 가격 변동을 모델링하고 이를 활용해 미래 부동산 가격을 예측하였다. 또한, 모델링 및 예측 결과를 분석함으로써 지역별 가격 변동폭 향후 전망에 대해서도 분석하였다. 향후에는 해당 연구를 바탕으로 부동산 가격 예측 프로그램을 고도화시켜 정확하고 구체적인 시장 전망 데이터를 생성할 수 있도록 하고자 한다.
푸른색으로 표시된 선이 실제 거래가이고 주황색으로 표시된 선이 선형 회귀분석으로 도출된 매매가격 추세선이다. 본 연구진이 개발한 예측 프로그램에서는 원하는 시점을 입력받아 해당 시점의 매매 평균가를 예측할 수 있도록 해주는데 본 논문에서는 2022년도 1월의 평균 매매가 예측치를 제시하였다.
본 논문에서는 최근 관심이 고조되고 있는 대한민국 부동산 시장 전망에 대해 머신러닝 기법을 사용해 예측해보는 프로그램을 개발하였다. 지난 10년간 발생한 매매 데이터를 활용해 선형회귀 분석 방식을 통해 부동산 매매 가격 변동을 모델링하고 이를 활용해 미래 부동산 가격을 예측하였다. 또한, 모델링 및 예측 결과를 분석함으로써 지역별 가격 변동폭 향후 전망에 대해서도 분석하였다.
데이터처리
수집된 데이터를 사용하여 본 저자들은 머신러닝의 기본 모델인 선형 회귀분석 (Linear Regression) 방식을 사용하여 부동산 가격을 예측하였다. 선형회귀 알고리즘에서는 데이터 분포의 경향성을 예측하기 위해 선형회귀식(Formula for Linear Regression Line)과 비용함수 (Cost Function)이 정의된다.
비용은 m개의 서로 다른 데이터가 있을 때, 임의의 데이터 x에 대해 H(x)와 실제 x에 대응되는 y값의 차이의 평균값으로 정의한다. 제안하는 프로그램은 머신러닝을 통해 이러한 비용을 최소화하는 기울기 W와 y절편 b의 값을 회귀분석을 통해 찾아내는 작업을 수행한다. 본 학습에서는 독립변수 x에는 연도를 입력으로 받고 종속변수 y에는 해당 연도의 평균 매매가가 입력되었다.
성능/효과
그림 1에서 보여주는 바와 같이 서울, 세종, 부산을 제외한 대부분의 지역에서는 지난 10여 년간 부동산 매매가격이 선형적으로 증가해온 것을 확인할 수 있다. 경기, 인천 대전, 울산, 강원, 충청, 전라, 경상 지역에서는 매매가 변동이 비교적 완만한 기울기로 증가하였으며 2012년도 대비 2022년도의 부동산 가격이 15% 미만으로 나타났다. 반면 세종시에서는 지난 10년간 평균 매매가가 2배 이상 급증하며 2022년도 1월의 평균 매매가는 3억6천만원 정도에 이를 것으로 에측되고 있다.
후속연구
두 번째로는 현재 결과는 다양한 주거 형태를 포함한 총체적인 매매가 평균에 대한 예측이라면 향후에는 아파트, 단독주택, 다세대주택 등 형태에 따른 가격 변동성을 분석해보고자 한다. 또한 매매가뿐 아니라 전월세에 대한 시세도 분석하여 구체적이고 실효성 높은 부동산 전망 데이터로 활용될 수 있도록 하고자 한다.
두 번째로는 현재 결과는 다양한 주거 형태를 포함한 총체적인 매매가 평균에 대한 예측이라면 향후에는 아파트, 단독주택, 다세대주택 등 형태에 따른 가격 변동성을 분석해보고자 한다. 또한 매매가뿐 아니라 전월세에 대한 시세도 분석하여 구체적이고 실효성 높은 부동산 전망 데이터로 활용될 수 있도록 하고자 한다.
또한 부동산 시장은 경제, 정치, 사회 등 매우 다양한 요소와 밀접한 관련이 있다. 이에 향후에는 단순히 과거의 부동산 거래 내역만으로 시장을 전망하기 사회의 다양한 요소들과 부동산 가격 간의 관계를 모델링하고 이를 바탕으로 향후 부동산 가격의 방향성을 심도 있게 예측할 수 있는 딥러닝 기술에 대해서도 연구하고자 한다.
본 연구에서는 서울지역과 세종, 광주 등지에서 실제 데이터와 매매가 예측 그래프 간의 격차가 나타나는 것을 관찰할 수 있다. 향후 다양한 모델을 부동산 전망 예측에 적용해 봄으로써 변동성이 증가되고 있는 부동산 시장을 보다 정확하게 예측할 수 있는 머신러닝 기법을 찾고자 한다.
또한, 모델링 및 예측 결과를 분석함으로써 지역별 가격 변동폭 향후 전망에 대해서도 분석하였다. 향후에는 해당 연구를 바탕으로 부동산 가격 예측 프로그램을 고도화시켜 정확하고 구체적인 시장 전망 데이터를 생성할 수 있도록 하고자 한다.
참고문헌 (9)
T. Pardi, "Fourth industrial revolution concepts in the automotive sector: performativity, work and employment", Journal of Industrial and Business Economics, Vol. 46, pp.379–389, 2019. DOI: https://doi.org/10.7298/x4057cvd
J. Moavenzadeh, "The 4th Industrial Revolution: Reshaping the Future of Production", Presented at DHL Global Engineering & Manufacturing Summit, Amsterdam, The Netherlands, 6–8 October 2015.
Y. You, A. Buluc, J. Demmel, "Scaling deep learning on GPU and knights landing clusters", In Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis (SC), 2017. DOI: https://doi.org/10.1145/3126908.3126912
https://scikit-learn.org/stable/
S. Lee, I. Jung, "Development of a Platform Using Big Data-Based Artificial Intelligence to Predict New Demand of Shipbuilding", The Journal of The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 19, No. 1, pp.171-178, 2019. DOI: https://doi.org/10.7236/JIIBC.2019.19.1.171
M. Kang, Y.-G. Jung, D.-H. Jang, "A Study on the Search of Optimal Aquaculture farm condition based on Machine Learning", The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 17, No. 2, pp.135-140, 2017. DOI: https://doi.org/10.7236/JIIBC.2017.17.2.135
H. Park, "Factors of Simple Payment Service Use: Application of Machine Learning Prediction Model", Journal of Digital Contents Society, Vol. 21, No. 5, pp.921-929. 2020. DOI: https://doi.org/10.9728/dcs.2020.21.5.921
S.-U. Kim, S.-Y. Ji, H.-J. Jun, "Estimating and Valuing Commercial Building Sales Prices - Focused on the Gangnam-gu -", In Proceedings of the Autumn Annual Conference of Architectural Institute of Korea, 2017, Vol. 39, No. 2, pp. 100-101. 2019.
J. Park, J. Lee, "An Investigation into the Causal Relationship and the Cross Correlation between Apartment House Sales Prices and Real Estate Online News", Journal of Korea Planning Association, Vol. 54, No. 1, pp. 131-147, 2019. DOI: https://doi.org/10.17208/jkpa.2019.02.54.1.131
※ AI-Helper는 부적절한 답변을 할 수 있습니다.