KR102353818B1 - 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법 - Google Patents
부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법 Download PDFInfo
- Publication number
- KR102353818B1 KR102353818B1 KR1020190135122A KR20190135122A KR102353818B1 KR 102353818 B1 KR102353818 B1 KR 102353818B1 KR 1020190135122 A KR1020190135122 A KR 1020190135122A KR 20190135122 A KR20190135122 A KR 20190135122A KR 102353818 B1 KR102353818 B1 KR 102353818B1
- Authority
- KR
- South Korea
- Prior art keywords
- real estate
- information
- price
- data
- transaction
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 93
- 238000010801 machine learning Methods 0.000 claims abstract description 76
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 56
- 238000004458 analytical method Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000013480 data collection Methods 0.000 claims description 19
- 238000009795 derivation Methods 0.000 claims description 18
- 238000007637 random forest analysis Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012417 linear regression Methods 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 17
- 238000013473 artificial intelligence Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000001149 cognitive effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008433 psychological processes and functions Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법에 관한 것으로, 더욱 상세하게는 공공데이터제공서버로부터 수집된 다수의 공공데이터들을 처리하여 부동산정보를 도출하여 정확한 주소의 부동산 실거래 정보를 제공하고, 거래 정보 이력이 없는 부동산에 대하여 상기 도출한 부동산정보에 근거하여 인접하는 기설정 개수의 유사한 실거래 정보를 선택하여 이를 평균 또는 가중치 평균 가격을 계산하여 상기 거래 정보 이력이 없는 부동산의 가격으로 예측하거나, 다수의 머신러닝알고리즘으로 상기 부동산정보 중 기설정 비율의 데이터를 이용하여 훈련시키고, 상기 부동산정보에서 상기 기설정 비율의 데이터를 제외한 나머지 데이터에 대하여 검증함으로써, 지역별 또는 구역별 부동산에 대한 가격을 예측하는데 적용할 머신러닝알고리즘을 결정하고, 상기 결정된 머신러닝알고리즘을 통해 상기 거래 정보 이력이 없는 부동산에 대한 타당성 있는 예측 가격을 제공해주는 것을 특징으로 하는 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법을 제공한다.
Description
본 발명은 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법에 관한 것으로서, 더욱 상세하게는 공공데이터제공서버로부터 수집된 다수의 공공데이터들을 처리함으로써 부동산정보를 도출하여 정확한 주소에 해당하는 부동산 실거래 정보를 제공하고, 거래 정보 이력이 없는 부동산에 대하여 상기 도출한 부동산정보에 근거하여 인접하는 기설정 개수의 유사한 실거래 정보를 선택하여 이를 평균 또는 가중치 평균 가격을 계산하여 상기 거래 정보 이력이 없는 부동산의 가격으로 예측하거나, 다수의 머신러닝알고리즘으로 상기 부동산정보 중 기설정 비율의 데이터를 이용하여 훈련시키고, 상기 부동산정보에서 상기 기설정 비율의 데이터를 제외한 나머지 데이터에 대하여 검증함으로써, 지역별 또는 구역별 부동산 가격을 예측하는데 적용할 머신러닝알고리즘을 결정하고, 상기 결정된 머신러닝알고리즘을 통해 상기 거래 정보 이력이 없는 부동산에 대한 타당성 있는 예측 가격을 제공해주는 것을 특징으로 하는 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법에 관한 것이다.
부동산정보는 전통적으로 공인중개사를 통한 인적 네트워크를 통해 제공되어 왔으나 인터넷의 발달로 인해 부동산정보를 인터넷을 통해 제공하는 서비스가 확산되어 왔다. 특히, 부동산 매물정보를 인터넷을 통해 게시하여 부동산 거래 중개를 돕는 용도로 광범위하게 활용되어 왔다.
2013년부터는 공공데이터의 제공 및 이용 활성화에 관한 법률이 시행되었다. 그에 따라, 개인들이 제공하는 부동산 매물정보 뿐만 아니라 국가가 제공하는 실거래가 정보, 등기 정보 등을 얻어 가공 및 활용하기에 유리한 환경이 조성되었다. 이미 있는 부동산정보를 단순히 게시하여 유통하는 서비스에서 벗어나 부동산정보를 가공하여 사용자들에게 필요한 정보를 적정하게 제공하는 서비스들이 개발되고 있다.
예를 들어, 한국공개특허 제 2017-0143258 호에는 한국감정원 공시가격정보, 국토해양부 실거래가정보 등 부동산 관련 공공데이터를 종합하여 주택가격을 추정하는 기술이 개시되어 있다. 그러나, 한국공개특허 제 2017-0143258 호에서는, 아파트와 같은 집합 주택에 대해서 단지별, 동별, 층별로 보정하여 평균값을 구하여 시세정보로 제공하는데 그치고 있다.
한편, 2006년부터 부동산 실거래 가격 신고의무제도가 시행되었다. 따라서 부동산을 거래한 자는 실제 거래가격을 시군구청에 신고해야 한다. 국토교통부는 여러 부동산 거래의 정보 특히 실거래가를 취합하여 공개한다. 2006년부터 아파트 거래의 실거래가가 공개되고 있으며 최근에는 실거래가 공개 대상이 토지, 분양권, 상업용 부동산, 업무용 부동산 등까지로 확대되었다.
그러나, 국토교통부가 공개하는 실거래가정보에는 거래된 부동산의 정확한 주소(지번, PNU코드)가 공개되지 않는다. 따라서 실거래가정보만으로는 그 지역의 전체적인 시세를 알 수 있을 뿐, 특정 주소, 특정 부동산의 실거래가 정보는 파악할 수 없다.
즉, "공공기관의 정보공개에 관한 법률" 제7조 제1항 및 제2항(행정정보의 공표)에 의거 공공기관은 국민의 생활에 매우 큰 영향을 미치는 정책에 관한 정보와 국민이 알아야 할 필요가 있는 정보를 국민에게 적극적으로 공개하도록 되어 있지만, 동법 제9조 제1항 제6호의 해당 정보에 포함되어 있는 개인에 관한 사항은 개인 정보 보호 차원에서 개인별 정보는 공개하지 않을 수 있다.
이에 따라, 국토교통부가 부동산 실거래자료를 제공하고 있지만, 개인정보 보호를 위해 정확한 거래일자나 정확한 주소 등을 제공하지 않고 있다. 단독 주택이나 다가구 주택의 경우, 주택에 대한 정확한 주소가 제공되지 않고 지역이나 구역(시/군/구/동)에 대한 주소만이 제공되며, 실거래자료가 제공되더라도 유용한 정보로 기능하지 못한다. 이는 토지와 상업용 부동산의 경우도 마찬가지이다.
한편, 포털 사이트들에서 제공되는 거래정보는 실거래정보에 기반한 것이 아닌 부동산 호가 중심으로 제공되는 것이라는 점에서, 정확한 실거래 정보를 요구하는 사용자에게는 무용지물이다.
이에, 한국등록특허 10-1904190에는, 실거래가정보와 다른 부동산 관련 공공데이터를 매칭하여, 개별 주소에 대응하는 정확한 실거래가를 사용자에게 제공하는 부동산정보 정제 및 제공방법, 시스템, 이를 위한 컴퓨터 프로그램을 개시하고 있다.
그러나, 한국등록특허 10-1904190에서는 실거래가가 아예 없는 주소지의 부동산에 대해서는 거래 가격을 제공하지 못한다는 문제점이 있다.
한편, 한국등록특허 10-1764834는 빅데이터를 이용한 부동산 시세 추정 시스템 및 방법을 개시하고 있다.
한편, 한국등록특허 10-1847774에는, 정확히 특정되지 않은 부동산의 실거래 정보와, 부동산에 대한 상세 정보를 조합하여, 특정 부동산에 대한 실거래 정보를 제공하기 위한 부동산 정보 제공 시스템 및 방법을 개시하고 있다.
따라서, 본 발명은 상기한 바와 같은 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 공공데이터제공서버로부터 수집된 다수의 공공데이터들을 처리하여 부동산정보를 도출하여 정확한 주소의 부동산 실거래 정보를 제공하고, 거래 정보 이력이 없는 부동산에 대하여 상기 도출한 부동산정보에 근거하여 인접하는 기설정 개수의 유사한 실거래 정보를 선택하여 이를 평균 또는 가중치 평균 가격을 계산하여 상기 거래 정보 이력이 없는 부동산의 가격으로 예측하거나, 다수의 머신러닝알고리즘으로 상기 부동산정보 중 기설정 비율의 데이터를 이용하여 훈련시키고, 상기 부동산정보에서 상기 기설정 비율의 데이터를 제외한 나머지 데이터에 대하여 검증함으로써, 지역별 또는 구역별 부동산에 대한 가격을 예측하는데 적용할 머신러닝알고리즘을 결정하고, 상기 결정된 머신러닝알고리즘을 통해 상기 거래 정보 이력이 없는 부동산에 대한 타당성 있는 예측 가격을 제공해주는 것을 특징으로 하는 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법을 제공하는 것이다.
본 발명의 실 시예들의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기한 바와 같은 목적을 달성하기 위한 본 발명의 일 실시예에 따른 부동산 거래 정보 및 가격 예측 정보 제공 시스템은, 부동산의 실거래가정보 데이터를 제공하는 실거래가정보 제공서버(140); 상기 부동산의 토지특성정보 데이터를 제공하는 토지특성정보 제공서버(150); 상기 실거래가정보 제공서버로부터 전달받은 상기 실거래가정보 데이터 및 상기 토지특성정보 제공서버로부터 전달받은 상기 토지특성정보 데이터를 처리 및 분석하여 부동산의 실거래 정보 및 가격 예측 정보를 제공하기 위한 부동산 거래 정보 및 가격 예측 정보 제공 서버(100); 및 사용자로부터 부동산의 거래 정보 요청 또는 가격 예측 정보 요청 신호를 입력받고, 상기 부동산의 가격 정보 및 가격 예측 정보를 제공하기 위한 사용자 단말기(110, 120, 130)를 포함하고, 상기 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)는, 부동산 거래 정보 및 가격 예측 정보 제공을 위한 데이터의 전송 및 수신을 위해 필요한 그래픽 사용자 인터페이스를 상기 사용자 단말기(110, 120, 130)에 제공하기 위한 인터페이스부(101); 상기 인터페이스부를 통하여 송수신되는 데이터를 분석하여 상기 부동산 거래 정보 및 가격 예측 정보 제공을 위한 각종 처리를 수행하기 위한 처리부(103); 부동산정보, 머신러닝알고리즘, 부동산가격예측모델, 및 지도를 저장하고 있는 데이터베이스 관리부(104); 상기 부동산정보에 근거하여 상기 사용자 단말기를 통해 입력받은 해당 부동산과 연관된 데이터를 추출하여 분석하고, 학습하여 부동산 가격을 예측하는데 적용되는 머신러닝알고리즘 또는 부동산가격예측모델을 업데이트하기 위한 분석부(105); 및 상기 인터페이스부, 상기 처리부, 상기 데이터베이스 관리부 및 상기 분석부간의 데이터 흐름을 제어하기 위한 제어부(102)를 포함한다.
상기 처리부(103)는, 상기 실거래가정보 데이터 및 상기 토지특성정보 데이터를 전달받아 유의미한 데이터를 수집하기 위한 데이터 수집부(201); 퀀텀지리정보시스템(QGIS) 기반으로 상기 실거래가정보 데이터 및 상기 토지특성정보 데이터를 처리하기 위한 데이터 처리부(202); 및 상기 실거래가정보 데이터 및 상기 토지특성정보 데이터로부터 부동산 거래 정보 및 가격 예측 정보를 제공하는데 필요한 항목들을 정리하여 부동산정보 데이터베이스로 구축하기 위한 부동산정보 도출부(203)를 포함하는 것을 특징으로 한다.
상기 분석부(105)는, 상기 사용자 단말기를 통해 주소 또는 지도상의 위치 좌표 데이터를 입력받아, 상기 부동산정보 데이터베이스를 기반으로 해당 부동산의 거래 정보가 있으면 이를 출력하는 데이터수신처리부(301); 해당 부동산의 거래 정보가 없음에 따라 상기 해당 부동산의 특성을 추출하는 특성 추출부(302); 해당 부동산이 포함되는 지역에서 상기 해당 부동산의 특성과 유사한 인접한 부동산들과의 거리를 계산하는 거리 계산부(303); 상기 인접한 부동산들과의 거리에 따라 가격 예측에 고려할 기설정된 개수의 부동산을 결정하는 인접 부동산 결정부(304); 상기 기설정된 개수의 부동산의 평당 가격들로부터 평균값 또는 가중치 평균값을 계산하여 예측 가격으로 출력하는 가격 계산부(305); 및 상기 추출한 부동산 특성 및 예측 가격으로부터 학습 및 추론하여 새로운 부동산가격예측모델을 수립하는 부동산가격모델링부(306)를 포함하는 것을 특징으로 한다.
상기 분석부(105)는, 상기 사용자 단말기를 통해 주소 또는 지도상의 위치 좌표 데이터를 입력받아, 상기 부동산정보 데이터베이스를 기반으로 해당 부동산의 거래 정보가 있으면 이를 출력하는 데이터수신처리부(401); 해당 부동산의 거래 정보가 없음에 따라 상기 해당 부동산의 특성을 추출하는 특성 추출부(402); 지역별 또는 구역별 가격 예측하는데 적용하는 머신러닝 알고리즘을 이용하여 해당 부동산의 가격을 계산하는 가격 계산부(403); 상기 부동산정보 데이터베이스를 기반으로 학습 및 추론하는 학습및추론부(404); 상기 학습 및 추론 결과에 따라, 지역별 또는 구역별 적용 머신러닝알고리즘을 설정하는 적용알고리즘설정부(405); 및 상기 학습 및 추론 결과에 따라 상기 부동산가격예측모델을 업데이트하는 부동산가격모델링부(406)를 포함하고, 상기 머신러닝 알고리즘은, K 최근접 이웃 알고리즘(KNN), 선형회귀모델(Linear Regression), 딥러닝(Multi-Layer Perceptron), 및 랜덤포레스트(Random Forest) 알고리즘을 포함하는 것을 특징으로 한다.
한편, 상기한 바와 같은 목적을 달성하기 위한 본 발명의 일 실시예에 따른 부동산 거래 정보 및 가격 예측 정보 제공 방법은, 다수의 공공데이터를 수집하는 데이터수집단계(S1210); 상기 다수의 공공데이터로부터 해당 부동산에 대한 부동산정보를 도출하는 데이터도출단계(S1220); 사용자로부터의 부동산의 거래 정보 요청 또는 가격 예측 정보 요청에 따라, 해당 부동산의 부동산정보를 확인하는 데이터확인단계(S1230); 해당 부동산의 부동산 거래 정보가 있음에 따라, 해당 부동산의 거래 정보를 출력하는 거래정보출력단계(S1240); 및 해당 부동산의 부동산 가격 정보가 없음에 따라, 상기 부동산정보를 기반으로 해당 부동산의 가격을 예측하여 출력하는 예측정보출력단계(S1250)를 포함한다.
상기 데이터수집단계(S1210)는, 상기 부동산의 실거래가정보 데이터를 수집하는 제1수집단계; 및 상기 부동산의 토지특성정보 데이터를 수집하는 제2수집단계를 포함하고, 상기 데이터도출단계(S1220)는, 상기 실거래가정보 데이터 및 토지특성정보 데이터로부터 시군구, 지목, 용도지역, 면적이 모두 같은 데이터를 같은 부동산으로 간주하여 결합하는 지번데이터획득단계; 결합된 데이터에서 거래정보 제공 및 가격 예측 제공에 필요하지 않은 데이터필드 및 문자를 삭제 또는 변경하는 편집단계; 상기 결합된 데이터에서 거래금액을 면적으로 나누어 면적당가격으로 산출하는 면적당가격획득단계; 및 퀀텀지리정보시스템(QGIS)을 이용하여 해당 부동산의 위치에 대한 x 좌표 및 y 좌표를 계산하여 획득하는 좌표획득단계를 포함하는 것을 특징으로 한다.
상기 예측정보출력단계(S1250)는, 해당 부동산의 거래 정보가 없음에 따라 상기 해당 부동산의 특성을 추출하는 특성추출단계(S1310); 해당 부동산이 포함되는 지역에서 상기 해당 부동산의 특성과 유사한 인접한 부동산들과의 거리를 계산하는 거리계산단계(S1320); 상기 인접한 부동산들과의 거리에 따라 가격 예측에 고려할 기설정된 개수의 부동산을 결정하는 인접부동산결정단계(S1330); 상기 기설정된 개수의 부동산의 면적당 가격들로부터 평균값 또는 가중치 평균값을 계산하는 가격계산단계(S1340); 및 상기 계산한 평균값 또는 가중치 평균값을 해당 부동산의 예측 가격으로 출력하는 가격예측단계(S1350)를 포함하는 것을 특징으로 한다.
상기 인접부동산결정단계(S1330)는, 상기 해당 부동산이 포함되는 지역 내에 가격 예측에 고려할 부동산이 상기 기설정된 개수 미만인 경우, 검색 지역의 범위를 넓혀 가격 예측에 고려할 부동산을 추가적으로 결정하는 것을 특징으로 하고, 상기 검색 지역의 범위를 넓혀 가격 예측에 고려할 부동산을 추가적으로 결정하여도 전체 결정된 가격 예측에 고려할 부동산이 상기 기설정된 개수 미만인 경우, 상기 기설정된 개수 미만의 가격 예측에 고려할 부동산만으로 결정하는 것을 특징으로 하고, 상기 가격계산단계(S1340)는, 상기 결정된 가격 예측에 고려할 기설정된 개수의 부동산의 면적당가격을 평균하여 상기 해당 부동산의 면적과 곱하여 평균금액으로 계산하는 제1계산단계; 상기 해당 부동산을 기준으로 인접한 구역별로 결정된 제1 가중치 계수들을 해당 구역 내에 결정된 가격 예측에 고려할 부동산에 부여하여 제1 가중치 평균금액으로 계산하는 제2계산단계; 및 상기 해당 부동산을 중심으로 동심원 거리 내에 결정된 가격 예측에 고려할 부동산은 같은 제2 가중치 계수들을 부여하여 제2 가중치 평균금액으로 계산하는 제3계산단계를 포함하는 것을 특징으로 한다.
한편, 상기한 바와 같은 목적을 달성하기 위한 본 발명의 일 실시예에 따른 부동산 거래 정보 및 가격 예측 정보 제공 방법은, 다수의 공공데이터를 수집하는 데이터수집단계(S1410); 상기 다수의 공공데이터로부터 해당 부동산에 대한 부동산정보를 도출하는 데이터도출단계(S1420); 다수의 머신러닝알고리즘으로 상기 부동산정보 중 기설정 비율의 데이터를 이용하여 훈련시키는 훈련단계(S1430); 상기 부동산정보에서 상기 기설정 비율의 데이터를 제외한 나머지 데이터에 대하여 검증하는 검증단계(S1440); 검증 결과에 따라, 지역별 또는 구역별 부동산 가격을 예측하는데 적용할 머신러닝알고리즘을 결정하는 적용알고리즘결정단계(S1450); 사용자로부터의 부동산의 거래 정보 요청 또는 가격 예측 정보 요청에 따라, 해당 부동산의 부동산정보를 확인하는 데이터확인단계(S1460); 해당 부동산의 부동산 거래 정보가 있음에 따라, 해당 부동산의 거래 정보를 출력하는 거래정보출력단계(S1470); 및 해당 부동산의 부동산 가격 정보가 없음에 따라, 기설정된 머신러닝알고리즘 및 부동산가격예측모델을 기반으로 해당 부동산의 가격을 예측하여 출력하는 예측정보출력단계(S1480)를 포함한다.
상기 부동산 거래 정보 및 가격 예측 정보 제공 방법은, 주기적으로 가격을 예측하는데 적용할 머신러닝알고리즘 및 부동산가격예측모델을 업데이트하는 업데이트단계(S1490)를 더 포함하고, 상기 머신러닝알고리즘은, K 최근접 이웃 알고리즘(KNN), 선형회귀모델(Linear Regression), 딥러닝(Multi-Layer Perceptron), 및 랜덤포레스트(Random Forest) 알고리즘을 포함하는 것을 특징으로 한다.
또한, 본 발명의 일 실시예에 따르면, 상기 부동산 거래 정보 및 가격 예측 정보 제공 방법을 구현하기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체가 제공되는 것을 특징으로 한다.
아울러, 본 발명의 일 실시예에 따르면, 상기 부동산 거래 정보 및 가격 예측 정보 제공 방법을 구현하기 위해, 컴퓨터 판독 가능한 기록매체에 저장된 프로그램이 제공되는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법에 의하면, 공공데이터제공서버로부터 수집된 다수의 공공데이터들을 처리함으로써 부동산정보를 도출하여 정확한 주소에 해당하는 부동산 실거래 정보를 제공할 수 있고, 거래 정보 이력이 없는 부동산에 대하여 상기 도출한 부동산정보에 근거하여 인접하는 기설정 개수의 유사한 실거래 정보를 선택하여 이를 토대로 상기 거래 정보 이력이 없는 부동산의 가격으로 예측하여 제공할 수 있는 효과가 있다.
또한, 본 발명의 일 실시예에 따른 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법에 의하면, 다수의 머신러닝알고리즘으로 상기 부동산정보 중 기설정 비율의 데이터를 이용하여 훈련시키고, 상기 부동산정보에서 상기 기설정 비율의 데이터를 제외한 나머지 데이터에 대하여 검증함으로써, 지역별(또는 구역별) 부동산 가격을 예측하는데 적용할 머신러닝 알고리즘을 결정하고, 상기 결정된 머신러닝알고리즘을 통해 거래 정보 이력이 없는 부동산에 대한 타당성 있는 예측 가격을 제공해줄 수 있는 효과가 있다.
또한, 본 발명의 일 실시예에 따른 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법에 의하면, 정확도 높은 부동산 가격의 예측을 통해 주관적인 호가 위주의 부동산 거래시장을 객관화 및 성숙화시킬 수 있고, 데이터 및 실제 사례에 기반한 건강한 부동산 거래시장이 형성되도록 하는 효과가 있다.
도 1은 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 시스템의 일 실시예 구성도.
도 2는 도 1의 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)에서 처리부(103)의 일 실시예 상세 구성도
도 3은 도 1의 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)에서 분석부(105)의 일 실시예 상세 구성도.
도 4는 도 1의 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)에서 분석부(105)의 다른 실시예 상세 구성도.
도 5, 6a, 6b, 7, 8a, 및 8b는 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공을 위해 데이터를 처리하는 방법을 설명하기 위한 도면들.
도 9a 내지 9c는 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 방법에서 예측 가격을 계산하는 여러 가지 방법을 설명하기 위한 도면들.
도 10은 본 발멸에 따른 부동산 거래 정보 및 가격 예측 정보 제공 방법에서, 지역에 따라 가격 예측에 적용할 머신러닝 알고리즘을 결정하기 위해 사용하는 부동산 정보의 일실시예 설명도.
도 11a 및 11b는 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 방법에서, 지역에 따라 가격 예측에 적용할 머신러닝 알고리즘을 나타낸 설명도.
도 12는 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 방법의 일실시예 흐름도.
도 13은 도 12의 예측가격출력단계(S1250)의 상세 흐름도.
도 14는 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 방법의 다른 실시예 흐름도.
도 2는 도 1의 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)에서 처리부(103)의 일 실시예 상세 구성도
도 3은 도 1의 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)에서 분석부(105)의 일 실시예 상세 구성도.
도 4는 도 1의 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)에서 분석부(105)의 다른 실시예 상세 구성도.
도 5, 6a, 6b, 7, 8a, 및 8b는 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공을 위해 데이터를 처리하는 방법을 설명하기 위한 도면들.
도 9a 내지 9c는 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 방법에서 예측 가격을 계산하는 여러 가지 방법을 설명하기 위한 도면들.
도 10은 본 발멸에 따른 부동산 거래 정보 및 가격 예측 정보 제공 방법에서, 지역에 따라 가격 예측에 적용할 머신러닝 알고리즘을 결정하기 위해 사용하는 부동산 정보의 일실시예 설명도.
도 11a 및 11b는 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 방법에서, 지역에 따라 가격 예측에 적용할 머신러닝 알고리즘을 나타낸 설명도.
도 12는 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 방법의 일실시예 흐름도.
도 13은 도 12의 예측가격출력단계(S1250)의 상세 흐름도.
도 14는 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 방법의 다른 실시예 흐름도.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 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 이해되어야한다.
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 명세서에서 사용되는 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, 공정, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 공정, 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 의미가 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명을 더욱 상세하게 설명한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정하여 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 또한, 사용되는 기술 용어 및 과학 용어에 있어서 다른 정의가 없다면, 이 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 통상적으로 이해하고 있는 의미를 가지며, 하기의 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다. 다음에 소개되는 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다. 도면들 중 동일한 구성요소들은 가능한 한 어느 곳에서든지 동일한 부호들로 나타내고 있음에 유의해야 한다.
현 인류가 생존하는 한 발전을 멈추지 않을 분야로 꼽히는 것이 바로 인공지능(AI: Artificial Intelligence)이다. 모든 기기와 사물이 연결되고 지능화하면서 AI는 복잡한 사회에 질서를 부여하고, 예측 가능한 시스템으로 작동하게 하는 역할을 맡을 것이다. 이것이 4차 산업혁명이 몰고 올 변화의 요체다.
이런 변화ㅇ발전에서 필수는 방대한 복합 연산과 인지 능력이다. 여러 경우의 수를 연산해서 결정을 내리고, 자기학습을 통해 더 많은 선택의 결과를 축적한다. 선택의 정합성은 계속해서 높아지고, 인간으로선 감히 넘볼 수 없는 판단의 한계를 돌파하면서 발전할 것이다. 이 같은 현상은 이미 두 번에 걸친 세계 1위 바둑 기사와의 승부에서 AI 알파고가 압승한 것으로 확인됐다.
AI라는 용어가 등장한지는 오랜 시간이 흘렀지만 컴퓨터, 연산 등 특정 영역에 국한됐던 과거와는 달리 현대에는 인지, 학습, 추론 등 인간의 고차원적 정보처리 활동을 연구해 ICT를 통해 구현하는 기반 기술 전체를 아우르는 포괄적 개념이 되었다.
로봇, 자율주행차, 가상비서 서비스, 드론 등 일상 곳곳에서 AI 기술은 널리 사용되고 있다. 이 때문에 미래창조과학부는 AI 라는 명칭 대신 '지능정보기술'으로 명명하고, '지능'기반의 기술혁명에 대응하기 위해 노력하고 있다.
알파고 못지않게 AI 분야의 최강자라고 할 수 있는 IBM의 경우, 지난 2011년 미국 유명 퀴즈쇼 '제퍼디'에서 우승한 슈퍼컴퓨터 '왓슨'을 발전시켜 인지컴퓨팅(Cognitive computing)이라는 새로운 영역으로 확대시켰다. 즉, 인공지능을 통해 인지 학습이 가능하다는 것이다.
여기서, 인지 학습 [cognitive learning]이란, 학습의 한 형태로, 가시적 또는 직접적으로 관찰할 수 없는 심리적 과정, 특히 인지적 과정을 통해 일어나는 학습 형태를 말한다. 구체적으로, 인지 학습에 포함되는 하위 유형은 통찰 학습(insight learning), 잠재 학습(latent learning), 관찰 학습(observational learning) 등이다.
최근 인공지능(Artificial Intelligence) 기술의 발전과 관심이 증가하면서 이를 응용한 기술들이 등장하고 있다. 인공지능 기술의 한 분야로서 머신러닝(Machine Learning)이 각종 매체를 통해 집중 조명을 받고 있다.
머신러닝이라고도 불리는 머신러닝은 컴퓨터가 데이터를 통해 학습하고, 사람처럼 어떤 대상 혹은 상황을 이해할 수 있게 하는 기술이다. 컴퓨터가 스스로 훈련하면서 패턴을 찾아내 분류하는 기술적 방식으로 컴퓨터가 데이터를 분석할 수 있게 하는 알고리즘이 핵심이다. 데이터를 활용하는 알고리즘을 정교하게 만들면 컴퓨터가 스스로 학습해가며 사용자들에게 의미 있는 결과물을 제공할 수 있다.
머신러닝과 다른 것으로 자기학습(Self-Learning)이 있는데, 데이터를 기반으로 입력된 데이터의 패턴을 분석하고 분류된 패턴에 따라 학습하는 기술이다. 학습된 유형을 바탕으로 배치된 현장에 패턴에 따라 학습된 추론을 적용하는 방식을 사용하는 기술이다. 반복적인 학습에 따른 예측 모델에 경험으로부터 습득한 지식을 기반으로 스스로 성능을 향상시키는 머신러닝과는 차이가 있다.
결국, 종래 자기학습 시스템의 경우 사전에 정의된, 즉 자주 사용하는 정형화된 패턴에 대해서는 자기학습을 통한 학습데이터의 저장 및 제어가 가능하나, 새로운 데이터, 즉 비정형의 데이터에 대해서는 자기학습을 할 수 없었다. 그러나, 빅데이터 및 인공지능의 인지학습을 통해 비정형의 데이터에 대해서도 학습 및 추론이 가능하게 되었다.
본 발명에서는 토지특성 정보 데이터를 수집 및 처리하는데 필요한 데이터를 도출해내기 위해 QGIS를 이용한다.
QGIS(Quantum Geographic Information System)는 데이터 뷰, 편집, 분석을 제공하는 크로스 플랫폼 자유-오픈 소스 데스크톱 지리 정보 체계(GIS) 응용 프로그램이다.
QGIS는 지리정보시스템(GIS:Geographic Information System) 소프트웨어의 기능을 수행하여 사용자가 그래픽 맵을 작성하고 내보내는 것 외에도 공간 정보를 분석하고 편집 할 수 있다. QGIS는 래스터 및 벡터 레이어를 모두 지원한다. 벡터 데이터는 점, 선 또는 다각형 피처로 저장되고, 여러 형식의 래스터 이미지가 지원되며 소프트웨어는 이미지를 지리적으로 참조 할 수 있다. QGIS는 쉐이프 파일, 커버리지, 개인 지오 데이터베이스(personal geodatabase), dxf, MapInfo, PostGIS 및 기타 형식을 지원하며, 웹 맵 서비스 및 웹 기능 서비스를 포함한 웹 서비스도 외부 소스의 데이터를 사용할 수 있도록 지원된다.
QGIS는 PostGIS, GRASS GIS 및 MapServer를 포함한 다른 오픈 소스 GIS 패키지와 통합된다. 파이썬(Python) 또는 C ++로 작성된 플러그인은 QGIS의 기능을 확장한다. 플러그인은 Google Geocoding API를 사용하여 지오 코딩하고 ArcGIS에있는 표준 도구와 유사한 지오 프로세싱 기능을 수행하며 PostgreSQL/PostGIS, SpatiaLite 및 MySQL 데이터베이스와 인터페이스 할 수 있다.
도 1은 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 시스템의 일 실시예 구성도이다.
도 1을 참조하면, 통신 네트워크를 통하여 제1 사용자 단말기(110), 제2 사용자 단말기(120), 제3 사용자 단말기(130)와 통신하는 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)는 인터페이스부(101), 제어부(102), 처리부(103), 데이터베이스 관리부(104) 및 분석부(105) 등을 포함한다. 상기 인터페이스부(101), 상기 제어부(102), 상기 처리부(103), 상기 데이터베이스 관리부(104) 및 상기 분석부(105)는 그 중 적어도 일부가 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)와 통신하는 프로그램 모듈들일 수 있다. 이러한 프로그램 모듈들은 운영 시스템, 응용 프로그램 모듈 및 기타 프로그램 모듈의 형태로 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)에 포함될 수 있으며, 물리적으로는 여러 가지 공지의 기억 장치 상에 저장될 수 있다. 또한, 이러한 프로그램 모듈들은 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)과 통신 가능한 원격 기억 장치에 저장될 수도 있다. 한편, 이러한 프로그램 모듈들은 본 발명에 따라 후술할 특정 업무를 수행하거나 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하지만, 이에 제한되지는 않는다.
여기서, 통신 네트워크는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 근거리 통신망(LAN; Local Area Network), 도시권 통신망(MAN; Metropolitan Area Network), 광역 통신망(WAN; Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 바람직하게는, 본 발명에서 말하는 통신 네트워크는 공지의 월드와이드웹(WWW; World Wide Web)일 수 있다.
상기 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)는 통신 네트워크를 통하여 제1 사용자 단말기(110), 제2 사용자 단말기(120), 및 상기 제3 사용자 단말기(130)와 통신하며, 사용자 단말기(110, 120, 130)로/으로부터 부동산 거래 정보 및 가격 예측 정보 제공에 필요한 데이터를 전송/수신한다.
상기 사용자 단말기(110, 120, 130)는 부동산 거래 정보 및 가격 예측 정보 에 관심을 가진 자가 통신 네트워크를 통하여 상기 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)에 접속한 후 통신할 수 있도록 하는 기능을 포함하는 디지털 기기로서, 개인용 컴퓨터(예를 들어, 데스크탑 컴퓨터, 노트북 컴퓨터 등), 워크스테이션, PDA, 웹 패드, 이동 전화기 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기라면 얼마든지 본 발명에 따른 사용자 단말기(110, 120, 130)로서 채택될 수 있다.
한편, 상기 인터페이스부(101)는 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)가 사용자 단말기(110, 120, 130)와 통신을 수행할 수 있도록 인터페이싱하며, 부동산 거래 정보 및 가격 예측 정보 제공을 위한 데이터의 전송 및 수신을 위해 필요한 그래픽 사용자 인터페이스를 상기 사용자 단말기(110, 120, 130)에 제공할 수 있다.
상기 제어부(102)는 상술한 바와 같은 인터페이스부(101)와, 후술할 처리부(103), 데이터베이스 관리부(104) 및 분석부(105) 간의 데이터의 흐름을 제어하는 기능을 수행한다.
상기 처리부(103)는 빅데이터(부동산가격예측모델) 및 머신러닝알고리즘에 기반하여 상기 인터페이스부(101)를 통하여 송수신되는 데이터에 기초하여 부동산 거래 정보 및 가격 예측 정보 제공을 위한 각종 처리를 수행한다. 본 발명에 따른 이러한 처리 과정은 후술하기로 한다.
상기 데이터베이스 관리부(104)는, 공공데이터제공서버로부터 전달받은 부동산 관련 공공데이터를 수집 및 관리하기 위한 부동산정보 데이터베이스(104a), 부동산 가격을 예측하는데 지역별 또는 구역별로 사용할 머신러닝 알고리즘을 저장 및 관리하기 위한 머신러닝알고리즘데이터베이스(104b), 상기 부동산정보로부터 학습하여 생성한 부동산가격예측모델을 저장하고 있는 부동산가격예측모델 데이터베이스(104c), 및 상기 부동산정보와 연동하여, 각 부동산이 매핑되는 지도 정보를 저장하고 있는 지도 데이터베이스(104d) 등을 포함할 수 있다.
부동산정보 데이터베이스(104a)에는, 시군구, 번지, 지목, 용도지역, 도로조건, 계약년월, 계약일, 계약면적, 거래금액, 지분구분, 면적당가격(㎡ 당 또는 평당 가격), 위치(x좌표, y좌표) 등의 필드들을 포함할 수 있다.
한편, 상기 머신러닝 알고리즘은, K 최근접 이웃 알고리즘(KNN), 선형회귀모델(Linear Regression), 딥러닝(Multi-Layer Perceptron), 및 랜덤포레스트(Random Forest) 알고리즘을 포함할 수 있다.
한편, 사용자가 부동산 거래 정보 및 가격 예측 정보 제공 서비스를 받기 위해 회원가입을 해야 한다면, 회원들이 로그인하기 위하여 사용하는 로그인 ID 및 패스워드 등의 식별 정보와, 이름, 연락처 등에 관한 정보를 포함하는 회원 데이터베이스(미도시됨)가 더 포함될 수 있으며, 이는 처리부(103)에 의해 참조될 수 있다.
상기 실시예에서는, 본 발명의 구현을 위한 정보를 저장하는 데이터베이스를부동산정보 데이터베이스(104a), 머신러닝알고리즘 데이터베이스(104b), 부동산가격예측모델 데이터베이스(104c), 및 지도 데이터베이스(104d)의 네 가지 데이터베이스로 분류하였지만, 이러한 분류를 포함한 데이터베이스의 구성은 당업자의 필요에 따라 변경될 수 있다.
한편, 본 발명에 있어서, 데이터베이스란, 협의의 데이터베이스뿐만 아니라, 컴퓨터 파일 시스템에 기반을 둔 데이터 기록 등을 포함하는 넓은 의미의 데이터베이스까지 포함하는 개념으로서, 단순한 연산 처리 로그의 집합이라도 이를 검색하여 소정의 데이터를 추출할 수 있다면 본 발명에서 말하는 데이터베이스에 포함될 수 있음이 이해되어야 한다.
한편, 상기 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)는, 실거래가정보 제공서버(140)와의 데이터 통신을 통해 실거래가정보 데이터를 전달받을 수 있다.
한편, 상기 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)는, 토지특성정보 제공 서버(150)와의 데이터 통신을 통해 토지특성정보 데이터를 전달받을 수 있다.
상기 분석부(105)는, 빅데이터 또는 머신러닝 알고리즘을 이용하여 상기 부동산정보 데이터베이스(104a)에 근거하여 상기 사용자 단말기(110, 120, 130)를 통해 입력받은 해당 부동산과 연관된 데이터를 추출하여 분석하고, 학습하여 부동산 가격을 예측하는데 적용되는 머데이터베이스(104b) 및 부동산가격예측모델 데이터베이스(104c)를 지속적으로 업데이트한다.
즉, 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)는 빅데이터의 데이터 마이닝 알고리즘 및 머신러닝 알고리즘을 이용하여 실거래 정보가 없는 부동산의 가격을 예측하여 제공하는 것을 특징으로 한다.
도 2는 도 1의 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)에서 처리부(103)의 일실시예 상세 구성도이다.
도 2에 도시된 바와 같이, 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)의 처리부(103)는, 데이터 수집부(201), 데이터 처리부(202), 및 부동산정보 도출부(203)를 포함한다.
상기 데이터 수집부(301)는 부동산 거래 정보 및 가격 예측 정보 제공를 서비스하기 위해 실거래가 정보 데이터 및 토지특성 정보 데이터를 수집한다.
실거래가 정보 데이터는, 시군구, 번지, 지목, 용도지역, 도로조건, 계약년월, 계약일, 계약면적, 거래금액, 지분구분 등을 포함한다.
토지특성 정보 데이터는, 시군구, 번지, 지목, 용도지역, 도로조건, 면적, 지분구분, 년도, 주거형태, 대지모양 등을 포함한다.
데이터 처리부(202)는 퀀텀지리정보시스템(QGIS)을 이용하여 상기 실거래가정보 데이터 및 상기 토지특성정보 데이터를 처리한다.
상기 실거래가정보 데이터 및 토지특성정보 데이터로부터 시군구, 지목, 용도지역, 면적이 모두 같은 데이터를 같은 부동산으로 간주하여 결합하고, 결합된 데이터에서 거래정보 제공 및 가격 예측 제공에 필요하지 않은 데이터필드 및 문자를 삭제 또는 변경하고, 상기 결합된 데이터에서 거래금액을 면적으로 나누어 ㎡당 가격 또는 평당가격으로 면적당가격으로 산출하고, 퀀텀지리정보시스템(QGIS)을 이용하여 해당 부동산의 위치에 대한 x 좌표 및 y 좌표를 생성한다.
부동산정보 도출부(203)는 상기 데이터 처리부(202)에서 출력되는 부동산 거래 정보 및 가격 예측 정보를 제공하는데 필요한 부동산정보를 부동산정보 데이터베이스에 저장하고, 지도 데이터를 지도 데이터베이스에 저장한다.
부동산정보 데이터베이스(104a)에는, 시군구, 번지, 지목, 용도지역, 도로조건, 계약년월, 계약일, 계약면적, 거래금액, 지분구분, 면적당가격(㎡당 가격 또는 평당 가격), 위치(x좌표, y좌표) 등의 필드들을 포함할 수 있다.
한편, 부동산 거래 정보 또는 가격 예측 정보 제공시 ㎡당 가격을 산출하여 함께 제공하되, 평당 가격으로 환산할 수 있는 옵션도 함께 제공할 수 있다.
도 3은 도 1의 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)에서 분석부(105)의 일 실시예 상세 구성도이다.
도 3에 도시된 바와 같이, 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)의 분석부(105)는, 데이터 수신처리부(301), 특성 추출부(302), 거리 계산부(303), 인접 부동산 결정부(304), 가격 계산부(305) 및 부동산가격모델링부(306)를 포함한다.
상기 데이터 수신처리부(301)는 사용자로부터 부동산 거래 정보 또는 부동산 가격 예측 정보 요청에 따라 부동산정보 데이터베이스(104a)를 기반으로 해당 부동산의 거래 정보가 있으면 이를 출력한다.
사용자 단말기에 출력되는 부동산 거래 정보 요청 또는 부동산 가격 예측 정보 요청을 위한 인터페이스는, 검색조건으로, 주소, 용도, 거래 기간, 면적, 출력 조건, 아파트 정보 등이 포함될 수도 있다. 주소의 경우, 지도에서 선택할 수도 있다. 사용자가 전자 지도 상에서 원하는 지점을 선택한 경우, 선택된 지점의 주소가 자동으로 입력되는 방식으로 제공될 수도 있다. 또한, 사용자가 전자 지도 상에서 원하는 지점을 선택한 경우, 그 위치의 좌표를 입력받아 처리할 수도 있다.
이때, 해당 부동산의 거래 정보가 없는 경우, 상기 특성 추출부(302)는 해당 부동산의 특성을 추출한다.
상기 거리 계산부(303)는 해당 부동산이 포함되는 해당 지역에서 상기 해당 부동산의 특성과 유사한 인접한 부동산들과의 거리를 계산한다.
상기 인접 부동산 결정부(304)는 상기 인접한 부동산들과의 거리에 따라 가격 예측에 고려할 기설정된 개수의 부동산을 결정한다.
한편, 해당 지역 내에서 기설정된 개수의 부동산이 결정되지 않는 경우, 부동산정보 데이터베이스의 검색 범위를 넓힐 수 있다.
상기 가격 계산부(305)는 상기 기설정된 개수의 부동산의 면적당가격들로부터 해당 부동산의 가격을 계산 예측 가격으로 출력한다.
상기 부동산가격모델링부(306)는 상기 추출한 부동산 특성 및 상기 예측 가격으로부터 학습 및 추론하여 부동산가격예측모델을 업데이트한다.
사용자 단말기를 통해 상기 부동산의 예측 가격을 출력할 때, 가격 예측에 고려한 기설정된 개수의 부동산들의 정보를 함께 표시해 줄 수도 있다.
도 4는 도 1의 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)에서 분석부(105)의 다른 실시예 상세 구성도이다.
도 4에 도시된 바와 같이, 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)의 분석부(105)는, 데이터 수신처리부(401), 특성 추출부(402), 학습 및 추론부(403), 가격 계산부(404), 검증 기준 설정부(405), 및 부동산가격 모델링부(406)를 포함한다.
상기 데이터 수신처리부(401)는 사용자로부터 부동산 거래 정보 또는 부동산 가격 예측 정보 요청에 따라 부동산정보 데이터베이스(104a)를 기반으로 해당 부동산의 거래 정보가 있으면 이를 출력한다.
사용자 단말기에 출력되는 부동산 거래 정보 요청 또는 부동산 가격 예측 정보 요청을 위한 인터페이스는, 검색조건으로, 주소, 용도, 거래 기간, 면적, 출력 조건, 아파트 정보 등이 포함될 수도 있다. 주소의 경우, 지도에서 선택할 수도 있다. 사용자가 전자 지도 상에서 원하는 지점을 선택한 경우, 선택된 지점의 주소가 자동으로 입력되는 방식으로 제공될 수도 있다. 또한, 사용자가 전자 지도 상에서 원하는 지점을 선택한 경우, 그 위치의 좌표를 입력받아 처리할 수도 있다.
이때, 해당 부동산의 거래 정보가 없는 경우, 상기 특성 추출부(402)는 해당 부동산의 특성을 추출한다.
상기 가격 계산부(403)는 지역별 또는 구역별 가격 예측하는데 적용하는 머신러닝 알고리즘을 이용하여 해당 부동산의 가격을 계산한다.
상기 학습 및 추론부(404)는 상기 부동산정보 데이터베이스를 기반으로 상기 추출한 부동산의 특성으로부터 학습 및 추론한다.
상기 적용알고리즘설정부(405)는 상기 학습 및 추론 결과에 따라, 지역별 또는 구역별 적용 머신러닝알고리즘을 설정한다.
상기 부동산가격모델링부(406)는 상기 학습 및 추론 결과에 따라 상기 부동산가격예측모델을 업데이트한다.
상기 분석부(105)는 최초로 부동산정보 데이터베이스에 저장된 부동산정보를 이용하여 지역에 따라 가격 예측에 적용할 머신러닝 알고리즘을 결정하여 머신러닝알고리즘 데이터베이스(104b)에 미리 저장한다.
상기 부동산정보의 기설정된 비율(3/4, 75%)은 머신러닝 알고리즘을 훈련하는데 사용하고, 상기 부동산정보의 기설정된 비율을 제외한 나머지 비율(1/4, 25%)은 머신러닝 알고리즘을 검증하는데 사용한다.
검증 후, 오차가 기설정값 이내인 경우, 해당 지역에 적용할 머신러닝 알고리즘으로 결정하는 것을 특징으로 한다.
도 5, 6a, 6b, 7, 8a, 및 8b는 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공을 위해 데이터를 처리하는 방법을 설명하기 위한 도면들이다.
도 5는 당진시의 실거래가정보의 샘플 데이터 테이블이다. 실거래가 정보는 국토부의 실거래가정보 제공 서버(140)에서 제공받을 수 있다.
부동산 거래 정보 및 가격 예측 정보 제공 서버(100)의 처리부(102)는 실거래가정보 제공 서버(140)에서 갱신되는 정보를 주기적으로 수신하여 처리 후 부동산정보로 구축할 수 있다.
도 5를 참조하면, 실거래가정보는 여러 행들로 이루어질 수 있다. 이들은 거래가 이루어진 부동산들을 표시한다. 각각의 행들은 시군구열, 번지열, 지목열, 용도지역열, 도로조건열, 계약년월열, 계약일열, 계약면적열, 거래금액열, 지분구분열과 같은 열들로 나뉠 수 있다.
도 6a는 공간융합 개방데이터 제공 화면에서, 토지특성정보에 대한 파일을 다운받을 수 있는 화면이고, 도 6b는 충청남도 당진시에 대한 토지특성정보 데이터를 검색한 화면이다.
부동산 거래 정보 및 가격 예측 정보 제공 서버(100)의 처리부(102)는 토지특성정보 제공 서버(150)에서 갱신되는 정보를 주기적으로 수신하여 처리 후 부동산정보로 구축할 수 있다.
토지특성정보는 대개 일 년에 한번 정보가 갱신된다. 부동산이 2017년 거래되었지만, 동일한 2017년도의 토지특성정보가 있을 수도 있고 없을 수도 있다. 아직 갱신되지 않아 2016년도의 토지특성정보까지만 존재하고 2017년도의 토지특성정보는 존재하지 않을 수도 있다.
한편, 토지특성정보는 각 년도별로 데이터베이스가 구축되어 있으므로, 데이터 수집시, 다수의 년도에 대하여 모두 수집하고, 같은 주소 및 번지에 대한 다수의 토지특성정보는 최신 정보만 남겨두고, 이전 기록은 삭제하는 것이 바람직하다.
실거래가정보 데이터와 토지특성정보 데이터를 결합하는데 있어서, 거래 정보가 존재하지 않는 경우 미정제 데이터로 분류하여, 실거래가 정보에 미정제 데이터라는 표식을 갖는 열을 추가하여 표시하는 방식으로 이루어질 수도 있다. 미정제 데이터들은 현재까지 확보한 공공데이터로는 지번 확인이 불가능한 부동산거래이다. 미정제 데이터로 분류해놓고 있다가 후에 공공데이터가 보충되거나 갱신되면 그 때 다시 확인 후 실제 번지를 얻을 수 있다.
도 7은 QGIS를 이용하여 토지특성정보 데이터를 표시한 도면이다.
토지특성정보 데이터로부터 시군구, 번지, 지목, 면적, 토지모양 등의 특성을 알 수 있으며, QGIS를 이용하면, 각 토지에 대한 x 좌표 및 y 좌표를 얻을 수 있다.
도 8a는 실거래가정보 데이터 및 토지특성정보 데이터로부터 시군구, 지목, 용도지역, 면적이 모두 같은 데이터를 같은 부동산으로 간주하여 결합하여 얻어진 파일이며, 번지(801)가 정확히 기재된다.
도 8b는 QGIS를 이용하여 각 토지에 대한 x좌표(821) 및 y좌표(822)가 얻어진 파일이다.
각 토지에 대한 x좌표 및 y좌표를 알 수 있으므로, 가격을 예측하고자 하는 부동산과 각 토지와의 유클리드 거리를 계산할 수 있다.
도 9a 내지 9c는 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 방법에서 예측 가격을 계산하는 여러 가지 방법을 설명하기 위한 도면들이다.
도 9a를 참조하면, 가격 예측하고자 하는 부동산(911)이 있고, 해당 부동산이 포함된 지역은 (912)이다. 이때, 가격 예측에 고려할 부동산의 개수를 10개로 설정하였다.
그런데, 해당 부동산이 포함되는 지역 내에 가격 예측에 고려할 부동산이 상기 기설정된 개수 미만으로 5개밖에 없는 경우, 검색 지역의 범위를 넓혀(913) 가격 예측에 고려할 부동산을 추가적으로 결정할 수 있다.
만약, 상기 검색 지역의 범위를 넓혀 가격 예측에 고려할 부동산을 추가적으로 결정하여도 전체 결정된 가격 예측에 고려할 부동산이 상기 기설정된 개수(10개) 미만인 경우, 상기 기설정된 개수 미만의 가격 예측에 고려할 부동산만으로 결정한다.
한편, 가격 예측에 고려할 기설정된 개수의 부동산의 면적당가격을 평균하여 상기 해당 부동산의 면적과 곱하여 평균금액으로 계산할 수 있다.
도 9b를 참조하면, 해당 부동산(921)을 기준으로 인접한 구역별로 결정된 제1 가중치 계수들(예를 들어, 1 또는 3)를 해당 구역 내에 결정된 가격 예측에 고려할 부동산에 부여하여 제1 가중치 평균금액으로 계산할 수도 있다.
도면에서는 구역을 사각형으로 표시하였으나, 동/리로 구분되는 불규칙한 다면체 일 수 있다.
도 9c를 참조하면, 해당 부동산(931)을 중심으로 동심원 거리 내에 결정된 가격 예측에 고려할 부동산은 같은 제2 가중치 계수들를 부여하여 제2 가중치 평균금액으로 계산할 수도 있다.
예를 들어, 제일 가까운 제1동심원(932)은 3으로, 그 다음으로 가까운 제2동심원(933)은 2로, 그 다음으로 가까운 제3 동심원(934)은 1로 부여하여 가중치 평균금액으로 계산할 수 있다.
도 10은 본 발멸에 따른 부동산 거래 정보 및 가격 예측 정보 제공 방법에서, 지역에 따라 가격 예측에 적용할 머신러닝 알고리즘을 결정하기 위해 사용하는 부동산 정보의 일실시예 설명도이다.
도 10은 충청남도 공주티 태봉동의 부동산실거래 정보 데이터로, 시군구(AD), 단위 면적 당 토지 실거래가(PP), 도로조건(LC), 지목(LP), 용도지역(WF), 지분구분(GB), 계약년(YE), 계약월(MO), 토지가격(PR), 토지면적(CA)을 포함한다.
한편, 번지를 고려하는 경우에는 도 8a의 실거래가정보 데이터 및 토지특성정보 데이터로부터 시군구, 지목, 용도지역, 면적이 모두 같은 데이터를 같은 부동산으로 간주하여 결합하여 얻어진 부동산정보 데이터베이스를 이용할 수도 있다.
본 발명에서는, 부동산정보 데이터베이스에 저장된 부동산정보를 이용하여 지역에 따라 가격 예측에 적용할 머신러닝 알고리즘을 결정하는 것으로 설명하였다.
여기서, 상기 부동산정보의 기설정된 비율(3/4, 75%)은 머신러닝 알고리즘을 훈련하는데 사용되고, 상기 부동산정보의 기설정된 비율을 제외한 나머지 비율(1/4, 25%)은 머신러닝 알고리즘을 검증하는데 사용된다.
도 11a 및 11b는 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 방법에서, 지역에 따라 가격 예측에 적용할 머신러닝 알고리즘을 나타낸 설명도이다.
도 11a에 도시된 바와 같이, 충청남도 공주시 이인면 신영리에 대해서는 가격 예측에 적용할 머신러닝 알고리즘이 랜덤 포레스트로 결정되었고, 적중률은 79.93% 이다.
충청남도 공주시 사고면 신영리에 대해서는 가격 예측에 적용할 머신러닝 알고리즘이 딥러닝으로 결정되었고, 적중률은 57.40% 이다.
충청남도 공주시 탄천면 국동리에 대해서는 가격 예측에 적용할 머신러닝 알고리즘이 랜덤 포레스트로 결정되었고, 적중률은 62.96% 이다.
충청남도 공주시 정안면 어물리에 대해서는 가격 예측에 적용할 머신러닝 알고리즘이 딥러닝으로 결정되었고, 적중률은 54.16% 이다.
충청남도 공주시 금학동에 대해서는 가격 예측에 적용할 머신러닝 알고리즘이 랜덤 포레스트로 결정되었고, 적중률은 57.44% 이다.
도 11b에 도시된 바와 같이, 공주시 마을 188개에 대하여 적용한 결과,
마을별 적중률 평균 61.99%, 표준편차 12.52 이고, 랜덤포레스트가 최선인 경우가 95회, 이웃 ~ 가 최선인 경우가 28회, 딥러닝이 최선인 경우가 45회, 선형회귀모델이 최선인 경우가 18회, 평균이 최선인 경우가 2회로 나타났다.
도 12는 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 방법에 대한 일실시예 흐름도이다.
먼저, 다수의 공공데이터를 수집한다(S1210).
상기 데이터수집단계(S1210)에서는, 상기 부동산의 실거래가정보 데이터를 수집하는 제1수집단계, 및 상기 부동산의 토지특성정보 데이터를 수집하는 제2수집단계를 포함할 수 있다.
이후, 상기 다수의 공공데이터로부터 해당 부동산에 대한 부동산정보를 도출한다(S1220).
상기 데이터도출단계(S1220)에서는, 상기 실거래가정보 데이터 및 토지특성정보 데이터로부터 시군구, 지목, 용도지역, 면적이 모두 같은 데이터를 같은 부동산으로 간주하여 결합하여 지번데이터를 획득할 수 있고, 결합된 데이터에서 거래정보 제공 및 가격 예측 제공에 필요하지 않은 데이터필드 및 문자를 삭제 또는 변경가능하며, 상기 결합된 데이터에서 거래금액을 면적으로 나누어 면적당가격으로 산출하고, 퀀텀지리정보시스템(QGIS)을 이용하여 해당 부동산의 위치에 대한 x 좌표 및 y 좌표를 계산하여 획득할 수 있다.
이후, 사용자로부터의 부동산의 거래 정보 요청 또는 가격 예측 정보 요청에 따라, 해당 부동산의 부동산정보를 확인한다(S1230).
이후, 해당 부동산의 부동산 거래 정보가 있음에 따라, 해당 부동산의 거래 정보를 출력한다(S1240).
한편, 해당 부동산의 부동산 가격 정보가 없음에 따라, 상기 부동산정보를 기반으로 해당 부동산의 가격을 예측하여 출력한다(S1250).
도 13은 도 12의 예측가격출력단계(S1250)의 상세 흐름도이다.
상기 예측정보출력단계(S1250)의 상세 과정은 다음과 같다.
해당 부동산의 거래 정보가 없음에 따라 상기 해당 부동산의 특성을 추출한다(S1310).
이후, 해당 부동산이 포함되는 지역에서 상기 해당 부동산의 특성과 유사한 인접한 부동산들과의 거리를 계산한다(S1320).
이후, 상기 인접한 부동산들과의 거리에 따라 가격 예측에 고려할 기설정된 개수의 부동산을 결정한다(S1330).
인접부동산결정단계(S1330)에서, 상기 해당 부동산이 포함되는 지역 내에 가격 예측에 고려할 부동산이 상기 기설정된 개수 미만인 경우, 검색 지역의 범위를 넓혀 가격 예측에 고려할 부동산을 추가적으로 결정한다.
한편, 상기 검색 지역의 범위를 넓혀 가격 예측에 고려할 부동산을 추가적으로 결정하여도 전체 결정된 가격 예측에 고려할 부동산이 상기 기설정된 개수 미만인 경우, 상기 기설정된 개수 미만의 가격 예측에 고려할 부동산만으로 결정한다.
이후, 상기 기설정된 개수의 부동산의 면적당 가격들로부터 평균값 또는 가중치 평균값을 계산한다(S1340).
상기 가격계산단계(S1340)에서는, 상기 결정된 가격 예측에 고려할 기설정된 개수의 부동산의 면적당가격을 평균하여 상기 해당 부동산의 면적과 곱하여 평균금액으로 계산할 수 있다.
한편, 상기 해당 부동산을 기준으로 인접한 구역별로 결정된 제1 가중치 계수들을 해당 구역 내에 결정된 가격 예측에 고려할 부동산에 부여하여 제1 가중치 평균금액으로 계산할 수도 있다.
또한, 상기 해당 부동산을 중심으로 동심원 거리 내에 결정된 가격 예측에 고려할 부동산은 같은 제2 가중치 계수들을 부여하여 제2 가중치 평균금액으로 계산할 수도 있다.
이후, 상기 계산한 평균값 또는 가중치 평균값을 해당 부동산의 예측 가격으로 출력한다(S1350).
도 14는 본 발명에 따른 부동산 거래 정보 및 가격 예측 정보 제공 방법에 대한 다른 실시예 흐름도이다.
먼저, 다수의 공공데이터를 수집한다(S1410).
상기 데이터수집단계(S1410)에서는, 상기 부동산의 실거래가정보 데이터를 수집하는 제1수집단계, 및 상기 부동산의 토지특성정보 데이터를 수집하는 제2수집단계를 포함할 수 있다. 한편, 상기 부동산의 실거래가정보 데이터만을 수집하여 사용할 수도 있다.
상기 다수의 공공데이터로부터 해당 부동산에 대한 부동산정보를 도출한다(S1420).
다수의 머신러닝알고리즘으로 상기 부동산정보 중 기설정 비율의 데이터를 이용하여 훈련시킨다(S1430).
상기 부동산정보에서 상기 기설정 비율의 데이터를 제외한 나머지 데이터에 대하여 검증한다(S1440).
상기 부동산정보의 기설정된 비율(예: 3/4, 75%)은 머신러닝 알고리즘을 훈련하는데 사용하고, 상기 부동산정보의 기설정된 비율을 제외한 나머지 비율(예:1/4, 25%)은 머신러닝 알고리즘을 검증하는데 사용한다.
검증 후, 오차가 기설정값 이내인 경우, 해당 지역에 적용할 머신러닝 알고리즘으로 결정하는 것을 특징으로 한다.
검증 결과에 따라, 지역별 또는 구역별 부동산 가격을 예측하는데 적용할 머신러닝알고리즘을 결정한다(S1450).
상기 머신러닝알고리즘은, K 최근접 이웃 알고리즘(KNN), 선형회귀모델(Linear Regression), 딥러닝(Multi-Layer Perceptron), 및 랜덤포레스트(Random Forest) 알고리즘을 포함한다.
사용자로부터의 부동산의 거래 정보 요청 또는 가격 예측 정보 요청에 따라, 해당 부동산의 부동산정보를 확인한다(S1460).
이후, 해당 부동산의 부동산 거래 정보가 있음에 따라, 해당 부동산의 거래 정보를 출력한다(S1470).
한편, 해당 부동산의 부동산 가격 정보가 없음에 따라, 기설정된 머신러닝알고리즘 및 부동산가격예측모델을 기반으로 해당 부동산의 가격을 예측하여 출력한다(S1480).
주기적으로 가격을 예측하는데 적용할 머신러닝알고리즘 및 부동산가격예측모델을 업데이트한다(S1490).
본 발명에서는 설명의 편의를 위해 부동산 중 토지를 예로 들어 설명하였으나, 본 발명이 이에 한정되는 것은 아니며, 단독주택 및 집합주택을 포함하는 주택에 대해서도 가격 예측 정보를 제공하는 것도 가능하다.
이상에서 본 발명의 일 실시예에 따른 부동산 거래 정보 및 가격 예측 정보 제공 방법에 대하여 설명하였지만, 부동산 거래 정보 및 가격 예측 정보 제공 방법을 구현하기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체 및 부동산 거래 정보 및 가격 예측 정보 제공 방법을 구현하기 위한 컴퓨터 판독 가능한 기록매체에 저장된 프로그램 역시 구현 가능함은 물론이다.
즉, 상술한 부동산 거래 정보 및 가격 예측 정보 제공 방법은 이를 구현하기 위한 명령어들의 프로그램이 유형적으로 구현됨으로써, 컴퓨터를 통해 판독될 수 있는 기록매체에 포함되어 제공될 수도 있음을 당업자들이 쉽게 이해할 수 있을 것이다. 다시 말해, 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어, 컴퓨터 판독 가능한 기록매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 상기 컴퓨터 판독 가능한 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리, USB 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 상기 컴퓨터 판독 가능한 기록매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
본 발명은 상기한 실시예에 한정되지 아니하며, 적용범위가 다양함은 물론이고, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 다양한 변형 실시가 가능한 것은 물론이다.
100: 부동산 거래 정보 및 가격 예측 정보 제공 서버
110, 120, 130: 사용자 단말기
140: 실거래가정보 제공 서버
150: 토지특성정보 제공 서버
101: 인터페이스부 102: 제어부
103: 처리부 104: 데이터베이스 관리부
105: 분석부 201: 데이터 수집부
202: 데이터 처리부 203: 부동산정보 도출부
301: 데이터 수신처리부 302: 특성 추출부
303: 거리계산부 304: 인접 부동산 결정부
305: 가격 계산부 306: 부동산가격 모델링부
401: 데이터 수신처리부 402: 특성 추출부
403: 학습 및 추론부 404: 가격 계산부
405: 적용알고리즘 설정부 406: 부동산가격 모델링부
110, 120, 130: 사용자 단말기
140: 실거래가정보 제공 서버
150: 토지특성정보 제공 서버
101: 인터페이스부 102: 제어부
103: 처리부 104: 데이터베이스 관리부
105: 분석부 201: 데이터 수집부
202: 데이터 처리부 203: 부동산정보 도출부
301: 데이터 수신처리부 302: 특성 추출부
303: 거리계산부 304: 인접 부동산 결정부
305: 가격 계산부 306: 부동산가격 모델링부
401: 데이터 수신처리부 402: 특성 추출부
403: 학습 및 추론부 404: 가격 계산부
405: 적용알고리즘 설정부 406: 부동산가격 모델링부
Claims (10)
- 부동산 거래 정보 및 가격 예측 정보 제공 시스템에 있어서,
부동산의 실거래가정보 데이터를 제공하는 실거래가정보 제공서버(140);
상기 부동산의 토지특성정보 데이터를 제공하는 토지특성정보 제공서버(150);
상기 실거래가정보 제공서버로부터 전달받은 상기 실거래가정보 데이터 및 상기 토지특성정보 제공서버로부터 전달받은 상기 토지특성정보 데이터를 처리 및 분석하여 부동산의 실거래 정보 및 가격 예측 정보를 제공하기 위한 부동산 거래 정보 및 가격 예측 정보 제공 서버(100); 및
사용자로부터 부동산의 거래 정보 요청 또는 가격 예측 정보 요청 신호를 입력받고, 상기 부동산의 가격 정보 및 가격 예측 정보를 제공하기 위한 사용자 단말기(110, 120, 130)
를 포함하고,
상기 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)는,
부동산 거래 정보 및 가격 예측 정보 제공을 위한 데이터의 전송 및 수신을 위해 필요한 그래픽 사용자 인터페이스를 상기 사용자 단말기(110, 120, 130)에 제공하기 위한 인터페이스부(101);
상기 인터페이스부를 통하여 송수신되는 데이터를 분석하여 상기 부동산 거래 정보 및 가격 예측 정보 제공을 위한 각종 처리를 수행하기 위한 처리부(103);
부동산정보, 머신러닝알고리즘, 부동산가격예측모델, 및 지도를 저장하고 있는 데이터베이스 관리부(104);
상기 부동산정보에 근거하여 상기 사용자 단말기를 통해 입력받은 해당 부동산과 연관된 데이터를 추출하여 분석하고, 학습하여 부동산 가격을 예측하는데 적용되는 머신러닝알고리즘 또는 부동산가격예측모델을 업데이트하기 위한 분석부(105); 및
상기 인터페이스부, 상기 처리부, 상기 데이터베이스 관리부 및 상기 분석부간의 데이터 흐름을 제어하기 위한 제어부(102)
를 포함하고,
상기 처리부(103)는,
상기 실거래가정보 데이터 및 상기 토지특성정보 데이터를 전달받아 유의미한 데이터를 수집하기 위한 데이터 수집부(201);
퀀텀지리정보시스템(QGIS) 기반으로 상기 실거래가정보 데이터 및 상기 토지특성정보 데이터를 처리하기 위한 데이터 처리부(202); 및
상기 실거래가정보 데이터 및 상기 토지특성정보 데이터로부터 부동산 거래 정보 및 가격 예측 정보를 제공하는데 필요한 항목들을 정리하여 부동산정보 데이터베이스로 구축하기 위한 부동산정보 도출부(203)
를 포함하는 것을 특징으로 하고,
상기 실거래가정보 데이터는,
시군구, 번지, 지목, 용도지역, 도로조건, 계약년월, 계약일, 계약면적, 거래금액, 지분구분을 포함하고,
상기 토지특성정보 데이터는,
시군구, 번지, 지목, 용도지역, 도로조건, 면적, 지분구분, 년도, 주거형태, 대지모양을 포함하고,
상기 실거래가정보 데이터 및 토지특성정보 데이터로부터 시군구, 지목, 용도지역, 면적이 모두 같은 데이터를 같은 부동산으로 간주하여 결합하는 것을 특징으로 하고,
상기 퀀텀지리정보시스템(QGIS)을 이용하여 해당 부동산의 위치에 대한 x좌표 및 y좌표를 생성하는 것을 특징으로 하고,
상기 부동산정보는,
시군구, 번지, 지목, 용도지역, 도로조건, 계약년월, 계약일, 계약면적, 거래금액, 지분구분, 면적당가격(㎡당 가격 또는 평당 가격), 위치(x좌표, y좌표) 필드들을 포함하는 것을 특징으로 하고,
상기 분석부(105)는,
상기 사용자 단말기를 통해 주소 또는 지도상의 위치 좌표 데이터를 입력받아, 상기 부동산정보 데이터베이스를 기반으로 해당 부동산의 거래 정보가 있으면 이를 출력하는 데이터수신처리부(301);
해당 부동산의 거래 정보가 없음에 따라 상기 해당 부동산의 특성을 추출하는 특성 추출부(302);
해당 부동산이 포함되는 지역에서 상기 해당 부동산의 특성과 유사한 인접한 부동산들과의 실제 거리를 계산하는 거리 계산부(303);
상기 인접한 부동산들과의 거리에 따라 가격 예측에 고려할 기설정된 개수의 부동산을 결정하는 인접 부동산 결정부(304);
상기 기설정된 개수의 부동산의 평당 가격들로부터 평균값 또는 가중치 평균값을 계산하여 예측 가격으로 출력하는 가격 계산부(305); 및
상기 추출한 부동산 특성 및 예측 가격으로부터 학습 및 추론하여 새로운 부동산가격예측모델을 수립하는 부동산가격모델링부(306)
를 포함하는 것을 특징으로 하는 부동산 거래 정보 및 가격 예측 정보 제공 시스템.
- 삭제
- 삭제
- 부동산 거래 정보 및 가격 예측 정보 제공 시스템에 있어서,
부동산의 실거래가정보 데이터를 제공하는 실거래가정보 제공서버(140);
상기 부동산의 토지특성정보 데이터를 제공하는 토지특성정보 제공서버(150);
상기 실거래가정보 제공서버로부터 전달받은 상기 실거래가정보 데이터 및 상기 토지특성정보 제공서버로부터 전달받은 상기 토지특성정보 데이터를 처리 및 분석하여 부동산의 실거래 정보 및 가격 예측 정보를 제공하기 위한 부동산 거래 정보 및 가격 예측 정보 제공 서버(100); 및
사용자로부터 부동산의 거래 정보 요청 또는 가격 예측 정보 요청 신호를 입력받고, 상기 부동산의 가격 정보 및 가격 예측 정보를 제공하기 위한 사용자 단말기(110, 120, 130)
를 포함하고,
상기 부동산 거래 정보 및 가격 예측 정보 제공 서버(100)는,
부동산 거래 정보 및 가격 예측 정보 제공을 위한 데이터의 전송 및 수신을 위해 필요한 그래픽 사용자 인터페이스를 상기 사용자 단말기(110, 120, 130)에 제공하기 위한 인터페이스부(101);
상기 인터페이스부를 통하여 송수신되는 데이터를 분석하여 상기 부동산 거래 정보 및 가격 예측 정보 제공을 위한 각종 처리를 수행하기 위한 처리부(103);
부동산정보, 머신러닝알고리즘, 부동산가격예측모델, 및 지도를 저장하고 있는 데이터베이스 관리부(104);
상기 부동산정보에 근거하여 상기 사용자 단말기를 통해 입력받은 해당 부동산과 연관된 데이터를 추출하여 분석하고, 학습하여 부동산 가격을 예측하는데 적용되는 머신러닝알고리즘 또는 부동산가격예측모델을 업데이트하기 위한 분석부(105); 및
상기 인터페이스부, 상기 처리부, 상기 데이터베이스 관리부 및 상기 분석부간의 데이터 흐름을 제어하기 위한 제어부(102)
를 포함하고,
상기 처리부(103)는,
상기 실거래가정보 데이터 및 상기 토지특성정보 데이터를 전달받아 유의미한 데이터를 수집하기 위한 데이터 수집부(201);
퀀텀지리정보시스템(QGIS) 기반으로 상기 실거래가정보 데이터 및 상기 토지특성정보 데이터를 처리하기 위한 데이터 처리부(202); 및
상기 실거래가정보 데이터 및 상기 토지특성정보 데이터로부터 부동산 거래 정보 및 가격 예측 정보를 제공하는데 필요한 항목들을 정리하여 부동산정보 데이터베이스로 구축하기 위한 부동산정보 도출부(203)
를 포함하는 것을 특징으로 하고,
상기 실거래가정보 데이터는,
시군구, 번지, 지목, 용도지역, 도로조건, 계약년월, 계약일, 계약면적, 거래금액, 지분구분을 포함하고,
상기 토지특성정보 데이터는,
시군구, 번지, 지목, 용도지역, 도로조건, 면적, 지분구분, 년도, 주거형태, 대지모양을 포함하고,
상기 실거래가정보 데이터 및 토지특성정보 데이터로부터 시군구, 지목, 용도지역, 면적이 모두 같은 데이터를 같은 부동산으로 간주하여 결합하는 것을 특징으로 하고,
상기 퀀텀지리정보시스템(QGIS)을 이용하여 해당 부동산의 위치에 대한 x좌표 및 y좌표를 생성하는 것을 특징으로 하고,
상기 부동산정보는,
시군구, 번지, 지목, 용도지역, 도로조건, 계약년월, 계약일, 계약면적, 거래금액, 지분구분, 면적당가격(㎡당 가격 또는 평당 가격), 위치(x좌표, y좌표) 필드들을 포함하는 것을 특징으로 하고,
상기 분석부(105)는,
상기 사용자 단말기를 통해 주소 또는 지도상의 위치 좌표 데이터를 입력받아, 상기 부동산정보 데이터베이스를 기반으로 해당 부동산의 거래 정보가 있으면 이를 출력하는 데이터수신처리부(401);
해당 부동산의 거래 정보가 없음에 따라 상기 해당 부동산의 특성을 추출하는 특성 추출부(402);
지역별 또는 구역별 가격 예측하는데 적용하는 머신러닝 알고리즘을 이용하여 해당 부동산의 가격을 계산하는 가격 계산부(403);
상기 부동산정보 데이터베이스를 기반으로 학습 및 추론하는 학습및추론부(404);
상기 학습 및 추론 결과에 따라, 지역별 또는 구역별 적용 머신러닝알고리즘을 설정하는 적용알고리즘설정부(405); 및
상기 학습 및 추론 결과에 따라 상기 부동산가격예측모델을 업데이트하는 부동산가격모델링부(406)
를 포함하고,
상기 분석부는,
다수의 머신러닝 알고리즘을 이용하여, 머신러닝 알고리즘 각각에 대하여 상기 부동산정보 중 기설정 비율의 데이터를 이용하여 훈련시키고, 상기 부동산정보에서 상기 기설정 비율의 데이터를 제외한 나머지 데이터에 대하여 각 머신러닝 알고리즘을 검증하고, 검증 결과에 따라, 지역별 또는 구역별 부동산 가격을 예측하는데 적용할 머신러닝 알고리즘을 결정하는 것을 특징으로 하고,
상기 다수의 머신러닝 알고리즘은,
K 최근접 이웃 알고리즘(KNN), 선형회귀모델(Linear Regression), 딥러닝(Multi-Layer Perceptron), 및 랜덤포레스트(Random Forest) 알고리즘을 포함하는 것을 특징으로 하는 부동산 거래 정보 및 가격 예측 정보 제공 시스템.
- 청구항 1의 부동산 거래 정보 및 가격 예측 정보 제공 시스템에서의 부동산 거래 정보 및 가격 예측 정보 제공 방법에 있어서,
처리부에서, 다수의 공공데이터를 수집하는 데이터수집단계(S1210);
상기 처리부에서, 상기 다수의 공공데이터로부터 해당 부동산에 대한 부동산정보를 도출하는 데이터도출단계(S1220);
분석부에서, 사용자로부터의 부동산의 거래 정보 요청 또는 가격 예측 정보 요청에 따라, 해당 부동산의 부동산정보를 확인하는 데이터확인단계(S1230);
상기 분석부에서, 해당 부동산의 부동산 거래 정보가 있음에 따라, 해당 부동산의 거래 정보를 출력하는 거래정보출력단계(S1240); 및
상기 분석부에서, 해당 부동산의 부동산 가격 정보가 없음에 따라, 상기 부동산정보를 기반으로 해당 부동산의 가격을 예측하여 출력하는 예측정보출력단계(S1250)
를 포함하고,
상기 데이터수집단계(S1210)는,
데이터 수집부에서, 상기 부동산의 실거래가정보 데이터를 수집하는 제1수집단계; 및
상기 데이터 수집부에서, 상기 부동산의 토지특성정보 데이터를 수집하는 제2수집단계
를 포함하고,
상기 데이터도출단계(S1220)는,
부동산정보 도출부에서, 상기 실거래가정보 데이터 및 토지특성정보 데이터로부터 시군구, 지목, 용도지역, 면적이 모두 같은 데이터를 같은 부동산으로 간주하여 결합하는 지번데이터획득단계;
상기 부동산정보 도출부에서, 결합된 데이터에서 거래정보 제공 및 가격 예측 제공에 필요하지 않은 데이터필드 및 문자를 삭제 또는 변경하는 편집단계;
상기 부동산정보 도출부에서, 상기 결합된 데이터에서 거래금액을 면적으로 나누어 면적당가격으로 산출하는 면적당가격획득단계; 및
데이터 처리부에서, 퀀텀지리정보시스템(QGIS)을 이용하여 해당 부동산의 위치에 대한 x 좌표 및 y 좌표를 계산하여 획득하는 좌표획득단계
를 포함하는 것을 특징으로 하고,
상기 실거래가정보 데이터는,
시군구, 번지, 지목, 용도지역, 도로조건, 계약년월, 계약일, 계약면적, 거래금액, 지분구분을 포함하고,
상기 토지특성정보 데이터는,
시군구, 번지, 지목, 용도지역, 도로조건, 면적, 지분구분, 년도, 주거형태, 대지모양을 포함하고,
상기 부동산정보는,
시군구, 번지, 지목, 용도지역, 도로조건, 계약년월, 계약일, 계약면적, 거래금액, 지분구분, 면적당가격(㎡당 가격 또는 평당 가격), 위치(x좌표, y좌표) 필드들을 포함하는 것을 특징으로 하고,
상기 예측정보출력단계(S1250)는,
특성 추출부에서, 해당 부동산의 거래 정보가 없음에 따라 상기 해당 부동산의 특성을 추출하는 특성추출단계(S1310);
거리 계산부에서, 해당 부동산이 포함되는 지역에서 상기 해당 부동산의 특성과 유사한 인접한 부동산들과의 실제 거리를 계산하는 거리계산단계(S1320);
인접 부동산 결정부에서, 상기 인접한 부동산들과의 거리에 따라 가격 예측에 고려할 기설정된 개수의 부동산을 결정하는 인접부동산결정단계(S1330);
가격 계산부에서, 상기 기설정된 개수의 부동산의 면적당 가격들로부터 평균값 또는 가중치 평균값을 계산하는 가격계산단계(S1340); 및
상기 가격 계산부에서, 상기 계산한 평균값 또는 가중치 평균값을 해당 부동산의 예측 가격으로 출력하는 가격예측단계(S1350)
를 포함하는 것을 특징으로 하는 부동산 거래 정보 및 가격 예측 정보 제공 방법.
- 삭제
- 삭제
- 제 5항에 있어서,
인접부동산결정단계(S1330)는,
상기 해당 부동산이 포함되는 지역 내에 가격 예측에 고려할 부동산이 상기 기설정된 개수 미만인 경우, 검색 지역의 범위를 넓혀 가격 예측에 고려할 부동산을 추가적으로 결정하는 것을 특징으로 하고,
상기 검색 지역의 범위를 넓혀 가격 예측에 고려할 부동산을 추가적으로 결정하여도 전체 결정된 가격 예측에 고려할 부동산이 상기 기설정된 개수 미만인 경우, 상기 기설정된 개수 미만의 가격 예측에 고려할 부동산만으로 결정하는 것을 특징으로 하고,
상기 가격계산단계(S1340)는,
상기 결정된 가격 예측에 고려할 기설정된 개수의 부동산의 면적당가격을 평균하여 상기 해당 부동산의 면적과 곱하여 평균금액으로 계산하는 제1계산단계;
상기 해당 부동산을 기준으로 인접한 구역별로 결정된 제1 가중치 계수들을 해당 구역 내에 결정된 가격 예측에 고려할 부동산에 부여하여 제1 가중치 평균금액으로 계산하는 제2계산단계; 및
상기 해당 부동산을 중심으로 동심원 거리 내에 결정된 가격 예측에 고려할 부동산은 같은 제2 가중치 계수들을 부여하여 제2 가중치 평균금액으로 계산하는 제3계산단계
를 포함하는 것을 특징으로 하는 부동산 거래 정보 및 가격 예측 정보 제공 방법.
- 청구항 4의 부동산 거래 정보 및 가격 예측 정보 제공 시스템에서의 부동산 거래 정보 및 가격 예측 정보 제공 방법에 있어서,
처리부에서 다수의 공공데이터를 수집하는 데이터수집단계(S1410);
상기 처리부에서, 상기 다수의 공공데이터로부터 해당 부동산에 대한 부동산정보를 도출하는 데이터도출단계(S1420);
분석부에서, 다수의 머신러닝알고리즘을 이용하여, 머신러닝 알고리즘 각각에 대하여 상기 부동산정보 중 기설정 비율의 데이터를 이용하여 훈련시키는 훈련단계(S1430);
상기 분석부에서, 상기 부동산정보에서 상기 기설정 비율의 데이터를 제외한 나머지 데이터에 대하여 각 머신러닝 알고리즘을 검증하는 검증단계(S1440);
상기 분석부에서, 검증 결과에 따라, 지역별 또는 구역별 부동산 가격을 예측하는데 적용할 머신러닝 알고리즘을 결정하는 적용알고리즘결정단계(S1450);
상기 분석부에서, 사용자로부터의 부동산의 거래 정보 요청 또는 가격 예측 정보 요청에 따라, 해당 부동산의 부동산정보를 확인하는 데이터확인단계(S1460);
상기 분석부에서, 해당 부동산의 부동산 거래 정보가 있음에 따라, 해당 부동산의 거래 정보를 출력하는 거래정보출력단계(S1470);
상기 분석부에서, 해당 부동산의 부동산 가격 정보가 없음에 따라, 기설정된 머신러닝알고리즘 및 부동산가격예측모델을 기반으로 해당 부동산의 가격을 예측하여 출력하는 예측정보출력단계(S1480); 및
상기 분석부에서, 주기적으로 가격을 예측하는데 적용할 머신러닝알고리즘 및 부동산가격예측모델을 업데이트하는 업데이트단계(S1490)
를 포함하고,
상기 데이터수집단계(S1410)는,
데이터 수집부에서, 상기 부동산의 실거래가정보 데이터를 수집하는 제1수집단계; 및
상기 데이터 수집부에서, 상기 부동산의 토지특성정보 데이터를 수집하는 제2수집단계
를 포함하고,
상기 데이터도출단계(S1420)는,
부동산정보 도출부에서, 상기 실거래가정보 데이터 및 토지특성정보 데이터로부터 시군구, 지목, 용도지역, 면적이 모두 같은 데이터를 같은 부동산으로 간주하여 결합하는 지번데이터획득단계;
상기 부동산정보 도출부에서, 결합된 데이터에서 거래정보 제공 및 가격 예측 제공에 필요하지 않은 데이터필드 및 문자를 삭제 또는 변경하는 편집단계;
상기 부동산정보 도출부에서, 상기 결합된 데이터에서 거래금액을 면적으로 나누어 면적당가격으로 산출하는 면적당가격획득단계; 및
데이터 처리부에서, 퀀텀지리정보시스템(QGIS)을 이용하여 해당 부동산의 위치에 대한 x 좌표 및 y 좌표를 계산하여 획득하는 좌표획득단계
를 포함하는 것을 특징으로 하고,
상기 실거래가정보 데이터는,
시군구, 번지, 지목, 용도지역, 도로조건, 계약년월, 계약일, 계약면적, 거래금액, 지분구분을 포함하고,
상기 토지특성정보 데이터는,
시군구, 번지, 지목, 용도지역, 도로조건, 면적, 지분구분, 년도, 주거형태, 대지모양을 포함하고,
상기 부동산정보는,
시군구, 번지, 지목, 용도지역, 도로조건, 계약년월, 계약일, 계약면적, 거래금액, 지분구분, 면적당가격(㎡당 가격 또는 평당 가격), 위치(x좌표, y좌표) 필드들을 포함하는 것을 특징으로 하고,
상기 다수의 머신러닝 알고리즘은,
K 최근접 이웃 알고리즘(KNN), 선형회귀모델(Linear Regression), 딥러닝(Multi-Layer Perceptron), 및 랜덤포레스트(Random Forest) 알고리즘을 포함하는 것을 특징으로 하는 부동산 거래 정보 및 가격 예측 정보 제공 방법. - 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190135122A KR102353818B1 (ko) | 2019-10-29 | 2019-10-29 | 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190135122A KR102353818B1 (ko) | 2019-10-29 | 2019-10-29 | 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210050726A KR20210050726A (ko) | 2021-05-10 |
| KR102353818B1 true KR102353818B1 (ko) | 2022-01-20 |
Family
ID=75917352
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190135122A KR102353818B1 (ko) | 2019-10-29 | 2019-10-29 | 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102353818B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102699099B1 (ko) | 2023-09-08 | 2024-09-27 | 주식회사 제주알마켓 | 빅데이터를 융복합한 토지가격 예측 시스템 |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102656584B1 (ko) * | 2021-06-10 | 2024-05-03 | 주식회사 시너인 | 비디오 영상 기반 부동산 정보 관리 서버 및 이를 이용한 부동산 정보 제공 방법 |
| KR102686514B1 (ko) * | 2021-08-18 | 2024-07-19 | 부동산일일사 주식회사 | 부동산 개발예정지의 분양가를 산정하는 장치 및 방법 |
| KR102467862B1 (ko) | 2021-09-08 | 2022-11-16 | 경남도립거창대학산학협력단 | 기록매체에 저장된 부동산 관리용 컴퓨터 프로그램 및 컴퓨터 프로그램과 무인 비행체를 이용한 부동산 관리 시스템 |
| KR102438644B1 (ko) | 2021-12-13 | 2022-09-01 | 주식회사 푸릉푸릉 | 부동산 시세 예측 방법 및 이를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램 |
| KR102612080B1 (ko) * | 2022-08-24 | 2023-12-07 | 최정만 | 지도정보에 기반한 토지 통합정보 제공 시스템 |
| KR102699085B1 (ko) * | 2023-08-24 | 2024-09-30 | 주식회사 제주알마켓 | 부동산 통합 데이터베이스 구축 시스템 |
| KR102699103B1 (ko) * | 2023-09-08 | 2024-09-27 | 주식회사 제주알마켓 | 토지공부데이터의 매핑을 통한 허위매물 방지 시스템 |
| KR102709395B1 (ko) * | 2023-09-13 | 2024-09-26 | 베오컴퍼니 주식회사 | 부동산 지분 관리 방법 및 시스템 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6460095B2 (ja) * | 2014-03-28 | 2019-01-30 | 日本電気株式会社 | 学習モデル選択システム、学習モデル選択方法及びプログラム |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101930948B1 (ko) | 2016-06-21 | 2018-12-26 | 주식회사 집펀드 | 주택가격 추정 방법 및 시스템 |
| KR101764834B1 (ko) | 2016-07-27 | 2017-08-04 | 주식회사 케이앤컴퍼니 | 빅데이터를 이용한 부동산 시세 추정 시스템 및 방법 |
| KR101847774B1 (ko) | 2017-04-03 | 2018-04-10 | 김성연 | 부동산 정보 제공 시스템 및 방법 |
| KR20180129693A (ko) * | 2017-05-26 | 2018-12-05 | (주)씨에이씨컴퍼니 | 부동산 시세 서비스 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 |
| KR101904190B1 (ko) | 2018-02-14 | 2018-10-04 | (주)밸류업시스템즈 | 부동산정보 정제 및 제공방법, 시스템, 이를 위한 컴퓨터 프로그램 |
-
2019
- 2019-10-29 KR KR1020190135122A patent/KR102353818B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6460095B2 (ja) * | 2014-03-28 | 2019-01-30 | 日本電気株式会社 | 学習モデル選択システム、学習モデル選択方法及びプログラム |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102699099B1 (ko) | 2023-09-08 | 2024-09-27 | 주식회사 제주알마켓 | 빅데이터를 융복합한 토지가격 예측 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210050726A (ko) | 2021-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102353818B1 (ko) | 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법 | |
| Musa et al. | A review of geospatial-based urban growth models and modelling initiatives | |
| Liu et al. | A multi-type ant colony optimization (MACO) method for optimal land use allocation in large areas | |
| Omar et al. | Markov CA, multi regression, and multiple decision making for modeling historical changes in Kirkuk City, Iraq | |
| US20220067856A1 (en) | System, Method, and Computer Program Product for Siting a Land Parcel | |
| Pramanik et al. | Forecasting urban sprawl in Dhaka city of Bangladesh | |
| Rane et al. | Sustainable tourism development using leading-edge Artificial Intelligence (AI), Blockchain, Internet of Things (IoT), Augmented Reality (AR) and Virtual Reality (VR) technologies | |
| Tohidi et al. | A review of the machine learning in gis for megacities application | |
| Zhuang et al. | Integrating a deep forest algorithm with vector‐based cellular automata for urban land change simulation | |
| Hofmann et al. | Usage of fuzzy spatial theory for modelling of terrain passability | |
| Fan | Hybrid spatial data mining methods for site selection of emergency response centers | |
| Wang et al. | Computational methods and GIS applications in social science | |
| JP2005196752A (ja) | 社会、経済、市場における現象の可視化手段、モデル化手段、シミュレーション手段、及び分析手段。並びに社会を自律的に理解する機械或いは計算機の実現手段 | |
| Değermenci | Spatio-temporal change analysis and prediction of land use and land cover changes using CA-ANN model | |
| Subasinghe et al. | Real-time mapping of natural disasters using citizen update streams | |
| National Research Council et al. | IT roadmap to a geospatial future | |
| Kiker et al. | Exploring an extensive dataset to establish woody vegetation cover and composition in Kruger National Park for the late 1980s | |
| Lagarias | Exploring land use policy scenarios with the use of a cellular automata-based model: urban sprawl containment and sustainable development in Thessaloniki | |
| Dacey et al. | Using an agent-based model to identify high probability search areas for search and rescue | |
| Hao | Spatial analysis | |
| Manca et al. | Fuzzy analysis for modeling regional delineation and development: the case of the Sardinian Mining Geopark | |
| Aydinoglu et al. | Developing a mobile application for smart real estate information | |
| JP7409187B2 (ja) | 被害状況推定装置及びコンピュータプログラム | |
| Ng et al. | Spatial Planning for Smart Sustainable Development? | |
| Muller et al. | Regional governance and hazard information: the role of co-ordinated risk assessment and regional spatial accounting in wildfire hazard mitigation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |