KR102653509B1 - 딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법 및 그 시스템 - Google Patents

Abstract

본 발명의 실시예에 따른 딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법은, 단말의 적어도 하나의 프로세서에 의하여 실행되는 부동산 애플리케이션이 딥 뉴럴 네트워크를 기반으로 부동산 정보를 추정하는 방법으로서, 전체지역 내 부동산 단지별 부동산 시세 및 거래량의 동향을 시간의 흐름에 따라서 나타내는 임의 시계열 데이터를 획득하는 단계; 상기 딥 뉴럴 네트워크를 포함하는 딥러닝 모듈과 연동하는 단계; 상기 연동된 딥러닝 모듈에 상기 임의 시계열 데이터를 입력하고, 소정의 목표기간 동안의 상기 전체지역 내 부동산 단지별 부동산 시계열 데이터에 대한 임베딩 데이터인 예측 시계열 데이터를 획득하는 단계; 상기 획득된 예측 시계열 데이터를 기초로 상기 전체지역 내 부동산 단지 간 시공간적 영향력을 나타내는 시공간 영향력 그래프를 획득하는 단계; 상기 획득된 시공간 영향력 그래프 및 상기 예측 시계열 데이터를 기초로 특정 기간에서의 상기 전체지역 내 부동산 단지별 부동산 시세 및 거래량을 추정한 타겟 시계열 데이터를 획득하는 단계; 및 상기 획득된 타겟 시계열 데이터를 시각화 및 제공하는 단계를 포함한다.

Description

딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법 및 그 시스템{METHOD AND SYSTEM FOR ESTIMATING REAL ESTATE INFORMATION BASED ON DEEP NEURAL NETWORK}

본 발명은 딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법 및 그 시스템에 관한 것이다. 보다 상세하게는, 딥 뉴럴 네트워크를 이용하여 부동산 시세 및 거래량을 추정하는 방법 및 그 시스템에 관한 것이다.

부동산 가치평가 분야는 부동산을 소비하는 일반인부터 투자자, 은행에 이르기까지 매우 중요한 역할을 한다.

부동산 시장은 현대 금융시장에서 매우 큰 부분을 차지하는 영역인 동시에, 많은 사람이 직접 및 간접적으로 참여하고 있는 영역이다.

특히, 주택시장은 모든 국민이 어떤 형식이든지 필연적으로 참여할 수밖에 없는 중요한 축을 이루고 있고, 한국 가구자산의 상당액이 부동산에 편중되어 있는 현실에서 부동산 가치에 대한 올바른 정보, 특히 가격(시세)이나 거래량에 대한 정보는 그 중요성이 매우 크다 할 것이다.

일반적으로　이러한 부동산 정보들을 얻기 위해서는 해당 지역에 산포하고 있는 다양한 관련 정보를 수집하고 이를 토대로 분석한 결과를 필요로 하며, 이러한 분석결과는 사용자가 원하는 대상 지역에 산포하고 있는 다양한 정보를 수집하고 분류한 후 수작업으로 분양가 추정 및 지역분석 결과를 도출해내는 것에 의해 생성된다.

특히, 부동산 가격은 부동산 시장에서 수요와 공급에 의해 좌우되며, 부동산 시장은 실물경기, 사회구성원의 가치관 또는 부동산 관련 정책 등과 같은 복합 변수들로부터 영향을 받고 있다.

그러나 위와 같이 부동산 정보에 영향을 미치는 변수들은 시간의 흐름에 따라서 변화하며 복합적인 영향을 미치기 때문에, 부동산 가격이나 거래량 등의 등락을 정확하게 예측하기란 상당히 어려운 실정이다.

한편, 종래에는 일일이 부동산 중개업소를 찾아다니거나 또는 부동산 매물에 관한 잡지, 신문이나 인터넷 등을 사용하여 특정 부동산 시세에 관련된 정보를 얻고 있다.

하지만, 부동산 중개업소를 일일이 찾아다니는 경우에는 원하는 시세 정보를 얻을 때까지 상당한 시간과 비용이 소모되며 그 경비와 노력이 많이 든다는 문제가 있고, 부동산 매물에 관한 잡지나 신문을 통해서는 찾고자 하는 정확한 시세 정보에 접근하기가 사실상 불가능한 수준이라는 한계가 있다.

그리하여 최근 대부분의 경우에는 인터넷을 이용하여 부동산 시세 정보를 얻고자 하고 있으나, 인터넷 검색을 통해 수집되는 각종 데이터들(예컨대, 공시지가,　부동산　매매가격, 전세가격, 월세가격, 공매정보 및/또는 경매정보 등)에 기초한 분석을 수행하여 원하는 부동산 시세 정보를 추정해야 한다는 어려움이 있다.

이러한 어려움을 해결하기 위한 목적으로 현재 국토교통부 등에서는 부동산 실거래 자료를 제공하고 있다.

즉, 현재 국토교통부 등에서는, "공공기관의 정보공개에 관한 법률" 제7조 제1항 및 제2항(행정정보의 공표)에 의거하여 부동산 거래신고를 수행한 부동산에 대하여 그리고 확정일자를 부여받은 부동산에 대하여 실거래가를 공개하고 있으며, 이러한 정보는 시스템적으로 "실거래가공개시스템(http://rt.molit.go.kr/)" 또는 "공공데이터 포털(https://www.data.go.kr/)"에서 무상으로 취득할 수 있다.

그러나, 국토교통부가 제공하는 위와 같은 실거래가 정보는 개인정보보호 이슈로 인하여 정확한 거래일자나 지번과 같은 정확한 주소가 삭제된 상태로 공개되므로 유용한 정보를 사용하기에 한계가 있는 상황이며, 직접적인 비교사례가 부족한 경우에 정확한 가격 추정은 어려운 상황이다.

KR 10-1930948 B1

본 발명은, 상술된 바와 같은 문제점들을 해결하기 위하여 안출된 것으로서, 딥 뉴럴 네트워크를 이용하여 부동산 시세 및 거래량을 추정하는 방법 및 그 시스템을 제공하는데 그 목적이 있다.

자세히, 본 발명은, 딥 뉴럴 네트워크를 이용하여 전체지역 내 부동산 단지별 부동산 시세 및 거래량의 동향을 시간의 흐름에 따라서 나타내는 부동산 시계열 데이터를 기초로 해당 전체지역 내 부동산 단지 간 영향력을 측정하고, 이를 반영하여 상기 전체지역에 대한 특정 기간에서의 부동산 시세 및 거래량을 추정 및 제공하는 딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법 및 그 시스템을 제공하고자 한다.

다만, 본 발명 및 본 발명의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

본 발명의 실시예에 따른 딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법은, 단말의 적어도 하나의 프로세서에 의하여 실행되는 부동산 애플리케이션이 딥 뉴럴 네트워크를 기반으로 부동산 정보를 추정하는 방법으로서, 전체지역 내 부동산 단지별 부동산 시세 및 거래량의 동향을 시간의 흐름에 따라서 나타내는 임의 시계열 데이터를 획득하는 단계; 상기 딥 뉴럴 네트워크를 포함하는 딥러닝 모듈과 연동하는 단계; 상기 연동된 딥러닝 모듈에 상기 임의 시계열 데이터를 입력하고, 소정의 목표기간 동안의 상기 전체지역 내 부동산 단지별 부동산 시계열 데이터에 대한 임베딩 데이터인 예측 시계열 데이터를 획득하는 단계; 상기 획득된 예측 시계열 데이터를 기초로 상기 전체지역 내 부동산 단지 간 시공간적 영향력을 나타내는 시공간 영향력 그래프를 획득하는 단계; 상기 획득된 시공간 영향력 그래프 및 상기 예측 시계열 데이터를 기초로 특정 기간에서의 상기 전체지역 내 부동산 단지별 부동산 시세 및 거래량을 추정한 타겟 시계열 데이터를 획득하는 단계; 및 상기 획득된 타겟 시계열 데이터를 시각화 및 제공하는 단계를 포함한다.

이때, 상기 딥러닝 모듈은 제1 딥러닝 모델을 포함하고, 상기 제1 딥러닝 모델은, Graph Convolution Network(GCN)에 기초하고 소정의 간격(stride)에 따른 딥러닝 연산 단계(stage)별 node-wise convolution 연산을 수행하는 ASPNet을 상기 딥 뉴럴 네트워크로서 포함한다.

또한, 상기 제1 딥러닝 모델은, 상기 임의 시계열 데이터를 입력으로 하고 상기 예측 시계열 데이터를 출력으로 한다.

또한, 상기 딥러닝 모듈은 제2 딥러닝 모델을 포함하고, 상기 제2 딥러닝 모델은, 적응형 공간 인접 그래프(adaptive spatial graph)와 시공간 그래프(spatio-temporal graph)를 결합하는 방식의 시간 집계 기반 시공간 그래프 컨볼루션 네트워크(Temporal aggregation-based Spatio-temporal grpah convolution network, TAST)를 상기 딥 뉴럴 네트워크로서 포함한다.

또한, 상기 제2 딥러닝 모델은, 상기 예측 시계열 데이터를 입력으로 하고 상기 시공간 영향력 그래프를 출력으로 한다.

또한, 상기 타겟 시계열 데이터를 획득하는 단계는, 상기 연동된 딥러닝 모듈을 기초로 소정의 컨볼루션 레이어(convolution layer)를 사용하여 상기 예측 시계열 데이터와 상기 시공간 영향력 그래프의 특징 벡터 길이를 동일하게 변환하는 단계와, 상기 특징 벡터 길이가 동일하게 변환된 예측 시계열 데이터와 시공간 영향력 그래프를 완전 연결 레이어(fully connected layer, FCL)에 입력하는 단계와, 상기 완전 연결 레이어의 출력 데이터에 기초하여 상기 타겟 시계열 데이터를 획득하는 단계를 포함한다.

또한, 상기 획득된 타겟 시계열 데이터를 시각화 및 제공하는 단계는, 상기 타겟 시계열 데이터를 소정의 차트(Chart), 그래프(Graph), 표(Table) 및 데이터 맵(Data map) 중 적어도 하나의 형식으로 시각화한 부동산 정보 시각화 데이터를 생성하는 단계를 포함한다.

또한, 상기 획득된 타겟 시계열 데이터를 시각화 및 제공하는 단계는, 상기 시공간 영향력 그래프를 기초로 상기 전체지역 내 부동산 단지 간 영향관계 데이터를 획득하는 단계와, 상기 획득된 영향관계 데이터를 상기 생성된 부동산 정보 시각화 데이터의 형식에 대응되는 형태로 상기 부동산 정보 시각화 데이터에 표시하는 단계를 더 포함한다.

한편, 본 발명의 실시예에 따른 딥 뉴럴 네트워크 기반의 부동산 정보 추정 시스템은, 부동산 정보 시각화 데이터를 출력하는 적어도 하나 이상의 디스플레이; 적어도 하나 이상의 메모리; 및 적어도 하나 이상의 프로세서; 를 포함하고, 상기 메모리에 저장되고 상기 프로세서에 의해 실행되어 딥 뉴럴 네트워크를 기반으로 부동산 정보를 추정하는 적어도 하나의 애플리케이션으로서 상기 적어도 하나의 애플리케이션은, 전체지역 내 부동산 단지별 부동산 시세 및 거래량의 동향을 시간의 흐름에 따라서 나타내는 임의 시계열 데이터를 획득하고, 상기 딥 뉴럴 네트워크를 포함하는 딥러닝 모듈과 연동하고, 상기 연동된 딥러닝 모듈에 상기 임의 시계열 데이터를 입력하고 소정의 목표기간 동안의 상기 전체지역 내 부동산 단지별 부동산 시계열 데이터에 대한 임베딩 데이터인 예측 시계열 데이터를 획득하고, 상기 획득된 예측 시계열 데이터를 기초로 상기 전체지역 내 부동산 단지 간 시공간적 영향력을 나타내는 시공간 영향력 그래프를 획득하고, 상기 획득된 시공간 영향력 그래프 및 상기 예측 시계열 데이터를 기초로 특정 기간에서의 상기 전체지역 내 부동산 단지별 부동산 시세 및 거래량을 추정한 타겟 시계열 데이터를 획득하고, 상기 획득된 타겟 시계열 데이터를 소정의 형식으로 시각화한 상기 부동산 정보 시각화 데이터를 생성해 제공한다.

이때, 본 발명의 실시예에 따른 딥 뉴럴 네트워크 기반의 부동산 정보 추정 시스템의 상기 딥러닝 모듈은, 제1 딥러닝 모델 및 제2 딥러닝 모델을 포함하고, 상기 제1 딥러닝 모델은, Graph Convolution Network(GCN)에 기초하고 소정의 간격(stride)에 따른 딥러닝 연산 단계(stage)별 node-wise convolution 연산을 수행하는 ASPNet을 상기 딥 뉴럴 네트워크로서 포함하고, 상기 제2 딥러닝 모델은, 적응형 공간 인접 그래프(adaptive spatial graph)와 시공간 그래프(spatio-temporal graph)를 결합하는 방식의 시간 집계 기반 시공간 그래프 컨볼루션 네트워크(Temporal aggregation-based Spatio-temporal grpah convolution network, TAST)를 상기 딥 뉴럴 네트워크로서 포함한다.

본 발명의 실시예에 따른 딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법 및 그 시스템은, 딥 뉴럴 네트워크를 이용하여 전체지역에 대한 부동산 시계열 데이터를 기초로 해당 전체지역 내 부동산 단지 간 영향력을 측정하고, 이를 반영하여 상기 전체지역에 대한 특정 기간에서의 부동산 시세 및 거래량을 추정 및 제공함으로써, 사람의 휴리스틱적 판단이 아닌 신뢰할 만한 근거 데이터를 토대로 상기 전체지역 내 부동산 단지 간 영향력을 도출할 수 있고, 이를 통해 보다 정확하게 추정된 부동산 시세 및 거래량 정보를 제공할 수 있는 효과가 있다.

또한, 본 발명의 실시예에 따른 딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법 및 그 시스템은, 위와 같이 신뢰할 만한 근거 데이터를 기초로 부동산 정보를 추정해 제공함으로써, 제공되는 부동산 정보의 정확성 및 신뢰성을 향상시킴과 동시에 부동산 거래의 공정성을 증진시킬 수 있는 효과가 있다.

또한, 본 발명의 실시예에 따른 딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법 및 그 시스템은, 상기 추정된 부동산 정보에 기초한 시각화된 데이터를 제공함으로써, 사용자가 일일이 부동산 중개업소를 찾아다니거나 또는 부동산 매물에 관한 잡지, 신문이나 인터넷 등을 검색하여 분석을 수행하는 등 원하는 부동산 시세 정보를 취득하기 위하여 소모하는 노력이나 비용을 절감시킬 수 있는 효과가 있다.

또한, 본 발명의 실시예에 따른 딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법 및 그 시스템은, 위와 같이 시각화된 부동산 정보를 제공함으로써, 사용자가 의도하는 부동산 시세 및/또는 거래량 등에 대한 부동산 정보를 직관적으로 인지하기 용이한 형태로 신속하게 제공할 수 있는 효과가 있다.

다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 명확하게 이해될 수 있다.

도 1은 본 발명의 실시예에 따른 딥 뉴럴 네트워크 기반의 부동산 정보 추정 시스템의 개념도이다.
도 2는 본 발명의 실시예에 따른 단말의 내부 블록도이다.
도 3은 본 발명의 실시예에 따른 딥러닝 모듈을 설명하기 위한 블록 흐름도의 일례이다.
도 4는 본 발명의 실시예에 따른 제1 딥러닝 모델을 설명하기 위한 블록 흐름도의 일례이다.
도 5는 본 발명의 실시예에 따른 제2 딥러닝 모델을 설명하기 위한 블록 흐름도의 일례이다.
도 6은 본 발명의 실시예에 따른 딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법을 설명하기 위한 흐름도이다.
도 7 및 도 8은 본 발명의 실시예에 따른 부동산 정보 시각화 데이터의 일례들이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다. 이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 또한, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 또한, 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 본 발명의 실시예에 따른 딥 뉴럴 네트워크 기반의 부동산 정보 추정 시스템의 개념도이다.

도 1을 참조하면, 본 발명의 실시예에 따른 딥 뉴럴 네트워크 기반의 부동산 정보 추정 시스템(10: 이하, 부동산 정보 추정 시스템)은, 딥 뉴럴 네트워크를 이용하여 부동산 시세 및 거래량을 추정하는 딥 뉴럴 네트워크 기반의 부동산 정보 추정 서비스(이하, 부동산 정보 추정 서비스)를 제공할 수 있다.

자세히, 실시예에 따른 부동산 정보 추정 시스템(10)은, 딥 뉴럴 네트워크를 이용하여 전체지역 내 부동산 단지별 부동산 시세 및 거래량의 동향을 시간의 흐름에 따라서 나타내는 부동산 시계열 데이터(이하, 전체지역에 대한 부동산 시계열 데이터)를 기초로 해당 전체지역 내 부동산 단지 간 영향력을 측정하고, 이를 반영하여 상기 전체지역에 대한 특정 기간에서의 부동산 시세 및 거래량을 추정 및 제공하는 부동산 정보 추정 서비스를 구현할 수 있다.

여기서, 실시예에 따른 상기 부동산 시계열 데이터란, 상기 전체지역 내 특정 부동산 단지에 대한 소정의 기간 동안의 부동산 시세 및 거래량의 동향을 시간의 흐름에 따라서 나타내는 시계열 데이터를 의미할 수 있다.

실시예에서, 위와 같은 부동산 정보 추정 서비스를 제공하는 부동산 정보 추정 시스템(10)은, 단말(100), 부동산 정보 추정서버(200) 및 네트워크(300: Network)를 포함할 수 있다.

이때, 상기 단말(100) 및 부동산 정보 추정서버(200)는, 상기 네트워크(300)를 통하여 연결될 수 있다.

여기서, 실시예에 따른 상기 네트워크(300)는, 단말(100) 및/또는 부동산 정보 추정서버(200) 등과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크(300)의 일 예에는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.

이하, 첨부된 도면을 참조하여 부동산 정보 추정 시스템(10)을 구현하는 단말(100) 및 부동산 정보 추정서버(200)에 대해 상세히 설명한다.

- 단말(100: Terminal)

본 발명의 실시예에 따른 단말(100)은, 부동산 정보 추정 서비스를 제공하는 부동산 애플리케이션이 설치된 소정의 컴퓨팅 디바이스일 수 있다.

자세히, 하드웨어적 관점에서 단말(100)은, 부동산 애플리케이션이 설치된 모바일 타입 컴퓨팅 장치(100-1) 및/또는 데스크탑 타입 컴퓨팅 장치(100-2) 등을 포함할 수 있다.

여기서, 모바일 타입 컴퓨팅 장치(100-1)는, 부동산 애플리케이션이 설치된 스마트 폰이나 테블릿 PC와 같은 모바일 장치일 수 있다.

예를 들어, 모바일 타입 컴퓨팅 장치(100-1)는, 스마트 폰(smart phone), 휴대폰, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 태블릿 PC(tablet PC) 등이 포함될 수 있다.

또한, 데스크탑 타입 컴퓨팅 장치(100-2)는, 부동산 애플리케이션이 설치된 고정형 데스크탑 PC, 노트북 컴퓨터(laptop computer), 울트라북(ultrabook)과 같은 퍼스널 컴퓨터 등과 같이 유/무선 통신을 기반으로 부동산 정보 추정 서비스를 실행하기 위한 프로그램이 설치된 장치 등을 포함할 수 있다.

또한, 실시예에 따라서 단말(100)은, 부동산 정보 추정 서비스 환경을 제공하는 소정의 서버(Server) 컴퓨팅 디바이스를 더 포함할 수도 있다.

도 2는 본 발명의 실시예에 따른 단말(100)의 내부 블록도이다.

한편, 도 2를 참조하면, 기능적 관점에서 단말(100)은, 메모리(110), 프로세서 어셈블리(120), 통신 모듈(130), 인터페이스 모듈(140), 입력 시스템(150), 센서 시스템(160) 및 디스플레이 시스템(170)을 포함할 수 있다. 이러한 구성요소들은 단말(100)의 하우징 내에 포함되도록 구성될 수 있다.

자세히, 메모리(110)에는, 부동산 애플리케이션(111)이 저장되며, 부동산 애플리케이션(111)은 부동산 정보 추정 서비스 환경을 제공하기 위한 각종 응용 프로그램, 데이터 및 명령어 중 어느 하나 이상을 저장할 수 있다.

즉, 메모리(110)는, 부동산 정보 추정 서비스 환경을 생성하기 위하여 사용될 수 있는 명령 및 데이터를 저장할 수 있다.

또한, 상기 메모리(110)는, 프로그램 영역과 데이터 영역을 포함할 수 있다.

여기서, 실시예에 따른 프로그램 영역은, 단말(100)을 부팅하는 운영체제(OS: Operating System) 및 기능요소들 사이에 연계될 수 있으며, 데이터 영역은, 단말(100)의 사용에 따라 발생하는 데이터가 저장될 수 있다.

또한, 메모리(110)는, 적어도 하나 이상의 비일시적 컴퓨터 판독 가능 저장매체와, 일시적 컴퓨터 판독 가능 저장매체를 포함할 수 있다.

예를 들어, 메모리(110)는, ROM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기일 수 있고, 인터넷(internet) 상에서 상기 메모리(110)의 저장 기능을 수행하는 웹 스토리지(web storage)를 포함할 수 있다.

프로세서 어셈블리(120)는, 부동산 정보 추정 서비스 환경을 생성하기 위한 다양한 작업을 수행하기 위해, 메모리(110)에 저장된 부동산 애플리케이션(111)의 명령들을 실행할 수 있는 적어도 하나 이상의 프로세서를 포함할 수 있다.

실시예에서 프로세서 어셈블리(120)는, 부동산 정보 추정 서비스를 제공하기 위하여 메모리(110)의 부동산 애플리케이션(111)을 통해 구성요소의 전반적인 동작을 컨트롤할 수 있다.

이러한 프로세서 어셈블리(120)는, 중앙처리장치(CPU) 및/또는 그래픽처리장치(GPU) 등이 포함된 단말(100)에 적합한 시스템 온 칩(SOC)일 수 있으며, 메모리(110)에 저장된 운영체제(OS) 및/또는 애플리케이션 프로그램 등을 실행할 수 있고, 단말(100)에 탑재된 각 구성요소들을 제어할 수 있다.

또한, 프로세서 어셈블리(120)는, 각 구성요소와 내부적으로 시스템 버스(System Bus)에 의해 통신을 수행할 수 있고, 로컬 버스(Local Bus)를 비롯한 소정의 버스 구조들을 하나 이상 포함할 수 있다.

또한, 프로세서 어셈블리(120)는, ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세스(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 포함하여 구현될 수 있다.

통신 모듈(130)은, 외부의 장치와 통신하기 위한 하나 이상의 장치를 포함할 수 있다. 이러한 통신 모듈(130)은, 무선 네트워크를 통해 통신할 수 있다.

자세히, 통신 모듈(130)은, 부동산 정보 추정 서비스 환경을 구현하기 위한 콘텐츠 소스를 저장한 단말(100)과 통신할 수 있으며, 사용자 입력을 받은 컨트롤러와 같은 다양한 사용자 입력 컴포넌트와 통신할 수 있다.

실시예에서, 통신 모듈(130)은, 부동산 정보 추정 서비스와 관련된 각종 데이터를 타 단말(100) 및/또는 외부의 서버 등과 송수신할 수 있다.

이러한 통신 모듈(130)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced),5G NR(New Radio), WIFI) 또는 근거리 통신방식 등을 수행할 수 있는 통신장치를 통해 구축된 이동 통신망 상에서 기지국, 외부의 단말(100), 임의의 서버 중 적어도 하나와 무선으로 데이터를 송수신할 수 있다.

센서 시스템(160)은, 이미지 센서(161), 위치 센서(IMU, 163), 오디오 센서(165), 거리 센서, 근접 센서, 접촉 센서 등 다양한 센서를 포함할 수 있다.

여기서, 이미지 센서(161)는, 단말(100) 주위의 물리적 공간에 대한 이미지 및/또는 영상을 캡처할 수 있다.

실시예에서, 이미지 센서(161)는, 부동산 정보 추정 서비스와 관련된 영상(예컨대, 지도 이미지 등)을 촬영하여 획득할 수 있다.

또한, 이미지 센서(161)는, 단말(100)의 전면 또는/및 후면에 배치되어 배치된 방향측을 촬영하여 영상을 획득할 수 있으며, 단말(100)의 외부를 향해 배치된 카메라를 통해 물리적 공간을 촬영할 수 있다.

이러한 이미지 센서(161)는, 이미지 센서장치와 영상 처리 모듈을 포함할 수 있다. 자세히, 이미지 센서(161)는, 이미지 센서장치(예를 들면, CMOS 또는 CCD)에 의해 얻어지는 정지영상 또는 동영상을 처리할 수 있다.

또한, 이미지 센서(161)는, 영상 처리 모듈을 이용하여 이미지 센서장치를 통해 획득된 정지영상 또는 동영상을 가공해 필요한 정보를 추출하고, 추출된 정보를 프로세서에 전달할 수 있다.

이러한 이미지 센서(161)는, 적어도 하나 이상의 카메라를 포함하는 카메라 어셈블리일 수 있다. 카메라 어셈블리는, 가시광선 대역을 촬영하는 일반 카메라를 포함할 수 있으며, 적외선 카메라, 스테레오 카메라 등의 특수 카메라를 더 포함할 수 있다.

또한, 위와 같은 이미지 센서(161)는, 실시예에 따라서 단말(100)에 포함되어 동작할 수도 있고, 외부의 장치(예컨대, 외부의 서버 등)에 포함되어 상술된 통신 모듈(130) 및/또는 인터페이스 모듈(140)에 기초한 연동을 통하여 동작할 수도 있다.

위치 센서(IMU, 163)는, 단말(100)의 움직임 및 가속도 중 적어도 하나 이상을 감지할 수 있다. 예를 들어, 가속도계, 자이로스코프, 자력계와 같은 다양한 위치 센서의 조합으로 이루어질 수 있다.

또한, 위치 센서(IMU, 163)는, 통신 모듈(130)의 GPS와 같은 위치 통신 모듈(130)과 연동하여, 단말(100) 주변의 물리적 공간에 대한 공간 정보를 인식할 수 있다.

오디오 센서(165)는, 단말(100) 주변의 소리를 인식할 수 있다.

자세히, 오디오 센서(165)는, 단말(100)을 사용하는 사용자의 음성 입력을 감지할 수 있는 마이크로폰을 포함할 수 있다.

실시예에서 오디오 센서(165)는 부동산 정보 추정 서비스를 위해 필요한 음성 데이터를 사용자로부터 입력 받을 수 있다.

인터페이스 모듈(140)은, 단말(100)을 하나 이상의 다른 장치와 통신 가능하게 연결할 수 있다. 자세히, 인터페이스 모듈(140)은, 하나 이상의 상이한 통신 프로토콜과 호환되는 유선 및/또는 무선 통신 장치를 포함할 수 있다.

이러한 인터페이스 모듈(140)을 통해 단말(100)은, 여러 입출력 장치들과 연결될 수 있다.

예를 들어, 인터페이스 모듈(140)은, 헤드셋 포트나 스피커와 같은 오디오 출력장치와 연결되어, 오디오를 출력할 수 있다.

예시적으로 오디오 출력장치가 인터페이스 모듈(140)을 통해 연결되는 것으로 설명하였으나, 단말(100) 내부에 설치되는 실시예도 포함될 수 있다.

또한, 예를 들면 인터페이스 모듈(140)은, 키보드 및/또는 마우스와 같은 입력장치와 연결되어, 사용자 입력을 획득할 수 있다.

예시적으로 키보드 및/또는 마우스가 인터페이스 모듈(140)을 통해 연결되는 것으로 설명하였으나, 단말(100) 내부에 설치되는 실시예도 포함될 수 있다.

이러한 인터페이스 모듈(140)은, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port), 전력 증폭기, RF 회로, 송수신기 및 기타 통신 회로 중 적어도 하나를 포함하여 구성될 수 있다.

입력 시스템(150)은 부동산 정보 추정 서비스와 관련된 사용자의 입력(예를 들어, 제스처, 음성 명령, 버튼의 작동 또는 다른 유형의 입력)을 감지할 수 있다.

자세히, 입력 시스템(150)은 소정의 버튼, 터치 센서 및/또는 사용자 모션 입력을 수신하는 이미지 센서(161) 등을 포함할 수 있다.

또한, 입력 시스템(150)은, 인터페이스 모듈(140)을 통해 외부 컨트롤러와 연결되어, 사용자의 입력을 수신할 수 있다.

디스플레이 시스템(170)은, 부동산 정보 추정 서비스와 관련된 다양한 정보를 그래픽 이미지로 출력할 수 있다.

실시예로, 디스플레이 시스템(170)은, 다양한 방식으로 시각화된 부동산 시계열 데이터(실시예에서, 부동산 정보 시각화 데이터 등) 등을 표시할 수 있다.

이러한 디스플레이는, 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉서블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전자잉크 디스플레이(e-ink display) 중에서 적어도 하나를 포함할 수 있다.

이러한 단말(100)의 하우징 내에는 상기 구성요소들이 배치될 수 있으며, 사용자 인터페이스는 사용자 터치 입력을 수신하도록 구성된 디스플레이(171) 상에 터치 센서(173)를 포함할 수 있다.

자세히, 디스플레이 시스템(170)은, 이미지를 출력하는 디스플레이(171)와, 사용자의 터치 입력을 감지하는 터치 센서(173)를 포함할 수 있다.

예시적으로 디스플레이(171)는 터치 센서(173)와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린으로 구현될 수 있다. 이러한 터치 스크린은, 단말(100)과 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부로써 기능함과 동시에, 단말(100)과 사용자 사이의 출력 인터페이스를 제공할 수 있다.

한편, 본 발명의 실시예에 따른 단말(100)은, 딥 뉴럴 네트워크(Deep Neural Network)와 연동하여 부동산 정보 추정 서비스에 필요한 딥러닝을 수행할 수 있다.

여기서, 실시예에 따른 상기 딥 뉴럴 네트워크는, Graph Convolution Network(GCN), Adaptive spatio-temporal graph network 및/또는 Temporal aggregation-based spatio-temporal grpah convolution network 등을 포함할 수 있다.

또한, 실시예에 따라서 단말(100)은, 후술되는 부동산 정보 추정서버(200)에서 수행하는 기능 동작의 적어도 일부를 더 수행할 수도 있다.

- 부동산 정보 추정서버(200: Real estate information estimation server)

한편, 본 발명의 실시예에 따른 부동산 정보 추정서버(200)는, 부동산 정보 추정 서비스를 제공하기 위한 일련의 프로세스를 수행할 수 있다.

자세히, 실시예에서 부동산 정보 추정서버(200)는, 단말(100)과 같은 외부의 장치에서 부동산 정보 추정 프로세스가 구동되게 하기 위해 필요한 데이터를, 상기 외부의 장치와 교환함으로써 상기 부동산 정보 추정 서비스를 제공할 수 있다.

보다 상세히, 실시예에서 부동산 정보 추정서버(200)는, 외부의 장치(실시예에서, 모바일 타입 컴퓨팅 장치(100-1) 및/또는 데스크탑 타입 컴퓨팅 장치(100-2) 등)에서 부동산 애플리케이션(111)이 동작할 수 있는 환경을 제공할 수 있다.

이를 위해, 부동산 정보 추정서버(200)는, 부동산 애플리케이션(111)이 동작하기 위한 응용 프로그램, 데이터 및/또는 명령어 등을 포함할 수 있고, 이에 기초한 데이터를 상기 외부의 장치와 송수신할 수 있다.

또한, 실시예에서 부동산 정보 추정서버(200)는, 외부의 서버 등과 연동 및/또는 사용자 입력 등에 기초하여 전체지역에 대한 임의 시계열 데이터를 획득할 수 있다.

여기서, 실시예에 따른 상기 임의 시계열 데이터란, 임의의 기간 동안의 상기 전체지역에 대한 부동산 시계열 데이터를 의미할 수 있다.

또한, 실시예에서 부동산 정보 추정서버(200)는, 상기 획득된 임의 시계열 데이터를 기초로 타겟 시계열 데이터를 획득할 수 있다.

여기서, 실시예에 따른 상기 타겟 시계열 데이터란, 특정 기간에 대하여 추정된 상기 전체지역에 대한 부동산 시계열 데이터를 의미할 수 있다.

이때, 실시예에서 부동산 정보 추정서버(200)는, 소정의 딥 뉴럴 네트워크(Deep Neural Network)와 연동하여 부동산 정보 추정 서비스에 필요한 딥러닝을 수행할 수 있고, 이를 통해 상기 임의 시계열 데이터에 기초한 타겟 시계열 데이터를 획득할 수 있다.

자세히, 실시예에서 부동산 정보 추정서버(200)는, 상기 딥러닝을 수행하기 위해 구축되어 있는 소정의 딥 뉴럴 네트워크 구동 프로그램을 메모리 모듈로부터 독출하여, 상기 독출된 소정의 딥 뉴럴 네트워크 시스템에 따라 하기 기술하는 딥러닝을 수행할 수 있다.

여기서, 실시예에 따른 상기 딥 뉴럴 네트워크는, Graph Convolution Network(GCN), Adaptive spatio-temporal graph network 및/또는 Temporal aggregation-based spatio-temporal grpah convolution network 등을 포함할 수 있다.

이때, 실시예에 따라서 위와 같은 딥 뉴럴 네트워크는, 부동산 정보 추정서버(200)에 직접 포함되거나, 또는 부동산 정보 추정서버(200)와는 별도의 장치 및/또는 서버로서 구현되어 상기 부동산 정보 추정 서비스를 위한 딥러닝을 수행할 수 있다.

이하의 설명에서는, 딥 뉴럴 네트워크가 부동산 정보 추정서버(200)에 포함되어 구현되는 것으로 설명하나 이에 한정되는 것은 아니다.

보다 상세히, 실시예에서 부동산 정보 추정서버(200)는, 상술된 바와 같은 소정의 딥 뉴럴 네트워크와 연동하여 상기 임의 시계열 데이터를 입력으로 하고 상기 타겟 시계열 데이터를 출력으로 하는 딥러닝을 수행할 수 있다.

도 3은 본 발명의 실시예에 따른 딥러닝 모듈을 설명하기 위한 블록 흐름도의 일례이다.

보다 구체적으로, 도 3을 참조하면, 실시예에서 부동산 정보 추정서버(200)는, 상기 딥 뉴럴 네트워크를 기반으로 부동산 정보 추정 서비스를 제공하기 위한 딥러닝을 수행하는 딥러닝 모듈(210)을 포함할 수 있다.

자세히, 실시예에 따른 상기 딥러닝 모듈(210)은, 상술된 임의 시계열 데이터(즉, 임의의 기간 동안의 상기 전체지역에 대한 부동산 시계열 데이터)를 입력으로 하고, 부동산 시계열 데이터를 추정하고자 하는 목표기간 동안의 상기 전체지역에 대한 부동산 시계열 데이터의 임베딩 결과(이하, 예측 시계열 데이터)를 출력으로 하는 딥 뉴럴 네트워크를 포함할 수 있다.

또한, 상기 딥러닝 모듈(210)은, 상기 예측 시계열 데이터를 입력으로 하고, 상기 전체지역 내 부동산 단지 간 시공간적 영향력(spatiotemporal influence)을 나타내는 그래프(이하, 시공간 영향력 그래프)를 출력으로 하는 딥 뉴럴 네트워크를 포함할 수 있다.

또한, 실시예에서 상기 딥러닝 모듈(210)은, 상기 예측 시계열 데이터 및 시공간 영향력 그래프에 기초하여 특정 기간에서의 상기 전체지역에 대한 부동산 시세 및 거래량을 나타내는 시계열 데이터(이하, 타겟 시계열 데이터)를 추정하여 출력하는 딥러닝을 수행할 수 있다.

보다 상세히, 실시예에서 상기 딥러닝 모듈(210)은, 제1 딥러닝 모델 및 제2 딥러닝 모델을 포함할 수 있다.

구체적으로, 실시예에 따른 상기 제1 딥러닝 모델(211)은, 상기 임의 시계열 데이터를 입력으로 하고 상기 예측 시계열 데이터를 출력으로 하는 딥 뉴럴 네트워크일 수 있다.

자세히, 실시예에서 상기 제1 딥러닝 모델(211)은, Graph Convolution Network(GCN)를 기초로 하고 노드별 컨볼루션(node-wise convolution)을 수행하는 W-net 백본 네트워크(W-net backbone network)를 포함할 수 있다.

일반적으로, 종래의 Graph Convolution Network(GCN)는, 딥러닝 레이어(layer)를 많이 쌓을수록 성능이 낮아지는 지나친 획일화(over-smoothing) 문제를 내포하고 있다.

그리하여 본 발명의 실시예에서 상기 제1 딥러닝 모델(211)은, 상술된 바와 같은 문제를 회피할 수 있도록 노드별 컨볼루션을 수행하는 복수의 레이어에 기초하여 구현될 수 있다.

즉, 실시예에서 상기 제1 딥러닝 모델(211)은, 노드별 컨볼루션을 수행하는 복수의 레이어를 쌓고 이를 기초로 딥러닝을 수행하여, 노드 간 연산(inter-node convolution)을 최소화할 수 있고 이를 통해 지나친 획일화 문제를 회피할 수 있다.

또한, 실시예에서 상기 제1 딥러닝 모델(211)은, 이미지 과제의 경우 소정의 간격(stride)에 따른 연산을 수행함으로써 수용 필드(receptive field)를 확장하고 피처 사이즈(feature size)와 연산비용(computation cost)을 줄일 수 있다는 점에 착안하여, 소정의 간격에 따라서 딥러닝 연산 단계(stage)를 나누고 이를 기초로 레이어를 쌓는 구조로 형성될 수 있다.

또한, 위와 같은 제1 딥러닝 모델(211)(즉, node-wise convolution 연산으로 이루어진 ASPNet)을 구성하는 w-block의 형태는 도 4와 같이 구현될 수 있다.

자세히, 실시예로 상기 제1 딥러닝 모델(211)의 w-block은, 노드별 컨볼루션 연산의 결과를 Tanh 활성화 함수로 적용한 제1 연산값과 노드별 컨볼루션 연산의 결과를 Sigmoid 활성화 함수로 적용한 제2 연산값을 합성하여 해당하는 레이어의 출력 데이터를 제공할 수 있다.

정리하면, 상기 제1 딥러닝 모델(211)은, 상기 임의 시계열 데이터를 입력으로 하여 상기 w-block 형태를 기반으로 각 딥러닝 연산 단계(stage)별 node-wise convolution 연산을 수행할 수 있고, 그 결과로 상기 예측 시계열 데이터를 출력할 수 있다.

이때, 상기 Graph Convolution Network(GCN)에 기반한 상기 제1 딥러닝 모델(211)에 입력되는 임의 시계열 데이터 내 각각의 부동산 시계열 데이터(즉, 각각의 노드)는 해당하는 부동산 단지의 부동산 시세 및 거래량을 시간의 흐름에 따라서 나타내는 시계열 데이터이고, 상술된 바와 같은 노드별 컨볼루션은 노드 간 연산없이 각 노드별 특징 추출을 수행하므로, 상기 W-net 백본 네트워크는 결국 각 노드별 시간적 특징을 추출하는 딥 뉴럴 네트워크일 수 있다.

또한, 실시예에서 상기 제1 딥러닝 모델(211)을 통해 획득되는 상기 예측 시계열 데이터는, 부동산 시계열 데이터를 추정하고자 하는 특정 기간에서의 상기 전체지역에 대한 부동산 시세 및 거래량을 나타내는 시계열 데이터(즉, 실시예에서 타겟 시계열 데이터)을 추정하는 기반 데이터로 기능할 수 있다.

이와 같이, 상술된 바와 같은 구조에 기초하여 구현되는 상기 제1 딥러닝 모델(211)은, Graph Convolution Network(GCN)의 지나친 획일화 문제를 회피함과 동시에 딥러닝 연산 비용을 최소화하여 효율적으로 상기 예측 시계열 데이터를 출력할 수 있다.

또한, 상기 제1 딥러닝 모델(211)은, 위와 같은 예측 시계열 데이터를 제공함으로써 추후 상술된 타겟 시계열 데이터의 추정을 가능하게 함과 동시에 그 정확성과 신뢰성을 제고할 수 있다.

한편, 실시예에 따른 상기 제2 딥러닝 모델(212)은, 상기 예측 시계열 데이터를 입력으로 하고 상기 시공간 영향력 그래프를 출력으로 하는 딥 뉴럴 네트워크일 수 있다.

실시예에서, 상기 시공간 영향력 그래프란, 상기 전체지역 내 부동산 단지 간 시공간적 영향력(예컨대, 가격 증감 영향 및/또는 거래량 증감 영향 등)을 나타내는 그래프일 수 있다.

도 5는 본 발명의 실시예에 따른 제2 딥러닝 모델(212)을 설명하기 위한 블록 흐름도의 일례이다.

자세히, 도 5를 참조하면, 실시예에 따른 제2 딥러닝 모델(212)은, 적응형 공간 인접 그래프(adaptive spatial graph)와 시공간 그래프(spatio-temporal graph)를 결합하는 방식의 시간 집계 기반 시공간 그래프 컨볼루션 네트워크(Temporal aggregation-based Spatio-temporal grpah convolution network, TAST)를 포함할 수 있다.

보다 상세히, 일반적으로 종래의 Graph Convolution Network(GCN)는, 보통 adaptive spatial graph를 사용하거나 static spatio-temporal graph를 사용하고 있다.

구체적으로, 일반적인 딥 뉴럴 네트워크 구조에서의 데이터에서는 각 노드 간 연결성 정보(adjacency graph)를 제공하고 있다.

예를 들어, 전체지역에 대한 부동산 시계열 데이터에서는, 상기 전체지역 내 부동산 단지 간 연결 정보가 인접행렬로 구현될 수 있다.

그러나 예시와 같이 사전 정의된 연결성 정보는, 각 노드 간의 숨어있는 의존성(dependency)을 파악하는데 한계가 있다.

그리하여 종래에는, 딥 뉴럴 네트워크를 이용하여 공간 인접 그래프 구조를 자동으로 생성하는 방식(adaptive spatial graph)을 사용해 위와 같은 문제를 해결하고 있다.

하지만, 본 발명의 실시예에서와 같은 부동산 시계열 데이터는, 공간적 특성뿐만 아니라 시간적 특성까지 포함하는 시공간적 특성을 가지고 있기 때문에, 상기 공간 입접 그래프로 GCN 연산을 수행하는 것은 상기 부동산 시계열 데이터의 형태를 제대로 반영하지 못할 수 있다.

한편 종래에는, 시공간 그래프(spatio-temporal graph)를 사용하여 상술된 바와 같은 문제를 해결하려고도 하였으나, 이는 적응형 그래프가 아닌 사람이 수작업으로 생성한 피처(feature)를 기초로 사전 정의된 그래프를 생성하게 된다는 한계가 있어 딥 뉴럴 네트워크 모델의 표현 능력을 저하시킬 수 있다.

본 발명의 실시예에서는, 상술된 바와 같은 종래 방식의 한계를 해결하기 위하여, 상기 제2 딥러닝 모델(212)을 적응형 공간 인접 그래프(adaptive spatial graph)와 시공간 그래프(spatio-temporal graph)를 결합하는 방식의 시간 집계 기반 시공간 그래프 컨볼루션 네트워크(TAST)로 구현할 수 있다.

즉, 본 발명의 실시예에 따른 제2 딥러닝 모델(212)은, 시공간적 특성을 가지는 부동산 시계열 데이터의 특성을 반영하여 상기 시공간 그래프를 생성하는 딥 뉴럴 네트워크 모델일 수 있다.

보다 자세히, 도 5의 (a)를 참조하면, 상기 제2 딥러닝 모델(212)은, 상기 시공간 그래프(spatio-temporal graph)를 다루기 위해 시공간 그래프 컨볼루션(spatio-temporal graph convolution, STGC) 연산을 수행할 수 있다.

여기서, 상기 시공간 그래프 컨볼루션(STGC)은, 노드 간의 시간적 연결성을 고려하여 각 피처별로 시간적 가중 합계(temporal weighted sum)를 적용하고 집계(aggregation)하는 연산일 수 있다.

이때, 실시예에서 상기 제2 딥러닝 모델(212)은, 기존의 상기 시공간 그래프 컨볼루션 알고리즘에서 더 나아가서, 상기 노드 간의 시간적 연결성을 토대로 상기 노드를 재구성하고, 이를 통해 시간적 연산과 공간적 연산을 통합시키는 시간 집계 기반 시공간 그래프 컨볼루션(TAST) 연산을 수행할 수 있다.

즉, 실시예에 따른 상기 제2 딥러닝 모델(212)은, 기존의 시공간 그래프 컨볼루션(STGC) 알고리즘을 발전시킨 시간 집계 기반 시공간 그래프 컨볼루션(TAST) 알고리즘을 사용하여, 상기 예측 시계열 데이터를 입력으로 하고 상기 시공간 영향력 그래프를 출력으로 하는 딥러닝을 수행할 수 있다.

이때, 실시예에 따른 상기 시간 집계 기반 시공간 그래프 컨볼루션 네트워크(TAST)는 도 5의 (b)와 같이 구현될 수 있다.

이와 같이, 상기 제2 딥러닝 모델(212)은, 적응형 공간 인접 그래프(adaptive spatial graph)와 시공간 그래프(spatio-temporal graph)를 결합하는 방식의 시간 집계 기반 시공간 그래프 컨볼루션 네트워크(TAST)로 구현됨으로써, 상기 예측 시계열 데이터가 제공하는 시간에 따라서 변화하는 시공간 영향력 그래프를 생성 및 출력할 수 있다.

또한, 상기 제2 딥러닝 모델(212)은, 위와 같은 시공간 영향력 그래프를 제공함으로써 추후 상술된 타겟 시계열 데이터에 대한 추정이 이루어진 경로(예컨대, 상기 전체지역 내 제1 부동산 단지가 제2 내지 제3 부동산 단지의 영향을 받음 등)를 제공함과 동시에 그 신뢰성을 제고할 수 있으며, 객관적으로 확인 가능한 근거 데이터를 제공할 수 있다.

한편, 실시예에서 상술된 바와 같은 제1 딥러닝 모델(211) 및 제2 딥러닝 모델(212)을 포함하는 딥러닝 모듈(210)은, 상기 제1 딥러닝 모델(211)로부터 획득되는 상기 예측 시계열 데이터 및 상기 제2 딥러닝 모델(212)로부터 획득되는 상기 시공간 영향력 그래프를 기초로, 특정 기간에서의 상기 전체지역에 대한 부동산 시계열 데이터(즉, 특정 기간에서의 상기 전체지역에 대한 부동산 시세 및 거래량을 나타내는 시계열 데이터)를 나타내는 타겟 시계열 데이터를 출력하는 딥러닝(이하, 타겟 딥러닝)을 수행할 수 있다.

자세히, 실시예에서 상기 딥러닝 모듈(210)은, 상기 제1 딥러닝 모델(211)의 각 딥러닝 연산 단계(stage)별 node-wise convolution 연산 결과값(즉, 상기 예측 시계열 데이터)과, 상기 제2 딥러닝 모델(212)의 시간 집계 기반 시공간 그래프 컨볼루션(TAST) 연산 결과값(즉, 상기 시공간 영향력 그래프)을 합성하는 상기 타겟 딥러닝을 수행하여 상기 타겟 시계열 데이터를 생성 및 출력할 수 있다.

실시예로, 상기 딥러닝 모듈(210)은, 상기 타겟 딥러닝을 수행하여 소정의 컨볼루션 레이어(convolution layer)를 사용해 상기 예측 시계열 데이터와 상기 시공간 영향력 그래프의 특징 벡터 길이를 동일하게 변환할 수 있다.

또한, 상기 딥러닝 모듈(210)은, 특징 벡터 길이가 동일하게 변환된 상기 예측 시계열 데이터와 상기 시공간 영향력 그래프를 완전 연결 레이어(fully connected layer, FCL)에 통과시킬 수 있다.

그리하여 상기 딥러닝 모듈(210)은, 상기 완전 연결 레이어의 출력 데이터에 기초하여 상기 타겟 시계열 데이터를 생성 및 출력할 수 있다.

따라서, 상기 딥러닝 모듈(210)은, 상술된 제1 딥러닝 모델(211)의 출력 데이터(실시예에서, 예측 시계열 데이터)와 제2 딥러닝 모델(212)의 출력 데이터(실시예에서, 시공간 영향력 그래프)에 기초하여 상기 타겟 시계열 데이터를 생성해 출력할 수 있고, 이를 통해 사람의 휴리스틱적 판단이 아닌 신뢰할 만한 근거 데이터를 토대로 딥러닝을 통해 추정된 부동산 시세 및 거래량 정보를 제공하게 할 수 있다.

다시 돌아와서, 또한 실시예에서 부동산 정보 추정서버(200)는, 상술된 바와 같이 획득된 타겟 시계열 데이터를 시각화하여 제공할 수 있다.

실시예에서, 부동산 정보 추정서버(200)는, 상기 타겟 시계열 데이터를 소정의 방식에 따라서 시각화한 부동산 정보 시각화 데이터를 생성하여 제공할 수 있다.

또한, 실시예에서 부동산 정보 추정서버(200)는, 부동산 정보 추정 서비스를 구현하기 위한 각종 응용 프로그램, 명령어 및/또는 데이터 등을 저장하고 관리할 수 있다.

실시예로, 부동산 정보 추정서버(200)는, 적어도 하나 이상의 임의 시계열 데이터, 예측 시계열 데이터, 시공간 영향력 그래프, 타겟 시계열 데이터, 부동산 정보 시각화 데이터 및/또는 소정의 딥러닝 모델 등을 저장 및 관리할 수 있다.

한편, 도 1을 더 참조하면, 실시예에서 위와 같은 부동산 정보 추정서버(200)는, 데이터 처리를 위한 적어도 하나 이상의 프로세서 모듈(220: Processor Module)과, 외부의 장치와의 데이터 교환을 위한 적어도 하나 이상의 커뮤니케이션 모듈(230: Communication Module)과, 부동산 정보 추정 서비스의 제공을 위한 각종 응용 프로그램, 데이터 및/또는 명령어들을 저장하는 적어도 하나 이상의 메모리 모듈(240: Memory Module)을 포함하는 소정의 컴퓨팅 장치로 구현될 수 있다.

여기서, 상기 메모리 모듈(240)은, 부동산 정보 추정 서비스를 제공하기 위한 운영체제(OS), 각종 응용 프로그램, 데이터 및 명령어 중 어느 하나 이상을 저장할 수 있다.

또한, 상기 메모리 모듈(240)은, 프로그램 영역과 데이터 영역을 포함할 수 있다.

여기서, 실시예에 따른 프로그램 영역은, 단말(100)을 부팅하는 운영체제(OS: Operating System) 및 기능요소들 사이에 연계될 수 있으며, 데이터 영역은, 단말(100)의 사용에 따라 발생하는 데이터가 저장될 수 있다.

실시예에서, 이러한 메모리 모듈(240)은, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기일 수 있고, 인터넷(internet)상에서 상기 메모리 모듈(240)의 저장 기능을 수행하는 웹 스토리지(web storage)일 수도 있다.

또한, 메모리 모듈(240)은, 단말(100) 상에 탈착 가능한 형태의 기록매체일 수 있다.

한편, 상기 프로세서 모듈(220)은, 부동산 정보 추정 서비스를 구현하기 위하여 전술한 각 유닛(unit)의 전반적인 동작을 컨트롤할 수 있다.

이러한 프로세서 모듈(220)은, 중앙처리장치(CPU) 및/또는 그래픽처리장치(GPU) 등이 포함된 단말(100)에 적합한 시스템 온 칩(SOC)일 수 있으며, 메모리 모듈(240)에 저장된 운영체제(OS) 및/또는 애플리케이션 프로그램 등을 실행할 수 있고, 단말(100)에 탑재된 각 구성요소들을 제어할 수 있다.

또한, 프로세서 모듈(220)은, 각 구성요소와 내부적으로 시스템 버스(System Bus)에 의해 통신을 수행할 수 있고, 로컬 버스(Local Bus)를 비롯한 소정의 버스 구조들을 하나 이상 포함할 수 있다.

또한, 프로세서 모듈(220)은, ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세스(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.

이상의 설명에서는, 본 발명의 실시예에 따른 부동산 정보 추정서버(200)가 상술된 바와 같은 기능 동작을 수행한다고 설명하였으나, 실시예에 따라서 부동산 정보 추정서버(200)에서 수행하는 기능 동작의 적어도 일부를 외부의 장치(예컨대, 단말(100) 등)에서 수행할 수도 있고, 상기 외부의 장치에서 수행하는 기능 동작의 적어도 일부를 상기 부동산 정보 추정서버(200)에서 더 수행할 수도 있는 등 다양한 실시예가 가능할 수 있다.

- 딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법

이하, 본 발명의 실시예에 따른 단말(100)의 적어도 하나 이상의 프로세서에 의하여 실행되는 부동산 애플리케이션(111)이 딥 뉴럴 네트워크를 기반으로 부동산 정보를 추정하는 방법을 첨부된 도면을 참조하여 상세히 설명한다.

본 발명의 실시예에서 상기 단말(100)의 적어도 하나 이상의 프로세서는, 적어도 하나 이상의 메모리(110)에 저장된 적어도 하나 이상의 부동산 애플리케이션(111)을 실행하거나 백그라운드 상태로 동작하게 할 수 있다.

이하, 상기 적어도 하나 이상의 프로세서가, 상기 부동산 애플리케이션(111)의 명령어를 실행하기 위해 동작하여 상술된 부동산 정보 추정 서비스를 제공하는 방법을 수행하는 것을 상기 부동산 애플리케이션(111)이 수행하는 것으로 단축하여 설명한다.

도 6은 본 발명의 실시예에 따른 딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법을 설명하기 위한 흐름도이다.

도 6을 참조하면, 실시예에서 상기 단말(100)의 적어도 하나 이상의 프로세서에 의하여 실행되거나 백그라운드 상태로 동작하는 부동산 애플리케이션(111)은, 임의 시계열 데이터를 획득할 수 있다. (S101)

여기서, 본 발명의 실시예에 따른 상기 임의 시계열 데이터란, 임의의 기간 동안의 상기 전체지역에 대한 부동산 시계열 데이터를 의미할 수 있다.

즉, 상기 임의 시계열 데이터는, 임의의 기간 동안의 상기 전체지역 내 적어도 하나 이상의 부동산 단지별 부동산 시세 및 거래량의 동향을 시간의 흐름에 따라서 나타내는 부동산 시계열 데이터일 수 있다.

여기서, 실시예에 따른 상기 부동산 시계열 데이터란, 상기 전체지역 내 특정 부동산 단지(예컨대, 특정 아파트 및/또는 오피스텔 등)에 대한 소정의 기간 동안의 부동산 시세 및 거래량의 동향을 시간의 흐름에 따라서 나타내는 시계열 데이터를 의미할 수 있다.

자세히, 실시예에서 부동산 애플리케이션(111)은, 외부의 서버(예컨대, KB 부동산, 한국감정원 및/또는 국토교통부 서버 등) 등과 연동 및/또는 사용자 입력 등에 기초하여 상기 임의 시계열 데이터를 수집 및 획득할 수 있다.

예를 들면, 부동산 애플리케이션(111)은, 임의의 기간(예컨대, 2003년 3월부터 2021년 3월 등) 동안의 제1 부동산 단지(예컨대, 제1 아파트) 내지 제5 부동산 단지(예컨대, 제5 아파트)별 부동산 시세 및 거래량의 동향을 시간의 흐름에 따라서 나타내는 복수의 부동산 시계열 데이터를 포함하는 임의 시계열 데이터를 외부의 서버 및/또는 사용자 입력으로부터 획득할 수 있다.

또한, 실시예에서 부동산 애플리케이션(111)은, 획득된 임의 시계열 데이터를 기초로 예측 시계열 데이터를 획득할 수 있다. (S103)

여기서, 본 발명의 실시예에 따른 상기 예측 시계열 데이터란, 부동산 시계열 데이터를 추정하고자 하는 목표기간(예컨대, 소정의 과거시점부터 소정의 미래시점까지의 기간 등) 동안의 상기 전체지역에 대한 부동산 시계열 데이터의 임베딩 결과 데이터를 의미할 수 있다.

자세히, 실시예에서 부동산 애플리케이션(111)은, 상술된 딥러닝 모듈(210)과 연동하여 상기 예측 시계열 데이터를 획득할 수 있다.

보다 상세히, 부동산 애플리케이션(111)은, 상기 딥러닝 모듈(210)의 제1 딥러닝 모델(211)과 연동하여 상기 예측 시계열 데이터를 획득할 수 있다.

구체적으로, 부동산 애플리케이션(111)은, 상술된 바와 같이 획득된 임의 시계열 데이터를 상기 제1 딥러닝 모델(211)에 입력할 수 있다.

이때, 상기 임의 시계열 데이터를 입력받은 상기 제1 딥러닝 모델(211)은, 상기 임의 시계열 데이터를 입력으로 하여 상술된 w-block 형태를 기반으로 상기 제1 딥러닝 모델(211) 내 각 딥러닝 연산 단계(stage)별 node-wise convolution 연산을 수행할 수 있고, 그 결과로 상기 예측 시계열 데이터를 출력할 수 있다.

실시예에서, 상기 제1 딥러닝 모델(211)이 상기 임의 시계열 데이터를 기초로 상기 예측 시계열 데이터를 출력하는 방법에 대한 자세한 설명은 상술된 부동산 정보 추정서버(200)의 제1 딥러닝 모델(211)에 대한 설명을 따른다.

또한, 상기 제1 딥러닝 모델(211)은, 위와 같이 출력된 예측 시계열 데이터를 부동산 애플리케이션(111)으로 제공할 수 있다.

그리하여 부동산 애플리케이션(111)은, 상기 임의 시계열 데이터를 기초로 상기 예측 시계열 데이터를 획득할 수 있다.

이와 같이, 부동산 애플리케이션(111)은, 실시예에 따른 상기 제1 딥러닝 모델(211)과 연동하여 딥러닝을 수행함으로써, Graph Convolution Network(GCN)의 지나친 획일화 문제를 회피함과 동시에 딥러닝 연산 비용을 최소화하여 효율적으로 상기 예측 시계열 데이터를 획득할 수 있다.

또한, 부동산 애플리케이션(111)은, 딥 뉴럴 네트워크를 이용하여 상술된 바와 같은 예측 시계열 데이터를 획득함으로써, 추후 사람의 주관적 판단이 아닌 객관적인 데이터를 근거로 상술된 타겟 시계열 데이터의 추정을 수행할 수 있음과 동시에 그 정확성과 신뢰성을 향상시킬 수 있다.

또한, 실시예에서 부동산 애플리케이션(111)은, 획득된 예측 시계열 데이터를 기초로 시공간 영향력 그래프를 획득할 수 있다. (S105)

여기서, 실시예에 따른 상기 시공간 영향력 그래프란, 상기 전체지역 내 부동산 단지 간 시공간적 영향력(spatiotemporal influence)을 나타내는 그래프일 수 있다.

예를 들어, 상기 시공간 영향력 그래프는, 상기 전체지역 내 부동산 단지 간 가격 증감 영향관계 및/또는 거래량 증감 영향관계 등을 나타내는 그래프일 수 있다.

실시예에서 이러한 시공간 영향력 그래프는, 해당하는 시공간적 영향력 정도에 따라서 소정의 영향관계 데이터(예컨대, 영향 방향성 및/또는 영향력 지수 등)로 변환될 수 있으며, 시각화되어 제공될 수 있다.

자세히, 실시예에서 부동산 애플리케이션(111)은, 상기 딥러닝 모듈(210)과 연동하여 상기 시공간 영향력 그래프를 획득할 수 있다.

보다 상세히, 부동산 애플리케이션(111)은, 상기 딥러닝 모듈(210)의 제2 딥러닝 모델(212)과 연동하여 상기 시공간 영향력 그래프를 획득할 수 있다.

구체적으로, 부동산 애플리케이션(111)은, 상기 제1 딥러닝 모델(211)과 연동하여 획득한 상기 예측 시계열 데이터를 상기 제2 딥러닝 모델(212)에 입력할 수 있다.

이때, 상기 예측 시계열 데이터를 입력받은 상기 제2 딥러닝 모델(212)은, 상기 입력된 예측 시계열 데이터에 기초한 시간 집계 기반 시공간 그래프 컨볼루션(TAST) 연산을 수행하여 상기 시공간 영향력 그래프를 출력할 수 있다.

실시예에서, 상기 제2 딥러닝 모델(212)이 상기 예측 시계열 데이터를 기초로 상기 시공간 영향력 그래프를 출력하는 방법에 대한 자세한 설명은 상술된 부동산 정보 추정서버(200)의 제2 딥러닝 모델(212)에 대한 설명을 따른다.

또한, 상기 제2 딥러닝 모델(212)은, 위와 같이 출력된 시공간 영향력 그래프를 부동산 애플리케이션(111)으로 제공할 수 있다.

그리하여 부동산 애플리케이션(111)은, 상기 예측 시계열 데이터에 기반한 상기 시공간 영향력 그래프를 획득할 수 있다.

이와 같이, 부동산 애플리케이션(111)은, 실시예에 따른 상기 제2 딥러닝 모델(212)과 연동하여 딥러닝을 수행함으로써, 상기 예측 시계열 데이터가 제공하는 시간에 대응하여 변화하는 시공간 영향력 그래프를 획득할 수 있다.

또한, 부동산 애플리케이션(111)은, 딥 뉴럴 네트워크를 이용하여 상술된 바와 같은 시공간 영향력 그래프를 획득함으로써, 추후 상술된 타겟 시계열 데이터에 대한 추정이 이루어진 경로(예컨대, 상기 전체지역 내 제1 부동산 단지가 제2 내지 제3 부동산 단지의 영향을 받음 등)를 제공할 수 있음과 동시에 그 신뢰성을 제고할 수 있으며, 상기 타겟 시계열 데이터 추정에 대한 객관적인 근거 데이터를 제공할 수 있다.

또한, 실시예에서 부동산 애플리케이션(111)은, 획득된 예측 시계열 데이터 및 시공간 영향력 그래프를 기초로 타겟 시계열 데이터를 획득할 수 있다. (S107)

여기서, 실시예에 따른 상기 타겟 시계열 데이터란, 상기 예측 시계열 데이터 및 시공간 영향력 그래프에 기초하여 특정 기간(예컨대, 현재시점 또는 현재시점을 기준으로 소정의 전후 기간을 포함하는 기간 등)에서의 상기 전체지역에 대한 부동산 시계열 데이터(즉, 특정 기간에서의 상기 전체지역에 대한 부동산 시세 및 거래량을 나타내는 시계열 데이터)를 추정한 시계열 데이터를 의미할 수 있다.

실시예에서, 이러한 타겟 시계열 데이터는, 상술된 바와 같은 예측 시계열 데이터와 시공간 영향력 그래프에 기초하여 생성되므로, 부동산 시계열 데이터가 가지는 시공간적 특성이 모두 고려되어 추정된 특정 기간에서의 상기 전체지역에 대한 부동산 시계열 데이터일 수 있다.

자세히, 실시예에서 부동산 애플리케이션(111)은, 상기 딥러닝 모듈(210)과 연동하여 상기 타겟 시계열 데이터를 획득할 수 있다.

보다 상세히, 부동산 애플리케이션(111)은, 상기 딥러닝 모듈(210)과 연동하여, 상기 딥러닝 모듈(210)의 제1 딥러닝 모델(211)로부터 획득되는 상기 예측 시계열 데이터와 상기 딥러닝 모듈(210)의 제2 딥러닝 모델(212)로부터 획득되는 상기 시공간 영향력 그래프에 기초한 타겟 딥러닝을 수행할 수 있다.

여기서, 실시예에 따른 상기 타겟 딥러닝이란, 상기 예측 시계열 데이터 및 시공간 영향력 그래프를 입력 데이터로 하고, 특정 기간에서의 상기 전체지역에 대한 부동산 시세 및 거래량을 나타내는 타겟 시계열 데이터를 출력으로 하는 딥러닝을 의미할 수 있다.

자세히, 실시예에서 부동산 애플리케이션(111)은, 상기 딥러닝 모듈(210)과 연동하여, 상기 제1 딥러닝 모델(211)의 각 딥러닝 연산 단계(stage)별 node-wise convolution 연산 결과값(즉, 상기 예측 시계열 데이터)과, 상기 제2 딥러닝 모델(212)의 시간 집계 기반 시공간 그래프 컨볼루션(TAST) 연산 결과값(즉, 상기 시공간 영향력 그래프)을 합성하는 상기 타겟 딥러닝을 수행할 수 있다.

실시예로, 부동산 애플리케이션(111)은, 상기 딥러닝 모듈(210)과 연동하여 소정의 컨볼루션 레이어(convolution layer)를 사용해 상기 예측 시계열 데이터와 상기 시공간 영향력 그래프의 특징 벡터 길이를 동일하게 변환할 수 있다.

또한, 부동산 애플리케이션(111)은, 특징 벡터 길이가 동일하게 변환된 상기 예측 시계열 데이터와 상기 시공간 영향력 그래프를 완전 연결 계층(fully connected layer, FCL)에 통과시킬 수 있다.

그리하여 부동산 애플리케이션(111)은, 상기 완전 연결 계층의 출력 데이터에 기초한 상기 타겟 시계열 데이터를 획득할 수 있다.

즉, 부동산 애플리케이션(111)은, 실시예에 따른 상기 딥러닝 모듈(210)과 연동하여 상술된 바와 같은 타겟 딥러닝을 수행함으로써 특정 기간에서의 상기 전체지역에 대한 부동산 시세 및 거래량을 나타내는 타겟 시계열 데이터를 획득할 수 있으며, 이를 통해 사람의 휴리스틱적 판단이 아닌 신뢰할 만한 근거 데이터에 기초하여 보다 정확하게 추정된 부동산 시세 및 거래량 정보를 제공할 수 있다.

또한, 실시예에서 부동산 애플리케이션(111)은, 획득된 타겟 시계열 데이터 시각화 및 제공할 수 있다. (S109)

도 7 및 도 8은 본 발명의 실시예에 따른 부동산 정보 시각화 데이터의 일례들이다.

자세히, 도 7 및 도 8을 참조하면, 실시예에서 부동산 애플리케이션(111)은, 위와 같이 획득된 타겟 시계열 데이터(즉, 특정 기간에서의 상기 전체지역에 대한 부동산 시세 및 거래량을 나타내는 시계열 데이터)를 소정의 방식으로 시각화한 부동산 정보 시각화 데이터를 생성할 수 있다.

실시예로, 부동산 애플리케이션(111)은, 상기 타겟 시계열 데이터를 소정의 차트(Chart, 예컨대, 바 차트(bar chart), 라인 차트(line chart), 아리아 차트(area chart), 스케터 플롯(scatter plot), 파이 차트(pie chart), 버블 차트(bubble chart), 레이더 차트(rader chart), 프레임 다이어그램(frame diagram), 퍼널 플롯(funnel plot) 및/또는 워드 클라우드 차트(word cloud chart) 등), 그래프(Graph), 표(Table) 및/또는 데이터 맵(Data map, 예컨대, dot density map, choropleth map, field map, symbol map, bubble map, connection map 및/또는 flow map 등) 등의 형식으로 시각화하여 상기 부동산 정보 시각화 데이터를 생성할 수 있다.

이때, 실시예에서 부동산 애플리케이션(111)은, 상술된 시공간 영향력 그래프로부터 획득되는 상기 전체지역 내 부동산 단지 간 시공간적 영향력(spatiotemporal influence)을 시각화하여 상기 부동산 정보 시각화 데이터에 포함할 수 있다.

실시예로, 부동산 애플리케이션(111)은, 상기 시공간적 영향력을 기초로 소정의 방식(예컨대, 시공간적 영향력 정도에 비례하는 수치 등)에 따라서 산출되는 상기 전체지역 내 부동산 단지 간 영향관계 데이터(예컨대, 영향력이 작용하는 방향을 나타내는 영향 방향성 및/또는 영향력의 정도를 수치로 나타내는 영향력 지수 등)를 획득할 수 있다.

또한, 부동산 애플리케이션(111)은, 상기 획득된 부동산 단지 간 영향관계 데이터를 소정의 방식으로 시각화하여 상기 부동산 정보 시각화 데이터에 포함할 수 있다.

자세히, 실시예에서 부동산 애플리케이션(111)은, 상기 타겟 시계열 데이터를 시각화한 방식에 대응하는 형태로 상기 영향관계 데이터를 시각화하여 상기 부동산 정보 시각화 데이터에 포함할 수 있다.

예를 들어, 도 7을 참조하면, 부동산 애플리케이션(111)은, 상기 타겟 시계열 데이터를 데이터 맵(data map) 형식으로 시각화하여 부동산 정보 시각화 데이터를 생성한 경우, 상기 데이터 맵 형식에 대응하는 형태(예컨대, 상기 데이터 맵 내 복수의 부동산 단지(A, B, C, …, I) 간 영향관계 데이터를 소정의 기호(예컨대, 화살표 기호 등) 및/또는 텍스트로 상기 데이터 맵 상에 표시하는 형태 등)로 상기 영향관계 데이터를 시각화하여 상기 부동산 정보 시각화 데이터에 포함할 수 있다.

또한, 부동산 애플리케이션(111)은, 위와 같이 생성된 부동산 정보 시각화 데이터를 디스플레이 출력 및/또는 외부의 장치(예컨대, 타 단말(100) 등)로 송신하여 제공할 수 있다.

이와 같이, 부동산 애플리케이션(111)은, 딥 뉴럴 네트워크를 통해 추정된 특정 기간에 대한 부동산 시세 및 거래량 시계열 데이터를 다양한 방식으로 시각화하여 제공 가능함으로써, 사용자가 확인하고자 하는 부동산 정보(실시예에서, 부동산 시세 및 거래량 등)를 직관적으로 인지하기 용이한 다각화된 형태로 구현하여 제공할 수 있다.

정리하면, 실시예에서 부동산 애플리케이션(111)은, 전체지역 내 적어도 하나 이상의 부동산 단지별 부동산 시세 및 거래량의 동향을 시간의 흐름에 따라서 나타내는 시계열 데이터를 이용하여 상기 전체지역 내 부동산 단지 간 영향력을 측정할 수 있고, 이를 반영하여 상기 전체지역 내 적어도 하나 이상의 부동산 단지에 대한 특정 기간에서의 부동산 시세 및 거래량을 추정하여 시각화해 제공할 수 있다.

이상, 본 발명의 실시예에 따른 딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법 및 그 시스템은, 딥 뉴럴 네트워크를 이용하여 전체지역에 대한 부동산 시계열 데이터를 기초로 해당 전체지역 내 부동산 단지 간 영향력을 측정하고, 이를 반영하여 상기 전체지역에 대한 특정 기간에서의 부동산 시세 및 거래량을 추정 및 제공함으로써, 사람의 휴리스틱적 판단이 아닌 신뢰할 만한 근거 데이터를 토대로 상기 전체지역 내 부동산 단지 간 영향력을 도출할 수 있고, 이를 통해 보다 정확하게 추정된 부동산 시세 및 거래량 정보를 제공할 수 있는 효과가 있다.

또한, 본 발명의 실시예에 따른 딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법 및 그 시스템은, 위와 같이 신뢰할 만한 근거 데이터를 기초로 부동산 정보를 추정해 제공함으로써, 제공되는 부동산 정보의 정확성 및 신뢰성을 향상시킴과 동시에 부동산 거래의 공정성을 증진시킬 수 있는 효과가 있다.

또한, 본 발명의 실시예에 따른 딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법 및 그 시스템은, 상기 추정된 부동산 정보에 기초한 시각화된 데이터를 제공함으로써, 사용자가 일일이 부동산 중개업소를 찾아다니거나 또는 부동산 매물에 관한 잡지, 신문이나 인터넷 등을 검색하여 분석을 수행하는 등 원하는 부동산 시세 정보를 취득하기 위하여 소모하는 노력이나 비용을 절감시킬 수 있는 효과가 있다.

또한, 본 발명의 실시예에 따른 딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법 및 그 시스템은, 위와 같이 시각화된 부동산 정보를 제공함으로써, 사용자가 의도하는 부동산 시세 및/또는 거래량 등에 대한 부동산 정보를 직관적으로 인지하기 용이한 형태로 신속하게 제공할 수 있는 효과가 있다.

또한, 이상에서 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.

본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, “필수적인”, “중요하게” 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.

또한 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자 또는 해당 기술분야에 통상의 지식을 갖는 자라면 후술할 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 기술적 범위는 명세서의 상세한 설명에 기재된 내용으로 한정되는 것이 아니라 특허청구범위에 의해 정하여져야만 할 것이다.

Claims (10)

1. 단말의 적어도 하나의 프로세서에 의하여 실행되는 부동산 애플리케이션이 딥 뉴럴 네트워크를 기반으로 부동산 정보를 추정하는 방법으로서,
   전체지역 내 부동산 단지별 부동산 시세 및 거래량의 동향을 시간의 흐름에 따라서 나타내는 임의 시계열 데이터를 획득하는 단계;
   상기 딥 뉴럴 네트워크를 포함하는 딥러닝 모듈과 연동하는 단계;
   상기 연동된 딥러닝 모듈에 상기 임의 시계열 데이터를 입력하고, 소정의 목표기간 동안의 상기 전체지역 내 부동산 단지별 부동산 시계열 데이터에 대한 임베딩 데이터인 예측 시계열 데이터를 획득하는 단계;
   상기 획득된 예측 시계열 데이터를 기초로 상기 전체지역 내 부동산 단지 간 시공간적 영향력을 나타내는 시공간 영향력 그래프를 획득하는 단계;
   상기 획득된 시공간 영향력 그래프 및 상기 예측 시계열 데이터를 기초로 특정 기간에서의 상기 전체지역 내 부동산 단지별 부동산 시세 및 거래량을 추정한 타겟 시계열 데이터를 획득하는 단계; 및
   상기 획득된 타겟 시계열 데이터를 시각화 및 제공하는 단계를 포함하고,
   상기 딥러닝 모듈은 제1 딥러닝 모델 및 제2 딥러닝 모델을 포함하고,
   상기 제1 딥러닝 모델은, Graph Convolution Network(GCN)에 기초하고 소정의 간격(stride)에 따른 딥러닝 연산 단계(stage)별 node-wise convolution 연산을 수행하는 W-net 백본 네트워크(W-net backbone network)인 ASPNet을 상기 딥 뉴럴 네트워크로서 포함하고,
   상기 제2 딥러닝 모델은, 적응형 공간 인접 그래프(adaptive spatial graph)와 시공간 그래프(spatio-temporal graph)를 결합하는 방식의 시간 집계 기반 시공간 그래프 컨볼루션 네트워크(Temporal aggregation-based Spatio-temporal grpah convolution network, TAST)를 상기 딥 뉴럴 네트워크로서 포함하는
   딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법.
2. 삭제
3. 제1 항에 있어서,
   상기 제1 딥러닝 모델은,
   상기 임의 시계열 데이터를 입력으로 하고 상기 예측 시계열 데이터를 출력으로 하는
   딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법.
4. 삭제
5. 제1 항에 있어서,
   상기 제2 딥러닝 모델은,
   상기 예측 시계열 데이터를 입력으로 하고 상기 시공간 영향력 그래프를 출력으로 하는
   딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법.
6. 제5 항에 있어서,
   상기 타겟 시계열 데이터를 획득하는 단계는,
   상기 연동된 딥러닝 모듈을 기초로 소정의 컨볼루션 레이어(convolution layer)를 사용하여 상기 예측 시계열 데이터와 상기 시공간 영향력 그래프의 특징 벡터 길이를 동일하게 변환하는 단계와,
   상기 특징 벡터 길이가 동일하게 변환된 예측 시계열 데이터와 시공간 영향력 그래프를 완전 연결 레이어(fully connected layer, FCL)에 입력하는 단계와,
   상기 완전 연결 레이어의 출력 데이터에 기초하여 상기 타겟 시계열 데이터를 획득하는 단계를 포함하는
   딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법.
7. 제1 항에 있어서,
   상기 획득된 타겟 시계열 데이터를 시각화 및 제공하는 단계는,
   상기 타겟 시계열 데이터를 소정의 차트(Chart), 그래프(Graph), 표(Table) 및 데이터 맵(Data map) 중 적어도 하나의 형식으로 시각화한 부동산 정보 시각화 데이터를 생성하는 단계를 포함하는
   딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법.
8. 제7 항에 있어서,
   상기 획득된 타겟 시계열 데이터를 시각화 및 제공하는 단계는,
   상기 시공간 영향력 그래프를 기초로 상기 전체지역 내 부동산 단지 간 영향관계 데이터를 획득하는 단계와,
   상기 획득된 영향관계 데이터를 상기 생성된 부동산 정보 시각화 데이터의 형식에 대응되는 형태로 상기 부동산 정보 시각화 데이터에 표시하는 단계를 더 포함하는
   딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법.
9. 부동산 정보 시각화 데이터를 출력하는 적어도 하나 이상의 디스플레이;
   적어도 하나 이상의 메모리; 및
   적어도 하나 이상의 프로세서; 를 포함하고,
   상기 메모리에 저장되고 상기 프로세서에 의해 실행되어 딥 뉴럴 네트워크를 기반으로 부동산 정보를 추정하는 적어도 하나의 애플리케이션으로서 상기 적어도 하나의 애플리케이션은,
   전체지역 내 부동산 단지별 부동산 시세 및 거래량의 동향을 시간의 흐름에 따라서 나타내는 임의 시계열 데이터를 획득하고,
   상기 딥 뉴럴 네트워크를 포함하는 딥러닝 모듈과 연동하고,
   상기 연동된 딥러닝 모듈에 상기 임의 시계열 데이터를 입력하고 소정의 목표기간 동안의 상기 전체지역 내 부동산 단지별 부동산 시계열 데이터에 대한 임베딩 데이터인 예측 시계열 데이터를 획득하고,
   상기 획득된 예측 시계열 데이터를 기초로 상기 전체지역 내 부동산 단지 간 시공간적 영향력을 나타내는 시공간 영향력 그래프를 획득하고,
   상기 획득된 시공간 영향력 그래프 및 상기 예측 시계열 데이터를 기초로 특정 기간에서의 상기 전체지역 내 부동산 단지별 부동산 시세 및 거래량을 추정한 타겟 시계열 데이터를 획득하고,
   상기 획득된 타겟 시계열 데이터를 소정의 형식으로 시각화한 상기 부동산 정보 시각화 데이터를 생성해 제공하고,
   상기 딥러닝 모듈은, 제1 딥러닝 모델 및 제2 딥러닝 모델을 포함하고,
   상기 제1 딥러닝 모델은, Graph Convolution Network(GCN)에 기초하고 소정의 간격(stride)에 따른 딥러닝 연산 단계(stage)별 node-wise convolution 연산을 수행하는 W-net 백본 네트워크(W-net backbone network)인 ASPNet을 상기 딥 뉴럴 네트워크로서 포함하고,
   상기 제2 딥러닝 모델은, 적응형 공간 인접 그래프(adaptive spatial graph)와 시공간 그래프(spatio-temporal graph)를 결합하는 방식의 시간 집계 기반 시공간 그래프 컨볼루션 네트워크(Temporal aggregation-based Spatio-temporal grpah convolution network, TAST)를 상기 딥 뉴럴 네트워크로서 포함하는
   딥 뉴럴 네트워크 기반의 부동산 정보 추정 시스템.
10. 삭제