KR102303029B1 - 인공지능 학습 기반의 부동산자산 시세평가 방법 - Google Patents

Abstract

신경망 기반의 부동산 시세 예측 방법은 부동산 시세가 매칭된 지도 이미지를 수신하는 단계, 수신된 지도 이미지를 기초로 신경망을 학습시키는 단계, 사용자의 관심 부동산 주소를 수신 받는 단계, 주소를 중심으로 관심 지도 이미지를 생성하는 단계, 생성된 관심 지도 이미지를 신경망에 입력하여 관심 부동산의 예상 시세를 산출하는 단계를 포함할 수 있다.

Description

인공지능 학습 기반의 부동산자산 시세평가 방법{Real estate market price prediction method based on neural network training}

본 발명은 신경망(neural network)을 이용하여 부동산 시세를 예측하는 방법에 관한 것이다.

부동산은 일반적인 상품과 달리 유동성에 비해 실제 가격의 변동성이 크며, 매매되는 가격이 상대적으로 고가이므로 상품의 시세나 상태를 상세히 확인하기 위해서는 현장까지 직접 찾아가야 할 필요가 있다.

최근에는 부동산정보화 사업을 통해 인터넷으로 부동산의 기준 시세와 부동산 거래 가격을 공시하고, 이를 통해 사용자들이 확인할 수 있도록 하고 있으며, 은행과 같은 금융권에서는 이들의 시세를 기초로 대출금액을 산정하고 있다.

하지만, 부동산 중 아파트의 경우는 KB국민은행에서 제공하는 KB시세라는 기준이 성립되어 있으나 아파트를 제외한 빌딩, 상가, 토지, 공장, 단독주택 등의 부동산에 대해서는 기준 시세가 없어 감정이나 주변의 거래 금액을 기초로 부동산 시세를 금융권에서 추정하여 이용하고 있다.

추정을 위해 감정평가사들은 평가대상 부동산의 주변에 위치하고, 평가대상 부동산과 유사한 속성을 갖는 실 거래 부동산을 거래사례로 선정하고, 거래사례의 금액을 평가대상 부동산의 시세 추정에 참조하는 거래사례 비교법(sales comparison approach)을 사용하여 평가대상 부동산의 시세를 예측한다.

즉, 평가대상 부동산과 유사한 부동산 일부를 통해 시세를 추정함에 따른 오차가 존재하며, 감정평가사들이 수많은 빌딩, 상가, 토지, 공장, 단독주택을 방문하고, 시세를 측정한다는 것에 많은 비용과 시간이 소요되는 단점이 있다.

따라서, 아파트 이외의 부동산의 기준 시세를 빅데이터를 활용하여 보다 쉽고 정확하게 예측하는 방법이 요구되고 있다.

본 발명은 신경망을 이용하여 부동산의 시세를 예측하는 방법을 제공하는 것을 목적으로 한다.

본 발명은 신경망을 이용하여 부동산의 시세에 영향을 미치는 다양한 요소들을 스스로 학습하고 이를 통해 가치를 예측하는 방법을 제공하는 것을 목적으로 한다.

상술한 목적을 달성하기 위한 본 발명의 일 실시 예에 따른 신경망 기반의 부동산 시세 예측 방법은 부동산 시세가 매칭된 지도 이미지를 수신하는 단계, 상기 수신된 지도 이미지를 기초로 신경망을 학습시키는 단계, 사용자의 관심 부동산 주소를 수신 받는 단계, 상기 주소를 중심으로 관심 지도 이미지를 생성하는 단계, 상기 생성된 관심 지도 이미지를 상기 신경망에 입력하여 상기 관심 부동산의 예상 시세를 산출하는 단계를 포함할 수 있다.

또한, 상기 신경망을 학습시키는 단계는 상기 수신된 지도 이미지 중 제1 축척의 지도 이미지를 기초로 제1 신경망을 학습시키는 단계 및 상기 수신된 지도 이미지 중 제2 축척의 지도 이미지를 기초로 제2 신경망을 학습시키는 단계를 더 포함하고, 상기 제2 축척은 상기 제1 축척보다 축척이 클 수 있다.

또한, 상기 제1 신경망을 학습시키는 단계는 부동산 시세가 레이블링된 상기 제1 축척의 지도 이미지를 학습데이터로 이용하여 학군 정보, 조망 정보 및 도로 정보를 시각화한 기준 정보로 현재 시점의 부동산 예상 시세를 출력하도록 상기 제1 신경망을 학습시킬 수 있다.

또한, 상기 제2 신경망을 학습시키는 단계는 부동산 시세가 레이블링된 상기 제2 축척의 지도 이미지를 학습데이터로 이용하여 교육 정보, 편의 시설 정보 및 대중 교통 정보를 시각화한 기준 정보로 현재 시점의 부동산 예상 시세를 출력하도록 상기 제2 신경망을 학습시킬 수 있다.

또한, 상기 관심 지도 이미지를 생성하는 단계는 상기 주소를 중심으로 상기 제1 축척의 관심 지도 이미지 및 상기 제2 축척의 관심 지도 이미지를 각각 생성하고, 상기 부동산의 예상 시세를 출력하는 단계는 상기 제1 축척의 관심 지도 이미지를 상기 제1 신경망에 입력하여 상기 관심 부동산의 제1 예상 시세를 산출하고, 상기 제2 축척의 관심 지도 이미지를 상기 제2 신경망에 입력하여 상기 관심 부동산의 제2 예상 시세를 산출할 수 있다.

또한, 상기 관심 부동산의 예상 시세를 제공하는 단계를 더 포함하고, 상기 예상 시세를 제공하는 단계는 상기 제1 예상 시세 및 제2 예상 시세를 기초로 상기 관심 부동산의 현재 예상 시세를 제공할 수 있다.

또한, 상기 신경망을 학습시키는 단계는 상기 수신된 지도 이미지 중 기간별 지도 이미지를 기초로 제3 신경망을 학습시키는 단계를 더 포함할 수 있고, 상기 제3 신경망을 학습시키는 단계는 부동산의 미래 시점의 예상 시세를 출력하도록 상기 제3 신경망을 학습시킬 수 있다.

또한, 상기 부동산의 예상 시세를 출력하는 단계는 상기 관심 지도 이미지를 상기 제3 신경망에 입력하여 상기 관심 부동산의 제3 예상 시세를 산출하고, 상기 관심 부동산의 예상 시세를 제공하는 단계는 상기 제3 예상 시세를 기초로 상기 관심 부동산의 미래 시점의 예상 시세를 제공할 수 있다.

또한, 상술한 목적을 달성하기 위한 본 발명의 일 실시 예에 따른 컴퓨터가 판독 가능한 기록 매체에 저장된 프로그램은 상술한 신경망 기반의 부동산 시세 예측 방법을 실행하기 위한 프로그램 코드가 기록될 수 있다.

본 발명에 따르면, 신경망을 통해 아파트뿐만 아니라 빌딩, 상가, 토지, 공장, 단독주택 등의 다양한 부동산들의 소정의 기준 시세를 제공할 수 있는 효과가 있다.

또한, 본 발명은 지도 이미지를 기초로 학습된 신경망을 통해 부동산 시세를 산출함으로써, 보다 다양한 사례 기반의 정확한 부동산 시세를 제공할 수 있는 효과가 있다.

또한, 본 발명은 여러 축척의 지도 이미지로 학습된 신경망을 통해 부동산 시세를 산출함으로써, 거시적 요인과 미시적 요인을 구분하여 보다 정확한 부동산 시세를 제공할 수 있는 효과가 있다.

도 1은 본 발명의 일 실시예에 따른 신경망 기반의 부동산 시세 예측 시스템을 나타낸 예시도이다.
도 2는 본 발명의 일 실시예에 따른 부동산 시세 예측 방법을 나타낸 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 지도 이미지를 나타낸 예시도이다.
도 4는 본 발명의 일 실시예에 따른 부동산 시세 예측 방법을 나타낸 흐름도이다.
도 5 및 도 6은 본 발명의 일 실시예에 따른 신경망의 학습데이터를 나타낸 예시도이다.
도 7은 본 발명의 일 실시예에 따른 제1 신경망 및 제2 신경망을 나타낸 예시도이다.
도 8은 본 발명의 일 실시예에 따른 제3 신경망을 나타낸 예시도이다.
도 9는 본 발명의 일 실시예에 따른 부동산 시세 예측 서버의 구성을 나타낸 블록도이다.

이하의 내용은 단지 본 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 본 발명의 원리를 구현하고 본 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시 예들은 원칙적으로, 본 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시 예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.

또한, 본 발명의 원리, 관점 및 실시 예들뿐만 아니라 특정 실시 예를 열거하는 모든 상세한 설명은 이러한 사항의 구조적 및 기능적 균등물을 포함하도록 의도되는 것으로 이해되어야 한다. 또한 이러한 균등물들은 현재 공지된 균등물뿐만 아니라 장래에 개발될 균등물 즉 구조와 무관하게 동일한 기능을 수행하도록 발명된 모든 소자를 포함하는 것으로 이해되어야 한다.

따라서, 예를 들어, 본 명세서의 블럭도는 본 발명의 원리를 구체화하는 예시적인 회로의 개념적인 관점을 나타내는 것으로 이해되어야 한다. 이와 유사하게, 모든 흐름도, 상태 변환도, 의사 코드 등은 컴퓨터가 판독 가능한 매체에 실질적으로 나타낼 수 있고 컴퓨터 또는 프로세서가 명백히 도시되었는지 여부를 불문하고 컴퓨터 또는 프로세서에 의해 수행되는 다양한 프로세스를 나타내는 것으로 이해되어야 한다.

프로세서 또는 이와 유사한 개념으로 표시된 기능 블럭을 포함하는 도면에 도시된 다양한 소자의 기능은 전용 하드웨어뿐만 아니라 적절한 소프트웨어와 관련하여 소프트웨어를 실행할 능력을 가진 하드웨어의 사용으로 제공될 수 있다. 프로세서에 의해 제공될 때, 상기 기능은 단일 전용 프로세서, 단일 공유 프로세서 또는 복수의 개별적 프로세서에 의해 제공될 수 있고, 이들 중 일부는 공유될 수 있다.

본 명세서의 청구범위에서, 상세한 설명에 기재된 기능을 수행하기 위한 수단으로 표현된 구성요소는 예를 들어 상기 기능을 수행하는 회로 소자의 조합 또는 펌웨어/마이크로 코드 등을 포함하는 모든 형식의 소프트웨어를 포함하는 기능을 수행하는 모든 방법을 포함하는 것으로 의도되었으며, 상기 기능을 수행하도록 상기 소프트웨어를 실행하기 위한 적절한 회로와 결합된다. 이러한 청구범위에 의해 정의되는 본 발명은 다양하게 열거된 수단에 의해 제공되는 기능들이 결합되고 청구항이 요구하는 방식과 결합되기 때문에 상기 기능을 제공할 수 있는 어떠한 수단도 본 명세서로부터 파악되는 것과 균등한 것으로 이해되어야 한다.

상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다.

또한, 부동산은 본래 움직여 옮길 수 없는 재산, 토지, 건물, 수목 등을 의미하나 이하에서는 부동산을 건물에 한정하여 설명한다.

이하, 첨부된 도면을 참조하여 본 발명의 다양한 실시 예에 대하여 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 신경망 기반의 부동산 시세 예측 시스템(1000)을 나타낸 예시도이다.

도 1을 참조하면, 신경망 기반의 부동산 시세 예측 시스템(1000)은 사용자 단말 장치(10), 부동산 플랫폼 서버(20) 및 부동산 시세 예측 서버(100)로 구성될 수 있다.

사용자 단말 장치(10)를 통해 사용자는 자신이 관심있는 부동산 정보를 입력하여 부동산 시세 예측 서버(100)로 해당 부동산의 시세를 요청할 수 있다. 여기서, 부동산 정보에는 해당 부동산의 주소일 수 있다.

부동산 시세 예측 서버(100)는 부동산 플랫폼 서버(20)로부터 부동산 시세가 매핑된 지도 이미지를 수신하고, 수신된 지도 이미지를 기초로 부동산의 예상 시세를 산출하도록 학습된 신경망을 학습할 수 있다. 여기서, 부동산 플랫폼 서버(20)는 다양한 축척의 지도 이미지와 아파트 기반의 부동산 기준 시세를 함께 제공하는 서버일 수 있다. 예를 들어, 부동산 플랫폼 서버(20)는 KB부동산 리브온, 호객노노, 네이버 부동산, 다음 부동산 등일 수 있으며, 지도와 부동산 가격을 제공하는 방식은 제한되지 않는다.

부동산 시세 예측 서버(100)는 사용자 단말 장치(10)로부터 수신된 부동산 정보를 기초로 관심 지도 이미지를 생성하고, 생성된 관심 지도 이미지를 신경망에 입력할 수 있다. 부동산 시세 예측 서버(100)는 신경망에 의해 산출된 부동산의 예상 시세를 기초로 사용자 단말 장치(10)로 부동산의 예상 시세를 제공할 수 있다.

이하에서는 부동산 시세 예측 서버(100)에 대해서 보다 구체적으로 설명한다.

도 2는 본 발명의 일 실시예에 따른 부동산 시세 예측 방법을 나타낸 흐름도이다.

도 2를 참조하면, 부동산 시세 예측 서버(100)는 부동산 플랫폼 서버(20)로부터 부동산 기준 시세가 매칭된 지도 이미지를 수신할 수 있다(S100).

여기서, 지도 이미지는 행정 구역 단위에 따라 여러 축척으로 수신될 수 있으며, 지도 이미지는 축척에 따라 여러 크기 및 형태(예를 들어, 정사각형, 원형 등)로 결정되어 수신될 수 있다.

부동산 시세는 지도 이미지의 축척에 따라 각 건물(예를 들어, 아파트)의 시세 나 행정 구역(예를 들어, 구, 군, 읍, 면 등)의 건물들의 평균 기준 시세일 수 있다.

도 3을 참조하면, 부동산 시세 예측 서버(100)는 부동산 플랫폼 서버(20)로부터 (a)와 같이 동단위로 부동산 평균 기준 시세가 매칭된 1:100000 축척의 지도 이미지나 (b)와 같이 아파트 들의 기준 시세가 각각 매칭된 1:3000 축척의 지도 이미지를 획득할 수 있다.

즉, 부동산 시세 예측 서버(100)는 부동산 시세가 매칭된 다양한 축척의 지도 이미지를 수신할 수 있으며 이를 이용하여 신경망을 학습시킬 수 있다. 한편, 도 3에서 부동산의 시세가 지도 이미지에 직접 시각화 된 것으로 표현되어 있으나, 이는 설명을 위한 것으로 실제 획득되는 지도 이미지의 위치 정보에 시세가 레이블링된 형태의 데이터일 수 있다.

부동산 시세 예측 서버(100)는 부동산 플랫폼 서버(20)로부터 수신된 지도 이미지를 기초로 신경망을 학습시킬 수 있다(S200). 이와 관련하여 도 4를 참조하여 설명한다.

도 4는 본 발명의 일 실시예에 따른 부동산 시세 예측 방법을 나타낸 흐름도이다.

도 4를 참조하면, 부동산 시세 예측 서버(100)는 수신된 지도 이미지 중 제1 축척의 지도 이미지를 기초로 제1 신경망을 학습시킬 수 있다(S210).

구체적으로, 부동산 시세 예측 서버(100)는 중심 영역의 부동산 평균 시세가 레이블링된 제1 축척의 지도 이미지를 학습데이터로 제1 신경망을 학습시킬 수 있다. 이와 관련하여 도 5의 (a)를 추가로 참조하여 설명한다.

도 5의 (a)를 참조하면, 부동산 시세 예측 서버(100)는 수신된 제1 축척의 지도 이미지를 결정된 크기에 따른 복수개의 영역으로 나눠지도록 가상의 선(51)으로 분할하고, 나눠진 영역 중에서 중심 영역(53)에 포함되는 부동산 평균 시세를 해당 제1 축척의 지도 이미지에 레이블링하여 제1 신경망의 학습데이터로 이용할 수 있다.

예를 들어, 도 5(a)는 가상의 선(51)에 의해 25개로 나눠진 영역 중에서 중심 영역(53)에 자양2동, 구의3동, 구의1동이 각각 포함되는 경우, 부동산 시세 예측 서버(100)는 자양2동, 구의3동, 구의1동의 부동산 시세의 평균값을 중심 영역(53)의 부동산 평균 시세로 레이블링할 수 있다. 이때, 부동산 시세 예측 서버(100)는 중심 영역(53)에서 자양2동, 구의3동, 구의1동이 차지하는 비율에 따라 가중치를 결정하여 부동산 시세의 평균값을 산출하여 레이블링 할 수 있다.

상술한 바와 같이, 부동산 시세 예측 서버(100)는 제1 축척의 지도 이미지에 중심 영역의 부동산 평균 시세를 레이블링한 후, 평균 시세가 레이블링된 제1 축척의 지도 이미지를 학습데이터로 이용할 수 있다. 즉 신경망은 학군 정보, 조망 정보 및 도로 정보가 이미지 내 특징화 되어 시각화된 기준 정보를 추출하는 레이어와 추출된 기준 정보와 제1 축척의 지도 이미지 상 중심 영역의 지리적 관계를 통해 시세에 대한 영향 정도를 학습하여 출력하는 레이어로 구성될 수 있다.

여기서, 제1 축적의 이미지에 포함된 기준 정보는 지도 이미지에 표시된 학군 정보, 조망 정보 및 도로 정보를 의미하며, 학군 정보에는 입시 제도에 따라 지역별로 나누어진 구역 내 중학교 또는 고등학교를 포함할 수 있으며, 조망 정보에는 강, 바다, 산 등이 포함될 수 있다. 또한, 도로 정보에는 고속도로, 국도, 지하철 및 지하철의 결정된 색상 등과 같은 교통망이 포함될 수 있다.

또한, 부동산 시세 예측 서버(100)는 수신된 지도 이미지 중 제2 축척의 지도 이미지를 기초로 제2 신경망을 학습시킬 수 있다(S220).

제2 신경망은 제1 신경망에 비해 보다 국부적인 시세 영향 요인들을 추출하도록 학습된다.

구체적으로, 부동산 시세 예측 서버(100)는 중심 건물의 부동산 시세가 레이블링된 제2 축척의 지도 이미지를 학습데이터로 이용하여 제2 신경망을 학습시킬 수 있다. 이와 관련하여 도 5의 (b)를 추가로 참조하여 설명한다.

도 5의 (b)를 참조하면, 부동산 시세 예측 서버(100)는 수신된 제2 축척의 지도 이미지 상의 중심에 위치한 건물의 부동산 시세를 해당 제2 축척의 지도 이미지에 레이블링하여 제2 신경망의 학습데이터로 이용할 수 있다.

부동산 시세 예측 서버(100)는 제2 축척의 지도 이미지 상의 중심에 위치한 건물(아파트)의 부동산 기준 시세를 제2 축척의 지도 이미지에 레이블링한 후, 부동산 시세 예측 서버(100)는 제2 축척의 지도 이미지 내에서 시각화된 교육 정보(학교명), 편의 시설 정보 및 대중 교통 정보를 추출하도록 학습된 레이어와 추출된 기준 정보를 기초로 지도 이미지 상 중심에 위치한 건물의 부동산 시세 영향 정도를 가중치로 학습하여 출력하도록 구성된 제2 신경망을 학습시킬 수 있다.

여기서, 기준 정보는 지도 이미지에 표시된 학교 정보, 편의 시설 정보 및 대중 교통 정보를 의미하며, 교육 정보에는 유치원, 초등학교, 중학교, 고등학교, 대학교 등의 교육 시설을 포함될 수 있으며, 편의 시설 정보에는 공원, 놀이터, 마트, 영화관 등이 포함될 수 있다. 또한, 대중 교통 정보에는 버스 노선, 지하철 노선 등이 포함될 수 있다.

이때, 상술한 제2 축척은 제1 축척보다 축척이 클 수 있다. 예를 들어, 제1 축척의 지도 이미지는 도 3의 (a)와 같이 1:100000 축척의 지도 이미지일 수 있으며, 제2 축척의 지도 이미지는 도 3의 (b)와 같이 1:3000 축척의 지도 이미지일 수 있다. 본 실시예에서 시세의 레이블링 및 예측의 기준이 되는 지도 이미지 내 중심 영역의 크기는 제2 축적의 지도 이미지가 더 작도록 설정하여 보다 세분화된 값을 산출할 수 있도록 한다.

또한, 본 실시예에서는 추가적으로 기간별 이미지를 이용하여 기간에 따른 요인들의 영향력의 변화를 학습하는 것도 가능하다.

부동산 시세 예측 서버(100)는 수신된 지도 이미지 중 기간별 지도 이미지를 기초로 제3 신경망을 학습시킬 수 있다(S230).

구체적으로, 부동산 시세 예측 서버(100)는 동일 축척 및 동일 위치에 대한 기간별 지도 이미지를 학습데이터로 이용하여 제3 신경망을 학습시킬 수 있다. 이와 관련하여 도 6을 참조하여 설명한다.

도 6을 참조하면, 부동산 시세 예측 서버(100)는 (a)와 같이 중심 영역의 부동산 평균 시세가 레이블링된 기간별 제1 축척의 지도 이미지 또는 (b)와 같이 중심 건물의 부동산 시세가 레이블링된 기간별 제2 축척의 지도 이미지를 제3 신경망의 학습데이터로 이용할 수 있다.

예를 들어, 부동산 시세 예측 서버(100)는 도 6(a)와 같이 2020.1.1부터 2020.4.1 기간 동안 1개월 간격으로 중심 영역의 부동산 평균 시세가 레이블링된 제1 축척의 지도 이미지들을 제3 신경망의 학습데이터로 이용할 수 있다.

한편, 상술한 기간 및 간격은 하나의 예시이며 축적의 차이에 따라 다르게 결정될 수 있다.

즉, 부동산 시세 예측 서버(100)는 도 6(b)와 같이 2017.1.1부터 2021.1.1 기간 동안 1년 간격으로 중심 건물의 부동산 시세가 레이블링된 제2 축척의 지도 이미지들을 제4 신경망의 학습데이터로 이용할 수 있다.

상술한 바와 같이, 부동산 시세 예측 서버(100)는 중심 영역의 부동산 평균 시세가 레이블링된 기간별 제1 축척의 지도 이미지를 학습데이터로 이용하여 학군 정보, 조망 정보 및 도로 정보에 따른 중심 영역의 미래 시점의 부동산 평균 시세를 출력하도록 제3 신경망을 학습시킬 수 있다. 여기서, 미래 시점은 제3 신경망의 학습데이터에 이용된 지도 이미지의 기간별 간격에 의해 결정될 수 있다.

또한, 부동산 시세 예측 서버(100)는 중심 건물의 부동산 시세가 레이블링된 기간별 제2 축척의 지도 이미지를 학습데이터로 이용하여 교육 정보, 편의 시설 정보 및 대중 교통 정보에 따른 중심 건물의 미래 부동산 시세를 출력하도록 제4 신경망을 학습시킬 수 있다.

다시, 도 2를 참조하면, 부동산 시세 예측 서버(100)는 사용자 단말 장치(10)를 통해 사용자로부터 사용자의 관심 부동산 주소를 수신할 수 있다(S300).

부동산 시세 예측 서버(100)는 신경망의 입력으로 수신된 관심 부동산 주소를 기초로 관심 지도 이미지를 생성할 수 있다(S400). 구체적으로, 부동산 시세 예측 서버(100)는 관심 부동산의 주소를 기초로 해당 관심 부동산의 위치를 판단하고, 관심 부동산의 위치를 중심으로 학습 데이터와 동일한 크기의 제1 축척과 제2 축척의 관심 지도 이미지를 각각 생성할 수 있다.

다음, 부동산 시세 예측 서버(100)는 생성된 관심 지도 이미지를 미리 학습된 신경망에 입력하여 관심 부동산의 예상 시세를 산출할 수 있다(S500).

구체적으로, 부동산 시세 예측 서버(100)는 생성된 제1 축척의 관심 지도 이미지를 제1 신경망에 입력하고, 제2 축척의 관심 지도 이미지를 제2 신경망에 입력하여 예상 시세를 각각 산출할 수 있다. 이와 관련하여 도 7을 참조하여 설명한다.

도 7은 본 발명의 일 실시예에 따른 제1 신경망 및 제2 신경망을 나타낸 예시도이다.

도 7을 참조하면, 제1 신경망(30-1)과 제2 신경망(30-2)은 복수의 합성곱 연산을 수행하는 레이어로 구성된 CNN(Convolution Neural Network) 모델로 구성될 수 있다.

생성된 제1 축척의 관심 지도 이미지(71)와 제2 축척의 관심 지도 이미지(73)가 제1 신경망(30-1)과 제2 신경망(30-2)에 각각 입력되면, 내부의 레이어들을 거치면서 이미지 내에 포함된 기준 정보들의 식별 요소를 나타내는 고유의 형상이나 색상에 따른 특징 값들은 합성곱을 통해 강조될 수 있다. 예를 들어 강의 표시, 도로의 표시 및 산의 표시를 통해 해당 영역의 거시적인 특징을 도출할 수 있다. 또는 근처의 시설 정보로 학교, 지하철 역, 버스 정류장, 치안 시설, 또는 우범 지역 정보 등의 특징을 도출할 수 있다.

즉, 신경망은 제1 축척의 관심 지도 이미지(71)와 제2 축척의 관심 지도 이미지(73) 별 시세 산정에 영향을 미치는 기준 정보로서 이미지 데이터에 포함된 다양한 특징 값들은 각각의 합성곱 레이어(Convolution layer) 별로 결정된 필터와의 연산을 통해 새로운 특징 맵의 형태로 출력되며, 레이어 별 반복 연산을 통해 생성된 최종 특징 맵은 완전 연결 레이어(Fully-connected layer)로 입력되어 평탄화 될 수 있다.

여기서, 기준 정보는 상술한 바와 같이 제1 신경망(30-1)의 경우에는 학군 정보, 조망 정보 및 도로 정보일 수 있으며, 제2 신경망(30-2)의 경우에는 교육 정보, 편의 시설 정보 및 대중 교통 정보일 수 있다.

최종 특징맵은 기준 정보의 존재 여부, 중심과의 기준 정보의 지리적인 특징 및 거리 등을 함축하는 정보로서 이를 이용하여 제1 예상 시세와 제2 예상 시세가 각각 예측하여 출력할 수 있다.

구체적으로 예측되는, 제1 예상 시세는 제1 축척의 관심 지도 이미지 상 중심 영역의 부동산 평균 시세이며, 제2 예상 시세는 제2 축척의 관심 지도 이미지 상의 중심에 위치한 건물의 부동산 시세일 수 있다.

또한, 부동산 시세 예측 서버(100)는 기간에 따른 변화를 더욱 반영하기 위하여 생성된 제1 축척의 관심 지도 이미지를 제3 신경망에 입력하여 예상 시세를 산출할 수 있다. 이와 관련하여 도 8을 참조하면 설명한다.

도 8은 본 발명의 일 실시예에 따른 제3 신경망을 나타낸 예시도이다.

도 8을 참조하면, 제3 신경망(30-3)은 시계열적으로 연속된 데이터에서 패턴을 인식하는 인공 신경망으로 RNN-LSTM(Recurrent Neural Network-Long Short Term Memory)로 구성될 수 있다.

제3 신경망(30-3)은 기간별 제1 축척의 관심 지도 이미지들(81)이 시계열 순으로 히든 레이어(Hidden Layer)의 LSTM 노드에 입력되면, LSTM 노드는 이전의 레이어의 출력과 주변 LSTM 노드의 출력을 입력으로 동시에 이용할 수 있다. LSTM 노드들은 이전 시점의 입력 데이터에 대해서 추출된 특징값을 현재의 입력 데이터에 대해 전달할 때의 연결 강도를 학습하게 되고, 이를 통해 LSTM 노드들은 관심 지도 이미지 내 포함된 기준 정보들 중 부동산 시세에 영향력이 커지는 것과 줄어드는 것을 학습할 수 있다.

최종 출력 레이어는 이러한 시계열적 상관 관계를 더욱 고려하여 시세를 출력하도록 학습되며, 제3 신경망은 입력된 관심 지도 이미지로부터 제3 예상 시세를 출력할 수 있다. 여기서, 제3 예상 시세는 제1 축척의 관심 지도 이미지 상 중심 영역의 미래 시점의 부동산 평균 시세일 수 있다.

한편, 부동산 시세 예측 서버(100)는 기간별 제2 축척의 지도 이미지를 학습데이터로 학습된 제3 신경망(30-3)에 제2 축척의 관심 지도 이미지를 입력하여 제3 예상 시세를 출력하는 것도 가능하다.

즉, 제3 신경망과 제4 신경망을 학습시킨 경우, 제3 신경망과 제4 신경망은 각각 제3 예상 시세와 제4 예상 시세를 산출할 수 있으며, 제1 축척의 관심 지도 이미지 상 중심 영역의 미래 시점의 부동산 평균 시세와 제2 축척의 관심 지도 이미지 상 중심에 위치한 건물의 미래 부동산 시세를 모두 고려하여 보다 정확한 미래 시점의 시세를 예측할 수 있다.

부동산 시세 예측 서버(100)는 산출된 예상 시세를 기초로 사용자 단말 장치(10)로 관심 부동산의 예상 시세를 제공할 수 있다(S600).

구체적으로, 부동산 시세 예측 서버(100)는 제1 예상 시세 및 제2 예상 시세를 기초로 사용자의 관심 부동산의 현재 시점의 예상 시세를 제공할 수 있다.

예를 들어, 부동산 시세 예측 서버(100)는 제1 신경망과 제2 신경망에서 산출된 제1 예상 시세와 제2 예상 시세의 평균값을 계산하고, 계산된 평균값을 관심 부동산의 현재 시점의 예상 시세로 제공할 수 있다. 이때, 부동산 시세 예측 서버(100)는 제1 예상 시세와 제2 예상 시세 각각에 가중치를 적용한 후, 평균값을 계산할 수 있다. 여기서, 가중치는 관심 부동산의 위치, 종류에 따라 결정될 수 있다.

또한, 부동산 시세 예측 서버(100)는 제3 예상 시세를 기초로 사용자의 관심 부동산의 미래 시점의 예상 시세를 제공할 수 있다.

또한, 부동산 시세 예측 서버(100)는 제3 예상 시세와 제4 예상 시세를 기초로 사용자의 관심 부동산의 미래 시점의 예상 시세를 제공할 수 있다.

예를 들어, 또한, 부동산 시세 예측 서버(100)는 제3 신경망에서 산출된 제3 예상 시세를 관심 부동산의 미래 시점의 예상 시세로 제공할 수 있다.

한편, 제4 신경망을 이용하는 경우, 부동산 시세 예측 서버(100)는 제3 예상 시세와 제4 예상 시세의 평균값을 계산하고, 계산된 평균값을 관심 부동산의 미래 시점의 예상 시세로 제공할 수 있다.

이어서, 도 9를 참조하여 부동산 시세 예측 서버(100)의 구성에 대해 설명한다.

도 9는 본 발명의 일 실시예에 따른 부동산 시세 예측 서버(100)의 구성을 나타낸 블록도이다.

도 9를 참조하면, 부동산 시세 예측 서버(100)는 통신부(110), 신경망 학습부(120), 관심 지도 이미지 생성부(130), 저장부(140) 및 예상 시세 산출부(150)를 포함할 수 있다.

통신부(110)는 외부 장치들과 유무선으로 연결되어 데이터를 송수신하는 기능을 수행할 수 있다.

구체적으로, 통신부(110)는 사용자 단말 장치(10)로부터 관심 부동산의 주소를 수신할 수 있으며, 사용자 단말 장치(10)로 관심 부동산의 미래 시점의 예상 시세나 현재 시점의 예상 시세를 제공할 수 있다.

또한, 통신부(110)는 부동산 플랫폼 서버(20)로부터 다양한 축척으로 소정 크기의 지도 이미지를 수신할 수 있다.

신경망 학습부(120)는 부동산 플랫폼 서버(20)로부터 수신된 지도 이미지를 기초로 부동산의 예상 시세를 출력하도록 신경망들을 학습시킬 수 있다.

구체적으로, 신경망 학습부(120)는 수신된 제1 축척의 지도 이미지를 홀수 개수 영역으로 나눠지도록 가상의 선으로 분할하고, 나눠진 영역 중에서 중심 영역에 포함되는 부동산 평균 시세를 해당 제1 축척의 지도 이미지에 레이블링한 후, 레이블링된 제1 축척의 지도 이미지를 학습데이터로 이용하여 제1 신경망을 학습시킬 수 있다.

또한, 신경망 학습부(120)는 제2 축척의 지도 이미지 상의 중심에 위치한 건물의 부동산 시세를 해당 제2 축척의 지도 이미지에 레이블링한 후, 레이블링된 제2 축척의 지도 이미지를 학습데이터로 이용하여 제2 신경망을 학습시킬 수 있다.

또한, 신경망 학습부(120)는 상술한 바와 같이 기간별 레이블링된 제1 축척의 지도 이미지 또는 레이블링된 제2 축척의 지도 이미지를 이용하여 제3 신경망을 학습시킬 수 있다.

또한, 신경망 학습부(120)는 필요한 경우 제4 신경망을 추가로 학습시킬 수도 있다.

관심 지도 이미지 생성부(130)는 사용자 단말 장치(10)로부터 수신된 사용자의 관심 부동산 주소를 기초로 관심 지도 이미지를 생성할 수 있다.

구체적으로, 관심 지도 이미지 생성부(130)는 관심 부동산의 주소를 기초로 해당 관심 부동산의 위치를 판단하고, 관심 부동산의 위치를 중심으로 소정 크기로 제1 축척과 제2 축척의 관심 지도 이미지를 각각 생성할 수 있다. 여기서, 관심 지도 이미지의 소정 크기는 신경망을 학습할 때 이용된 학습데이터의 크기와 동일할 수 있다.

또한, 관심 지도 이미지 생성부(130)는 관심 부동산의 위치를 중심으로 소정 크기로 제1 축척과 제2 축척의 관심 지도 이미지를 기간별로 각각 생성할 수 있다.

저장부(140)에는 부동산 시세 예측 서버(100)의 동작에 필요한 여러 데이터가 저장될 수 있다.

구체적으로, 저장부(140)에는 여러 축척의 지도 이미지와 관심 지도 이미지가 저장될 수 있다.

또한, 저장부(140)에는 학습데이터와 여러 신경망이 저장될 수 있으며, 신경망 기반의 부동산 시세 예측 방법을 실행하기 위한 프로그램 코드가 기록된 컴퓨터가 판독 가능한 기록 매체에 기록된 프로그램이 저장될 수도 있다.

예상 시세 산출부(150)는 신경망에서 산출된 예상 시세를 기초로 사용자의 관심 부동산의 예상 시세를 사용자 단말 장치(10)로 제공할 할 수 있다.

구체적으로, 예상 시세 산출부(150)는 제1 예상 시세 및 제2 예상 시세를 기초로 사용자의 관심 부동산의 현재 시점의 예상 시세를 제공할 수 있다.

예를 들어, 예상 시세 산출부(150)는 제1 신경망과 제2 신경망에서 산출된 제1 예상 시세와 제2 예상 시세의 평균값을 산출하고, 산출된 평균값을 관심 부동산의 현재 시점의 예상 시세로 제공할 수 있다. 이때, 예상 시세 산출부(150)는 제1 예상 시세와 제2 예상 시세 각각에 가중치를 적용한 후, 평균값을 계산할 수 있다. 여기서, 가중치는 관심 부동산의 위치, 종류에 따라 결정될 수 있다.

또한, 예상 시세 산출부(150)는 제3 예상 시세를 기초로 사용자의 관심 부동산의 미래 시점의 예상 시세를 제공할 수 있다.

또한, 예상 시세 산출부(150)는 제3 예상 시세와 제4 예상 시세를 기초로 사용자의 관심 부동산의 미래 시점의 예상 시세를 제공할 수 있다.

한편, 상술한 본원 발명에 따르면, 신경망을 통해 아파트뿐만 아니라 빌딩, 상가, 토지, 공장, 단독주택 등의 부동산 시세를 제공할 수 있다.

또한, 본 발명은 지도 이미지를 기초로 학습된 신경망을 통해 부동산 시세를 산출함으로써, 보다 정확한 부동산 시세를 제공할 수 있다.

또한, 본 발명은 여러 축척의 지도 이미지로 학습된 신경망을 통해 부동산 시세를 산출함으로써, 보다 정확한 부동산 시세를 제공할 수 있다.

한편, 명세서 및 청구범위에서 "제 1", "제 2", "제 3" 및 "제 4" 등의 용어는, 만약 있는 경우, 유사한 구성요소 사이의 구분을 위해 사용되며, 반드시 그렇지는 않지만 특정 순차 또는 발생 순서를 기술하기 위해 사용된다. 그와 같이 사용되는 용어는 여기에 기술된 본 발명의 실시예가, 예컨대, 여기에 도시 또는 설명된 것이 아닌 다른 시퀀스로 동작할 수 있도록 적절한 환경하에서 호환 가능한 것이 이해될 것이다. 마찬가지로, 여기서 방법이 일련의 단계를 포함하는 것으로 기술되는 경우, 여기에 제시된 그러한 단계의 순서는 반드시 그러한 단계가 실행될 수 있는 순서인 것은 아니며, 임의의 기술된 단계는 생략될 수 있고/있거나 여기에 기술되지 않은 임의의 다른 단계가 그 방법에 부가 가능할 것이다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.

또한 본 명세서에서 사용된 용어들은 실시예를 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.

이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 명세서를 통해 개시된 모든 실시예들과 조건부 예시들은, 본 발명의 기술 분야에서 통상의 지식을 가진 당업자가 독자가 본 발명의 원리와 개념을 이해하도록 돕기 위한 의도로 기술된 것으로, 당업자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다.

그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

한편, 상술한 본 발명의 다양한 실시 예들에 따른 방법은 프로그램으로 구현되어 서버 또는 기기들에 제공될 수 있다. 이에 따라 각 장치들은 프로그램이 저장된 서버 또는 기기에 접속하여, 상기 프로그램을 다운로드 할 수 있다.

또한, 상술한 본 발명의 다양한 실시 예들에 따른 방법은 프로그램으로 구현되어 다양한 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다. 비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.

또한, 이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.

Claims (9)

1. 부동산 시세 예측 서버에서 수행되는 신경망 기반의 부동산 시세 예측 방법에 있어서,
   부동산 시세가 매칭된 지도 이미지를 수신하는 단계;
   상기 수신된 지도 이미지를 기초로 신경망을 학습시키는 단계;
   사용자의 관심 부동산 주소를 수신 받는 단계;
   상기 주소를 중심으로 관심 지도 이미지를 생성하는 단계;
   상기 생성된 관심 지도 이미지를 상기 신경망에 입력하여 상기 관심 부동산의 예상 시세를 산출하는 단계;를 포함하고,
   상기 신경망을 학습시키는 단계는
   상기 수신된 지도 이미지 중 부동산 시세가 레이블링된 제1 축척의 지도 이미지를 제1 학습데이터로 이용하여 예상 시세를 출력하도록 제1 신경망을 학습시키는 단계; 및
   상기 수신된 지도 이미지 중 부동산 시세가 레이블링된 제2 축척의 지도 이미지를 제2 학습데이터로 이용하여 예상 시세를 출력하도록 제2 신경망을 학습시키는 단계를 포함하고,
   상기 제1 학습데이터는 상기 지도 이미지를 미리 결정된 크기의 단위 영역으로 분할하고, 상기 단위 영역 중 중심 영역에 포함되는 행정 구역 별 부동산 시세를 행정 구역의 중심 영역 차지 비율에 따른 가중치로 이용하여 산출된 시세를 레이블링하여 생성되고,
   상기 제2 학습데이터는 상기 지도 이미지 상 중심에 위치한 건물의 부동산 시세를 레이블링하여 생성되며,
   상기 관심 지도 이미지를 생성하는 단계는,
   상기 주소를 상기 단위 영역의 크기에 따른 중심 영역으로 하는 제1 축적의 관심 지도 이미지를 생성하는 단계; 및
   상기 주소를 중심으로 제2 축적의 관심 지도 이미지를 생성하는 단계를 포함하고,
   상기 예상 시세를 산출하는 단계는 상기 제1 축적의 관심 지도 이미지에 따른 제1 예상 시세와 상기 제2 축적의 관심 지도 이미지에 따른 제2 예상 시세에 가중치를 적용한 값을 예상 시세로 산출하는 것을 특징으로 하는 신경망 기반의 부동산 시세 예측 방법.
2. 제1항에 있어서,
   상기 제1 신경망을 학습시키는 단계는
   부동산 시세가 레이블링된 상기 제1 축척의 지도 이미지를 학습데이터로 이용하여 학군 정보, 조망 정보 및 도로 정보를 시각화한 기준 정보로 현재 시점의 부동산 예상 시세를 출력하도록 상기 제1 신경망을 학습시키는 것을 특징으로 하는 신경망 기반의 부동산 시세 예측 방법.
3. 제2항에 있어서,
   상기 제2 신경망을 학습시키는 단계는
   부동산 시세가 레이블링된 상기 제2 축척의 지도 이미지를 학습데이터로 이용하여 교육 정보, 편의 시설 정보 및 대중 교통 정보를 시각화한 기준 정보로 현재 시점의 부동산 예상 시세를 출력하도록 상기 제2 신경망을 학습시키는 것을 특징으로 하는 신경망 기반의 부동산 시세 예측 방법.
4. 제3항에 있어서,
   상기 관심 부동산의 예상 시세를 제공하는 단계를 더 포함하고,
   상기 예상 시세를 제공하는 단계는 상기 제1 예상 시세 및 제2 예상 시세를 기초로 상기 관심 부동산의 현재 예상 시세를 제공하는 것을 특징으로 하는 신경망 기반의 부동산 시세 예측 방법.
5. 제1항에 있어서,
   상기 신경망을 학습시키는 단계는
   상기 수신된 지도 이미지 중 기간별 지도 이미지를 기초로 제3 신경망을 학습시키는 단계;를 더 포함하고,
   상기 제3 신경망을 학습시키는 단계는 부동산의 미래 시점의 예상 시세를 출력하도록 상기 제3 신경망을 학습시키는 것을 특징으로 하는 신경망 기반의 부동산 시세 예측 방법.
6. 제5항에 있어서,
   상기 부동산의 예상 시세를 출력하는 단계는 상기 관심 지도 이미지를 상기 제3 신경망에 입력하여 상기 관심 부동산의 제3 예상 시세를 산출하고,
   상기 관심 부동산의 예상 시세를 제공하는 단계는 상기 제3 예상 시세를 기초로 상기 관심 부동산의 미래 시점의 예상 시세를 제공하는 것을 특징으로 하는 신경망 기반의 부동산 시세 예측 방법.
7. 제 1 항 내지 제 6 항 중 어느 한 항에 기재된 신경망 기반의 부동산 시세 예측 방법을 실행하기 위한 프로그램 코드가 기록된 컴퓨터가 판독 가능한 기록 매체에 기록된 프로그램.
8. 삭제
9. 삭제

Images