KR101794027B1 - 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템 및 방법 - Google Patents

앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템 및 방법 Download PDF

Info

Publication number
KR101794027B1
KR101794027B1 KR1020150166893A KR20150166893A KR101794027B1 KR 101794027 B1 KR101794027 B1 KR 101794027B1 KR 1020150166893 A KR1020150166893 A KR 1020150166893A KR 20150166893 A KR20150166893 A KR 20150166893A KR 101794027 B1 KR101794027 B1 KR 101794027B1
Authority
KR
South Korea
Prior art keywords
price
estimated
real estate
model
module
Prior art date
Application number
KR1020150166893A
Other languages
English (en)
Other versions
KR20170061834A (ko
Inventor
맹준영
이창노
최우현
장명수
김경주
김정은
Original Assignee
맹준영
이창노
최우현
장명수
김경주
김정은
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 맹준영, 이창노, 최우현, 장명수, 김경주, 김정은 filed Critical 맹준영
Priority to KR1020150166893A priority Critical patent/KR101794027B1/ko
Publication of KR20170061834A publication Critical patent/KR20170061834A/ko
Application granted granted Critical
Publication of KR101794027B1 publication Critical patent/KR101794027B1/ko

Links

Images

Classifications

    • 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
    • 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
    • G06N7/005—

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

부동산별 실제 거래 가격, 지리 좌표 및 유사 가격권 구획 자료가 미리 저장되는 부동산 데이터베이스; 해당 부동산의 실제 가격, 지리 좌표 및 유사 가격권 구획 자료에 모수 모형 및 비모수 모형을 적용하여 모집단의 소정 부동산에 대한 모형별 가격을 각각 산출하고, 각각 산출된 모형별 가격에 서로 동일하거나 또는 서로 상이한 가중치를 부여하여 가중치 적용 가격을 산출하며, 산출된 가중치 적용 가격이 해당 부동산의 유사 가격권 구획 자료에 대비하여 유사한지 여부를 통해 물리적 위치에 따른 가격 차이를 판단하며, 판단 결과 가중치 적용 가격의 물리적 위치에 따른 가격 차이가 소정 기준치 이상인 경우 물리적 위치를 고려하여 가중치 적용 가격을 공간상에서 보간하여 추정 가격을 산출하는 가격 추정 모형 설계 모듈; 추정 가격을 실제 거래 가격과 대비하여 추정 가격의 유효성을 검증하는 추정 가격 유효성 검증 모듈; 유효성이 검증된 경우, 가격 추정 모형 설계 모듈의 산출 방식에 따라 모집단의 나머지 부동산의 추정 가격을 산출하는 모집단 가격 추정 모듈; 모집단 부동산의 추정 가격에 대한 가격 범위와 실제 거래 가격의 가격 범위를 대비하여 모집단의 나머지 부동산의 추정 가격에 대한 적정성을 검토하는 추정 가격 적정성 검토 모듈; 추정 가격이 적정한 것으로 검토되는 경우, 검토된 추정 가격을 온라인상에서 제공하는 추정 가격 제공 모듈을 구성한다.

Description

앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템 및 방법{AUTOMATED VALUATION SYSTEM AND METHOD OF PROPERTY PRICE BASED ON AN ENSEMBLE LEARNING TECHNIQUE}
본 발명은 부동산 가격 자동 평가 시스템 및 방법에 관한 것으로서, 구체적으로는 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템 및 방법에 관한 것이다.
종래에는 부동산 가격을 추정하거나 결정하는 데 있어서 선형 회귀 모형과 같은 모수 모형(parametric model)을 주로 이용하였다. 모수 모형은 자료의 정규성, 설명 변수의 독립성, 가격 함수의 선형성(linearity)과 같은 엄격한 가정이 많아 추정 가격의 신뢰성에 한계가 있다는 문제점이 있다.
부동산 가격은 모수 모형만에 의해서 결정될 수 없는 다양한 비선형적 요소들이 있으나 기존의 모형으로서는 이를 반영할 수 없는 실정이다. 예를 들어, 토지 면적이 증가할수록 거래 단가는 체감하는 경향이 있으나 모수 모형에서는 선형성 가정으로 인해 이러한 특징을 반영할 수 없었다.
또한, 종래에는 여러 가지 모형들을 데이터에 적용해 본 뒤, 예측 결과가 가장 우수하게 나타난 모형 하나만을 선택하여 최종 모형으로 채택하였다. 그러나, 여러 추정 모형들은 각각의 특성이 있는데, 이를 반영하지 못하는 점도 앞서 언급한 문제점과 같은 맥락으로 이해될 수 있다.
또한, 부동산 가격은 그 물리적 위치에 따라 편차가 크게 나타나는데, 이를 공간적 종속성(spatial dependence)이라 한다. 종래에는 이러한 부동산 가격 형성의 특징, 즉 물리적 위치나 거리에 대한 요소를 반영하지 못하고 있었으며, 부동산 가격의 추정에 있어서 정확도가 떨어질 수밖에 없었다.
본 발명의 목적은 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템을 제공하는 데 있다.
본 발명의 다른 목적은 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 방법을 제공하는 데 있다.
상술한 본 발명의 목적에 따른 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템은, 부동산별 실제 거래 가격, 지리 좌표 및 유사 가격권 구획 자료가 미리 저장되는 부동산 데이터베이스; 상기 부동산 데이터베이스에 미리 저장된 해당 부동산의 실제 가격, 지리 좌표 및 유사 가격권 구획 자료에 적어도 하나 이상의 모수 모형(parametric model) 및 적어도 하나 이상의 비모수 모형(non-parametric model)을 적용하여 모집단의 소정 부동산에 대한 모형별 가격을 각각 산출하고, 각각 산출된 모형별 가격에 서로 동일하거나 또는 서로 상이한 가중치를 부여하여 가중치 적용 가격을 산출하며, 상기 산출된 가중치 적용 가격이 해당 부동산의 유사 가격권 구획 자료에 대비하여 유사한지 여부를 통해 물리적 위치에 따른 가격 차이를 판단하며, 판단 결과 상기 가중치 적용 가격의 물리적 위치에 따른 가격 차이가 소정 기준치 이상인 경우 상기 물리적 위치를 고려하여 상기 가중치 적용 가격을 공간상에서 보간하여 추정 가격을 산출하는 가격 추정 모형 설계 모듈; 상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 상기 추정 가격의 유효성을 검증하는 추정 가격 유효성 검증 모듈; 상기 추정 가격 유효성 검증 모듈에서 유효성이 검증된 경우, 상기 가격 추정 모형 설계 모듈의 산출 방식에 따라 상기 모집단의 나머지 부동산의 추정 가격을 산출하는 모집단 가격 추정 모듈; 상기 모집단 가격 추정 모듈에서 추정된 부동산의 추정 가격에 대한 가격 범위와 상기 부동산 데이터베이스에 저장된 실제 거래 가격의 가격 범위를 대비하여 상기 모집단의 나머지 부동산의 추정 가격에 대한 적정성을 검토하는 추정 가격 적정성 검토 모듈; 상기 추정 가격 적정성 검토 모듈에서 상기 추정 가격이 적정한 것으로 검토되는 경우, 검토된 추정 가격을 온라인상에서 제공하는 추정 가격 제공 모듈을 포함하도록 구성될 수 있다.
여기서, 상기 가격 추정 모형 설계 모듈은, 상기 모수 모형 중 선형 회귀 모형을 적용하고, 상기 비모수 모형 중 랜덤 포리스트 모형 또는 부스팅 모형을 적용하도록 구성될 수 있다.
그리고 상기 가격 추정 모형 설계 모듈은, 각 모형별 가격에 산술 평균 가중치를 적용하거나 또는 각 모형별 가격의 신뢰성에 따라 인공 신경망 모형(artificial neural network model)을 이용하여 각 모형별 가격에 대한 최적 가중치를 산출하여 적용하도록 구성될 수 있다.
그리고 상기 가격 추정 모형 설계 모듈은, 상기 부동산 데이터베이스에 저장된 이미 거래가 발생한 부동산의 해당 물리적 위치를 고려하여 해당 부동산의 실제 거래 가격을 선형 조합하고 선형 조합된 실제 거래 가격을 이용하여 상기 가중치 적용 가격을 공간상에서 보간하는 크리깅(kriging) 기법에 의해 추정 가격을 산출하도록 구성될 수 있다.
한편, 상기 추정 가격 유효성 검증 모듈은, 상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 가격 비율, 분산 계수 및 절대 평균 오류율을 산출하고, 산출 결과에 따라 상기 추정 가격의 유효성을 검증하도록 구성될 수 있다.
상술한 본 발명의 다른 목적에 따른 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 방법은, 가격 추정 모형 설계 모듈이 부동산 데이터베이스에 미리 저장된 해당 부동산의 실제 가격, 지리 좌표 및 유사 가격권 구획 자료에 적어도 하나 이상의 모수 모형(parametric model) 및 적어도 하나 이상의 비모수 모형(non-parametric model)을 적용하여 모집단의 소정 부동산에 대한 모형별 가격을 각각 산출하는 단계; 상기 가격 추정 모형 설계 모듈이 상기 각각 산출된 모형별 가격에 서로 동일하거나 또는 서로 상이한 가중치를 부여하여 가중치 적용 가격을 산출하는 단계; 상기 가격 추정 모형 설계 모듈이 상기 산출된 가중치 적용 가격이 해당 부동산의 유사 가격권 구획 자료에 대비하여 유사한지 여부를 통해 물리적 위치에 따른 가격 차이를 판단하는 단계; 상기 판단 결과 상기 가중치 적용 가격의 물리적 위치에 따른 가격 차이가 소정 기준치 이상인 경우, 상기 가격 추정 모형 설계 모듈이 상기 물리적 위치를 고려하여 상기 가중치 적용 가격을 공간상에서 보간하여 추정 가격을 산출하는 단계; 추정 가격 유효성 검증 모듈이 상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 상기 추정 가격의 유효성을 검증하는 단계; 상기 추정 가격 유효성 검증 모듈에서 유효성이 검증된 경우, 모집단 가격 추정 모듈이 상기 가격 추정 모형 설계 모듈의 산출 방식에 따라 상기 모집단의 나머지 부동산의 추정 가격을 산출하는 단계; 추정 가격 적정성 검토 모듈이 상기 모집단 가격 추정 모듈에서 추정된 부동산의 추정 가격에 대한 가격 범위와 상기 부동산 데이터베이스에 저장된 실제 거래 가격의 가격 범위를 대비하여 상기 모집단의 나머지 부동산의 추정 가격에 대한 적정성을 검토하는 단계; 상기 추정 가격 적정성 검토 모듈에서 상기 추정 가격이 적정한 것으로 검토되는 경우, 추정 가격 제공 모듈이 상기 검토된 추정 가격을 온라인상에서 제공하는 단계를 포함하도록 구성될 수 있다.
이때, 상기 가격 추정 모형 설계 모듈이 부동산 데이터베이스에 미리 저장된 해당 부동산의 실제 가격, 지리 좌표 및 유사 가격권 구획 자료에 적어도 하나 이상의 모수 모형 및 적어도 하나 이상의 비모수 모형을 적용하여 모집단의 소정 부동산에 대한 모형별 가격을 각각 산출하는 단계는, 상기 모수 모형 중 선형 회귀 모형을 적용하고, 상기 비모수 모형 중 랜덤 포리스트 모형 또는 부스팅 모형을 적용하도록 구성될 수 있다.
그리고 상기 가격 추정 모형 설계 모듈이 상기 각각 산출된 모형별 가격에 서로 동일하거나 또는 서로 상이한 가중치를 부여하여 가중치 적용 가격을 산출하는 단계는, 각 모형별 가격에 산술 평균 가중치를 적용하거나 또는 각 모형별 가격의 신뢰성에 따라 인공 신경망 모형(artificial neural network model)을 이용하여 각 모형별 가격에 대한 최적 가중치를 산출하여 적용하도록 구성될 수 있다.
여기서, 상기 판단 결과 상기 가중치 적용 가격의 물리적 위치에 따른 가격 차이가 소정 기준치 이상인 경우, 상기 가격 추정 모형 설계 모듈이 상기 물리적 위치를 고려하여 상기 가중치 적용 가격을 공간상에서 보간하여 추정 가격을 산출하는 단계는, 상기 부동산 데이터베이스에 저장된 이미 거래가 발생한 부동산의 해당 물리적 위치를 고려하여 해당 부동산의 실제 거래 가격을 선형 조합하고 선형 조합된 실제 거래 가격을 이용하여 상기 가중치 적용 가격을 공간상에서 보간하는 크리깅(kriging) 기법에 의해 추정 가격을 산출하도록 구성될 수 있다.
한편, 상기 추정 가격 유효성 검증 모듈이 상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 상기 추정 가격의 유효성을 검증하는 단계는, 상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 가격 비율, 분산 계수 및 절대 평균 오류율을 산출하고, 산출 결과에 따라 상기 추정 가격의 유효성을 검증하도록 구성될 수 있다.
상술한 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템 및 방법에 의하면, 여러 모델을 인공 신경 지능망 알고리즘에 의해 최적의 가중치를 적용함으로써 여러 모델의 추정치를 최적화하여 반영하고 추정의 정확도를 높이는 효과가 있다. 또한, 부동산의 물리적 위치를 고려하여 부동산 가격을 추정함으로써, 부동산 가격 형성의 중요한 인자를 반영하고 추정 정확성이 높아지는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템의 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 인공 신공망 모형의 예시도이다.
도 3은 본 발명의 일 실시예에 따른 공간 보간의 결과를 나타내는 예시도이다.
도 4는 본 발명의 일 실시예에 따른 가격 추정 모형의 유효성 검증 결과를 나타내는 예시도이다.
도 5는 본 발명의 일 실시예에 따른 추정 가격의 온라인 제공 화면의 예시도이다.
도 6은 본 발명의 일 실시예에 따른 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 방법의 흐름도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 발명을 실시하기 위한 구체적인 내용에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템의 블록 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템(이하, '부동산 가격 자동 평가 시스템'이라 함)(100)은 부동산 데이터베이스(110), 가격 추정 모형 설계 모듈(120), 추정 가격 유효성 검증 모듈(130), 모집단 가격 추정 모듈(140), 추정 가격 적정성 검토 모듈(150) 및 추정 가격 제공 모듈(160)을 포함하도록 구성될 수 있다.
이하, 세부적인 구성에 대하여 설명한다.
부동산 데이터베이스(110)는 부동산별 특성이나 실제 거래 가격, 지리 좌표 및 유사 가격권 구획 자료가 미리 저장되도록 구성될 수 있다. 여기서, 유사 가격권 구획 자료는 물리적 위치에 따라 유사 가격권을 형성하는 구획 자료로서 미리 데이터베이스화되도록 구성될 수 있다. 예를 들어, 역세권에서 높은 가격대가 되는 경우 역세권이라는 장점이 적용되는 역 주변의 구획에 대한 자료를 의미한다.
가격 추정 모형 설계 모듈(120)은 부동산 가격을 추정하기 위한 다양한 모델들을 적용하여 최적의 가격 추정 모형(model)을 설계하는 구성이다.
가격 추정 모형 설계 모듈(120)은 먼저 여러 가격 추정 모형에 대해 가중치를 적용하여 새로운 가격 추정 모형을 생성하고 이에 대해 물리적 위치에 따른 보간을 수행하여 물리적 위치에 따른 부동산 가격의 변동 특성을 반영하도록 구성될 수 있다. 구체적으로는 다음과 같다.
가격 추정 모형 설계 모듈(120)은 부동산 데이터베이스(110)에 미리 저장된 해당 부동산의 실제 가격, 지리 좌표 및 유사 가격권 구획 자료에 적어도 하나 이상의 모수 모형(parametric model) 및 적어도 하나 이상의 비모수 모형(non-parametric model)을 적용하여 소정 부동산에 대한 모형별 가격을 각각 산출하도록 구성될 수 있다.
여기서, 모수 모형에는 선형 회귀 모형을 적용하고, 비모수 모형에는 랜덤 포리스트 모형, 부스팅 모형, 서포트 벡터 머신(support vector machine), 또는 멀티베어리어트 어댑티브 리그레션 스플라인(multivariate adaptive regression splines) 을 적용하도록 구성될 수 있다. 비모수 모형은 모수 모형이 전제하는 엄격한 가정없이 부동산 가격을 추정하기 때문에 현실적인 적합성이 높다고 볼 수 있다.
가격 추정 모형 설계 모듈(120)은 이러한 가격 추정 모형들을 결합해 적용하는데, 각 모형별 가격에 대해 모두 동일한 가중치를 부여하는 산술 평균 가중치를 적용하거나 또는 각 모형별 가격의 신뢰성에 따라 인공 신경망 모형(artificial neural network model)을 이용하여 각 모형별 가격에 대한 최적 가중치를 산출하여 적용하여 가중치 적용 가격을 산출하도록 구성될 수 있다. 인공 신경망 모형을 적용하는 경우에는 각 모형별 가격에 대해 상이한 가중치가 적용되는 앙상블 학습(ensemble learning) 기법이 적용된다. 여기서, 앙상블 학습 기법에 의해 과대 추정이나 과소 추정과 같은 상이한 경향을 서로 상쇄시킬 수 있게 된다.
한편, 가격 추정 모형 설계 모듈(120)은 가중치 적용 가격에 대해 물리적 위치에 따른 가격 차이를 상쇄시켜주는데, 먼저 가중치 적용 가격이 해당 부동산의 유사 가격권 구획 자료에 대비하여 유사한지 여부를 판단하도록 구성될 수 있다.
가격 추정 모형 설계 모듈(120)은 판단 결과를 통해 해당 부동산의 물리적 위치에 따른 가격 차이를 판단하도록 구성될 수 있다. 그 판단 결과 가중치 적용 가격의 물리적 위치에 따른 가격 차이가 소정 기준치 이상인 경우, 가격 추정 모형 설계 모듈(120)은 그 물리적 위치를 고려하여 가중치 적용 가격을 공간상에서 보간하여 추정 가격을 산출하도록 구성될 수 있다.
여기서, 가격 추정 모형 설계 모듈(120)은 크리깅(kriging) 기법에 의해 가중치 적용 가격을 보간하여 추정 가격을 산출하도록 구성될 수 있다.
구체적으로는 가격 추정 모형 설계 모듈(120)은 부동산 데이터베이스(110)에 저장된 이미 거래가 발생한 부동산의 해당 물리적 위치를 고려하여 해당 부동산의 실제 거래 가격을 선형 조합하고 선형 조합된 실제 거래 가격을 이용하여 가중치 적용 가격을 공간상에서 보간하도록 구성될 수 있다.
추정 가격 유효성 검증 모듈(130)은 추정 가격의 유효성을 검증하도록 구성될 수 있다. 이때, 추정 가격 유효성 검증 모듈(130)은 추정 가격을 부동산 데이터베이스(110)에 저장된 실제 거래 가격과 대비하여 추정 가격의 유효성을 검증하도록 구성될 수 있다. 유효성을 검증하는 진단 지표로서는 추정가격의 정확성을 판단하는 가격 비율(sales ratio), 균형성을 판단하는 분산계수(coefficient of dispersion) 및 절대 평균 오류율(mean absolute percentage error)이 포함될 수 있다. 즉, 추정 가격 유효성 검증 모듈(130)은 추정 가격을 부동산 데이터베이스(110)에 저장된 실제 거래 가격과 대비하여 가격 비율, 분산 계수 및 절대 평균 오류율을 산출하고, 산출 결과에 따라 추정 가격의 유효성을 검증하도록 구성될 수 있다.
모집단 가격 추정 모듈(140)은 추정 가격 유효성 검증 모듈(130)에서 유효성이 검증된 경우, 가격 추정 모형 설계 모듈(120)의 산출 방식에 따라 모집단의 나머지 부동산의 추정 가격을 산출하도록 구성될 수 있다. 이때, 나머지 부동산은 모집단 중에서 거래가 되지 않은 부동산이다.
추정 가격 적정성 검토 모듈(150)은 모집단 가격 추정 모듈(140)에서 추정된 부동산의 추정 가격에 대한 가격 범위와 부동산 데이터베이스(110)에 저장된 실제 거래 가격의 가격 범위를 대비하여 모집단의 나머지 부동산의 추정 가격에 대한 적정성을 검토하도록 구성될 수 있다.
여기서, 결합 모형을 통해 추정 가격의 적정성을 검토하는 지표로서는 부동산 데이터베이스(110)에 포함된 실제 거래 가격의 평균 단가, 최소 단가 및 최대 단가가 포함될 수 있다. 즉, 추정 가격 적정성 검토 모듈(150)은 실제 거래 가격의 평균 단가, 최소 단가 및 최대 단가를 추정 가격과 대비하여 적정성을 검토하도록 구성될 수 있다.
추정 가격 적정성 검토 모듈(150)에서 추정 가격이 적정한 것으로 검토되는 경우, 추정 가격 제공 모듈(160)은 앞서 검토된 추정 가격을 온라인상에서 제공하도록 구성될 수 있다.
도 2는 본 발명의 일 실시예에 따른 인공 신공망 모형의 예시도이다.
도 2를 참조하면, 인공 신경망 모형은 설명 변수를 다양한 방법으로 선형 결합한 후, 이러한 선형 결합을 비선형 함수 형태로 하여 종속변수를 예측하는 방법이다. 이하에서는 싱글 히든 레이어(single-hidden-layer), 피드 포워드(feedforward) 신경망 모형에 대해 설명한다. 그러나, 이러한 설명은 멀티플 히든 레이어(multiple-hidden-layer) 등 보다 복잡한 형태의 신경망 모형에도 동일하게 확장하여 적용할 수 있다.
신경망 모형에서 종속변수
Figure 112015115857243-pat00001
는 비선형 함수
Figure 112015115857243-pat00002
로 표현되며, 이때
Figure 112015115857243-pat00003
는 m개의 유도 설명변수(derived predictors)
Figure 112015115857243-pat00004
로 구성되며, 형태는 다음과 같다.
Figure 112015115857243-pat00005
통상
Figure 112015115857243-pat00006
로 할당하게 되며, 나머지
Figure 112015115857243-pat00007
(i번째 관찰치의 j번째 유도 설명변수)는 비선형 함수
Figure 112015115857243-pat00008
로 표현하되, 이때
Figure 112015115857243-pat00009
는 최초 설명변수
Figure 112015115857243-pat00010
의 선형결합 형태로 이루어진다. 수식은 다음과 같다.
Figure 112015115857243-pat00011
위 수학식 1 및 수학식 2를 결합하면 다음 수학식 3과 같다.
Figure 112015115857243-pat00012
위 식에서 m개의 함수
Figure 112015115857243-pat00013
를 활성화 함수(activation function)라고 하며, 대표적인 형태는 다음과 같은 로지스틱 함수이다. 이러한 함수 형태는 여러 가지 상황에 비교적 잘 들어맞는 유연성을 가지고 있는 것으로 알려져 있다.
Figure 112015115857243-pat00014
활성화 함수를 이용하여 수학식 3을 다시 표현하면 다음 수학식 5와 같다.
Figure 112015115857243-pat00015
여기서,
Figure 112015115857243-pat00016
는 모수,
Figure 112015115857243-pat00017
는 설명변수,
Figure 112015115857243-pat00018
는 잔차이다.
로지스틱 활성화 함수는 0과 1 사이의 값을 가지므로, 본 연구에서처럼 종속변수가 연속형인 경우
Figure 112015115857243-pat00019
가 0과 1 사이의 값을 취하도록 다음과 같이 변환해 줄 필요가 있다.
Figure 112015115857243-pat00020
신경망 모형은 네트워크 형태로 그 구조를 표현하는 경우가 일반적이다. 통상의 선형 회귀 모형과 신경망 모형을 네트워크 형태로 표현하면 도 2와 같다.
도 2에서 오른쪽 신경망 모형에서 가운데 H는 m개의 은닉 노드(hidden node)를 나타낸다. 활성화 함수
Figure 112015115857243-pat00021
에 대해 로지스틱함수가 아닌 항등함수(identify function)
Figure 112015115857243-pat00022
를 가정할 경우 신경망 모형은 일반적인 선형 회귀 모형으로 단순해진다. 다시 말해 신경망 모형은 선형 회귀 모형을 일반화시킨 것으로 해석할 수 있다. 이와 같은 신경망 모형에서 모수 값을 찾는 과정은 종종 'back-propagation'이라는 절차를 통해 이루어지며 본 발명에서도 이러한 방법을 따라 모수를 추정하도록 구성될 수 있다.
도 3은 본 발명의 일 실시예에 따른 공간 보간의 결과를 나타내는 예시도이다.
도 3에서는 좌측 그림처럼 주택이 거래된 경우, 우측 그림처럼 이러한 주택들의 거래가격을 기초로 거래되지 않은 나머지 모든 주택들의 값을 공간 보간한다. 즉, 좌측의 점 자료(point data)를 기초로 우측의 면 자료(areal data, 연속 표면)를 구축하는 것이 바로 공간 보간이라 할 수 있다.
도 4는 본 발명의 일 실시예에 따른 가격 추정 모형의 유효성 검증 결과를 나타내는 예시도이다.
도 4는 암사동 주택의 실제 거래가격 대비 모형에 의한 추정가격 비율을 계산한 것으로서, 이러한 가격 비율의 고저를 살펴 모형의 전반적인 유효성을 판단할 수 있다.
도 5는 본 발명의 일 실시예에 따른 추정 가격의 온라인 제공 화면의 예시도이다.
추정이 적정한다고 판단되면, 도 5와 같은 추정 가격을 온라인상으로 제공하도록 구성될 수 있다.
도 6은 본 발명의 일 실시예에 따른 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 방법의 흐름도이다.
도 6을 참조하면, 가격 추정 모형 설계 모듈(120)이 부동산 데이터베이스(110)에 미리 저장된 해당 부동산의 실제 가격, 지리 좌표 및 유사 가격권 구획 자료에 적어도 하나 이상의 모수 모형(parametric model) 및 적어도 하나 이상의 비모수 모형(non-parametric model)을 적용하여 모집단의 소정 부동산에 대한 모형별 가격을 각각 산출한다(S101).
이때, 가격 추정 모형 설계 모듈(120)은 모수 모형 중 선형 회귀 모형을 적용하고, 비모수 모형 중 랜덤 포리스트 모형 또는 부스팅 모형을 적용하도록 구성될 수 있다.
다음으로, 가격 추정 모형 설계 모듈(120)이 각각 산출된 모형별 가격에 서로 동일하거나 또는 서로 상이한 가중치를 부여하여 가중치 적용 가격을 산출한다(S102).
여기서, 가격 추정 모형 설계 모듈(120)은 각 모형별 가격에 산술 평균 가중치를 적용하거나 또는 각 모형별 가격의 신뢰성에 따라 인공 신경망 모형(artificial neural network model)을 이용하여 각 모형별 가격에 대한 최적 가중치를 산출하여 적용하도록 구성될 수 있다.
다음으로, 가격 추정 모형 설계 모듈(120)이 앞서 산출된 가중치 적용 가격이 해당 부동산의 유사 가격권 구획 자료에 대비하여 유사한지 여부를 통해 물리적 위치에 따른 가격 차이를 판단한다(S103).
여기서, 판단 결과 가중치 적용 가격의 물리적 위치에 따른 가격 차이가 소정 기준치 이상인 경우, 가격 추정 모형 설계 모듈(120)이 물리적 위치를 고려하여 가중치 적용 가격을 공간상에서 보간하여 추정 가격을 산출한다(S104).
이때, 가격 추정 모형 설계 모듈(120)은 부동산 데이터베이스(110)에 저장된 이미 거래가 발생한 부동산의 해당 물리적 위치를 고려하여 해당 부동산의 실제 거래 가격을 선형 조합하고 선형 조합된 실제 거래 가격을 이용하여 가중치 적용 가격을 공간상에서 보간하는 크리깅(kriging) 기법에 의해 추정 가격을 산출하도록 구성될 수 있다.
다음으로, 추정 가격 유효성 검증 모듈(130)이 추정 가격을 부동산 데이터베이스(110)에 저장된 실제 거래 가격과 대비하여 추정 가격의 유효성을 검증한다(S105).
이때, 추정 가격 유효성 검증 모듈(130)은 추정 가격을 부동산 데이터베이스(110)에 저장된 실제 거래 가격과 대비하여 가격 비율, 분산 계수 및 절대 평균 오류율을 산출하고, 산출 결과에 따라 추정 가격의 유효성을 검증하도록 구성될 수 있다.
다음으로, 추정 가격 유효성 검증 모듈(130)에서 유효성이 검증된 경우, 모집단 가격 추정 모듈이 가격 추정 모형 설계 모듈(120)의 산출 방식에 따라 모집단의 나머지 부동산의 추정 가격을 산출한다(S106).
다음으로, 추정 가격 적정성 검토 모듈(150)이 모집단 가격 추정 모듈(140)에서 추정된 부동산의 추정 가격에 대한 가격 범위와 부동산 데이터베이스(110)에 저장된 실제 거래 가격의 가격 범위를 대비하여 모집단의 나머지 부동산의 추정 가격에 대한 적정성을 검토한다(S107).
다음으로, 추정 가격 적정성 검토 모듈(150)에서 추정 가격이 적정한 것으로 검토되는 경우, 추정 가격 제공 모듈(160)이 검토된 추정 가격을 온라인상에서 제공한다(S108).
이상 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
110: 부동산 데이터베이스
120: 가격 추정 모형 설계 모듈
130: 추정 가격 유효성 검증 모듈
140: 모집단 가격 추정 모듈
150: 추정 가격 적정성 검토 모듈
160: 추정 가격 제공 모듈

Claims (10)

  1. 부동산별 실제 거래 가격, 지리 좌표 및 물리적 위치에 따라 유사 가격권을 형성하는 유사 가격권 구획 자료가 각각 미리 저장되는 부동산 데이터베이스;
    상기 부동산 데이터베이스에 미리 저장된 해당 부동산의 실제 가격, 지리 좌표 및 유사 가격권 구획 자료에 적어도 하나 이상의 모수 모형(parametric model) 및 적어도 하나 이상의 비모수 모형(non-parametric model)을 적용하여 모집단의 소정 부동산에 대한 모형별 가격을 각각 산출하고, 각각 산출된 모형별 가격에 서로 동일하거나 또는 서로 상이한 가중치를 부여하여 가중치 적용 가격을 산출하며, 상기 산출된 가중치 적용 가격이 해당 부동산의 유사 가격권 구획 자료에 대비하여 유사한지 여부를 통해 물리적 위치에 따른 가격 차이를 판단하며, 판단 결과 상기 가중치 적용 가격의 물리적 위치에 따른 가격 차이가 소정 기준치 이상인 경우 상기 물리적 위치를 고려하여 상기 가중치 적용 가격을 공간상에서 보간하여 추정 가격을 산출하는 가격 추정 모형 설계 모듈;
    상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 상기 추정 가격의 유효성을 검증하는 추정 가격 유효성 검증 모듈;
    상기 추정 가격 유효성 검증 모듈에서 유효성이 검증된 경우, 상기 가격 추정 모형 설계 모듈의 산출 방식에 따라 상기 모집단의 나머지 부동산의 추정 가격을 산출하는 모집단 가격 추정 모듈;
    상기 모집단 가격 추정 모듈에서 추정된 부동산의 추정 가격에 대한 가격 범위와 상기 부동산 데이터베이스에 저장된 실제 거래 가격의 가격 범위를 대비하여 상기 모집단의 나머지 부동산의 추정 가격에 대한 적정성을 검토하는 추정 가격 적정성 검토 모듈;
    상기 추정 가격 적정성 검토 모듈에서 상기 추정 가격이 적정한 것으로 검토되는 경우, 검토된 추정 가격을 온라인상에서 제공하는 추정 가격 제공 모듈을 포함하고,
    상기 가격 추정 모형 설계 모듈은,
    각 모형별 가격의 신뢰성에 따라 인공 신경망 모형(artificial neural network model)을 이용하여 물리적 위치에 따라 각 모형별 가격
    Figure 112017046761332-pat00029
    에 대한 최적 가중치를 산출하여 해당 모형별 가격에 적용하여 가중치 적용 가격
    Figure 112017046761332-pat00030
    를 산출하도록 구성되며,
    [수학식]
    Figure 112017046761332-pat00031

    여기서,
    Figure 112017046761332-pat00032
    로 할당되고, i번째 관찰치의 j번째 유도 설명변수인
    Figure 112017046761332-pat00033
    는 비선형 함수
    Figure 112017046761332-pat00034
    로 표현되며,
    상기 비선형 함수
    Figure 112017046761332-pat00035
    는, 하기 수학식에 따라 최초 설명변수
    Figure 112017046761332-pat00036
    의 선형 결합 형태로 구성되며,
    [수학식]
    Figure 112017046761332-pat00037

    위 수학식들의 결합에 의해 하기 수학식을 도출하며,
    [수학식]
    Figure 112017046761332-pat00038

    여기서,
    Figure 112017046761332-pat00039
    는 활성화 함수(activation function)로서 하기 수학식과 같이 변환하며,
    [수학식]
    Figure 112017046761332-pat00040

    상기
    Figure 112017046761332-pat00041
    를 하기 수학식에 따라 산출하도록 구성되며,
    [수학식]
    Figure 112017046761332-pat00042

    여기서,
    Figure 112017046761332-pat00043
    는 모수,
    Figure 112017046761332-pat00044
    는 설명변수,
    Figure 112017046761332-pat00045
    는 잔차이며,
    상기
    Figure 112017046761332-pat00046
    가 0과 1 사이의 값을 취하도록 하기 수학식으로 변환하여 적용하도록 구성되며,
    [수학식]
    Figure 112017046761332-pat00047

    인 것을 특징으로 하는 앙상블(ensemble) 학습 기법에 기반한 부동산 가격 자동 평가 시스템.
  2. 제1항에 있어서, 상기 가격 추정 모형 설계 모듈은,
    상기 모수 모형 중 선형 회귀 모형을 적용하고, 상기 비모수 모형 중 랜덤 포리스트 모형 또는 부스팅 모형을 적용하도록 구성되는 것을 특징으로 하는 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템.
  3. 삭제
  4. 제1항에 있어서, 상기 가격 추정 모형 설계 모듈은,
    상기 부동산 데이터베이스에 저장된 이미 거래가 발생한 부동산의 해당 물리적 위치를 고려하여 해당 부동산의 실제 거래 가격을 선형 조합하고 선형 조합된 실제 거래 가격을 이용하여 상기 가중치 적용 가격을 공간상에서 보간하는 크리깅(kriging) 기법에 의해 추정 가격을 산출하도록 구성되는 것을 특징으로 하는 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템.
  5. 제1항에 있어서, 상기 추정 가격 유효성 검증 모듈은,
    상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 가격 비율, 분산 계수 및 절대 평균 오류율을 산출하고, 산출 결과에 따라 상기 추정 가격의 유효성을 검증하도록 구성되는 것을 특징으로 하는 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템.
  6. 가격 추정 모형 설계 모듈이 부동산 데이터베이스에 미리 저장된 해당 부동산의 실제 가격, 지리 좌표 및 물리적 위치에 따라 유사 가격권을 형성하는 유사 가격권 구획 자료 각각에 적어도 하나 이상의 모수 모형(parametric model) 및 적어도 하나 이상의 비모수 모형(non-parametric model)을 적용하여 모집단의 소정 부동산에 대한 모형별 가격을 각각 산출하는 단계;
    상기 가격 추정 모형 설계 모듈이 상기 각각 산출된 모형별 가격에 서로 동일하거나 또는 서로 상이한 가중치를 부여하여 가중치 적용 가격을 산출하는 단계;
    상기 가격 추정 모형 설계 모듈이 상기 산출된 가중치 적용 가격이 해당 부동산의 유사 가격권 구획 자료에 대비하여 유사한지 여부를 통해 물리적 위치에 따른 가격 차이를 판단하는 단계;
    상기 판단 결과 상기 가중치 적용 가격의 물리적 위치에 따른 가격 차이가 소정 기준치 이상인 경우, 상기 가격 추정 모형 설계 모듈이 상기 물리적 위치를 고려하여 상기 가중치 적용 가격을 공간상에서 보간하여 추정 가격을 산출하는 단계;
    추정 가격 유효성 검증 모듈이 상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 상기 추정 가격의 유효성을 검증하는 단계;
    상기 추정 가격 유효성 검증 모듈에서 유효성이 검증된 경우, 모집단 가격 추정 모듈이 상기 가격 추정 모형 설계 모듈의 산출 방식에 따라 상기 모집단의 나머지 부동산의 추정 가격을 산출하는 단계;
    추정 가격 적정성 검토 모듈이 상기 모집단 가격 추정 모듈에서 추정된 부동산의 추정 가격에 대한 가격 범위와 상기 부동산 데이터베이스에 저장된 실제 거래 가격의 가격 범위를 대비하여 상기 모집단의 나머지 부동산의 추정 가격에 대한 적정성을 검토하는 단계;
    상기 추정 가격 적정성 검토 모듈에서 상기 추정 가격이 적정한 것으로 검토되는 경우, 추정 가격 제공 모듈이 상기 검토된 추정 가격을 온라인상에서 제공하는 단계를 포함하고,
    상기 가격 추정 모형 설계 모듈이 상기 각각 산출된 모형별 가격에 서로 동일하거나 또는 서로 상이한 가중치를 부여하여 가중치 적용 가격을 산출하는 단계는,
    각 모형별 가격의 신뢰성에 따라 인공 신경망 모형(artificial neural network model)을 이용하여 물리적 위치에 따라 각 모형별 가격
    Figure 112017046761332-pat00048
    에 대한 최적 가중치를 산출하여 해당 모형별 가격에 적용하여 가중치 적용 가격
    Figure 112017046761332-pat00049
    를 산출하도록 구성되며,
    [수학식]
    Figure 112017046761332-pat00050

    여기서,
    Figure 112017046761332-pat00051
    로 할당되고, i번째 관찰치의 j번째 유도 설명변수인
    Figure 112017046761332-pat00052
    는 비선형 함수
    Figure 112017046761332-pat00053
    로 표현되며,
    상기 비선형 함수
    Figure 112017046761332-pat00054
    는, 하기 수학식에 따라 최초 설명변수
    Figure 112017046761332-pat00055
    의 선형 결합 형태로 구성되며,
    [수학식]
    Figure 112017046761332-pat00056

    위 수학식들의 결합에 의해 하기 수학식을 도출하며,
    [수학식]
    Figure 112017046761332-pat00057

    여기서,
    Figure 112017046761332-pat00058
    는 활성화 함수(activation function)로서 하기 수학식과 같이 변환하며,
    [수학식]
    Figure 112017046761332-pat00059

    상기
    Figure 112017046761332-pat00060
    를 하기 수학식에 따라 산출하도록 구성되며,
    [수학식]
    Figure 112017046761332-pat00061

    여기서,
    Figure 112017046761332-pat00062
    는 모수,
    Figure 112017046761332-pat00063
    는 설명변수,
    Figure 112017046761332-pat00064
    는 잔차이며,
    상기
    Figure 112017046761332-pat00065
    가 0과 1 사이의 값을 취하도록 하기 수학식으로 변환하여 적용하도록 구성되며,
    [수학식]
    Figure 112017046761332-pat00066

    인 것을 특징으로 하는 앙상블(ensemble) 학습 기법에 기반한 부동산 가격 자동 평가 방법.
  7. 제6항에 있어서, 상기 가격 추정 모형 설계 모듈이 부동산 데이터베이스에 미리 저장된 해당 부동산의 실제 가격, 지리 좌표 및 유사 가격권 구획 자료에 적어도 하나 이상의 모수 모형 및 적어도 하나 이상의 비모수 모형을 적용하여 모집단의 소정 부동산에 대한 모형별 가격을 각각 산출하는 단계는,
    상기 모수 모형 중 선형 회귀 모형을 적용하고, 상기 비모수 모형 중 랜덤 포리스트 모형 또는 부스팅 모형을 적용하도록 구성되는 것을 특징으로 하는 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 방법.
  8. 삭제
  9. 제6항에 있어서, 상기 판단 결과 상기 가중치 적용 가격의 물리적 위치에 따른 가격 차이가 소정 기준치 이상인 경우, 상기 가격 추정 모형 설계 모듈이 상기 물리적 위치를 고려하여 상기 가중치 적용 가격을 공간상에서 보간하여 추정 가격을 산출하는 단계는,
    상기 부동산 데이터베이스에 저장된 이미 거래가 발생한 부동산의 해당 물리적 위치를 고려하여 해당 부동산의 실제 거래 가격을 선형 조합하고 선형 조합된 실제 거래 가격을 이용하여 상기 가중치 적용 가격을 공간상에서 보간하는 크리깅(kriging) 기법에 의해 추정 가격을 산출하도록 구성되는 것을 특징으로 하는 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 방법.
  10. 제6항에 있어서, 상기 추정 가격 유효성 검증 모듈이 상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 상기 추정 가격의 유효성을 검증하는 단계는,
    상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 가격 비율, 분산 계수 및 절대 평균 오류율을 산출하고, 산출 결과에 따라 상기 추정 가격의 유효성을 검증하도록 구성되는 것을 특징으로 하는 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 방법.
KR1020150166893A 2015-11-27 2015-11-27 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템 및 방법 KR101794027B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150166893A KR101794027B1 (ko) 2015-11-27 2015-11-27 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150166893A KR101794027B1 (ko) 2015-11-27 2015-11-27 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20170061834A KR20170061834A (ko) 2017-06-07
KR101794027B1 true KR101794027B1 (ko) 2017-11-06

Family

ID=59223726

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150166893A KR101794027B1 (ko) 2015-11-27 2015-11-27 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101794027B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101975448B1 (ko) 2018-08-14 2019-05-08 (주) 에이투연구소 인공지능을 이용하여 빅데이터 기반 상품 투자 추천 알고리즘을 평가하는 시스템 및 방법
KR20200023669A (ko) 2018-08-14 2020-03-06 이건영 빅데이터 기반 부동산 투자 추천 시스템
KR20200023667A (ko) 2018-08-14 2020-03-06 이건영 빅데이터 기반 상품 투자 추천 알고리즘의 최적 가중치를 인공지능을 이용하여 탐색하는 시스템 및 방법

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018151343A1 (ko) * 2017-02-15 2018-08-23 맹준영 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템 및 방법
KR101957760B1 (ko) * 2017-07-28 2019-03-18 주식회사 빅밸류 유사도 점수에 기초하여 결정된 거래사례 부동산을 이용한 부동산 시세 추정 시스템 및 방법
KR102091417B1 (ko) * 2019-07-04 2020-03-20 (주)크래프트테크놀로지스 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램
KR102662718B1 (ko) * 2021-03-09 2024-05-02 원루프 주식회사 부동산 자료 기반 적정 가격 모델링 서버 및 모델링 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003022314A (ja) * 2001-07-06 2003-01-24 Recruit Co Ltd 不動産価格関数推定方法、不動産価格関数推定装置、及び不動産価格関数推定プログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003022314A (ja) * 2001-07-06 2003-01-24 Recruit Co Ltd 不動産価格関数推定方法、不動産価格関数推定装置、及び不動産価格関数推定プログラム

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101975448B1 (ko) 2018-08-14 2019-05-08 (주) 에이투연구소 인공지능을 이용하여 빅데이터 기반 상품 투자 추천 알고리즘을 평가하는 시스템 및 방법
KR20200023669A (ko) 2018-08-14 2020-03-06 이건영 빅데이터 기반 부동산 투자 추천 시스템
KR20200023667A (ko) 2018-08-14 2020-03-06 이건영 빅데이터 기반 상품 투자 추천 알고리즘의 최적 가중치를 인공지능을 이용하여 탐색하는 시스템 및 방법

Also Published As

Publication number Publication date
KR20170061834A (ko) 2017-06-07

Similar Documents

Publication Publication Date Title
KR101794027B1 (ko) 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템 및 방법
Jaskowski et al. Assessing contractor selection criteria weights with fuzzy AHP method application in group decision environment
Özmen et al. Natural gas consumption forecast with MARS and CMARS models for residential users
US20120046991A1 (en) Competing simulator in multi-channel retailing environment among multiple retailers
Stepanova et al. Survival analysis methods for personal loan data
CN110717824A (zh) 基于知识图谱的银行对公客群风险传导测算的方法及装置
US20070124236A1 (en) Credit risk profiling method and system
Singh et al. Application of Box-Jenkins method and Artificial Neural Network procedure for time series forecasting of prices
KR20180117286A (ko) 기계 학습 기반의 가격 산정 방법 및 장치
Bugert et al. Effectiveness of responsive pricing in the face of supply chain disruptions
WO2012125858A1 (en) Computer-based method and computer program product for setting floor prices for items sold at auction
Rondina et al. Confounding dynamics
CN111160951A (zh) 激励结果的预测方法、装置、电子设备及可读存储介质
Mukhaiyar et al. The time series regression analysis in evaluating the economic impact of COVID-19 cases in Indonesia
Alam et al. An analysis of the impact of China’s macroeconomic performance on its trade partners: Evidence based on the GVAR model
Ferrer et al. Risk averse retail pricing with robust demand forecasting
Hwang et al. An alternative estimation procedure for partial least squares path modeling
Assouan Stress testing a retail loan portfolio: an error correction model approach
Yu et al. A response surface approach to fatigue reliability of ship structures
Kleibergen et al. Bayesian analysis of ARMA models using noninformative priors
Ganesan et al. Estimating future VaR from value samples and applications to future initial margin
Danilola et al. FinTech Loan Continuance Intention: How Far Can Self-Efficacies Go?
Tanaka Quantitative analysis of information security interdependency between industrial sectors
JP2004206569A (ja) 新製品仕様の決定過程支援方法と決定過程支援装置
Van Berkel et al. Building Loss Given Default Scorecard Using Weight of Evidence Bins in SAS Enterprise Miner

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right