KR101725015B1 - 인공신경망을 이용한 주택매매지수 예측 장치 및 그 방법 - Google Patents

인공신경망을 이용한 주택매매지수 예측 장치 및 그 방법 Download PDF

Info

Publication number
KR101725015B1
KR101725015B1 KR1020160102905A KR20160102905A KR101725015B1 KR 101725015 B1 KR101725015 B1 KR 101725015B1 KR 1020160102905 A KR1020160102905 A KR 1020160102905A KR 20160102905 A KR20160102905 A KR 20160102905A KR 101725015 B1 KR101725015 B1 KR 101725015B1
Authority
KR
South Korea
Prior art keywords
home sales
index
search
standard
sales index
Prior art date
Application number
KR1020160102905A
Other languages
English (en)
Inventor
한승우
고용호
Original Assignee
인하대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 인하대학교 산학협력단 filed Critical 인하대학교 산학협력단
Priority to KR1020160102905A priority Critical patent/KR101725015B1/ko
Application granted granted Critical
Publication of KR101725015B1 publication Critical patent/KR101725015B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)

Abstract

본 발명은 인공신경망을 이용한 주택매매지수 예측 장치 및 그 방법에 관한 것으로, 주택매매지수 예측 장치는 온라인 웹사이트와 연동되어 특정 지역의 실제 주택매매지수 및 적어도 하나의 후보 검색어에 대한 검색 빈도수를 일정 시간 간격으로 수집하는 수집부, 상기 실제 주택매매지수 및 상기 검색 빈도수를 표준화 작업을 통해 표준 주택매매지수 및 표준 검색 빈도수를 추출하고, 상기 표준 주택매매지수와 표준 검색 빈도수간의 양의 관계지수 및 음의 관계지수를 연산하는 연산부, 상기 양의 관계지수 또는 음의 관계지수가 임계값보다 작은 값을 가지는 유효 검색어를 추출하는 검색어 추출부, 그리고 상기 유효 검색어의 검색 빈도수를 인공신경망 알고리즘에 입력하고, 기 저장된 데이터베이스를 기반으로 상기 인공신경망 알고리즘의 N개 계수값을 조정하여 상기 유효 검색어의 검색 빈도수에 따른 주택매매지수를 예측하는 예측부를 포함한다.
본 발명에 따르면 인공신경망 알고리즘을 이용함으로써 예측 수행 횟수가 증가함에 따라 보다 정확하게 주택매매지수를 예측할 수 있으며, 주택매매지수를 예측하기 위한 데이터의 회득 및 분석이 보다 간편하고 신속하게 수행할 수 있어, 주택매매지수를 사용자에게 제공하는 데 소요되는 시간 및 비용 절감의 효과가 있다.

Description

인공신경망을 이용한 주택매매지수 예측 장치 및 그 방법{APPARTUS FOR HOME SALES INDEX PREDICTION USING ARTIFICIAL NEURAL NETWORK AND METHOD THEREOF}
본 발명은 인공신경망을 이용한 주택매매지수 예측 장치 및 그 방법에 관한 것으로, 보다 상세하게는 실제 주택매매지수와 밀접하게 연관된 검색어를 추출하고 해당 검색어의 검색 빈도수에 따라 주택매매지수를 예측하는 인공신경망을 이용한 주택매매지수 예측 장치 및 그 방법에 관한 것이다.
최근 주택시장은 장기간 공급 부족과 급격한 가격변동으로 어려움을 겪으면서도 과거에 비해서 투명해진 주택거래를 제공하고 주택시장에 대한 많은 정보를 제공하면서 발전해가고 있다. 이러한 주택시장의 변화방향을 알고 활용하기 위해서는 시장과 관련된 다양한 자료를 수집하고 적합한 분석을 통해서 만들어진 정보를 활용하는 것이 필수적이다.
그렇기 때문에 많은 연구 기관에서는 주택시장과 관련된 다양한 지수를 개발하여 공표하고 있다. 그 중에서도 가장 활용도가 높은 주택매매지수(HSI: Home Sale Index)는 일정기간 동안 거래된 주택 수를 집계한 것으로 부동산 산업과 건설산업의 경제적인 현황을 파악할 수 있는 최적의 지표로 활용된다. 즉, 주택매매지수는 정부의 부동산 정책, 기업의 주택 공급, 기업 및 개인의 투자 방향 등 기존의 경제 상황을 분석 및 평가하며, 앞으로의 계획을 수립하는데 중요한 자료로 활용된다.
하지만, 산업 발전에 따라 실질적으로 주택매매지수에 영향을 미치는 변수가 많아지고 있으며, 이에 따라 다양한 변수들의 데이터를 확보하기가 어려울 뿐만 아니라 각각의 변수를 올바르게 측정하는 것 또한 많은 시간과 노력이 요구되는 문제점이 있다.
또한, 최근에는 인터넷을 통한 정보의 획득이 일반화되면서 인터넷 검색으로 많은 사람들이 인터넷 검색을 통해서 짧은 시간 내 다양한 지역 정보와 업데이트된 새로운 주택시장 관련 정보를 보다 쉽게 얻을 수 있게 되었다. 그렇기 때문에 인터넷 검색 데이터들을 분석하면, 부동산의 가격, 수요 및 공급과 같은 주택 시장의 실제 주요 지표보다 앞서 해당 징후를 알 수 있으며, 인터넷 검색 데이터를 분석한 검색 동향 정보는 사람들의 관심, 선호, 평판, 트랜드등을 직간접적으로 방영하고 있으므로 앞으로의 주요 지표의 변화를 예측하는 데 중요한 정보가 된다.
최근에는 온라인 검색 데이터의 유형, 내용에 따른 분석 기법도 다양한 방법으로 연구되고 있으나 단어가 갖고 있는 특성들로 인해 그 의미를 도출하는 데 따르는 구체적인 성과는 아직 미흡하며, 이를 활용할만한 기술과 아이디어가 부족한 실정이다.
본 발명의 배경이 되는 기술은 대한민국 국내등록특허 제 10-2014-0037384호(2014.03.27 공고)에 개시되어 있다.
본 발명이 이루고자 하는 기술적 과제는 실제 주택매매지수와 밀접하게 연관된 검색어를 추출하고 해당 검색어의 검색 빈도수에 따라 주택매매지수를 예측하는 인공신경망을 이용한 주택매매지수 예측 장치 및 그 방법을 제공하는 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따르면, 온라인 웹사이트와 연동되어 특정 지역의 실제 주택매매지수 및 적어도 하나의 후보 검색어에 대한 검색 빈도수를 일정 시간 간격으로 수집하는 수집부, 상기 실제 주택매매지수 및 상기 검색 빈도수를 표준화 작업을 통해 표준 주택매매지수 및 표준 검색 빈도수를 추출하고, 상기 표준 주택매매지수와 표준 검색 빈도수간의 양의 관계지수 및 음의 관계지수를 연산하는 연산부, 상기 양의 관계지수 또는 음의 관계지수가 임계값보다 작은 값을 가지는 유효 검색어를 추출하는 검색어 추출부, 그리고 상기 유효 검색어의 검색 빈도수를 인공신경망 알고리즘에 입력하고, 기 저장된 데이터베이스를 기반으로 상기 인공신경망 알고리즘의 N개 계수값을 조정하여 상기 유효 검색어의 검색 빈도수에 따른 주택매매지수를 예측하는 예측부를 포함한다.
상기 연산부는, 상기 표준 주택매매지수(standardized주택매매지수)와 표준 검색 빈도수(standardized검색어)간의 양의 관계 지수 및 음의 관계지수를 다음 수학식을 이용하여 연산할 수 있다.
Figure 112016078549385-pat00001
유효 검색어의 검색 빈도수를 상기 인공신경망 알고리즘에 적용하여 N개의 계수 값 및 주택매매지수를 연산하고 상기 연산된 주택매매지수 값과 동일 기간 동안의 실제 주택매매지수 값과의 오차가 기 설정된 범위 내에 해당될 때까지 상기 N개의 계수 값을 조정하여 상기 유효 검색어의 검색 빈도수에 따른 최적의 N개의 계수 값을 추출하도록 학습시키는 학습부를 더 포함하고, 상기 학습부는 상기 유효 검색어의 검색 빈도수에 따라 상기 추출된 N개의 계수 값, 실제 주택매매지수를 상기 데이터베이스에 저장할 수 있다.
상기 인공신경망 알고리즘은, 상기 추출된 유효 검색어(A)와 관련하여 계수(w_bias_A)가 제1 계층 함수에 입력되면, 상기 제1 계층 함수로부터 출력된 계수(w_A)를 제2 계층 함수로 입력하며, 상기 제2 계층 함수로부터 출력된 계수(w_predict_A)를 제3 계층 함수로 입력하여, 상기 제3 계층 함수는 추정 주택매매지수를 연산하여 출력할 수 있다.
상기 학습부는, 상기 유효 검색어의 양의 관계지수가 기 설정된 값보다 작은 경우, 상기 계수(w_A, w_predict_A)의 초기 값을 양(+)의 부호로 설정하고, 상기 유효 검색어의 음의 관계지수가 기 설정된 값보다 작은 경우, 상기 계수(w_A, w_predict_A)의 초기 값을 음(-)의 부호로 설정할 수 있다.
상기 학습부는, 상기 데이터 베이스에 유효 검색어의 표준 검색 빈도수의 크기에 따른 표준 주택매매지수 값이 존재하지 않은 경우, 해당되는 유효 검색어의 표준 검색 빈도수를 기준으로 인접하는 표준 검색 빈도수들 중에서 표준 주택매매지수 값이 존재하는 복수의 표준 검색 빈도수들을 추출하고, 추출된 복수의 표준 검색 빈도수에 대응하는 N개의 계수에 대하여 각각 계수마다 평균 값을 연산하며, 상기 연산된 N개의 평균 값을 상기 인공신경망 알고리즘의 대응되는 계수에 적용하여 주택매매지수 값을 추정하고, 추정된 주택매매지수 값을 상기 데이터베이스에 저장할 수 있다.
상기 학습부는, 상기 해당되는 유효 검색어의 표준 검색 빈도수를 기준으로 표준 주택매매지수 값이 존재하는 복수의 표준 검색 빈도수들이 추출되도록 일정 간격으로 범위를 확장시킬 수 있다.
본 발명의 다른 실시예에 따르면, 주택매매지수 예측 장치를 이용한 주택매매지수 예측 방법에 있어서, 온라인 웹사이트와 연동되어 특정 지역의 실제 주택매매지수 및 적어도 하나의 후보 검색어에 대한 검색 빈도수를 일정 시간 간격으로 수집하는 단계, 상기 실제 주택매매지수 및 상기 검색 빈도수를 표준화 작업을 통해 표준 주택매매지수 및 표준 검색 빈도수를 추출하고, 상기 표준 주택매매지수와 표준 검색 빈도수간의 양의 관계지수 및 음의 관계지수를 연산하는 단계, 상기 양의 관계지수 또는 음의 관계지수가 임계값보다 작은 값을 가지는 유효 검색어를 추출하는 단계, 그리고 상기 유효 검색어의 검색 빈도수를 인공신경망 알고리즘에 입력하고, 기 저장된 데이터베이스를 기반으로 상기 인공신경망 알고리즘의 N개 계수값을 조정하여 상기 유효 검색어의 검색 빈도수에 따른 주택매매지수를 예측하는 단계를 포함한다.
본 발명에 따르면, 인공신경망 알고리즘을 이용함으로써 예측 수행 횟수가 증가함에 따라 보다 정확하게 주택매매지수를 예측할 수 있으며, 주택매매지수를 예측하기 위한 데이터의 회득 및 분석이 보다 간편하고 신속하게 수행할 수 있어, 주택매매지수를 사용자에게 제공하는 데 소요되는 시간 및 비용 절감의 효과가 있다.
또한, 특정 검색어의 검색 빈도수를 통해 사람들의 관심도, 트랜드를 반영하여 주택매매지수를 예측할 수 있으며, 모든 수치가 디지털화되어 데이터를 개량하거나 분석함에 용이하다.
도 1은 본 발명의 실시예에 따른 주택매매지수 예측 장치를 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 주택매매지수 예측 장치의 구성도이다.
도 3은 본 발명의 실시예에 따른 주택매매지수 예측 장치의 주택매매지수 예측 방법을 나타낸 순서도이다.
도 4는 본 발명의 실시예에 따른 표준 주택매매지수와 후보 검색어의 표준 주택매매지수간의 관계를 도시한 예시도이다.
도 5는 본 발명의 실시예에 따른 인공신경망 알고리즘을 설명하기 위한 예시도이다.
도 6는 본 발명의 실시예에 따른 주택매매지수 예측 장치가 생성하는 데이터베이스를 나타낸 예시도이다.
도 7는 본 발명의 실시예에 따른 예측 주택매매지수와 실제 주택매매지수를 비교한 그래프이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
도 1은 본 발명의 실시예에 따른 주택매매지수 예측 장치를 설명하기 위한 도면이다.
본 발명의 실시예에 따른 주택매매지수 예측 장치(200)는 웹 서버가 제공하는 웹 사이트(100)과 통신망으로 연결되어 일정 기간 동안 다수의 사람들이 검색한 검색어 및 검색 빈도수를 수집하여 주택매매지수와의 관계지수를 연산하고 유효한 검색어를 추출하여 유효 검색어의 검색 빈도수를 이용하여 주택매매지수를 예측한다.
여기서 웹 사이트(100)은 주택매매지수와 관련 사이트, 컨설턴트 관련 사이트 등 전문기관 사이트, 검색 엔진, 일반 포털 사이트를 나타내며, 네트워크 통신망을 통해 정보를 검색할 수 있는 사이트를 나타낸다.
본 발명의 실시예에 따른 주택매매지수 예측 장치(200)는 적어도 하나의 웹 사이트(100)으로부터 적어도 하나의 검색어를 일정기간 검색된 검색 빈도수를 수집할 수 있다.
이때, 검색어는 주택매매지수와 관련이 있는 검색어부터 전혀 연관관계가 없는 검색어까지 모두 포함하며, 주택매매지수 예측 장치(200)는 웹 사이트 (100)로부터 수신한 복수의 검색어 중에서 랜덤으로 검색어를 후보 검색어로 추출하거나 특정 기관 또는 컨설턴트로부터 추천받은 검색어를 후보 검색어로 추출할 수 있다.
그리고 주택매매지수 예측 장치(200)는 적어도 하나의 검색어에 대해 일정 기간 동안의 검색 빈도수를 수집하고, 실제 주택매매지수를 수집한다.
주택매매지수 예측 장치(200)는 실제 주택매매지수 및 검색 빈도수를 표준화 작업 및 관계지수를 연산하여 실제 주택매매지수와 양의 관계 또는 음의 관계에 있는 유효 검색어를 추출한다.
다음으로 주택매매지수 예측 장치(200)는 유효 검색어의 표준 검색 빈도수 및 표준 주택매매지수를 인공신경망 알고리즘을 통해 반복 수행하여 인공신경망 알고리즘의 최적의 N개의 계수를 추출한다.
그리고 주택매매지수 예측 장치(200)는 해당 유효 검색어의 표준 검색 빈도수에 따른 표준 주택매매지수 및 N개의 계수값을 데이터베이스(미도시함)에 저장할 수 있다.
주택매매지수 예측 장치(200)는 데이터 베이스에 유효 검색어의 표준 검색 빈도수의 크기에 따른 표준 주택매매지수 값이 존재하지 않은 경우 해당되는 유효 검색어의 표준 검색 빈도수를 기준으로 인접하는 표준 검색 빈도수들 중에서 표준 주택매매지수 값이 존재하는 복수의 표준 검색 빈도수들을 추출할 수 있다. 그리고 추출된 복수의 복수의 표준 검색 빈도수에 대응하는 N개의 계수에 대하여 각각 계수마다 평균 값을 연산하여, 연산된 N개의 평균 값을 인공신경망 알고리즘의 대응되는 계수에 적용하여 주택매매지수 값을 추정하고, 추정된 주택매매지수 값을 데이터베이스에 저장할 수 있다.
즉, 주택매매지수 예측 장치(200)는 인공신경망 알고리즘을 반복 수행하여 유효 검색어의 검색 빈도수에 대응되는 주택매매지수 및 인공신경망 알고리즘에 적용되는 최적의 N개의 계수를 데이터베이스에 저장한다.
그리고 주택매매지수 예측 장치(200)는 웹 사이트(100)로부터 복수의 검색어가 아닌, 유효 검색어로 추출된 검색어의 검색 빈도수만을 수집하여 인공신경망 알고리즘에 적용하면, 데이터베이스에 기 저장된 N개의 계수를 이용하여 각종 금융 기관, 부동산 관련 유관 기관, 국책 은행, 일반 은행 등에서 주 단위로 주택매매지수가 제공되기 전에 주택매매지수를 예측할 수 있다.
그리고 해당 기간의 실제 주택매매지수 값이 제공되면, 주택매매지수 예측 장치(200)는 실제 주택매매지수 값과 해당 기간의 유효 검색어의 표준 검색 빈도수를 이용하여 인공신경망 알고리즘에 적용하여 다시 최적의 N 개의 계수 값을 추출하고 이를 데이터베이스에 업데이트할 수 있다.
도 2는 본 발명의 실시예에 따른 주택매매지수 예측 장치의 구성도이다.
본 발명의 실시예에 따른 주택매매지수 예측 장치(200)는 수집부(210), 연산부(220), 검색어 추출부(230) 및 예측부(240)를 포함한다.
먼저, 수집부(210)는 특정 지역에서 일정 기간 동안의 실제 주택매매지수를 수집하고, 적어도 하나의 후보 검색어에 대한 검색 빈도수를 일정 시간 간격으로 수집한다.
여기서, 수집부(210)는 각종 금융 기관, 부동산 관련 유관 기관, 국책 은행, 일반 은행 등과 연계된 웹 서버에서 주 단위로 제공되는 주택매매지수 데이터를 수집할 수 있다. 이때, 주택매매지수의 데이터는 특정 날짜의 주택매매지수 값을 100으로 설정하고 이를 기준으로 주택거래 추이를 상대적으로 나타낼 수 있다. 즉, 주택매매 거래량이 특정 날짜의 주택매매지수 값보다 많으면 100 이상의 값을 가지고 특정 날짜의 주택매매지수 값보다 적으면 100 이하의 값을 가질 수 있다.
수집부(210)는 네트워크 통신망으로 연결된 관련 사이트로부터 일정 시간 간격으로 후보 검색어와 검색 빈도수를 수집한다. 수집부(210)는 웹 사이트 (100)으로부터 복수의 검색어를 수신하여, 랜덤 또는 관련 기관이나 전문가로부터 추천받은 검색어를 후보 검색어로 선택할 수 있다. 그리고 수집부(210)는 하나 또는 복수의 웹 사이트(100)로부터 후보 검색어에 대한 검색 빈도수를 수집할 수 있다.
연산부(220)는 실제 주택매매지수와 후보 검색어의 검색 빈도수를 표준화 작업을 통해 표준 주택매매지수와 표준 검색 빈도수를 추출한다.
그리고 연산부(220)는 추출한 표준 주택매매지수와 후보 검색어의 표준 검색 빈도수를 이용하여 양의 관계지수와 음의 관계지수를 연산한다.
검색어 추출부(230)는 연산된 양의 관계지수 또는 음의 관계지수가 기설정된 임계값보다 작은 값을 가지는 경우, 해당 후보 검색어를 유효 검색어로 선택한다.
그리고 예측부(240)는 선택된 유효 검색어의 검색 빈도수를 인공신경망 알고리즘에 입력하여, 주택매매지수를 예측한다. 여기서, 인공신경망 알고리즘은 복수의 계층함수로 이뤄져 있으며, 각 함수에는 적어도 하나의 계수가 입력된다.
예측부(240)는 인공신경망 알고리즘의 N개의 계수값을 조정하여 유효 검색어의 검색 빈도수에 따라 최종 주택매매지수를 예측한다.
이하에서는 도 3 내지 도 7를 통해 주택매매지수 예측 장치가 인공신경망 알고리즘을 이용하여 주택매매지수 예측하는 방법에 대해서 자세하게 설명한다.
도 3은 본 발명의 실시예에 따른 주택매매지수 예측 장치의 주택매매지수 예측 방법을 나타낸 순서도이고 도 4는 본 발명의 실시예에 따른 표준 주택매매지수와 후보 검색어의 표준 주택매매지수간의 관계를 도시한 예시도이다.
도 5는 본 발명의 실시예에 따른 인공신경망 알고리즘을 설명하기 위한 예시도이고 도 6는 본 발명의 실시예에 따른 주택매매지수 예측 장치가 생성하는 데이터베이스를 나타낸 예시도이며, 도 7는 본 발명의 실시예에 따른 예측 주택매매지수와 실제 주택매매지수를 비교한 그래프이다.
본 발명의 실시예에 따른 주택매매지수 예측 장치(200)는 특정 지역의 실제 주택매매지수 및 적어도 하나의 후보 검색 빈도수를 일정 시간 간격으로 수집한다(S310).
주택매매지수 예측 장치(200)는 적어도 하나의 웹 사이트(100)와 통신망을 통해 실제 주택매매지수를 수집하고, 검색어의 검색 데이터를 수신할 수 있다.
여기서, 검색 데이터는 검색어와 검색어의 검색빈도수, 검색 시간대, 검색 지역등을 포함할 수 있다.
주택매매지수 예측 장치(200)는 웹 사이트(100)로부터 전달받은 복수의 검색어 중에서 랜덤으로 후보 검색어를 선택할 수도 있고, 직접 사용자로부터 검색어를 입력받은 경우, 입력받은 검색어를 후보 검색어로 선택할 수 있다. 또한, 수집부(210)는 포털 사이트 또는 관련 기관에서 주택매매지수와 관련도가 높은 것으로 추천된 검색어를 선택할 수 있다.
주택매매지수 예측 장치(200)는 일정 기간동안 기 설정된 시간 간격으로 실제 주택매매지수와 후보 검색어에 대한 검색빈도수를 수집하여 별도의 데이터베이스(미도시함)에 저장할 수 있다.
도 4와 같이, 주택매매지수 예측 장치(200)는 수집한 검색어들 중에서 랜덤으로 후보 검색어로 CK, 서울집값, IBK라는 검색어를 선택한다고 가정한다. 여기서, CK는 캘빈클라인의 약자로 의류, 향수, 시계를 판매하는 브랜드이고, IBK는 기업은행의 약자를 나타내며, 서울집값과 같이 후보 검색어는 하나의 단어에 한정하지 않고 복수의 단어가 결합된 검색어도 포함된다.
그리고 주택매매지수 예측 장치(200)는 각각의 후보 검색어의 검색 빈도수를 1주 단위로 약 6개월동안의 후보 검색어 데이터 및 강원도 지역의 실제 주택매매지수 값을 수집한다고 가정한다.
이처럼, 주택매매지수 예측 장치(200)가 수집한 실제 주택매매지수 값과 각 후보 검색어의 검색 빈도수를 도 4와 같이 그래프로 나타낼 수 있다. 도 4의 그래프는 동일 시간 단위의 실제 주택매매지수(X축)에 대응하여 후보 검색어의 검색 빈도수(Y축)를 나타낸 그래프로, 실제 주택매매지수와 후보 검색어간의 상관관계를 나타낸다.
다음으로 주택매매지수 예측 장치(200)는 실제 주택매매지수 및 검색 빈도수를 표준화 작업을 통해 표준 주택매매지수 및 표준 검색 빈도수를 추출한다(S320).
주택매매지수 예측 장치(200)는 다음 수학식 1을 이용하여 표준화 작업을 수행할 수 있다.
Figure 112016078549385-pat00002
여기서, Standardized검색어는 표준 검색 빈도수를 나타내고, 검색어i는 일정 시간 간격의 후보 검색어에 대한 검색 빈도수들 중에서 i번째 후보 검색어의 데이터, min검색어는 후보 검색어의 검색 빈도수중에서 최소값, max검색어 는 후보 검색어의 검색 빈도수중에서 최대값을 나타낸다.
주택매매지수 예측 장치(200)는 실제 주택매매지수에 대해서도 동일하게 수학식 1을 적용하여 표준 주택매매지수를 추출할 수 있다.
다음으로 주택매매지수 예측 장치(200)는 표준 주택매매지수와 표준 검색 빈도수간의 양의 관계지수 및 음의 관계지수를 연산한다(S330).
주택매매지수 예측 장치(200)는 다음 수학식 2를 통해 표준 주택매매지수(standardized주택매매지수)와 표준 검색 빈도수(standardized검색어)를 이용하여 양의 관계 지수와 음의 관계지수를 추출한다.
Figure 112016078549385-pat00003
이처럼, 주택매매지수 예측 장치(200)는 각 표준 주택매매지수와 표준 검색 빈도수에 대해서 각각 양의 관계지수 및 음의 관계지수를 연산하면 다음 표 1과 같이 나타낼 수 있다.
Figure 112016078549385-pat00004
표 1의 양의 관계지수 및 음의 관계지수 값은 동일 시간 단위(1주)마다 후보 검색어(CK, 서울집값, IBK)의 표준 검색 빈도수와 표준 주택매매지수간의 양의 관계지수 및 음의 관계지수를 연산하고, 연산된 복수의 양의 관계지수 및 음의 관계지수의 총합을 동일 시간 단위로 나눠진 개수로 나누어 평균을 낸 값이다.
주택매매지수 예측 장치(200)는 양의 관계지수 또는 음의 관계지수가 임계값보다 작은 값을 가지는 유효 검색어를 추출한다(S340).
주택매매지수 예측 장치(200)는 기 설정된 값 0.3을 기준으로 양의 관계지수 또는 음의 관계지수가 0.3 이하의 값을 가지는 검색어를 유효 검색어로 선택할 수 있다. 즉, 주택매매지수 예측 장치(200)는 표 1의 연산된 관계 지수를 이용하여 음의 관계지수가 0.3보다 작은 값을 가지는 CK와 양의 관계지수가 0.3 보다 작은 값을 가지는 IBK를 유효 검색어로 선택하고 유표 검색어의 검색 빈도수를 추출할 수 있다.
도 4에 나타낸 그래프와 같이, 주택매매지수 예측 장치(200)가 실제 주택매매지수와 연관된 유효 검색어로 CK와 IBK를 추출한 결과가 상당부분 일치함을 알 수 있다.
즉, 도 4에서 CK 와 주택매매지수간의 그래프는 우하향 하는 것을 알 수 있는데, 이는 CK의 검색 빈도수가 높을수록 주택매매지수는 낮은 값을 갖게 되는 음의 관계에 있음을 나타낸다. 또한, 도 4에서 IBK와 주택매매지수간에 그래프는 우상향 하는 것을 알 수 있는데, 이는 IBK 의 검색 빈도수가 높을수록 주택매매지수도 높은 값을 가지는 양의 관계에 있음을 나타낸다.
반면, 서울집값과 주택매매지수간의 그래프는 특정 방향성을 가진다고 볼 수 없으므로, 서울집값의 검색 빈도수와 주택매매지수간에는 일정한 규칙이 없음을 알 수 있다.
그리고 주택매매지수 예측 장치(200)는 일정 기간 동안 기 설정된 간격마다 수집한 유효 검색어의 검색 빈도수 및 실제 주택매매지수를 인공신경망 알고리즘에 적용하여 최적의 N개의 계수값을 추출하도록 인공신경망을 학습시킬 수 있다. 이때, 검색 빈도수 및 실제 주택매매지수는 표준화 작업을 통해 추출된 표준 검색 빈도수 및 표준 주택매매지수를 이용한다.
예를 들어 주택매매지수 예측 장치(200)가 CK의 표준 빈도수 값이 0.41 IBK의 표준 빈도수 값이 0.06인 경우, 구간의 실제 표준 주택매매지수가 0.18을 수집했다고 가정한다.
도 5와 같이 주택매매지수 예측 장치(200)는 인공신경망 알고리즘의 입력값으로 CK 표준 빈도수 값 0.41과 IBK 표준 빈도수 값 0.06을 입력하고 최종 출력 값으로 주택매매지수가 0.18이 되도록 설정하여 인공신경망 알고리즘의 9개의 계수 값을 조정할 수 있다.
여기서, 설명의 편의상 두개의 유효 검색어를 이용함으로써 인공신경망 알고리즘에 사용되는 계수는 9개라고 가정하지만, 이에 한정되는 것은 아니며 유효 검색어의 개수에 따라서 계수의 개수도 달라질 수 있다.
먼저, 주택매매지수 예측 장치(200)는 S330단계에서 연산한 양의 관계 지수 및 음의 관계 지수를 이용하여 9개의 계수 값의 초기값을 설정할 수 있다.
인공신경망 알고리즘의 9개의 계수는 제1 계층 함수로 입력되는 계수(w_bias_A: w_bias_CK, w_bias_IBK), 제2 계층 함수로 입력되는 계수(w_A: w_CK, w_IBK, w_A2: w_CK2, w_IBK2), 제3 계층 함수로 입력되는 계수(w_bias_Predict, w_predict_A: w_predict_CK, w_predict_IBK)로 나타낼 수 있다.
여기서, 설명의 편의상 인공신경망 알고리즘은 3개의 계층으로 나누어 설명하였지만, 인공신경망 알고리즘의 계층을 3개로 한정하는 것은 아니며, 각 계층 함수는 적어도 하나의 함수를 포함한다.
표 1에서와 같이, CK는 음의 관계이며, 관계 지수는 0.289이고, IBK는 양의 관계로 관계 지수는 0.170이다.
w_CK의 초기값은 음(-)의 부호로 음의 관계 지수 값인 -0.289, w_CK2의 초기값은 0.5에서 관계지수 값을 제해준 값인 0.211, w_predict_CK의 초기 값은 음(-)의 부호로 -0.5로 설정되고, w_IBK의 초기값은 양(+)의 부호로 양의 관계 지수 값인 0.330, w_IBK2의 초기값은 0.5에서 관계지수 값을 제해준 값인 0.330, w_predict_IBK은 양(+)의 부호로 0.5으로 설정된다. 그리고 계산의 편의상 계수 w_bias_CK, w_bias_IBK, w_bias_Predict 의 초기 값은 -0.5으로 설정할 수 있다.
이처럼 9개의 계수의 초기값이 설정된 이후에는 아래의 수학식 3을 이용하여 I_CK, I_IBK, I_Predict, sig(CK), sig(IBK), sig(predict)를 연산한다.
Figure 112016078549385-pat00005
여기서, CK와 IBK는 각 표준 검색 빈도수를 나타내며 e는 오차를 나타내는 값으로 1로 설정할 수 있다.
그리고 주택매매지수 예측 장치(200)는 다음 수학식 3을 통해 연산된 값들을 이용하여 수학식 4에 적용하여 9개의 계수값을 조정한다.
Figure 112016078549385-pat00006
주택매매지수 예측 장치(200)는 수학식 4를 통해 9개의 계수 값이 조정되면 조정된 계수ㅜ 값을 다시 수학식 3에 적용하여 I_CK, I_IBK, I_Predict, sig(CK), sig(IBK), sig(predict)를 연산한다. 이때, sig(Predict)의 값이 실제값과 +/- 0.005 내의 오차값을 가질 때까지 주택매매지수 예측 장치(200)는 반복해서 9개의 계수 값을 조정한다. 여기서 0.005의 오차값 범위는 추후에 사용자에 의해서 용이하게 변경 설정이 가능하다.
주택매매지수 예측 장치(200)는 이와같이 일정기간의 표준 주택매매지수와 유효 검색어의 표준 검색 빈도수를 인공신경망 알고리즘에 적용하여 N개의 계수 값을 조정하여 최적의 계수값들을 추출하면, 해당 유효 검색어의 표준 검색 빈도수에 대응하여 표준 주택매매지수와 N개의 계수 값을 데이터 베이스에 저장할 수 있다.
이때, 주택매매지수 예측 장치(200)는 복수의 유효 검색어의 표준 검색 빈도수에 조합에 따라 표준 주택매매지수와 N개의 계수 값이 추출하고 데이터 베이스에 테이블의 형식으로 저장할 수 있다.
즉 도 6과 같이, 주택매매지수 예측 장치(200)는 유효 검색어인 CK와 IBK의 표준 검색빈도수의 조합에 따라 실제 주택매매지수 및 9개의 계수값을 저장할 수 있다.
이때, 주택매매지수 예측 장치(200)는 복수의 유효 검색어의 표준 빈도수에 대응하는 모든 조합에서 실제 주택매매지수를 수집하는 것은 어렵다. 그러므로, 주택매매지수 예측 장치(200)는 주택매매지수를 보다 빠르고 정확하게 예측하기 위해서 유효 검색어의 표준 검색 빈도수의 크기에 따른 실제 표준 주택매매지수 값이 존재하지 않은 경우, 표준 주택매매지수 값 및 9개의 계수 값을 추정하여 데이터베이스에 저장할 수 있다.
주택매매지수 예측 장치(200)는 데이터 베이스에 복수의 유효 검색어의 표준 검색 빈도수의 조합에 따른 실제 표준 주택매매지수 값이 존재하지 않은 경우, 해당되는 유효 검색어의 표준 검색 빈도수를 기준으로 인접하는 표준 검색 빈도수들 중에서 실제 표준 주택매매지수 값이 존재하는 복수의 표준 검색 빈도수들을 추출할 수 있다. 그리고 주택매매지수 예측 장치(200)는 추출한 복수의 표준 검색 빈도수들에 저장된 9개의 계수 값을 이용하여 존재하지 않는 표준 주택매매지수 값을 추정할 수 있다.
즉, 도 6의 예에서 IBK와 CK의 표준 검색 빈도수 조합이 (0.06, 0.43)일 때(해당 조합을 "A"로 표시함), A 조합에 대응하는 표준 주택매매지수 값이 데이터베이스에 저장되어 있지 않은 경우, 주택매매지수 예측 장치(200)는 A 조합에 인접하는 4개의 표준 검색 빈도수 조합 중에서 복수의 표준 주택매매지수가 저장된 표준 검색 빈도수 조합이 있는지 여부를 판단한다.
즉, 표준 검색 빈도수 조합(0.06, 0.43)와 인접하는 도 6의 빗금 친 영역의 4개의 표준 검색 빈도수 조합((0.06, 0.42), (0.06, 0.44), (0.05, 0.43), (0.07, 0.43)) 중에서 표준 주택매매지수가 저장되어 있는 조합이 2개 이상인지 여부를 판단한다.
도 6의 예에서는 표준 검색 빈도수 조합이 (0.06, 0.42), (0.06, 0.44)인 경우에 표준 주택매매지수가 저장되어 있으므로(HSI=0.21, HIS=0.24), 주택매매지수 예측 장치(200)는 (0.06, 0.42), (0.06, 0.44) 조합에 각각 대응하는 9개의 계수에 대하여 계수마다 평균 값을 연산하여, A 조합에 해당하는 (0.06, 0.43)에 대하여 9개의 계수를 획득한다.
그리고 주택매매지수 예측 장치(200)는 IBK 표준 검색 빈도수인 0.06과 CK 표준 검색 빈도수인 0.43, 그리고 획득된 9개의 계수값을 이용하여 인공신경망 알고리즘을 통해 주택매매지수를 추정하고, 추정된 주택매매지수를 A에 대응하는 (0.06, 0.43) 조합에 저장할 수 있다.
한편, 도 6의 B와 같이 인접하는 IBK와 CK의 표준 검색 빈도수 조합이 (0.07, 0.41)일 때, (0.07, 041) 조합에 인접하는 4개의 조합 중에서 표준주택매매지수가 존재하는 조합이 1개(0.06, 0.41)만 있을 수가 있다.
이와 같은 경우에는 주택매매지수 예측 장치(200)는 인접되는 조합의 범위를 B를 중심으로 주변 8개로 확장시켜 주변 조합 중에서 표준주택매매지수가 복수인지 여부를 판단한다.
도 6과 같이 B 조합을 중심으로 주변 8개의 조합 중에서 (0.06, 0.41), (0.06,0.42) 조합의 경우 표준주택매매지수가 존재하므로, A와 마찬가지로 B의 경우에도 주변의 2개의 조합에 대하여 각각 대응하는 9개의 계수에 대하여 계수마다 평균 값을 연산하여, B 조합에 해당하는 (0.07, 0.42)에 대하여 9개의 계수를 획득한다.
이와 같은 방식으로 주택매매지수 예측 장치(200)는 주변에 복수의 주택매매지수를 가지는 조합이 검색될 때까지 해당 조합을 중심으로 검색 범위를 확장시키도록 한다.
그리고 추정된 주택매매지수가 저장된 표준 검색 빈도수 조합에 있어서, 추후에 해당 유효 검색어(IBK, CK)의 표준 검색 빈도수가 수집되는 동일 기간에 실제 주택매매지수가 수집되면, 주택매매지수 예측 장치(200)는 해당 표준 검색 빈도수의 조합에 저장된 데이터를 업데이트할 수 있다.
즉, 주택매매지수 예측 장치(200)는 인공신경망 알고리즘에 유효 검색어의 표준 검색 빈도수를 입력값으로 설정하고 수집된 실제 주택매매지수를 표준화한 표준 주택매매지수를 출력값으로 설정하여 최적의 계수 값들을 추출하고, 표준 주택매매지수 및 계수 값들을 해당 표준 검색 빈도수의 조합에 저장할 수 있다.
다음으로 주택매매지수 예측 장치(200)는 유효 검색어의 표준 검색 빈도수를 인공 신경망 알고리즘에 입력하고 기 저장된 데이터베이스를 기반으로 N개의 계수값을 조정하여 주택매매지수를 예측한다(S350).
주택매매지수 예측 장치(200)는 이전에 학습된 인공 신경망 알고리즘을 통해 추출되어 저장된 9개의 계수 값과 유효 검색어의 표준 검색 빈도수를 이용하여 주택매매지수를 예측할 수 있다.
도 7는 1주 단위(X축)로 본 발명의 실시예에 따른 주택매매지수 예측 장치(200)가 예측한 주택매매지수(Predict)와 동일 시간 단위인 1주 단위마다의 실제 주택매매지수(actual)을 나타낸 그래프이다.
도 7의 (A),(B),(C)는 각각 동일한 유효 검색어의 표준 빈도수를 인공신경 알고리즘에 입력하여 예측한 주택매매지수와 실제 주택매매지수를 나타낸 그래프로, 도 7의 (A)는 유효 검색어의 표준 검색 빈도수와 초기화된 계수 값을 이용하여 예측한 주택매매지수(Predict)의 그래프이며, 도 7의 (B)는 인공신경망 알고리즘의 반복적인 수행을 통하여 N개의 계수값을 조정하여 예측한 주택매매지수(Predict)의 그래프이며, 도 7의 (C)는 최적의 N개의 계수값을 추출하고 최종적으로 예측한 주택매매지수(Predict)의 그래프는 나타낸다.
도 7의 (A), (B), (C)를 보면, 인공신경망 알고리즘을 반복 수행할수록 예측한 주택매매지수(Predict)과 실제 주택매매지수(actual)이 거의 일치하는 것을 알 수 있다.
이와 같이 본 발명의 실시예에 따르면, 인공신경망 알고리즘을 이용함으로써 예측 수행 횟수가 증가함에 따라 보다 정확하게 주택매매지수를 예측할 수 있으며, 주택매매지수를 예측하기 위한 데이터의 회득 및 분석이 보다 간편하고 신속하게 수행할 수 있어, 주택매매지수를 사용자에게 제공하는 데 소요되는 시간 및 비용 절감의 효과가 있다.
또한, 특정 검색어의 검색 빈도수를 통해 사람들의 관심도, 트랜드를 반영하여 주택매매지수를 예측할 수 있으며, 모든 수치가 디지털화되어 데이터를 개량하거나 분석함에 용이하다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 웹 사이트 200: 주택매매지수 예측 장치
210: 수집부 220: 연산부
230: 검색어 추출부 240: 예측부

Claims (14)

  1. 온라인 웹사이트와 연동되어 특정 지역의 실제 주택매매지수 및 적어도 하나의 후보 검색어에 대한 검색 빈도수를 일정 시간 간격으로 수집하는 수집부,
    상기 실제 주택매매지수 및 상기 검색 빈도수를 표준화 작업을 통해 표준 주택매매지수 및 표준 검색 빈도수를 추출하고, 상기 표준 주택매매지수와 표준 검색 빈도수간의 양의 관계지수 및 음의 관계지수를 연산하는 연산부,
    상기 양의 관계지수 또는 음의 관계지수가 임계값보다 작은 값을 가지는 유효 검색어를 추출하는 검색어 추출부,
    유효 검색어의 검색 빈도수를 인공신경망 알고리즘에 적용하여 N개의 계수 값 및 주택매매지수를 연산하고 상기 연산된 주택매매지수 값과 동일 기간 동안의 실제 주택매매지수 값과의 오차가 기 설정된 범위 내에 해당될 때까지 상기 N개의 계수 값을 조정하여 상기 유효 검색어의 검색 빈도수에 따른 최적의 N개의 계수 값을 추출하도록 학습시키는 학습부, 그리고
    상기 유효 검색어의 검색 빈도수를 상기 인공신경망 알고리즘에 입력하고, 기 저장된 데이터베이스를 기반으로 상기 인공신경망 알고리즘의 N개 계수값을 조정하여 상기 유효 검색어의 검색 빈도수에 따른 주택매매지수를 예측하는 예측부를 포함하고,
    상기 연산부는, 상기 표준 주택매매지수(standardized주택매매지수)와 표준 검색 빈도수(standardized검색어)간의 양의 관계 지수 및 음의 관계지수를 다음 수학식을 이용하여 연산하며,
    Figure 112017014481099-pat00007

    상기 학습부는, 상기 데이터 베이스에 유효 검색어의 표준 검색 빈도수의 크기에 따른 표준 주택매매지수 값이 존재하지 않은 경우, 해당되는 유효 검색어의 표준 검색 빈도수를 기준으로 인접하는 표준 검색 빈도수들 중에서 표준 주택매매지수 값이 존재하는 복수의 표준 검색 빈도수들을 추출하고, 추출된 복수의 표준 검색 빈도수에 대응하는 N개의 계수에 대하여 각각 계수마다 평균 값을 연산하며, 상기 연산된 N개의 평균 값을 상기 인공신경망 알고리즘의 대응되는 계수에 적용하여 주택매매지수 값을 추정하고, 추정된 주택매매지수 값을 상기 데이터베이스에 저장하는 인공신경망을 이용한 주택매매지수 예측 장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 학습부는
    상기 유효 검색어의 검색 빈도수에 따라 상기 추출된 N개의 계수 값, 실제 주택매매지수를 상기 데이터베이스에 저장하는 인공신경망을 이용한 주택매매지수 예측 장치.
  4. 제3항에 있어서,
    상기 인공신경망 알고리즘은,
    상기 추출된 유효 검색어(A)와 관련하여 계수(w_bias_A)가 제1 계층 함수에 입력되면, 상기 제1 계층 함수로부터 출력된 계수(w_A)를 제2 계층 함수로 입력하며, 상기 제2 계층 함수로부터 출력된 계수(w_predict_A)를 제3 계층 함수로 입력하여, 상기 제3 계층 함수는 추정 주택매매지수를 연산하여 출력하는 인공신경망을 이용한 주택매매지수 예측 장치.
  5. 제4항에 있어서,
    상기 학습부는,
    상기 유효 검색어의 양의 관계지수가 기 설정된 값보다 작은 경우, 상기 계수(w_A, w_predict_A)의 초기 값을 양(+)의 부호로 설정하고,
    상기 유효 검색어의 음의 관계지수가 기 설정된 값보다 작은 경우, 상기 계수(w_A, w_predict_A)의 초기 값을 음(-)의 부호로 설정하는 인공신경망 알고리즘을 이용한 주택매매지수 예측 장치.
  6. 삭제
  7. 제1항에 있어서,
    상기 학습부는,
    상기 해당되는 유효 검색어의 표준 검색 빈도수를 기준으로 표준 주택매매지수 값이 존재하는 복수의 표준 검색 빈도수들이 추출되도록 일정 간격으로 범위를 확장시키는 인공신경망을 이용한 주택매매지수 예측 장치.
  8. 주택매매지수 예측 장치를 이용한 주택매매지수 예측 방법에 있어서,
    온라인 웹사이트와 연동되어 특정 지역의 실제 주택매매지수 및 적어도 하나의 후보 검색어에 대한 검색 빈도수를 일정 시간 간격으로 수집하는 단계,
    상기 실제 주택매매지수 및 상기 검색 빈도수를 표준화 작업을 통해 표준 주택매매지수 및 표준 검색 빈도수를 추출하고, 상기 표준 주택매매지수와 표준 검색 빈도수간의 양의 관계지수 및 음의 관계지수를 연산하는 단계,
    상기 양의 관계지수 또는 음의 관계지수가 임계값보다 작은 값을 가지는 유효 검색어를 추출하는 단계,
    유효 검색어의 검색 빈도수를 인공신경망 알고리즘에 적용하여 N개의 계수 값 및 주택매매지수를 연산하고 상기 연산된 주택매매지수 값과 동일 기간 동안의 실제 주택매매지수 값과의 오차가 기 설정된 범위 내에 해당될 때까지 상기 N개의 계수 값을 조정하여 상기 유효 검색어의 검색 빈도수에 따른 최적의 N개의 계수 값을 추출하도록 학습시키는 단계, 그리고
    상기 유효 검색어의 검색 빈도수를 상기 인공신경망 알고리즘에 입력하고, 기 저장된 데이터베이스를 기반으로 상기 인공신경망 알고리즘의 N개 계수값을 조정하여 상기 유효 검색어의 검색 빈도수에 따른 주택매매지수를 예측하는 단계를 포함하고,
    상기 관계지수를 연산하는 단계는, 상기 표준 주택매매지수(standardized주택매매지수)와 표준 검색 빈도수(standardized검색어)간의 양의 관계 지수 및 음의 관계지수를 다음 수학식을 이용하여 연산하며,
    Figure 112017014481099-pat00008

    상기 학습시키는 단계는, 상기 데이터 베이스에 유효 검색어의 표준 검색 빈도수의 크기에 따른 실제 주택매매지수 값이 존재하지 않은 경우, 해당되는 유효 검색어의 표준 검색 빈도수를 기준으로 인접하는 표준 검색 빈도수들 중에서 표준 주택매매지수 값이 존재하는 복수의 표준 검색 빈도수들을 추출하고, 추출된 복수의 표준 검색 빈도수에 대응하는 N개의 계수에 대하여 각각 계수마다 평균 값을 연산하며, 상기 연산된 N개의 평균 값을 상기 인공신경망 알고리즘의 대응되는 계수에 적용하여 주택매매지수 값을 추정하고, 추정된 주택매매지수 값을 상기 데이터베이스에 저장하는 인공신경망을 이용한 주택매매지수 예측 방법.
  9. 삭제
  10. 제8항에 있어서,
    상기 학습시키는 단계는
    상기 유효 검색어의 검색 빈도수에 따라 상기 추출된 N개의 계수 값, 실제 주택매매지수를 상기 데이터베이스에 저장하는 인공신경망을 이용한 주택매매지수 예측 방법.
  11. 제10항에 있어서,
    상기 인공신경망 알고리즘은,
    상기 추출된 유효 검색어(A)와 관련하여 계수(w_bias_A)가 제1 계층 함수에 입력되면, 상기 제1 계층 함수로부터 출력된 계수(w_A)를 제2 계층 함수로 입력하며, 상기 제2 계층 함수로부터 출력된 계수(w_predict_A)를 제3 계층 함수로 입력하여, 상기 제3 계층 함수는 추정 주택매매지수를 연산하여 출력하는 인공신경망을 이용한 주택매매지수 예측 방법.
  12. 제11항에 있어서,
    상기 학습시키는 단계는,
    상기 유효 검색어의 양의 관계지수가 기 설정된 값보다 작은 경우, 상기 계수(w_A, w_predict_A)의 초기 값을 양(+)의 부호로 설정하고,
    상기 유효 검색어의 음의 관계지수가 기 설정된 값보다 작은 경우, 상기 계수(w_A, w_predict_A)의 초기 값을 음(-)의 부호로 설정하는 인공신경망 알고리즘을 이용한 주택매매지수 예측 방법.
  13. 삭제
  14. 제8항에 있어서,
    상기 학습시키는 단계는,
    상기 해당되는 유효 검색어의 표준 검색 빈도수를 기준으로 표준 주택매매지수 값이 존재하는 복수의 표준 검색 빈도수들이 추출되도록 일정 간격으로 범위를 확장시키는 인공신경망을 이용한 주택매매지수 예측 방법.
KR1020160102905A 2016-08-12 2016-08-12 인공신경망을 이용한 주택매매지수 예측 장치 및 그 방법 KR101725015B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160102905A KR101725015B1 (ko) 2016-08-12 2016-08-12 인공신경망을 이용한 주택매매지수 예측 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160102905A KR101725015B1 (ko) 2016-08-12 2016-08-12 인공신경망을 이용한 주택매매지수 예측 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR101725015B1 true KR101725015B1 (ko) 2017-04-10

Family

ID=58581243

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160102905A KR101725015B1 (ko) 2016-08-12 2016-08-12 인공신경망을 이용한 주택매매지수 예측 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR101725015B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11561518B2 (en) 2020-05-27 2023-01-24 Samsung Electronics Co., Ltd. Electronic apparatus and control method thereof

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
김성도, ‘빅 데이터 기반의 하공 여행객 단기 수요 예측 모형 개발’, 인하대학교 석사학위 논문(2015.08월 공개) *
송수진 외 2인, ‘빅 데이터 시대의 도시 인프라 계획’, 한국건설관리학회 학술대회 논문집(2014.11월 공개) *
한승우, ‘빅데이터분석방법론을 활용한 연구사례’, 한국건설관리학회지 15권 6호(2014.12월 공개) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11561518B2 (en) 2020-05-27 2023-01-24 Samsung Electronics Co., Ltd. Electronic apparatus and control method thereof

Similar Documents

Publication Publication Date Title
CN109255506B (zh) 一种基于大数据的互联网金融用户贷款逾期预测方法
Athawale et al. Decision making for facility location selection using PROMETHEE II method
Vukovic et al. A case-based reasoning model that uses preference theory functions for credit scoring
Bellocchi et al. An indicator of solar radiation model performance based on a fuzzy expert system
US20170017900A1 (en) System and method for feature generation over arbitrary objects
Kou et al. An integrated expert system for fast disaster assessment
CN111160745A (zh) 用户账户数据的处理方法及装置
Cano et al. International market selection using fuzzy weighing and Monte Carlo simulation
CN110866832A (zh) 一种风险控制方法、系统、存储介质及计算设备
Jha et al. Housing market prediction problem using different machine learning algorithms: A case study
CN116401379A (zh) 金融产品数据推送方法、装置、设备及存储介质
CN111951050A (zh) 理财产品推荐方法及装置
CN111259167A (zh) 用户请求风险识别方法及装置
KR101725015B1 (ko) 인공신경망을 이용한 주택매매지수 예측 장치 및 그 방법
KR101725014B1 (ko) 시계열 모델을 이용한 주택매매지수 예측 장치 및 그 방법
KR101725013B1 (ko) 회귀분석을 이용한 주택매매지수 예측 장치 및 그 방법
Kowalczyk et al. Modelling customer retention with rough data models
CN116821759A (zh) 类别标签的识别预测方法、装置和处理器及电子设备
EP3493082A1 (en) A method of exploring databases of time-stamped data in order to discover dependencies between the data and predict future trends
KR102000663B1 (ko) 빅데이터 및 인공지능을 활용한 이벤트 예측 시스템 및 그 방법
CN107424026A (zh) 商家信誉评价方法和装置
KR101725011B1 (ko) 웹 검색어를 이용한 주택매매지수 예측 장치 및 그 방법
US20150371147A1 (en) Nominal feature transformation using likelihood of outcome
Li et al. A greyness reduction framework for prediction of grey heterogeneous data
Hui et al. Prediction of customer churn for ABC Multistate Bank using machine learning algorithms/Hui Shan Hon...[et al.]

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant