KR102533751B1 - LSTM based spatial analysis method for city planning prediction - Google Patents
LSTM based spatial analysis method for city planning prediction Download PDFInfo
- Publication number
- KR102533751B1 KR102533751B1 KR1020200148110A KR20200148110A KR102533751B1 KR 102533751 B1 KR102533751 B1 KR 102533751B1 KR 1020200148110 A KR1020200148110 A KR 1020200148110A KR 20200148110 A KR20200148110 A KR 20200148110A KR 102533751 B1 KR102533751 B1 KR 102533751B1
- Authority
- KR
- South Korea
- Prior art keywords
- vacant
- spatial
- value
- pixels
- vacancy
- Prior art date
Links
- 238000012732 spatial analysis Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 54
- 230000008859 change Effects 0.000 claims abstract description 30
- 238000012729 kappa analysis Methods 0.000 claims abstract description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 46
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004083 survival effect Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- 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
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 도시계획 예측을 위한 LSTM 기반의 공간 분석방법은, 지역상권의 사회, 경제적 변화 예측을 위한 공간변화 분석을 위하여 임의의 대상지역에 따른 공간분포 모형에 대하여 픽셀화 모형을 구성하며, 상가 공실 픽셀(1 또는 2의 픽셀값)과 공실이 아닌 픽셀(0의 픽셀값)을 구한 후 이들의 합을 하나의 픽셀로 재구성하고, 하나의 합으로 구성된 픽셀에서 0의 값은 TN, 1의 값은 FN, 2의 값은 FP, 3의 값은 TP이며, 아래 수학식 1에 해당하는 캅파 통계치(Kappa Statistics)에 따라 공간변화(상가 공실 변화 여부) 분석을 실시한다.
수학식 1
Equation 1
Description
본 발명은 젠트리피케이션에 따른 상가 공실 예측을 위한 LSTM 기반의 공간 분석방법에 관한 것으로, 좀 더 상세하게는 LSTM(Long Short Term Memory) 기반을 통해 연구 대상지 내 상가 공실 변동율을 예측하기위한 LSTM 기반의 공간 분석방법에 관한 것이다.The present invention relates to an LSTM-based spatial analysis method for predicting commercial vacancy according to gentrification. It is about the spatial analysis method of .
도시 내 다양한 사회경제 활동 및 토지이용 변화 등의 현상들에 대한 예측을 위하여 시계열을 반영한 VAR(Vector Auto Regressive) 모형과 특성함수(hedonic function) 모형을 중심으로 한 회귀모형이 주로 사용되어 왔으나 통계모형이 가지는 등분산성, 독립성, 정규성 등의 가정과 다중공선성의 문제, 특이값에 민감하게 반응하는 문제점 등이 존재하며, 정확한 공간 분포 예측에는 한계를 보이고 있었다.In order to predict phenomena such as various socio-economic activities and land use changes in a city, vector auto-regressive (VAR) models reflecting time series and regression models based on hedonic function models have been mainly used, but statistical models This branch has assumptions such as equal variance, independence, and normality, problems of multicollinearity, and problems of sensitive response to singular values, and it has limitations in accurately predicting spatial distribution.
이에 회귀모형의 문제점을 극복하고 회귀모형과 상호 보완적인 관계를 가질 수 있는 ArcGIS 등 공간분석 프로그램을 활용한 예측 모형들이 개발되었다.Therefore, predictive models using spatial analysis programs such as ArcGIS, which can overcome the problems of regression models and have a complementary relationship with regression models, have been developed.
하지만, 대부분의 공간 예측 모형 관련 연구들은 도시 성장에 따른 시가지 변화 등을 예측하였으며, 예측 결과에 대한 정확도 분석을 수행하지 못하면서, 그 결과에 대한 검증 절차가 부족하였기 때문에 그 예측결과가 실제 도시 정책 수립에 반영되지 못하는 한계가 있다.However, most of the spatial prediction model-related studies predicted changes in the urban area due to urban growth, and the accuracy analysis of the prediction results was not performed, and the verification process for the results was insufficient. There are limitations that cannot be reflected in
뿐만 아니라, 젠트리피케이션 지표를 개발하거나, 젠트리피케이션 정도를 수치화하고 분석하는 모형은 존재하나, 상권의 발전과정을 보다 직접적으로 분석, 예측할 수 있는 상가 공실 예측 모형은 찾기 힘들며, 본 출원인이 2016년에 미국 성장도시와 쇠퇴 도시의 빈집 패턴을 분석하기 위하여 개발한 Artificial Neural Network (ANN) 기반의 Land Transformation Model(LTM)을 활용한 연구가 유일하다. In addition, there are models that develop gentrification indicators or quantify and analyze the degree of gentrification, but it is difficult to find a commercial vacancy prediction model that can more directly analyze and predict the development process of a commercial district. This is the only study using the Artificial Neural Network (ANN)-based Land Transformation Model (LTM) developed in 2008 to analyze vacant house patterns in growing and declining cities in the US.
LTM의 경우 기존 공간 패턴 예측 모형들에서 고려하지 않았던 향후 빈집/빈땅의 시공간적 분포를 예측하였다는 점에서 의의가 있지만, 결과값을 도출하는데 최소 5일 이상의 시간이 소요되며 정확도도 50% 정도에 그친다는 한계가 있다.In the case of LTM, it is meaningful in that it predicted the spatio-temporal distribution of future vacant houses/vacant lands that were not considered in existing spatial pattern prediction models, but it took at least 5 days to derive the results and the accuracy was only about 50%. There are limitations to
최근 인공지능, 빅데이터에 대한 관심이 증가하면서 도시계획 분야에서도 LSTM을 활용한 연구들이 진행 중이긴 하나 부동산 관련 분야의 주택 가격 예측 등의 연구에 한정되어 있으며, 이것 또한 공간적인 분포보다는 지역 전체에 대한 예측이 이루어지고 있기 때문에 예측모형을 통한 공간적 분포 및 지역적 차이를 비교분석하기에는 한계가 있다.Recently, as interest in artificial intelligence and big data has increased, studies using LSTM are being conducted in the field of urban planning, but they are limited to studies such as housing price prediction in the real estate-related field. Because predictions are being made, there is a limit to comparative analysis of spatial distribution and regional differences through prediction models.
상기와 같은 문제점을 해결하기 위한 본 발명은, LSTM 기반의 공간 예측 모형을 통하여 연구 대상지 내 상가 공실이 급증할 지역에 대한 정확한 예측이 가능하기 때문에 이를 토대로 보다 구체적이고 실질적인 젠트리피케이션 및 도시재생 정책 수립이 크게 기대할 수 있는 목적을 가지고 있다.In order to solve the above problems, the present invention enables accurate prediction of areas where commercial vacancy in the research site will increase rapidly through an LSTM-based spatial prediction model. Based on this, more specific and practical gentrification and urban regeneration policies The establishment has a purpose that can be greatly expected.
상기와 같은 목적을 달성하기 위한 본 발명은, 토지변화이용 예측을 위한 공간변화 분석을 위하여 임의의 대상지역에 따른 공간분포 모형에 대하여 픽셀화 모형을 구성하며, 공실 픽셀(1 또는 2의 픽셀값)과 공실이 아닌 픽셀(0의 픽셀값)을 구한 후 이들의 합을 하나의 픽셀로 재구성하고, 하나의 합으로 구성된 픽셀에서 0의 값은 TN, 1의 값은 FN, 2의 값은 FP, 3의 값은 TP이며, 아래 수학식 1에 해당하는 캅파 통계치(Kappa Statistics)에 따라 공간변화(상가 공실 변화 여부) 분석을 실시한다.In order to achieve the above object, the present invention constructs a pixelation model for a spatial distribution model according to an arbitrary target area for spatial change analysis for land change use prediction, and vacant pixels (pixel values of 1 or 2) ) and non-vacant pixels (pixel value of 0) are obtained, and their sum is reconstructed into one pixel. In the pixel composed of one sum, a value of 0 is TN, a value of 1 is FN, and a value of 2 is FP , The value of 3 is TP, and the spatial change (whether or not there is a change in vacancy in the shopping mall) is analyzed according to the Kappa statistics corresponding to
[수학식 1][Equation 1]
(여기서, Po = Observed Accuracy =(TP + TN)/(TP + FP + FN + TN)(Where Po = Observed Accuracy = (TP + TN)/(TP + FP + FN + TN)
Pe = Expected Accuracy = [(TP + FP)(TP + FN) + (FN + TN)(FP + TN)] / [(TP + FP + FN + TN)2]Pe = Expected Accuracy = [(TP + FP)(TP + FN) + (FN + TN)(FP + TN)] / [(TP + FP + FN + TN) 2 ]
TN : 실제로도 공실이 아니고 예측모형도 공실이 아닐 것으로 예측한 픽셀, FN : 실제로는 공실이나, 예측모형은 공실이 아닐 것으로 예측한 픽셀, FP : 실제로는 공실이 아니지만, 예측모형은 공실일 것으로 예측한 픽셀, TP : 실제로도 공실이고, 예측모형도 공실일 것으로 예측한 픽셀)TN: Pixels that are not actually vacant and predicted by the prediction model to be not vacant, FN: Pixels that are actually vacant but predicted by the prediction model to be non-vacant, FP: Pixels that are not actually vacant but predicted by the prediction model to be vacant One pixel, TP: A pixel that is actually vacant and predicted to be vacant by the prediction model)
또한, 상기 분석 방법은, Overall Agreement (OA) = 1 - (Quantity Disagreement + Allocation Disagreement)를 계산하는 단계를 더 포함한다.In addition, the analysis method further includes calculating Overall Agreement (OA) = 1 - (Quantity Disagreement + Allocation Disagreement).
(여기서, Quantity Disagreement(QD)는 전체 픽셀 개수 중 실제 공실 픽셀과 예측결과의 공실 픽셀 개수를 비교하여 공실 픽셀 개수의 차이가 얼마나 있는지 확인하기 위한 계산이며, Allocation Disagreement (AD): 전체 픽셀 중에 실제 공실 픽셀의 위치와 예측 픽셀 위치의 차이가 얼마나 나는지 공간적인 차이 확인하기 위하여 아래 수학식 2를 통해 계산됨.) (Here, Quantity Disagreement (QD) is a calculation to determine how much difference there is between the number of vacant pixels in the prediction result by comparing the actual number of vacant pixels with the number of vacant pixels in the prediction result among the total number of pixels. Allocation Disagreement (AD): Calculated through
[수학식 2][Equation 2]
또한, 상기 분석 방법은, 실제로는 공실이 아니지만, 공실로 예측한 비율 (False Positive Rate)을 아래 수학식 3을 통해 X축으로 구성하고, 실제로도 공실이고 예측결과도 공실으로 예측된 비율 (True Positive Rate)을 아래 수학식 4를 통해 Y축으로 구성하는 그래프를 그리고 그 면적을 계산하여 정확도를 분석한다.In addition, in the above analysis method, although it is not actually vacancy, the rate predicted as vacancy (False Positive Rate) is configured as the X-axis through
[수학식 3][Equation 3]
[수학식 4][Equation 4]
또한, 상권별 사회, 경제적 변화 예측을 위한 공간변화 분석을 위하여 임의의 대상지역에 따른 공간분포 모형에 대하여 픽셀화 모형을 구성하며, 공실 픽셀(1 또는 2의 픽셀값)을 구한 후 이들의 합을 하나의 픽셀로 재구성하고, 하나의 합으로 구성된 픽셀에서 0의 값은 TN, 1의 값은 FN, 2의 값은 FP, 3의 값은 TP이며, 아래 수학식 5에 해당하는 캅파 통계치(Kappa Statistics)에 따라 공간변화(상가 공실 변화 여부) 분석을 실시한다.In addition, in order to analyze spatial changes for predicting social and economic changes by commercial district, a pixelation model is constructed for the spatial distribution model according to an arbitrary target area, and vacant pixels (pixel values of 1 or 2) are obtained and the sum of them is calculated. is reconstructed into one pixel, and in the pixel composed of one sum, a value of 0 is TN, a value of 1 is FN, a value of 2 is FP, and a value of 3 is TP, and the kappa statistic corresponding to Equation 5 below ( Kappa Statistics) to analyze spatial changes (whether or not there are changes in vacancies in shopping malls).
[수학식 5][Equation 5]
(여기서, FN : 실제로는 공실이나, 예측모형은 공실이 아닐 것으로 예측한 픽셀, TP : 실제로도 공실이고, 예측모형도 공실일 것으로 예측한 픽셀)(Here, FN: Pixels that are actually vacant, but predicted by the prediction model to be non-vacant, TP: Pixels that are actually vacant and predicted to be vacant by the prediction model)
또한, 상기 젠트리피케이션 예측을 위한 LSTM 기반의 공간 분석방법은, 공간 분석값을 획득하기 위하여 분야별 데이터값을 산출하는 수집 단말기와, 상기 수집 단말기를 통해 수집된 다수의 데이터값을 수신받는 중앙서버와, 상기 수집 단말기를 통해 수집된 다수의 데이터값을 저장하는 중앙데이터베이스를 포함하고, 상가 공실의 공간 분석값을 획득하기 위한 인공지능 학습 데이터값(weighting factor)을 생성하기 위하여 현재 공실 데이터값을 통해 인공지능 학습 데이터값(weighting factor)을 생성하여 인공지능 예측 모델을 생성하며, 상기 복수의 수집 단말기를 통해 산출되는 각각의 수집 정보값에서 선택된 어느 하나 또는 둘 이상의 수집 정보값이 입력되면 상기 인공지능 학습 데이터값으로부터 공실 공간 분석값을 산출하고, 상기 인공지능 학습 데이터값으로부터 공실 공간 분석값을 기간별(매일, 매주, 매월, 매년)로 산출하여 제공하는 것을 특징으로 한다.In addition, the LSTM-based spatial analysis method for gentrification prediction includes a collection terminal that calculates data values for each field to obtain a spatial analysis value, and a central server that receives a plurality of data values collected through the collection terminal And, including a central database for storing a plurality of data values collected through the collection terminal, and the current vacancy data value to generate an artificial intelligence learning data value (weighting factor) for obtaining a spatial analysis value of a vacancy in a shopping mall An artificial intelligence prediction model is created by generating an artificial intelligence learning data value (weighting factor) through the artificial intelligence learning data value (weighting factor). It is characterized in that the vacancy space analysis value is calculated from the intelligent learning data value, and the vacancy space analysis value is calculated and provided for each period (daily, weekly, monthly, yearly) from the artificial intelligence learning data value.
또한, 상기 중앙데이터베이스는, 상기 수집 단말기로부터 산출되는 각각의 수집 정보값을 인공지능 학습 데이터값을 통해 산출되는 공실의 공간 분석값의 정확도를 검증하기 위하여 상기 수집 정보값을 하나 또는 둘 이상을 선택적으로 적용하여 정확도를 검증하고, 공실 공간 분석값을 산출하는 것을 특징으로 한다.In addition, the central database selects one or more of the collection information values in order to verify the accuracy of the spatial analysis value of the vacant room calculated through the artificial intelligence learning data value for each collection information value calculated from the collection terminal. It is characterized in that the accuracy is verified by applying to and the vacancy space analysis value is calculated.
또한, 상기 중앙데이터베이스는, 인공지능 학습 데이터값(weighting factor)을 생성하기 위하여 입력레이어, 히든레이어, 출력레이어로 구성되어 인공지능 모델을 결정하고 상기 히든레이어에서 노드수와 레이어수를 결정하며, 상기 입력레이어를 통해 입력되는 변수는 상기 수집 단말기 통해 산출되는 각각의 산출값(수집 정보값)에 해당하는 변수가 입력되고, 출력레이어를 통해 상가 공실 공간 분석값을 출력되도록 인공지능 학습 데이터값을 생성하여 공실 공간 분석값을 획득하는 것을 특징으로 한다.In addition, the central database is composed of an input layer, a hidden layer, and an output layer to determine an artificial intelligence model and determine the number of nodes and layers in the hidden layer in order to generate an artificial intelligence learning data value (weighting factor), Variables input through the input layer are artificial intelligence learning data values such that a variable corresponding to each calculated value (collected information value) calculated through the collection terminal is input and a shopping mall vacancy space analysis value is output through the output layer. and obtaining a vacancy space analysis value.
또한, 상기 중앙데이터베이스는, 상기 수집 단말기를 통해 임대료, 건물연식, 건물층수, 건축면적, 프랜차이즈 비율, 매출액, 신생기업 생존률, 유동인구, 2~30대 유동인구, 지하철 접근성에 해당하는 수집 정보값을 수신받고, 각각의 수집 정보값을 인공지능 학습 데이터값에 반영하여 상가 공실 공간 분석값을 획득하는 것을 특징으로 한다.In addition, the central database collects information values corresponding to rent, building age, number of floors, building area, franchise ratio, sales, startup survival rate, floating population, floating population in their 20s and 30s, and subway accessibility through the collection terminal. is received, and each collected information value is reflected in the artificial intelligence learning data value to obtain a shopping mall vacancy space analysis value.
또한, 상기 중앙서버는, 상기 수집 단말기를 통해 획득되는 해당 지역의 임대료, 건물연식, 건물층수, 건축면적, 프랜차이즈 비율, 매출액, 신생기업 생존률, 유동인구, 2~30대 유동인구, 지하철 접근성에 대한 각각의 데이터에서 선택된 임의의 데이터만을 사용하여 공실 공간 분석값을 분석한 후 상기 임의의 데이터 외에 나머지 데이터를 추가적으로 반영하여 인공지능 예측 모델을 생성한 후 상가 공실 공간 분석값의 정확도를 검증하는 단계를 더 포함한다.In addition, the central server determines the rent, building age, number of floors, building area, franchise ratio, sales, survival rate of startups, floating population, floating population in their 2nd to 30s, and subway accessibility obtained through the collection terminal. After analyzing the vacancy space analysis value using only random data selected from each data for, generating an artificial intelligence prediction model by additionally reflecting the remaining data in addition to the random data, and then verifying the accuracy of the vacancy space analysis value of the shopping mall more includes
또한, 상기 젠트리피케이션 예측을 위한 LSTM 기반의 공간 분석방법은, 상기 수집 단말기를 통해 산출되는 해당 지역의 수집 정보값을 실시간으로 제공하여 각각의 상기 수집 정보값을 통해 산출된 정보를 딥러닝을 통해 공실 공간 분석값을 학습하는 딥러닝 서버를 더 포함하여 구성된다.In addition, the LSTM-based spatial analysis method for gentrification prediction provides the collected information values of the corresponding region calculated through the collecting terminal in real time, and deep learning the information calculated through each of the collected information values It is configured to further include a deep learning server that learns the vacancy space analysis value through.
또한, 상기 중앙서버는, 상기 수집 단말기를 통해 획득되는 수집 정보값을 기수집하여 해당 지역에 공간 분석값을 획득하는 제 1단계와, 현재 시점에서 상기 수집 단말기를 통해 획득되는 수집 정보값을 수신하여 상기 제 1단계에서 획득한 공간 분석값과 현재 획득한 공간 분석값을 획득하는 제 2단계와, 상기 제 1단계에서 획득된 과거에 해당하는 공간 분석값과 상기 제 2단계에서 획득된 현재 시점의 공간 분석값을 비교하여 공실 발생 변화율을 예측한 예측 공간 분석값을 획득하는 제 3단계를 포함하여 구성된다.In addition, the central server performs a first step of pre-collecting the collection information values obtained through the collection terminal to obtain a spatial analysis value in the corresponding area, and receiving the collection information value obtained through the collection terminal at a current point in time. a second step of obtaining the spatial analysis value obtained in the first step and the spatial analysis value currently obtained, and the spatial analysis value corresponding to the past obtained in the first step and the current viewpoint obtained in the second step and a third step of obtaining a predicted spatial analysis value predicting a vacancy rate of change by comparing spatial analysis values of .
또한, 상기 중앙서버는, 예측 공간 분석값을 산출하기 위한 인공지능 학습 데이터값(weighting factor)을 생성하기 위하여 상기 제 1단계에서 획득된 공간 분석값을 통해 인공지능 학습 데이터값(weighting factor)을 생성하여 인공지능 예측 모델을 구성하며, 상기 복수의 수집 단말기에서 검출되는 각각의 수집 정보값에서 선택된 어느 하나 또는 둘 이상의 수집 정보값이 입력되면 상기 인공지능 학습 데이터값으로부터 예측 공간 분석값을 산출하는 특징으로 한다.In addition, the central server uses an artificial intelligence learning data value (weighting factor) through the spatial analysis value obtained in the first step to generate an artificial intelligence learning data value (weighting factor) for calculating a predicted spatial analysis value. generating and constituting an artificial intelligence prediction model, and calculating a prediction spatial analysis value from the artificial intelligence learning data value when one or two or more collection information values selected from each collection information value detected by the plurality of collection terminals are input to be characterized
상기와 같이 구성되고 작용되는 본 발명은, 복합적인 모형 개발을 통해 신뢰도 및 타당성 분석을 위한 4가지 방법론을 적용하여 계량화함에 따라 정확도 높은 분석 결과를 토출할 수 있는 이점이 있다.The present invention configured and operated as described above has the advantage of discharging high-accuracy analysis results by applying and quantifying four methodologies for reliability and validity analysis through complex model development.
또한, 인공지능 학습 데이터를 통해서 현재 공간 분석값과 앞으로 발생할 공간 분석값을 예측 분석함에 따라 도시계획 예측을 위한 상가 공실 공간 분석의 정확성을 만족시킬 수 있는 효과가 있다.In addition, by predicting and analyzing the current space analysis value and the space analysis value to occur in the future through artificial intelligence learning data, there is an effect that can satisfy the accuracy of the vacancy space analysis of shopping malls for urban planning prediction.
도 1은 본 발명에 따른 젠트리피케이션 예측을 위한 LSTM 기반의 공 분석방법을 설명하기 위한 기본 개념도,
도 2는 본 발명에 따른 젠트리피케이션 예측을 위한 LSTM 기반의 공간 분석방법을 위한 시스템의 구성도,
도 3은 본 발명에 따른 젠트리피케이션 예측을 위한 LSTM 기반의 공간 분석방법을 위한 시스템에서 인공지능 모델링의 예시도.1 is a basic conceptual diagram for explaining an LSTM-based ball analysis method for gentrification prediction according to the present invention;
2 is a configuration diagram of a system for an LSTM-based spatial analysis method for gentrification prediction according to the present invention;
3 is an exemplary view of artificial intelligence modeling in a system for an LSTM-based spatial analysis method for gentrification prediction according to the present invention.
이하, 첨부된 도면을 참조하여 본 발명에 따른 젠트리피케이션 예측을 위한 LSTM 기반의 공간 분석방법을 상세히 설명하면 다음과 같다.Hereinafter, the LSTM-based spatial analysis method for gentrification prediction according to the present invention will be described in detail with reference to the accompanying drawings.
본 발명에 따른 젠트리피케이션 예측을 위한 LSTM 기반의 공간 분석방법은, 상권 변화 예측을 위한 공간변화 분석을 위하여 임의의 대상지역에 따른 공간분포 모형에 대하여 픽셀화 모형을 구성하며, 공실 픽셀(1 또는 2의 픽셀값)과 공실이 아닌 픽셀(0의 픽셀값)을 구한 후 이들의 합을 하나의 픽셀로 재구성하고, 하나의 합으로 구성된 픽셀에서 0의 값은 TN, 1의 값은 FN, 2의 값은 FP, 3의 값은 TP이며, 아래 수학식 1에 해당하는 캅파 통계치(Kappa Statistics)에 따라 공간변화(상가 공실 변화 여부) 분석을 실시한다.The LSTM-based spatial analysis method for predicting gentrification according to the present invention constructs a pixelation model for a spatial distribution model according to an arbitrary target area for spatial change analysis for predicting changes in commercial districts, and vacant pixels (1 or a pixel value of 2) and non-vacant pixels (pixel value of 0) are obtained, and their sum is reconstructed into one pixel, and a value of 0 is TN, a value of 1 is FN, The value of 2 is FP, the value of 3 is TP, and spatial change (whether or not there is a change in vacancy in a shopping mall) is analyzed according to the Kappa statistics corresponding to
[수학식 1][Equation 1]
본 발명에 따른 젠트리피케이션 예측을 위한 LSTM 기반의 공간 분석방법은, 기존의 LTM 분석 방법에서 기존 예측 공간 패턴 예측 모형들에서 고려하지 않았던 향후 상가 공실의 시공간적 분포를 예측하였다는 점에서 이점이 있지만, 결과값을 도출하는데 많은 시간이 소요되었으며, 정확도도 50%에 그친다는 한계점을 극복하기 위하여 자유로운 상황에서 분석 및 예측이 가능하고 짧은 시간에 예측력과 결과값 도출이 가능한 Long Short Term Memory(LSTM) 기반의 정확도를 분석하고자 한다.The LSTM-based spatial analysis method for gentrification prediction according to the present invention has an advantage in predicting the spatio-temporal distribution of future commercial vacancy, which was not considered in the existing prediction spatial pattern prediction models in the existing LTM analysis method. , Long Short Term Memory (LSTM), which can analyze and predict in a free situation and derive predictive power and result values in a short time, in order to overcome the limitation that it took a lot of time to derive the result value and the accuracy is only 50%. We want to analyze the accuracy of the base.
우선, 젠트리피케이션 등의 상권 변화와 관련된 변수구축 과정을 설명하면 다음과 같다.First of all, the process of establishing variables related to changes in commercial districts such as gentrification will be described as follows.
선행연구에서 도출된 상가 공실 발생 요인들과 우리나라 공실현황 등 지역적 특성을 고려하여 상가 공실 발생 관련 요인을 도출하였으며, 데이터별 결측정도 및 데이터간 결합 가능 여부 등을 파악하여 10가지 상가 공실 발생 핵심 요인을 추출하고, 공간분석을 위하여 ArcGIS 프로그램을 활용하여 공간데이터로 변환한다.Factors related to vacancy in shopping malls were derived by considering regional characteristics such as commercial vacancy occurrence factors derived from previous studies and vacancy status in Korea, and 10 core vacancy occurrences in shopping malls were identified by determining the measurement of data and whether data could be combined. Factors are extracted and converted into spatial data using the ArcGIS program for spatial analysis.
종속변수인 상가 공실 데이터의 경우 상가 개ㅇ폐업일자 데이터를 토대로 하며, 데이터의 특성상 연구 대상지가 속해 있는 지자체의 공실 데이터 구축 상황에 따라 데이터가 달라질 수 있다.In the case of the shopping mall vacancy data, which is the dependent variable, it is based on the data on the opening and closing dates of the shopping mall, and due to the nature of the data, the data may vary depending on the vacancy data construction situation of the local government to which the study site belongs.
아래 [표 1]은 공실 발생 요인변수의 설명하는 것이다.[Table 1] below explains the factors that cause vacancy.
요인변수factor variable
단위unit
설명explanation
상기 요인변수의 각 분석 방법은 아래와 같다.Each analysis method of the factor variable is as follows.
1. 단위면적당 환산임대료1. Converted rent per unit area
환산임대료 
단위면적당 환산임대료 
1) 소상공인시장진흥공단의 상가 개ㅇ폐업 데이터를 수집 후, 서울신용보증재단이 보유하고 있는 임대료 및 보증금 데이터를 통하여 단위면적당 환산임대료를 추출하였으며, 건축물대장 내 ID코드와 상가 데이터를 결합함. 이를 토대로 ArcGIS 툴을 활용하여 대상지를 100x100m 격자로 재분류하여, 격자별 환산임대료를 분석. 환산임대료 계산시 전환율은 12%로 하였으며, 지역특성에 따라 변동이 가능함1) After collecting the data on the opening and closing of shopping malls by the Small Enterprise and Market Service Corporation, the converted rent per unit area was extracted through the rent and deposit data held by the Seoul Credit Guarantee Foundation, and the ID code in the building ledger and the shopping mall data were combined. Based on this, the ArcGIS tool was used to reclassify the site into a 100x100m grid, and the converted rent for each grid was analyzed. When calculating the converted rent, the conversion rate was set at 12%, and it is subject to change depending on regional characteristics.
2. 건물연식, 3. 건물층수 및 4. 건축면적2. Building age, 3. Building number of floors and 4. Building area
1) 건물연식: 건축물대장 데이터의 건물 준공연도를 토대로 건물 준공 후 분석 기준년까지의 경관연수를 추출1) Building age: Based on the building completion date of the building ledger data, the landscape age from the completion of the building to the analysis base year is extracted.
2) 건물층수: 건축물대장 데이터의 건물층수 데이터를 추출2) Number of building floors: Extraction of building floor data from building ledger data
3) 건축면적: 건축물대장 데이터의 건축면적을 추출하되, 연면적과 층수를 분석하여, 건축면적이 오 기재된 데이터는 제외3) Building area: Extract the building area from the building ledger data, but analyze the total floor area and number of floors, excluding data with incorrect building area
이를 토대로 ArcGIS 툴을 활용하여 대상지를 100x100m 격자로 재분류하여, 격자별 건축물의 평균 건물연식, 층수, 건축면적 분석 Based on this, the ArcGIS tool was used to reclassify the site into a 100x100m grid, and the average building age, number of floors, and building area of each grid were analyzed.
5. 프랜차이즈 비율5. Franchise Ratio
1) 소상공인시장진흥공단의 상가 개ㅇ폐업 데이터를 통해 추출한 분석 시점의 영업 중인 총 점포개수 대비 프랜차이즈 점포개수를 파악하고, 1차 가공 후 ArcGIS 툴을 활용하여 대상지를 100x100m 격자로 재분류하여, 격자별 프랜차이즈 비율을 분석1) Figure out the number of franchise stores compared to the total number of stores in operation at the time of analysis extracted through the opening and closing business data of the Small Enterprise Market Corporation, and after the first processing, use the ArcGIS tool to reclassify the target area into a 100x100m grid, Analyzing Star Franchise Ratio
6. 매출액6. Sales
1) 서울신용보증재단이 보유하고 있는 점포별 카드매출 데이터를 수집 후, ArcGIS 툴을 활용하여 100x100m 격자별 매출액을 분석1) After collecting card sales data by store held by Seoul Credit Guarantee Foundation, analyze sales by 100x100m grid using ArcGIS tool
7. 신생기업 생존율7. Startup Survival Rate
1) 신생기업 생존율은 3년 전 창업, 개업한 신생기업 중 '기준 연도'까지 생존해 있는 기업의 비율로 정의하였으며, 이에 (기준연도-3년) 신생기업 중 기준연도까지 생존한 기업수의 비율을 파악 후, ArcGIS 툴을 활용하여 100x100m 격자별 생존율을 분석1) The survival rate of startups was defined as the ratio of companies that survived until the 'base year' among startups that were founded and opened 3 years ago. After identifying the ratio, use the ArcGIS tool to analyze the survival rate for each 100x100m grid
8. 유동인구 및 9. 2-30대 유동인구8. Floating population and 9. Floating population in their 2-30s
1) 서울신용보증재단 보유 집계구별 유동인구 데이터를 토대로, ArcGIS 툴을 활용하여 100x100m 격자별 총 유동인구 및 2-30대 유동인구를 분석1) Based on the floating population data by counting district held by the Seoul Credit Guarantee Foundation, ArcGIS tool was used to analyze the total floating population and floating population in their 20s and 30s for each 100x100m grid.
10. 지하철 접근성10. Subway accessibility
1) 지하철역에서 반경 500m 내의 건축물들을 지하철 접근성이 높은 지역으로 설정하고, ArcGIS 툴을 활용하여 지하철역으로부터 500m 내에 포함되는 건축물들을 추출, 그 개수를 분석1) Set the buildings within a radius of 500m from the subway station as areas with high subway accessibility, extract the buildings included within 500m from the subway station using the ArcGIS tool, and analyze the number
도시화에 따른 토지이용변화 등을 예측하기 위한 공간 분석 예측 모형 관련 연구는 1980년대 이후 꾸준히 진행되었다. 기존 모형들을 통해 도출된 예측 결과물에 대한 신뢰도 산출이 제대로 이루어지지 못하였기 때문에 모형 결과에 대한 불확실성으로 인해 실제 도시정책에 활용될 수 있는 근거를 제시하지 못한다는 한계를 가지고 있다.Research on spatial analysis prediction models for predicting land use changes due to urbanization has been steadily conducted since the 1980s. Since the reliability calculation of the prediction results derived through the existing models was not properly performed, it has a limitation that it cannot provide a basis that can be used for actual urban policy due to the uncertainty of the model results.
이에 본 발명은 모형 개발을 통하여 신뢰도 및 타당성 분석을 4가지 다른 방법론을 통해 계량화함으로써 모형의 타당성을 다방면으로 검증하였고, 이를 통해 예측 결과물이 실제 도시정책에 반영할 수 있는 기반을 마련하였다.Accordingly, the present invention verified the validity of the model in various ways by quantifying reliability and validity analysis through four different methodologies through model development, and through this, prepared the basis for the prediction result to be reflected in actual city policy.
도 1은 본 발명에 따른 공실 예측을 위한 LSTM 기반의 공간 분석방법을 설명하기 위한 기본 개념도이다. 도 1을 살펴보면, 두 기간 사이의 실제변화를 나타낸 실제 변화(A) 픽셀과 두 기간 사이 예상 변화(P)를 나타낸 픽셀, 그리고 A와 B의 합을 나타낸 픽셀이 도시된 도면이다. 도 1에 대한 설명은 아래 <표 2>에서 설명하고 있다.1 is a basic conceptual diagram for explaining a spatial analysis method based on LSTM for vacancy prediction according to the present invention. Referring to FIG. 1 , a pixel representing an actual change (A) representing an actual change between two periods, a pixel representing an expected change (P) between the two periods, and a pixel representing the sum of A and B are shown. 1 is described in <Table 2> below.
상권의 사회경제적 변화에 따른 상가 공실 예측을 위한 공간변화 분석을 위하여 임의의 대상지역에 따른 공간분포 모형에 대하여 픽셀화 모형을 구성하며, 공실 픽셀(1 또는 2의 픽셀값)과 공실이 아닌 픽셀(0의 픽셀값)을 구한 후 이들의 합을 하나의 픽셀로 재구성하고, 하나의 합으로 구성된 픽셀에서 0의 값은 TN, 1의 값은 FN, 2의 값은 FP, 3의 값은 TP이며, 아래 수학식 1에 해당하는 캅파 통계치(Kappa Statistics)에 따라 공간변화(상가 공실 변화 여부) 분석을 실시한다.In order to analyze spatial changes for predicting commercial vacancy according to socio-economic changes in the commercial district, a pixelation model is constructed for the spatial distribution model according to an arbitrary target area, and vacant pixels (pixel value of 1 or 2) and non-vacant pixels After obtaining (pixel value of 0), the sum of them is reconstructed into one pixel, and in the pixel composed of one sum, a value of 0 is TN, a value of 1 is FN, a value of 2 is FP, and a value of 3 is TP , and the spatial change (whether or not there is a change in vacancy in the shopping mall) is analyzed according to the Kappa Statistics corresponding to
[수학식 1][Equation 1]
(여기서, Po = Observed Accuracy =(TP + TN)/(TP + FP + FN + TN)(Where Po = Observed Accuracy = (TP + TN)/(TP + FP + FN + TN)
Pe = Expected Accuracy = [(TP + FP)(TP + FN) + (FN + TN)(FP + TN)] / [(TP + FP + FN + TN)2]Pe = Expected Accuracy = [(TP + FP)(TP + FN) + (FN + TN)(FP + TN)] / [(TP + FP + FN + TN) 2 ]
TN : 실제로도 공실이 아니고 예측모형도 공실이 아닐 것으로 예측한 픽셀, FN : 실제로는 공실이나, 예측모형은 공실이 아닐 것으로 예측한 픽셀, FP : 실제로는 공실이 아니지만, 예측모형은 공실일 것으로 예측한 픽셀, TP : 실제로도 공실이고, 예측모형도 공실일 것으로 예측한 픽셀)TN: Pixels that are not actually vacant and predicted by the prediction model to be not vacant, FN: Pixels that are actually vacant but predicted by the prediction model to be non-vacant, FP: Pixels that are not actually vacant but predicted by the prediction model to be vacant One pixel, TP: A pixel that is actually vacant and predicted to be vacant by the prediction model)
또한, 상기 분석 방법은, Overall Agreement (OA) = 1 - (Quantity Disagreement + Allocation Disagreement)를 계산하는 단계를 더 포함한다.In addition, the analysis method further includes calculating Overall Agreement (OA) = 1 - (Quantity Disagreement + Allocation Disagreement).
(여기서, Quantity Disagreement(QD)는 전체 픽셀 개수 중 실제 공실 픽셀과 예측결과의 공실 픽셀 개수를 비교하여 공실 픽셀 개수의 차이가 얼마나 있는지 확인하기 위한 계산이며, Allocation Disagreement (AD): 전체 픽셀 중에 실제 공실 픽셀의 위치와 예측 픽셀 위치의 차이가 얼마나 나는지 공간적인 차이 확인하기 위하여 아래 수학식 2를 통해 계산됨.) (Here, Quantity Disagreement (QD) is a calculation to determine how much difference there is between the number of vacant pixels in the prediction result by comparing the actual number of vacant pixels with the number of vacant pixels in the prediction result among the total number of pixels. Allocation Disagreement (AD): Calculated through
[수학식 2][Equation 2]
또한, 상기 분석 방법은, 실제로는 공실이 아니며, 공실로 예측한 비율 (False Positive Rate)을 아래 수학식 3을 통해 X축으로 구성하고, 실제로도 공실이고 예측결과도 공실로 예측된 비율 (True Positive Rate)을 아래 수학식 4를 통해 Y축으로 구성하는 그래프를 그리고 그 면적을 계산하여 정확도를 분석한다.In addition, in the above analysis method, the rate predicted as vacancy (False Positive Rate), which is not actually vacancy, is configured as the X-axis through
[수학식 3][Equation 3]
[수학식 4][Equation 4]
또한, 상권의 사회경제적 변화 예측을 위한 공간변화 분석을 위하여 임의의 대상지역에 따른 공간분포 모형에 대하여 픽셀화 모형을 구성하며, 공실 픽셀(1 또는 2의 픽셀값)을 구한 후 이들의 합을 하나의 픽셀로 재구성하고, 하나의 합으로 구성된 픽셀에서 0의 값은 TN, 1의 값은 FN, 2의 값은 FP, 3의 값은 TP이며, 아래 수학식 5에 해당하는 캅파 통계치(Kappa Statistics)에 따라 공간변화(공실 변화 여부) 분석을 실시한다.In addition, in order to analyze spatial changes for predicting socio-economic changes in the commercial district, a pixelation model is constructed for the spatial distribution model according to an arbitrary target area, and vacant pixels (pixel values of 1 or 2) are obtained and the sum of them is calculated. It is reconstructed as one pixel, and in the pixel composed of one sum, a value of 0 is TN, a value of 1 is FN, a value of 2 is FP, and a value of 3 is TP, and a Kappa statistic corresponding to Equation 5 below (Kappa Statistics) to analyze spatial changes (vacancy changes).
[수학식 5][Equation 5]
(여기서, FN : 실제로는 공실이나, 예측모형은 공실이 아닐 것으로 예측한 픽셀, TP : 실제로도 공실이고, 예측모형도 공실일 것으로 예측한 픽셀)(Here, FN: Pixels that are actually vacant, but predicted by the prediction model to be non-vacant, TP: Pixels that are actually vacant and predicted to be vacant by the prediction model)
도 2는 본 발명에 따른 도시계획 예측을 위한 LSTM 기반의 공간 분석방법을 위한 시스템의 구성도이다.Figure 2 is a configuration diagram of a system for a spatial analysis method based on LSTM for urban planning prediction according to the present invention.
본 발명에 따른 도시계획 예측을 위한 공간 분석방법을 구현하기 위해서는 다수의 변수를 수집 및 산출하는 하나 또는 복수의 수집 단말기(200)와 상기 수집 단말기에서 산출된 결과값을 통합하여 수신받아 저장하는 중앙데이터베이스(310)를 포함하는 중앙서버(300)와 관리자 단말기(330) 및 상기 결과값을 딥러닝하기 위한 딥러닝 서버(320)를 포함하여 구성된다. In order to implement the spatial analysis method for predicting urban planning according to the present invention, one or a plurality of
상기 도시계획 예측을 위한 LSTM 기반의 공간 분석방법은, 임대료, 건물연식, 건물층수, 건축면적, 프랜차이즈 비율, 매출액, 신생기업 생존률, 유동인구, 2~30대 유동인구, 지하철 접근성에 해당하는 데이터를 가지고 해당 지역에 대한 상가 공실을 분석하기 위한 방법론을 제공하기 위한 것으로, 하나의 상기 수집 단말기(200)는 상기 각각의 데이터를 분석 및 산출하는 단말기에 해당하며, 상기 수집 단말기는 필요에 따라서 그 수를 다양하게 구성할 수 있다. 상기 수집 단말기는 앞서 기술한 바와 같이 각각의 데이터값을 산출하기 위한 수학적 모델링을 통해 해당 지역의 임대료, 유동인구, 매출액 등의 수집 정보값을 산출하게 된다.The LSTM-based spatial analysis method for predicting urban planning is data corresponding to rent, building age, number of floors, building area, franchise ratio, sales, startup survival rate, floating population, floating population in their 20s and 30s, and subway accessibility This is to provide a methodology for analyzing commercial vacancies in a corresponding area with . One
따라서, 공간 분석값을 획득하기 위하여 분야별 데이터값을 산출하는 수집 단말기(200)와, 상기 수집 단말기를 통해 수집된 다수의 데이터값을 수신받는 중앙서버(300)와, 상기 수집 단말기를 통해 수집된 다수의 데이터값을 저장하는 중앙데이터베이스(310)를 포함하고, 공실 공간 분석값을 획득하기 위한 인공지능 학습 데이터값(weighting factor)을 생성하기 위하여 현재 공실 데이터값을 통해 인공지능 학습 데이터값(weighting factor)을 생성하여 인공지능 예측 모델을 생성한다. Therefore, the
이때, 상기 복수의 수집 단말기(200)를 통해 산출되는 각각의 수집 정보값에서 선택된 어느 하나 또는 둘 이상의 수집 정보값이 입력되면 상기 인공지능 학습 데이터값으로부터 공실 공간 분석값을 획득하는데, 상기 인공지능 학습 데이터값은 상기 딥러닝 서버(320)를 통해 생성된 데이터값을 가지고 공간 분석값을 산출한다. 여기서, 상기 인공지능 학습 데이터값으로부터 상가 공실 공간 분석값을 기간별(매일, 매주, 매월, 매년)로 산출한다.At this time, when any one or two or more collection information values selected from each collection information value calculated through the plurality of
본 발명은 상기 수집 단말기(200)로부터 산출되는 각각의 수집 정보값을 인공지능 학습 데이터값을 통해 산출되는 상가 공실 공간 분석값의 정확도를 검증하기 위하여 상기 수집 정보값을 하나 또는 둘 이상을 선택적으로 적용하여 정확도를 검증하고, 공실 공간 분석값을 산출한다. 본 발명에서는 앞서 언급한 바와 같이 11가지의 수집 정보값을 활용하여 해당 지역의 공간 분석값을 산출하는데, 수집 정보값을 통해 인공지능 학습 데이터값을 딥러닝하여 정확도 높은 공간 분석값을 산출할 수 있도록 학습 한다. In the present invention, one or more of the collected information values are selectively selected to verify the accuracy of the shopping mall vacancy space analysis value calculated through the artificial intelligence learning data value for each collection information value calculated from the
한편, 상기 중앙데이터베이스(310)는, 인공지능 학습 데이터값(weighting factor)을 생성하기 위하여 입력레이어, 히든레이어, 출력레이어로 구성되어 인공지능 모델을 결정한다. 도 3은 본 발명에 따른 젠트리피케이션 예측을 위한 LSTM 기반의 공간 분석방법을 위한 시스템에서 인공지능 모델링의 예시도이다.Meanwhile, the
상기 히든레이어에서 노드수와 레이어수를 결정하며, 상기 입력레이어를 통해 입력되는 변수는 상기 수집 단말기 통해 산출되는 각각의 산출값(수집 정보값)에 해당하는 변수가 입력되고, 출력레이어를 통해 공실 공간 분석값을 출력되도록 인공지능 학습 데이터값을 생성하여 공실 공간 분석값을 획득한다.The number of nodes and the number of layers are determined in the hidden layer, variables input through the input layer correspond to each calculated value (collected information value) calculated through the collection terminal, and vacancy through the output layer. An artificial intelligence learning data value is generated to output a spatial analysis value to obtain a vacant space analysis value.
한편, 상기 중앙서버(300)는, 상기 수집 단말기를 통해 획득되는 해당 지역의 임대료, 건물연식, 건물층수, 건축면적, 프랜차이즈 비율, 매출액, 신생기업 생존률, 유동인구, 2~30대 유동인구, 지하철 접근성에 대한 각각의 데이터에서 선택된 임의의 데이터만을 사용하여 상가 공실 공간 분석값을 분석한 후 상기 임의의 데이터 외에 나머지 데이터를 추가적으로 반영하여 인공지능 예측 모델을 생성한 후 빈공실 공간 분석값의 정확도를 검증하는 단계를 더 포함한다. 이러한 과정은 입력되는 변수(수집 정보값)를 활용하여 최종적으로 획득되는 공간 분석값에 대한 예측 공간 분석값의 정확도를 높이기 위하여 변수값을 선택적으로 적용하여 인공지능 예측 모델을 정밀하게 구성하기 위한 작업에 해당한다.On the other hand, the
다시 말해, 본 발명에 따른 공간 분석방법에 따른 과정으로는, 상기 수집 단말기를 통해 획득되는 수집 정보값을 기수집하여 해당 지역에 공간 분석값을 획득하는 제 1단계와, 현재 시점에서 상기 수집 단말기를 통해 획득되는 수집 정보값을 수신하여 상기 제 1단계에서 획득한 공간 분석값과 현재 획득한 공간 분석값을 획득하는 제 2단계와, 상기 제 1단계에서 획득된 과거에 해당하는 공간 분석값과 상기 제 2단계에서 획득된 현재 시점의 공간 분석값을 비교하여 공실땅 발생 변화율을 예측한 예측 공간 분석값을 획득하는 제 3단계로 구성된다.In other words, as a process according to the spatial analysis method according to the present invention, the first step of obtaining a spatial analysis value in a corresponding area by pre-collecting the collected information values obtained through the collecting terminal, and the collecting terminal at the present time A second step of obtaining the spatial analysis value obtained in the first step and the currently obtained spatial analysis value by receiving the collection information value obtained through It consists of a third step of obtaining a predicted spatial analysis value for predicting the rate of change in the occurrence of vacant land by comparing the spatial analysis value of the current time obtained in the second step.
상기 제 3단계를 통해서 앞으로 변화할 값을 예측 공간 분석값을 산출하기 위하여 인공지능 학습 데이터값을 이용하여 예측 공간 분석값을 산출할 수 있는 것이다. 예측 공간 분석값을 산출하기 위한 인공지능 학습 데이터값(weighting factor)을 생성하기 위하여 상기 제 1단계에서 획득된 공간 분석값을 통해 인공지능 학습 데이터값(weighting factor)을 생성하여 인공지능 예측 모델을 구성하며, 상기 복수의 수집 단말기에서 검출되는 각각의 수집 정보값에서 선택된 어느 하나 또는 둘 이상의 수집 정보값이 입력되면 상기 인공지능 학습 데이터값으로부터 예측 공간 분석값을 산출할 수 있는 것이다.In order to calculate the predictive spatial analysis value for the value to change in the future through the third step, the predicted spatial analysis value can be calculated using the artificial intelligence learning data value. In order to generate an artificial intelligence learning data value (weighting factor) for calculating a predicted spatial analysis value, an artificial intelligence prediction model is generated by generating an artificial intelligence learning data value (weighting factor) through the spatial analysis value obtained in the first step. configuration, and when any one or two or more collected information values selected from each of the collected information values detected by the plurality of collection terminals are input, a predicted spatial analysis value can be calculated from the artificial intelligence learning data value.
이와 같이 구성되는 본 발명은 상가 공실의 공간적 분포를 파악하고 향후 공실 예측 분석을 위한 모형을 제안하고 이를 통하여 신뢰도 및 타당성 분석에 필요한 분석론을 적용하여 분석함으로써 만족도 높은 결과에 이를 수 있고 소상공 관련 정책 및 도시재생 사업 등 필요 산업에 응용 자료로 크게 활용할 수 있는 효과가 있다.The present invention configured as described above identifies the spatial distribution of commercial vacancy, proposes a model for future vacancy prediction analysis, and through this, analyzes by applying the analysis theory necessary for reliability and feasibility analysis, thereby achieving highly satisfactory results and small business related policies. There is an effect that can be greatly utilized as application data in necessary industries such as urban regeneration projects
이상, 본 발명의 원리를 예시하기 위한 바람직한 실시예와 관련하여 설명하고 도시하였지만, 본 발명은 그와 같이 도시되고 설명된 그대로의 구성 및 작용으로 한정되는 것이 아니다. 오히려, 첨부된 청구범위의 사상 및 범주를 일탈함이 없이 본 발명에 대한 다수의 변경 및 수정이 가능함을 당업자들은 잘 이해할 수 있을 것이다. 따라서 그러한 모든 적절한 변경 및 수정과 균등물들도 본 발명의 범위에 속하는 것으로 간주되어야 할 것이다.Although the above has been described and illustrated in relation to preferred embodiments for illustrating the principles of the present invention, the present invention is not limited to the configuration and operation as shown and described. Rather, it will be appreciated by those skilled in the art that many changes and modifications may be made to the present invention without departing from the spirit and scope of the appended claims. Accordingly, all such appropriate changes and modifications and equivalents should be regarded as falling within the scope of the present invention.
100 : 실제 변화값을 가지는 픽셀
110 : 예상 변화값을 나타낸 픽셀
120 : 실제 변화값 픽셀과 예상 변화값 픽셀의 합
200 : 수집 단말기
300 : 중앙서버
310 : 중앙데이터베이스
320 : 딥러닝서버
330 : 관리자 단말기100: Pixels with actual change values
110: pixel representing the expected change value
120: Sum of actual change value pixels and expected change value pixels
200: collection terminal
300: central server
310: central database
320: deep learning server
330: manager terminal
Claims (16)
지역의 사회, 경제적 변화에 따른 상권변화 예측을 위한 공간변화 분석을 위하여 임의의 대상지역에 따른 공간분포 모형에 대하여 픽셀화 모형을 구성하여 상기 공간변화 분석을 실시하되
상기 공간변화 분석은,
실제로는 공실이 아니며, 공실로 예측한 비율 (False Positive Rate)을 X축으로 구성하고,
실제로도 공실이고 예측결과도 공실로 예측된 비율 (True Positive Rate)을 Y축으로 구성하는 그래프를 그리고 그 면적을 계산하여 정확도를 분석하는 젠트리피케이션 예측을 위한 LSTM 기반의 공간 분석방법.In the spatial analysis method of the area where the commercial vacancy in the study area will increase rapidly through the LSTM-based spatial prediction model,
In order to analyze spatial changes for predicting changes in commercial districts according to social and economic changes in the region, a pixelation model is constructed for the spatial distribution model according to an arbitrary target area, and the spatial change analysis is performed.
The spatial change analysis,
It is not actually a vacancy, and the rate predicted as a vacancy (False Positive Rate) is configured as the X-axis,
An LSTM-based spatial analysis method for gentrification prediction that analyzes the accuracy by drawing a graph consisting of the rate (True Positive Rate) that is actually vacant and predicted as vacancy as the Y-axis and calculates the area.
Overall Agreement (OA) = 1 - (Quantity Disagreement + Allocation Disagreement)를 계산하는 단계를 더 포함하여 구성되는 LSTM 기반의 공간 분석방법.
(여기서, Quantity Disagreement(QD)는 전체 픽셀 개수 중 실제 공실 픽셀과 예측결과의 공실 픽셀 개수를 비교하여 공실 픽셀 개수의 차이가 얼마나 있는지 확인하기 위한 계산이며, Allocation Disagreement (AD): 전체 픽셀 중에 실제 공실 픽셀의 위치와 예측 픽셀 위치의 차이가 얼마나 나는지 공간적인 차이 확인하기 위하여 아래 수학식 2를 통해 계산되되 수학식 2에서
TN : 실제로도 공실이 아니고 예측모형도 공실이 아닐 것으로 예측한 픽셀 개수, FN : 실제로는 공실이나, 예측모형은 공실이 아닐 것으로 예측한 픽셀 개수, FP : 실제로는 공실이 아니지만, 예측모형은 공실이 것으로 예측한 픽셀 개수, TP : 실제로도 공실이고, 예측모형도 공실일 것으로 예측한 픽셀 개수임.)
[수학식 2]
Overall Agreement (OA) = 1 - LSTM-based spatial analysis method comprising the step of calculating (Quantity Disagreement + Allocation Disagreement).
(Here, Quantity Disagreement (QD) is a calculation to determine how much difference there is between the number of vacant pixels in the prediction result by comparing the actual number of vacant pixels with the number of vacant pixels in the prediction result among the total number of pixels. Allocation Disagreement (AD): In order to check the spatial difference of the difference between the position of the vacant pixel and the position of the predicted pixel, it is calculated through Equation 2 below, but in Equation 2
TN: Number of pixels that are actually not vacant and predicted by the prediction model to be non-vacant, FN: Number of pixels that are actually vacant but predicted by the prediction model to be not vacant, FP: Number of pixels that are not actually vacant but predicted by the prediction model to be vacant The number of pixels predicted to be vacant, TP: The number of pixels that are actually vacant and predicted to be vacant by the prediction model.)
[Equation 2]
젠트리피케이션 예측을 위한 LSTM 기반의 공간 분석방법은,
공간 분석값을 획득하기 위하여 분야별 데이터값을 산출하는 수집 단말기와, 상기 수집 단말기를 통해 수집된 다수의 데이터값을 수신받는 중앙서버와, 상기 수집 단말기를 통해 수집된 다수의 데이터값을 저장하는 중앙데이터베이스를 포함하고,
상가 공실 공간 분석값을 획득하기 위한 인공지능 학습 데이터값(weighting factor)을 생성하기 위하여 현재 공실 데이터값을 통해 인공지능 학습 데이터값(weighting factor)을 생성하여 인공지능 예측 모델을 생성하는 것을 특징으로 하는 젠트리피케이션 예측을 위한 LSTM 기반의 공간 분석방법.According to claim 1 or 2,
LSTM-based spatial analysis method for gentrification prediction,
A collection terminal that calculates data values for each field in order to obtain a spatial analysis value, a central server that receives a plurality of data values collected through the collection terminal, and a central server that stores a plurality of data values collected through the collection terminal contains a database;
In order to generate an artificial intelligence learning data value (weighting factor) for obtaining a shopping mall vacancy space analysis value, an artificial intelligence prediction model is created by generating an artificial intelligence learning data value (weighting factor) through the current vacancy data value. LSTM-based spatial analysis method for gentrification prediction.
상기 수집 단말기로부터 산출되는 각각의 수집 정보값을 인공지능 학습 데이터값을 통해 산출되는 공실 공간 분석값의 정확도를 검증하기 위하여 공실 공간 분석값을 산출하는 것을 특징으로 하는 젠트리피케이션 예측을 위한 LSTM 기반의 공간 분석방법.The method of claim 4, wherein the central database,
Based on LSTM for prediction of gentrification, characterized in that the vacancy space analysis value is calculated to verify the accuracy of the vacancy space analysis value calculated through the artificial intelligence learning data value for each collection information value calculated from the collection terminal Spatial analysis method of .
지역의 사회, 경제적 변화에 따른 상권변화 예측을 위한 공간변화 분석을 위하여 임의의 대상지역에 따른 공간분포 모형에 대하여 픽셀화 모형을 아래 [수학식1]로 구성하여, 공간변화 분석을 실시하는 도시계획 예측을 위한 LSTM 기반의 공간 분석방법.
[수학식 1]
(여기서,
Po = Observed Accuracy =(TP + TN)/(TP + FP + FN + TN)
Pe = Expected Accuracy = [(TP + FP)(TP + FN) + (FN + TN)(FP + TN)] / [(TP + FP + FN + TN)2]
TN : 실제로도 공실이 아니고 예측모형도 공실이 아닐 것으로 예측한 픽셀, FN : 실제로는 공실이나, 예측모형은 공실이 아닐 것으로 예측한 픽셀, FP : 실제로는 공실이 아니지만, 예측모형은 공실이 것으로 예측한 픽셀, TP : 실제로도 공실이고, 예측모형도 공실일 것으로 예측한 픽셀.)In the spatial analysis method of the area where the commercial vacancy in the study area will increase rapidly through the LSTM-based spatial prediction model,
In order to analyze spatial changes for predicting changes in commercial districts according to social and economic changes in the region, a pixelation model is configured as [Equation 1] below for the spatial distribution model according to an arbitrary target area, and the city performs spatial change analysis LSTM-based spatial analysis method for planning forecasting.
[Equation 1]
(here,
Po = Observed Accuracy = (TP + TN)/(TP + FP + FN + TN)
Pe = Expected Accuracy = [(TP + FP)(TP + FN) + (FN + TN)(FP + TN)] / [(TP + FP + FN + TN) 2 ]
TN: Pixels that are not actually vacant and predicted by the prediction model to be not vacant, FN: Pixels that are actually vacant but predicted by the prediction model to be non-vacant, FP: Pixels that are not actually vacant but predicted by the prediction model to be vacant One pixel, TP: A pixel that is actually vacant and predicted to be vacant by the prediction model.)
Overall Agreement (OA) = 1 - (Quantity Disagreement + Allocation Disagreement)를 계산하는 단계를 더 포함하여 구성되는 젠트리피케이션 예측을 위한 LSTM 기반의 공간 분석방법.
(여기서, Quantity Disagreement(QD)는 전체 픽셀 개수 중 실제 공실 픽셀과 예측결과의 공실 픽셀 개수를 비교하여 공실 픽셀 개수의 차이가 얼마나 있는지 확인하기 위한 계산이며, Allocation Disagreement (AD): 전체 픽셀 중에 실제 공실 픽셀의 위치와 예측 픽셀 위치의 차이가 얼마나 나는지 공간적인 차이 확인하기 위하여 아래 수학식 2를 통해 계산됨.)
[수학식 2]
Overall Agreement (OA) = 1 - LSTM-based spatial analysis method for gentrification prediction, which further includes calculating (Quantity Disagreement + Allocation Disagreement).
(Here, Quantity Disagreement (QD) is a calculation to determine how much difference there is between the number of vacant pixels in the prediction result by comparing the actual number of vacant pixels with the number of vacant pixels in the prediction result among the total number of pixels. Allocation Disagreement (AD): Calculated through Equation 2 below to check the spatial difference of the difference between the position of the vacant pixel and the position of the predicted pixel.)
[Equation 2]
실제로는 공실이 아니며, 공실로 예측한 비율 (False Positive Rate)을 아래 수학식 3을 통해 X축으로 구성하고,
실제로도 공실이고 예측결과도 공실로 예측된 비율 (True Positive Rate)을 아래 수학식 4를 통해 Y축으로 구성하는 그래프를 그리고 그 면적을 계산하여 정확도를 분석하는 젠트리피케이션 예측을 위한 LSTM 기반의 공간 분석방법.
[수학식 3]
[수학식 4]
The method of claim 6, wherein the spatial change analysis,
It is not actually a vacancy, and the rate predicted as a vacancy (False Positive Rate) is configured as the X-axis through Equation 3 below,
LSTM-based space for gentrification prediction that analyzes accuracy by drawing a graph consisting of the rate (True Positive Rate) that is actually vacant and predicted as vacancy as the Y-axis through Equation 4 below and calculates the area analysis method.
[Equation 3]
[Equation 4]
젠트리피케이션 예측을 위한 LSTM 기반의 공간 분석방법은,
공간 분석값을 획득하기 위하여 분야별 데이터값을 산출하는 수집 단말기와, 상기 수집 단말기를 통해 수집된 다수의 데이터값을 수신받는 중앙서버와, 상기 수집 단말기를 통해 수집된 다수의 데이터값을 저장하는 중앙데이터베이스를 포함하고,
상가 공실 공간 분석값을 획득하기 위한 인공지능 학습 데이터값(weighting factor)을 생성하기 위하여 현재 공실 데이터값을 통해 인공지능 학습 데이터값(weighting factor)을 생성하여 인공지능 예측 모델을 생성하며,
상기 수집 단말기를 통해 산출되는 각각의 수집 정보값에서 선택된 어느 하나 또는 둘 이상의 수집 정보값이 입력되면 상기 인공지능 학습 데이터값으로부터 공실 공간 분석값을 산출하는 것을 특징으로 하는 젠트리피케이션 예측을 위한 LSTM 기반의 공간 분석방법.According to claim 6,
LSTM-based spatial analysis method for gentrification prediction,
A collection terminal that calculates data values for each field in order to obtain a spatial analysis value, a central server that receives a plurality of data values collected through the collection terminal, and a central server that stores a plurality of data values collected through the collection terminal contains a database;
In order to generate an artificial intelligence learning data value (weighting factor) for obtaining a shopping mall vacancy space analysis value, an artificial intelligence prediction model is created by generating an artificial intelligence learning data value (weighting factor) through the current vacancy data value,
LSTM for gentrification prediction, characterized in that, when any one or two or more collection information values selected from each collection information value calculated through the collection terminal are input, a vacancy space analysis value is calculated from the artificial intelligence learning data value based spatial analysis method.
인공지능 학습 데이터값(weighting factor)을 생성하기 위하여 입력레이어, 히든레이어, 출력레이어로 구성되어 인공지능 모델을 결정하고 상기 히든레이어에서 노드수와 레이어수를 결정하여 공실 공간 분석값을 획득하는 것을 특징으로 하는 도시계획 예측을 위한 LSTM 기반의 공간 분석방법.The method of claim 9, wherein the central database,
In order to generate an artificial intelligence learning data value (weighting factor), it is composed of an input layer, a hidden layer, and an output layer to determine an artificial intelligence model, and to determine the number of nodes and layers in the hidden layer to obtain a vacancy space analysis value. LSTM-based Spatial Analysis Method for Prediction of Urban Planning Characteristics.
지역의 사회, 경제적 변화에 따른 상권변화 예측을 위한 공간변화 분석을 위하여 임의의 대상지역에 따른 공간분포 모형에 대하여 픽셀화 모형을 구성하며, 공실 픽셀(1 또는 2의 픽셀값)과 공실이 아닌 픽셀(0의 픽셀값)을 구한 후 상기 공실픽셀과 공실이 아닌 픽셀의 합을 하나의 픽셀로 재구성하고,
하나의 합으로 구성된 픽셀에서 0의 값은 TN, 1의 값은 FN, 2의 값은 FP, 3의 값은 TP이며, 아래 수학식 1에 해당하는 캅파 통계치(Kappa Statistics)에 따라 공간변화 분석을 실시하는 도시계획 예측을 위한 LSTM 기반의 공간 분석방법.
[수학식 1]
(여기서,
Po = Observed Accuracy =(TP + TN)/(TP + FP + FN + TN)
Pe = Expected Accuracy = [(TP + FP)(TP + FN) + (FN + TN)(FP + TN)] / [(TP + FP + FN + TN)2]
TN : 실제로도 공실이 아니고 예측모형도 공실이 아닐 것으로 예측한 픽셀, FN : 실제로는 공실이나, 예측모형은 공실이 아닐 것으로 예측한 픽셀, FP : 실제로는 공실이 아니지만, 예측모형은 공실이 것으로 예측한 픽셀, TP : 실제로도 공실이고, 예측모형도 공실일 것으로 예측한 픽셀.)In the spatial analysis method of the area where the commercial vacancy in the study area will increase rapidly through the LSTM-based spatial prediction model,
In order to analyze spatial changes for predicting changes in commercial districts according to social and economic changes in the region, a pixelation model is constructed for the spatial distribution model according to an arbitrary target region, and vacant pixels (pixel value of 1 or 2) and non-vacant pixels After obtaining a pixel (a pixel value of 0), the sum of the vacant pixel and the non-vacant pixel is reconstructed into one pixel;
In a pixel composed of one sum, a value of 0 is TN, a value of 1 is FN, a value of 2 is FP, and a value of 3 is TP. Spatial change analysis according to Kappa Statistics corresponding to Equation 1 below LSTM-based spatial analysis method for predicting urban planning.
[Equation 1]
(here,
Po = Observed Accuracy = (TP + TN)/(TP + FP + FN + TN)
Pe = Expected Accuracy = [(TP + FP)(TP + FN) + (FN + TN)(FP + TN)] / [(TP + FP + FN + TN) 2 ]
TN: Pixels that are not actually vacant and predicted by the prediction model to be not vacant, FN: Pixels that are actually vacant but predicted by the prediction model to be non-vacant, FP: Pixels that are not actually vacant but predicted by the prediction model to be vacant One pixel, TP: A pixel that is actually vacant and predicted to be vacant by the prediction model.)
Overall Agreement (OA) = 1 - (Quantity Disagreement + Allocation Disagreement)를 계산하는 단계를 더 포함하여 구성되는 젠트리피케이션 예측을 위한 LSTM 기반의 공간 분석방법.
(여기서, Quantity Disagreement(QD)는 전체 픽셀 개수 중 실제 공실 픽셀과 예측결과의 공실 픽셀 개수를 비교하여 공실 픽셀 개수의 차이가 얼마나 있는지 확인하기 위한 계산이며, Allocation Disagreement (AD): 전체 픽셀 중에 실제 공실 픽셀의 위치와 예측 픽셀 위치의 차이가 얼마나 나는지 공간적인 차이 확인하기 위하여 아래 수학식 2를 통해 계산됨.)
[수학식 2]
Overall Agreement (OA) = 1 - LSTM-based spatial analysis method for gentrification prediction, which further includes calculating (Quantity Disagreement + Allocation Disagreement).
(Here, Quantity Disagreement (QD) is a calculation to determine how much difference there is between the number of vacant pixels in the prediction result by comparing the actual number of vacant pixels with the number of vacant pixels in the prediction result among the total number of pixels. Allocation Disagreement (AD): Calculated through Equation 2 below to check the spatial difference of the difference between the position of the vacant pixel and the position of the predicted pixel.)
[Equation 2]
실제로는 공실이 아니며, 공실로 예측한 비율 (False Positive Rate)을 아래 수학식 3을 통해 X축으로 구성하고,
실제로도 공실이고 예측결과도 공실로 예측된 비율 (True Positive Rate)을 아래 수학식 4를 통해 Y축으로 구성하는 그래프를 그리고 그 면적을 계산하여 정확도를 분석하는 젠트리피케이션 예측을 위한 LSTM 기반의 공간 분석방법.
[수학식 3]
[수학식 4]
It is not actually a vacancy, and the rate predicted as a vacancy (False Positive Rate) is configured as the X-axis through Equation 3 below,
LSTM-based space for gentrification prediction that analyzes accuracy by drawing a graph consisting of the rate (True Positive Rate) that is actually vacant and predicted as vacancy as the Y-axis through Equation 4 below and calculates the area analysis method.
[Equation 3]
[Equation 4]
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200148110A KR102533751B1 (en) | 2020-11-06 | 2020-11-06 | LSTM based spatial analysis method for city planning prediction |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200148110A KR102533751B1 (en) | 2020-11-06 | 2020-11-06 | LSTM based spatial analysis method for city planning prediction |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220061759A KR20220061759A (en) | 2022-05-13 |
| KR102533751B1 true KR102533751B1 (en) | 2023-05-16 |
Family
ID=81583483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200148110A KR102533751B1 (en) | 2020-11-06 | 2020-11-06 | LSTM based spatial analysis method for city planning prediction |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102533751B1 (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101825559B1 (en) * | 2017-09-11 | 2018-03-14 | (주)동림피엔디 | Server for providing city analysis service |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101173158B1 (en) | 2012-01-04 | 2012-09-13 | 서울시립대학교 산학협력단 | Cost and duration estimation system and the method for urban renaissance projects planed by visualization |
| KR101721695B1 (en) | 2015-09-17 | 2017-03-30 | 한국외국어대학교 연구산학협력단 | Urban Climate Impact Assessment method of Reflecting Urban Planning Scenarios and Analysis System using the same |
| KR101803344B1 (en) | 2016-07-29 | 2017-12-01 | 서울대학교산학협력단 | System and method of analyzing vulnerable district characteristics on urban island according to land use using normalized index |
| KR102362694B1 (en) * | 2018-10-10 | 2022-02-14 | 주식회사 케이티 | Method, apparatus and computer program for predicting traffic information based on image |
| KR102255655B1 (en) | 2019-02-28 | 2021-05-25 | 대한민국 | METHOD AND SYSTEM FOR FORECASTING THE PERCEIVED TEMPERATURE AND INCREASING RATE OF EXCESS MORTALITY ON URBAN RESIDENTIAL AND FOREST AREA USING BioCAS |
-
2020
- 2020-11-06 KR KR1020200148110A patent/KR102533751B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101825559B1 (en) * | 2017-09-11 | 2018-03-14 | (주)동림피엔디 | Server for providing city analysis service |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220061759A (en) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ali et al. | A data-driven approach for multi-scale GIS-based building energy modeling for analysis, planning and support decision making | |
| Ang et al. | From concept to application: A review of use cases in urban building energy modeling | |
| Nozhati et al. | Near-optimal planning using approximate dynamic programming to enhance post-hazard community resilience management | |
| Babel et al. | A multivariate econometric approach for domestic water demand modeling: an application to Kathmandu, Nepal | |
| Noshadravan et al. | A lifecycle cost analysis of residential buildings including natural hazard risk | |
| Jang et al. | On the long-term density prediction of peak electricity load with demand side management in buildings | |
| Ali et al. | GIS-based residential building energy modeling at district scale | |
| Cecconi et al. | Data-driven decision support system for building stocks energy retrofit policy | |
| KR102278092B1 (en) | Urban information analysis method and system | |
| Mazumdar et al. | Stochastic models for power generation system production costs | |
| Zambrano-Asanza et al. | Integrating artificial neural networks and cellular automata model for spatial-temporal load forecasting | |
| Cerezo Davila | Building archetype calibration for effective urban building energy modeling | |
| Yu et al. | A bottom-up approach for community load prediction based on multi-agent model | |
| Himelein et al. | Second-stage sampling for conflict areas: Methods and implications | |
| KR102533751B1 (en) | LSTM based spatial analysis method for city planning prediction | |
| Abbasabadi et al. | A framework for urban building energy use modeling | |
| CN115809280A (en) | Group house renting identification and iteration identification method | |
| Schwartz | An integrated thermal simulation & generative design decision support framework for the refurbishment or replacement of buildings: a life cycle performance optimisation approach | |
| Kong et al. | Urban building energy modeling (UBEM): a systematic review of challenges and opportunities | |
| US20230027774A1 (en) | Smart real estate evaluation system | |
| Nepal et al. | A Hybrid Model of Clustering and Neural Network Using Weather Conditions for Energy Management in Buildings | |
| Wang et al. | Prediction of office building rental upon spatiotemporal data | |
| Yin et al. | Modeling data-driven adaptive distributionally robust equilibrium last mile relief network under centrality metric | |
| AHMAD et al. | A Data-Driven Approach To Supplier Selection In Industrial Construction Projects | |
| KR102472454B1 (en) | Method for calculation and analyzing vacancy rate of a shopping mall, and recording medium thereof |
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 |