KR102438644B1 - 부동산 시세 예측 방법 및 이를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램 - Google Patents
부동산 시세 예측 방법 및 이를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램 Download PDFInfo
- Publication number
- KR102438644B1 KR102438644B1 KR1020210177322A KR20210177322A KR102438644B1 KR 102438644 B1 KR102438644 B1 KR 102438644B1 KR 1020210177322 A KR1020210177322 A KR 1020210177322A KR 20210177322 A KR20210177322 A KR 20210177322A KR 102438644 B1 KR102438644 B1 KR 102438644B1
- Authority
- KR
- South Korea
- Prior art keywords
- index
- building
- calculated
- price
- information
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004590 computer program Methods 0.000 title claims description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 94
- 238000013528 artificial neural network Methods 0.000 claims description 61
- 238000013473 artificial intelligence Methods 0.000 claims description 28
- 238000010438 heat treatment Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000013598 vector Substances 0.000 description 25
- 230000008859 change Effects 0.000 description 10
- 238000010276 construction Methods 0.000 description 10
- 230000033228 biological regulation Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000002349 favourable effect Effects 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 229920001621 AMOLED Polymers 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000001629 suppression Effects 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 부동산 가격과 상관성을 갖는 다양한 지표들을 통해 높은 정확도로 미래의 부동산 시세를 예측하기 위한 부동산 시세 예측 방법을 제안한다. 상기 방법은 시세 예측 서버가 평가 대상 건물로부터 사전에 설정된 거리 내에 위치한 주변 건물에 대한 가격 정보를 수집하는 단계, 상기 시세 예측 서버가 상기 수집된 주변 건물에 대한 가격 정보를 통해 상기 평가 대상 건물의 건물평가지수를 산출하는 단계, 상기 시세 예측 서버가 상기 산출된 건물평가지수와, 상기 평가 대상 건물의 현재 가격을 고려하여, 상기 평가 대상 건물의 미래 시세를 예측하는 단계를 포함할 수 있다.
Description
본 발명은 부동산 시세 예측에 관한 것이다. 보다 상세하게는, 부동산 가격과 상관성을 갖는 다양한 지표들을 통해 높은 정확도로 미래의 부동산 시세를 예측하기 위한 부동산 시세 예측 방법 및 이를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램에 관한 것이다.
인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력 및 지각능력 등의 일부 또는 전부를 컴퓨터 프로그램을 이용하여 인공적으로 구현하는 기술을 의미한다. 인공지능(AI)과 관련하여, 기계 학습(machine learning)은 다수의 파라미터로 구성된 모델을 이용하여 주어진 데이터로 파라미터를 최적화하는 학습을 의미한다.
한편, 우리나라 민법에서는 물건인 유체물 및 전기 기타 관리할 수 있는 자연력 중에서 토지 및 그 정착물을 부동산으로 정의하고 있다. 이와 같은 부동산은 아파트, 오피스텔, 토지 등을 포함하며, 우리 실생활이나 상거래에서 빈번하게 거래가 이루어지고 있다.
이와 같은, 부동산을 거래하게 위한 정보는 전통적으로 공인 중개사를 통한 인적 네트워크를 통해 제공되어 왔으나, 최근 인터넷의 발달로 인해 부동산 정보를 인터넷을 통해 제공하는 서비스가 확산되어 왔다.
부동산의 시장 가격은 다양한 요인들에 의해 영향을 받기 때문에 그 예측이 쉽지 않다. 특히 장기적인 관점에서의 예측은 더욱 어렵다. 우선 주가, 환율, 금리 등의 관련 지수의 영향을 많이 받기도 하지만, 사람들의 주관적인 심리와 감성 등에 의해서도 영향을 많이 받으며, 정부정책의 변화 등 일시적 이벤트도 부동산 시장 변화에 큰 변수로 작용하기 때문이다.
이와 같이, 부동산 가격에 미치는 다양한 원인과 가격과의 관계를 이용해 인공지능(AI)을 이용한 예측모델을 만드는 연구가 시도되고 있는 것으로 알려졌으나, 아직 신뢰할 만한 수준으로 발전하지는 못하고 있다.
본 발명의 일 목적은 부동산 가격과 상관성을 갖는 다양한 지표들을 통해 높은 정확도로 미래의 부동산 시세를 예측하기 위한 부동산 시세 예측 방법을 제공하는 것이다.
본 발명의 또 다른 목적은 부동산 가격과 상관성을 갖는 다양한 지표들을 통해 높을 정확도로 미래의 부동산 시세를 예측하기 위한 부동산 시세 예측 방법을 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램을 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상술한 바와 같은 기술적 과제를 달성하기 위하여, 본 발명은 건물의 시세를 예측할 수 있는 방법을 제안한다. 상기 방법은 시세 예측 서버가 평가 대상 건물로부터 사전에 설정된 거리 내에 위치한 주변 건물에 대한 가격 정보를 수집하는 단계, 상기 시세 예측 서버가 상기 수집된 주변 건물에 대한 가격 정보를 통해 상기 평가 대상 건물의 건물평가지수를 산출하는 단계, 상기 시세 예측 서버가 상기 산출된 건물평가지수와, 상기 평가 대상 건물의 현재 가격을 고려하여, 상기 평가 대상 건물의 미래 시세를 예측하는 단계를 포함할 수 있다.
구체적으로, 상기 건물평가지수는 상급건물대비저평가지수, 동급건물대비저평가지수, 소득대비아파트가격지수, 연식지수, 세대수지수, 역세권지수, 학군지수, 주차비율지수, 난방방식지수, 현관구조지수, 재건축사업성지수, 학원지수, 용적률지수, 전세가율지수 및 SNS 발행지수 중 적어도 하나를 고려하여 산출될 수 있다.
상기 상급건물대비저평가지수 및 상기 동급건물대비저평가지수는 상기 평가 대상 건물과 사전에 설정된 상급 또는 동급 건물과의 가격 비율을 통해 산출될 수 있다.
상기 연식지수는 상기 평가 대상 건물의 연식에 따라 점수를 부여하여 산출되고, 상기 세대수지수는 상기 평가 대상 건물의 세대수에 따라 점수를 부여하여 산출되고, 상기 역세권지수는 상기 평가 대상 건물과 가장 가까운 지하철 역과의 거리 및 도보 이동 시간에 따라 점수를 부여하여 산출되고, 상기 학군지수는 상기 평가 대상 건물과 가장 가까운 학교와의 거리 및 해당 학교의 학업성취도평가점수에 점수를 부여하여 산출되고, 상기 주차비율지수는 상기 평가 대상 건물의 세대당 주차가능대수에 점수를 부여하여 산출되고, 상기 난방방식지수는 상기 평가 대상 건물의 난방 방식에 따라 점수를 부여하여 산출되고, 상기 현관구조지수는 상기 평가 대상 건물의 현관 구조에 따라 점수를 부여하여 산출되고, 상기 재건축사업성지수는 상기 평가 대상 건물의 연식, 재건축단계, 재건축속도 및 재건축에 따른 세대수 증가량 중 적어도 하나를 고려하여 산출되고, 상기 학원지수는 상기 평가 대상 건물로부터 사전에 설정된 거리 이내에 있는 학원수에 따라 점수를 부여하여 산출되고, 상기 용적률지수는 상기 평가 대상 건물의 용적률에 따라 점수를 부여하여 산출하고, 상기 전세가율지수는 상기 평가 대상 건물의 과거 사전에 설정된 기간 동안의 평균 전세가율에 따라 점수를 부여하여 산출되고, 상기 SNS 발행지수는 상기 평가 대상 건물과 관련한 게시글과, 댓글수의 증감 수준에 점수를 부여하여 산출될 수 있다.
상기 예측하는 단계는 상기 평가 대상 건물의 지역평가지수를 더 고려하여, 상기 평가 대상 건물의 미래 시세를 예측할 수 있다.
상기 지역평가지수는 상급지역대비저평가지수, 동급지역대비저평가지수, 공급률지수, 미분양률지수, 분양률지수, 거래량증감률지수, 인구지수 및 상가공실률지수, 지역입지지수 중 적어도 하나를 고려하여 산출될 수 있다.
상기 상급지역대비저평가지수 및 상기 동급지역대비저평가지수는 상기 평가 대상 건물이 위치하는 지역의 상급 또는 동급 지역으로 사전 설정된 지역의 건물 가격 대비 적정 비율과, 상기 상급 또는 동급 지역의 건물 가격 대비 현재 비율을 고려하여 평가될 수 있다.
상기 공급률지수는 과거 사전 설정된 기간 동안 연평균 입주세대수와, 연평균 예상입주세대수를 고려하여 산출되고, 상기 미분양률지수는 과거 사전 설정된 기간 동안 미분양세대수와, 최근 사전 설정된 기간 동안 미분양세대수를 고려하여 산출되고, 상기 거래량증감률지수는 과거 사전 설정된 기간 동안 거래량증감률과, 최근 사전 설정된 기간 동안 거래량증감률을 고려하여 산출되고, 상기 인구지수는 과거 사전 설정된 기간 동안 인구수증감률과, 최근 사전 설정된 기간 동안 인구수증감률을 고려하여 산출되고, 상기 상가공실률지수는 과거 사전 설정된 기간 동안 상가공실률지수와, 최근 사전 설정된 기간 동안 상가공실률지수를 고려하여 산출될 수 있다.
상기 예측하는 단계는 상기 국내경기지수, 지역경기지수, 지역호재지수, 지역세금지수 및 정책지수 중 적어도 하나를 더 고려하여, 상기 평가 대상 건물의 미래 시세를 예측할 수 있다.
상기 국내경기지수는 종합주가지수, 경제성장지수, 건설투자지수, 금리지수 및 유동성지수 중 적어도 하나를 고려하여 산출될 수 있다.
상기 지역경기지수는 일자리증감지수, 기업경기지수 및 소득지수 중 적어도 하나를 고려하여 산출될 수 있다.
상기 지역호재지수는 일자리호재지수, 교통호재지수, 신도시호재지수, 상권호재지수 및 자연호재지수 중 적어도 하나를 고려하여 산출되고, 상기 지역세금지수는 공시지가공정비율지수, 취득세지수, 보유세지수 및 양도세지수 중 적어도 하나를 고려하여 산출되고, 상기 정책지수는 규제방향성지수, 조정지역지수 및 대출지수 중 적어도 하나를 고려하여 산출될 수 있다.
상술한 바와 같은 기술적 과제를 달성하기 위하여, 본 발명은 건물의 시세를 예측할 수 있는 방법을 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램을 제안한다. 상기 컴퓨터 프로그램은 메모리(memory), 송수신기(transceiver) 및 상기 메모리에 상주된 명령어를 처리하는 프로세서(processor)를 포함하여 구성된 컴퓨팅 장치와 결합되어, 상기 프로세서가, 평가 대상 건물로부터 사전에 설정된 거리 내에 위치한 주변 건물에 대한 가격 정보를 수집하는 단계, 상기 프로세서가, 상기 수집된 주변 건물에 대한 가격 정보를 통해 상기 평가 대상 건물의 아파트평가지수를 산출하는 단계, 상기 프로세서가, 상기 산출된 아파트평가지수와, 상기 평가 대상 건물의 현재 가격을 고려하여, 상기 평가 대상 건물의 미래 시세를 예측하는 단계를 실행시키기 위하여, 기록매체에 기록될 수 있다.
기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 실시 예들에 따르면, 평가 대상 건물과 관련한 주변 건물에 대한 가격 정보를 통해 평가 대상 건물의 건물평가지수를 산출하고, 현재 가격과, 건물평가지수를 포함하는 다양한 지표를 통해 평가 대상 건물의 미래 시세를 정확도 높게 예측할 수 있다.
본 발명의 효과들은 이상에서 언급한 효과로 제한되지 아니하며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 본 발명이 속한 기술분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1 내지 도 3은 본 발명의 일 실시예에 따른 부동산 시세 예측 서비스를 설명하기 위한 예시도이다.
도 4는 본 발명의 일 실시예에 따른 부동산 시세 예측 시스템의 구성도이다.
도 5는 본 발명의 일 실시예에 따른 시세 예측 서버의 논리적 구성도이다.
도 6은 본 발명의 일 실시예에 따른 시세 예측 서버의 하드웨어 구성도이다.
도 7은 본 발명의 일 실시예에 따른 인공 신경망(ANN)의 특징을 설명하기 위한 예시도이다.
도 8은 본 발명의 일 실시예에 따른 시세 예측 방법을 설명하기 위한 순서도이다.
도 4는 본 발명의 일 실시예에 따른 부동산 시세 예측 시스템의 구성도이다.
도 5는 본 발명의 일 실시예에 따른 시세 예측 서버의 논리적 구성도이다.
도 6은 본 발명의 일 실시예에 따른 시세 예측 서버의 하드웨어 구성도이다.
도 7은 본 발명의 일 실시예에 따른 인공 신경망(ANN)의 특징을 설명하기 위한 예시도이다.
도 8은 본 발명의 일 실시예에 따른 시세 예측 방법을 설명하기 위한 순서도이다.
본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 명세서에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.
또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, '구성된다' 또는 '가지다' 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.
또한, 본 명세서에서 사용되는 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
어떤 구성 요소가 다른 구성 요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "'직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다. 본 발명의 사상은 첨부된 도면 외에 모든 변경, 균등물 내지 대체물에 까지도 확장되는 것으로 해석되어야 한다.
상술한 바와 같이, 부동산의 시장 가격은 다양한 요인들에 의해 영향을 받기 때문에 그 예측이 쉽지 않다. 특히 장기적인 관점에서의 예측은 더욱 어렵다. 우선 주가, 환율, 금리 등의 관련 지수의 영향을 많이 받기도 하지만, 사람들의 주관적인 심리와 감성 등에 의해서도 영향을 많이 받으며, 정부정책의 변화 등 일시적 이벤트도 부동산 시장 변화에 큰 변수로 작용하기 때문이다.
이와 같이, 부동산 가격에 미치는 다양한 원인과 가격과의 관계를 이용해 인공지능(AI)을 이용한 예측모델을 만드는 연구가 시도되고 있는 것으로 알려졌으나, 아직 신뢰할 만한 수준으로 발전하지는 못하고 있다.
이러한 한계를 극복하고자, 본 발명은 부동산 가격과 상관성을 갖는 다양한 지표들을 통해 높은 정확도로 미래의 부동산 시세를 예측할 수 있는 다양한 수단들을 제안하고자 한다.
도 1 내지 도 3은 본 발명의 일 실시예에 따른 부동산 시세 예측 서비스를 설명하기 위한 예시도이다.
도 1 내지 도 3을 참조하면, 본 발명에 따른 부동산 시세 예측 시스템은 사용자 장치(100)에 설치된 애플리케이션을 통해 부동산 시세 예측을 위한 서비스를 제공할 수 있다.
즉, 도 1에 도시된 바와 같이, 부동산 시세 예측 시스템은 애플리케이션(110)을 통해 전국 지도를 화면 상에 제공하고, 사용자가 사용자 장치(100)를 통해 도시명을 입력하면, 각 도시 별 부동산 가격 상승률을 지도 상의 각 도시가 위치하는 위치에 표시할 수 있다.
또한, 도 2에 도시된 바와 같이, 부동산 시세 예측 시스템은 애플리케이션(110)을 통해 전국 지도를 화면 상에 제공하고, 사용자가 사용자 장치(100)를 통해 구명을 입력하면, 각 구별 부동산 상승률을 지도 상의 각 구가 위치하는 위치에 표시할 수 있다.
또한, 도 3에 도시된 바와 같이, 부동산 시세 예측 시스템은 지도 상에 각 건물에 대한 시세 정보를 화면 상에 제공하고, 사용자가 사용자 장치(100)를 통해 확인하고자 하는 건물을 지도 상에서 선택하게 되면, 선택한 건물에 대한 사전에 미리 설정된 기간 후의 선택한 건물에 대한 예상금액, 예상금액에 따른 가격 상승률, 가격 상승률에 따른 수익률 등의 정보를 사용자에게 제공할 수 있다.
이 밖에도, 부동산 시세 예측 시스템은 시세변화 정보, 수요와 공급 정보, 아파트 분양 정보, 거래량 정보, 입지 정보, 아파트 검색, 아파트 비교, 매물 검색, 관심아파트 정보, 실거래 정보 등의 다양한 부동산과 관련한 정보에 대한 서비스를 제공할 수 있다.
이하, 상술한 바와 같은 특징을 가지는 본 발명의 다양한 실시예들에 대하여 보다 구체적으로 설명하기로 한다.
도 4는 본 발명의 일 실시예에 따른 부동산 시세 예측 시스템의 구성도이다.
도 4에 도시된 바와 같이, 본 발명의 일 실시예에 따른 부동산 시세 예측 시스템은 복수 개의 사용자 장치(100a, 100b, …, 100n; 100) 및 시세 예측 서버(200)를 포함하여 구성될 수 있다.
이와 같은, 일 실시예에 따른 부동산 시세 예측 시스템의 구성 요소들은 기능적으로 구분되는 요소들을 나타낸 것에 불과하므로, 둘 이상의 구성 요소가 실제 물리적 환경에서는 서로 통합되어 구현되거나, 하나의 구성 요소가 실제 물리적 환경에서는 서로 분리되어 구현될 수 있을 것이다.
각각의 구성 요소에 대하여 설명하면, 사용자 장치(user equipment, 100)는 사용자로부터 부동산 시세 예측과 관련한 검색 정보를 입력 받고, 시세 예측 서버(200)로부터 수신한 부동산과 관련된 정보를 출력하는 장치이다.
구체적으로, 사용자 장치(100)는 사용자로부터 부동산 시세 예측과 관련한 검색 정보를 입력 받을 수 있다. 예를 들어, 사용자 장치(100)는 시세 예측을 위한 도시명, 구명, 아파트명 등을 사용자로부터 입력 받을 수 있다. 여기서 사용자 장치(100)는 텍스트 형태로 검색 정보를 입력 받거나, 지도를 화면 상에 출력하여, 지도 상의 위치 선택을 통해 사용자로부터 검색 정보를 입력 받을 수도 있다.
또한, 사용자 장치(100)는 시세 예측 서버(200)로부터 검색 정보에 따른 부동산 예측 시세 정보를 수신하고, 수신된 부동산 예측 시세 정보를 디스플레이를 통해 출력할 수 있다. 예를 들어, 사용자 장치(100)는 아파트 시세예측 정보, 지역 시세예측 정보, 입지 분석 정보, 평당가, 미분양 정보, 아파트 신규공급 정보, 아파트와 관련된 정보 등을 텍스트, 이미지, 그래프 등의 형태로 디스플레이를 통해 출력할 수 있다.
상술한 바와 같은 특징을 가지는, 사용자 장치(100)는 3GPP(3rd Generation Partnership Project)에서 규정하고 있는 사용자 장치(User Equipment, UE)에 한정되지 아니하며, 시세 예측 서버(200)와 데이터를 송수신하고, 송수신된 데이터를 기초로 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다. 예를 들어, 사용자 장치(100)는 데스크탑(desktop), 워크스테이션(workstation) 또는 서버(server)와 같은 고정식 컴퓨팅 장치, 또는 스마트폰(smart phone), 랩탑(laptop), 태블릿(tablet), 패블릿(phablet), 휴대용 멀티미디어 재생장치(Portable Multimedia Player, PMP), 개인용 휴대 단말기(Personal Digital Assistants, PDA) 또는 전자책 단말기(E-book reader)과 같은 이동식 컴퓨팅 장치 중 어느 하나가 될 수 있다.
다음 구성으로, 시세 예측 서버(200)는 부동산 시세 예측을 위한 정보를 수집할 수 있다. 예를 들어 시세 예측 서버(200)는 부동산 가격 정보를 비롯하여, 인구수 정보, 일자리 정보, 지역경기정보, 소득정보, 소득대비 아파트 가격정보, 교통호재, 신도시정보, 정책정보, 조정지역, 세금규제, 정부의 부동산 규제방향성, 지자체 세금징수율, 공시지가 공정비율, 전세계도시별 PIR 정보, 전세가율, 상가공실률, 부동산 사이클 지수, 대출정보, SNS 발행건수, 국토종합계획정보, 공시지가 대비 아파트 매매자격, 주택건설실적, 1인당국민총소득, 금리 정보, 세계 국가의 금리 정보, 전국 동별 입지점수, 전국 아파트 입지점수, 전국 아파트 그물망, 전국 아파트 거래량, 입주물량 정보, 공급량 정보, 미분양률 정보, 상승률, 매매가 대비 전세상승률, 아파트 연식, 아파트 세대수, 주차비율, 초등학교거리, 난방방식, 현관구조, 재건축사업성여부, 학원정보, 역세권 정보, 역 정보, 용적률 정보, 건폐율 정보 등을 수집할 수 있다. 그리고, 시세 예측 서버(200)는 수집된 정보들을 지수화하여 누적 저장함으로써 빅 데이터(big-data)를 구성할 수 있다.
또한 시세 예측 서버(200)는 누적된 부동산과 관련한 정보를 기반으로 학습된 인공지능(AI)을 모델을 통해 사용자 장치(100)를 통해 사용자가 선택한 검색 정보에 매칭되는 부동산 정보를 사용자 장치(100)에 전송하여, 사용자가 확인하도록 할 수 있다.
이와 같은, 시세 예측 서버(200)의 구체적인 구성 및 동작에 대해서는 추후 도 5 및 도 6을 참조하여 보다 구체적으로 설명하기로 한다.
이와 같은, 사용자 장치(100) 및 시세 예측 서버(200)는 장치들 사이를 직접 연결하는 보안 회선, 공용 유선 통신망 또는 이동통신망 중 하나 이상이 조합된 네트워크를 이용하여 데이터를 송수신할 수 있다.
예를 들어, 공용 유선 통신망에는 이더넷(ethernet), 디지털가입자선(x Digital Subscriber Line, xDSL), 광동축 혼합망(Hybrid Fiber Coax, HFC), 광가입자망(Fiber To The Home, FTTH)가 포함될 수 있으나, 이에 한정되는 것은 아니다. 또한, 이동통신망에는 코드 분할 다중 접속(Code Division Multiple Access, CDMA), 와이드 밴드 코드 분할 다중 접속(Wideband CDMA, WCDMA), 고속 패킷 접속(High Speed Packet Access, HSPA), 롱텀 에볼루션(Long Term Evolution, LTE), 5세대 이동통신(5th generation mobile telecommunication)가 포함될 수 있으나, 이에 한정되는 것도 아니다.
이하 본 발명의 일 실시예에 따른 시세 예측 서버에 대하여 구체적으로 설명하도록 한다.
도 5는 본 발명의 일 실시예에 따른 시세 예측 서버의 논리적 구성도이다.
도 5를 참조하면, 본 발명의 일 실시예에 따른 시세 예측 서버(200)는 통신부(205), 입출력부(210), 정보 수집부(215), 평가지수 산출부(220), 인공지능 학습부(225) 및 시세 예측부(230)를 포함하여 구성될 수 있다.
이와 같은, 시세 예측 서버(200)의 구성 요소들은 기능적으로 구분되는 요소들을 나타낸 것에 불과하므로, 둘 이상의 구성 요소가 실제 물리적 환경에서는 서로 통합되어 구현되거나, 하나의 구성 요소가 실제 물리적 환경에서는 서로 분리되어 구현될 수 있을 것이다.
각각의 구성 요소에 대하여 설명하면, 통신부(205)는 사용자 장치(100)와 데이터를 송수신할 수 있다.
구체적으로, 통신부(205)는 사용자 장치(100)로부터 사용자가 검색하고자 하는 부동산, 즉 건물, 토지 등에 대한 검색 정보 등을 수신할 수 있다.
또한 통신부(205)는 검색 정보에 따라 분석된 시세변화 정보, 수요와 공급 정보, 아파트 분양 정보, 거래량 정보, 입지 정보, 아파트 검색, 아파트 비교, 매물 검색, 관심아파트 정보, 실거래 정보 등의 다양한 부동산과 관련한 정보 등을 사용자 장치(100)에 전송할 수 있다.
다음 구성으로, 입출력부(210)는 사용자 인터페이스(UI)를 통해 관리자로부터 신호를 입력 받거나, 연산 결과를 외부로 출력할 수 있다.
구체적으로, 입출력부(210)는 관리자로부터 시세 예측과 관련한 정보를 입력 받을 수 있다. 예를 들어, 입출력부(210)는 관리자로부터 시세 예측을 위하여 인공지능 학습을 위한 활성화 함수(activation function), 가중치(weight) 및 편향(bias) 등을 입력 받을 수 있다. 그리고, 입출력부(210)는 시세 예측 결과를 출력할 수 있다.
다음으로, 정보 수집부(215)는 시세 예측에 필요한 정보들을 수집할 수 있다.
즉 정보 수집부(215)는 인구수 정보, 일자리 정보, 지역경기정보, 소득정보, 소득대비 아파트 가격정보, 교통호재, 신도시정보, 정책정보, 조정지역, 세금규제, 정부의 부동산 규제방향성, 지자체 세금징수율, 공시지가 공정비율, 전세계도시별 PIR 정보, 전세가율, 상가공실률, 부동산 사이클 지수, 대출정보, SNS 발행건수, 국토종합계획정보, 공시지가 대비 아파트 매매자격, 주택건설실적, 1인당국민총소득, 금리 정보, 세계 국가의 금리 정보, 전국 동별 입지점수, 전국 아파트 입지점수, 전국 아파트 그물망, 전국 아파트 거래량, 입주물량 정보, 공급량 정보, 미분양률 정보, 상승률, 매매가 대비 전세상승률, 아파트 연식, 아파트 세대수, 주차비율, 초등학교거리, 난방방식, 현관구조, 재건축사업성여부, 학원정보, 역세권 정보, 역 정보, 용적률 정보, 건폐율 정보 등을 수집할 수 있다.
여기서 정보 수집부(215)는 수집된 정보들을 지수화하여 저장부(215)에 저장할 수 있다.
구체적으로, 정보 수집부(215)는 해당 도시의 인구수와 세대수 증감 정도를 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 해당 도시의 인구수와 세대수 증감 정도를 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 도시별 일자리수와 일자리수 증감 정도를 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 해당 도시의 대기업 일자리 매출의 분기별 변화 정도를 지수화 하여 관리할 수 있다. 또한 정보 수집부(215)는 도시별 2인 이상 가구의 소득정보와 연도별 증감 정도를 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 한 푼도 안 쓰고 몇 년을 보아야 해당도시의 아파트를 살 수 있는지 정도를 최근 20년 동안의 변화를 살피고 20년 동안의 평균수치 대비 올해의 수치를 비교한 지수를 관리할 수 있다. 또한 정보 수집부(215)는 지하철, 고속도로, 기차, 항공 개발호재와 지역과의 거리를 계산하여 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 전국 신도시 계획정보에 따라 신도시의 대지면적, 신도시의 목표 인구수, 신도시 시행사, 신도시 개발비용을 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 부동산대책이 시장에 미치는 영향을 대책별로 수치화 시켜 관리할 수 있다. 또한 정보 수집부(215)는 투기지역, 투기과열지역, 조정지역, 비조정지역을 수치화 하고 관리할 수 있다. 또한 정보 수집부(215)는 최근 10년 동안의 연도별 취득세, 종부세, 양도세 수준을 지수화 시켜 관리할 수 있다. 또한 정보 수집부(215)는 정부의 규제정도를 지수화 하여 관리할 수 있다. 또한 정보 수집부(215)는 도시별 세금징수율과 징수율증감률, 체납징수율, 체납징수율증감률을 수집하고 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 시세와 공시지가 수준의 비율을 년도별로 계산하여 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 전세계 대표도시의 PIR (소득대비 아파트가격수준) 정보를 년도별로 관리하고 서울의 PIR 순위 평균을 도출하여 평균대비 올해 어떠한 지를 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 아파트별로 10년 동안의 전세가율 평균 대비 현재의 전세가율을 비교하여 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 10년 동안의 도시별 상가공실률과 평균공실률을 구하고 올해 공실률을 비교하여 지수화 하여 관리할 수 있다. 또한 정보 수집부(215)는 하락 후 보합, 보합 후 상승, 1년 이상 상승, 상승후보합, 상승 보합 후 하락, 1년 이상 하락 여부를 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 LTI, DTI에 따른 대출가능금액 한도를 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 유튜브, 페이스북, 인스타그램, 네이버카페의 부동산관련 게시글 발행건수와 댓글수의 증감수준을 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 5년마다 발행되는 국토종합계획에 나온 내용을 토대로 도시별 일자리호재, 교통호재를 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 아파트별 공시지가 상승률과 아파트가격 상승률 정도를 비교하고 아파트가격 상승률 보다 공시지가 상승률이 높은 지역을 도출하고 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 연도별 주택건설실적을 구하고 최근 10년 동안의 평균 실적을 구한 다음 올해 건설실적을 비교하여 지수화 하고 관리할 수 있다. 또한 정보 수집부(215)는 1인당 실질 국민총소득 %총인구로 1인당 국민소득을 구하고 전세계 수치와 비교하여 한국의 등수 변화를 년도별로 도출하고 이를 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 한국은행 기준금리를 수집하고 최근 5년 동안의 증감을 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 20년 동안 전세계 국가별 기준금리와 한국의 기준금리 순위를 구하고 평균순위를 도출한 다음 올해 순위 여부를 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 전국 동별 입지점수를 1점부터 10점까지 전문가가 직접 평가하고 관리할 수 있다. 또한 정보 수집부(215)는 전국 아파트별 입지점수를 1점부터 10점까지 전문가가 직접 평가하고 관리할 수 있다. 또한 정보 수집부(215)는 전국 모든 아파트를 시세 높은 순으로 지역 관계없이 그물망으로 연결하고, 40년 동안의 변화사항을 체크하여 적정차이를 도출하고 앞으로 시세가 변경될 시 시세가 벌어진 간격과 적정시세를 비교할 수 있다. 또한 정보 수집부(215)는 전국 아파트 거래량을 아파트단위별로 15년 동안의 거래량을 분석하여 평균거래량을 도출하고 최근 거래량을 비교하여 거래 증감 값을 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 최근 분양 완료한 아파트의 입주 시점을 계산하여 해당 도시의 인구수 대비 적정공급률 수치를 도출하고 많고 적은 수준에 따라 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 최근 40년 동안 도시별 공급량과 평균공급량을 계산하고 앞으로 2년 간의 입주물량을 계산하여 적정, 과잉, 부족여부를 계산하여 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 해당 도시의 미분양 아파트 세대수와 해당 도시의 인구수 대비 적정 미분양률 수치를 도출하여 적정수치 보다 많고 적음에 따라 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 해당 도시의 최근 8년 동안의 상승률을 도출하고 상승정보를 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 최근 8년 동안의 누적 매매증감과 누적 전세증감을 비교하여 누적전세증감이 높은 정도를 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 아파트 연식에 따라 지수화 하여 관리할 수 있다. 또한 정보 수집부(215)는 아파트 세대수에 따라 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 아파트 주차비율에 따라 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 아파트와 초등학교 거리에 따라 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 난방방식(중앙난방, 개별난방, 지역난방)에 따라 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 계단식, 복도식 여부에 따라 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 재건축 가능여부를 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 동별학원수 정보를 수집하고 학원과의 거리를 계산하여 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 전국 지하철 역 정보를 바탕으로 아파트에서 도보 이동 시간 및 거리를 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 전국 지하철 역 정보를 1점부터 10점까지 전문가가 평가하여 관리하고 해당역의 탑승 인원수를 계산하여 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 아파트별 용적률 정보를 지수화하여 관리할 수 있다. 또한 정보 수집부(215)는 아파트별 건폐율 정보를 지수화하여 관리할 수 있다.
평가지수 산출부(220)는 정보 수집부(215)에 의해 수집된 정보들을 통해 평가 지수를 산출할 수 있다.
구체적으로, 평가지수 산출부(220)는 부동산 시세 예측을 위하여, 국내경기지수, 지역경기지수, 지역호재지수, 지역세금지수, 정책지수, 지역평가지수 및 아파트평가지수 중 적어도 하나를 산출할 수 있다.
국내경기지수는 종합주가지수, 경제성장지수, 건설투자지수, 금리지수 및 유동성지수 중 적어도 하나를 고려하여 산출될 수 있다. 예를 들어, 종합주가지수는 주가지수상승률과 평균주가지수 상승률을 고려하여 산출될 수 있다. 경제성장지수는 경제상장률과 평균경제상장률을 고려하여 산출될 수 있다. 건설투자지수는 건설투자증감률과 평균건설투자증감률을 고려하여 산출될 수 있다. 금리지수는 기준금리증감률과 평균기준금리증감률을 고려하여 산출될 수 있다. 유동성지수는 주택대출액증감률과 평균주택대출액증감률을 고려하여 산출될 수 있다.
지역경기지수는 일자리증감지수, 기업경기지수 및 소득지수 증 적어도 하나를 고려하여 산출될 수 있다. 예를 들어, 일자리증감지수는 일자리수증감률과 평균일자리수증감률을 고려하여 산출될 수 있다. 기업경기지수는 해당 지역 내 대기업 및 중견기업의 영업이익률 및 해당 기업의 평균 영업이익률를 고려하여 산출될 수 있다. 소득지수는 2인이상 평균소득 작년대비 증감률 및 해당년도 물가 상승률을 고려하여 산출될 수 있다.
지역호재지수는 일자리호재지수, 교통호재지수, 신도시호재지수, 상권호재지수 및 자연호재지수 중 적어도 하나를 고려하여 산출될 수 있다. 일자리 호재지수는 코스피 100대 기업의 투자금액을 고려하여 산출될 수 있다. 교통호재지수는 지하철 노선별 개통 점수와, 발표 이후 개통예상기간을 고려하여 산출될 수 있다. 신도시호재지수는 신도시 및 택지개발지수, 시행주최점수, 연면적 및 가구수를 고려하여 산출될 수 있다. 상권호재지수는 대형상권 입점개수와 완공기간을 고려하여 산출될 수 있다. 자연호재지수는 자연환경과 관련한 시설물 개발계획수와 완공기간을 고려하여 산출될 수 있다.
지역세금지수는 공시지가 공정비율지수, 취득세지수, 보유세지수 및 양도세지수 중 적어도 하나를 고려하여 산출될 수 있다. 공시지가 공정비율지수는 해당년도 공시지가 공정비율을 고려하여 산출될 수 있다. 취득세지수는 1주택자 아파트 취득세율을 고려하여 산출될 수 있다. 보유세지수는 종부세공제금액을 고려하여 산출될 수 있다. 양도세지수는 다주택자 양도세 추가과세율을 고려하여 산출될 수 있다.
정책지수는 규제방향성지수, 조정지역지수 및 대출지수 중 적어도 하나를 고려하여 산출될 수 있다. 규제방향성지수는 실질적인 공급 확대 대책이 나온 횟수와 정권변화 이후 수요 억제 대책이 나온 횟수를 고려하여 산출될 수 있다. 조정지역지수는 투기지역, 투기과열지구, 조정지역 여부를 고려하여 산출될 수 있다. 양도세지수는 다주택자 양도세 추가과세율을 고려하여 산출될 수 있다.
지역평가지수는 상급지역대비저평가지수, 동급지역대비저평가지수, 공급률지수, 미분양률지수, 분양률지수, 거래량증감률지수, 인구지수 및 상가공실률지수, 지역입지지수 중 적어도 하나를 고려하여 산출될 수 있다. 상급지역대비저평가지수 및 동급지역대비저평가지수는 평가 대상 건물이 위치하는 지역의 상급 또는 동급 지역으로 사전 설정된 지역의 건물 가격 대비 적정 비율과, 상급 또는 동급 지역의 건물 가격 대비 현재 비율을 고려하여 평가될 수 있다. 공급률지수는 과거 사전 설정된 기간 동안 연평균 입주세대수와, 연평균 예상입주세대수를 고려하여 산출될 수 있다. 미분양률지수는 과거 사전 설정된 기간 동안 미분양세대수와, 최근 사전 설정된 기간 동안 미분양세대수를 고려하여 산출될 수 있다. 거래량증감률지수는 과거 사전 설정된 기간 동안 거래량증감률과, 최근 사전 설정된 기간 동안 거래량증감률을 고려하여 산출될 수 있다. 인구지수는 과거 사전 설정된 기간 동안 인구수증감률과, 최근 사전 설정된 기간 동안 인구수증감률을 고려하여 산출될 수 있다. 상가공실률지수는 과거 사전 설정된 기간 동안 상가공실률지수와, 최근 사전 설정된 기간 동안 상가공실률지수를 고려하여 산출될 수 있다.
건물평가지수는 상급건물대비저평가지수, 동급건물대비저평가지수, 소득대비아파트가격지수, 연식지수, 세대수지수, 역세권지수, 학군지수, 주차비율지수, 난방방식지수, 현관구조지수, 재건축사업성지수, 학원지수, 용적률지수, 전세가율지수 및 SNS 발행지수 중 적어도 하나를 고려하여 산출될 수 있다.
상급건물대비저평가지수 및 동급건물대비저평가지수는 평가 대상 건물과 사전에 설정된 상급 또는 동급 건물과의 가격 비율을 통해 산출될 수 있다. 연식지수는 평가 대상 건물의 연식에 따라 점수를 부여하여 산출될 수 있다. 세대수지수는 평가 대상 건물의 세대수에 따라 점수를 부여하여 산출될 수 있다. 역세권지수는 평가 대상 건물과 가장 가까운 지하철 역과의 거리 및 도보 이동 시간에 따라 점수를 부여하여 산출될 수 있다. 학군지수는 평가 대상 건물과 가장 가까운 학교와의 거리 및 해당 학교의 학업성취도평가점수에 점수를 부여하여 산출될 수 있다. 주차비율지수는 평가 대상 건물의 세대당 주차가능대수에 점수를 부여하여 산출될 수 있다. 난방방식지수는 평가 대상 건물의 난방 방식에 따라 점수를 부여하여 산출될 수 있다. 현관구조지수는 평가 대상 건물의 현관 구조에 따라 점수를 부여하여 산출될 수 있다. 재건축사업성지수는 평가 대상 건물의 연식, 재건축단계, 재건축속도 및 재건축에 따른 세대수 증가량 중 적어도 하나를 고려하여 산출될 수 있다. 학원지수는 평가 대상 건물로부터 사전에 설정된 거리 이내에 있는 학원수에 따라 점수를 부여하여 산출될 수 있다. 용적률지수는 상기 평가 대상 건물의 용적률에 따라 점수를 부여하여 산출될 수 있다. 전세가율지수는 평가 대상 건물의 과거 사전에 설정된 기간 동안의 평균 전세가율에 따라 점수를 부여하여 산출될 수 있다. SNS 발행지수는 평가 대상 건물과 관련한 게시글과, 댓글수의 증감 수준에 점수를 부여하여 산출될 수 있다.
다음 구성으로, 인공지능 학습부(225)는 인공 신경망(ANN)을 이용하여 인공지능(AI)을 기계 학습시킬 수 있다. 이와 같은, 인공지능 학습부(225)는 인공 신경망(AI)을 이용하여 기계 학습을 수행함에 있어, 연산이 수행되는 부분은 복수 개의 사용자 장치(100)에 분산시켜 처리할 수도 있다.
구체적으로, 인공지능 학습부(225)에 의해 인공지능(AI)의 기계 학습에 사용되는 인공 신경망(ANN)은 입력층(input layer), 은닉층(hidden layer) 및 출력층(output layer)을 포함하여 구성될 수 있다.
특히, 본 발명의 일 실시예에 따른 인공 신경망(ANN)이 가지는 은닉층은 GMF(Generalized Matrix Factorization)와, MLP(Multi-Layer Perceptron)가 혼합된 형태로 구성될 수 있다.
또한, 본 발명의 일 실시예에 따른 인공 신경망(ANN)은 예측된 미래 시세에 관한 정보가 인공 신경망(ANN)의 입력층에 다시 입력되는, 재귀적 연결 구조를 가지는 순환 신경망(recurrent neural network)의 형태로 구성될 수 있다.
보다 상세하게, 인공 신경망(ANN)에서 현재 시세에 관한 정보와 평가지수 산출부(220)로부터 산출된 다양한 평가지수 사이의 선형적 관계를 학습하기 위한 GMF 층은 다음의 수식 1을 이용하여 구현될 수 있다.
[수식 1]
이 경우, p u는 사용자의 밀집 벡터, q i는 평가 지수에 관한 정보를 구성하는 아이템의 밀집 벡터, p u⊙q i는 사용자의 밀집 벡터와 아이템의 밀집 벡터의 아다마르 곱, a는 인공신경망(ANN)의 활성화 함수(activation function), h는 은닉층의 엣지 웨이트(edge weight), hT는 엣지 웨이트의 벡터 곱이 될 수 있다.
밀집 벡터(dense vector)는 원-핫 인코딩(one-hot encoding)에 의해 표현된 벡터를 임베딩(embedding)하여 차원을 축소한 벡터이다. 즉, 밀집 벡터는 원-핫 인코딩에 의해 표현된 희소 벡터(sparse vector)에서 0의 값을 제거하여 벡터의 차원을 축소시킨 벡터이다.
또한, 인공 신경망(ANN)에서 현재 시세에 관한 정보와 평가지수 산출부(220)로부터 산출된 다양한 평가지수 사이의 비선형적 관계를 학습하기 위한 MLP 층은 다음의 수식 2 및 수식 3을 이용하여 구현될 수 있다.
[수식 2]
[수식 3]
이 경우, p u는 사용자의 밀집 벡터, q i는 평가 지수에 관한 정보를 구성하는 아이템의 밀집 벡터, z는 사용자의 밀집 벡터와 아이템의 밀집 벡터의 연결된 값(concatenation), a는 인공신경망(ANN)의 활성화 함수, W는 MLP를 구성하는 각 층(layer)의 가중치(weight), WT는 가중치의 벡터 곱, b는 MLP를 구성하는 각 층의 편향(bias), L은 은닉층을 구성의 층의 개수, σ는 수열의 합이 될 수 있다.
이와 같이, 인공지능 학습부(225)의 인공 신경망(ANN)은 GMF와 MLP가 혼합된 형태를 가짐으로써, 현재 시세에 관한 정보와 평가 지수 사이의 선형적 관계뿐만 아니라, 비선형적 관계도 기계 학습할 수 있게 된다.
다음 구성으로, 시세 예측부(230)는 평가 대상 건물의 현재 시세에 관한 정보와 평가지수 산출부(220)로부터 산출된 다양한 평가지수를 통해 부동산 시세를 예측할 수 있다. 여기서 시세 예측부(230)는 현재 시세와, 국내경기지수, 지역내경기지수, 지역호재지수, 지역세금지수, 정책지수, 지역평가지수 및 건물평가지수 중 적어도 하나를 고려하여 부동산 시세를 예측할 수 있다.
이러한 시세 예측부(230)는 인공지능(AI)을 기반으로 미리 학습된 모델을 통해 부동산 시세를 예측할 수 있다.
구체적으로, 시세 예측부(230)는 인공지능 학습부(225)에 의한 인공 신경망(ANN)을 이용하여, 사용자 장치(100)로부터 수신된 평가 대상 건물에 대한 미래의 시세 예측을 수행할 수 있다.
이를 위하여, 시세 예측부(230)는 현재 시세에 관한 사용자(u)와 평가지수 산출부(220)로부터 산출된 다양한 평가지수에 관한 아이템(i)을 원-핫 인코딩하여 각각 벡터로 표현할 수 있다. 시세 예측부(230)는 사용자(u)에 대한 벡터와 아이템(i)에 대한 벡터를 임베딩하여 차원을 축소한 밀집 벡터(p i, q i)를 각각 생성할 수 있다. 시세 예측부(230)는 사용자(u)에 대한 밀집 벡터(p i)와 아이템(i)에 대한 밀집 벡터(q i)의 아다마르 곱(hadamard product)을 인공 신경망(ANN) 은닉층의 GMF 층에 입력할 수 있다. 시세 예측부(230)는 사용자(u)에 대한 밀집 벡터(p i)와 아이템(i)에 대한 밀집 벡터(q i)의 연결된 값(concatenation)을 인공 신경망(ANN) 은닉층의 MLP 층에 입력할 수 있다. 그리고, 시세 예측부(230)는 GMF 층의 결과와 상기 MLP 층의 결과의 연결된 값을 기초로, 평가 대상 건물에 대한 부동산 시세를 예측할 수 있다.
이하, 상술한 바와 같은 시세 예측 서버(200)의 논리적 구성요소를 구현하기 위한 하드웨어에 대하여 보다 구체적으로 설명한다.
도 6은 본 발명의 일 실시예에 따른 시세 예측 서버의 하드웨어 구성도이다.
도 6에 도시된 바와 같이, 시세 예측 서버(200)는 프로세서(Processor, 250), 메모리(Memory, 255), 송수신기(Transceiver, 260), 입출력장치(Input/output device, 265), 데이터 버스(Bus, 270) 및 스토리지(Storage, 275)를 포함하여 구성될 수 있다.
프로세서(250)는 메모리(255)에 상주된 시세 예측 방법이 구현된 소프트웨어(280a)에 따른 명령어를 기초로, 시세 예측 서버(200)의 동작 및 기능을 구현할 수 있다.
메모리(255)에는 본 발명의 실시예들에 따른 시세 예측 방법이 구현된 소프트웨어(280a)가 상주(loading)될 수 있다.
송수신기(260)는 사용자 장치(100)와 데이터를 송수신할 수 있다.
입출력장치(265)는 시세 예측 서버(200)의 동작에 필요한 데이터를 입력 받고, 평가 대상 건물에 미래 예측 시세에 관한 정보를 출력할 수 있다.
데이터 버스(270)는 프로세서(250), 메모리(255), 송수신기(260), 입출력장치(265) 및 스토리지(275)와 연결되어, 각각의 구성 요소 사이가 서로 데이터를 전달하기 위한 이동 통로의 역할을 수행할 수 있다.
스토리지(275)는 본 발명의 실시예들에 따른 시세 예측 방법이 구현된 소프트웨어(280a)의 실행을 위해 필요한 애플리케이션 프로그래밍 인터페이스(Application Programming Interface, API), 라이브러리(library) 파일, 리소스(resource) 파일 등을 저장할 수 있다. 또한, 스토리지(275)는 본 발명의 실시예들에 따른 방법이 구현된 소프트웨어(280b) 및 데이터베이스(285)를 저장할 수 있다. 이 경우, 데이터베이스(285)에는 평가 대상 건물의 현재 시세에 관한 정보, 평가 지수 정보 및 인공 신경망(ANN)에 의해 구현된 인공지능(AI)이 저장될 수 있다.
본 발명의 일 실시예에 따르면, 메모리(255)에 상주되거나 또는 스토리지(275)에 저장된 시세 예측 방법을 구현하기 위한 소프트웨어(280a, 280b)는 프로세서(250)가 시세 예측 서버가 평가 대상 건물로부터 사전에 설정된 거리 내에 위치한 주변 건물에 대한 가격 정보를 수집하는 단계, 상기 시세 예측 서버가 상기 수집된 주변 건물에 대한 가격 정보를 통해 상기 평가 대상 건물의 건물평가지수를 산출하는 단계, 상기 시세 예측 서버가 상기 산출된 건물평가지수와, 상기 평가 대상 건물의 현재 가격을 고려하여, 상기 평가 대상 건물의 미래 시세를 예측하는 단계를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.
보다 구체적으로, 프로세서(250)는 ASIC(Application-Specific Integrated Circuit), 다른 칩셋(chipset), 논리 회로 및/또는 데이터 처리 장치를 포함할 수 있다. 메모리(255)는 ROM(Read-Only Memory), RAM(Random Access Memory), 플래쉬 메모리, 메모리 카드, 저장 매체 및/또는 다른 저장 장치를 포함할 수 있다. 송수신기(260)는 유무선 신호를 처리하기 위한 베이스밴드 회로를 포함할 수 있다. 입출력장치(265)는 키보드(keyboard), 마우스(mouse), 및/또는 조이스틱(joystick) 등과 같은 입력 장치 및 액정표시장치(Liquid Crystal Display, LCD), 유기 발광 다이오드(Organic LED, OLED) 및/또는 능동형 유기 발광 다이오드(Active Matrix OLED, AMOLED) 등과 같은 영상 출력 장치 프린터(printer), 플로터(plotter) 등과 같은 인쇄 장치를 포함할 수 있다.
본 명세서에 포함된 실시 예가 소프트웨어로 구현될 경우, 상술한 방법은 상술한 기능을 수행하는 모듈(과정, 기능 등)로 구현될 수 있다. 모듈은 메모리(255)에 상주되고, 프로세서(250)에 의해 실행될 수 있다. 메모리(255)는 프로세서(250)의 내부 또는 외부에 있을 수 있고, 널리 알려진 다양한 수단으로 프로세서(250)와 연결될 수 있다.
도 6에 도시된 각 구성요소는 다양한 수단, 예를 들어, 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 본 발명의 일 실시예는 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 콘트롤러, 마이크로 콘트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
또한, 펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 일 실시예는 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차, 함수 등의 형태로 구현되어, 다양한 컴퓨터 수단을 통하여 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 이러한, 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
도 7은 본 발명의 일 실시예에 따른 인공 신경망(ANN)의 특징을 설명하기 위한 예시도이다.
도 7을 참조하면, 본 발명의 일 실시예에 따른 시세 예측 시스템은 시세 예측 서버(200)의 인공지능(AI)을 기계 학습하기 위해 사용되는 인공 신경망(ANN)이 입력층, 은닉층 및 출력층을 포함하여 구성될 수 있다.
특히, 본 발명의 일 실시예에 따른 시세 예측 서버(200)의 인공 신경망(ANN)이 가지는 은닉층은 GMF(Generalized Matrix Factorization)와, MLP(Multi-Layer Perceptron)가 혼합된 형태로 구성될 수 있다.
이와 같이, 인공 신경망(ANN)의 은닉층을 GMF와 MLP가 혼합된 형태로 구성함으로써, 인공지능(AI)은 평가 대상 건물의 현재 시세 정보와 평가 지수 사이의 선형적 관계뿐만 아니라, 평가 대상 건물의 현재 시세 정보와 평가 지수 사이의 비선형적 관계도 기계 학습할 수 있게 된다.
한편, 본 발명의 일 실시예에 따른 시세 예측 서버(200)의 인공 신경망(ANN)은 갱신된 미래 예측 시세에 관한 정보가 인공 신경망(ANN)의 입력층에 다시 입력되는 순환 신경망의 형태로 구성될 수 있다.
이와 같이, 갱신된 미래 예측 시세에 관한 정보를 인공 신경망(ANN)의 입력층에 다시 입력함으로써, 인공 신경망(ANN)을 이용한 인공지능(AI)의 강화 학습을 효과적인 수행할 수 있게 된다.
도 8은 본 발명의 일 실시예에 따른 시세 예측 방법을 설명하기 위한 순서도이다.
도 8에 도시된 바와 같이, 본 발명의 일 실시예에 따른 시세 예측 시스템의 시세 예측 서버(200)는 시세 예측에 필요한 정보들을 수집할 수 있다(S100). 즉 시세 예측 서버(200)는 인구수 정보, 일자리 정보, 지역경기정보, 소득정보, 소득대비 아파트 가격정보, 교통호재, 신도시정보, 정책정보, 조정지역, 세금규제, 정부의 부동산 규제방향성, 지자체 세금징수율, 공시지가 공정비율, 전세계도시별 PIR 정보, 전세가율, 상가공실률, 부동산 사이클 지수, 대출정보, SNS 발행건수, 국토종합계획정보, 공시지가 대비 아파트 매매자격, 주택건설실적, 1인당국민총소득, 금리 정보, 세계 국가의 금리 정보, 전국 동별 입지점수, 전국 아파트 입지점수, 전국 아파트 그물망, 전국 아파트 거래량, 입주물량 정보, 공급량 정보, 미분양률 정보, 상승률, 매매가 대비 전세상승률, 아파트 연식, 아파트 세대수, 주차비율, 초등학교거리, 난방방식, 현관구조, 재건축사업성여부, 학원정보, 역세권 정보, 역 정보, 용적률 정보, 건폐율 정보 등을 수집할 수 있다.
시세 예측 서버(200)는 S100 단계에 의해 수집된 정보들을 통해 평가 지수를 산출할 수 있다(S200). 구체적으로, 시세 예측 서버(200)는 부동산 시세 예측을 위하여, 국내경기지수, 지역경기지수, 지역호재지수, 지역세금지수, 정책지수, 지역평가지수 및 아파트평가지수 중 적어도 하나를 산출할 수 있다.
시세 예측 서버(200)는 인공 신경망(ANN)을 이용하여 인공지능(AI)을 기계 학습시킬 수 있다(S300). 이와 같은, 시세 예측 서버(200)는 인공 신경망(AI)을 이용하여 기계 학습을 수행함에 있어, 연산이 수행되는 부분은 복수 개의 사용자 장치(100)에 분산시켜 처리할 수도 있다.
그리고 시세 예측 서버(200)는 인공지능(AI)을 기반으로 미리 학습된 모델을 통해 부동산 시세를 예측할 수 있다(S400). 구체적으로, 시세 예측 서버(200)는 S300 단계에 의한 인공 신경망(ANN)을 이용하여, 사용자 장치(100)로부터 수신된 평가 대상 건물에 대한 미래의 시세 예측을 수행할 수 있다.
이상과 같이, 본 명세서와 도면에는 본 발명의 바람직한 실시예에 대하여 개시하였으나, 여기에 개시된 실시예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다. 또한, 본 명세서와 도면에서 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 따라서, 상술한 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적해석에 의해 선정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
사용자 장치: 100 시세 예측 장치: 200
통신부: 205 입출력부: 210
정보 수집부: 215 평가지수 산출부: 220
인공지능 학습부: 225 시세 예측부: 230
통신부: 205 입출력부: 210
정보 수집부: 215 평가지수 산출부: 220
인공지능 학습부: 225 시세 예측부: 230
Claims (10)
- 시세 예측 서버가 평가 대상 건물로부터 사전에 설정된 거리 내에 위치한 주변 건물에 대한 가격 정보를 수집하는 단계;
상기 시세 예측 서버가 상기 수집된 주변 건물에 대한 가격 정보를 통해 상기 평가 대상 건물의 상급건물대비저평가지수, 동급건물대비저평가지수, 소득대비아파트가격지수, 연식지수, 세대수지수, 역세권지수, 학군지수, 주차비율지수, 난방방식지수, 현관구조지수, 재건축사업성지수, 학원지수, 용적률지수, 전세가율지수 및 SNS 발행지수를 포함하는 미래 시세에 관한 정보를 산출하는 단계; 및
상기 시세 예측 서버가 상기 산출된 상기 미래 시세에 관한 정보를 기초로 학습된 인공지능(Artificial Intelligence, AI)을 통해 상기 평가 대상 건물의 미래 시세를 예측하는 단계; 를 포함하고,
상기 상급건물대비저평가지수 및 상기 동급건물대비저평가지수는
상기 평가 대상 건물과 사전에 설정된 상급 또는 동급 건물과의 가격 비율을 통해 산출되고,
상기 연식지수는
상기 평가 대상 건물의 연식에 따라 점수를 부여하여 산출되고,
상기 세대수지수는
상기 평가 대상 건물의 세대수에 따라 점수를 부여하여 산출되고,
상기 역세권지수는
상기 평가 대상 건물과 가장 가까운 지하철 역과의 거리 및 도보 이동 시간에 따라 점수를 부여하여 산출되고,
상기 학군지수는
상기 평가 대상 건물과 가장 가까운 학교와의 거리 및 해당 학교의 학업성취도평가점수에 점수를 부여하여 산출되고,
상기 주차비율지수는
상기 평가 대상 건물의 세대당 주차가능대수에 점수를 부여하여 산출되고,
상기 난방방식지수는
상기 평가 대상 건물의 난방 방식에 따라 점수를 부여하여 산출되고,
상기 현관구조지수는
상기 평가 대상 건물의 현관 구조에 따라 점수를 부여하여 산출되고,
상기 재건축사업성지수는
상기 평가 대상 건물의 연식, 재건축단계, 재건축속도 및 재건축에 따른 세대수 증가량 중 적어도 하나를 고려하여 산출되고,
상기 학원지수는
상기 평가 대상 건물로부터 사전에 설정된 거리 이내에 있는 학원수에 따라 점수를 부여하여 산출되고,
상기 용적률지수는
상기 평가 대상 건물의 용적률에 따라 점수를 부여하여 산출하고,
상기 전세가율지수는
상기 평가 대상 건물의 과거 사전에 설정된 기간 동안의 평균 전세가율에 따라 점수를 부여하여 산출되고,
상기 SNS 발행지수는
상기 평가 대상 건물과 관련한 게시글과, 댓글수의 증감 수준에 점수를 부여하여 산출되고,
상기 인공지능은
상기 평가 대상 건물의 현재 시세 사이의 선형적 관계(linearity relation)를 학습하기 위한 GMF(Generalized Matrix Factorization)와, 상기 산출된 상기 미래 시세에 관한 정보와 상기 평가 대상 건물의 현재 시세 사이의 비선형적 관계(non-linearity relation)를 학습하기 위한 MLP(Multi-Layer Perceptron)이 혼합된 은닉층(hidden layer)을 가지는 인공 신경망(artificial neural network)을 이용하여 학습되고,
상기 예측된 미래 시세에 관한 정보가 상기 인공 신경망의 입력층(input layer)에 다시 입력되는, 재귀적 연결 구조를 가지는 순환 신경망(recurrent neural network)의 형태로 구성되는 것을 특징으로 하는, 건물 시세 예측 방법. - 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 메모리(memory);
송수신기(transceiver); 및
상기 메모리에 상주된 명령어를 처리하는 프로세서(processor)를 포함하여 구성된 컴퓨팅 장치와 결합되어,
상기 프로세서가, 평가 대상 건물로부터 사전에 설정된 거리 내에 위치한 주변 건물에 대한 가격 정보를 수집하는 단계;
상기 프로세서가, 상기 수집된 주변 건물에 대한 가격 정보를 통해 상기 평가 대상 건물의 상급건물대비저평가지수, 동급건물대비저평가지수, 소득대비아파트가격지수, 연식지수, 세대수지수, 역세권지수, 학군지수, 주차비율지수, 난방방식지수, 현관구조지수, 재건축사업성지수, 학원지수, 용적률지수, 전세가율지수 및 SNS 발행지수를 포함하는 미래 시세에 관한 정보를 산출하는 단계; 및
시세 예측 서버가 상기 산출된 상기 미래 시세에 관한 정보를 기초로 학습된 인공지능(Artificial Intelligence, AI)을 통해 상기 평가 대상 건물의 미래 시세를 예측하는 단계; 를 포함하고,
상기 상급건물대비저평가지수 및 상기 동급건물대비저평가지수는
상기 평가 대상 건물과 사전에 설정된 상급 또는 동급 건물과의 가격 비율을 통해 산출되고,
상기 연식지수는
상기 평가 대상 건물의 연식에 따라 점수를 부여하여 산출되고,
상기 세대수지수는
상기 평가 대상 건물의 세대수에 따라 점수를 부여하여 산출되고,
상기 역세권지수는
상기 평가 대상 건물과 가장 가까운 지하철 역과의 거리 및 도보 이동 시간에 따라 점수를 부여하여 산출되고,
상기 학군지수는
상기 평가 대상 건물과 가장 가까운 학교와의 거리 및 해당 학교의 학업성취도평가점수에 점수를 부여하여 산출되고,
상기 주차비율지수는
상기 평가 대상 건물의 세대당 주차가능대수에 점수를 부여하여 산출되고,
상기 난방방식지수는
상기 평가 대상 건물의 난방 방식에 따라 점수를 부여하여 산출되고,
상기 현관구조지수는
상기 평가 대상 건물의 현관 구조에 따라 점수를 부여하여 산출되고,
상기 재건축사업성지수는
상기 평가 대상 건물의 연식, 재건축단계, 재건축속도 및 재건축에 따른 세대수 증가량 중 적어도 하나를 고려하여 산출되고,
상기 학원지수는
상기 평가 대상 건물로부터 사전에 설정된 거리 이내에 있는 학원수에 따라 점수를 부여하여 산출되고,
상기 용적률지수는
상기 평가 대상 건물의 용적률에 따라 점수를 부여하여 산출하고,
상기 전세가율지수는
상기 평가 대상 건물의 과거 사전에 설정된 기간 동안의 평균 전세가율에 따라 점수를 부여하여 산출되고,
상기 SNS 발행지수는
상기 평가 대상 건물과 관련한 게시글과, 댓글수의 증감 수준에 점수를 부여하여 산출되고,
상기 인공지능은
상기 평가 대상 건물의 현재 시세 사이의 선형적 관계(linearity relation)를 학습하기 위한 GMF(Generalized Matrix Factorization)와, 상기 산출된 상기 미래 시세에 관한 정보와 상기 평가 대상 건물의 현재 시세 사이의 비선형적 관계(non-linearity relation)를 학습하기 위한 MLP(Multi-Layer Perceptron)이 혼합된 은닉층(hidden layer)을 가지는 인공 신경망(artificial neural network)을 이용하여 학습되고,
상기 예측된 미래 시세에 관한 정보가 상기 인공 신경망의 입력층(input layer)에 다시 입력되는, 재귀적 연결 구조를 가지는 순환 신경망(recurrent neural network)의 형태로 구성되는 것을 실행시키기 위하여, 기록매체에 기록된 컴퓨터 프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210177322A KR102438644B1 (ko) | 2021-12-13 | 2021-12-13 | 부동산 시세 예측 방법 및 이를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210177322A KR102438644B1 (ko) | 2021-12-13 | 2021-12-13 | 부동산 시세 예측 방법 및 이를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102438644B1 true KR102438644B1 (ko) | 2022-09-01 |
Family
ID=83282264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210177322A KR102438644B1 (ko) | 2021-12-13 | 2021-12-13 | 부동산 시세 예측 방법 및 이를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102438644B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102646888B1 (ko) | 2023-10-12 | 2024-03-12 | (주)오아시스비즈니스 | 딥러닝 기반의 예측 모델을 이용하여 매장에 대한 수익을 예측하고 예측된 정보를 활용하는 전자 장치 및 이의 방법 |
| KR102657597B1 (ko) | 2023-11-27 | 2024-04-15 | 주식회사 아이큐 | 부동산 지수 플랫폼 시스템 및 이를 이용한 관심 부동산 검색 장치 |
| KR102669001B1 (ko) * | 2023-03-09 | 2024-05-24 | 허경원 | 재건축 및 리모델링 사업의 설계 정보를 제공하는 방법 및 그 서버 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050043242A (ko) * | 2003-11-05 | 2005-05-11 | 주식회사 부동산뱅크 | 유무선 인터넷 환경에서의 부동산 미래 시세 예측 서비스제공 방법 및 시스템 |
| KR20190098791A (ko) * | 2018-01-30 | 2019-08-23 | 김효신 | 부동산 자산 관리 방법, 장치 및 컴퓨터 판독가능 기록매체 |
| KR20210050726A (ko) | 2019-10-29 | 2021-05-10 | 주식회사 꿀비 | 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법 |
-
2021
- 2021-12-13 KR KR1020210177322A patent/KR102438644B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050043242A (ko) * | 2003-11-05 | 2005-05-11 | 주식회사 부동산뱅크 | 유무선 인터넷 환경에서의 부동산 미래 시세 예측 서비스제공 방법 및 시스템 |
| KR20190098791A (ko) * | 2018-01-30 | 2019-08-23 | 김효신 | 부동산 자산 관리 방법, 장치 및 컴퓨터 판독가능 기록매체 |
| KR20210050726A (ko) | 2019-10-29 | 2021-05-10 | 주식회사 꿀비 | 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102669001B1 (ko) * | 2023-03-09 | 2024-05-24 | 허경원 | 재건축 및 리모델링 사업의 설계 정보를 제공하는 방법 및 그 서버 |
| KR102646888B1 (ko) | 2023-10-12 | 2024-03-12 | (주)오아시스비즈니스 | 딥러닝 기반의 예측 모델을 이용하여 매장에 대한 수익을 예측하고 예측된 정보를 활용하는 전자 장치 및 이의 방법 |
| KR102657597B1 (ko) | 2023-11-27 | 2024-04-15 | 주식회사 아이큐 | 부동산 지수 플랫폼 시스템 및 이를 이용한 관심 부동산 검색 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102438644B1 (ko) | 부동산 시세 예측 방법 및 이를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램 | |
| Newburn et al. | Economics and land‐use change in prioritizing private land conservation | |
| Brown et al. | Baselines for land-use change in the tropics: application to avoided deforestation projects | |
| Bartholomew et al. | Land use–transportation scenarios and future vehicle travel and land consumption: A meta-analysis | |
| Walsh et al. | Measuring natural risks in the Philippines: Socioeconomic resilience and wellbeing losses | |
| Gould | Cities, workers, and wages: A structural analysis of the urban wage premium | |
| Zapata Quimbayo et al. | Minimum revenue guarantees valuation in PPP projects under a mean reverting process | |
| Gross et al. | Structuring PPP toll-road contracts to achieve public pricing objectives | |
| Barreira-Gonzalez et al. | Implementation and calibration of a new irregular cellular automata-based model for local urban growth simulation: The MUGICA model | |
| KR102290132B1 (ko) | 부동산 가격 예측 장치 및 방법 | |
| Chen et al. | Defining agents' behaviour based on urban economic theory to simulate complex urban residential dynamics | |
| Calderón et al. | Exposure forecasting for seismic risk estimation: Application to Costa Rica | |
| Anelli et al. | Spatial decision support systems for effective ex-ante risk evaluation: An innovative model for improving the real estate redevelopment processes | |
| Walsh et al. | Socioeconomic resilience in Sri Lanka: Natural disaster poverty and wellbeing impact assessment | |
| Liang et al. | Resource allocation and uncertainty in transportation infrastructure planning: A study of highway improvement program in Taiwan | |
| Waddell | The Oregon prototype metropolitan land use model | |
| Mattock et al. | The Dynamic Retention Model for Air Force Officers: New Estimates and Policy Simulations of the Aviator Continuation Pay Program | |
| Lagarias | Exploring land use policy scenarios with the use of a cellular automata-based model: urban sprawl containment and sustainable development in Thessaloniki | |
| Rezaei et al. | Preference stability in household location choice: Using cross-sectional data from three censuses | |
| Fan et al. | How does upzoning impact land use and transport: a case study of Seattle | |
| Clay et al. | The Bid-rent Land Use Model of the simple, efficient, elegant, and effective model of land use and transportation | |
| Soni et al. | Enlightening grey portions of energy security towards sustainability | |
| Bradshaw et al. | Shaping policy decisions with spatial analysis | |
| Yin | Modeling cumulative effects of wildfire hazard policy and exurban household location choices: An application of agent-based simulations | |
| Gardiner | Multi-attribute utility measurement for coastal zone decision-making |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |