KR102156659B1 - 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치 및 그 방법 - Google Patents

Abstract

일 실시예에 따른 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치는 부동산의 거래 정보 및 상기 부동산의 가격에 영향을 미치는 복수개의 인자에 대한 정보를 기초로 상기 부동산의 가격을 평가하고 예측하도록 학습된 부동산 가격 평가 및 예측 인공 신경망 모듈의 프로그램 코드를 저장하는 메모리 모듈 및 상기 부동산 가격 예측 인공 신경망 모듈의 상기 프로그램 코드를 수행하는 제어 모듈을 포함할 수 있다.

Description

딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치 및 그 방법{Apparatus and Method for Automatic Evaluation and Prediction of Global Real Estate Prices Using Deep Learning}

본 발명은 딥 러닝을 이용한 글로벌 부동산 가격 평가 및 예측 장치에 관한 발명으로서, 보다 상세하게는 부동산 가격에 영향을 주는 인자 및 부동산 거래 정보를 기초로 딥 러닝을 수행하여 지번화가 되어 있지 않는 대규모 지역의 부동산 가격을 정확하게 평가하는 기술에 관한 발명이다.

부동산 가격을 평가하는 방법은 실제 거래 가격을 기준으로 평가하는 방법과 국가에서 재산세를 부과하기 위해 전국 토지와 건물 등에 대해 자동 평가 모델(automated valuation model, AVM)을 적용하여 부동산 가격을 추정하는 방법 등이 존재한다.

여기서 자동 평가 모형을 적용하여 부동산 가격을 평가하는 경우 자동 평가 모형으로서 회귀 분석 모형, 인공 지능 등의 수리적 모형 등이 이용될 수 있다. 그리고 이렇게 추정된 부동산 가격은 공시지가로 활용되고 있으며, 또한 은행 등의 금융 기관에서도 담보물의 가치 산정을 위한 자동 평가 모형으로 활용되고 있다.

그러나 자동 평가 모형 또한 다양한 모형이 존재하기 때문에 이에 의해 산출되는 추정 가격 역시 다양할 수밖에 없으며, 이러한 추정 가격이 얼마나 정확한지는 판단할 지표가 없는 실정이다.

또한, 이러한 방법으로 부동산 가격을 평가하는 경우에는 대단위 면적을 기준으로 가격을 평가하기 때문에, 평가하려는 지역의 토지들이 모두 지번화가 되어 있고 각각의 토지에 대한 정보들이 존재하는 경우에 한해서만 부동산 가격을 정확하게 평가할 수 있는 문제점이 존재하였다.

즉, 부동산에 대한 지번화와 평가하려고 하는 부동산에 대한 정확한 자료가 축적되어 있는 선진국의 경우, 자동 평가 모형을 적용하여 비교적 정확하게 부동산 가격을 측정할 수 있으나, 부동산에 대한 지번화가 체계적으로 이루어져 있지 않으며 동시에 부동산에 대한 정보가 축적되어 있지 않은 일부 국가에서는 자동 평가 모형으로 부동산 가격을 정확하게 측정하기 어려운 단점이 존재하였다.

따라서, 자동 평가 모형으로 부동산에 대한 정보가 체계화되어 있지 않은 지역의 부동산 가격을 평가하는 경우에 종래 기술의 경우 단순히 과거 정보만을 활용하여 평가하는 방법에 의존할 수 밖에 없어서, 현재 부동산의 가치를 정확하게 평가하기 어려운 문제점이 존재하였다.

더구나, 부동산의 경우 가격을 평가함에 있어서 그 특성상 단순히 과거 거래 정보 뿐만 아니라 사회적, 경제적, 행정적 및 자연적 인자들을 고려하여 평가해야 하는데 종래 기술에 의한 경우 이러한 점을 고려하지 못하고 획일적으로 평가를 하는 문제 또한 존재하였다.

대한민국 공개특허문헌 10-2010-0086386, 주소 정보를 이용한 부동산 종합 분석방법, 전동양

따라서, 일 실시예에 따른 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치는 상기 설명한 문제점을 해결하기 위해 고안된 발명으로서, 부동산의 가격에 영향을 미칠 수 있는 다양한 속성들을 고려하여 지번화가 체계적으로 되어 있지 않은 지역의 부동산의 가치를 정확하게 평가할 수 있는 장치를 제공하기 위함이다.

또한, 일 실시예에 따른 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치는 부동산의 가격에 영향을 미치는 다양한 인자와 과거 부동산 거래 정보를 기초로 딥 러닝을 반복적으로 수행하여 현재 부동산의 가격을 정확하게 평가하고 더 나아가 장래 부동산의 가격까지 예측할 수 있는 장치를 제공하는데 그 목적이 있다.

이하 본 발명의 목적을 달성하기 위한 구체적 수단에 대하여 설명한다.

일 실시예에 따른 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치는 부동산의 거래 정보 및 상기 부동산의 가격에 영향을 미치는 복수개의 인자에 대한 정보를 기초로 상기 부동산의 가격을 평가하고 예측하도록 학습된 부동산 가격 평가 및 예측 인공 신경망 모듈의 프로그램 코드를 저장하는 메모리 모듈 및 상기 부동산 가격 예측 인공 신경망 모듈의 상기 프로그램 코드를 수행하는 제어 모듈을 포함하고, 상기 부동산 가격 예측 인공 신경망 모듈의 프로그램 코드는, 상기 부동산의 가격에 영향을 미칠 수 있는 인자별로 상기 부동산의 공간좌표와 연계된 공간밀도벡터를 생성하는 단계, 상기 공간밀도벡터를 기본단위의 셀로 나눈 후, 상기 공간밀도벡터에 상기 기본단위의 셀마다 인접한 다른 기본단위의 셀들과의 평균 밀도 기울기 값을 계산하는 단계, 상기 평균 밀도 기울기 값을 상기 공간밀도벡터에 대응시킨 후, 미리 설정된 기준에 따라 상기 복수 개의 공간밀도벡터에 서로 다른 가중치 값을 부여하고 상기 복수 개의 공간밀도벡터를 합성하여 최종 공간밀도벡터를 생성하는 단계, 상기 최종 공간밀도벡터의 기본단위의 셀마다 저장되어 있는 평균 기울기 값을 기초로 상기 기본단위의 셀과 동일한 크기를 가지거나 상기 기본단위의 셀을 복수 개 병합한 크기를 가지는 격자 셀을 구획하는 단계, 상기 격자 셀이 가지고 있는 고유 정보 및 상기 부동산의 거래 정보를 기초로 딥 러닝(Deep Learning)을 수행하여 상기 부동산의 가격을 추론하고 평가하는 단계를 포함하여 컴퓨터 상에서 수행되도록 구성될 수 있다.

상기 격자 셀을 구획하는 단계는, 상기 기본단위의 셀에 저장되어 있는 평균 기울기의 합이 클수록 상기 격자 셀의 크기는 비례하여 크게 구획되고, 상기 기본단위의 셀에 저장되어 있는 평균 기울기의 합이 작을수록 상기 격자 셀의 크기는 반비례하여 작게 구획되는 단계를 포함할 수 있다.

상기 딥 러닝(Deep Learning)을 수행하여 상기 부동산의 가격을 추론하고 평가하는 단계는, 상기 격자 셀이 가지고 있는 고유 정보, 다른 격자 셀과의 관계 정보 및 상기 부동산의 거래 정보를 기초로 딥 러닝을 수행하여 상기 부동산의 특정 시점의 미래 가격을 추론한 후, 상기 특정 시점에서 상기 부동산의 거래가 발생한 경우, 이를 기초로 피드백을 수행하는 단계를 포함할 수 있다.

다른 실시예에 따른 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치는 부동산의 거래 정보 및 상기 부동산의 가격에 영향을 미치는 복수개의 인자에 대한 정보를 외부 서버로부터 수신하는 통신 모듈, 상기 복수 개의 인자별로 상기 부동산의 공간좌표와 연계된 공간밀도벡터를 생성하는 공간밀도벡터 생성 모듈, 상기 공간밀도벡터를 기본단위의 셀로 나눈 후, 상기 기본단위의 셀마다 인접한 다른 기본단위의 셀들과의 평균 밀도 기울기 값을 계산하는 평균 밀도 기울기 계산 모듈, 상기 평균 밀도 기울기 값을 상기 공간밀도벡터에 대응시킨 후, 미리 설정된 기준에 따라 상기 복수 개의 공간밀도벡터에 서로 다른 가중치 값을 부여하고 상기 복수 개의 공간밀도벡터를 합성하여 최종 공간밀도벡터를 생성하는 최종 공간밀도벡터 생성 모듈, 상기 최종 공간밀도벡터의 기본단위의 셀의 평균 기울기 값을 기초로 상기 기본단위의 셀과 동일한 크기를 가지거나 상기 기본단위의 셀을 복수 개 병합한 크기를 가지는 격자 셀을 구획하는 격자 셀 구획 모듈 및 상기 격자 셀이 가지고 있는 고유 정보 및 상기 부동산의 거래 정보를 기초로 딥 러닝(Deep Learning)을 수행하여 상기 부동산의 가격을 추론하고 평가하는 인공 신경망 모듈 포함하여 컴퓨터 상에서 수행되도록 구성되도록 할 수 있다.

또 다른 실시예에 따른 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 방법은 부동산의 거래 정보 및 상기 부동산의 가격에 영향을 미치는 복수개의 인자에 대한 정보를 외부 서버로부터 수신하는 단계, 상기 복수 개의 인자별로 상기 부동산의 공간좌표와 연계된 공간밀도벡터를 생성하는 단계, 상기 공간밀도벡터를 기본단위의 셀로 나눈 후, 상기 기본단위의 셀마다 인접한 다른 기본단위의 셀들과의 평균 밀도 기울기 값을 계산하는 평균 밀도 기울기를 계산하는 단계, 상기 평균 밀도 기울기 값을 상기 공간밀도벡터에 대응시킨 후, 미리 설정된 기준에 따라 상기 복수 개의 공간밀도벡터에 서로 다른 가중치 값을 부여하고 상기 복수 개의 공간밀도벡터를 합성하여 최종 공간밀도벡터를 생성하는 단계, 상기 최종 공간밀도벡터의 기본단위의 셀의 평균 기울기 값을 기초로 상기 기본단위의 셀과 동일한 크기를 가지거나 상기 기본단위의 셀을 복수 개 병합한 크기를 가지는 격자 셀을 구획하는 격자 셀 구획 단계 및 상기 격자 셀이 가지고 있는 고유 정보 및 상기 부동산의 거래 정보를 기초로 딥 러닝(Deep Learning)을 수행하여 상기 부동산의 가격을 추론하고 평가하는 단계;를 포함할 수 있다.

일 실시예에 따른 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치는 지번화가 되어 있지 않거나 부동산 정보가 축적되어 있지 않은 지역의 부동산 가격도 부동산 가격에 영향을 미치는 다양한 인자를 고려하여 산출할 수 있기 때문에 보다 정확하고 빠르게 부동산 가격을 평가할 수 있는 효과가 존재한다.

또한, 복잡한 절차 없이 공개되어 있는 자료와 특정 알고리즘을 이용해 부동산 가격을 평가하고 예측하므로, 대단위 지역의 부동산 가격 평가도 용이하게 할 수 있으며, 과거 및 현재의 정보를 기초로 딥 러닝을 계속적으로 수행하여 부동산 가격을 평가하므로 종래 기술보다 보다 정확히 부동산 가격을 평가를 할 수 있는 장점이 존재한다.

도 1은 일 실시예에 따른 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치의 일부 구성 요소를 도시한 도면이다.
도 2는 일 실시예에 따른 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치의 학습 과정을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 다층 신경망 모델(딥러닝 또는 심층 신경망 모델)의 구조를 도시한 도면이다.
도 4는 일 실시예에 따른 인공신경망 모듈의 노드에서의 계산 과정을 도시한 도면이다.
도 5는 일 실시예에 따른 인공신경망 모듈의 Drop-out 방식을 도시한 도면이다.
도 6은 일 실시예에 따른 ReLU 활성함수를 도시한 그래프이다.
도 7은 일 실시예에 따른 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치의 작동 과정을 도시한 순서도이다.
도 8은 일 실시예에 따라, 부동산 가격 평가 대상이 되는 구역을 일정한 기준에 따라 구역화한 모습을 도시한 도면이다.
도 9는 일 실시예에 따라, 도로의 밀집도를 기준으로 공간밀도벡터를 시한 도면이다.
도 10은 일 실시예에 따라, 상업시설의 밀집도를 기준으로 공간밀도벡터를 도시한 도면이다.
도 11은 일 실시예에 따라, 주택의 밀집도를 기준으로 공간밀도벡터를 도시한 도면이다.
도 12는 일 실시예에 따라, 주변 셀과의 기울기의 합을 구하는 방법을 도시한 도면이다.
도 13은 일 실시예에 따라 생성된 최종 공간밀도벡터를 도시한 도면이다.
도 14는 일 실시예에 따라, 다양한 크기로 형성되는 격자 셀의 모습을 표시한 도면이다.
도 15는 일 실시예에 따라, 부동산 평가 대상 지역이 격자 셀로 구획이 완료되기 전의 모습과 완료된 후의 모습을 도시한 도면이다.

본 명세서에 기재된 실시 예와 도면에 도시된 구성은 개시된 발명의 바람직한 일 예이며, 본 출원의 출원 시점에 있어서 본 명세서의 실시 예와 도면을 대체할 수 있는 다양한 변형 예들이 있을 수 있다.

또한, 본 명세서에서 사용한 용어는 실시 예를 설명하기 위해 사용된 것으로, 개시된 발명을 제한 및/또는 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 명세서에서, "포함하다", "구비하다" 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 않는다.

또한, 본 명세서에서 사용한 "제 1", "제 2" 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되지는 않는다.

아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.

일반적으로 부동산의 가격은 사회적, 경제적, 행정적, 자연적 인자의 상호 조합에 의하여 영향을 받는다. 그리고 이러한 인자들은 위치적 인자와 결합하여 지역인자로 나타나며, 부동산의 가격은 지역인자와 개별토지의 특성에 따른 개별인자가 결합되어 결정된다.

그리고 이와 같은 방법으로 부동산 가격을 결정하는 경우 위치적 고정성에 따라 필연적으로 발생되는 지역인자가 가장 큰 영향을 미치는데, 이러한 지역인자가 해당 부동산의 가격에 미치는 크기나 범위는 지역별ㆍ용도별ㆍ국가별ㆍ시대별로 각각 상이한 특징을 가지고 있다. 따라서, 이러한 인해 지역인자를 일률적으로 산정할 수 없어 부동산 자동평가모형의 표준화나 국제화가 어려운 실정이다.

따라서, 부동산 가격평가모형을 보다 정확하게 구성하기 위해서는 부동산의 가치에 영향을 미치는 사회적, 경제적, 행정적, 자연적 인자들을 나타내는 다양한 인자들을 수집ㆍ정제ㆍ추출하고, 이중 공간과 연계되는 인자와 그렇지 않은 인자로 구분한 뒤, 인자가 미치는 영향의 정도를 공간과 연계된 공간밀도벡터로 구성할 필요가 있다.

그 후, 생성된 인자별 공간밀도벡터를 이용하여 지역인자가 결정되는 범위, 크기, 정도, 지속성 등을 공간좌표에 격자화하여 셀단위로 구성하면, 부동산 자동평가모형의 표준화ㆍ국제화가 가능하다.

이하 도면을 통해 이러한 본 발명의 원리가 적용되는 글로벌 부동산 가격 자동 평가 및 예측 장치(100)에 대해 자세히 알아본다. 또한, 이하에서 부동산은 토지 및 건물 등을 모두 포함한 것으로서, 부동산 가격은 토지 가격 및 건물 가격의 상위 개념으로 이해할 수 있다.

도 1은 일 실시예에 따른 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치(100)의 일부 구성 요소를 도시한 도면이다

도 1을 참조하면, 일 실시예에 따른 글로벌 부동산 가격 자동 평가 및 예측 장치(100)는 공간밀도벡터를 생성하는 자동평가모형 생성 모듈(200) 및 인공신경망 모듈(300)을 포함할 수 있으며, 구체적으로 자동평가모형 생성 모듈(200)은 인공신경망 모듈(300)로 입력되는 최종 공간밀도벡터를 생성하기 위한 공간밀도벡터 생성 모듈(210), 평균 밀도 기울기 계산 모듈(220), 가중치 결정 모듈(230), 최종 공간밀도벡터 생성 모듈(240) 및 격자 셀 구획 모듈(250)을 포함할 수 있다.

도 1에서는 설명의 편의를 위해 자동평가모형 생성 모듈(200)을 5개의 모듈로 분리하여 도시하였지만 이에 한정되는 것은 아니고 자동평가모형 생성 모듈(200)은 기능에 따라 이보다 더 작은 또는 더 큰 모듈로 나뉘어 질 수 있다.

글로벌 부동산 가격 자동 평가 및 예측 장치(100)의 인풋 정보로는 가격 평가 대상이 되는 부동산의 가격에 영향을 줄 수 있는 부동산 가격 인자 정보(10)와 현재까지의 부동산 거래 정보(20)가 포함될 수 있다.

구체적으로, 부동산 가격 인자 정보(10)는 자동평가모형 생성 모듈(200)로 입력되어 공간밀도벡터 생성 모듈(210)에 의해 인자별로 공간밀도벡터가 생성되며, 평균 밀도 기울기 계산 모듈(220)에 의해 공간밀도벡터의 기본단위 셀마다 인접한 기본단위 셀과의 평균 밀도 기울기가 계산된다. 그 후 부동산 평가 지역의 특성에 따라 가중치 결정 모듈(230)에 의해 각각의 공간밀도벡터는 서로 다른 가중치를 부여 받고, 최종 공간밀도벡터 생성 모듈(240)에 의해 하나의 최종 공간밀도벡터가 생성되며, 생성된 최종 공간밀도벡터는 격자 셀 구획 모듈(250)에 의해 복수 개의 격자 셀로 구획된 후, 인공신경망 모듈(300)에 입력된다. 이에 대한 자세한 설명은 도 7에서 구체적으로 다시 설명하도록 한다.

인공신경망 모듈(300)은 자동평가모형 생성 모듈(200)에 의해 생성된 최종 공간밀도벡터와 인풋 정보로 입력된 부동산 거래 정보(20)를 기초로 딥 러닝을 수행하여 현재 부동산 가격 평가 정보(40)와 미래 부동산 가격 예측 정보(50)를 출력할 수 있다.

구체적으로, 인공신경망 모듈(300)은 부동산 가격을 학습(training)하는 부동산 가격 학습 세션과 이를 기초로 현재 및 미래 특정 시점의 부동산 가격을 추론(inference)하는 추론 세션을 포함할 수 있다.

본 발명의 일 실시예에 따른 글로벌 부동산 가격 자동 평가 및 예측 장치(100)는 특정 웹서버, 클라우드 서버와 같은 가상 서버, 스마트폰, 태블릿 PC, 데스크탑 PC 등의 컴퓨팅 장치의 제어모듈에 의해 처리되고, 각 장치의 메모리 모듈에 저장되도록 구성될 수 있다.

인공신경망 모듈(300)의 신경망 모델(Neural Network model)은 생물학에서의 뉴런 구조로부터 착안된 지도 학습(supervised learning) 알고리즘이다.

신경망 모델의 기본적인 작동 원리는 여러 개의 뉴런들을 상호 연결하여 입력값에 대한 최적의 출력값을 예측하는 것이다. 통계적인 관점에서 보면 신경망 모델은 입력 인자의 선형 결합에 비선형 함수를 취하는 사영추적회귀로 볼 수 있다.

도 2는 본 발명의 일실시예에 따른 인공신경망 모듈(30)의 학습 방법을 설명하기 위한 도면이다.

도 2에 도시된 바와 같이, 부동산 가격 정보(100)와 부동산 거래 정보(200)를 구성하는 각 속성은 x1, x2, x3와 같은 인공신경망 모듈(300)의 입력층(input layer)의 각 노드에 입력되고, w1과 같은 weight을 기반으로 h1, h2, h3와 같은 은닉층(hidden layer)의 컴퓨팅 이후에 softmax나 ReLU와 같은 cost function을 기반으로 예측되는 현재 부동산 가격 평가 및 예측 정보(400)가 y1인 출력층(output layer)에서 출력될 수 있다.

그리고 출력된 부동산의 가격 평가 정보와 예측 정보는 실제 부동산 거래 정보(500)와 에러(error, -Sigma(yi log pi))를 줄이는 방향으로 은닉층의 weight를 업데이트 시키도록 Back propagation 될 수 있다.

예를 들어, 2010년부터 2018년까지의 부동산 거래 정보를 기초로 인공 신경망 모듈(300)이 딥 러닝을 수행하여 현재 2019년의 부동산 거래 가격을 추론하여 평가하였다면, 이러한 정보와 실제 2019년 부동산 거래 정보를 비교하여 오차를 줄이는 방향으로 피드백을 진행할 수 있다.

또한, 2015년부터 2019년까지의 부동산 거래 정보를 기초로 인공 신경망 모듈(300)이 딥 러닝을 수행하여 미래 부동산 가격인 2022년의 부동산 거래 가격을 추론하여 평가하였다면, 실제 2022년이 되었을 때 발생한 거래 정보를 기초로 과거에 예측한 결과와 비교하여 오차를 줄이는 방향으로 피드백을 진행할 수 있다.

본 발명의 일실시예에 따른 인공신경망 모듈(300)의 구체적인 구조와 관련하여, 도3은 다층 신경망 모델(딥러닝 또는 심층 신경망 모델)의 구조를 도시한 모식도이다.

도 3에 도시된 바와 같이 본 발명의 일실시예에 따른 인공신경망 모듈(300)의 다층 신경망 모델은 입력층(input layer), 은닉층(hidden layer), 출력층(output layer)으로 구성될 수 있다.

입력층은 각 입력인자에 대응되는 노드로 구성되며, 노드의 수는 입력인자의 개수와 같다. 은닉층은 입력층으로부터 전달되는 인자값들의 선형 결합을 시그모이드 함수와 같은 비선형 함수로 처리하여 출력층 또는 다른 은닉층에 전달하는 역할을 할 수 있다. 출력층은 출력 인자에 대응되는 노드로서 분류 모형에서는 클래스의 수만큼 출력 노드가 생성될 수 있다.

도 4는 본 발명의 일실시예에 따른 인공신경망 모듈(300)의 노드에서의 계산 과정을 도시한 모식도이다.

도 4에 도시된 바와 같이, 각각의 노드에서는 실제로 연산이 일어나는데, 이 연산 과정은 인간의 신경망을 구성하는 뉴런에서 일어나는 과정을 모사하도록 수학적으로 설계되어있다.

노드는 일정 크기 이상의 자극을 받으면 반응을 하는데, 그 반응의 크기는 바이어스(bias) 값을 제외하고 입력 값과 노드의 계수(또는 가중치, weights)를 곱한 값과 대략 비례한다. 일반적으로 노드는 여러 개의 입력을 받으며 입력의 개수만큼 계수를 가지고 있다. 따라서 이 계수를 조절함으로써 여러 입력에 다른 가중치를 부여할 수 있다. 최종적으로 곱한 값들은 전부 더해지고 그 합은 활성 함수(activation function)의 입력으로 들어가게 된다. 활성 함수의 결과가 노드의 출력에 해당하며 이 출력값이 궁극적으로 분류나 회귀 분석에 쓰이게 된다.

신경망 모델의 각 층은 적어도 하나의 노드로 이루어져 있으며 입력값에 따라 각 노드의 활성화/비활성화 여부가 결정된다. 입력 정보는 첫 번째 층(입력층, input layer)의 입력이 되며 그 이후엔 각 층의 출력이 다시 다음 층의 입력이 된다. 모든 계수는 학습 과정에서 계속 조금씩 변하는데, 결과적으로 각 노드가 어떤 입력을 중요하게 여기는지를 반영한다. 그리고 신경망 모델의 '학습(training)'은 이 계수를 업데이트하는 과정이다.

다층 신경망 모델, 즉 딥러닝에서 가장 문제되는 것은 과적합(overfitting) 문제이다. 과적합(Overfitting)은 주어진 정보의 양에 비해 모델의 복잡도(complexity)가 높으면 발생하게 된다. 안타깝게도 신경망(neural network)이 깊어질수록 모델의 복잡도는 exponential하게 증가하게 된는 문제가 존재하였다.

따라서, 이러한 문제점을 해결하기 위해 새로운 initialization 방법인 RBM(Restricted Boltzmann Machine)과 CNN(Convolutional Neural Network)이 제안되면서, 다시 딥러닝 연구가 활발하게 진행되고 있다.

특히, RBM은 DBN(Deep Belief Network)을 구성하는 요소로 이용되고, unsupervised RBM(restricted Boltzmann machine)을 통해 학습시킬 feedforward neural network의 각 층을 효과적으로 사전훈련(pre-training)하여 과적합(overfitting)을 방지할 수 있는 수준의 initialize point를 잡았고, 이를 다시 supervised back propagation를 사용하는 형태로 학습을 진행하며, 최근에는 Random initialization의 일환으로 Drop-out 방식이 많이 이용되고 있다.

도 5는은 본 발명의 일실시예에 따른 인공신경망 모듈(300)의 Drop-out 방식을 도시한 모식도이다.

도 5에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공신경망 모듈(300)의 Drop-out 방식은 매 학습시 은닉층에서 모든 neuron을 사용하는 것이 아니라 50% 정도의 neuron을 사용한다. 하나의 딥러닝에서 여러 개의 작은 neural network이 앙상블(ensemble)되어진 효과가 있고, 앙상블은 과적합이 크게 줄어든다고 알려져 있다. 또한, 비슷한 weight를 갖는 뉴런들이 줄어들게 되어서 중복된 판단을 하는 뉴런들이 줄어들게 되어 뉴런을 효율적으로 사용 가능한 장점이 있다.

또한, 최근에는 ReLU(Rectified Linear Unit) 라는 활성함수(activation function)로 느린 학습시간과 과적합 문제 등을 해결하고 있는데 도 6은 ReLU 활성함수를 도시한 그래프이다.

도 6에 도시된 바와 같이, 기존의 sigmoid 함수는 기울기 하강(Gradient Descent)를 여러 층으로 해나갈 때마다 error가 소멸되는 문제가 발생한다. 여러 층을 지나 극한으로 갈수록 sigmoid 함수는 Gradient(기울기)가 작아져서 weight가 업데이트되지 않는 문제가 발생하는 것이다. 그런데 활성함수로 ReLU 함수를 사용시, 기울기가 0 또는 1로 학습되는 경우에 100%로 error가 전파되어 이러한 문제가 해소될 수 있다.

ReLU 함수는 sigmoid 처럼 [0,1]로 제한되는 것이 아니고 그 범위가 무제한이기 때문에 좀 더 확실한 표현력을 가진다고 볼 수 있다. 또한, 각 노드의 출력값 중 필요 없는 값들이 많다. 이럴 때, sigmoid 함수 사용시 모든 값에 대한 계산을 해야하는데, ReLU 함수는 상당 부분의 연산량을 줄일 수 있어 컴퓨팅 속도가 개선되는 효과가 발생된다. ReLU 함수에 의해 정규화(Regularization)가 향상될 수 있다.

지금까지 인공신경망 모듈(300)이 수행하는 딥 러닝 프로세서에 대해 알아보았다. 이하 이러한 원리를 기초로 부동산 가격을 평가하고 예측하는 방법에 대해 알아본다.

도 7은 일 실시예에 따른 따른 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치(100)의 작동 과정을 도시한 순서도이며, 도 8은 일 실시예에 따라, 부동산 가격 평가 대상이 되는 구역을 일정한 기준에 따라 구획화한 모습을 도시한 도면이다.

도 7을 참조하면, 일 실시예에 따른 따른 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치(100)는 사용자로부터 가격 평가 대상이 되는 부동산 지역을 입력 받은 후, 대상 지역을 일정한 기준에 따라 공간좌표화 할 수 있다. (S10)

선택되는 부동산 지역의 범위는 특정 범위로 한정되는 것은 아니며 다양한 규모의 지역이 선택될 수 있다. 예를 들어, 캄보디아의 경우 프놈펜과 같은 도심 지역 혹은 도심에서 멀리 떨어진 깐달지역이나 깜뽕스푸 지역 등이 선택될 수 있으며, 베트남의 경우 다낭, 호치민 등과 도심 지역이 선택될 수 있다.

사용자로부터 평가 대상이 되는 부동산 지역을 입력 받으면, 자동평가모형 생성 모듈(200)은 평가 대상이 되는 지역을 기본 단위의 셀(d x d)로 구획화하여 나눈다.

일 예로 도 8에 도시된 바와 같이 부동산 평가 대상이 되는 지역의 크기가 m x n이라면, 이를 기본 단위의 셀(d x d)을 이용하여 복수 개의 셀로 구획화하여 나눌 수 있다.

여기서 기본 단위의 셀(d x d)의 크기는 평가 대상이 되는 지역의 특성에 따라 다양한 크기로 정해질 수 있다.

예를 들어, 임야 지역과 같이 하나의 지역 내부에 대부분의 지역이 동일한 특성을 가지는 지역인 경우 비교적 큰 크기의 셀(예를 들어1km x 1km)를 기본 단위의 셀을 구획할 수 있고, 도심 지역과 같이 하나의 지역 내에서 서로 다른 특징을 가지는 지역이 많은 경우에는 비교적 작은 크기의 셀(예를 들어 10m x 10m)로 기본 단위의 셀을 구획할 수 있다.

또한, 기본 단위의 셀의 모형은 정사각형의 모형(d x d)으로 한정되는 것은 아닌바, 직사각형 모형(d x d')으로 구획될 수 도 있고 사각형 모형이 아닌 다른 모형으로도 구획될 수 있다.

본 발명의 다른 실시예에 따르면, 자동평가모형 생성 모듈(200)은 입력 데이터인 평가 대상 지역의 이미지(위성 이미지 또는 지도 이미지)인 평가 대상 이미지에 스무딩 필터(smoothing filter)를 적용하여 스무딩 이미지를 생성하는 스무딩 모듈, 특정 특징(예를 들어, 도심 구역, 하천 구역, 농업 구역, 공업 구역 등)을 가지는 구역(특징 구역)에 대한 바운딩 박스(bounding box)의 후보 정보(특징 분류 정보 및 좌표 정보)를 생성하는 후보 생성 인공신경망 및 각 특징 구역의 기본 단위 셀의 크기인 기본 단위 셀 크기 정보를 출력하는 기본 단위 셀 출력 모듈을 포함할 수 있다.

상기 스무딩 모듈의 상기 스무딩 필터는 가우시안 필터(Gaussian Filter), 바이레터럴 필터(Bilateral Filter), 미디안 필터(Median Filter) 등의 스무딩 필터로 구성될 수 있으며, 상기 평가 대상 이미지에 대해 점진적인 스무딩 가중치를 적용하여 복수개의 스무딩 이미지를 생성하고 후보 생성 인공신경망의 입력 정보로 입력하도록 구성될 수 있다. 예를 들어, 스무딩 필터로 가우시안 필터(Gaussian Filter)가 구성되는 경우, 가우시안 커널의 x,y 방향의 표준편차인 sigma의 값을 점진적으로 큰 값으로 적용(예를 들어, 첫 번째 스무딩 이미지에 대해서는 sigma 를 1로, 두 번째 스무딩 이미지에 대해서는 sigma를 2로 적용하는 등)하면서 복수개의 스무딩 이미지를 생성하도록 구성되고, 점진적으로 스무딩 필터의 스무딩 가중치가 적용된 스무딩 이미지와 스무딩 필터가 적용되지 않은 평가 대상 이미지를 후보 생성 인공신경망에 입력하도록 구성될 수 있다. 이에 따르면, 스무딩 필터가 적용되지 않은 평가 대상 이미지 및 스무딩 필터가 적용된 복수개의 스무딩 이미지에 대해 각각 후보 정보가 출력되게 되므로, 하나의 평가 대상 이미지에 포함되는 크기가 각기 다른 복수개의 특징 구역을 모두 감지(detect) 할 수 있게 되는 효과가 발생된다. 예를 들어, 스무딩 필터가 적용되지 않은 평가 대상 이미지에 대해서는 가장 작은 크기를 가지는 특징 구역이 감지되고, 스무딩 필터가 적용된 스무딩 이미지에 대해서는 보다 큰 크기를 가지는 특징 구역이 감지되는 효과가 발생된다. 스무딩 이미지는 평가 대상 이미지에 비해 비교적 규모가 큰 특징만 남기고 사라지게 되기 때문이다.

또한, 본 발명의 다른 실시예에 따른 후보 생성 인공신경망은 전체 레이어가 컨볼루전 레이어(Convoulution layer) 및 풀링 레이어(Pooling layer)만으로 구성될 수 있고, 플래튼 레이어(Flatten Layer) 또는 Fully Connected Layer는 구성되지 않을 수 있다. 이에 따르면, 출력 정보인 후보 정보가 3차원으로 구성되어 차원 손실이 발생되지 않으며, 일반적인 CNN(Convolutional Neural Network)에 비해 상대적으로 빠른 속도로 복수개의 후보 정보가 출력되는 효과가 발생된다. 예를 들어, 본 발명의 다른 실시예에 따른 후보 생성 인공신경망은 12x12x3의 입력 정보(평가 대상 이미지 또는 스무딩 이미지)에 3x3의 컨볼루전 필터(Convolution Filter) 및 2x2의 맥스 풀링 필터(Max Pooling Filter)를 적용하여 5x5x10의 벡터를 출력하는 컨볼루전 레이어, 5x5x10의 벡터에 3x3의 컨볼루전 필터(Convolution Filter)를 적용하여 3x3x16의 벡터를 출력하는 컨볼루전 레이어, 3x3x16의 벡터에 3x3의 컨볼루전 필터(Convolution Filter)를 적용하여 1x1x32의 벡터를 출력하는 컨볼루전 레이어, 1x1x32의 벡터에 컨볼루전 필터를 적용하여 1x1x2의 벡터로 출력하는 복수개의 후보 정보에 대한 특징 분류 정보 및 1x1x4의 벡터로 출력하는 후보 정보의 좌표 정보를 출력 정보로 포함하도록 구성될 수 있다.

본 발명의 다른 실시예에 따른 후보 생성 인공신경망은 특징 분류 정보의 학습을 위해 교차 엔트로피 손실(Cross entropy loss)을 손실함수(cost function)로서 이용할 수 있다. 즉, 특정 학습률(learning rate)에서 각각의 후보 정보에 대해 상기 교차 엔트로피 손실이 작아지도록(최적화 되도록) 상기 후보 생성 인공신경망의 은닉층(hidden layer)의 가중치가 업데이트 되게 된다. 이때 이용될 수 있는 최적화 방법으로는 Gradient descent 방식, Momentum 방식 등이 있고, Gradient descent를 용이하게 적용하기 위해 오류 역전파 알고리즘(Back propagation algorithm)이 활용될 수 있다. 또한, 본 발명의 다른 실시예에 따른 후보 생성 인공신경망은 각 후보 정보의 좌표 정보의 학습을 위해 각각의 꼭지점과 같은 좌표 포인트에 대해 유클리드 손실(Euclidean loss)을 손실함수로서 이용할 수 있다.

또한, 본 발명의 다른 실시예에 따른 후보 생성 인공신경망은 출력된 복수개의 상기 후보 정보 중 중복된 후보 정보인 중복 후보 정보를 제거하도록 구성될 수 있다. 상기 후보 생성 인공신경망의 중복 후보 정보 제거는 아래의 순서로 진행될 수 있다.

(1) 후보 생성 인공신경망이 출력된 복수개의 상기 후보 정보를 특징 분류 정보가 높은 순(특징 분류 정보의 신뢰도(confidence)가 높은 순)으로 정렬

(2) 가장 특징 분류 정보가 높은 후보 정보와 겹치는 후보 정보 중에서, 후보 정보들의 전체 영역 대비 겹치는 영역의 비율이 특정 값 이상으로 겹치는 후보 정보는 동일한 특징을 감지(detect)한 것으로 판정하여 제거(예를 들어, 후보 정보들의 전체 영역 대비 겹치는 영역의 비율이 50% 이상인 경우 제거)

(3) 2단계에서 제거되지 않은 후보 정보 중 특징 분류 정보가 높은 후보 정보 순으로 2단계를 수행

이에 따르면, 상기 평가 대상 이미지나 상기 스무딩 이미지에 포함된 동일한 특징(예를 들어, 도심 구역, 하천 구역, 농업 구역, 공업 구역 등)에 대하여 후보 정보가 중복되어 출력되는 것을 방지할 수 있게 되는 효과가 발생된다. 이러한 효과는 기본 단위 셀 출력 모듈의 중복 계산을 방지하여 계산 부하를 저감시켜주는 연쇄 효과를 발생시키게 된다.

본 발명의 다른 실시예에 따른 기본 단위 셀 출력 모듈은 후보 생성 인공신경망에서 출력되는 후보 정보(특징 분류 정보, 좌표 정보를 포함)를 이용하여 평가 대상 지역의 각 구역별 기본 단위 셀의 크기를 출력한다. 예를 들어, 평가 대상 지역의 특정 구역에 신뢰도 A(특징 분류 정보) 및 넓이 B(좌표 정보로 계산)의 후보 정보가 위치하는 경우, 해당 구역의 기본 단위 셀의 크기는 A x B 에 비례하는 크기로 출력될 수 있다.

기본 단위의 셀로 구획화가 완료되면, 도면에는 도시하지 않았으나 기본 단위의 셀의 크기를 복수 개의 더 작은 기본단위의 셀로 나눌 수 있다. 이는 보다 정밀한 부동산 가격을 평가하기 위한 것으로서 복수 개의 기본단위의 셀은 격자 셀로 변화될 수 있다. 이와 관련된 설명은 후술하도록 한다.

가격 평가하고자 하는 부동산 지역이 선택되면 자동평가모형 생성 모듈(200)은 부동산 가격에 영향을 미치는 인자를 입력 받고, 인자별로 공간밀도벡터를 생성할 수 있다.(S20)

공간밀도벡터는 부동산 가격 평가 대상이 되는 지역의 공간좌표에 특정 인자가 얼마나 밀집하게 모여 있는지를 벡터화한 것을 의미한다. 즉, X,Y 좌표를 이용하여 부동산 가격 평가 대상이 되는 지역의 위치를 표시하고, Z 좌표를 이용하여 특정 인자의 밀집 여부를 수치화하여 표현할 수 있다. 만약 제1지역(X=100, Y=1000)의 A 인자의 밀집도가 제2지역(X=10, Y=100)의 A 인자의 밀집도가 높다면 공간밀도벡터에서 제1지역의 Z축 값은 제2지역의 Z축 보다 높게 표현될 것이다.

또한, 도면에서는 인자를 수동적으로 입력 받는 것으로 설명하였지만, 이에 한정되는 것은 아니고 자동평가모형 생성 모듈(200)은 사용자로부터 가격 평가 대상 지역을 선택 받으면, 자동적으로 선택 받은 지역의 가격에 영향을 미칠 수 있는 인자들을 검색하고, 이에 대한 정보들을 수신할 수도 있다.

부동산 가격은 그 특성상 가격에 영향을 미치는 인자는 매우 다양한데, 이러한 인자들은 크게 국가 등에서 제공하는 공공정보, 구글과 네어버와 같은 포털 사이트에에서 제공하는 관심 정보(POI, Point of Interest) 그리고 개별적인 차원에서 구축되는 도메인 정보 등으로 구분될 수 있다. 만약, 국가 등에서 제공하는 공공정보가 없거나 활용하기 곤란한 경우, 포털 사이트 등에서 제공하는 POI정보를 통해 공간정보를 구축할 수 있다. 즉 POI정보를 활용하여 공간 정보 정보를 구축하는데, POI정보를 통해 상업시설, 업무시설, 공공기관, 주택 및 마을, 시장, 도로, 홍수 및 침수, 산지 등의 정보를 수집할 수 있고 이는 부동산 가격에 영향을 미치는 인자에 해당한다.

예를 들어 인자가 상업시설인 경우 음식점, 백화점, 상점, 시장 등 판매/소비와 관련된 정보가 상업시설 인자의 정보에 포함될 수 있으며, 상업시설의 용도, 면적, 지속기간, 증가/감소 여부 등에 대한 정보는 공간좌표와 연계되어 공간밀도벡터로 표현될 수 있다.

인자가 업무시설인 경우 사무실, 사업체, 공장 등 업무/생산과 관련된 정보가 업무시설 인자의 정보에 포함될 수 있으며, 업무시설의 용도, 면적, 지속기간, 증가/감소 여부, 주거지와의 연계성 부분 등에 대한 정보는 공간좌표와 연계되어 공간밀도벡터로 표현될 수 있다.

인자가 공공기관의 경우, 공공기관, 지방청사, 보건소 등 공공서비스 제공과 관련된 정보가 공공기관 인자의 정보에 포함될 수 있으며, 공공기관의 면적, 지속기간, 증가/감소 여부, 주거지와의 연계성 부분 등에 대한 정보는 공간좌표와 연계되어 공간밀도벡터로 표현될 수 있다.

인자가 주택 및 마을인 경우 단독주택, 공동주택 등 주거서비스 제공과 관련된 정보가 주택 및 마을 인자의 정보에 포함될 수 있으며, 주택 및 마을의 면적, 지속기간, 증가/감소 여부, 주택수 등에 대한 정보는 공간좌표와 연계되어 공간밀도벡터로 표현될 수 있다.

인자가 도로인 경우 고속도로, 국도, 지방도, 기타 도로 등과 관련된 정보가 도로 인자의 정보에 포함될 수 있으며, 도로의 길이, 너비, 연속성 등은 공간좌표와 연계되어 공간밀도벡터로 표현될 수 있다. .

인자가 위해시설인 경우, 공동무덤, 폐기물처리시설, 발전소, 변전소, 교도소 등 지역적 쾌적성을 감소시키는 시설이 위해시설 인자의 정보에 포함될 수 있으며, 위해시설의 길이나 면적 등에 대한 정보는 공간좌표와 연계되어 공간밀도벡터로 표현될 수 있다.

인자가 산지인 경우 고도가 높은 지역에 대해 경사도, 높이 등에 대한 정보가 산지 인자의 정보에 포함될 수 있으며, 이러한 정보들은 공간좌표와 연계되어 공간밀도 함수로 표현될 수 있다.

홍수 및 침수 인자의 경우, 홍수 또는 침수가 발생되는 빈도, 주기, 크기, 지속성 등이 홍수 및 침수 인자의 정보에 포함될 수 있으며, 이러한 정보들은 공간좌표와 연계되어 공간밀도 함수로 표현될 수 있다.

위해시설 정보와 홍수 및 침수 정보의 경우 일반적으로 부동산 가격을 하락시키는 부정적인 인자에 해당한다. 따라서, 이러한 인자들의 밀집도가 높은 경우에는 그렇지 않은 지역보다 부동산의 가격을 하락시키는 원인이 된다.

지금까지 설명한 이러한 공공정보와 별개로 개별적 차원에서 부동산 가격에 영향을 미치는 인자들에 대한 정보가 수집될 수 있는데, 이러한 정보들은 추가인자로서 활용될 수 있다. 이러한 인자는 국가, 지역, 시간, 업종 등에 따라 상이하게 환경에 맞추어 적용될 수 있으며, 앞서 설명한 인자들이 부동산 가격에 영향을 미치는 자들로 한정되는 것은 아니고, 부동산 가격에 영향을 미칠 수 있는 인자이면 이러한 인자에 포함될 수 있다.

위와 같은 공공정보를 확보할 수 없는 경우, 본 발명의 다른 실시예에 따라 평가 대상 이미지(평가 대상 지역의 지도 이미지 또는 위성 이미지)를 입력데이터로 하고 각각의 인자(예를 들어, 상업시설, 업무시설, 공공기관, 주택 및 마을, 시장, 도로, 홍수 및 침수, 산지, 교육시설 등)에 대한 공간밀도벡터를 출력데이터로 하는 공간밀도벡터 인공신경망이 구성될 수 있다. 본 발명의 다른 실시예에 따른 공간밀도벡터 인공신경망은 평가 대상 이미지에서 밀도벡터 생성의 대상이 되는 기본 단위 셀의 주변을 구성하는 특정 크기의 이미지인 입력 이미지를 입력받는 입력 레이어(Input Layer), 컨볼루전 필터(Convolution Filter)를 포함한 컨볼루전 레이어(Convolution Layer), 벡터 크기를 축소하는 풀링 레이어(Pooling Layer), 벡터를 1차원으로 축소하는 FC 레이어(Fully Connected Layer), 특정 인자에 대한 밀도를 출력하는 출력 레이어(Output Layer)를 포함한다. 상기 입력 이미지는 상기 평가 대상 이미지의 일측에서부터 슬라이딩 하듯이 입력될 수 있다.

도 9내지 도 11은 일 실시예에 따라 인자들을 기준으로 생성된 공간밀도벡터를 표시한 도면으로서, 도 9는 도로의 밀집도를 기준으로, 도10은 상업시설의 밀집도를 기준으로, 도11은 주택의 밀집도를 기준으로 각각 생성한 공간밀도벡터를 도시한 도면이다.

도 9를 참고하면, 도 9의 (a)는 도 8의 지역을 기준으로 도로의 밀집여부에 대한 정도를 색상으로 표시한 그래프이다. 파란색으로 표시된 부분은 상대적으로 도로의 밀집도가 작은 부분이며, 초록색이나 노색으로 표현된 부분은 상대적으로 도로의 밀집도가 큰 부분이다.

따라서, 이러한 특성을 공간좌표와 연계하여 공간밀도벡터를 구성하면 도 9의 (b) 처럼 표현될 수 있다. 따라서, 밀집도가 큰 지역의 경우 상대적으로 Z좌표가 크게 표현되며, 밀집도가 작은 지역의 경우 상대적으로 Z좌표가 작게 표현될 수 있다.

이와 같은 원리로 도 10은 도 9에서와 같은 지역에 대해 상업시설의 밀집도를 기준으로 생성한 공간밀도벡터를 도시한 도면이고, 도 11은 주택의 밀집도를 기준으로 생성한 공간밀도벡터를 도시한 도면이다.

다시 도 7로 돌아와서, 인자별로 공간밀도벡터가 생성되면, 자동평가생성 모듈(200)은 공간밀도벡터를 기본단위의 셀로 구획한 후, 인접한 기본단위 셀들과의 평균 기울기를 계산한다. (S30)

도 12를 기준으로 예를 들어 설명하면, 도 12의 그림은 기본단위의 셀이 9개 모여 있는 지역을 표시한 도면이고, 기본단위 셀들과의 평균 기울기 Y(Cell)은 아래 식(1)과 같이 계산될 수 있다.

위 수학식 1에서는 ABS는 기울기를 의미하며 N은 인접한 셀의 개수를 의미한다. 도 12에서 제1셀(1)를 기준으로 설명하면 제1셀과 인접한 셀은 총 8개 이므로 N=8이 된다. 즉, 제1셀과 제2셀 내지 제9셀까지의 각각의 기울기를 합한 후, 8로 나눈 값이 평균 기울기 값이 될 수 있다.

S 30과정에 의해 각각의 공간밀도벡터에 대해 평균 기울기 값이 계산되면 자동평가모형 생성 모듈(200)은 도13에 도시된 바와 같이 각각의 공간밀도벡터를 합쳐 최종 공간밀도벡터를 생성할 수 있다. (S40)

최종 공간밀도벡터는 가격 평가 대상이 되는 부동산의 모든 인자를 고려하여 합산한 벡터를 의미한다. 그러나, 선형적으로 인자별 공간밀도벡터를 더하여 최종 공간밀도벡터를 생성하는 것은 부동산의 특성을 제대로 반영하지 못할 수 있다. 즉, 어느 지역은 상업시설을 중요하게 봐야 할 수도 있고, 어느 지역은 도로를 중요하게 봐야 할 수도 있기 때문이다.

따라서, 최종 공간밀도벡터를 생성하는 경우 이러한 특성을 고려하여 인자별 가중치를 고려하여 최종 공간밀도벡터를 생성한다. 즉, 도 13 식에서 p(cell)은 각 인자별 공간밀도벡터의 가중치를 의미한다. 이를 도 9내지 도 11을 예시로 들어 설명한다.

최종 공간밀도벡터를 생성함에 있어서, 도 9에서의 도로, 도 10에서의 상업시설, 도13에서의 주택 순으로 가중치를 높게 부여하여 생성한다면. 도로- 공간밀도벡터, 상업시설-공간밀도벡터, 주택-공간밀도벡터 순으로 갈수록 높은 수치의 가중치를 부여할 수 있다.

예를 들어, 도로-공간밀도벡터에는 가중치로0.2를 곱하였다면, 상업-공간밀도벡터에는 가중치로 0.5를 곱하고 주택-공간밀도벡터에는 가중치로 1을 곱하여 최종 공간밀도벡터를 생성할 수 있다.

S 40에 따라 최종 공간밀도벡터가 생성이 되면, 자동평가모형 생성 모듈(200)은 최종 공간밀도벡터를 기준으로 격자 셀을 구획한다.(S50)

격자 셀은 앞서 대규모 지역의 부동산 가격 평가를 용이하게 하기 위해 비슷한 성격을 가진 기본단위의 셀들을 그룹화하여 하나의 셀로 만든 것을 의미한다.

구체적으로, 자동평가모형 생성 모듈(200)은 미리 설정된 기준에 따라 최종 공간밀도벡터를 동일하거나 서로 다른 크기를 가지는 복수 개의 격자 셀 구획할 수 있는데, 미리 설정된 기준은 인접한 기본단위의 셀들과의 기울기, 연속성, 균질성 등이 이에 포함할 수 있다. 이하 설명의 편의를 위해 기울기를 기준으로 설명하도록 한다.

본 발명의 경우 대규모 지역의 부동산을 보다 정확하고 빠르게 평가하기 위한 발명이다. 따라서, 기본단위의 셀들 사이의 속성이 동일하다면 동일한 특징을 가지고 있는 부동산으로 판단하여 보다 넓은 범위로 그룹화를 할 수 있다. 그리고 그룹화가 된 경우 그룹화 내에서의 부동산 가격은 동일하다고 판단할 수 있으므로 보다 빠르게 전체 부동산의 가격을 평가할 수 있다.

예를 들어, 임야 지역과 같이 그 지역 내에서 지역별로 부동산의 특징이 변화가 없는 지역의 경우, 지역별로 부동산 가격의 편차가 작을 것이다. 따라서, 이러한 경우에는 격자 셀로 구획되는 셀의 크기는 비교적 크게 구획을 하여 부동산 가격을 평가할 수 있다.

그러나 반대로 지역별로 도심 지역과 같이 그 지역 내에서 부동산의 가격의 편차가 큰 경우에는 보다 세밀하게 부동산 가격을 평가해야 하므로 앞서 설명한 경우보다 격자 셀로 구획되는 셀의 크기는 작게 구획해야 한다. 따라서, 이러한 경우에 상황에 따라 기본단위의 셀이 그대로 격자 셀로 구획될 수 도 있다.

셀들 사이의 속성이 동일한지 여부는 최종 공간밀도벡터의 기울기를 기준으로 판단할 수 있다. 만약, 특정 기본단위의 셀을 기준으로 인접한 다른 기본단위의 셀들과의 기울기의 차이가 크다면 셀의 속성이 급격하게 변하고 있는 것으로 볼 수 있다. 따라서, 이러한 경우 지역별 부동산 가격의 차이가 발생하므로 격자 셀의 크기는 정밀도를 향상시키기 위해 작게 구획될 수 있다. 즉, 도 14의 (a)에 도시한 바와 같이 기본단위의 셀 9개 모두가 각각 격자 셀로 표현될 수 있다.

반대로, 인접한 기본단위의 셀들과의 기울기의 차이가 크지 않다면 셀의 속성이 비슷하게 유지되고 있는 것으로 볼 수 있는바 이러한 경우 지역별 부동산 가격의 차이가 크게 발생하지 않는 지역으로 판단할 수 있다. 따라서, 이러한 경우에는 격자 셀의 크기는 비교적 크게 구획될 수 있는바 도 14의 (b)에 도시된 바와 같이 4개의 셀이 하나의 격자 셀(A)이 될 수 있다. 그리고 인접 셀과의 기울기에 따라 격자 셀의 모형은 (B), (C), (D) 처럼 다양한 모형으로 표현될 수 있다.

셀 격자 구획이 완료되면 부동산 평가 대상이 되는 지역은 도 15의 (b)에서와 같이 표현될 수 있다 도 15의 (a)는 격자 셀을 구획하기 전의 모습이고 도 15의 (b)는 격자 셀 구획이 완료된 최종 화면이다.

도 15의 (b)를 참조하면, 격자 셀의 크기들이(a,b,c) 지역별로 상이함을 알 수 있다. (격자 셀의 크기는 a가 가장 크고, b가 그 다음, c가 가장 작은 크기를 가지고 있다.) 즉, 녹지 지역이 많은 경우에는 지역별 부동산 가격의 차이가 크지 않으므로 격자셀의 크기는 a로 크지만, 도심 지역으로 갈수록 부동산 가격에 영향을 미치는 인자들이 많으므로 지역별 가격 차이가 크게 발생한다. 따라서, 도시 중심부로 갈수록 격자 셀의 크기는 점점 작아짐을 볼 수 있다. (b->c)

다시 도 7로 돌아와 설명하면, S50에 따라 격자 셀로 구획이 완료되면 자동평가모형 생성 모듈(200)은 이러한 정보를 포함하고 있는 최종 공간밀도벡터를 인공신경망 모듈(300)의 인풋 정보로 송신한다. 이 경우 앞서 설명한 바와 같이 부동산 평가 대상이 되는 지역의 부동산 거래 정보(20)도 같이 인공신경망 모듈(300)로 송신된다.

그 후, 인공신경망 모듈(300)은 격자 셀 정보와 부동산 거래 정보(20)를 기초로 딥 러닝을 수행하여 부동산 가격을 평가하고 예측할 수 있으며, 더 나아가 특정 미래 시점에 대한 부동산 가격을 예측한 경우, 그 후에 특정 미래 시점에 부동산 거래가 있었다면 이러한 정보를 기초로 피드백을 수행할 수도 있다.(S60, S70)

또한, 인공신경망 모듈(300)은 딥러닝을 수행함에 있어서, 상업용, 업무용, 공공시설 등의 밀집도, 노후도, 지속성 등과 같이 격자 셀이 가지는 고유의 속성값과 더불어 다른 격자 셀과의 관계 정보 예를 들어, 상업용 시설의 밀집도가 높은 셀과의 거리, 업무용시설의 밀집도가 높은 셀과의 거리 등에 정보를 자동평가모형 생성 모듈(200)로부터 수신하고 이를 기초로 딥러닝을 수행할 수도 있다. 딥 러닝을 수행하는 방법은 앞서 자세히 설명하였으므로 생략한다.

구체적으로, 특정 격자 셀의 현재 부동산 가격 평가를 수행하는 인공신경망 모듈(300)은 해당 특정 격자 셀에 대한 격자 셀 정보(격자 셀의 최종 공간밀도벡터, 격자 셀의 크기), 인접한 격자 셀에 대한 인접 셀 정보(인접 격자 셀의 최종 공간밀도벡터, 인접 격자 셀의 크기) 및 부동산 거래 정보(20, 해당 특정 격자 셀에 대한 과거 특정 시점의 부동산 가격)를 입력데이터로 하고, 부동산 가격 상승률 예측값 및 현재 시점의 부동산 가격인 현재 부동산 가격 평가 정보(40)를 출력 데이터로 하는 인공신경망을 의미할 수 있다.

이때, 미래 부동산 가격 예측 정보(50)는 부동산 거래 정보(20) 또는 현재 부동산 가격 평가 정보(40)에 부동산 가격 상승률 예측값을 적용하여 출력하도록 구성될 수 있다.

또한, 여기서 인공신경망 모듈(300) 인풋 정보로 입력되는 부동산 거래 정보(20)는 단순히 특정 시점에 발생한 가격 정보 뿐만 아니라 부동산의 고유 정보 등을 포함할 수 있다. 예를 들어 부동산 등기부의 존재 여부와 종류, 도로 조건, 부동산의 형상, 부동산의 면적 및 해당 부동산의 법적 규제 사항 등을 포함할 수 있다.

일반적으로 부동산 가격을 평가하는 경우 부동산 가격에 영향을 미치는 사회적, 경제적, 행정적 및 자연적 인자들을 고려하여 평가해야 하는데 종래 기술에 의한 경우 이러한 점을 고려하지 못하고 획일적으로 평가를 하는 문제점이 존재하였다.

그러나, 일 실시예에 따른 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치(100)는 지번화가 되어 있지 않거나 부동산 정보가 축적되어 있지 않은 지역의 부동산 가격도 부동산 가격에 영향을 미치는 다양한 인자를 고려하여 산출할 수 있기 때문에 보다 정확하고 빠르게 부동산 가격을 평가할 수 있는 효과가 존재한다. 또한, 복잡한 절차 없이 공개되어 있는 자료와 특정 알고리즘을 이용해 부동산 가격을 평가하고 예측하므로, 대단위 지역의 부동산 가격 평가도 용이하게 할 수 있다.

지금까지 실시 예들이 비록 한정된 실시 예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성 요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 실시 예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

10: 부동산 각격 인자 정보
20: 부동산 거래 정보
30: 공간밀도벡터 정보
40: 현재 부동산 가격 평가 정보
50: 미래 부동산 가격 예측 정보
200: 자동평가모형 생성 모듈
210: 공간밀도벡터 생성 모듈
220: 평균 밀도 기울기 계산기 모듈
230: 가중치 결정 모듈
240: 최종 공간밀도 벡터 생성 모듈
250: 격자 셀 구획 모듈
300: 인공신경망 모듈

Claims (5)

1. 부동산의 거래 정보 및 상기 부동산의 가격에 영향을 미치는 복수개의 인자에 대한 정보를 기초로 상기 부동산의 가격을 평가하고 예측하도록 학습된 부동산 가격 평가 및 예측 인공 신경망 모듈의 프로그램 코드를 저장하는 메모리 모듈; 및
   상기 부동산 가격 예측 인공 신경망 모듈의 상기 프로그램 코드를 수행하는 제어 모듈;을 포함하고,
   상기 부동산 가격 예측 인공 신경망 모듈의 프로그램 코드는,
   상기 부동산의 가격에 영향을 미칠 수 있는 인자별로 상기 부동산의 공간좌표와 연계된 공간밀도벡터를 생성하는 단계;
   상기 공간밀도벡터를 기본단위의 셀로 나눈 후, 상기 공간밀도벡터에 상기 기본단위의 셀마다 인접한 다른 기본단위의 셀들과의 평균 밀도 기울기 값을 계산하는 단계;
   상기 평균 밀도 기울기 값을 상기 공간밀도벡터에 대응시킨 후, 미리 설정된 기준에 따라 상기 복수 개의 공간밀도벡터에 서로 다른 가중치 값을 부여하고 상기 복수 개의 공간밀도벡터를 합성하여 최종 공간밀도벡터를 생성하는 단계;
   상기 최종 공간밀도벡터의 기본단위의 셀마다 저장되어 있는 평균 기울기 값을 기초로 상기 기본단위의 셀과 동일한 크기를 가지거나 상기 기본단위의 셀을 복수 개 병합한 크기를 가지는 격자 셀을 구획하는 단계; 및
   상기 격자 셀이 가지고 있는 고유 정보 및 상기 부동산의 거래 정보를 기초로 딥 러닝(Deep Learning)을 수행하여 상기 부동산의 가격을 추론하고 평가하는 단계;를 수행하는 컴퓨터 판독 가능한 프로그램 코드를 포함하며,
   상기 격자 셀을 구획하는 단계는,
   상기 기본단위의 셀에 저장되어 있는 평균 기울기의 합이 클수록 상기 격자 셀의 크기는 비례하여 크게 구획되고, 상기 기본단위의 셀에 저장되어 있는 평균 기울기의 합이 작을수록 상기 격자 셀의 크기는 반비례하여 작게 구획되는 단계를 포함하는 것을 특징으로 하는,
   딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치.
2. 삭제
3. 제1항에 있어서,
   상기 딥 러닝(Deep Learning)을 수행하여 상기 부동산의 가격을 추론하고 평가하는 단계는,
   상기 격자 셀이 가지고 있는 고유 정보, 다른 격자 셀과의 관계 정보 및 상기 부동산의 거래 정보를 기초로 딥 러닝을 수행하여 상기 부동산의 특정 시점의 미래 가격을 추론한 후, 상기 특정 시점에서 상기 부동산의 거래가 발생한 경우, 이를 기초로 피드백을 수행하는 단계를 포함하는 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치.
4. 부동산의 거래 정보 및 상기 부동산의 가격에 영향을 미치는 복수개의 인자에 대한 정보를 외부 서버로부터 수신하는 통신 모듈;
   상기 복수 개의 인자별로 상기 부동산의 공간좌표와 연계된 공간밀도벡터를 생성하는 공간밀도벡터 생성 모듈;
   상기 공간밀도벡터를 기본단위의 셀로 나눈 후, 상기 기본단위의 셀마다 인접한 다른 기본단위의 셀들과의 평균 밀도 기울기 값을 계산하는 평균 밀도 기울기 계산 모듈;
   상기 평균 밀도 기울기 값을 상기 공간밀도벡터에 대응시킨 후, 미리 설정된 기준에 따라 상기 복수 개의 공간밀도벡터에 서로 다른 가중치 값을 부여하고 상기 복수 개의 공간밀도벡터를 합성하여 최종 공간밀도벡터를 생성하는 최종 공간밀도벡터 생성 모듈;
   상기 최종 공간밀도벡터의 기본단위의 셀의 평균 기울기 값을 기초로 상기 기본단위의 셀과 동일한 크기를 가지거나 상기 기본단위의 셀을 복수 개 병합한 크기를 가지는 격자 셀을 구획하는 격자 셀 구획 모듈; 및
   상기 격자 셀이 가지고 있는 고유 정보 및 상기 부동산의 거래 정보를 기초로 딥 러닝(Deep Learning)을 수행하여 상기 부동산의 가격을 추론하고 평가하는 인공 신경망 모듈;
   을 포함하여 컴퓨터 상에서 수행되도록 구성되며,
   상기 셀 구획 모듈은,
   상기 기본단위의 셀에 저장되어 있는 평균 기울기의 합이 클수록 상기 격자 셀의 크기는 비례하여 크게 구획하고, 상기 기본단위의 셀에 저장되어 있는 평균 기울기의 합이 작을수록 상기 격자 셀의 크기는 반비례하여 작게 구획하는 것을 특징으로 하는,
   딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치.
5. 메모리 모듈에 저장되어 있는 인공 신경망 모듈의 프로그램 코드를 수행하는 제어 모듈을 이용하여 부동산의 가격을 평가하고 예측하는 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 방법에 있어서,
   부동산의 거래 정보 및 상기 부동산의 가격에 영향을 미치는 복수개의 인자에 대한 정보를 외부 서버로부터 수신하는 단계;
   상기 복수 개의 인자별로 상기 부동산의 공간좌표와 연계된 공간밀도벡터를 생성하는 단계;
   상기 공간밀도벡터를 기본단위의 셀로 나눈 후, 상기 기본단위의 셀마다 인접한 다른 기본단위의 셀들과의 평균 밀도 기울기 값을 계산하는 평균 밀도 기울기를 계산하는 단계;
   상기 평균 밀도 기울기 값을 상기 공간밀도벡터에 대응시킨 후, 미리 설정된 기준에 따라 상기 복수 개의 공간밀도벡터에 서로 다른 가중치 값을 부여하고 상기 복수 개의 공간밀도벡터를 합성하여 하나의 최종 공간밀도벡터를 생성하는 단계;
   상기 최종 공간밀도벡터의 기본단위의 셀의 평균 기울기 값을 기초로 상기 기본단위의 셀과 동일한 크기를 가지거나 상기 기본단위의 셀을 복수 개 병합한 크기를 가지는 격자 셀을 구획하는 격자 셀 구획 단계; 및
   상기 격자 셀이 가지고 있는 고유 정보 및 상기 부동산의 거래 정보를 기초로 딥 러닝(Deep Learning)을 수행하여 상기 부동산의 가격을 추론하고 평가하는 단계;를 포함하고
   상기 격자 셀을 구획하는 단계는,
   상기 기본단위의 셀에 저장되어 있는 평균 기울기의 합이 클수록 상기 격자 셀의 크기는 비례하여 크게 구획되고, 상기 기본단위의 셀에 저장되어 있는 평균 기울기의 합이 작을수록 상기 격자 셀의 크기는 반비례하여 작게 구획되는 단계를 포함하는 것을 특징으로 하는,
   딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 방법.

Images