[논문]딥러닝과 머신러닝을 이용한 아파트 실거래가 예측

김학현; 유환규; 오하영

doi:10.3745/ktsde.2023.12.2.59

딥러닝과 머신러닝을 이용한 아파트 실거래가 예측
Apartment Price Prediction Using Deep Learning and Machine Learning 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.12 no.2, 2023년, pp.59 - 76

김학현 (성균관대학교 전자전기공학부) , 유환규 (한양대학교 기계공학과) , 오하영 (성균관대학교 글로벌융합학부)

초록
AI-Helper

코로나 시대 이후 아파트 가격 상승은 비상식적이었다. 이러한 불확실한 부동산 시장에서 가격 예측 연구는 매우 중요하다. 본 논문에서는 다양한 부동산 사이트에서 자료 수집 및 크롤링을 통해 2015년부터 2020년까지 87만개의 방대한 데이터셋을 구축하고 다양한 아파트 정보와 경제지표 등 가능한 많은 변수를 모은 뒤 미래 아파트 매매실거래가격을 예측하는 모델을 만든다. 해당 연구는 먼저 다중 공선성 문제를 변수 제거 및 결합으로 해결하였다. 이후 의미있는 독립변수들을 뽑아내는 전진선택법(Forward Selection), 후진소거법(Backward Elimination), 단계적선택법(Stepwise Selection), L1 Regularization, 주성분분석(PCA) 총 5개의 변수 선택 알고리즘을 사용했다. 또한 심층신경망(DNN), XGBoost, CatBoost, Linear Regression 총 4개의 머신러닝 및 딥러닝 알고리즘을 이용해 하이퍼파라미터 최적화 후 모델을 학습시키고 모형간 예측력을 비교하였다. 추가 실험에서는 DNN의 node와 layer 수를 바꿔가면서 실험을 진행하여 가장 적절한 node와 layer 수를 찾고자 하였다. 결론적으로 가장 성능이 우수한 모델로 2021년의 아파트 매매실거래가격을 예측한 후 실제 2021년 데이터와 비교한 결과 훌륭한 성과를 보였다. 이를 통해 머신러닝과 딥러닝은 다양한 경제 상황 속에서 투자자들이 주택을 구매할 때 올바른 판단을 할 수 있도록 도움을 줄 수 있을 것이라 확신한다.

Abstract ▼ AI-Helper

Since the COVID-19 era, the rise in apartment prices has been unconventional. In this uncertain real estate market, price prediction research is very important. In this paper, a model is created to predict the actual transaction price of future apartments after building a vast data set of 870,000 from 2015 to 2020 through data collection and crawling on various real estate sites and collecting as many variables as possible. This study first solved the multicollinearity problem by removing and combining variables. After that, a total of five variable selection algorithms were used to extract meaningful independent variables, such as Forward Selection, Backward Elimination, Stepwise Selection, L1 Regulation, and Principal Component Analysis(PCA). In addition, a total of four machine learning and deep learning algorithms were used for deep neural network(DNN), XGBoost, CatBoost, and Linear Regression to learn the model after hyperparameter optimization and compare predictive power between models. In the additional experiment, the experiment was conducted while changing the number of nodes and layers of the DNN to find the most appropriate number of nodes and layers. In conclusion, as a model with the best performance, the actual transaction price of apartments in 2021 was predicted and compared with the actual data in 2021. Through this, I am confident that machine learning and deep learning will help investors make the right decisions when purchasing homes in various economic situations.

주제어

표/그림 (43)

그림 Fig. 1. Five Steps of the Thesis Data Collection - Data Preparation - Feature - Model Training - Model Evaluation
그림 Fig. 2. Pie Chart (Left : Local Pile, Right : Construction Company)
그림 Fig. 3. Box Chart (Left : Number of Households, Right : Traffic Information)
그림 Fig. 4. Heat Map Correlation Between Variables
그림 Fig. 5. Scatter Plot
표 Table 1. VIF Value Before Multicollinearity Resolution
표 Table 2. VIF Value After Multicollinearity Resolution
그림 Fig. 6. Statsmodel Regression Result Judgment Index
그림 Fig. 7. Forward Selection Adjusted R² of Determination According to the Number of Variables
그림 Fig. 8. Backward Elimination Adjusted R² of Determination According to the Number of Variables
그림 Fig. 9. Stepwise Selection Adjusted R² of Determination According to the Number of Variables
그림 Fig. 10. L1 Regularization's α
그림 Fig. 11. Weight by Independent Variable
그림 Fig. 12. Scree Plot Eigenvalue-variance Change of Principal Component
그림 Fig. 13. DNN
그림 Fig. 14. CatBoost How Catboost Works
표 Table 3. Variable Selection Result
표 Table 4. Variable Selection Method & DNN Result
그림 Fig. 15. Variable Selection Method & Linear Regression Plot
그림 Fig. 16. Variable Selection Method & XGBoost Plot
그림 Fig. 17. Variable Selection Method & CatBoost Plot
표 Table 5. Variable Selection Method & XGBoost Top5 Hyperparameter Performance
표 Table 6. Variable Selection Method & CatBoost Top5 Hyperparameter Performance
표 Table 7. Variable Selection Method & Fit Result by Model
표 Table 8. L1 Regularization & DNN
표 Table 9. L1 Regularization & XGBoost Top5 Hyperparameter Performance
표 Table 10. L1 Regularization & CatBoost Top5 Hyperparameter Performance
표 Table 11. L1 Regularization & Fit Result by Model
표 Table 12. PCA & DNN
표 Table 13. PCA & XGBoost Top5 Hyperparameter Performance
표 Table 15. PCA & Fit Result by Model
표 Table 16. Additional Experiment 1 - 4 Layer
표 Table 17. Additional Experiment 2 - Many Layer
표 Table 14. PCA & CatBoost Top5 Hyperparameter Performance
그림 Fig. 18. Apartment Complexes Traded in 2021
그림 Fig. 19. Actual Price Per sqm of Apartments Traded in 2021
그림 Fig. 20. Predict Price per sqm of Apartments Traded in 2021
표 Table 18. Additional Experiment 3 - Variable Number of Node
그림 Fig. 21. Complexes with an Actual Price of 0 to 50 Million Won Per Pyeong
그림 Fig. 22. Complexes with a Predicted Price of 0 to 50 Million Won Per Pyeong
그림 Fig. 23. Complexes with an Actual Price More Than 50 Million Won Per Pyeong
그림 Fig. 24. Complexes with an Predicted Price More Than 50 Million Won Per Pyeong
표 Table 19. Summary of Learning Results Recording Only the Best Results for Each Learning

참고문헌 (20)

S.Nam, T. Han, L. Kim, and E. Lee, "Prediction of real？estate price fluctuations in Korea using machine learning？techniques," The Journal of The Institute of Internet,？Broadcasting and Communication, Vol.20, No.6, pp.15-20,？2020. DOI: 10.7236/JIIBC.2020.20.6.15

원문보기 상세보기
Y. Hwang, "A study on the calculation of the apartment？price index: Focusing on machine learning algorithms,"？Financial Research, Vol.33, No.3, pp.51-83, 2019. DOI:？10.21023/JMF.33.3.3

상세보기
L. Whieldon and H. Ashqar, "Predicting residential property value in catonsville, maryland: A comparison of multiple regression techniques," General Economics (econ.GN),？2020. DOI: 10.48550/arixiv.2101.01531
S. B. Jha, R. F. Babiceanu, V. Pandey, and R. K. Jha,？"Housing market prediction problem using different machine learning algorithms: A case study," Machine Learning (cs.LG), 2020.
S. Bae and J. Yu, "Real estate price index prediction using？deep learning," Real Estate Research, Vol.27, No.3, pp.71-86, 2017.
S. Bae and J. Yu, "Real estate price index prediction using？machine learning method and time series analysis model,"？Housing Research, Vol.26, No.1, pp.107-133, 2018. DOI:？10.24957/hsr.2018.26.107
S. Bae and J. Yu, "Estimation of apartment house price？using machine learning: Gangnam-gu, Seoul as an example," Real Estate Research, Vol.24, No.1, pp.69-85, 2018.
T. Lee and M. Jeon, "A study on the prediction of the seoul？housing price index using a deep learning model," Housing？and Urban Research, Vol.8, No.2, pp.39-56, 2018. DOI:？10.26700/shuri.2018.08.2.39
H. Chun, H. Yang, "A study on house price prediction using？deep learning," Housing and Urban Research, Vol.8, No.2,？pp.37-49, 2018. DOI :10.22313/reik.2019.17.2.37

상세보기
S. Lim, "Comparative study on the housing price index？prediction model," Journal of the Korean Data and Information Science Society, Vol.25, No.1, pp.65-76, 2014.？DOI: 10.7465/jk야.2014.25.1.65
L. Prokhorenkova, G. Gusev, A. Vorobev, A. V. Dorogush,？and A. Gulin, "CatBoost: Unbiased boosting with categorical features," Machine Learning (cs.LG), 2017. DOI:？10.48550/arxiv.1706.09516
G. Ke et al., "LightGBM: A highly efficient gradient？boosting decision tree," Advances in Neural Information？Processing Systems, 30, 2017. DOI: 10.5555/3294996.3295074
T. Chen and C. Guestrin, "XGBoost: A scalable tree boosting system," Machine Learning (cs.LG), 2016, DOI: 10.48550/arxiv.1603.02754
S. Kapoor and V. Perrone, "A simple and fast baseline for？tuning large XGBoost models," Machine Learning (cs.LG),？2021. DOI: 10.4855-/arxiv.2111.06924
P. Liashchynskyi and P. Liashchynskyi, "Grid search, random search, genetic algorithm: A big comparison for？NAS," Machine Learning (cs.LG), 2019, DOI : 10.48550/arxiv.1912.0659
J. Shlens, "A tutorial on principal component analysis,"？Machine Learning (cs.LG), 2014, DOI: 10.48550/arxiv.1404.1100
B. H. Park and J. K. Bae, "Using machine learning algorithms for housing price prediction: The case of Fairfax？County, Virginia housing data," Expert Systems with Applications, Vol.42, No.6, pp.2928-2934, 2015. DOI: 10.10？16/j.eswa.2014.11.040

상세보기
A. B. Khamis, and N. K. Kamarudin, "Comparative study？on estimate house price using statistical and neural network model," International Journal of Scientific & Technology Research, Vol.3, No.12, pp.126-131, 2014.
A. Gulli and S. Pal, "Deep learning with keras," Packt？Publishing, Birmingham - Mumbai, 2017.
A. S. Fotheringham, R. Crespo, and J. Yao, "Exploring,？modelling and predicting spatiotemporal variations in？house prices," The Annals of Regional Science, Vol.54,？pp.417-436, 2015. DOI: 10.1007/s00168-015-0660-6

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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