KR20190014211A - 유사도 점수에 기초하여 결정된 거래사례 부동산을 이용한 부동산 시세 추정 시스템 및 방법 - Google Patents
유사도 점수에 기초하여 결정된 거래사례 부동산을 이용한 부동산 시세 추정 시스템 및 방법 Download PDFInfo
- Publication number
- KR20190014211A KR20190014211A KR1020170096232A KR20170096232A KR20190014211A KR 20190014211 A KR20190014211 A KR 20190014211A KR 1020170096232 A KR1020170096232 A KR 1020170096232A KR 20170096232 A KR20170096232 A KR 20170096232A KR 20190014211 A KR20190014211 A KR 20190014211A
- Authority
- KR
- South Korea
- Prior art keywords
- real estate
- transaction
- real
- evaluation target
- candidate
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims abstract description 98
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000000611 regression analysis Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000029305 taxis Effects 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2219—Large Object storage; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
실시예들은 평가대상 부동산을 기준으로 소정 영역내에 위치하는 실거래 부동산의 실거래가 및 부동산 속성 정보를 획득하는 실거래 부동산 정보 획득부; 획득된 실거래 부동산의 실거래가 및 부동산 속성 정보를 이용하여 거래가 추정 학습 모델을 생성하는 학습 모델 생성부; 및 상기 평가대상 부동산 의 부동산 속성 정보를 상기 거래가 추정 학습 모델에 적용하여 상기 평가대상 부동산의 시세를 추정하는 시세 추정부; 거래사례 후보 부동산 및 평가대상 부동산의 부동산 속성 정보의 유사 정도를 계산하고, 상기 유사 정도에 상기 부동산 속성 가중치를 적용하여 상기 평가대상 부동산과 거래사례 후보 부동산 간의 유사도 점수를 계산하는 후보 부동산 분석부; 및 소정 범위 내 유사도 점수를 갖는 거래사례 후보 부동산 중 적어도 하나를 거래사례 부동산으로 결정하는 거래사례 결정부를 포함하는 부동산 시세 추정 시스템 및 이를 이용한 추정 방법에 관련된다.
Description
본 발명은 부동산 시세를 추정하는 시스템 및 방법에 관한 것으로서, 보다 상세하게는 유사도 점수에 의해 객관적으로 결정된 거래사례 부동산을 이용하여 부동산의 시세를 추정하는 시스템 및 방법에 관한 것이다.
감정평가사들은 일반적으로 평가대상 부동산의 주변에 위치하고, 평가대상 부동산과 유사한 속성을 갖는 실거래 부동산을 거래사례로 선정하고, 거래사례의 금액을 평가대상 부동산의 시세를 추정함에 있어 참조하는 거래사례 비교법(sales comparison approach)을 사용하여 평가대상 부동산의 실거래가를 예측한다. 거래사례 비교법에서 거래사례의 실거래가는 평가대상의 시세에 영향을 주는 특징이 있다. 따라서, 평가대상 부동산과 유사하지 않은 실거래 부동산을 거래사례로 선정하는 경우, 평가대상 부동산의 시세 추정 결과가 정확하지 않을 수 있다.
그러나, 종래의 경우 본인의 경험, 직관과 같은 주관적인 요인, 또는 전용면적, 사용년수, 대지지분 등과 같은 표면적이고 한정적인 부동산 속성에 기초하여 거래사례 부동산을 결정하는 한계가 있다.
본 발명의 일 측면에 따르면, 유사도 점수에 의해 객관적으로 결정된 거래사례 부동산을 이용하여 부동산의 시세를 추정하는 시스템이 제공될 수 있다.
이외에, 부동산 시세 추정 방법이 제공되고, 관련된 컴퓨터 저장 매체 또한 제공될 수도 있다.
본 발명의 일 측면에 따른 부동산 시세 추정 시스템은 평가대상 부동산을 기준으로 소정 영역내에 위치하는 실거래 부동산의 실거래가 및 부동산 속성 정보를 획득하는 실거래 부동산 정보 획득부; 획득된 실거래 부동산의 실거래가 및 부동산 속성 정보를 이용하여 거래가 추정 학습 모델을 생성하는 학습 모델 생성부; 및 상기 평가대상 부동산의 부동산 속성 정보를 상기 거래가 추정 학습 모델에 적용하여 상기 평가대상 부동산의 시세를 추정하는 시세 추정부를 포함하며, 상기 거래가 추정 학습 모델 생성부는, 상기 실거래 부동산 중 소정 거리 내의 실거래 부동산에 대하여 실거래 부동산 쌍을 생성하는 실거래 부동산 쌍 생성부; 각 실거래 부동산 쌍에 대하여, 거래가 비율을 계산하는 거래가 비율 계산부; 및 상기 거래가 비율 및 상기 실거래 부동산 쌍의 부동산 속성 정보를 기초로, 부동산 속성 가중치를 포함하는 거래가 추정 학습 모델을 생성하는 모델링부를 포함할 수도 있다. 여기서, 상기 부동산 속성 가중치는 상기 부동산 속성 정보가 상기 거래가 비율 형성에 미치는 영향을 나타낼 수 있다.
일 실시예에서, 거래사례 후보 부동산 및 평가대상 부동산의 부동산 속성 정보의 유사 정도를 계산하고, 상기 유사 정도에 상기 부동산 속성 가중치를 적용하여 상기 평가대상 부동산과 거래사례 후보 부동산 간의 유사도 점수를 계산하는 후보 부동산 분석부; 및 소정 범위 내 유사도 점수를 갖는 거래사례 후보 부동산 중 적어도 하나를 거래사례 부동산으로 결정하는 거래사례 결정부를 더 포함할 수도 있다. 여기서, 상기 거래사례 후보 부동산은 상기 평가대상 부동산을 기준으로 소정 거리내 위치할 수 있다.
일 실시예에서, 상기 유사도 점수는 아래의 수학식과 같이 표현될 수 있다.
여기서, n은 부동산 속성 정보의 수, βi는 상기 거래가 추정 학습 모델에 포함된, 해당 부동산 속성에 대한 i번째 부동산 속성 가중치, Di는 상기 평가대상 부동산의 i번째 부동산 속성에 대한 값과 상기 거래사례 후보 부동산의 i번째 부동산 속성에 대한 값의 차이를 나타낼 수도 있다.
일 실시예에서, 상기 부동산 속성 정보는 층(floor), 건물구조, 엘리베이터 유무, 전용면적, 대지권면적, 개별공시지가 및 사용승인일자 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 상기 유사도 점수는 아래의 수학식과 같이 표현될 수 있다.
여기서, n은 부동산 속성 정보의 수, βi는 상기 거래가 추정 학습 모델에 포함된, 해당 부동산 속성에 대한 i번째 부동산 속성 가중치, Di는 상기 평가대상 부동산의 i번째 부동산 속성에 대한 값과 상기 거래사례 후보 부동산의 i번째 부동산 속성에 대한 값의 차이, dist는 상기 평가대상 부동산과 거래사례 후보 부동산 간의 거리를 각각 나타내고, wd는 거리 가중치로서, 상기 평가대상 부동산과 거래사례 후보 부동산 간의 거리가 상기 유사도 점수에 반영되는 비중을 나타내며, 상기 평가대상 부동산과 거래사례 후보 부동산 간의 거리는 상기 소정 거리 이하일 수 있다.
일 실시예에서, 상기 유사도 점수의 소정 범위는 상기 평가대상 부동산을 기준으로 하는 소정 영역의 크기에 따라 설정될 수 있다.
일 실시예에서, 상기 시세 추정부는 상기 거래사례 부동산 각각에 대한 평가 대상 부동산의 후보군 시세를 계산하고, 계산된 후보군 시세의 평균을 상기 평가 대상 부동산의 시세로 추정할 수 있다.
일 실시예에서, 상기 모델링부는 다중회귀분석, 인공 신경망, M5P(decision tree), Bayesian Network, CART 중 적어도 하나를 이용하여 상기 거래가 추정 학습 모델을 생성할 수 있다.
일 실시예에서, 상기 소정 거리 내의 실거래 부동산은 제1 실거래 부동산 쌍에서 독립거래로 적용되고, 제2 실거래 부동산 쌍에서 종속거래로 적용될 수 있다.
일 실시예에서, 상기 거래가 비율은 제1 실거래 부동산의 제1 실거래가를 제2 실거래 부동산의 제2 실거래가로 나눈 값에 관련될 수 있다.
본 발명의 일 측면에 따른 부동산 시세 추정 방법은 평가대상 부동산을 기준으로 소정 영역내에 위치하는 실거래 부동산의 실거래가 및 부동산 속성 정보를 획득하는 단계; 획득된 실거래 부동산의 실거래가 및 부동산 속성 정보를 이용하여 거래가 추정 학습 모델을 생성하는 단계; 및 상기 평가대상 부동산의 부동산 속성 정보를 상기 거래가 추정 학습 모델에 적용하여 상기 평가대상 부동산의 시세를 추정하는 단계를 포함하며, 상기 거래가 추정 학습 모델을 생성하는 단계는 상기 실거래 부동산 중 소정 거리 내의 실거래 부동산에 대하여 실거래 부동산 쌍을 생성하는 단계; 각 실거래 부동산 쌍에 대하여, 거래가 비율을 계산하는 단계; 및 상기 거래가 비율 및 상기 실거래 부동산 쌍의 부동산 속성 정보를 기초로, 부동산 속성 가중치를 포함하는 거래가 추정 학습 모델을 생성하는 단계를 포함할 수 있다. 여기서, 상기 부동산 속성 가중치는 상기 부동산 속성 정보가 상기 거래가 비율 형성에 미치는 영향을 나타낼 수 있다.
일 실시예에서, 거래사례 후보 부동산 및 평가대상 부동산의 부동산 속성 정보의 유사 정도를 계산하고, 상기 유사 정도에 상기 부동산 속성 가중치를 적용하여 상기 평가대상 부동산과 거래사례 후보 부동산 간의 유사도 점수를 계산하는 단계; 및 소정 범위 내 유사도 점수를 갖는 거래사례 후보 부동산 중 적어도 하나를 거래사례 부동산으로 결정하는 단계를 더 포함할 수 있다. 여기서, 상기 거래사례 후보 부동산은 상기 평가대상 부동산을 기준으로 소정 거리내 위치하는 실거래 부동산일 수 있다.
일 실시예에서, 상기 유사도 점수는 아래의 수학식과 같이 표현될 수 있다.
여기서, n은 부동산 속성 정보의 수, βi는 상기 거래가 추정 학습 모델에 포함된, 해당 부동산 속성에 대한 i번째 부동산 속성 가중치, Di는 상기 평가대상 부동산의 i번째 부동산 속성에 대한 값과 상기 거래사례 후보 부동산의 i번째 부동산 속성에 대한 값의 차이를 나타낼 수 있다.
일 실시예에서, 상기 부동산 속성 정보는 층(floor), 건물구조, 엘리베이터 유무, 전용면적, 대지권면적, 개별공시지가 및 사용승인일자 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 상기 유사도 점수는 아래의 수학식과 같이 표현될 수 있다.
여기서, n은 부동산 속성 정보의 수, βi는 상기 거래가 추정 학습 모델에 포함된, 해당 부동산 속성에 대한 i번째 부동산 속성 가중치, Di는 상기 평가대상 부동산의 i번째 부동산 속성에 대한 값과 상기 거래사례 후보 부동산의 i번째 부동산 속성에 대한 값의 차이, dist는 상기 평가대상 부동산과 거래사례 후보 부동산 간의 거리를 나타내고, wd는 거리 가중치로서, 상기 dist 값이 상기 유사도 점수에 반영되는 비중을 나타내며, 상기 평가대상 부동산과 거래사례 후보 부동산 간의 거리는 상기 소정 거리 이하일 수 있다.
일 실시예에서, 상기 유사도 점수의 소정 범위는 상기 평가대상 부동산을 기준으로 하는 소정 영역의 크기에 따라 설정될 수 있다.
일 실시예에서, 상기 평가대상 부동산의 시세를 추정하는 단계는 상기 거래사례 부동산 각각에 대한 평가 대상 부동산의 후보군 시세를 계산하고, 계산된 후보군 시세의 평균을 상기 평가 대상 부동산의 시세로 추정할 수 있다.
일 실시예에서, 상기 소정 거리 내의 실거래 부동산은 제1 실거래 부동산 쌍에서 독립거래로 적용되고, 제2 실거래 부동산 쌍에서 종속거래로 적용될 수 있다.
일 실시예에서, 상기 모델링 단계는 다중회귀분석, 인공 신경망, M5P(decision tree), Bayesian Network, CART 중 적어도 하나를 이용하여 상기 거래가 추정 학습 모델을 생성할 수 있다.
일 실시예에서, 상기 거래가 비율은 제1 실거래 부동산의 제1 실거래가를 제2 실거래 부동산의 제2 실거래가로 나눈 값에 관련될 수 있다.
실시예들 중 어느 하나에 따른 부동산 시세 추정 방법을 실행하기 위한 컴퓨터 프로그램이 컴퓨터 판독가능 매체에 기록될 수 있다.
본 발명의 일 실시예에 따르면, 평가대상 부동산 주변의 실거래 부동산의 건축물 관련 정보 및 실거래가 등의 빅데이터를 학습하여 학습 모델을 생성하고, 이를 이용함으로써 정확한 부동산 시세 예측이 가능하며, 특히 유사도 점수를 기초로 유사도 점수에 기초하여 결정된 거래사례 부동산을 이용함으로써 시세 추정의 정확도를 더욱 향상할 수 있다.
또한, 본 발명의 일 실시예에 따르면, 부동산 속성이 실거래가 형성에 영향을 미치는 부동산 속성 가중치를 객관적으로 계산한다. 이로 인해, 그 동안 피상적으로 측정되던 거래사례 부동산을 유사도 점수라는 객관적인 수치를 통해 결정할 수 있다.
또한, 본 발명의 일 실시예에 다르면, 표면적인 속성들, 예를 들어 실거래 부동산의 전용면적, 사용년수, 대지지분 등뿐만 아니라, 승강기 유무, 근린시설 유무 등과 같은 사용자 편의 측면의 부동산 속성을 더 고려할 수 있는 장점이 있다.
본 발명의 부동산 시세 추정 시스템은 예컨대 다세대 주택이나 빌라 등과 같이 정형화되지 않은 주택형태에 대하여 시세를 추정하는데 특히 적합하게 이용될 수 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은, 본 발명의 일 실시예에 따른, 부동산 시세 추정 시스템의 블록도이다.
도 2는, 본 발명의 일 실시예에 따른, 평가대상 부동산의 시세를 추정하는 방법을 설명하기 위해 간략화된 지도를 도시한 도면이다.
도 3은, 본 발명의 일 실시예에 따른, 학습 모델 생성부(200)의 블록도이다.
도 4는, 본 발명의 일 실시예에 따른, 평가대상 부동산 및 실거래 부동산의 부동산 속성 정보에 기초하여, 평가대상 부동산과 실거래 부동산 간의 유사도 점수를 계산한 표를 도시한 도면이다.
도 5는, 본 발명의 일 실시예에 따른, 부동산 시세 추정 방법의 흐름도이다.
상기 도면들은 단지 도시(illustration)의 목적을 위해서 본 발명의 다양한 실시예들을 묘사한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다. 통상의 기술자는 본 명세서에 설명된 구조 및 방법의 대안적인 실시예가 본 명세서에 설명된 발명의 원리를 벗어나지 않고 사용될 수도 있다는 것을 다음의 설명으로부터 용이하게 인식할 수 있을 것이다.
도 2는, 본 발명의 일 실시예에 따른, 평가대상 부동산의 시세를 추정하는 방법을 설명하기 위해 간략화된 지도를 도시한 도면이다.
도 3은, 본 발명의 일 실시예에 따른, 학습 모델 생성부(200)의 블록도이다.
도 4는, 본 발명의 일 실시예에 따른, 평가대상 부동산 및 실거래 부동산의 부동산 속성 정보에 기초하여, 평가대상 부동산과 실거래 부동산 간의 유사도 점수를 계산한 표를 도시한 도면이다.
도 5는, 본 발명의 일 실시예에 따른, 부동산 시세 추정 방법의 흐름도이다.
상기 도면들은 단지 도시(illustration)의 목적을 위해서 본 발명의 다양한 실시예들을 묘사한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다. 통상의 기술자는 본 명세서에 설명된 구조 및 방법의 대안적인 실시예가 본 명세서에 설명된 발명의 원리를 벗어나지 않고 사용될 수도 있다는 것을 다음의 설명으로부터 용이하게 인식할 수 있을 것이다.
실시예들은 여기에 첨부된 도면들을 참조하여 설명될 것이다 그러나, 여기에 개시된 원리들은 많은 상이한 형태로 구현될 수도 있으며 여기에서 기재된 실시예로 제한되어 생각되지 않아야 한다. 발명의 상세한 설명에서, 잘 알려진 특징 및 기술에 대한 상세한 설명이 실시예의 특징을 불필요하게 불명확하게 하는 것을 피하기 위해 생략될 수도 있다.
본 명세서에서 "부(unit)", "모듈(module)", "장치" 또는 "시스템" 등은 하드웨어, 하드웨어와 소프트웨어의 조합, 또는 소프트웨어 등 컴퓨터 관련 엔티티(entity)를 지칭한다. 예를 들어, 본 명세서에서 부, 모듈, 장치 또는 시스템 등은 실행중인 프로세스, 프로세서, 객체(object), 실행 파일(executable), 실행 스레드(thread of execution), 프로그램(program), 및/또는 컴퓨터(computer)일 수 있으나, 이에 제한되는 것은 아니다. 예를 들어, 컴퓨터에서 실행중인 애플리케이션(application) 및 컴퓨터의 양쪽이 모두 본 명세서의 부, 모듈, 장치 또는 시스템 등에 해당할 수 있다.
본 명세서에서, 빅데이터는 대량의 정형, 비정형 또는 반정형 데이터의 집합을 의미하는 것으로서, 부동산 속성 정보, 실거래가 정보 등을 포함할 수 있다. 여기서, 정형 데이터는 고정된 필드에 저장된 데이터로서, 예컨대, 관계형 데이터베이스, 스프레드쉬트 등이 있다. 또한, 비정형 데이터는 고정된 필드에 저장되어 있지 않는 데이터로서, 예컨대, 텍스트 문서, 이미지, 동영상, 음성 데이터 등이 있다. 또한, 반정형 데이터는 고정된 필드에 저장되어 있지 않지만 메타데이터나 스키마를 포함하는 데이터로서, 예컨대, XML, HTML, 텍스트 등이 있다.
이하, 도면들을 참조하여 본 발명의 실시예들을 보다 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 객관적인 거래사례 부동산을 이용한 부동산 시세 추정 시스템(또는 장치)의 블록도이다. 도 1을 참조하면 객관적인 거래사례 부동산을 이용한 부동산 시세 추정 시스템(1000)은 실거래 부동산 정보 획득부(100), 학습 모델 생성부(200), 후보 부동산 분석부(250), 거래사례 결정부(270) 및 시세 추정부(300)를 포함할 수 있다. 다른 일 실시예에서, 상기 시스템(1000)은 사용자 인터페이스 제공부(500)를 더 포함할 수도 있다.
상기 시스템(1000)은 사용자에 의해 선택된 평가대상 부동산의 주변 실거래 부동산의 실거래가 및 부동산 속성 정보를 이용하여 평가대상 부동산에 대한 시세를 추정할 수 있다. 이를 위해서 상기 시스템(1000)은 주기적으로 공시되는 부동산 속성 정보 및 실거래 정보를 획득하여 저장할 수 있다.
예컨대 실거래 정보는 거래 등록 후 익일에 10일 단위로 분류하여 개시되므로 해당 월의 시세 분석을 위해서는 해당 월 1일~10일까지의 거래정보만을 이용할 수도 있다.
본 발명의 상기 시스템(1000)은 상기 부동산 시세 추정 방법을 수행하기 위한 소프트웨어(애플리케이션)가 설치되어 실행될 수 있으며, 상기 후보 부동산 분석부(250) 등의 구성은 상기 시스템(1000)에서 실행되는 상기 부동산 시세 추정 방법을 수행하기 위한 소프트웨어에 의해 제어될 수 있다.
상기 실거래 부동산(210) 등의 구성은 통합 모듈로 형성되거나, 하나 이상의 모듈로 이루어 질 수 있다. 그러나, 이와 반대로 각 구성은 별도의 모듈로 이루어질 수도 있다.
상기 시스템(1000)은 운영체제(Operation System; OS), 즉 시스템을 기반으로 다양한 소프트웨어를 실행하거나 제작할 수 있다. 상기 운영체제는 소프트웨어가 장치의 하드웨어를 사용할 수 있도록 하기 위한 시스템 프로그램으로서, 안드로이드 OS, iOS, 윈도우 모바일 OS, 바다 OS, 심비안 OS, 블랙베리 OS 등 모바일 컴퓨터 운영체제 및 윈도우 계열, 리눅스 계열, 유닉스 계열, MAC, AIX, HP-UX 등 컴퓨터 운영체제를 모두 포함할 수 있다.
상기 시스템(1000)은 미리 구축된 데이터베이스(400)를 이용할 수 있다. 상기 데이터베이스(400)는 실거래가 정보, 부동산 속성 정보를 포함하는 부동산 정보를 저장한다. 본 명세서에서 부동산 속성 정보는 전용면적, 대지권면적 등을 포함하는 건축물 대장, 토지대장, 토지이용 계획확인원, (토지, 단독주택, 다중주택, 다가구 주택, 다세대 주택, 아파트, 연립 주택 등의) 공시가격, 거래년도, 건축년도 등을 포함할 수 있으나, 이에 제한되는 것은 아니다. 부동산 속성 정보는 실거래가 정보를 포함하지 않는다.
또한, 데이터베이스(400)는 거시경제의 다양한 변수들, 예를 들어 기준 금리, 물가지수, 취득세, 인지세, 종합부동산세와 같은 부동산 관련 세금 또는 LTV, DTI와 같은 부동산 대출 규제 및 2003년 5월 23일 대책 또는 2003년 10월 29일 대책 같은 부동산 정책과 같은 정부의 부동산에 대한 행동 등과 같은 시장 상황에 따라 적합한 정보를 더 포함할 수 있다. 또한, 사용 환경에 따라 정보를 업데이트 할 수 있다.
일 실시예에서, 상기 시스템(1000)은 내부에 부동산 데이터베이스(400)를 더 포함할 수도 있다. 상기 실시예와 같이 상기 시스템(1000)이 부동산 데이터베이스(400)를 더 포함하는 경우, 저장되는 데이터베이스 정보는 외부 데이터베이스로부터 업데이트될 수도 있고, 사용자의 입력으로부터 업데이트될 수도 있다.
다른 실시예에서, 상기 시스템(1000)은 클라우드 서버와 같은 외부 데이터베이스 정보를 이용할 수 있는 컴퓨팅 장치일 수도 있다. 이 경우, 상기 시스템(1000)은 사용자의 요구에 따라 외부의 부동산 데이터베이스(400)에 접속하여 데이터 통신을 할 수 있는 모든 종류의 단말일 수도 있다. 예컨데, 상기 장치(10)는 데이터망(예; 인터넷)에 무선 접속하는 무선단말(예; 핸드폰, PDA(Personal Digital Assistant), 노트북, PMP(Portable Multimedia Player) 등) 또는, 데이터망에 유선 접속하는 유선단말(예: PC, 노트북 등)일 수도 있다.
상기 시스템(1000)이 본 명세서에 서술되지 않은 다른 구성요소를 포함할 수도 있다는 것이 당업자에게 명백할 것이다. 또한, 상기 시스템(1000)은, 네트워크 인터페이스 및 프로토콜, 및 데이터 엔트리를 위한 입력 장치를 포함하는, 본 명세서에 서술된 동작에 필요한 다른 하드웨어 요소를 포함할 수도 있다.
도 2는 본 발명의 일 실시예에 따라 평가대상 부동산의 시세를 추정하는 방법을 설명하기 위한 간략화된 지도이다. 도 2를 참조하면, 평가대상 부동산(A) 및 최근 소정 기간(예컨대 1년, 3개월 등) 동안 실거래가 이루어진 실거래 부동산(B1-B6)이 나타난다. 도시되진 않았지만 소정 기간 거래가 없던 부동산들이 평가대상 부동산과 실거래 부동산 사이에 위치할 수 있다.
실거래 부동산 정보 획득부(100)는 평가대상 부동산(A)을 기준으로 소정 영역 내에 위치하는 실거래 부동산의 실거래가 및 부동산 속성 정보를 획득할 수 있다. 위 소정 영역은 평가대상 부동산(A)를 중심으로 소정 반경(예컨대 L1)에 포함되는 영역일 수 있으나 이에 제한되지 않는다. 또한, 소정 영역은 서울시와 같은 행정 구역, 또는 사용자에 의해 지정된 영역일 수도 있다.
또한 실거래 부동산 정보 획득부(100)는 외부서버에서 주기적으로 업데이트되는 부동산 속성 정보를 크롤링하여 부동산 속성 정보 및 실거래가 정보를 획득하고, 이를 빅데이터 시스템의 데이터베이스에 저장할 수 있다.
상기 실거래 부동산 정보 획득부(100)는 실거래 부동산의 밀집도 또는 실거래 시기를 기초로, 상기 실거래 부동산 중 일부 실거래 부동산을 필터링할 수 있다. 예컨대, 도 2를 참조하면, 실거래 부동산(B6)의 거래 시기가 기준 시기보다 더 오래되었거나, 실거래 부동산(B5) 주변에 다른 실거래 부동산이 존재하지 아니하거나 기준치 이상 많이 존재하는 경우, 해당 실거래 부동산들은 제외될 수 있다.
또한 한 건물에 여러 호가 동시에 거래된 경우, 해당 호의 거래는 제외하고 실거래 부동산을 획득할 수도 있다.
본 명세서에서 설명되는 부동산 속성 정보는 건축물에 관련된 정보로서, 건축물대장, 토지대장, 토지이용 계획확인원, 공시가격(토지, 주택, 공동주택) 정보 등 중 적어도 하나를 포함할 수 있으나 이에 제한되는 것은 아니다. 건축물 관련 정보는 실 거래가 정보를 포함하지 않는다.
이러한 부동산 속성 정보는 예컨대 주소, 지하여부, 층, 면적, 구조, 연면적, 용적률, 건축년, 세대수, 세대당 주차대수, 주차장 유무, 승강기 유무, 승강기대수, 사용승인일자, 부동산 유형, 근린시설 및 개별공시지가 중 적어도 하나를 포함할 수 있으나 이에 제한되는 것은 아니다.
일 예시에서, 구조는 표제부 주 구조코드가 21~49번 대이면 1이고 그 외에는 0으로 라벨링(label)될 수 있으나 이에 본 발명이 제한되는 것은 아니고, 각 구조코드에 대한 값은 다양한 변환 알고리즘에 따라서 변화될 수도 있다.
다른 일 예시에서, 부동산에 승강기가 설치되어 있으면 1, 설치되어 있지 않으면 0으로 라벨링 될 수 있으나 이에 본 발명이 제한되는 것은 아니고, 각 승강기에 대한 값은 다양한 변환 알고리즘에 따라 변화될 수도 있다.
또 다른 일 예시에서, 층이 꼭대기이면 1, 꼭대기가 아니면 0으로 라벨링 될 수 있으나 이에 본 발명이 제한되는 것은 아니고, 각 층에 대한 값은 다양한 변환 알고리즘에 따라 변화될 수도 있다.
또 다른 일 예시에서, 부동산 유형은 도시형생활주택과 같이 법률상 분류에 의해, 또는 (단독 주택, 공동 주택과 같은) 거주 유형에 의한 분류에 의해 라벨링 될 수도 있다. 예를 들어, 도시형 생활주택인 경우 1로, 아닌 경우 0으로 라벨링 될 수도 있으나, 이에 본 발명이 제한되는 것은 아니고, 각 부동산 유형에 대한 값은 다양한 변환 알고리즘에 따라 변화될 수도 있다.
다른 일 예시에서, 사용승인일자는 건축물의 건축공사를 완료하고, 그 건축물을 사용하고자 하는 경우, 허가권자(예를 들어, 관할 구청장)가 담당공무원의 확인절차 없이 공사감리자가 작성한 감리완료보고서에 의해 건축물의 사용을 승인한 날로서, 각 사용승인일자에 대한 값은 다양한 변환 알고리즘에 따라 변화될 수도 있다. 일 실시예에서, 사용승인일자에 대한 값은 는 1에 수렴하는 지수함수 형태인 표준화 알고리즘에 의해 결정될 수도 있으나, 이에 제한되지 않는다.
연면적은 표제부 전체 연면적으로 볼 수 있고, 건축년은 현재날짜에서 표제부 사용 승인일을 뺀 날로 볼 수 있다. 세대수는 표제부 표시에 따를 수 있다. 또한 개별 공시지가는 가장 최근 것을 이용할 수 있다. 여기서 '표제부'는 건축물 대장의 표제부를 의미할 수 있다.
학습 모델 생성부(200)는 획득된 실거래 부동산의 실거래가 및 부동산 속성 정보를 이용하여 거래가 추정 학습 모델을 생성한다. 거래가 추정 학습 모델은 부동산 속성 가중치를 포함하므로, 각 실거래 부동산에 대한 부동산 속성 가중치를 거래가 추정 학습모델로부터 산출할 수 있다. 이에 대해서는 아래에서 상세하게 설명된다.
또한, 학습 모델 생성부(200)는 기계학습법을 통해 상기 거래가 추정 학습 모델을 생성할 수 있으며, 상기 기계학습법은 다중회귀분석, 인공 신경망, M5P(decision tree), Bayesian Network, CART 중 적어도 하나를 포함할 수 있으나 이에 본 발명이 제한되는 것은 아니다.
도 3은 본 발명의 일 실시예에 따른 학습 모델 생성부(200)의 블록도이다. 도 3을 참조하면 학습 모델 생성부(200)는 실거래 부동산 쌍 생성부(210), 거래가 비율 계산부(220) 및 모델링부(230)를 포함할 수 있다.
실거래 부동산 쌍 생성부(210)는 실거래 부동산 중 소정 거리내의 실거래 부동산에 대하여 실거래 부동산 쌍을 생성할 수 있다. 도 2를 참조하면, 실거래 부동산 쌍 생성부(210)는 실거래 부동산(B1)과 실거래 부동산(B2)로 B1-B2 쌍을 생성할 수 있다. 이와 같은 방식으로, B1-B3, B1-B4...이 생성될 수 있다. 또한 B1-B2 쌍을 예로 들면, 앞에 기재된 B1은 종속거래로 보고, 뒤에 기재된 B2는 독립거래로 볼 수 있다. 따라서 B1-B2 쌍과 B2-B1쌍이 각각 생성될 수 있다.
거래가 비율 계산부(220)는 각 실거래 부동산 쌍에 대하여 거래가 비율을 계산할 수 있다. 거래가 비율은 제1 실거래 부동산의 제1 실거래가를 제2 실거래 부동산의 제2 실거래가로 나눈 값에 관련될 수 있다. 예컨대, B1의 실거래가가 120만원이고, B2의 실거래가가 100만원인 경우, B1-B2 쌍의 거래가 비율은 1.20이 될 수 있다.
모델링부(230)는 상기 실거래 부동산 쌍의 거래가 비율 및 상기 실거래 부동산 쌍의 부동산 속성 정보를 기초로, 부동산 속성 가중치를 포함하는 상기 거래가 추정 학습 모델을 생성할 수 있다. 예컨대 모델링부(230)는 기계 학습 시 다중회귀분석, 인공 신경망, M5P(decision tree), Bayesian Network, CART(Classification And Regression Tree) 중 적어도 하나를 이용하여 상기 거래가 추정 학습 모델을 생성할 수 있으나 이에 제한되지 않으며 다양한 기계 학습법을 적용할 수 있다.
일 실시예에서, 모델링부(230)는 생성된 실거래 부동산 쌍에 대하여, 난수를 발생시키고, 분류(sorting)하여, 기계 학습을 위한 학습 데이터군 및 검증 데이터군으로 그루핑(grouping)할 수도 있다.
일 실시예에서 모델링부(230)는 아래 [수학식 1]을 이용하여 거래가 비율을 정의할 수 있지만, 이에 제한되는 것이 아니다. 예컨대, 전세, 월세 등 부동산에 따라 [수학식 1]을 변형하여 사용할 수 있다.
[수학식 1]
Y (거래가비율) =β1 * X1(B1의 층)
+ β2 * X2(B1의 구조)
+ β3 * X3(B1의 전용면적)
+ β4 * X4(B1의 사용승인일자)
+ β5 * X5(B1의 개별공시지가)
+ β6 * X6(B1의 대지권면적)
+ β7 * X7(B1의 승강기 유무)
+ β8 * X8(B1의 도시형생활주택 여부)
+ β9 * X9(B1의 근린시설 유무)
+ …
-{+ β10 * X10(B2의 층)
+ β11 * X11(B2의 구조)
+ β12 * X12(B2의 전용면적)
+ β13 * X13(B2의 사용승인일자)
+ β14 * X14(B2의 개별공시지가)
+ β15 * X15(B2의 대지권면적)
+ β16 * X16(B2의 승강기 유무)
+ β17 * X17(B2의 도시형생활주택 여부)
+ β18 * X18(B2의 근린시설 유무)
…}
+ ε
여기서, Y는 종속변수, XN는 독립변수(N은 정수), βN 부동산 속성 가중치(N은 정수), ε는 오차항이고, ()는 기준 거래와 종속 거래의 부동산 속성을 나타낸다. 상기 부동산 속성 가중치는 부동산 속성 가중치는 부동산 속성 정보와 실거래가 사이의 관련성을 나타낸다.
일 실시예에서, 상기 거래가 추정 학습 모델이 회귀 분석 방법에 의해 생성된 경우, 회귀 계수에 대응된다. 이 경우, 부동산 속성 가중치는 부동산 속성 정보(에 포함된 부동산 속성)이 실거래가 형성에 미치는 영향의 정도를 나타낸다. N은 반영하고자 하는 속성에 따라 달라질 수 있다.
예컨대, [수학식 1]에서는 층, 면적, 근린시설 유무 등이 표현되었으나, 다른 실시예에서는 지하여부, 연면적, 용적률, 건축년, 세대수, 주차대수, 승강기대수와 같은 다른 건축물 대장상의 정보, 토지 대장 상의 정보 등 부동산 속성 정보들이 추가되거나 대체될 수 있다. 또는 거래가 비율을 정의하는 수학식은 [수학식 1]에 포함된 부동산 속성보다 적은 속성을 포함할 수도 있다. 일부 실시예에서, [수학식 1]에 포함된 부동산 속성은 유사도 점수를 계산하기 위한 아래의 [수학식 2]에 포함된 부동산 속성에 대응하거나, 또는 보다 많을 수도 있다.
또한 다른 일 실시예에서 모델링부(230)는 거래가 비율을 계산함에 있어서, 각 거래(예컨대 거래 A, 거래 B)의 개별 부동산 속성인 층(a1, b1), 구조(a2, b2), 전용면적(a3, b3), 사용승인일자(a4, b4), 개별공시지가(a5, b5)... 등을 확보한다. 그 후 독립변수를 (a1-b1), (a2-b2), (a3-b3) 등으로 설정하고, 종속변수는 (A거래가 / B거래가) - 1 로 설정할 수 있다. 여기서 오차항(ε)을 0으로 하여 분석함으로써 개별 부동산 속성 차이로 인한 보정 비율만을 반영할 수도 있다.
후보 부동산 분석부(250)는 거래사례 후보 부동산 및 평가대상 부동산의 부동산 속성 정보의 유사 정도를 계산하고, 상기 유사 정도에 상기 부동산 속성 가중치를 적용하여 상기 평가대상 부동산과 거래사례 후보 부동산 간의 유사도 점수를 계산한다. 거래사례 후보 부동산은 상기 평가대상 부동산을 기준으로 소정 거리내 위치하는 실거래 부동산을 나타낸다. 일 예에서, 거래사례 후보 부동산은 평가대상 부동산으로부터 300미터 반경의 실거래 부동산을 나타낸다. 부동산 속성 정보의 유사 정도는 평가대상 부동산 및 거래사례 후보 부동산의 부동산 속성 정보에 기초한다. 일 실시예에서, 후보 부동산 분석부(250)는 아래의 [수학식 2]를 통해 계산된 값을 평가대상 부동산과 소정 거리 내 실거래 부동산 간의 유사도 점수로 계산한다. 본 명세서에서, [수학식 2]에 의해 계산된 유사도 점수는 제1 점수로 지칭된다.
[수학식 2]
n은 유사도 점수를 계산하기 위해 사용된 부동산 속성의 개수, βi는 상기 거래가 추정 학습 모델에서 산출된, 해당 부동산 속성에 대한 i번째 부동산 속성 가중치, Di는 상기 평가대상 부동산의 i번째 부동산 속성에 대한 값과 상기 거래사례 후보 부동산의 i번째 부동산 속성의 유사 정도를 나타낸다. 부동산 속성의 유사 정도는 유클리디안 거리(Euclidean distance), 코사인 거리(Cosine distance) 및 마할라노비스 거리(Mahalanobis distance) 알고리즘과 같은 다양한 측정 알고리즘을 통해 계산된다. Di의 값은 유사 정도를 측정하는 알고리즘에 따라 의미하는 바가 상이할 수 있다.
일 실시예에서, 유클리디안 거리 알고리즘에 의해 속성의 유사 정도를 나타내는 경우, Di=(x1i-x2i)로 계산된다. x1i는 평가대상 부동산의 i번째 부동산 속성에 대한 값, x2i는 거래사례 후보 부동산의 i번째 부동산 속성에 대한 값을 나타낸다. 이 경우, Di의 값이 작을수록 부동산의 속성이 유사하다고 판단된다.
일부 실시예에서, 코사인 거리 알고리즘에 의해 속성의 유사 정도를 나타내는 경우, Di 값이 클수록 부동산의 속성이 유사하다고 판단된다.
제1 점수는 절대값에 의해 속성 차이가 어떤 부동산을 기준으로 하여 차이가 나는 것이 아니라, 단순히 두 부동산 간의 속성 차이가 큰지, 적은지를 나타낼 수 있다.
도 4는, 본 발명의 일 실시예에 따른, 평가대상 부동산 및 실거래 부동산의 부동산 속성 정보에 기초하여, 평가대상 부동산과 실거래 부동산 간의 유사도 점수를 계산한 표를 도시한 도면이다.
일 실시예에서, 유사도 점수는 층(floor), 건물구조, 승강기 유무, 전용면적, 대지권면적, 개별공시지가 및 사용승인일자 중 적어도 하나에 기초하여 계산된다. 도 4에서, 속성 1은 층, 속성 2는 건물구조, 속성 3은 전용면적, 속성 4는 사용승인일자, 속성 5는 개별공시지가*대지권면적, 속성 6은 승강기 유무, 속성 7은 도시형생활주택 여부, 속성 8은 근린시설 유무를 나타내며, 각 속성에 대한 값들이 열(column)에 나타난다.
상기 [수학식 2]를 이용하면, 평가대상 부동산을 기준으로 소정 거리 내 위치하는 4개의 실거래 부동산(즉, 4개의 거래사례 후보 부동산)에 대한 유사도 점수는 도 4의 제1 점수 값으로 각각 계산된다.
n은 상기 거래가 추정 학습 모델을 생성하기 위해 이용된 부동산 속성 개수와 동일할 수도 있다. 일부 실시예에서, n은 상기 거래가 추정 학습 모델을 생성하기 위해 이용된 부동산 속성 개수보다 작을 수 있다. 이 경우, 상기 거래가 추정 학습 모델을 생성하기 위해 이용된 부동산 속성 중 일부가 유사도 점수를 계산하는데 사용된다.
일 실시예에서, 후보 부동산 분석부(250)는 평가대상 부동산과 거래사례 후보 부동산 간의 거리에 더 기초하여 유사도 점수를 산출할 수도 있다. 제1 점수 값으로 유사도 점수를 계산하는 경우, 평가대상 부동산으로부터 10미터 떨어진 거래사례 후보 부동산과 250미터 떨어진 거래사례 후보 부동산의 유사도가 같다고 판단된다. 실제 부동산 시장에서 거리 요소가 실거래가 형성에 영향을 미치기 때문에, 후보 부동산 분석부(250)는 제1 점수 값에 거리 속성을 더 반영한 아래의 [수학식 3]을 통해 계산된 값(이하, 제2 점수)을 유사도 점수로 계산할 수도 있다.
[수학식 3]
제2 점수 = 제1 점수*(1+dist*wd)
dist는 평가대상 부동산과 거래사례 후보 부동산 간의 거리를 나타내며, wd는 거리 가중치로서, 평가대상 부동산과 거래사례 후보 부동산 간의 거리가 상기 유사도 점수에 반영되는 비중(즉, 거리 속성이 유사도를 판단하는데 미치는 영향)을 나타낸다. wd값이 지나치게 클 경우, 아래의 거래사례 결정부(270)가 거래사례 부동산을 결정할 때 부동산 속성 정보에 포함된 부동산 속성이 거의 고려되지 않을 수도 있다. 반대로, wd값이 작은 경우, 아래의 거래사례 결정부(270)가 거래사례 부동산을 결정할 때 거리 속성이 거의 고려되지 않을 수도 있다. 이 점에 기초하여, wd 값이 결정될 수 있다. 예를 들어, wd 값은 0.001로 설정될 수도 있다.
일 실시예에서, 후보 부동산 분석부(250)는 일반적으로 소수점으로 도출되는 제2 점수 값을 사용자의 편의를 도모하기 위해 0~100 사이로 변환된 값을 유사도 점수로 계산할 수도 있다. 상기 실시예에서, 후보 부동산 분석부(250)는 아래의 [수학식 4]를 통해 계산된 값(이하, “제3 점수”)을 유사도 점수로 계산할 수도 있다.
[수학식 4]
제3 점수 = 100-(제2 점수*10)
도 4에 도시된 바와 같이, 유사도 점수가 0~100 사이의 값으로 계산되므로, 실거래 부동산 분석 결과를 보다 사용자 편의성이 있게 제공할 수 있다.
거래사례 결정부(270)는 소정 범위 내 유사도 점수를 갖는 거래사례 후보 부동산 중 적어도 하나를 거래사례 부동산으로 결정한다.
거래사례 결정부(270)는 유사도 점수에 기초하여 평가대상 부동산과 유사한 거래사례 후보 부동산을 거래사례 부동산으로 결정한다. 평가대상 부동산과 거래사례 후보 부동산이 유사한지 판단하는 것은, (제2 점수, 제3 점수와 같은) 유사도 점수의 유형에 따라 상이할 수도 있다.
일 예에서, 후보 부동산 분석부(250)가 제1 점수 또는 제2 점수를 유사도 점수로 계산하는 경우, 거래사례 결정부(270)는 유사도 점수가 낮은 거래사례 후보 부동산을 평가대상 부동산과 유사하다고 판단한다. 도 4를 참조하면, 후보 부동산 분석부(250)가 제1 점수를 유사도 점수로 계산하는 경우, 거래사례 결정부(270)는 제2 실거래 부동산이 제3 실거래 부동산보다 평가대상 부동산에 유사하다고 판단한다. 반면, 후보 부동산 분석부(250)가 제2 점수를 유사도 점수로 계산하는 경우, 거래사례 결정부(270)는 제3 실거래 부동산이 제2 실거래 부동산보다 평가대상 부동산에 유사하다고 판단한다.
한편, 다른 일 예에서, 후보 부동산 분석부(250)가 제3 점수를 유사도 점수로 계산하는 경우, 거래사례 결정부(270)는 유사도 점수가 높은 거래사례 후보 부동산을 평가대상 부동산과 유사하다고 판단한다. 도 4를 참조하면, 후보 부동산 분석부(250)가 제3 점수를 유사도 점수로 계산하는 경우, 거래사례 결정부(270)는 제4 실거래 부동산이 제1 실거래 부동산보다 평가대상 부동산에 유사하다고 판단한다.
일 실시예에서, 거래사례 결정부(270)는 거래사례 후보 부동산 중 적어도 하나를 거래사례 부동산으로 결정한다. 소정 범위는 소정 영역의 크기에 따라 설정될 수도 있다. 예를 들어, 서울시인 경우와 인천시인 경우 소정 범위는 상이할 수도 있다. 또한, 위에서 서술한 바와 같이, 유사도 점수의 유형에 따라 평가대상 부동산과 거래사례 후보 부동산이 유사한지 판단하는 것이 상이하므로, 상기 소정 범위는 유사도 점수의 유형에 따라 상이할 수도 있다. 일 예시에서, 소정 영역이 서울시이고, 후보 부동산 분석부(250)가 제2 점수를 유사도 점수로 계산하는 경우, 소정 범위는 0이상 1이하일 수도 있다. 다른 일 예시에서, 소정 영역이 서울시이고, 후보 부동산 분석부(250)가 제3 점수를 유사도 점수로 계산하는 경우, 소정 범위는 90이상 100이하일 수도 있다.
일부 실시예에서, 거래사례 결정부(270)는 평가대상 부동산에 가장 유사하다고 판단된 거래사례 후보 부동산을 거래사례 부동산으로 결정할 수도 있다. 또 다른 일부 실시예에서, 거래사례 결정부(270)는 소정 범위 내의 유사도 점수를 가지며, 상위권의 유사도 점수(즉, 평가대상 부동산에 보다 유사하다고 판단되는)를 갖는 일부 거래사례 후보 부동산을 거래사례 부동산으로 결정할 수도 있다.
시세 추정부(300)는 거래사례 부동산 및 평가대상 부동산의 부동산 속성 정보를 상기 거래가 추정 학습 모델에 적용하여 평가대상 부동산의 시세를 추정한다. 도 2를 참조하면, 거래사례 결정부(270)가 상기 거래가 추정 학습 모델 생성에 연관된 B1~B3 중 B1과 B2를 거래사례 부동산이라고 결정하는 경우, 시세 추정부(300)는 평가대상 부동산, B1 및 B2에 대한 부동산 속성 정보 및 실거래가를 상기 거래가 추정 학습 모델에 적용하여 평가대상 부동산의 시세를 추정할 수 있다.
시세 추정부(300)가 평가대상 부동산의 부동산 속성 정보를 상기 거래가 추정 학습 모델에 적용한 경우, 최초 출력값은 다른 실거래 부동산과의 상대적인 비율(예컨대 상술한 거래가 비율)로 표현된다. 따라서 해당 실거래 부동산의 실거래가를 위 비율에 곱하여 평가대상 부동산의 시세를 추정할 수 있다.
예컨대 20개의 실거래 부동산이 시세 추정에 이용된 경우, 20개의 후보 시세가 산출될 수 있다. 시세 추정부(300)는 복수의 후보 시세의 평균을 최종 시세로 추정할 수 있다.
사용자 인터페이스 제공부(500)는 산출된 시세 정보를 제공하는 사용자 인터페이스를 사용자에게 제공한다. 상기 사용자 인터페이스는 웹 또는 어플리케이션을 통해서 사용자에게 제공될 수 있다. 사용자 인터페이스 제공부(500)는 지도를 사용자에게 제공할 수 있다. 사용자는 지도에서 시세를 확인하고자 하는 부동산을 선택할 수 있다. 사용자에 의해 선택된 부동산에 대하여, 사용자 인터페이스부는 추정된 시세 또는 건축물 대장정보를 제공할 수 있다. 이를 위해서, 사용자 인터페이스 제공부(500)는 지도와 함께 또는 대안적으로, 건축물 대장정보 표시부 또는 세부 부동산 표시부를 제공할 수 있다.
건축물 대장정보 표시부는 선택된 부동산에 대한 용도, 면적, 구성 등의 정보를 표시할 수 있다. 세부 부동산 표시부는 선택된 부동산에 대하여 세부적인 부동산 정보(예컨대 호 수)를 표시할 수 있다. 세부 부동산 표시부는 다세대 주택의 경우 주차장 또는 각 주택의 호수의 대략적인 위치 등을 표시할 수 있다. 사용자는 필요한 호수를 선택하여 선택한 호수의 시세 추정값을 확인할 수 있다.
도 5는, 본 발명의 일 실시예에 따른, 부동산 시세 추정 방법의 흐름도이다. 상기 부동산 시세 추정 방법은 상술한 시스템(1000)의 구성요소에 의해 구현될 수도 있다.
일 실시예에서, 상기 부동산 시세 추정 방법은 평가대상 부동산을 기준으로 소정 영역내에 위치하는 실거래 부동산의 실거래가 및 부동산 속성 정보를 획득하는 단계(S100); 획득된 실거래 부동산의 실거래가 및 부동산 속성 정보를 이용하여 거래가 추정 학습 모델을 생성하는 단계(S200); 및 상기 평가대상 부동산의 부동산 속성 정보를 상기 거래가 추정 학습 모델에 적용하여 상기 평가대상 부동산의 시세를 추정하는 단계(S300)를 포함한다.
상기 거래가 추정 학습 모델일 실시예에서, 상기 거래가 추정 학습 모델을 생성하는 단계(S200)는 상기 실거래 부동산 중 소정 거리내의 실거래 부동산에 대하여 실거래 부동산 쌍을 생성하는 단계; 각 실거래 부동산 쌍에 대하여, 거래가 비율을 계산하는 단계; 및 상기 거래가 비율 및 상기 실거래 부동산 쌍의 부동산 속성 정보를 기초로, 부동산 속성 가중치를 포함하는 거 상기 거래가 추정 학습 모델을 생성하는 단계를 포함한다.
일 실시예에서, 거래가 비율은 제1 실거래 부동산의 제1 실거래가를 제2 실거래 부동산의 제2 실거래가로 나눈 값에 관련될 수 있다.
일 실시예에서, 상기 부동산 시세 추정 방법은 거래사례 후보 부동산 및 평가대상 부동산의 부동산 속성 정보의 유사 정도를 계산하고, 상기 유사 정도에 상기 부동산 속성 가중치를 적용하여 상기 평가대상 부동산과 거래사례 후보 부동산 간의 유사도 점수를 계산하는 단계(S250); 및 소정 범위 내 유사도 점수를 갖는 거래사례 후보 부동산 중 적어도 하나를 거래사례 부동산으로 결정하는 단계(S270)를 더 포함한다.
일 실시예에서, 상기 평가대상 부동산과 거래사례 후보 부동산 간의 유사도 점수를 계산하는 단계(S250)는 제1 점수 또는 제2 점수를 유사도 점수로 계산한다.
일 실시예에서, 상기 부동산 속성 정보는 층(floor), 건물구조, 엘리베이터 유무, 전용면적, 대지권면적, 개별공시지가 및 사용승인일자 중 적어도 하나를 포함한다.
일 실시예에서, 상기 유사도 점수의 소정 범위는 평가대상 부동산을 기준으로 하는 소정 영역의 크기에 따라 설정된다.
일 실시예에서, 상기 평가대상 부동산의 시세를 추정하는 단계(S300)는 상기 거래사례 부동산 각각에 대한 평가 대상 부동산의 후보군 시세를 계산하고, 계산된 후보군 시세의 평균을 상기 평가 대상 부동산의 시세로 추정하는 단계를 포함한다.
일 실시예에서, 상기 모델링 단계는 다중회귀분석, 인공 신경망, M5P(decision tree), Bayesian Network, CART 중 적어도 하나를 이용하여 상기 거래가 추정 학습 모델을 생성한다.
일 실시예에서, 상기 소정 거리 내의 실거래 부동산은 제1 실거래 부동산 쌍에서 독립거래로 적용되고, 제2 실거래 부동산 쌍에서 종속거래로 적용된다.
이와 같이 부동산 속성 정보에 기초하여 유사도 점수를 산출함으로써, 평가대상 부동산의 시세 추정시 평가사의 주관적인 요소가 개입되는 것을 방지할 수 있다. 또한, 유사도 점수는 전용면적, 사용년수, 대지지분 등과 같은 표면적인 건축물 속성 이외에도 승강기, 근린시설 등과 같은 다양한 속성들에 기초하여 산출되므로, 수요자의 개성에 따른 맞춤형 유사 평가 서비스를 제공할 수도 있다.
본 명세서에서, 데이터베이스 시스템 또는 데이터베이스 장치는 전적으로 하드웨어이거나, 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어인 측면을 가질 수 있다.
본 발명의 일 실시예에 따른 방법은 일련의 과정들을 수행하기 위한 컴퓨터 프로그램의 형태로 구현될 수도 있으며, 상기 컴퓨터 프로그램은 컴퓨터 판독가능 기록매체에 기록될 수도 있다. 실시예들에 따른 부동산 시장 군집화 방법을 구현하기 위한 프로그램이 기록되는 컴퓨터 판독가능 기록매체는 컴퓨터에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터 판독가능 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있다. 또한 컴퓨터 판독가능 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다.
이상에서 살펴본 본 발명은 도면에 도시된 실시예들을 참고로 하여 설명하였으나, 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 그러나, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.
Claims (21)
- 평가대상 부동산을 기준으로 소정 영역내에 위치하는 실거래 부동산의 실거래가 및 부동산 속성 정보를 획득하는 실거래 부동산 정보 획득부;
획득된 실거래 부동산의 실거래가 및 부동산 속성 정보를 이용하여 거래가 추정 학습 모델을 생성하는 학습 모델 생성부; 및
상기 평가대상 부동산의 부동산 속성 정보를 상기 거래가 추정 학습 모델에 적용하여 상기 평가대상 부동산의 시세를 추정하는 시세 추정부를 포함하며,
상기 거래가 추정 학습 모델 생성부는,
상기 실거래 부동산 중 소정 거리 내의 실거래 부동산에 대하여 실거래 부동산 쌍을 생성하는 실거래 부동산 쌍 생성부;
각 실거래 부동산 쌍에 대하여, 거래가 비율을 계산하는 거래가 비율 계산부; 및
상기 거래가 비율 및 상기 실거래 부동산 쌍의 부동산 속성 정보를 기초로, 부동산 속성 가중치를 포함하는 거래가 추정 학습 모델을 생성하는 모델링부를 포함하되,
상기 부동산 속성 가중치는 상기 부동산 속성 정보가 상기 거래가 비율 형성에 미치는 영향을 나타내는 부동산 시세 추정 시스템. - 제 1 항에 있어서,
거래사례 후보 부동산 및 평가대상 부동산의 부동산 속성 정보의 유사 정도를 계산하고, 상기 유사 정도에 상기 부동산 속성 가중치를 적용하여 상기 평가대상 부동산과 거래사례 후보 부동산 간의 유사도 점수를 계산하는 후보 부동산 분석부; 및
소정 범위 내 유사도 점수를 갖는 거래사례 후보 부동산 중 적어도 하나를 거래사례 부동산으로 결정하는 거래사례 결정부를 더 포함하고,
상기 거래사례 후보 부동산은 상기 평가대상 부동산을 기준으로 소정 거리내 위치하는 실거래 부동산인 부동산 시세 추정 시스템. - 제 2 항에 있어서,
상기 유사도 점수는 아래의 수학식과 같이 표현되고,
여기서, n은 부동산 속성 정보의 수, βi는 상기 거래가 추정 학습 모델에 포함된, 해당 부동산 속성에 대한 i번째 부동산 속성 가중치, Di는 상기 평가대상 부동산의 i번째 부동산 속성에 대한 값과 상기 거래사례 후보 부동산의 i번째 부동산 속성에 대한 값의 차이를 각각 나타내는 부동산 시세 추정 시스템. - 제 2 항에 있어서,
상기 부동산 속성 정보는 층(floor), 건물구조, 엘리베이터 유무, 전용면적, 대지권면적, 개별공시지가 및 사용승인일자 중 적어도 하나를 포함하는 부동산 시세 추정 시스템. - 제 2 항에 있어서,
상기 유사도 점수는 아래의 수학식과 같이 표현되고,
여기서, n은 부동산 속성 정보의 수, βi는 상기 거래가 추정 학습 모델에 포함된, 해당 부동산 속성에 대한 i번째 부동산 속성 가중치, Di는 상기 평가대상 부동산의 i번째 부동산 속성에 대한 값과 상기 거래사례 후보 부동산의 i번째 부동산 속성에 대한 값의 차이, dist는 상기 평가대상 부동산과 거래사례 후보 부동산 간의 거리를 각각 나타내고, wd는 거리 가중치로서, 상기 평가대상 부동산과 거래사례 후보 부동산 간의 거리가 상기 유사도 점수에 반영되는 비중을 나타내며,
상기 평가대상 부동산과 거래사례 후보 부동산 간의 거리는 상기 소정 거리 이하인 부동산 시세 추정 시스템. - 제 2 항에 있어서,
상기 유사도 점수의 소정 범위는 상기 평가대상 부동산을 기준으로 하는 소정 영역의 크기에 따라 설정되는 부동산 시세 추정 시스템. - 제 2 항에 있어서,
상기 시세 추정부는,
상기 거래사례 부동산 각각에 대한 평가 대상 부동산의 후보군 시세를 계산하고, 계산된 후보군 시세의 평균을 상기 평가 대상 부동산의 시세로 추정하는 부동산 시세 추정 시스템. - 제 1 항에 있어서,
상기 모델링부는 다중회귀분석, 인공 신경망, M5P(decision tree), Bayesian Network, CART 중 적어도 하나를 이용하여 상기 거래가 추정 학습 모델을 생성하는 부동산 시세 추정 시스템. - 제 1 항에 있어서,
상기 소정 거리 내의 실거래 부동산은 제1 실거래 부동산 쌍에서 독립거래로 적용되고, 제2 실거래 부동산 쌍에서 종속거래로 적용되는 부동산 시세 추정 시스템. - 제 1 항에 있어서,
상기 거래가 비율은 제1 실거래 부동산의 제1 실거래가를 제2 실거래 부동산의 제2 실거래가로 나눈 값에 관련된 부동산 시세 추정 시스템. - 부동산 시세 추정 시스템에 의해 실행되는 부동산 시세 추정 방법으로서,
상기 방법은,
평가대상 부동산을 기준으로 소정 영역내에 위치하는 실거래 부동산의 실거래가 및 부동산 속성 정보를 획득하는 단계;
획득된 실거래 부동산의 실거래가 및 부동산 속성 정보를 이용하여 거래가 추정 학습 모델을 생성하는 단계; 및
상기 평가대상 부동산의 부동산 속성 정보를 상기 거래가 추정 학습 모델에 적용하여 상기 평가대상 부동산의 시세를 추정하는 단계를 포함하며,
상기 거래가 추정 학습 모델을 생성하는 단계는,
상기 실거래 부동산 중 소정 거리 내의 실거래 부동산에 대하여 실거래 부동산 쌍을 생성하는 단계;
각 실거래 부동산 쌍에 대하여, 거래가 비율을 계산하는 단계; 및
상기 거래가 비율 및 상기 실거래 부동산 쌍의 부동산 속성 정보를 기초로, 부동산 속성 가중치를 포함하는 거래가 추정 학습 모델을 생성하는 단계를 포함하되,
상기 부동산 속성 가중치는 상기 부동산 속성 정보가 상기 거래가 비율 형성에 미치는 영향을 나타내는 부동산 시세 추정 방법. - 제 11 항에 있어서,
거래사례 후보 부동산 및 평가대상 부동산의 부동산 속성 정보의 유사 정도를 계산하고, 상기 유사 정도에 상기 부동산 속성 가중치를 적용하여 상기 평가대상 부동산과 거래사례 후보 부동산 간의 유사도 점수를 계산하는 단계; 및
소정 범위 내 유사도 점수를 갖는 거래사례 후보 부동산 중 적어도 하나를 거래사례 부동산으로 결정하는 단계를 더 포함하고,
상기 거래사례 후보 부동산은 상기 평가대상 부동산을 기준으로 소정 거리내 위치하는 실거래 부동산인 부동산 시세 추정 방법. - 제 12 항에 있어서,
상기 유사도 점수는 아래의 수학식과 같이 표현되고,
여기서, n은 부동산 속성 정보의 수, βi는 상기 거래가 추정 학습 모델에 포함된, 해당 부동산 속성에 대한 i번째 부동산 속성 가중치, Di는 상기 평가대상 부동산의 i번째 부동산 속성에 대한 값과 상기 거래사례 후보 부동산의 i번째 부동산 속성에 대한 값의 차이를 각각 나타내는 부동산 시세 추정 방법. - 제 12 항에 있어서,
상기 부동산 속성 정보는 층(floor), 건물구조, 엘리베이터 유무, 전용면적, 대지권면적, 개별공시지가 및 사용승인일자 중 적어도 하나를 포함하는 부동산 시세 추정 방법. - 제 12 항에 있어서,
상기 유사도 점수는 아래의 수학식과 같이 표현되고,
여기서, n은 부동산 속성 정보의 수, βi는 상기 거래가 추정 학습 모델에 포함된, 해당 부동산 속성에 대한 i번째 부동산 속성 가중치, Di는 상기 평가대상 부동산의 i번째 부동산 속성에 대한 값과 상기 거래사례 후보 부동산의 i번째 부동산 속성에 대한 값의 차이, dist는 상기 평가대상 부동산과 거래사례 후보 부동산 간의 거리를 각각 나타내고, wd는 거리 가중치로서, 상기 dist 값이 상기 유사도 점수에 반영되는 비중을 나타내며,
상기 평가대상 부동산과 거래사례 후보 부동산 간의 거리는 상기 소정 거리 이하인 부동산 시세 추정 방법. - 제 12 항에 있어서,
상기 유사도 점수의 소정 범위는 상기 평가대상 부동산을 기준으로 하는 소정 영역의 크기에 따라 설정되는 부동산 시세 추정 방법. - 제 12 항에 있어서,
상기 평가대상 부동산의 시세를 추정하는 단계는,
상기 거래사례 부동산 각각에 대한 평가 대상 부동산의 후보군 시세를 계산하고, 계산된 후보군 시세의 평균을 상기 평가 대상 부동산의 시세로 추정하는 부동산 시세 추정 방법. - 제 11 항에 있어서,
상기 소정 거리 내의 실거래 부동산은 제1 실거래 부동산 쌍에서 독립거래로 적용되고, 제2 실거래 부동산 쌍에서 종속거래로 적용되는 부동산 시세 추정 방법. - 제 11 항에 있어서,
상기 모델링 단계는,
다중회귀분석, 인공 신경망, M5P(decision tree), Bayesian Network, CART 중 적어도 하나를 이용하여 상기 거래가 추정 학습 모델을 생성하는 부동산 시세 추정 방법. - 제 11 항에 있어서,
상기 거래가 비율은 제1 실거래 부동산의 제1 실거래가를 제2 실거래 부동산의 제2 실거래가로 나눈 값에 관련된 부동산 시세 추정 방법. - 제 11 항 내지 제 20 항 중 어느 하나의 항에 따른 부동산 시세 추정 방법을 실행하기 위한 컴퓨터 프로그램이 기록된 컴퓨터 판독가능 매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170096232A KR101957760B1 (ko) | 2017-07-28 | 2017-07-28 | 유사도 점수에 기초하여 결정된 거래사례 부동산을 이용한 부동산 시세 추정 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170096232A KR101957760B1 (ko) | 2017-07-28 | 2017-07-28 | 유사도 점수에 기초하여 결정된 거래사례 부동산을 이용한 부동산 시세 추정 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190014211A true KR20190014211A (ko) | 2019-02-12 |
| KR101957760B1 KR101957760B1 (ko) | 2019-03-18 |
Family
ID=65369466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170096232A KR101957760B1 (ko) | 2017-07-28 | 2017-07-28 | 유사도 점수에 기초하여 결정된 거래사례 부동산을 이용한 부동산 시세 추정 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101957760B1 (ko) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200031573A (ko) * | 2020-01-07 | 2020-03-24 | 주식회사 미디어윌 | 시세 분석 방법 |
| KR102157833B1 (ko) * | 2019-11-29 | 2020-09-18 | 김상헌 | 임대인 등록형 부동산 매물 관리 시스템 및 그 방법 |
| KR20210050726A (ko) * | 2019-10-29 | 2021-05-10 | 주식회사 꿀비 | 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법 |
| WO2021230522A1 (ko) * | 2020-05-14 | 2021-11-18 | 한국부동산원 | 최종가격산정부를 갖는 토지시세 추정시스템 및 추정방법 |
| KR20210156586A (ko) * | 2020-06-18 | 2021-12-27 | 주식회사 리판 | 부동산투자 관리방법, 시스템 및 이에 관한 컴퓨터 프로그램 |
| KR102352917B1 (ko) * | 2021-06-03 | 2022-01-19 | (주)파이퍼블릭 | 상업용 부동산 데이터 분석 및 평가 시스템 |
| WO2022047011A1 (en) * | 2020-08-26 | 2022-03-03 | Zillow, Inc. | Synthetic comparable market analysis systems and methods |
| KR20220048575A (ko) * | 2020-10-13 | 2022-04-20 | 주식회사 블루인덱스 | 예술품 시세 추정 방법 및 장치 |
| KR20220073295A (ko) * | 2020-11-26 | 2022-06-03 | (주)태평양감정평가법인 | 부동산 시세 추정 장치 및 그 방법 |
| KR20220126488A (ko) * | 2021-03-09 | 2022-09-16 | 원루프 주식회사 | 부동산 자료 기반 적정 가격 모델링 서버 및 모델링 방법 |
| KR20220151136A (ko) * | 2019-09-03 | 2022-11-14 | 최성무 | 부동산 시세 추정 시스템 및 방법 |
| KR102507230B1 (ko) * | 2021-12-31 | 2023-03-06 | 장승일 | 인공지능 기반의 토지 개발 정보 서비스 제공 장치 및 방법 |
| US11769181B2 (en) | 2006-02-03 | 2023-09-26 | Mftb Holdco. Inc. | Automatically determining a current value for a home |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020004710A (ko) * | 2000-07-07 | 2002-01-16 | 권오억 | 인터넷을 이용한 부동산 가격관련 정보 표시방법,지리정보시스템 또는 인터넷 지리정보시스템을 이용한부동산 가격정보 표시방법, 및 인터넷상 또는인터넷지리정보시스템상 지아이에스 지(적)도면을 이용한부동산감정가격 자동산정 방법 및 인터넷 홈페이지를이용한 이의 표시방법 |
| KR20060100897A (ko) * | 2005-03-18 | 2006-09-21 | 한창수 | 개별 다세대·연립주택의 인터넷 평가시스템 및 그 방법 |
| KR20070097939A (ko) | 2006-03-30 | 2007-10-05 | 삼두주식회사 | 서버 및 클라이언트 단말기를 이용한 부동산 정보 제공방법 및 이를 수행하는 컴퓨터 프로그램이 기록된컴퓨터에서 판독 가능한 기록 매체 |
| KR20090103087A (ko) * | 2008-03-27 | 2009-10-01 | 연세대학교 산학협력단 | 토지 가치 모니터링 시스템 및 그 방법 |
| JP2012216165A (ja) * | 2011-07-15 | 2012-11-08 | Tokyo Kantei:Kk | 評価額算出プログラム，評価額算出方法，及び評価額算出装置 |
| KR20170061834A (ko) * | 2015-11-27 | 2017-06-07 | 맹준영 | 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템 및 방법 |
-
2017
- 2017-07-28 KR KR1020170096232A patent/KR101957760B1/ko active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020004710A (ko) * | 2000-07-07 | 2002-01-16 | 권오억 | 인터넷을 이용한 부동산 가격관련 정보 표시방법,지리정보시스템 또는 인터넷 지리정보시스템을 이용한부동산 가격정보 표시방법, 및 인터넷상 또는인터넷지리정보시스템상 지아이에스 지(적)도면을 이용한부동산감정가격 자동산정 방법 및 인터넷 홈페이지를이용한 이의 표시방법 |
| KR20060100897A (ko) * | 2005-03-18 | 2006-09-21 | 한창수 | 개별 다세대·연립주택의 인터넷 평가시스템 및 그 방법 |
| KR20070097939A (ko) | 2006-03-30 | 2007-10-05 | 삼두주식회사 | 서버 및 클라이언트 단말기를 이용한 부동산 정보 제공방법 및 이를 수행하는 컴퓨터 프로그램이 기록된컴퓨터에서 판독 가능한 기록 매체 |
| KR20090103087A (ko) * | 2008-03-27 | 2009-10-01 | 연세대학교 산학협력단 | 토지 가치 모니터링 시스템 및 그 방법 |
| JP2012216165A (ja) * | 2011-07-15 | 2012-11-08 | Tokyo Kantei:Kk | 評価額算出プログラム，評価額算出方法，及び評価額算出装置 |
| KR20170061834A (ko) * | 2015-11-27 | 2017-06-07 | 맹준영 | 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템 및 방법 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11769181B2 (en) | 2006-02-03 | 2023-09-26 | Mftb Holdco. Inc. | Automatically determining a current value for a home |
| KR20220151136A (ko) * | 2019-09-03 | 2022-11-14 | 최성무 | 부동산 시세 추정 시스템 및 방법 |
| KR20210050726A (ko) * | 2019-10-29 | 2021-05-10 | 주식회사 꿀비 | 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법 |
| KR102157833B1 (ko) * | 2019-11-29 | 2020-09-18 | 김상헌 | 임대인 등록형 부동산 매물 관리 시스템 및 그 방법 |
| KR20200031573A (ko) * | 2020-01-07 | 2020-03-24 | 주식회사 미디어윌 | 시세 분석 방법 |
| WO2021230522A1 (ko) * | 2020-05-14 | 2021-11-18 | 한국부동산원 | 최종가격산정부를 갖는 토지시세 추정시스템 및 추정방법 |
| KR20210156586A (ko) * | 2020-06-18 | 2021-12-27 | 주식회사 리판 | 부동산투자 관리방법, 시스템 및 이에 관한 컴퓨터 프로그램 |
| WO2022047011A1 (en) * | 2020-08-26 | 2022-03-03 | Zillow, Inc. | Synthetic comparable market analysis systems and methods |
| GB2615423A (en) * | 2020-08-26 | 2023-08-09 | Zillow Inc | Synthetic comparable market analysis systems and methods |
| KR20220048575A (ko) * | 2020-10-13 | 2022-04-20 | 주식회사 블루인덱스 | 예술품 시세 추정 방법 및 장치 |
| KR20220073295A (ko) * | 2020-11-26 | 2022-06-03 | (주)태평양감정평가법인 | 부동산 시세 추정 장치 및 그 방법 |
| KR20220126488A (ko) * | 2021-03-09 | 2022-09-16 | 원루프 주식회사 | 부동산 자료 기반 적정 가격 모델링 서버 및 모델링 방법 |
| KR102352917B1 (ko) * | 2021-06-03 | 2022-01-19 | (주)파이퍼블릭 | 상업용 부동산 데이터 분석 및 평가 시스템 |
| KR102507230B1 (ko) * | 2021-12-31 | 2023-03-06 | 장승일 | 인공지능 기반의 토지 개발 정보 서비스 제공 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101957760B1 (ko) | 2019-03-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101957760B1 (ko) | 유사도 점수에 기초하여 결정된 거래사례 부동산을 이용한 부동산 시세 추정 시스템 및 방법 | |
| Feeny et al. | Vulnerability to multidimensional poverty: Findings from households in Melanesia | |
| KR101764834B1 (ko) | 빅데이터를 이용한 부동산 시세 추정 시스템 및 방법 | |
| WO2020143409A1 (zh) | 预测业务指标的方法及装置 | |
| Persson et al. | Equity and efficiency in adaptation finance: Initial experiences of the Adaptation Fund | |
| CN105894372B (zh) | 预测群体信用的方法和装置 | |
| Goh et al. | Accuracy and robustness of house price index methods | |
| McCluskey et al. | Detecting and validating residential housing submarkets: A geostatistical approach for use in mass appraisal | |
| Nam et al. | City size distribution as a function of socioeconomic conditions: an eclectic approach to downscaling global population | |
| Alexandridis et al. | Real Estate valuation and forecasting in non-homogeneous markets: A case study in Greece during the financial crisis | |
| Kargah-Ostadi et al. | Developing performance prediction models for pavement management systems in local governments in absence of age data | |
| Shine | Risk-adjusted mortality: problems and possibilities | |
| Rose et al. | Validation of spatiodemographic estimates produced through data fusion of small area census records and household microdata | |
| Page et al. | Measuring spatial accessibility to services within indices of multiple deprivation: implications of applying an enhanced two-step floating catchment area (E2SFCA) approach | |
| KR101924448B1 (ko) | 부동산 시장 군집화 방법 및 장치, 이를 이용한 부동산 시세 추정 시스템 및 방법 | |
| CN113256324A (zh) | 数据资产定价方法、装置、计算机设备和存储介质 | |
| Sachdeva et al. | Do places have value?: Quantifying the intrinsic value of housing neighborhoods using MGWR | |
| Pérez-Molina | Exploring a multilevel approach with spatial effects to model housing price in San José, Costa Rica | |
| Chao | Estimating project overheads rate in bidding: DSS approach using neural networks | |
| Rdz-Navarro | Latent variables should remain as such: Evidence from a Monte Carlo study | |
| Zeng et al. | A hybrid modeling approach considering spatial heterogeneity and nonlinearity to discover the transition rules of urban cellular automata models | |
| CN114757518A (zh) | 资产评估方法、装置、设备及介质 | |
| Fotheringham et al. | Multiscale Geographically Weighted Regression: Theory and Practice | |
| Lyu et al. | Empirical Bayes small area prediction under a zero‐inflated lognormal model with correlated random area effects | |
| Wong et al. | Comparison of spatial interpolation methods to create high-resolution poverty maps for low-and middle-income countries |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |