KR20200023669A - 빅데이터 기반 부동산 투자 추천 시스템 - Google Patents

Abstract

본 발명은 주택, 빌라, 아파트, 토지 등 공통 계열의 부동산 상품군에 대한 빅데이터를 구축하고, 인공지능을 이용하여 다수의 부동산 중 투자가치가 높은 상품을 추천하는 시스템에 관한 기술로서, 부동산 별로 요소데이터들의 평가값을 산출하는 요소평가부와, 부동산 별로 각 요소데이터에 가중치를 적용한 후 각 요소데이터를 합산하는 것으로 합산점수를 산출하고, 합산점수가 큰 순서대로 부동산의 예상수익순위를 설정하는 예상순위 산출부를 포함하고, 요소데이터에는 수요에너지 및 전세에너지 위치값이 포함되는 것을 특징으로 한다.

Description

빅데이터 기반 부동산 투자 추천 시스템 {System for Recommending Investment of Big data based Real estate}

본 발명은 빅데이터 기반 부동산 투자 추천 시스템에 관한 것으로서, 보다 상세하게는 주택, 빌라, 아파트, 토지 등 공통 계열의 부동산 상품군에 대한 빅데이터를 구축하고, 인공지능을 이용하여 다수의 부동산 중 투자가치가 높은 상품을 추천하는 시스템에 관한 기술이다.

미래 수익이 유망한 부동산 상품을 선별하기 위한 다양한 분석 기법들이 제안되고 있다.

종래 부동산 가격을 추정하거나 결정하는 데 있어서 선형 회귀 모형과 같은 모수 모형(parametric model)이 이용되었다. 그러나, 모수 모형은 자료의 정규성, 설명 변수의 독립성, 가격 함수의 선형성(linearity)과 같은 엄격한 가정이 많아 추정 가격의 신뢰성에 한계가 있다는 문제점이 있다. 부동산 가격은 모수 모형만에 의해서 결정될 수 없는 다양한 비선형적 요소들이 있으나 기존의 모형으로서는 이를 반영할 수 없는 실정이다. 예를 들어, 토지 면적이 증가할수록 거래 단가는 체감하는 경향이 있으나 모수 모형에서는 선형성 가정으로 인해 이러한 특징을 반영할 수 없었다. 또한, 부동산 가격은 그 물리적 위치에 따라 편차가 크게 나타나는데, 이를 공간적 종속성(spatial dependence)이라 한다. 종래에는 이러한 부동산 가격 형성의 특징, 즉 물리적 위치나 거리에 대한 요소를 반영하지 못하여 부동산 가격의 추정에 있어서 정확도가 떨어질 수밖에 없었다.

이와 같이, 부동산의 미래 가치를 예측하는 시스템은 그 효과를 검증하기 위한 평가 시스템을 필요로 하지만, 그러한 평가 시스템을 함께 구비하는 투자 추천 시스템은 많지 않다.

한국등록특허공보 10-1794027

이에 본 발명은 상기와 같은 종래의 제반 문제점을 해소하기 위해 제안된 것으로, 본 발명의 목적은 주택, 빌라, 아파트, 토지 등 공통 계열의 부동산 상품군에 대한 빅데이터를 구축하고, 인공지능을 이용하여 다수의 부동산 중 투자가치가 높은 상품을 추천하는 시스템을 제공하기 위한 것이다.

상기와 같은 목적을 달성하기 위하여 본 발명의 기술적 사상에 의한 빅데이터 기반 부동산 투자 추천 시스템은, 부동산 별로 요소데이터들의 평가값을 산출하는 요소평가부와; 상기 부동산 별로 각 요소데이터에 가중치를 적용한 후 상기 각 요소데이터를 합산하는 것으로 합산점수를 산출하고, 상기 합산점수가 큰 순서대로 상기 부동산의 예상수익순위를 설정하는 예상순위 산출부를 포함하고, 상기 요소데이터에는 수요에너지 및 전세에너지 위치값이 포함되는 것을 특징으로 한다.

또한, 상기 수요에너지는 수요량과 공급량 차의 누적합이고, 상기 수요량은 인구수와 가구생애주기의 곱으로 산출되는 것을 특징으로 할 수 있다.

또한, 상기 전세에너지 위치값은 전세가 상승과 매매가 상승 차의 누적합으로 산출되는 것을 특징으로 할 수 있다.

또한, 상기 전세에너지 위치값은 현재 전세에너지(

), 최대 전세에너지(

), 최저 전세에너지(

)를

에 대입하여 산출되는 것을 특징으로 할 수 있다.

또한, 상기 요소데이터에는 아파트단지 평형의 최고 가격의 절대적 위치를 나타내는 매매가의 현재위치를 더 포함하는 것을 특징으로 할 수 있다.

또한, 상기 요소데이터에는 동네평당가율이 과거시점과 대비하여 현재의 위치를 나타내는 평당가비율 현재위치를 더 포함하는 것을 특징으로 할 수 있다.

또한, 상기 동네평당가율은 어느 한 지역의 아파트단지들의 평균평당가에서 분석대상 아파트단지의 평당가가 어느 정도 위치인지를 나타내는 것이고, 상기 동네평당가율은 부동산을 소형, 중소형, 중형, 중대형, 대형으로 구분하여 연산하는 것을 특징으로 할 수 있다.

본 발명에 의한 빅데이터 기반 부동산 투자 추천 시스템에 따르면,

첫째, 다수의 부동산 상품 중 수익률이 높을 것으로 기대되는 부동산을 순서대로 표시하므로 투자 시 보다 높은 수익률을 기대할 수 있게 된다.

둘째, 적중률 산출 알고리즘을 이용하여 최적의 가중치를 탐색하므로 부동산의 종류나 지역의 차이에 대응되는 최상의 예상수익순위를 도출할 수 있게 된다.

셋째, 부동산 평가 시, 요소데이터로 이용할 수 있는 수요에너지, 전세에너지 위치값 등 신규한 지표를 제안하고, 신규 지표가 적중률에 미치는 영향력을 검증함으로써 예상수익순위의 신뢰성을 극대화 하였다.

도 1은 본 발명의 일 실시예에 따른 빅데이터 기반 부동산 투자 추천 시스템의 구성도.
도 2는 본 발명의 일 실시예에 따른 빅데이터 기반 부동산 투자 추천 시스템에서 부동산 별 요소데이터와, 예상수익순위, 실제 수익 순위, 적중률이 표시되는 것을 나타낸 예시 도면.
도 3은 본 발명을 부동산 평가에 활용한 실시예에 있어서, 1999년-2020년 기간, 서울지역과 경기지역의 수요에너지를 나타낸 그래프.
도 4는 본 발명을 부동산 평가에 활용한 실시예에 있어서, 1999년-2018년 기간, 서울지역의 매매지수 및 전세지수와, 전세에너지를 나타낸 그래프.
도 5는 본 발명의 일 실시예에 따른 빅데이터 기반 부동산 투자 추천 방법의 순서도.
도 6은 S110 단계의 세부 과정을 나타낸 순서도.
도 7은 S114 단계의 세부 과정을 나타낸 순서도.
도 8은 본 발명의 일 실시예에 따른 부동산 투자 추천 알고리즘을 이용하여 도출된 예상수익순위 중 상위 순위(상위 30위)에 투자한 경우, 2년 후 실제 수익률과 전체평균 수익률 및 전세가율70%이상 아파트의 수익률을 비교한 그래프.

첨부한 도면을 참조하여 본 발명의 실시예들에 의한 빅데이터 기반 부동산 투자 추천 시스템에 대하여 상세히 설명한다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.

또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

본 발명의 일 실시예에 따른 빅데이터 기반 부동산 투자 추천 시스템은 어느 한 컴퓨터 장치 또는 분산된 컴퓨팅 시스템에 주요 구성 또는 기능이 포함되는 것으로 실시될 수 있다.

도 1 및 2를 참조하면, 본 발명의 일 실시예에 따른 빅데이터 기반 부동산 투자 추천 시스템은 부동산 별로 요소데이터들의 평가값을 산출하는 요소평가부(110)와, 상기 부동산 별로 각 요소데이터의 평가값에 가중치를 적용한 후 합산하는 것으로 합산점수를 산출하고, 상기 합산점수가 큰 순서대로 상기 부동산의 예상수익순위를 설정하는 예상순위 산출부(120)를 포함한다.

또한, 상기 부동산 별 실제 수익 순위와 상기 예상수익순위를 이용하여 상기 예상수익순위의 적중률을 산출하는 적중률 연산부(130)를 포함한다.

부동산은 주택, 빌라, 아파트, 토지 등 종래 부동산의 범주에 포함되는 대상이다.

부동산의 명칭과 각 부동산의 특징을 이루는 요소데이터는 입력부(160)를 통해 시스템에 입력된다.

입력된 부동산의 요소데이터는 저장부(180)에 저장된다. 요소데이터는 부동산별로 수십년 동안 누적된 매매가격 등 방대한 데이터가 포함되므로, 요소데이터는 부동산과 관련된 빅데이터(Big data)라 볼 수 있다.

또한, 부동산 별 요소데이터의 평가값과 예상수익순위, 실제 수익 순위 및 적중률과 같은 정보는 표시부(170)를 이용하여 출력될 수 있다. 표시부(170)는 모니터, 프린터 등 공지된 정보 출력장치가 적용될 수 있다.

투자 추천 시스템(100)은 하나의 공통 계열 부동산을 대상으로 예상수익순위를 연산하는 것이 바람직하다. 하나의 공통 계열이란, 예를 들어, 특정 지역내에 위치한 아파트 등이 될 수 있다.

부동산 별 예상수익순위의 적중률을 산출하는 적중률 연산부(130)는 방대한 데이터의 신속한 분석을 위해 인공지능 알고리즘을 이용할 수 있다.

각 부동산은 세부적으로 요소데이터를 포함한다. 요소데이터에는 아파트 단지의 평형, 전세가율, 투자갭(매매가와 전세가의 차이), 연식(오픈 또는 입주 연도), 세대수, 6개월간 매매가 상승률, 1년간 전세가 상승률 등이 포함될 수 있다.

요소데이터에는 수요에너지가 포함될 수 있다. 수요에너지는 어느 한 지역의 아파트 세대수의 공급량이 적정한지 판단할 수 있는 지표가 된다. 수요에너지는 수요량과 공급량 차의 누적합으로서, 공급량이 많으면 수요에너지의 값이 감소하고, 공급량 적으면 수요에너지의 값이 증가한다. 이때, 상기 수요량은 인구수와 가구생애주기의 곱으로 계산된다. 상기 가구생애주기의 값은 0.5%가 될 수 있는데, 이 값은 통상 1년에 적정 수요량으로 계산되는 수치이다. 수요량을 윌 별로 계산하기를 원하면 이 값을 12로 나누면 된다. 공급량은 부동산(주택)이 해당 지역에 준공되어 입주가 가능한 시기로 계산된다.

도 3(a)는 서울지역의 수요에너지를 나타낸 그래프이다. 이 그래프는 1998년부터 매월 수요량과 공급량 차의 누적합으로 계산된 수요에너지의 흐름을 보여준다. 2005년부터 2016년까지 공급량이 부족하여 계속 수요에너지가 증가되었으나, 2016년부터 공급량이 크게 증가하면서 수요에너지가 제자리를 유지하는 흐름을 보여주고 있다.

도 3(b)는 경기도지역의 수요에너지를 나타낸 그래프이다. 경기도지역은 2005년부터 공급 부족으로 수요에너지가 2016년 말까지 상승했지만, 이후 공급량이 증가하면서 2020년 정도까지 하락하고 있다. 하지만 2020년 이후에는 추가 공급량의 부재로 다시 수요에너지가 상승하고 있다. 이때, 2020년의 수요에너지는 2013년 5월 정도 수준이라는 것도 알 수 있다.

수요에너지는 높을수록 공급량이 부족함을 의미하므로 매매가의 상승 가능성이 높아지고, 낮을수록 공급량이 충분함을 의미하므로 매매가의 상승 가능성이 낮아진다.

수요에너지는 수도권 외 지역에서 부동산의 평가 시 수도권 부동산 보다 상대적으로 적중률에 높은 영향력을 보여준다. 따라서, 수요에너지는 수도권 외 지역 부동산 평가 시 상대적으로 더 중요한 요소데이터로 볼 수 있다.

수요에너지는 시·도 단위의 지역뿐만 아니라 하위단위인 구·시 단위에서도 적용 가능하다.

수요에너지는 현재 위치 값뿐만 아니라, 상승률(기울기)도 중요한 척도로 이용될 수 있다. 수요에너지의 현재 위치 값 또는 상승률에 가중치를 가장 큰 값으로 적용한 후 연산된 적중률은 표 1과 같다.

시기	현재 위치 값의 적중률(%)
200801	60.84
200901	62.12
201001	68.48
201101	58.21
201201	72.15
201301	60.67
201401	66.45
201501	51.72
201601	59.26
평균	62.21

또한, 요소데이터에는 전세에너지 위치값이 포함될 수 있다. 도 4(a)는 서울의 매매지수 및 전세지수의 흐름이고, (b)는 서울의 전세상승분과 매매상승분의 차를 누적합으로 산출한 전세에너지의 그래프이다.

전세에너지 위치값은 전세가 상승과 매매가 상승 차의 누적합 흐름이다. 또한, 전세에너지 현위치는 전세에너지의 최대값 대비 현재 위치의 수준을 의미한다. 전세에너지 현위치는 수학식으로 아래와 같이 표현할 수 있다.

[수학식 1]

는 현재 전세에너지,

는 최대 전세에너지,

는 최저 전세에너지이다.

실수요는 미래 가치상승의 고려 없이 거주 목적으로 매입 혹은 전세 형태로 거주하는 수요이다. 반면, 가수요는 실거주 목적 외 미래 가치 상승을 목적으로 투자하는 매입형태이다. 전세로 거주하는 전세수요, 가수요 및 실수요는 서로 줄다리기를 하는 양상으로 나타난다.

가수요와 실수요를 시각적으로 보여주는 것이 전세에너지의 그래프이다. 서울은 전세에너지가 상승하는 실수요장 후, 전세에너지를 하락 및 방전하면서 상승장을 이끌다가, 전세에너지가 너무 많이 하락하는 시점에 매매지수도 하락하는 패턴을 보이고 있다. 반면, 철저하게 실수요 위주로만 흐름을 보이고 있는 수도권 외 지방 시장에서는 전세에너지가 0이하로 떨어졌다가 올라오는 경우가 드문 편이다.

전세에너지 위치값은 수도권 지역에서 부동산의 평가 시 수도권 외 부동산 보다 상대적으로 적중률에 높은 영향력을 보여준다. 따라서, 전세에너지 위치값은 수도권 지역 부동산 평가 시에만 요소데이터에 포함될 수 있다.

전세에너지 위치값에 가중치를 가장 큰 값으로 적용한 후 연산된 적중률은 표 2와 같다.

시기	전세에너지 위치값의 적중률(%)
200801	71.64
200901	80.73
201001	84.53
201101	83.36
201201	68.49
201301	73.02
201401	70.11
201501	70.07
201601	79.41
평균	75.71

전세에너지 위치값의 가중치가 클 때 수요에너지보다 더 높은 적중률이 나타나므로 부동산 평가 시 전세에너지 위치값이 수요에너지보다 더 중요한 항목임을 알 수 있다. 따라서, 예상수익순위 도출 시 전세에너지 위치값은 수요에너지보다 더 큰 가중치가 부여된다.

또한, 요소데이터에는 부동산의 지역 상승 가능성을 측정하는 데이터로서 가구증가율, 전세가율, 미분양, 준공 후 미분양, 작년 대비 거래량, 2년 후 주변 입주물량 등이 포함된다.

가구증가율은 통계청에서 제공하는 지역구의 연도별 가구수를 이용하여 지역의 가구수가 작년비 얼마나 증가했는지를 구한 것이다.

전세가율은 현재 매매시세 대비 전세시세의 비율이다. 아파트별로 평균 매매가격과 전세가격의 비율이며, 그 수치를 동 단위의 평균값, 지역(구·시 단위)의 평균값으로 구한 것이다.

한편, 전세가율의 동네위치는 지역 평균 전세가율에서 어느 한 부동산이 어느 정도의 위치를 차지하고 있는지를 나타낸다. 이때, 지역은 읍·면·동 단위를 의미한다. 전세가율 동네위치를 산출하기 위한 수학식은 아래와 같다.

[수학식 2]

는 현재 부동산의 전세가율,

는 지역 최대 전세가율,

는 지역 최저 전세가율이다. 일반적으로 시·구 단위의 지역은 전세가율은 높을수록 유리하다.

미분양 및 준공 후 미분양은 국토교통부 통계누리에서 제공되는 데이터이다.

작년 대비 거래량은 지역의 작년 동일 월 대비 거래량 증가율이다.

2년 후 주변 입주물량은 지역과 주변에 인접한 시·구 단위의 지역에서 2년 후 전세 만기가 되는 시점에 입주물량이 얼마나 되는지를 의미한다.

가구증가율, 전세가율, 미분양, 준공 후 미분양, 작년 대비 거래량, 2년 후 주변 입주물량 중 어느 하나에 가중치를 100으로 두어 적중률을 연산한 결과는 [표 3] 및 [표 4]와 같다.

시기	가구증가율의 적중률(%)	작년 대비 거래량의 적중률(%)	2년 후 주변 입주물량의 적중률(%)
200801	61.05	65	61.74
200901	54.24	54.6	59.25
201001	56.94	59.78	65.04
201101	60.62	49.02	59.45
201201	63.7	61.07	58.64
201301	67.91	49.59	52.96
201401	70.84	62.94	48.79
201501	56.78	52.15	57.1
201601	58.47	56.03	55.78
평균	61.17	56.69	57.64

시기	미분양의 적중률(%)	준공 후 미분양의 적중률(%)	전세가율의 적중률(%)
200801	57.28	57.76	69.36
200901	61.26	61.27	75.96
201001	66.3	64.31	88.26
201101	64.72	74.82	91.01
201201	55.75	66.35	81.77
201301	65.71	63.85	86.28
201401	67.69	70.25	75.62
201501	66.69	60.87	68.39
201601	64.99	65.38	72.82
평균	63.38	64.98	78.83

전세가율 비율이 다른 요소데이터보다 전체적으로 적중률이 높은 것으로 나타났다. 2015년은 다른 시기에 비해 낮은 것으로도 나타났으나, 2010년 및 2011년도에는 매우 높은 것으로 나타났다.

예상순위 산출부(120)는 부동산 별로 각 요소데이터에 가중치를 적용한 후 상기 각 요소데이터를 합산하는 것으로 합산점수를 산출하고, 상기 합산점수가 큰 순서대로 상기 부동산의 예상수익순위를 설정한다.

[표 5]는 각 요소데이터의 평가값에 기 설정된 범위 내에 포함되는 가중치를 적용함에 있어서, 가중치 연산부(140)가 지정된 부동산의 모든 연도의 요소데이터에 공통으로 적용될 수 있는 가중치를 요소데이터별로 구한 후 적중률을 연산하였다. 이것은 지정된 부동산군을 대상으로 최적의 가중치 세트를 적용하면 훌륭한 적중률 결과를 얻을 수 있음을 알 수 있다.

시기	적중률(%)
200801	81.53
200901	85.07
201001	88.80
201101	88.61
201201	83.59
201301	86.65
201401	81.50
201501	82.87
201601	85.21
평균	84.87

영향력 시험부(150)는 적중률의 알고리즘을 이용하여 각 요소데이터가 얼마나 영향력이 있는지를 수치화하여 보여준다.

또한, 가중치 연산부(140)를 이용하여 각 요소데이터의 가중치 경우의 수를 모두 연산하는 것으로 최고 적중률을 도출할 수 있는 최적의 가중치 세트를 구할 수 있다. 즉, 본 발명의 일 실시예는 부동산의 과거 요소데이터의 패턴과 가중치를 이용할 때 현재 상승 가능성이 높은 지역이나 부동산을 예측 할 수 있는 도구로 사용할 수 있다.

부동산은 다수의 요소데이터를 포함하며, 각 요소데이터별로 가중치가 설정된다. 따라서, 가중치 세트는 요소데이터 수에 대응되는 수의 가중치 그룹을 의미한다.

세부적으로, 지역 내에서 상승 가능성이 높은 부동산을 판단하는 요소데이터에는 해당 아파트단지 평형, 전세가율, 투자갭(매매가와 전세가의 차이), 연식(오픈 또는 입주 연도), 세대수, 6개월간 매매가 상승률, 1년간 전세가 상승률이 포함된다.

또한, 요소데이터에는 매매가의 현재위치가 포함된다. 매매가의 현재위치는 해당 아파트단지 평형의 최고 가격의 절대적 위치이다. 매매가의 현재위치를 연산하는 수식은 아래와 같다.

[수학식3]

는 해당 아파트단지의 현재 가격,

는 해당 아파트단지의 최고 가격,

는 해당 아파트단지의 최저 가격이다.

부동산 등에서 매매물의 가격이 이전의 최고 가격을 초과하면 '고점을 뚫었다'라는 표현을 사용하는데, 이 경우 매매가의 현재위치의 값은 100이 될 것이다.

또한, 평당가비율 현재위치가 포함된다. 평당가비율 현재위치를 설명하기에 앞서 동네평당가율에 대해 설명한다. 동네평당가율은 어느 한 지역(읍·면·동 단위)의 아파트단지들의 평균평당가에서 분석대상 아파트단지의 평당가가 어느 정도 위치인지를 나타낸다. 즉, 평균평당가가 1,000만 원이고, 분석대상 아파트단지의 현재 평당가가 1,500만 원이라면 동네평당가율은 150이 된다. 이때, 반드시 평형별로 구분하여 연산을 해야 한다. 예를 들어, 소형은 소형별로 집계하고, 중소형은 중소형별로 집계를 한다. 소형은 40.0㎡미만, 중소형은 40.0㎡이상 내지 62.81㎡미만, 중형은 62.81㎡이상 내지 95.86㎡미만, 중대형은 95.86㎡이상 내지 135.0㎡미만, 대형은 135.0㎡이상으로 구분될 수 있다. 평형별도 구분되어 연산하지 않으면 결과 값에 오차가 크게 나타난다. 과거 수도권은 대형이 평당가가 높았으나, 최근에는 중소형의 평당가가 가장 높은 경우가 많다.

평당가비율 현재위치는 동네평당가율이 과거시점과 대비하여 현재의 위치를 나타내는 수치이다. 예를 들어, 과거의 동일평형에서는 평당가비율이 높은 편이였는데, 현재는 평균정도라고 가정할 때, 만약 해당 동네에 신규 아파트가 없는데 평당가비율이 평균정도라면 향후 평당가비율이 상승할 가능성이 높다.

특히, 동네 단위에서는 선호도가 높은 아파트 순으로 A급, B급, C급으로 나누어 분류하는데, 상승 분위기가 되면 A급 아파트부터 매매가격이 올라간다. 그 이후 B급, C급 순으로 상승에너지가 옮겨간다. 따라서, 투자자들은 A급 아파트가 상승하는 것을 신호로 받아들여 B급, C급 아파트에 투자를 한다.

다만, 시장을 투자자들이 주도할 때나, 동네 아파트의 전세가율이 전체적으로 80% 내지 90% 이상 될 때는 B급, C급 아파트가 먼저 오르기도 한다. 따라서 평당가비율을 활용할 때에는 투자자나 본래의 전세가율을 먼저 검토하는 것이 바람직하다.

평가값은 요소데이터 별로 기 설정된 연산방법을 통해 산출되는 값이 된다.

최적의 가중치 세트는 최고 적중률을 도출할 수 있는 값으로서, 가중치 연산부(140)가 탐색한다.

예상순위 산출부(120)는 합산점수를 수학식4와 같은 방법으로 연산할 수 있다.

[수학식 4]

예상수익순위는 부동산의 수 만큼 합산점수가 큰 순서대로 설정된다.

실제 수익 순위는 예상순위 산출부(120)가 예상수익순위를 설정한 시점의 부동산 가격과, 일정 시간이 지난 후의 부동산 가격을 이용하여 산출된다. 일정 시간이 지난 후는 1일 내지 10년 중 임의로 선택되거나, 향후 부동산의 가격을 산출할 수 있는 시점, 또는 그 이후가 될 수 있다. 적중률 연산부(130)는 부동산의 실제 수익이 높은 순서로 순위를 설정한다. 실제 수익 순위는 과거 예상수익순위를 설정한 시점부터 평가시점까지의 가격변동율이 될 수 있으나, 아파트 단지와 같이 가구별 크기가 상이하여 하나의 아파트 단지 내에 다양한 가격 분포가 형성되는 등 변수가 있는 경우에는 가격이 상승한 가구의 합계와 같은 데이터도 실제 수익 순위에 적용될 수 있다.

적중률 연산부(130)는 예상수익순위와 실제 수익 순위를 비교하여 적중률을 산출하게 된다. 구체적으로, 적중률 연산부(130)는 부동산 별로 예상수익순위에서 부동산 별 실제 수익 순위의 순위를 차감하여 차이값을 도출하고, 부동산들의 차이값을 합한 실제합산값을 산출하는 과정을 포함한다. 차이값은 절대값으로 표시된다. [표 6] 및 [표 7]은 부동산의 수가 100개인 경우 차이값과 합산값의 산출 예 이다. [표 6]은 실제 수익 순위와 예상수익순위가 완벽하게 동일한 경우이고, [표 7]은 실제 수익 순위와 예상수익순위가 완전히 상이한 경우이다.

예상수익순위	실제 수익 순위	차이값
1	1	0
2	2	0
3	3	0
…	…	0
98	98	0
99	99	0
100	100	0
합산값		0

예상수익순위	실제 수익 순위	차이값
1	100	99
2	99	97
3	98	95
…	…
98	3	95
99	2	97
100	1	99
최악예상합산값		5000

[표 6]을 참고하면, 실제 수익 순위와 예상수익순위가 완벽하게 동일하면 합산값은 0이 된다.

[표 7]을 참고하면, 실제 수익 순위와 예상수익순위가 완전히 상이하여 차이값이 최대로 나오는 경우, 합산값은 5000이 된다.

차이값은 절대값으로 표시되며, 차이값이 클수록 실제 수익 순위와 예상수익순위가 상이함을 나타낸다.

차이값과 합산값의 최대 값은 부동산의 수에 의해 결정된다.

적중률 연산부(130)는 부동산 별로 차이값이 가장 큰 경우를 가정하여 산출된 최악예상합산값과 실제합산값을 이용하여 예상수익순위의 적중률을 산출한다.

최악예상합산값(BEV, Bad expected value)은 차이값의 개수(부동산의 개수)(n)를 [수학식 5]에 대입하여 산출된다.

[수학식 5]

적중률(HR, Hit ratio)은 최악예상합산값(BEV)과 실제합산값이 [수학식 6]에 대입되어 산출된다. 이때, n은 부동산의 개수,

은 실제 수익 순위, a는 부동산의 요소데이터의 개수,

는 요소데이터별 평가값,

는 요소데이터별 가중치이다.

[수학식 6]

[표 8]은 부동산의 개수가 100개이고, 예상수익순위가 1위인 부동산이 실제 수익 순위에서 100위이며, 예상수익순위 2위 내지 100위가 실제 수익 순위와 1의 차이를 가지는 가상의 제1경우에서의 합산값이다.

예상수익순위	실제 수익 순위	차이값
1	100	99
2	1	1
3	2	1
…	…	…
98	97	1
99	98	1
100	99	1
실제합산값		198

제1경우를 [수학식 6]에 대입하면, 적중률은 96.04%이다.

[표 9]는 부동산의 수가 100개이고, 예상수익순위가 1위, 2위인 부동산이 실제 수익 순위에서 각각 100위, 99위이며, 예상수익순위 3위 내지 100위가 실제 수익 순위와 2의 차이를 가지는 가상의 제2경우에서의 합산값이다.

예상수익순위	실제 수익 순위	차이값
1	100	99
2	99	97
3	1	2
…	…	…
98	96	2
99	97	2
100	98	2
실제합산값		390

제2경우를 [수학식 6]에 대입하면, 적중률은 92.2%이다.

한편, 본 발명의 일 실시예는 적중률이 가장 높은 경우(최고 적중률)의 요소데이터 별 가중치를 도출하는 가중치 연산부(140)를 더 포함한다.

구체적으로, 가중치 연산부(140)는 요소데이터 별로 기 설정된 범위의 값을 가중치로 설정한다. 특히, 가중치 세트에 포함된 가중치들의 합은 항상 기준값과 동일한 것을 조건으로 한다. 예를 들어, 기 설정된 범위가 0 내지 100이고, 요소데이터가 5개이며, 기준값이 100인 경우, 요소데이터1의 가중치는 10, 요소데이터2의 가중치는 20, 요소데이터3의 가중치는 30, 요소데이터4의 가중치는 15, 요소데이터5의 가중치는 25가 되어 5개 가중치의 총 합이 항상 기준값과 동일하게 설정된다.

최고 적중률이 도출되는 최적의 가중치 세트를 탐색하기 위해, 시스템에 레퍼런스 데이터가 입력되고, 가중치 연산부(140)가 레퍼런스 데이터를 대상으로 가중치 세트를 설정하며, 예상순위 산출부(120)가 예상수익순위를 설정하고, 적중률 연산부(130)가 실제 수익 순위와 대비하여 적중률을 산출하는 과정이 반복될 수 있다.

레퍼런스 데이터란, 해당 부동산의 과거 요소데이터 정보, 유사 부동산의 요소데이터 정보 등이 될 수 있다. 예를 들어, 해당 부동산의 과거 요소데이터 정보는 A아파트 내지 Z아파트의 2018년 예상수익순위를 산출하기 위해, 해당 아파트의 2000년 내지 2017년의 요소데이터가 될 수 있다. 또한, 유사 부동산의 요소데이터 정보는 신축된 A아파트의 예상수익순위를 산출하기 위해 인근에 위치하며 규모 및 환경이 유사한 B아파트의 요소데이터가 될 수 있다.

요소데이터가 많을수록, 기 설정된 범위가 광범위 할수록 도출되는 최고 적중률은 높아질 수 있지만, 가중치 세트 내 가중치들의 조합 경우의 수도 기하급수적으로 증가하게 된다. 즉, 유의미한 최적의 가중치 세트 탐색은 상당한 연산 시간을 필요로 하므로 자동으로 수행되는 것이 바람직하다. 최적의 가중치 세트를 탐색하는 시간을 단축하기 위해, 가중치 연산부(140)에는 인공지능에 의한 연산 기능이 포함된다.

최고 적중률(

)은 레퍼런스 데이터가 존재하는 모든 연도 개수(r), 부동산 상품의 개수(n), 부동산의 요소데이터의 개수(a), 기 설정된 범위 및 기준값을 만족하는 가중치 세트의 경우의 수(M), 레퍼런스 데이터의 요소데이터별 가중치(

)를 [수학식 7]에 대입하여 산출할 수 있다.

[수학식 7]

최고 적중률(

)이 산출될 때의 요소데이터별 가중치(

)들이 최적의 가중치 세트가 된다.

요소데이터는 주택인 경우, 아파트인 경우, 토지인 경우 모두 상이하지만, 부동산의 세분류, 예를 들어, 수도권 지역과 수도권 외 지역, 시·도 단위와 읍·면·동 단위의 세분류 차이에 따라서도 요소데이터의 종류 또는 영향력이 상이하다. 따라서, 최적의 가중치 세트는 부동산의 분류 및 세분류에 따라 서로 상이하다. 가중치 연산부(140)는 각 상황에 따라 최적의 가중치 세트를 탐색한다.

또한, 본 발명의 일 실시예는 선택된 요소데이터에 적용되는 가중치를 기 설정된 범위의 수 중에서 가장 큰 값 또는 가장 작은 값으로 치환하고, 변화되는 적중률의 정도를 이용하여 상기 선택된 요소데이터의 영향력을 분석하는 영향력 시험부(150)를 더 포함할 수 있다.

요소데이터의 영향력을 검토하기 위해 선택된 요소데이터에 임의로 최고 또는 최저 가중치를 부여하면, 산출된 적중률은 최고 적중률과 차이가 발생하게 되는데, 영향력 시험부(150)는 이 차이 정도를 분석하여 선택된 요소데이터의 영향력을 나타낸다.

이어서, 본 발명의 일 실시예에 따른 빅데이터 기반 부동산 투자 추천 방법을 설명한다.

도 5를 참고하면, 빅데이터 기반 부동산 투자 추천 방법은 가중치 연산부(140)가 부동산에 대응되는 레퍼런스 데이터를 이용하여 각 요소데이터의 가중치 경우의 수를 모두 연산하는 것으로 최고 적중률이 도출되는 최적의 가중치 세트를 산출하는 단계(S110)와, 입력부(160)가 부동산 별 요소데이터를 입력받는 단계(S120)와, 요소평가부(110)가 부동산 별로 요소데이터들의 평가값을 산출하는 단계(S140)와, 예상순위 산출부(120)가 상기 부동산 별로 각 요소데이터에 최적의 가중치를 적용한 후 합산하는 것으로 합산점수를 산출하고, 상기 합산점수가 큰 순서대로 상기 부동산의 예상수익순위를 설정하는 단계(S160)와; 표시부(170)가 부동산별로 상기 예상수익순위를 표시하는 단계(S180)를 포함한다.

S110 단계의 최고 적중률을 산출하기 위한 연산식은 [수학식 7]과 같다.

구체적으로, 도 6을 참조하면, S110 단계는 입력부(160)가 부동산에 대응되는 레퍼런스 데이터를 입력받는 단계(S110)와, 가중치 연산부(140)가 요소데이터 별로 기 설정된 범위 내의 값을 가중치로 설정하는 단계(S112)와, 적중률 연산부(130)가 레퍼런스 데이터에 포함된 요소데이터 및 상기 가중치를 이용하여 산출된 예상수익순위와 부동산 별 실제 수익 순위를 이용하여 상기 예상수익순위의 적중률을 산출하는 단계(S114)를 포함한다.

가중치 연산부(140)는 S114 단계에서 산출된 적중률이 최고 적중률인지 판단한다(S116). 만약, S114 단계에서 산출된 적중률이 최고 적중률이면, 가중치 연산부(140)가 최고 적중률을 산출하는데 이용된 가중치 세트를 최적의 가중치 세트로 결정(S118)한다. 하지만, S114 단계에서 산출된 적중률이 최고 적중률이 아닌 경우(S116), S112 단계로 이동되어 가중치 연산부(140)가 상이한 가중치 세트를 설정하게 된다.

S114 단계의 적중률을 산출하기 위한 연산식은 [수학식 6]과 같다.

도 7을 참조하면, S114 단계는 요소평가부(110)가 부동산 별로 레퍼런스 데이터에 기반한 요소데이터들의 평가값을 산출하는 단계(S1141)와, 예상순위 산출부(120)가 상기 부동산 별로 각 요소데이터에 가중치 적용 후 합산하는 것으로 합산점수를 산출하고, 상기 합산점수가 큰 순서대로 상기 부동산의 예상수익순위를 설정하는 단계(S1142)와, 적중률 연산부(130)가 상기 부동산 별 실제 수익 순위와 상기 예상수익순위를 이용하여 상기 예상수익순위의 적중률을 산출하는 단계(S1144 내지 S1148)를 포함한다.

적중률 연산부(130)가 상기 부동산 별 실제 수익 순위와 상기 예상수익순위를 이용하여 상기 예상수익순위의 적중률을 산출하는 단계는, 부동산 별로 예상수익순위에서 부동산 별 실제 수익 순위를 차감하여 차이값을 도출하는 단계(S1144)와, 부동산들의 차이값을 합한 실제합산값을 산출하는 단계(S1145)와, 부동산 별로 차이값이 가장 큰 경우를 가정하여 최악예상합산값을 산출하는 단계(S1146)와, 상기 실제합산값과 상기 최악예상합산값을 이용하여 상기 예상수익순위의 적중률을 산출하는 단계(S1148)를 포함한다.

S1146 단계에서 산출되는 최악예상합산값은 차이값의 개수(n)를 [수학식 5]에 대입하여 산출된다.

[시뮬레이션]

본 발명의 일 실시예에 따른 투자 추천 알고리즘을 아파트에 적용하였을 때의 수익률을 연산하였다.

투자 추천 알고리즘의 수익률과 대비되는 정보는 전체평균 수익률과, 전세가율70%이상 아파트의 수익률을 이용하였다.

다수의 요소데이터 및 최적의 가중치 세트를 이용하여 아파트별로 10년 기간 동안 1개월 단위로 예상수익순위를 도출하고, 2년 후 실제 수익 순위를 비교함으로써 최고 적중률을 산출하였다. 산출된 최고 적중률의 결과는 [표 10]과 같다.

시기	최고 적중률(%)
200801	81.53
200901	85.07
201001	88.80
201101	88.61
201201	83.59
201301	86.65
201401	81.50
201501	82.87
201601	85.21
평균	84.87

도 8은 본 발명의 일 실시예에 따른 투자 추천 알고리즘을 이용하여 도출된 예상수익순위 중 상위 순위 아파트(상위 30위)에 투자한 경우의 2년 후 실제 수익률과 전체평균 수익률 및 전세가율70%이상 아파트의 수익률을 비교한 그래프이다. 그래프에 나타난바와 같이, 본 발명의 일 실시예에 따른 투자 추천 알고리즘을 이용하여 구입할 아파트를 선택하면 투자 수익률이 크게 향상될 수 있음을 확인할 수 있다.

이상에서 본 발명의 바람직한 실시 예를 설명하였으나, 본 발명은 다양한 변화와 변경 및 균등물을 사용할 수 있다. 본 발명은 상기 실시예를 적절히 변형하여 동일하게 응용할 수 있음이 명확하다. 따라서 상기 기재 내용은 하기 특허청구범위의 한계에 의해 정해지는 본 발명의 범위를 한정하는 것이 아니다.

100 : 투자 추천 시스템 110 : 요소평가부
120 : 예상순위 산출부 130 : 적중률 연산부
140 : 가중치 연산부 150 : 영향력 시험부
160 : 입력부 170 : 표시부
180 : 저장부

Claims (7)

1. 부동산 별로 요소데이터들의 평가값을 산출하는 요소평가부와;
   상기 부동산 별로 각 요소데이터에 가중치를 적용한 후 상기 각 요소데이터를 합산하는 것으로 합산점수를 산출하고, 상기 합산점수가 큰 순서대로 상기 부동산의 예상수익순위를 설정하는 예상순위 산출부를 포함하고,
   상기 요소데이터에는 수요에너지 및 전세에너지 위치값이 포함되는 것을 특징으로 하는 부동산 투자 추천 알고리즘을 평가하는 시스템.
2. 제1항에 있어서,
   상기 수요에너지는 수요량과 공급량 차의 누적합이고,
   상기 수요량은 인구수와 가구생애주기의 곱으로 산출되는 것을 특징으로 하는 부동산 투자 추천 알고리즘을 평가하는 시스템.
3. 제1항에 있어서,
   상기 전세에너지 위치값은 전세가 상승과 매매가 상승 차의 누적합으로 산출되는 것을 특징으로 하는 부동산 투자 추천 알고리즘을 평가하는 시스템.
4. 제3항에 있어서,
   상기 전세에너지 위치값은 현재 전세에너지(

   

   ), 최대 전세에너지(

   

   ), 최저 전세에너지(

   

   )를
   

   

   
   에 대입하여 산출되는 것을 특징으로 하는 부동산 투자 추천 알고리즘을 평가하는 시스템.
5. 제1항에 있어서,
   상기 요소데이터에는 아파트단지 평형의 최고 가격의 절대적 위치를 나타내는 매매가의 현재위치를 더 포함하는 것을 특징으로 하는 부동산 투자 추천 알고리즘을 평가하는 시스템.
6. 제1항에 있어서,
   상기 요소데이터에는 동네평당가율이 과거시점과 대비하여 현재의 위치를 나타내는 평당가비율 현재위치를 더 포함하는 것을 특징으로 하는 부동산 투자 추천 알고리즘을 평가하는 시스템.
7. 제6항에 있어서,
   상기 동네평당가율은 어느 한 지역의 아파트단지들의 평균평당가에서 분석대상 아파트단지의 평당가가 어느 정도 위치인지를 나타내는 것이고,
   상기 동네평당가율은 부동산을 소형, 중소형, 중형, 중대형, 대형으로 구분하여 연산하는 것을 특징으로 하는 부동산 투자 추천 알고리즘을 평가하는 시스템.

Images