$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

머신러닝을 활용한 결측 부동산 매매 지수의 추정에 대한 연구
A Study on the Index Estimation of Missing Real Estate Transaction Cases Using Machine Learning 원문보기

한국경제지리학회지 = Journal of the Economic Geographical Society of Korea, v.25 no.1, 2022년, pp.171 - 181  

김경민 (서울대학교 환경대학원 환경계획학과) ,  김규석 (서울대학교 환경대학원 환경계획학과) ,  남대식 (인하대학교 아태물류학부)

초록
AI-Helper 아이콘AI-Helper

부동산 시장 분석에 있어 기본이 되는 정량적 데이터는 부동산 가격 지수이다. OECD와 같은 국제기구에서는 국가별 부동산 가격 지수를 공표하고, 한국부동산원에서는 광역시 단위와 시군구 단위의 지수를 산출한다. 그런데 공간단위를 시군구보다 정교한 동단위, 아파트 단지 단위로 설정하는 경우, 여러 문제점을 맞이하게 된다. 대표적인 문제는 결측치이다. 공간적 범위를 좁힐수록 단위 기간에 따라 거래가 적거나 아예 존재하지 않는 경우가 존재하기에 이 경우에는 지수의 산출이 불가능한 결측치가 발생할 수 있다. 본 연구에서는 지도학습 기반의 머신러닝 기법을 활용하여 특정 범위와 기간에 거래가 존재하지 않아 발생할 수 있는 결측치를 보완하는 기법을 제안한다. 본 모형을 통해 부동산 매매 지수의 실제값이 존재하는 것들의 예측을 통해 그 정확도를 검증하고 결측치가 발생한 것들의 예측도 해 볼 수 있었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

The real estate price index plays key roles as quantitative data in real estate market analysis. International organizations including OECD publish the real estate price indexes by country, and the Korea Real Estate Board announces metropolitan-level and municipal-level indexes. However, when the in...

주제어

#부동산 매매가격 지수   #머신러닝   #결측치   #평균절대비오차   #순환신경망   #장단기 메모리  

참고문헌 (30)

  1. 국토교통부 실거래가 공개시스템, https://rt.molit.go.kr/, 2021년 2월 1일 최종열람. 

  2. 박주연.박찬일.유선종, 2014, "아파트 특성이 분양 후 가격 변동에 미치는 요인: 판교 신도시를 대상으로," 부동산연구, 24(4), pp.25-37. 

  3. 박천규.이영, 2010, "주택시장 체감지표의 주택시장지표 예측력 분석," 부동산학연구, 16(1), pp.131-146. 

  4. 배종찬.정재호, 2021, "거시경제와 부동산정책이 서울 아파트가격에 미치는 영향 연구," LHI Journal, 12(4), pp.41-59. 

  5. 배성완.유정석, 2018, "머신 러닝 방법과 시계열 분석 모형을 이용한 부동산 가격지수 예측", 주택연구, 26(1), pp.107-133. 

  6. 손정식.김관영.김용순, 2003, "부동산가격 예측 모형에 관한 연구," 주택연구, 11(1), pp.49-76. 

  7. 송의현.김경민, 2019, "제2기 수도권신도시 및 주변지역 아파트가격지수 추정," 부동산분석, 5(2), pp.17-41. 

  8. 신동하.최광호.김창복, 2017, "RNN과 LSTM을 이용한 주가 예측율 향상을 위한 딥러닝 모델," 한국정보기술학회논문지, 15(10), pp.9-16. 

  9. 이금숙.김경민.송예나, 2010, "복합용도개발과 교통이 아파트가격에 미치는 영향," 한국경제지리학회지, 13(4), pp.515-528. 

    원문보기 상세보기

  10. 이우민.김경민.김진석, 2019, "주택정책에 따른 서울 자치구별 주택시장 반응에 대한 연구," 한국경제지리학회지, 22(4), pp.555-575. 

    원문보기 상세보기

  11. 전해정, 2012, "유동성 관련 변수가 주택가격에 미치는 영향 및 정책적 시사점에 관한 연구," 한국경제지리학회지, 15(4), pp.585-600. 

    원문보기 상세보기

  12. 이태형, 2019, "인공신경망을 활용한 주택가격지수 예측에 관한 연구 : 서울 주택가격지수를 중심으로," 중앙대학교 대학원 박사학위 논문. 

  13. 임성식, 2014, "주택가격지수 예측모형에 관한 비교연구," 한국데이터정보과학회지, 25(1), pp.65-76. 

    원문보기 상세보기

  14. 통계청, https://kostat.go.kr/, 2021년 2월 1일 최종열람. 

  15. 최문기.이성화, 2021, "거시경제변수 및 부동산 대책이 강남4구 아파트 시장에 미치는 영향," 한국지적학회, 37(3), pp.105-114. 

  16. 한국은행 경제통계시스템, https://ecos.bok.or.kr/, 2021년 2월 1일 최종열람. 

  17. Chanasit, K., Chuangsuwanich, E., Suchato, A. and Punyabukkana, P., 2021, "A Real Estate Valuaton Model Using Boosted Feature Selection," IEEE Access, 9, pp.86938-86953. 

  18. Duan, L., Ma, S. and Aggarwal, C., and Sathe, S., 2020, "Improving spectral clustering with deep embedding, cluster estimation and metric learning," Knowledge and Information Systems, 63(3), pp.675-694. 

  19. Grinberg, N. F., Orhobor, O. I. and King, R. D., 2019, "An evaluation of machine-learning for predicting phenotype: studies in yeast, rice, and wheat," Machine Learning, 109(2), pp.251-277. 

  20. Hihn. H. and Braun, D. A., 2020, "Specialization in Hierachical Learning Systems: A Unified Informationtheoretic Approach for Supervised, Unsupervised and Reinforcement Learning," Neural Processing Letters, 52(3), pp.2319-2352. 

  21. Hendershott, P. H. and MacGregor, B. D., 2005, "Investor rationality: evidence from UK property capitalization rates," Real Estate Economics, 33(2), pp.299-322. 

    상세보기

  22. Hollies, R., 2007, "International variation in office yields: a panel approach," Journal of Property Investment and Finance, 25(4), pp.370-387. 

    상세보기

  23. Huang, Y., 2019, "Predicting Home Value in California, United States via Machine Learning Modeling," Statistics, Optimization & Information Computing, 7(1), pp.66-74. 

  24. Khan, A. and Sarfaraz, A., 2019, "RNN-LSTM-GRU based language transformation," Soft Computing, 23(24), pp.13007-13024. 

    상세보기

  25. Kim, K., Kim, G. and Tsolacos, S., 2019, "How does liquidity in the financial market affect the real estate market yields?," Journal of Property Investment & Finance, 37(10), pp.2-19. 

  26. Kumar, N. and Kumar, U., 2022, "Artificial intelligence for classification and regression tree based feature selection method for network intrusion detection system in various telecommunication technologies," Computational Intelligence, pp.1-13. 

  27. Lauati, A., Lahyani, R., Aldaej, A., Aldumaykhi, A. and Otai, S., 2021, "Price forecasting for real estate using machine learning: A case study on Riyadh city," pp.1-16. 

  28. Park, B. and Bae, J. W., 2015, "Using machine learning algorithms for housing pice prediction: The case of Fairfax County, Virginia housing data," Expert Systems with Applications, 42(6), pp.2928-2934. 

  29. Tchuente, D. and Nyawa, S., 2021, "Real estate price estimation in French cities using geocoding and machine learning," Annals of Operations Research, 308(1-2), pp.571-608. 

  30. Sivitanides, P., Southard, J., Torto, R. G. and Wheaton, W. C., 2001, "The determinants of appraisal-based capitalization rates," Real Estate Finance, 18(2), pp.27-38. 

    상세보기

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로