KR101835789B1 - 유동인구 패턴 기반의 미래 부동산 가치 평가 방법 및 장치 - Google Patents

유동인구 패턴 기반의 미래 부동산 가치 평가 방법 및 장치 Download PDF

Info

Publication number
KR101835789B1
KR101835789B1 KR1020160127427A KR20160127427A KR101835789B1 KR 101835789 B1 KR101835789 B1 KR 101835789B1 KR 1020160127427 A KR1020160127427 A KR 1020160127427A KR 20160127427 A KR20160127427 A KR 20160127427A KR 101835789 B1 KR101835789 B1 KR 101835789B1
Authority
KR
South Korea
Prior art keywords
real estate
value
interest
location
information
Prior art date
Application number
KR1020160127427A
Other languages
English (en)
Inventor
김명락
Original Assignee
초록소프트 주식회사
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 초록소프트 주식회사 filed Critical 초록소프트 주식회사
Priority to KR1020160127427A priority Critical patent/KR101835789B1/ko
Application granted granted Critical
Publication of KR101835789B1 publication Critical patent/KR101835789B1/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
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명에 따르는 유동인구 패턴 기반의 부동산 가치평가 방법은, (a) 사용자 단말로부터 적어도 하나의 관심 위치에 대한 정보를 포함하는 부동산 평가 요청쿼리를 수신하는 단계; (b) 각 관심 위치를 포함하는 주변 영역의 유동인구 패턴정보를 통해 결정된 각 관심 위치 내 상가의 미래입점객수 및 상가의 부동산 가격을 기초로, 각 관심 위치의 부동산 가치평가값을 결정하는 단계; 및 (c) 각 관심 위치의 부동산 가치평가값을 주변 영역의 부동산 가치평가값 또는 다른 관심 위치의 부동산 가치평가값과 비교하여, 각 관심 위치의 부동산 가치를 평가하는 단계를 포함하며, 이때, 유동인구 패턴정보는 유동인구에 포함되는 각 사용자의 위치, 이동방향 및 속력을 포함한다.

Description

유동인구 패턴 기반의 미래 부동산 가치 평가 방법 및 장치{METHOD AND DEVICE FOR DETERMINING FUTURE REAL ESTATE BASED ON NUMBER OF FUTURE CUSTOMRERS COMING INTO STORE}
본 발명은 유동인구 패턴 기반의 부동산 가치평가 방법 및 장치에 관한 것으로서, 보다 상세하게는, 유동인구의 패턴을 기반으로 결정된 상가의 미래입점객수를 이용하여 상가의 부동산 가치를 평가하는 방법 및 장치에 관한 것이다.
부동산은 크게 주택, 사무실, 상가로 구분될 수 있다. 부동산 가치는 부동산 시장의 수요, 공급 곡선에 따라 결정된다. 만약 어떤 부동산의 가치가 해당 부동산의 본질 가치(내재적 가치)보다 높게 형성되어 있다면 장기적으로 이 부동산의 가치는 하락할 것이며, 반대로 어떤 부동산의 가치가 해당 부동산의 본질 가치보다 낮게 형성되어 있다면 장기적으로 이 부동산의 가치는 상승할 것이다. 따라서 부동산의 본질 가치를 판단하고, 부동산 가격에 적정한지를 판단하는 것은 중요하다.
부동산 중 주택은 인근 학군이나 거주의 편리함, 교통 등이 본질 가치에 해당되며, 사무실은 인근 회사 또는 기관과의 시너지, 해당 지역에 위치하여 기대할 수 있는 대외적인 이미지, 교통 등이 본질 가치에 해당된다. 이때, 학군, 거주 환경, 지역의 이미지 등은 상당히 주관적인 요소이기 때문에 정량적으로 판단하기 어렵다.
반면에, 상가는 손님의 수, 상가를 방문한 손님의 구매율, 구매시 지불하는 돈의 양(객단가) 등이 본질 가치에 해당하며, 이런 요소들은 객관적 판단이 가능하다. 따라서, 상가의 본질 가치를 분석하여, 상가의 부동산 가치에 대한 객관적인 지표를 제공하는 것은 상가의 구매자(또는 임차인)에게 유용할 수 있다.
한국공개특허 제 KR 10-2013-0019629 호 (공개일: 2013.02.27)
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 유동인구 패턴정보를 수집하고, 이를 기반으로 상가의 입점객수를 예측함으로써, 해당 상가의 부동산 가치를 평가하는 방법 및 장치를 제공하는 것을 목적으로 한다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 제 1 측면은, (a) 사용자 단말로부터 적어도 하나의 관심 위치에 대한 정보를 포함하는 부동산 평가 요청쿼리를 수신하는 단계; (b) 각 관심 위치를 포함하는 주변 영역의 유동인구 패턴정보를 통해 결정된 각 관심 위치 내 상가의 미래입점객수 및 상가의 부동산 가격을 기초로, 각 관심 위치의 부동산 가치평가값을 결정하는 단계, 및 (c) 각 관심 위치의 부동산 가치평가값을 주변 영역의 부동산 가치평가값 또는 다른 관심 위치의 부동산 가치평가값과 비교하여, 각 관심 위치의 부동산 가치를 평가하는 단계를 포함하며, 유동인구 패턴정보는 유동인구에 포함되는 각 사용자의 위치, 이동방향 및 속력을 포함하는, 서버에 의해 수행되는, 유동인구 패턴 기반의 부동산 가치평가 방법을 제공한다.
또한, 본 발명의 제 2 측면은, 유동인구 패턴정보 기반의 부동산 가치평가방법을 수행하기 위한 프로그램이 저장된 메모리 및 상기 프로그램을 실행하기 위한 프로세서를 포함하며, 상기 프로세서는, 상기 프로그램의 실행에 따라, 사용자 단말로부터 적어도 하나의 관심 위치에 대한 정보를 포함하는 부동산 평가 요청쿼리를 수신하고, 각 관심 위치를 포함하는 주변 영역의 유동인구 패턴정보를 통해 결정된 각 관심 위치 내 상가의 미래입점객수 및 상가의 부동산 가격을 기초로, 각 관심 위치의 부동산 가치평가값을 결정하고, 각 관심 위치의 부동산 가치평가값을 주변 영역의 부동산 가치평가값 또는 다른 관심 위치의 부동산 가치평가값과 비교하여 각 관심 위치의 부동산 가치를 평가하며, 이때 유동인구 패턴정보는 유동인구에 포함되는 각 사용자의 위치, 이동방향 및 속력을 포함하는, 유동인구 패턴정보에 기반하여 부동산 가치를 평가하는 컴퓨팅 장치를 제공한다.
기존의 부동산 정보 서비스는 평가자의 주관적 평가에 따른 부동산 가격 평가 정보를 제공하기 때문에 신뢰성에 문제가 있을 수 있다.
본 발명은 유동인구 패턴정보, 즉, 유동인구의 이동방향, 속력 등과 같은 정보들을 기반으로 임의의 상가에 대한 미래입점객수를 결정하고, 미래입점객수에 기반하여 해당 상가의 부동산 가치평가값을 산출하여 상가의 부동산 가치를 평가함으로써, 상가의 본질적 특성을 고려한 객관적 부동산 가치 지표를 제공해줄 수 있다.
도 1은 본 발명의 일 실시예에 따르는 유동인구 패턴정보 기반의 부동산 가치평가 시스템을 도시한 도면이다.
도2는 본 발명의 일 실시예에 따라 부동산 가치평가 서버의 구성을 도시한 블록도이다.
도 3은 인공지능 학습 모듈의 학습 알고리즘을 나타내기 위한 개념도이다.
도 4는 미래입점객수에 대한 바람직한 예측정확도를 설명하기 위한 그래프이다.
도 5는 부동산 평가 모듈이 관심 위치의 부동산 가치평가값 및 유동인구 패턴정보 변화 추이를 기초로 부동산 가치를 세부 평가하는 방법을 설명하기 위한 도면이다.
도 6 은 부동산 가치평가 서버에서 제공된 관심 위치의 부동산 가치 평가 결과를 사용자 단말이 표시하는 일례이다.
도 7은 부동산 가치평가 서버에서 제공된 복수의 관심 위치의 부동산 가치평가 결과를 사용자 단말이 표시하는 일례이다.
도 8은 본 발명의 일 실시예에 따르는 부동산 가치평가 방법을 설명하기 위한 순서도이다.
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 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 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.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
이하에서 언급되는 "사용자 단말"은 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop) 등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet), LTE(Long Term Evolution) 통신 기반 단말, 스마트폰, 태블릿 PC 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, "네트워크"는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN) 또는 부가가치 통신망(Value Added Network; VAN) 등과 같은 유선 네트워크나 이동 통신망(mobile radio communication network) 또는 위성 통신망 등과 같은 모든 종류의 무선 네트워크로 구현될 수 있다.
이하, 도면을 참조하여, 본 발명의 일 실시예를 구체적으로 설명하도록 한다.
먼저, 도 1을 참조하면, 본 발명의 일 실시예에 따르는 부동산 가치평가 시스템(10)은 사용자 단말(100), 부동산 가치평가서버(200), 유동인구정보 데이터베이스(300), 상권정보 데이터베이스(400) 및 부동산정보 데이터베이스(500)를 포함한다.
여기서, 유동인구정보 데이터베이스(300), 상권정보 데이터베이스(400) 및 부동산정보 데이터베이스(500)는 각각 별도의 독립된 서버로 구현될 수 있으나, 부동산 가치평가서버(200) 내에 포함되도록 구현될 수도 있다.
먼저, 유동인구정보 데이터베이스(300)에는 유동인구 패턴정보가 수집되어 있다. 예를 들어, 유동인구들의 요구정보(NEEDS), 이동방향, 속력, 성별, 연령대 등이 수집되어 있어, 사람들이 어느 지역을 몇 명이 어떤 방향으로 이동하고 있는지에 관한 정보를 알 수 있다.
상권정보 데이터베이스(400)에는 기존에 사업을 운영하고 있거나 운영하였던 매장의 매출 또는 입점객수에 관한 정보가 저장되어 있다. 이는 각 매장들의 매출신고자료를 기반으로 수집된 것이다. 입점객수의 경우, 매출액에서 업종 평균 객단가로 나눈 값으로 구할 수 있다.
부동산정보 데이터베이스(500)는 각 상가의 부동산 가격에 관한 정보가 저장되어 있다. 여기서, 상가란 적어도 하나의 매장을 포함하며, 부동산 가격은 기 거래된 상가의 보증금, 월세, 계약기간 및 권리금 중 적어도 하나에 기초하여 결정될 수 있다. 예를 들어, 상가의 부동산 가격은, 상가 내 적어도 하나의 매장의 "(평균 보증금)+(평균 월세)*100"으로 결정될 수 있다. 또는, 상가의 부동산 가격은, 상가 내 적어도 하나의 매장의 "((최고 보증금)+(최저 보증금))/2+((최고 월세)+(최저 월세))/2*100"으로 결정될 수 있다. 그러나 이에 제한되는 것은 아니며, 상가의 부동산 가격을 나타내기 위한 다양한 방법이 적용될 수 있다.
부동산 가치평가서버(200)는 유동인구정보 데이터베이스(300) 및 상권정보 데이터베이스(400)에 저장된 정보들을 기반으로, 유동인구 패턴정보와 상가의 입점객수 간의 상관관계를 인공지능 모델(또는 기계학습모델)을 통하여 학습할 수 있다.
추후, 사용자의 관심 위치에 대한 부동산 가치평가 요청쿼리가 사용자 단말(100)로부터 수신된 경우, 부동산 가치평가서버(200)는 미리 학습된 인공지능모델을 바탕으로 산출된 관심 위치의 미래입점객수 및 부동산 가격에 기반하여, 관심 위치의 부동산 가치가 고평가 또는 저평가되었는지 여부를 판단할 수 있다. 여기서, 부동산 가치가 고평가되었다는 것은, 상가의 부동산 가격이 상가의 본질 가치에 대비 높이 산정되어 있음을 의미하며, 부동산 가치가 저평가되었다는 것은, 상가의 부동산 가격이 상가의 본질 가치 대비 낮게 산정되어 있음을 의미할 수 있다.
한편, 부동산 가치평가서버(200)는 판단 결과를 사용자 단말(100)로 제공할 수 있다.
이하, 도 2를 참조하여, 부동산 가치평가서버(200)의 동작에 관하여 구체적으로 설명하도록 한다.
도 2는 부동산 가치평가서버(200)의 구성을 도시한 블록도이다. 도 2를 참조하면, 부동산 가치평가서버(200)는 통신부(201), 제어부(202) 및 메모리(203)를 포함한다.
통신부(201)는 부동산 가치평가서버(200)가 사용자 단말(100) 등의 외부 장치와 통신할 수 있게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(201)는 근거리 통신 모듈(예를 들어, 블루투스(Bluetooth), NFC(near field communication 등), 이동 통신 모듈(예를 들어, LTE, 3G 등) 및 방송 통신 모듈 중 적어도 하나를 포함할 수 있다.
통신부(201)는 사용자 단말(100)로부터 적어도 하나의 관심 위치에 대한 정보를 포함하는 부동산 평가 요청쿼리를 수신한다. 여기서 관심 위치는, 소정 상가 또는 복수의 상가를 포함하는 소정 영역일 수 있다. 예를 들어, 통신부(201)는 소정 상가의 위치를 나타내는 주소 정보, GPS 정보, 상가 명칭, 지역 명칭 등을 포함하는 부동산 평가 요청쿼리를 수신할 수 있다.
또한 통신부(201)는 관심 위치를 포함하는 주변 영역 정보를 더 수신할 수도 있다. 사용자 단말(100)에는 부동산 평가 애플리케이션이 설치되어 있거나, 부동산 평가 웹 서버에 사용자 단말(100)이 접속해 있을 수 있다. 해당 애플리케이션이나 웹은 적어도 하나의 관심 위치, 주변 영역 등을 입력할 수 있는 사용자 인터페이스(예를 들어, 지도 GUI 등)를 포함할 수 있다. 이러한 사용자 인터페이스 이용에 따라, 사용자 단말(100)은 적어도 하나의 관심 위치 및/또는 주변 영역을 포함하는 부동산 평가 요청쿼리를 부동산 가치평가서버(200)로 전송할 수 있다.
제어부(202)는 부동산 가치평가서버(200)의 전반적인 동작을 제어하며, 부동산 가치평가서버(200)가 미래입점객수 기반의 부동산 가치평가 방법을 수행하기 위한 프로그램(또는 적어도 하나의 인스트럭션(instruction))이 저장된 메모리(203)로부터 위 프로그램을 제공받아 실행하는 적어도 하나의 프로세서(processor)(미도시)를 포함하여 구성될 수 있다.
프로세서(미도시)는 메모리(203)에 저장된 프로그램의 실행에 따라 다양한 기능을 수행할 수 있으며, 메모리(203)는 각 기능에 따라 프로세서에 의해 실행되는 세부 모듈들을 포함할 수 있다. 예를 들어, 메모리(203)는 유동인구 패턴정보 수집 모듈(210), 인공지능 학습 모듈(220), 사용자 요청 수신 모듈(230) 및 부동산 평가 모듈(240) 등을 포함할 수 있다.
유동인구 패턴정보 수집 모듈(210)은 단위 지역 별로 유동인구 패턴정보를 수집할 수 있다. 여기서 유동인구란 서버에서 감지된 사용자 단말(100)을 보유한 각각의 사용자들을 모두 포함하는 의미이다. 또한, 유동인구 패턴정보는 유동인구에 포함되는 각 사용자의 이동패턴에 관한 정보로서, 각 사용자의 상품이나 서비스에 대한 요구정보, 위치(위도 및 경도), 이동방향(사용자 단말(100)의 신호가 감지된 최초의 위치와 현재 위치를 연결한 벡터 정보), 속력(벡터정보의 절대값을 사용자 단말(100)의 신호가 감지된 최초의 위치와 현재까지의 경과시간으로 나눈 값), 성별, 연령대 등 중 적어도 하나를 포함한다. 요구정보는 각 사용자들의 니즈(needs)에 관한 정보를 의미하며, 예를 들어, 삼겹살, 네일아트 등과 같은 것이 될 수 있다. 유동인구 패턴정보 수집 모듈(210)은 유동인구 정보 데이터베이스(300)로부터 유동인구 패턴정보를 수집할 수 있다. 유동인구 정보 데이터베이스(300)는 사용자 단말(100)의 GPS 정보 또는 사용자가 직접 자신의 단말에 입력한 정보를 기초로 유동인구 패턴정보를 수집할 수 있다. 예를 들어, 사용자 단말(100)에 특정 애플리케이션이 설치되고, 애플리케이션의 설치 및 회원가입시 성별, 연령대가 미리 입력되고, 향후 그 사용자가 이동하면서 삼겹살에 대한 니즈를 입력한 경우, 그 사용자 단말(100)로부터 성별, 연령대, 상가 임대/임차 정보, 요구정보, 사용자 단말(100)의 GPS 정보를 수집할 수 있으며, GPS 정보로부터 위치, 이동방향, 속력 등을 추출할 수 있다.
또는, 성별, 연령대, 상가 임대/임차 정보의 경우 회원가입시 반드시 필요한 정보는 아니므로, 별도 옵션 항목으로 제공하고 사용자가 입력할 경우에만 수집될 수도 있다. 즉, 유동인구 패턴정보는 각 사용자 단말(100)로부터 수집되는 것으로서, 각 사용자 단말(100)의 이동정보를 수집하여 유동인구 패턴정보를 형성할 수 있다.
한편, 유동인구 패턴정보는 시간대나 기상조건(날씨, 풍속, 태양의 고도 등)을 더 포함할 수도 있다. 낮이나 밤인지 여부에 따라, 또는 비가오거나 날씨가 맑은지 여부에 따라 특정 상권에 유동하는 인구의 수나 성별, 연령대 등이 달라질 수 있기 때문이다. 기상조건의 경우, 기상청 서버(미도시) 등으로부터 수집될 수 있다.
인공지능 학습 모듈(220)은 유동인구 패턴정보로부터 특정 위치(또는 특정 영역)의 미래입점객수를 결정(또는 예측)하기 위하여, 특정 영역 내 상가들의 기존 입점객수와 유동인구 패턴정보 간의 상관도에 대한 기계학습을 수행한다. 인공지능 학습 모듈(220)은 기계학습을 통해, 특정 위치(또는 특정 영역) 별 기존 입정객수와 유동인구 패턴 간의 상관도를 결정할 수 있다.
구체적으로, 인공지능 학습 모듈(220)은 유동인구 패턴정보에 기초하여, 사용자의 관심 위치를 포함하는 주변 영역의 유동인구 패턴정보를 추출할 수 있다. 여기서, 주변 영역은, 관심 위치로부터 미리 설정된 반경 이내의 영역(예를 들어, 관심 위치로부터 약 200m 반경 이내 영역)일 수 있으며, 사용자 단말(100)로부터 제공된 영역일 수도 있으나, 이에 제한되는 것은 아니다. 또한, 인공지능 학습 모듈(220)에 의해 추출되는 유동인구 패턴정보는, 사용자의 도착지점(사용자들의 위치 및 이동방향 값으로 결정됨)이 주변 영역 내인 유동인구 패턴정보일 수 있다. 한편, 인공지능 학습 모듈(220)은 유동인구 패턴정보에 포함되어 있는 데이터 세트들 중 사용자의 위치와 이동방향 값은 특정 상가에 대한 값으로 변환할 수 있다.
먼저, 인공지능 학습 모듈(220)은 사용자의 도착지점이 주변 영역 내인 유동인구 패턴정보를 검색한다. 이어서, 검색된 유동인구 패턴정보 내에 포함된 위치값을 특정 상가의 위치와 유동인구 간의 거리에 대한 값으로 변환한다.
또한, 인공지능 학습 모듈(220)은 유동인구의 이동방향은 특정 상가의 위치를 기준으로 상대적인 값을 갖도록 변환한다. 특정 상가의 위치를 시계의 12시 방향으로 가정하고, 유동인구의 위치를 시계의 정중앙인 것으로 가정할 때, 유동인구의 이동방향이 가리키는 시계방향을 360°로 표현한다. 예를 들어, 유동인구가 특정 상가의 위치로 향하고 있다면, 0°가 되며, 유동인구가 상기 특정 상가의 반대 방향으로 향하고 있을 때 180°가 된다.
이러한 방식으로, 인공지능 학습 모듈(220)은 각 상가 별로 유동인구 패턴정보를 추출하고, 입점객수 간의 상관도를 분석하는 기계학습을 수행한다.
기계학습은 도 3과 같은 복수의 노드로 구성된 뉴럴 네트워크(neural network) 알고리즘을 통해 수행될 수 있다.
도 3의 알고리즘은 복수의 입력노드(I1~I5)와 중간노드(H1~H3), 출력노드(O1)를 포함하여 구성된다. 이때, 각각의 노드는 입력값에 가중치를 부여하는 연산과정을 수행한다. 입력노드(I1~I5)에는 주변인구 패턴정보에 포함되는 데이터 세트들이 입력될 수 있다. 즉, 성별(I1), 연령대(I2), 매장과 유동인구 간의 거리(I3), 매장에 대한 유동인구의 이동방향(I4), 속력(I5), 등의 값이 입력될 수 있다. 출력값은 해당 상가의 입점객수이다. 입점객수는 상권정보 데이터베이스(400)로부터 추출된 매출액으로부터 업종별 평균 객단가를 나눈 값으로 결정될 수 있다.
먼저, 입력노드(I1~I5)에 입력되는 값은 -1 ~ 1의 값이 될 수 있다. 예를 들어, I1 노드(성별)에는 남자의 경우 +1, 여자는 -1로 입력될 수 있다. 또한, I2노드(연령대)에는 10대는 -1, 20대는 -0.5, 30대는 0, 40대는 +0.5, 50대 이상은 +1로 입력될 수 있다. I3 노드(유동인구와 상가 간의 거리)에는 (기준거리 - 유동인구와 상가 간의 거리)/(기준거리)값이 입력될 수 있다. 예를 들어, 기준거리가 200m이고, 상가 간의 거리가 100m라면 I3에는 0.5가 입력될 수 있다. 즉, 거리가 가까울수록 높은 가중치가 입력되도록 설정된다. I4 노드(유동인구의 상가에 대한 이동방향)에는, 1] A가 180도 보다 작을 때에는 1-(A/180), 2] A가 180도 보다 크거나 같을 때에는 1-(360-A)/180이 입력될 수 있다. 여기서 A는 유동인구의 이동방향을 0~360°의 각도로 정의한 것으로서, 만약 A에 90°라면 I4노드에는 0.5가 입력된다. 즉, I4노드의 입력값이 1.0이라는 것은 상가를 향해 가고 있다는 것을 의미하며, I4노드의 입력값이 0.0이라는 것은 상가와 반대방향으로 멀어져가고 있다는 것을 의미한다. 상가와 정반대 방향으로 가는 유동인구일수록 입점객으로 이어질 가능성이 낮다는 것을 감안해 설정된 계산식이다. I5노드(속력)에는 1] v가 1km/h 보다 작은 경우에는 1이, 2] v가 1km/h보다 큰 경우에는 1/v(유동인구의 속력)가 입력될 수 있다. 예를 들어, v가 1km/h보다 작은 경우 1.0이 입력되고, 1km/h보다 큰 경우 0과 1사이의 값이 입력되는데, 속도가 빠를수록 입점객으로 이어질 가능성이 낮다는 것을 감안해 설정된 계산식이다. 다만, +, -값과 가중치의 절대값 및 각 입력노드의 계산식은 반드시 상술한 예에 한하지 않는다.
한편, 위와 같은 방식으로 입력노드(I1~I5)에 입력되는 값들이 설정된 경우, 여러 개의 (입력값 - 출력값)에 대한 세트들을 활용하여 정확한 상관도를 파악할 수 있도록 기계학습을 수행한다.
예를 들어, I1~I5에 대응하는 입력값들을 하나의 세트라고 가정하고 서로 다른 입력값을 포함하는 5 개의 세트를 정의할 때, 제 1 세트, 제 2 세트, 제 3 세트, 제 4 세트, 제 5 세트에 대한 출력값이 각각 0.1, 0.2, 0.3, 0.4, 0.5가 되었다고 가정한다. 이때, 출력값의 합은 1.5가 될 수 있다.
1.5에 대하여 보정을 거칠 수 있다. 구체적으로, 1.5는 특정 애플리케이션을 통해서 수집한 유동인구 패턴정보들을 기초로 한 값이다. 그러나, 특정 애플리케이션을 모든 국민이 이용하지는 않기 때문에, 이를 일반화하기 위한 보정작업이 필요하다. 즉, 통신사 서버로부터 수집된 특정 지역 내의 사용자 단말(100)의 개수들에 대한 정보는 거의 실제 유동인구에 가까운 정보이다. 그러므로, 1.5에 실제 유동인구 수를 특정 애플리케이션을 통해 수집된 유동인구의 수로 나눈 값을 곱할 경우, 일반화가 수행될 수 있다. 일반화가 수행된 값이 최종 입점객수 값이라 할 수 있다.
인공지능 학습 모듈(220)은 최종 입점객수 값과 상권정보 데이터베이스(400)를 통해 추출한 입점객수 값을 비교한다. 특히, 인공지능 학습 모듈(220)은 입점객수 예측 지역이 강남역과 같은 초밀집 상권인 경우에 최종 입점객수 값과 상권정보 데이터베이스(400)의 값을 비교할 수 있다.
한편, 각 노드와 노드 사이에는 -1 ~1의 가중치가 추가로 부여되어 연산된다. 그리고 중간노드(H1~H3)에서는 가중치가 연산된 값들의 합, 곱, 뺄셈, 나눗셈 중 적어도 하나가 수행될 수 있다.
이때, 기계학습의 알고리즘의 정확도를 높이기 위한 것과 가장 중요한 포인트는, 중간노드(H1~H3)의 개수 및 노드와 노드 사이의 가중치 값의 크기 및 부호(+ 또는 -)이다. 여기서 중간노드(H1~H3)는 3개로 표현되었으나, 경우에 따라 다른 개수가 설정될 수도 있다.
따라서, 위 비교값의 차이가 적게 되도록 인공지능 학습 모듈(220)은 노드와 노드 사이의 가중치 값의 크기 및 부호를 변경한다. 그리고 변경된 가중치 값을 기준으로 다시 연산을 수행하여, 최종 입점객수 값과 상권정보 데이터베이스(400)의 입점객수 값을 다시 비교한다. 이러한 방식으로 유동인구 패턴정보 기반의 결과값이 실제 상권정보 데이터베이스(400)의 값과 일치하도록 끊임없이 반복을 수행하여 노드와 노드 사이의 최적의 가중치 값을 설정한다.
한편, 노드와 노드 사이의 가중치를 처음에 어떠한 값을 놓고 시작하느냐는 알고리즘 정확도에 있어서 매우 중요한 부분을 차지한다. 만약 엉뚱한 값을 기준으로 시작할 경우, 로컬 미니멈(local minimum)에 빠져서 가중치 최적화 작업을 수행할 수 없게 된다. 즉, 도 4와 같이, 찾고자하는 값의 범위가 실제로는 글로벌 미니멈(global minimum)값을 최소값으로 가지지만, 초기값을 잘못 설정할 경우, 그 이후에 어떠한 초기값 변경을 수행하더라도 최소값이 로컬 미니멈값에만 머무르게 되는 오류가 도출될 수 있는 것이다.
따라서, 이러한 문제를 해결하기 위해 유전자 알고리즘을 활용한다.
예를 들어, 노드와 노드 사이의 가중치들에 대한 4개의 서로 다른 세트를 생성한다. 그리고 각 세트들을 가중치 초기값으로 설정하여, 상술한 가중치 최적화 과정을 반복적으로 수행한다. 이어서, 각 세트들을 통해 계산된 입점객수 값들을 비교하고 실제 입점객수 값과 가장 적은 차이를 나타내는 세트를 가중치 초기값 세트로 설정한다.
이하, 인공지능 학습이 완료된 후, 사용자 단말(100)로부터 관심 위치에 대한 부동산 가치평가 요청쿼리를 수신한 경우의 동작 과정에 대하여 구체적으로 설명한다.
사용자 요청 수신 모듈(230)은 사용자 단말(100)로부터 미래입점객수 요청쿼리를 수신하도록 통신부(201)를 제어하기 위한 프로그램을 포함한다.
부동산 평가 모듈(240)은 통신부(201)로부터 제공받은 요청쿼리에 포함된 적어도 하나의 관심 위치의 부동산 가격이 고평가 또는 저평가되었는지를 판단하기 위한 프로그램을 포함한다. 부동산 평가 모듈(240)은 관심 위치의 미래입점객수 및 부동산 가격을 이용하여 부동산 가치평가값을 산출하고, 산출된 부동산 가치평가값을 주변 영역의 평균 부동산 가치평가값과 비교하거나, 관심 위치들의 부동산 가치평가값을 서로 비교함으로써, 부동산 가치를 평가한다. 이하에서, 구체적으로 설명한다.
먼저, 부동산 평가 모듈(240)은 관심 위치의 미래입점객수를 결정하기 위해, 관심 위치를 포함하는 주변 영역의 유동인구 패턴정보를 검색한다. 구체적으로, 부동산 평가 모듈(240)은 유동인구 패턴정보 수집 모듈(210)로부터 사용자의 도착지점이 주변 영역에 존재하는 유동인구 패턴정보들을 검색한다. 예를 들어, A 위치를 포함하는 요청쿼리를 수신한 경우, A 위치로부터 약 200m 반경 내에 도착지점이 설정된 유동인구 패턴정보들을 검색한다.
이후, 부동산 평가 모듈(240)은 검색된 유동인구 패턴정보를 상가 별 유동인구 패턴정보로 변환한다. 예를 들어, 유동인구 패턴정보 중 위치, 이동방향에 대해서는 주변 영역 내의 각 상가에 대한 상대적인 값으로 변환한다.
부동산 평가 모듈(240)은 변환된 유동인구 패턴정보(즉, 상가 별 유동인구 패턴정보)를 기초로 뉴럴 네트워크 알고리즘에 기반한 연산을 수행함으로써 미래입점객수를 결정한다. 예를 들어, 부동산 평가 모듈(240)은 각 유동인구 패턴정보에 포함된 5개의 값(성별, 연령대, 상가와 유동인구 간의 거리, 상가에 대한 유동인구의 이동방향, 속력)을 입력값으로 하여 뉴럴 네트워크 알고리즘에 기반한 연산을 수행한다. 이때, 뉴럴 네트워크 알고리즘은 상술한 인공지능 학습 모듈(220)에 의해 학습이 완료된 알고리즘이다.
한편, 미래입점객수는 부동산 평가 모듈(240)에 의해 사용자 단말(100)로부터 요청쿼리가 수신되기 이전에 미리 결정되어 있을 수 있다. 이 경우, 부동산 평가 모듈(240)은 미리 결정된 상가 별 미래입점객수 중에서 관심 위치의 미래입점객수를 검색할 수 있다.
실시예에 따라 뉴럴 네트워크 알고리즘은 유동인구 패턴정보의 요구 정보를 기초로, 요구 정보에 대응하는 업종 별로 미래입점객수를 출력할 수도 있다. 이 경우, 부동산 평가 모듈(240)은 상가 내 업종 비율을 해당 업종의 미래입점객수에 곱하여 최종 미래입점객수를 산출할 수 있다. 예를 들어, 상가 내의 음식업, 서비스업, 유통업의 비율이 4:3:3 인 경우, 최종 미래입점객수는 "(음식업의 미래입점객수)*0.4+(서비스업의 미래입점객수)*0.3+(유통업의 미래입점객수)*0.3"으로 결정될 수 있다.
실시예에 따라 부동산 평가 모듈(240)은 뉴럴 네트워크 알고리즘의 출력값(즉, 미래입점객수)에 대한 보정을 수행할 수 있다. 예를 들어, 각 사용자들의 단말 위치 기록을 기반으로 획득된 각 지역의 유동인구 수를 통신사 서버를 통해 획득하고, 유동인구 패턴정보를 기반으로 상기 위치에서의 유동인구 수와 통신사 서버를 통해 획득한 유동인구 수의 비율을 출력값에 곱함으로써, 보정을 수행할 수 있다.
이후, 부동산 평가 모듈(240)은 관심 위치 내 상가의 미래입점객수 및 부동산 가격에 기초하여 관심 위치의 부동산 가치평가값을 결정하고, 관심 위치의 부동산 가치평가값 및 주변 영역의 평균 부동산 가치평가값 또는 다른 관심 위치의 부동산 가치평가값을 비교함으로써, 관심 위치의 부동산 가치를 평가한다.
구체적으로, 부동산 평가 모듈(240)은 관심 위치 내 상가의 부동산 가격을 해당 상가의 미래입점객수로 나누어 부동산 가치평가값을 결정한다. 만약, 관심 위치 내에 복수의 상가가 존재하면, 부동산 평가 모듈(240)은 각 상가의 부동산 가격을 각 상가의 미래입점객수로 나눈 평균값을 관심 위치의 부동산 가치평가값으로 결정할 수 있다.
부동산 평가 모듈(240)은 관심 위치를 포함하는 주변 영역 내 상가 별 유동인구 패턴정보를 이용하여 주변 영역 내 상가들 각각의 미래입점객수를 결정하고, 주변 영역 내 상가들 각각의 부동산 가격을 해당 상가의 미래입점객수로 나눈값들의 평균을 주변 영역의 평균 부동산 가치평가값으로 결정할 수 있다. 또한, 부동산 평가 모듈(240)은 관심 위치의 부동산 가치평가값과 주변 영역의 평균 부동산 가치평가값을 비교하여, 관심 위치의 부동산 가치평가값이 평균 부동산 가치평가값보다 높은 경우, 관심 위치의 부동산 가치가 저평가되었다고 평가한다. 반대로 관심 위치의 부동산 가치평가값이 평균 부동산 가치평가값보다 낮은 경우, 부동산 평가 모듈(240)은 관심 위치의 부동산 가치가 고평가되었다고 평가한다. 또한, 부동산 평가 모듈(240)은 통신부(201)를 통해 평가 결과를 사용자 단말(100)로 제공할 수 있다.
한편, 사용자 단말(100)로부터 복수의 관심 위치에 대한 정보를 포함하는 요청쿼리가 수신된 경우, 부동산 평가 모듈(240)은 복수의 관심 위치 각각의 부동산 가치평가값을 해당 주변 영역의 평균 부동산 가치평가값과 비교함으로써, 복수의 관심 위치 각각에 대한 독립적인 평가 결과를 제공할 수 있다.
또는, 부동산 평가 모듈(240)은 복수의 관심 위치 각각의 부동산 가치평가값을 다른 관심 위치의 부동산 가치평가값과 비교함으로써, 복수의 관심 위치의 각각에 대한 상대적 평가 결과를 제공할 수도 있다. 예를 들어, 부동산 평가 모듈(240)은 복수의 관심 위치 각각의 부동산 가치평가값을 비교한 결과에 따른 순위 정보를 사용자 단말(100)로 제공할 수 있다. 그러나, 이에 제한되지 않으며, 부동산 평가 모듈(240)은 복수의 관심 위치 각각에 대한 독립적인 평가 결과(즉, 각 관심 위치의 부동산 가치평가값과 주변 영역의 평균 부동산 가치평가값을 비교한 결과) 및 상대적 평가 결과(즉, 서로 다른 관심 위치 간의 부동산 가치평가값을 비교한 순위 결과)를 모두 결정할 수도 있다.
추가하여, 부동산 평가 모듈(240)은 관심 위치 내 상가에 대한 현재 유동인구 패턴정보와 과거 유동인구 패턴정보의 차이를 기초로, 관심 위치의 미래 부동산 가치를 예측하고, 관심 위치의 부동산 가치를 세부 평가할 수 있다. 예를 들어, 부동산 평가 모듈(240)은 관심 위치를 도착 지점으로 갖는 과거 유동인구수와 현재 유동인구수의 차이를 기초로, 관심 위치의 미래 부동산 가치를 예측할 수 있다. 또는, 부동산 평가 모듈(240)은 관심 위치의 과거입점객수와 현재입점객수의 차이를 기초로, 미래 부동산 가치를 예측할 수 있다. 이를 통해, 부동산 평가 모듈(240)은 관심 위치의 부동산 가치가 미래에 상승 또는 하락할 것으로 평가할 수 있다. 따라서 부동산 평가 모듈(240)은 부동산 가치가 저평가된 경우라도 미래에는 부동산 가치가 하락할 수 있다는 정보, 및 부동산 가치가 고평가된 경우라도 미래에는 부동산 가치가 상승할 수 있다는 정보를 사용자 단말(100)로 제공할 수 있다.
도 5는 부동산 평가 모듈(240)이 관심 위치의 부동산 가치평가값 및 유동인구 패턴정보 변화 추이를 기초로 부동산 가치를 세부 평가하는 방법을 설명하기 위한 도면이다.
부동산 평가 모듈(240)은 ((관심 위치의 부동산 가치평가값)-(주변 영역의 평균 부동산 가치평가값))을 Y 좌표로 가지며, 관심 위치의 ((현재입점객수)-(과거입점객수))을 X 좌표로 갖는 좌표 정보가 2차원 그래프(510) 상의 어느 사분면에 위치하는지를 기초로 관심 위치의 부동산 가치를 평가할 수 있다. 만약, 현재와 과거의 입점객수에 차이가 없다면 관심 위치에 대응하는 X 좌표 정보는 '0' 이 되며, 관심 지점의 부동산 가치평가값과 주변 영역의 평균 부동산 가치평가값의 차이가 없다면 관심 위치에 대응하는 Y 좌표 정보는 '0'이 된다.
부동산 평가 모듈(240)은 관심 위치의 좌표 정보가 그래프(510) 상의 제1사분면에 위치하면 부동산 가치가 저평가되었으며, 미래 부동산 가치 상승한다고 평가하며, 좌표 정보가 그래프(510) 상의 제2사분면에 위치하면 부동산 가치가 저평가되었으며, 미래 부동산 가치가 하락한다고 평가하며, 좌표 정보가 그래프(510) 상의 제3 사분면에 위치하면 부동산 가치가 고평가되었으며, 미래 부동산 가치는 하락한다고 평가하고, 좌표 정보가 그래프(510) 상의 제4사분면에 위치하면 부동산 가치가 고평가되었으며 미래 부동산 가치 상승한다고 고 평가할 수 있다.
또한, 부동산 평가 모듈(240)은 좌표 정보의 그래프(510) 상 위치를 기준으로, 관심 위치의 부동산 가치를 나타내는 등급 정보를 결정할 수 있다. 예를 들어, 부동산 평가 모듈(240)은 좌표 정보가 그래프(510) 상의 제1 사분면에 위치하는 관심 위치의 부동산 가치를 제1 등급, 제2 사분면에 위치하는 관심 위치의 부동산 가치를 제2 등급, 제3 사분면에 위치하는 관심 위치의 부동산 가치를 제4 등급, 그리고 제4 사분면에 위치하는 관심위치의 부동산 가치를 제3 등급으로 나타낼 수 있다.
그러나, 전술한 등급 정보는 관심 위치를 입력한 사용자 단말(100)의 사용자 정보(예를 들어, 상가 임대/임차 정보)에 따라 달라질 수 있다. 예를 들어, 부동산 평가 모듈(240)은 부동산 가치평가서버(200)에 등록된 사용자 정보를 기초로, 사용자가 상가를 임대하려는 경우, 제1 사분면에 위치하는 관심 위치의 부동산 가치를 제1 등급, 제4 사분면에 위치하는 관심 위치의 부동산 가치를 제2 등급, 제2 사분면에 위치하는 관심 위치의 부동산 가치를 제3 등급, 그리고 제3 사분면에 위치하는 관심 위치의 부동산 가치를 제4 등급으로 나타낼 수 있다.
또한, 복수의 관심 위치에 대한 부동산 가치를 평가하는 경우, 부동산 평가 모듈(240)은 각 관심 위치의 그래프(510) 상 좌표 정보들이 갖는 벡터값들을 비교할 수 있다. 이를 통해, 부동산 평가 모듈(240)은 복수의 관심 위치에 대응하는 좌표 정보(예를 들어, 511 및 512)가 모두 그래프(510)의 제1 사분면에 위치하는 경우라도, 각 좌표 정보(511 및 512)의 벡터값들(점선으로 도시됨)을 비교함으로써, 복수의 관심 위치의 부동산 가치에 대한 순위 정보를 결정할 수 있다.
이 경우에도, 부동산 평가 모듈(240)은 사용자 단말(100)의 사용자 정보(예를 들어, 상가 임대/임차 정보)에 따라 복수의 관심 위치의 부동산 가치에 대한 순위 정보를 달리 결정할 수 있다. 예를 들어, 부동산 평가 모듈(240)은 부동산 가치평가서버(200)에 등록된 사용자 정보를 기초로, 사용자가 상가를 임대하려는 경우, 각 관심 위치의 X 좌표 정보에 가중치(예를 들어, 1 내지 10의 정수 등)를 가한 벡터값들을 비교함으로써, 복수의 관심 위치의 부동산 가치에 대한 순위 정보를 결정할 수 있다. 반대로, 사용자가 상가를 임차하려는 경우, 부동산 평가 모듈(240)은, 각 관심 위치의 Y 좌표 정보에 가중치를 가한 벡터값들을 비교함으로써, 복수의 관심 위치의 부동산 가치에 대한 순위 정보를 결정할 수 있다.
한편, 위에서는 부동산 평가 모듈(240)이 사용자 단말(100)의 사용자 정보를 기초로 X 좌표 또는 Y 좌표 정보에 가중치를 가하는 것으로 표현하였으나, 이에 한정되지 않는다. 부동산 평가 모듈(240)은 사용자 단말(100)로부터 입력에 의해 X 좌표(즉, (현재입점객수)-(과거입점객수)) 또는 Y 좌표(즉, (관심 위치의 부동산 가치평가값)-(주변 영역의 평균 부동산 가치평가값)) 정보에 가중치를 가할 수 있다. 예를 들어, 부동산 평가 모듈(240)은 사용자가 상가의 입점객수(현재의 영업가치) 및 부동산의 가격 중 어느 것에 중점을 두는지에 대한 입력을 기초로, X 좌표 및/또는 Y 좌표에 가중치를 가할 수 있다. 이를 통해, 부동산 가치 평가 모듈(240)은 각 관심 위치의 좌표 정보(X, Y)를 이용한 "X*R1+Y*R2" 수식(R1: 입점객수 가중치/R2: 부동산 가격 가중치)을 기초로, 복수의 관심 위치의 부동산 가치에 대한 순위 정보를 결정할 수 있다.
도 6은 부동산 가치평가서버(200)에서 제공된 관심 위치의 부동산 가치 평가 결과를 사용자 단말(100)이 표시하는 일례이다. 사용자 단말(100)은 부동산 가치평가서버(200)로부터 제공된 관심 위치의 부동산 가치에 대한 등급 정보(예를 들어, 제1 등급)를 포함하는 GUI(graphic user interface)(600)를 화면에 표시할 수 있다. 이때, 도 6에 도시된 바와 같이, 사용자 단말(100)은 지도 이미지 내에서 관심 위치를 나타내는 이미지(601), 주변 영역을 나타내는 이미지(602) 및 등급 정보를 나타내는 이미지(603)를 화면에 표시할 수 있다.
한편, 사용자 단말(100)의 사용자는 관심 위치를 나타내는 이미지(601) 및/또는 주변 영역을 나타내는 이미지(602)를 터치&드래그 함으로써, 관심 위치 및/또는 주변 영역을 갱신할 수 있다. 이 경우, 사용자 단말(100)은 갱신된 관심 위치 및/또는 주변 영역을 포함하는 부동산 가치평가 요청쿼리를 부동산 가치평가서버(200)로 전송하고, 부동산 가치평가서버(200)로부터 갱신된 관심 위치의 부동산 가치 평가 결과를 제공받을 수 있다.
도 7은 부동산 가치평가서버(200)에서 제공된 복수의 관심 위치의 부동산 가치평가 결과를 사용자 단말(100)이 표시하는 일례이다. 사용자 단말(100)은 부동산 가치평가서버(200)로부터 제공된 복수의 관심 위치에 대한 상대적 순위 정보를 포함하는 GUI(700)를 화면에 표시할 수 있다. 이때, 부동산 가치평가서버(200)는 복수의 관심 위치 각각에 대응하는 등급 정보를 더 제공할 수도 있다. 이 경우, 사용자 단말(100)은 순위 정보 및 등급 정보를 포함하는 GUI를 화면에 표시할 수 있다.
도 8은 본 발명의 일 실시예에 따르는 부동산 가치평가 방법을 설명하기 위한 순서도이다. 이하의 방법은 상술한 부동산 가치평가서버(200)에 의해 수행되는 것이므로, 이하에서 생략된 내용이 있다고 하더라도 상술한 내용으로부터 갈음하도록 한다.
먼저 부동산 가치평가서버(200)는 사용자 단말(100)로부터 적어도 하나의 관심 위치에 대한 정보를 포함하는 부동산 평가 요청쿼리를 수신한다(S801).
부동산 가치평가서버(200)는 각 관심 위치를 포함하는 주변 영역의 유동인구 패턴정보를 통해 결정된 각 관심 위치 내 상가의 미래입점객수 및 상가의 부동산 가격을 기초로, 각 관심 위치의 부동산 가치평가값을 결정한다(s802).
구체적으로, 부동산 가치평가서버(200)는 기 학습된 인공지능을 통해, 상가 별 미래입점객수를 미리 결정할 수 있다. 이 경우, 부동산 가치평가서버(200)는 미리 결정된 상가 별 미래입점객수 중 관심 위치 내 상가의 미래입점객수를 검색할 수 있다. 한편, 인공지능은, 뉴럴 네트워크 알고리즘에 기반하여, 유동인구 패턴정보와 상가 별 기존 입점객수 간의 상관관계를 미리 학습한 것일 수 있다.
또는, 부동산 가치평가서버(200)는 요청쿼리가 수신된 이후에 관심 위치 내 상가의 미래입점객수를 결정할 수도 있다. 이 경우, 부동산 가치평가서버(200)는 유동인구정보 데이터베이스(300)에 저장된 유동인구 패턴정보들 중에서, 도착지점이 주변 영역 내에 존재하는 유동인구 패턴정보를 검색할 수 있다. 그리고 부동산 가치평가서버(200)는 검색된 유동인구 패턴정보에 포함되어 있는 데이터 세트들 중 사용자의 위치와 이동방향 값은 특정 상가에 대한 값으로 변환할 수 있다.
이후, 부동산 가치평가서버(200)는 변환된 유동인구 패턴정보를 입력값으로 갖는 기 학습된 인공지능을 통해, 관심 위치의 미래입점객수를 결정할 수 있다.
한편, 실시예에 따라 부동산 가치평가서버(200)는 유동인구 패턴정보의 요구 정보를 이용하여 업종 별 미래입점객수를 결정할 수도 있다. 이 경우, 부동산 가치평가서버(200)는 관심 위치(예를 들어, 적어도 하나의 상가) 내의 업종 비율을 기초로, 관심 위치 내 상가의 미래입점객수를 결정할 수 있다.
이후, 부동산 가치평가서버(200)는 관심 위치 내 상가의 부동산 가격을 해당 상가의 미래입점객수로 나누어 부동산 가치평가값을 결정한다. 만약, 관심 위치 내에 복수의 상가가 존재하면, 부동산 가치평가서버(200)는 각 상가의 부동산 가격을 각 상가의 미래입점객수로 나눈 값들의 평균을 부동산 가치평가값으로 결정한다.
부동산 가치평가서버(200)는 각 관심 위치의 부동산 가치평가값을 주변 영역의 부동산 가치평가값 또는 다른 관심 위치의 부동산 가치평가값과 비교하여, 각 관심 위치의 부동산 가치를 평가한다(s803).
부동산 가치평가서버(200)는 주변 영역 내 상가들 각각의 부동산 가격을 해당 상가의 미래입점객수로 나눈값들의 평균을 주변 영역의 평균 부동산 가치평가값으로 결정한다. 이후, 부동산 가치평가서버(200)는 관심 위치의 부동산 가치평가값과 주변 영역의 평균 부동산 가치평가값을 비교하여, 관심 위치의 부동산 가치평가값이 평균 부동산 가치평가값보다 높은 경우, 관심 위치의 부동산 가치가 저평가되었다고 평가한다. 반대로 관심 위치의 부동산 가치평가값이 평균 부동산 가치평가값보다 낮은 경우, 부동산 가치평가서버(200)는 관심 위치의 부동산 가치가 고평가되었다고 평가한다. 또한, 부동산 가치평가서버(200)는 평가 결과를 사용자 단말(100)로 제공할 수 있다.
한편, 복수의 관심 위치에 대한 부동산 가치를 평가하는 경우, 부동산 가치평가서버(200)는 각 관심 위치 부동산 가치평가값을 해당 주변 영역의 평균 부동산 가치평가값과 비교함으로써, 복수의 관심 위치 각각에 대한 독립적인 평가 결과를 제공할 수 있다.
또는, 부동산 가치평가서버(200)는 각 관심 위치의 부동산 가치평가값을 다른 관심 위치의 부동산 가치평가값과 비교하여, 복수의 관심 위치의 각각에 대한 상대적 평가 결과를 제공할 수도 있다. 예를 들어, 부동산 가치평가서버(200)는 복수의 관심 위치 각각의 부동산 가치평가값을 비교한 결과에 따른 순위 정보를 사용자 단말(100)로 제공할 수 있다.
추가적으로, 부동산 가치평가서버(200)는 관심 위치의 유동인구 패턴 변화 추이(예를 들어, 관심 위치의 입점객수의 변화 추이 등)를 기초로, 관심 위치의 미래 부동산 가치를 예측함으로써, 관심 위치의 부동산 가치를 세부 평가할 수 있다. 부동산 가치평가서버(200)가 관심 위치의 부동산 가치를 세부 평가하는 방법에 대해서는, 도 5를 참조하여 상술하였으므로, 자세한 설명은 생략한다.
부동산 가치평가서버(200)는 관심 위치의 부동산 가치 평가결과를 사용자 단말(100)로 제공함으로써, 사용자 단말(100)이 관심 위치의 부동산 가치 평가결과를 나타내는 GUI를 화면에 표시하도록 할 수 있다.
한편, 상술한 설명에서 단계 s801 내지 s803는 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 사용자 단말 200: 부동산 가치평가서버
300: 유동인구정보 데이터베이스
400: 상권정보 데이터베이스
500: 부동산정보 데이터베이스

Claims (13)

  1. 서버에 의해 수행되는, 유동인구 패턴 기반의 부동산 가치평가 방법에 있어서,
    (a) 사용자 단말로부터 적어도 하나의 관심 위치에 대한 정보를 포함하는 부동산 평가 요청쿼리를 수신하는 단계;
    (b) 각 관심 위치를 포함하는 주변 영역의 유동인구 패턴정보를 통해 결정된 상기 각 관심 위치 내 상가의 미래입점객수 및 상기 상가의 부동산 가격을 기초로, 상기 각 관심 위치의 부동산 가치평가값을 결정하는 단계; 및
    (c) 상기 각 관심 위치의 부동산 가치평가값을 주변 영역의 부동산 가치평가값 또는 다른 관심 위치의 부동산 가치평가값과 비교하여, 상기 각 관심 위치의 부동산 가치를 평가하는 단계; 를 포함하며,
    상기 (c) 단계는,
    (c-1) 상기 주변 영역 내 상가들 각각의 부동산 가격 및 상기 상가들 각각의 미래입점객수에 기초하여, 상기 주변 영역 내 상가들의 평균 부동산 가치평가값을 결정하는 단계; 및
    (c-2) 상기 각 관심 위치 내 상가의 부동산 가치평가값과 상기 주변 영역 내 상가들의 평균 부동산 가치평가값을 비교하여, 상기 각 관심 위치의 부동산 가치가 고평가 또는 저평가되었는지 여부를 판단하는 단계를 포함하고,
    상기 유동인구 패턴정보는, 유동인구에 포함되는 각 사용자의 위치, 이동방향 및 속력을 포함하는, 방법.
  2. 제 1 항에 있어서,
    (d) 상기 (a) 단계 전, 단위 영역 별 유동인구 패턴정보 및 상가 별 기존 입점객수 정보를 수집하는 단계; 및
    (e) 기계학습을 통하여 상가 별 기존 입점객수와 유동인구 패턴정보 간의 상관도를 결정하는 단계;를 포함하는 것인, 방법.
  3. 제 2 항에 있어서,
    상기 (b) 단계는,
    (b-1) 도착지점이 상기 주변 영역 내인 유동인구 패턴정보를 검색하는 단계;
    (b-2) 상기 주변 영역 내 상가와 유동인구 간의 거리 및 상가에 대한 유동인구의 이동방향에 기초하여, 상기 검색된 유동인구 패턴정보를 변환하는 단계; 및
    (b-2) 상기 (e) 단계에서 판단된 상관도를 이용하여, 상기 변환된 유동인구 패턴정보로부터 상기 각 관심 위치 내 상가의 상기 미래입점객수를 결정하는 단계;를 포함하는, 방법.
  4. 제 3 항에 있어서,
    상기유동인구 패턴정보는, 유동인구에 포함되는 각 사용자의 상품이나 서비스에 대한 요구정보를 더 포함하며,
    상기 (b-2) 단계는,
    상기 유동인구 패턴정보의 요구정보를 기초로, 상기 요구정보에 대응하는 업종 별 미래입점객수를 결정하는 단계; 및
    상기 관심 위치 내 상가의 업종 비율을 상기 업종 별 미래입점객수에 곱하여 최종 미래입점객수를 산출하는 단계;를 포함하는, 방법.
  5. 제 2 항에 있어서,
    상기 부동산 가치평가값은, 관심 위치 내 상가의 부동산 가격을 상기 상가의 미래입점객수로 나눈 값인, 방법.
  6. 제 2 항에 있어서,
    상기 평균 부동산 가치평가값은, 상기 주변 영역 내 상가들 각각의 부동산 가격을 상기 상가들 각각의 미래입점객수로 나눈값들의 평균인, 방법.
  7. 제 1 항에 있어서,
    상기 (a) 단계에서 복수의 관심 위치에 대한 정보를 포함하는 요청쿼리가 수신된 경우,
    상기 (c) 단계는,
    상기 각 관심 위치의 부동산 가치평가값과 상기 다른 관심 위치의 부동산 가치평가값을 비교한 결과를 기초로, 상기 복수의 관심 위치의 부동산 가치에 대한 순위 정보를 결정하는 단계;를 더 포함하는, 방법.
  8. 제 2 항에 있어서,
    상기 방법은,
    (f) 상기 각 관심 위치 내 상가에 대한 현재 유동인구 패턴정보와 과거 유동인구 패턴정보의 차이를 기초로, 상기 각 관심 위치의 미래 부동산 가치를 예측하는 단계; 및
    (g) 상기 예측된 미래 부동산 가치를 기초로, 상기 각 관심 위치의 부동산 가치를 세부 평가하는 단계; 를 더 포함하는, 방법.
  9. 제 8 항에 있어서,
    상기 (g) 단계는,
    (g-1) 2차원 그래프에서, 상기 관심 위치의 현재 유동인구 패턴정보와 과거 유동인구 패턴정보의 차이, 및 상기 관심 위치의 부동산 가치평가값과 상기 주변 영역의 평균 부동산 가치평가값의 차이를 나타내는 좌표 정보를 획득하는 단계; 및
    (g-2) 상기 좌표 정보가 상기 2차원 그래프 상의 제1 사분면에 위치하는 경우, 상기 관심 위치의 부동산 가치가 저평가되었으며, 미래 부동산 가치가 상승한다고 판단하고,
    상기 좌표 정보가 상기 2차원 그래프 상의 제2 사분면에 위치하는 경우, 상기 관심 위치의 부동산 가치가 저평가되었으며, 미래 부동산 가치가 하락한다고 판단하며,
    상기 좌표 정보가 상기 2 차원 그래프 상의 제3 사분면에 위치하는 경우, 상기 관심 위치의 부동산 가치가 고평가되었으며, 미래 부동산 가치가 하락한다고 판단하며,
    상기 좌표 정보가 상기 2차원 그래프 상의 제4 사분면에 위치하는 경우, 상기 관심 위치의 부동산 가치가 고평가되었으며, 미래 부동산 가치가 상승한다고 판단하는 단계;를 포함하는, 방법.
  10. 제 9 항에 있어서,
    상기 (g) 단계는, 상기 2차원 그래프 상에서, 상기 관심 위치의 좌표 정보와 상기 다른 관심 위치의 좌표 정보가 동일한 사분면에 위치하는 경우, 각 관심 위치의 좌표 정보에 대응하는 벡터값을 비교하여, 상기 관심 위치의 좌표 정보와 상기 다른 관심 위치의 부동산 가치를 세부 평가하는 것인, 방법.
  11. 제 1 항에 있어서,
    상기 방법은,
    (h) 상기 (c) 단계의 부동산 가치평가 결과를 상기 사용자 단말로 제공함으로써, 상기 평가 결과를 나타내는 GUI(graphic user interface)가 상기 사용자 단말의 화면에 표시되도록 하는 단계;를 더 포함하는, 방법.
  12. 제 1 항에 있어서,
    상기 (b) 단계는,
    상기 미래입점객수를 결정한 후, 각 사용자들의 사용자 단말 위치 기록을 기반으로 획득한 각 지역의 유동인구수를 기초로, 상기 미래입점객수를 보정하는 단계를 포함하는, 방법.
  13. 유동인구 패턴정보에 기반하여 부동산 가치를 평가하는 컴퓨팅 장치에 있어서,
    유동인구 패턴정보 기반의 부동산 가치평가방법을 수행하기 위한 프로그램이 저장된 메모리; 및
    상기 프로그램을 실행하기 위한 프로세서;를 포함하며,
    상기 프로세서는, 상기 프로그램의 실행에 따라,
    사용자 단말로부터 적어도 하나의 관심 위치에 대한 정보를 포함하는 부동산 평가 요청쿼리를 수신하고,
    각 관심 위치를 포함하는 주변 영역의 유동인구 패턴정보를 통해 결정된 상기 각 관심 위치 내 상가의 미래입점객수 및 상기 상가의 부동산 가격을 기초로, 상기 각 관심 위치의 부동산 가치평가값을 결정하고,
    상기 각 관심 위치의 부동산 가치평가값을 주변 영역의 부동산 가치평가값 또는 다른 관심 위치의 부동산 가치평가값과 비교하여, 상기 각 관심 위치의 부동산 가치를 평가하되,
    상기 프로세서는,
    상기 주변 영역 내 상가들 각각의 부동산 가격 및 상기 상가들 각각의 미래입점객수에 기초하여, 상기 주변 영역 내 상가들의 평균 부동산 가치평가값을 결정하고, 상기 각 관심 위치 내 상가의 부동산 가치평가값과 상기 주변 영역 내 상가들의 평균 부동산 가치평가값을 비교하여, 상기 각 관심 위치의 부동산 가치가 고평가 또는 저평가되었는지 여부를 판단하며,
    상기 유동인구 패턴정보는, 유동인구에 포함되는 각 사용자의 위치, 이동방향 및 속력을 포함하는, 컴퓨팅 장치.
KR1020160127427A 2016-10-04 2016-10-04 유동인구 패턴 기반의 미래 부동산 가치 평가 방법 및 장치 KR101835789B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160127427A KR101835789B1 (ko) 2016-10-04 2016-10-04 유동인구 패턴 기반의 미래 부동산 가치 평가 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160127427A KR101835789B1 (ko) 2016-10-04 2016-10-04 유동인구 패턴 기반의 미래 부동산 가치 평가 방법 및 장치

Publications (1)

Publication Number Publication Date
KR101835789B1 true KR101835789B1 (ko) 2018-04-19

Family

ID=62087587

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160127427A KR101835789B1 (ko) 2016-10-04 2016-10-04 유동인구 패턴 기반의 미래 부동산 가치 평가 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101835789B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102156659B1 (ko) * 2019-11-26 2020-09-16 주식회사 공감랩 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치 및 그 방법
KR20210133418A (ko) * 2020-04-29 2021-11-08 김장현 상가 부동산 매물 정보 제공 방법 및 서버
KR20220093946A (ko) * 2020-12-28 2022-07-05 주식회사 집펀드 부동산 담보대출 자동심사 플랫폼 제공방법 및 제공장치
KR20220166773A (ko) * 2020-07-23 2022-12-19 주식회사 데이터노우즈 인공지능 모델과 빅데이터 분석 기반의 부동산 정보 표시 단말 및 부동산 정보 제공 서버
KR20230049436A (ko) * 2021-10-06 2023-04-13 주식회사 아이티로 인공지능을 통한 대형 상가 내 상점 입주 가이드 방법, 장치 및 컴퓨터-판독가능 기록매체

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5513512B2 (ja) * 2009-08-24 2014-06-04 ソフトバンクＢｂ株式会社 流動性人口推定システム、流動性人口推定方法及び流動性人口推定プログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5513512B2 (ja) * 2009-08-24 2014-06-04 ソフトバンクＢｂ株式会社 流動性人口推定システム、流動性人口推定方法及び流動性人口推定プログラム

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102156659B1 (ko) * 2019-11-26 2020-09-16 주식회사 공감랩 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치 및 그 방법
KR20210133418A (ko) * 2020-04-29 2021-11-08 김장현 상가 부동산 매물 정보 제공 방법 및 서버
KR102526003B1 (ko) * 2020-04-29 2023-04-26 김장현 상가 부동산 매물 정보 제공 방법 및 서버
KR20220166773A (ko) * 2020-07-23 2022-12-19 주식회사 데이터노우즈 인공지능 모델과 빅데이터 분석 기반의 부동산 정보 표시 단말 및 부동산 정보 제공 서버
KR102485140B1 (ko) * 2020-07-23 2023-01-09 주식회사 데이터노우즈 인공지능 모델과 빅데이터 분석 기반의 부동산 정보 표시 단말 및 부동산 정보 제공 서버
KR20220093946A (ko) * 2020-12-28 2022-07-05 주식회사 집펀드 부동산 담보대출 자동심사 플랫폼 제공방법 및 제공장치
KR102628559B1 (ko) * 2020-12-28 2024-01-25 주식회사 집펀드 부동산 담보대출 자동심사 플랫폼 제공방법 및 제공장치
KR20230049436A (ko) * 2021-10-06 2023-04-13 주식회사 아이티로 인공지능을 통한 대형 상가 내 상점 입주 가이드 방법, 장치 및 컴퓨터-판독가능 기록매체
KR102663822B1 (ko) * 2021-10-06 2024-05-07 주식회사 아이티로 인공지능을 통한 대형 상가 내 상점 입주 가이드 방법, 장치 및 컴퓨터-판독가능 기록매체

Similar Documents

Publication Publication Date Title
KR101810169B1 (ko) 유동인구 패턴정보 기반의 미래입점객수 예측방법 및 장치
KR101835789B1 (ko) 유동인구 패턴 기반의 미래 부동산 가치 평가 방법 및 장치
Suárez-Vega et al. Locating a supermarket using a locally calibrated Huff model
LeSage Bayesian estimation of spatial autoregressive models
CN107465741B (zh) 信息推送方法和装置
US20120084118A1 (en) Sales predication for a new store based on on-site market survey data and high resolution geographical information
Cheng et al. Exploring quantitative methods for project location selection
US20100324972A1 (en) Real-time, demand-based dynamic pricing system and method
Ghosh et al. An approach to determining optimal locations for new services
Hou et al. An RFID-based shopping service system for retailers
Liang et al. Calibrating the dynamic Huff model for business analysis using location big data
Koschinsky et al. The welfare benefit of a home’s location: an empirical comparison of spatial and non-spatial model estimates
Schuetz Why are Walmart and target next-door neighbors?
JP7285521B2 (ja) 類似のモバイル装置を予測するためのシステムと方法
Siła-Nowicka et al. Calibrating spatial interaction models from GPS tracking data: An example of retail behaviour
Zhou et al. The location of new anchor stores within metropolitan areas
Hwang et al. Housing price dynamics in time and space: predictability, liquidity and investor returns
Deng et al. Matching indices for thinly-traded commercial real estate in Singapore
CN109891190A (zh) 基于衍生社交网络对个人进行地理定位
CN114693351A (zh) 信息预测方法、装置以及电子设备
KR20210017158A (ko) 사용자 맞춤형 부동산 정보 제공 서버 및 이를 실행하는 방법
Aliyu et al. Fog computing-assisted path planning for smart shopping
Gong et al. Geographical and temporal huff model calibration using taxi trajectory data
Ozuduru Assessment of spatial dependence using spatial autoregression models: Empirical analysis of shopping center space supply in Ohio
JP2003196369A (ja) 不動産評価システムおよびプログラム

Legal Events

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