[논문]인공지능 기반 빈집 추정 및 주요 특성 분석

임규건; 노종화; 이현태; 안재익

doi:10.9716/kits.2022.21.3.063

Abstract ▼ AI-Helper

The extinction crisis of local cities, caused by a population density increase phenomenon in capital regions, directly causes the increase of vacant houses in local cities. According to population and housing census, Gunsan-si has continuously shown increasing trend of vacant houses during 2015 to 2...

The extinction crisis of local cities, caused by a population density increase phenomenon in capital regions, directly causes the increase of vacant houses in local cities. According to population and housing census, Gunsan-si has continuously shown increasing trend of vacant houses during 2015 to 2019. In particular, since Gunsan-si is the city which suffers from doughnut effect and industrial decline, problems regrading to vacant house seems to exacerbate. This study aims to provide a foundation of a system which can predict and deal with the building that has high risk of becoming vacant house through implementing a data driven vacant house prediction machine learning model. Methodologically, this study analyzes three types of machine learning model by differing the data components. First model is trained based on building register, individual declared land value, house price and socioeconomic data and second model is trained with the same data as first model but with additional POI(Point of Interest) data. Finally, third model is trained with same data as the second model but with excluding water usage and electricity usage data. As a result, second model shows the best performance based on F1-score. Random Forest, Gradient Boosting Machine, XGBoost and LightGBM which are tree ensemble series, show the best performance as a whole. Additionally, the complexity of the model can be reduced through eliminating independent variables that have correlation coefficient between the variables and vacant house status lower than the 0.1 based on absolute value. Finally, this study suggests XGBoost and LightGBM based machine learning model, which can handle missing values, as final vacant house prediction model.

주제어

표/그림 (11)

표 <표 1> Data Status and Sources
표 <표 2> Point of Interest Data
그림 [그림 1] POI 데이터 Scree Plot
표 <표 3> Correlation Coefficient of Each POI Variables
표 <표 4> Skewness of Each Variables
표 <표 5> Accuracy and F1-score of Each Models by Algorithms
표 <표 6> Correlation Coefficient of Each Variables
표 <표 7> Final Selected Variables
그림 [그림 2] Feature Importance of Final XGBoost
그림 [그림 3] Feature Importance of Final LightGBM
표 <표 8> Accuracy and F1-score of XGBoost and LightGBM Model Trained with Missing Values

참고문헌 (14)

김동인, "빈집에 울려퍼지는 지방도시의 신음. 시사IN, https://www.sisain.co.kr/news/article-View.html?idxno40514, 2020.
김윤수, "경기도 주택유형별 빈집발생에 영향을 미치는 특성분석", 국내석사학위논문, 한양대학교 도시대학원, 2020.
김현중, 성은영, 여관현, "빈집의 선제적 관리를 위한 근린환경 요인 탐색: 부산광역시를 사례로", 한국도시설계학회지, 제21권, 제6호, 2020, 137-150.
이형석, 김승희, "빈집의 지역별 유형과 특성: 강원도 18개 시.군을 중심으로", 사회과학연구, 제57권, 제2호, 2018, 37-64.
이홍대, "빈집의 발생 원인에 따른 지역별 활용방안에 관한 연구", 국내박사학위논문, 공주대학교 대학원, 2018.
통계청, "2015 인구주택총조사 표본집계결과(인구, 가구, 주택 기본특성항목) 보도자료", https://kostat.go.kr/portal/korea/kor_nw/1/2/2/index.board?bmoderead&aSeq358170&pageNo&rowNum10&amSeq&sTarget&sTxt, 2015.
통계청, "2019년 인구주택총조사 보도자료 집계결과 (배포용)", https://kostat.go.kr/portal/korea/kor_nw/1/2/2/index.board?bmoderead&aSeq384690, 2019.
Chen, T. and C. Guestrin, "XGBoost: A Scalable Tree Boosting System", https://doi.org/10.48550/arXiv.1603.02754, 2016.
Hillier, A.E., D.P. Culhane, and T.E. Smith, Tomlin, C. D., "Predicting Housing Aband-onment with the Philadelphia Neighborhood Information System", Journal of Urban Affairs, Vol.25, No.1, 2003, 91-105.

상세보기
Ke, G., Q. Meng, T. Finley, T. Wang, W. Chen, W. Ma, Q. Ye, and T. Liu, "LightGBM: A Highly Efficient Gradient Boosting Decision Tree", Proceedings of the 31st International Conference on Neural Information Processing Systems, 2017, 3149-3157.
Morckel, V. C., "Spatial Characteristics of Housing Abandonment", Applied Geography, Vol.48, 2014, 8-16.

상세보기
Natekin, A. and A. Knoll, "Gradient Boosting Machines, a Tutorial. Frontiers in Neurorobotics", https://doi.org/10.3389/fnbot.2013.00021, 2013.
Porzi, L., S. Rota Bulo, B. Lepri, and E. Ricci, "Predicting and Understanding Urban Perception with Convolutional Neural Networks", Proceedings of the 23rd ACM international conference on Multimedia, 2015, 139-148.
Xu, F., H. C. Ho, G. Chi, and Z. Wang, "Abandoned Rural Residential Land: Using Machine Learning Techniques to Identify Rural Residential Land Vulnerable to Be Abandoned in Mountainous Areas", Habitat International, Vol.84, 2019, 43-56

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

인공지능 기반 빈집 추정 및 주요 특성 분석
Vacant House Prediction and Important Features Exploration through Artificial Intelligence: In Case of Gunsan 원문보기

Abstract ▼ AI-Helper

주제어

표/그림 (11)

표/그림 (11)

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

인공지능 기반 빈집 추정 및 주요 특성 분석 Vacant House Prediction and Important Features Exploration through Artificial Intelligence: In Case of Gunsan 원문보기

Abstract ▼ AI-Helper

주제어

표/그림 (11) 모든 표/그림 보기

표/그림 (11) 슬라이드로 보기

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

임규건 (54)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

인공지능 기반 빈집 추정 및 주요 특성 분석
Vacant House Prediction and Important Features Exploration through Artificial Intelligence: In Case of Gunsan 원문보기

표/그림 (11)

표/그림 (11)