KR20210082105A - An apparatus for generating a learning model for predicting real estate transaction price - Google Patents
An apparatus for generating a learning model for predicting real estate transaction price Download PDFInfo
- Publication number
- KR20210082105A KR20210082105A KR1020200182102A KR20200182102A KR20210082105A KR 20210082105 A KR20210082105 A KR 20210082105A KR 1020200182102 A KR1020200182102 A KR 1020200182102A KR 20200182102 A KR20200182102 A KR 20200182102A KR 20210082105 A KR20210082105 A KR 20210082105A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- transaction price
- real estate
- learning model
- real
- Prior art date
Links
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000003066 decision tree Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 58
- 238000012545 processing Methods 0.000 claims description 37
- 238000010801 machine learning Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013499 data model Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 2
- 210000001015 abdomen Anatomy 0.000 claims 1
- 230000008569 process Effects 0.000 description 28
- 238000012937 correction Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 20
- 238000013145 classification model Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 11
- 239000000047 product Substances 0.000 description 10
- 238000012795 verification Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0278—Product appraisal
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
본 발명은 부동산 실거래가 예측을 위한 학습 모델 생성 장치에 관한 것이다. 보다 구체적으로, 본 발명은 부동산 실거래가 데이터 베이스의 트레이닝 세트 데이터를 이용해 결정 트리(decision tree) 기반의 시계열 추세 예측 학습 모델을 구축하여 부동산 실거래가 예측 기반 부동산 자산 추정 서비스를 제공할 수 있도록 하는 부동산 실거래가 예측을 위한 학습 모델 생성 장치에 관한 것이다.The present invention relates to an apparatus for generating a learning model for real estate transaction price prediction. More specifically, the present invention builds a decision tree-based time series trend prediction learning model using the training set data of the real estate transaction database, so that the real estate transaction can provide a prediction-based real estate asset estimation service. It relates to an apparatus for generating a learning model for real transaction price prediction.
국토교통부 실거래가 공개시스템과 같이, 최근에는 부동산 실거래가에 대한 다양한 데이터들이 투명하게 공개되어 공유되고 있으며, 이를 통해 현재 거래할 부동산의 부동산 예상 실거래가를 산출하는 방식들은 금융 기관과 개인을 가리지 않고 널리 사용되고 있다.Like the Ministry of Land, Infrastructure and Transport's real transaction price disclosure system, various data on real estate transaction prices have recently been transparently disclosed and shared. It is widely used.
그러나, 현재까지 제안된 부동산 예상 실거래가 산출 기술들은 아직까지 완성적이지 못하며, 많은 문제점들을 내포하고 있는 실정이다.However, the techniques for calculating the expected real transaction price of real estate proposed so far are not yet complete, and contain many problems.
예를 들어, 금융 기관에서 제시한 시세 시표나 공시가격 지표등을 통해 부동산 실거래가를 예측하는 방식이 있으나, 이러한 지표들은 실거래가와 현장 거래 의견 등을 반영하여 작성되고, 지표 생성자의 직관에 의존되는 경우가 많아 정확성이 떨어지는 문제점이 있다. 또한, 금융 기관의 경우 세금 부과나 대출 실행의 주체이므로, 이해관계에 좌우되는 부분이 있어 공정성이 결여되기 쉽다.For example, there is a method of predicting the actual transaction price of real estate through market price tables or published price indicators presented by financial institutions, but these indicators are prepared by reflecting the actual transaction price and opinions of on-site transactions, and rely on the intuition of the index creator. In many cases, there is a problem that the accuracy is lowered. In addition, in the case of financial institutions, since they are the subject of taxation or loan execution, there are parts that depend on their interests, so it is easy to lack fairness.
한편, 감정 평가 이론을 이용한 부동산 예상 실거래가 산출 기술의 경우, 체계화된 평가 기준을 제시하고, 그에 기초한 부동산의 예상 실거래가를 산출하고 있지만, 그 평가 기준 및 평가 결과도 자의적일 수 있으며, 실거래가와 다소 괴리가 있는 가격을 예상 실거래가로 산출하는 일도 잦은 문제점이 있다.On the other hand, in the case of real estate expected real transaction price calculation technology using appraisal theory, a systematic evaluation standard is presented and the expected real transaction price of real estate is calculated based on it, but the evaluation standard and evaluation result may also be arbitrary, and the actual transaction price There is also a frequent problem in calculating a price that is somewhat different from the expected actual transaction price.
이에 최근 시장에서는 기계학습을 활용하여 부동산 예상 실거래가를 산출하고자 하는 흐름이 전개되고 있다. 그러나, 예측하고자 하는 데이터의 특성에 적합한 시도가 이루어지지는 못하고 있는 실정이다. 예를 들어 빅밸류의 관련 선행특허(10-2016-0123722 등)에서는 다중회귀분석과 유사도 점수 등의 방법을 활용하여 부동산의 예상 실거래가를 산출할 수 있는 것을 설명하고 있다.In recent years, there is a trend in the market to calculate the expected real transaction price of real estate by using machine learning. However, no attempt has been made to suit the characteristics of the data to be predicted. For example, in related prior patents of Big Value (10-2016-0123722, etc.), it is explained that the expected actual transaction price of real estate can be calculated using methods such as multiple regression analysis and similarity score.
그러나, 다중회귀분석의 경우 정교한 모델링이 어려울 뿐만 아니라 투입하는 특징(feature)의 설명력에 의해 그 정확도가 크게 좌우되므로 부동산 예상 실거래가 산출에 활용하기에는 부적합하다.However, in the case of multiple regression analysis, sophisticated modeling is difficult, and the accuracy is greatly affected by the explanatory power of the input features, so it is not suitable for use in calculating the expected real estate transaction price.
또한, 유사도 점수 분석의 경우에도 각 부동산 물건마다 유사도를 계산할 부동산 물건을 복수 개 매칭하여야 하는데, 사용자의 예측 요청 이전 모든 부동산에 대해 유사도 점수를 계산해놓지 않는 이상 계산에 많은 시간이 소모되므로 실시간 서비스 제공시 애로사항이 다수 발생할 것으로 예상된다. Also, in the case of similarity score analysis, it is necessary to match a plurality of real estate objects for which similarity is to be calculated for each real estate object. Real-time service is provided because it takes a lot of time to calculate unless similarity scores are calculated for all real estate before the user's prediction request It is expected that a number of difficulties will arise in the city.
나아가, 부동산 실거래가 데이터는 특징(feature) 간 구분을 명확히 할 수 있어 표로 정리 가능한 데이터, 즉 타뷸러 데이터(tabular data)일 수 있으며, 이와 같은 유형의 데이터는 특정 특징정보(feature)의 값을 기준으로 학습 세트(training set)를 분류하고, 분류된 학습 세트별로 학습하는 결정 트리(decision tree) 계열 학습 방식이 효과적인 것으로 알려져 있다. 그러나, 학습과 동시에 현재 학습 세트(training set)보다 미래 시점의 시계열 데이터를 예측하게 하는 경우 결정 트리 방식만으로는 성능이 급락한다는 단점이 존재하는데, 이는 현재 시점의 예상 실거래가를 산출하는 것은 단기 미래 예측에 해당되므로 정확도를 보장하기 어렵기 때문이다.Furthermore, real estate transaction price data can clearly distinguish between features, so it can be tabular data, that is, tabular data, and this type of data contains the value of specific feature information. It is known that a decision tree-series learning method in which a training set is classified as a criterion and learned by the classified training set is effective. However, when learning and predicting time series data at a future point in time rather than the current training set at the same time, there is a disadvantage that the performance drops sharply only with the decision tree method. This is because it is difficult to guarantee accuracy.
또한, 부동산 실거래가 데이터는 시계열 데이터로서 정밀한 추정을 가능하게 위한 전처리 및 데이터베이스 구축이 필요하나, 모든 데이터를 데이터베이스에 적재하기에는 저장 공간 및 복잡도상 어려움이 있으며, 기계 학습 모델에 적합하면서도 활용성 높은 데이터베이스의 구축방법이 요구되고 있는 실정이다.In addition, real estate transaction price data is time series data and requires preprocessing and database construction to enable precise estimation, but it is difficult in terms of storage space and complexity to load all data into the database, and it is a highly usable database suitable for machine learning models. There is a need for a construction method of
본 발명은 공공 데이터베이스로부터 사전 처리된 실거래가 데이터베이스를 이용하여, 기계 학습을 이용한 부동산 실거래가 예측 모델을 구축하는 부동산 실거래가 예측을 위한 학습 모델 생성방법 및 그 장치를 제공하기 위한 것이다. An object of the present invention is to provide a method and an apparatus for generating a learning model for real estate real transaction price prediction for constructing a real real estate real transaction price prediction model using machine learning using a real transaction price database pre-processed from a public database.
또한 본 발명은 상기 부동산 실거래가 예측을 위한 학습 모델에 기초한 현재 및 미래의 부동산 시세에 대한 예상 실거래가 산출 데이터를 산출함으로써, 부동산 예측 실거래가 기반의 자산 추정 및 관련 서비스를 사용자 단말로 제공할 수 있는 부동산 예상 실거래가 산출 장치 및 그 동작 방법을 제공하는 데 그 목적이 있다.In addition, the present invention can provide a user terminal with asset estimation and related services based on the predicted real transaction price by calculating the expected actual transaction price calculation data for the current and future real estate market prices based on the learning model for the real estate actual transaction price prediction. An object of the present invention is to provide a real estate expected real transaction price calculation device and an operating method thereof.
상기한 바와 같은 과제를 해결하기 위한 본 발명의 실시 예에 따른 부동산 실거래가 예측을 위한 학습 모델 생성 장치는, 로드된 데이터 세트를 특정 시점을 기준으로 트레이닝 세트와, 테스트 세트으로 분리하는 단계; 상기 트레이닝 세트의 각 데이터마다 특징(feature)을 추출하거나 추가하여 인스턴스(instance)를 형성하는 단계; 상기 트레이닝 세트의 인스턴스에 의거하여 그래디언트 부스팅을 진행하여 결정 트리(decision tree) 기반의 시계열 추세 예측 학습 모델을 생성하는 단계; 상기 테스트 세트 데이터에 대해 상기 트레이닝 세트과 같은 방식으로 특징 추출 또는 추가에 의해 인스턴스를 형성하는 단계; 상기 테스트 세트 데이터의 인스턴스 특징을 상기 학습 모델에 투입하여 실거래가를 예측한 가상 데이터를 생성하는 단계; 상기 가상 데이터와 상기 테스트 세트 데이터의 실거래가 사이의 오차를 측정하여, 목표 성능 미달시 상기 학습 모델 생성단계의 하이퍼파라메터를 가변시켜 학습 트리를 더 확장하고, 목표 성능 만족시 학습 모델을 고정하는 단계를 포함하는 학습 모델 생성 방법을 수행하여 학습모델을 생성한다.The apparatus for generating a learning model for predicting real estate transaction price according to an embodiment of the present invention for solving the above-described problems includes the steps of dividing a loaded data set into a training set and a test set based on a specific time point; forming an instance by extracting or adding a feature for each data of the training set; generating a decision tree-based time series trend prediction learning model by performing gradient boosting based on the instances of the training set; forming instances on the test set data by feature extraction or addition in the same manner as the training set; generating virtual data in which the actual transaction price is predicted by inputting the instance characteristics of the test set data to the learning model; Measuring the error between the actual transaction price of the virtual data and the test set data, when the target performance is not met, by varying the hyperparameter of the learning model creation step to further expand the learning tree, and fixing the learning model when the target performance is satisfied A learning model is created by performing a learning model creation method including
상기한 바와 같은 과제를 해결하기 위한 본 발명의 실시 예에 따른 부동산 예상 실거래가 산출 장치의 동작 방법은, 외부 부동산 정보 데이터베이스로부터 수집된 부동산 관련 데이터를 부동산 물건 모델별로 병합 가공하여, 실거래가 데이터베이스를 구축하는 단계; 상기 실거래가 데이터베이스로부터 사전 설정된 시간 또는 공간 범위에 대응하는 트레이닝 세트를 구성하여, 실거래가 예측을 위한 시계열 추세 예측 학습 모델을 생성하는 단계; 상기 실거래가 데이터베이스로부터 상기 트레이닝 세트와는 분리된 실거래 데이터 기반의 테스트 세트를 구성하여, 상기 시계열 추세 예측 학습 모델의 정확도를 검증하는 단계; 상기 시계열 추세 예측 학습 모델의 정확도 검증 결과에 따라 상기 시계열 추세 예측 학습 모델의 재구성 또는 고정 처리를 수행하는 단계; 및 상기 고정 처리된 시계열 추세 예측 학습 모델을 고정 예측 모델로 설정하고, 사용자 단말의 요청에 대응하는 특징 인스턴스 데이터를 상기 고정 예측 모델에 적용하여 획득되는 부동산 실거래가 예측 정보를 상기 사용자 단말로 제공하는 단계를 포함한다.In the method of operating a real estate expected real transaction price calculation apparatus according to an embodiment of the present invention for solving the above-described problems, real estate-related data collected from an external real estate information database is merged and processed for each real estate product model, thereby generating a real transaction price database. building; constructing a training set corresponding to a preset time or spatial range from the real trade price database, and generating a time series trend prediction learning model for real trade price prediction; verifying the accuracy of the time series trend prediction learning model by configuring a test set based on actual transaction data separated from the training set from the actual transaction price database; performing reconstruction or fixing processing of the time series trend prediction learning model according to the accuracy verification result of the time series trend prediction learning model; and setting the fixed-processed time-series trend prediction learning model as a fixed prediction model, and providing real estate actual transaction price prediction information obtained by applying feature instance data corresponding to the request of the user terminal to the fixed prediction model to the user terminal includes steps.
상기한 바와 같은 과제를 해결하기 위한 본 발명의 실시 예에 따른 부동산 예상 실거래가 산출 장치는, 외부 부동산 정보 데이터베이스로부터 수집된 부동산 관련 데이터를 부동산 물건 모델별로 병합 가공하여, 데이터베이스를 구축하는 실거래가 데이터베이스; 상기 실거래가 데이터베이스로부터 사전 설정된 시간 또는 공간 범위에 대응하는 트레이닝 세트를 구성하여, 실거래가 예측을 위한 시계열 추세 예측 학습 모델을 생성하는 시계열 추세 예측 학습 모델 생성부; 상기 실거래가 데이터베이스로부터 상기 트레이닝 세트와는 분리된 실거래 데이터 기반의 테스트 세트를 구성하여, 상기 시계열 추세 예측 학습 모델의 정확도를 검증하는 검증부; 상기 시계열 추세 예측 학습 모델의 정확도 검증 결과에 따라 상기 시계열 추세 예측 학습 모델의 재구성 또는 고정 처리를 수행하는 모델 생성부; 상기 고정 처리된 시계열 추세 예측 학습 모델을 고정 예측 모델로 설정하고, 사용자 단말의 요청에 대응하는 특징 인스턴스 데이터를 상기 고정 예측 모델에 적용하여 부동산 실거래가 예측 정보를 획득하는 예측부; 및 상기 획득된 부동산 실거래가 예측 정보를 상기 사용자 단말로 제공하는 출력부를 포함한다.Real estate estimated real transaction price calculation apparatus according to an embodiment of the present invention for solving the above problems, real transaction price database for constructing a database by merging real estate-related data collected from an external real estate information database for each real estate object model ; a time-series trend prediction learning model generator configured to construct a training set corresponding to a preset time or spatial range from the real transaction price database, and generate a time-series trend prediction learning model for predicting the actual transaction price; a verification unit configured to configure a test set based on actual transaction data separated from the training set from the real transaction price database to verify the accuracy of the time series trend prediction learning model; a model generator for reconstructing or fixing the time series trend prediction learning model according to the accuracy verification result of the time series trend prediction learning model; a prediction unit that sets the fixed-processed time series trend prediction learning model as a fixed prediction model, and obtains real estate actual transaction price prediction information by applying feature instance data corresponding to a request of a user terminal to the fixed prediction model; and an output unit providing the obtained real estate transaction price prediction information to the user terminal.
한편, 상기한 바와 같은 과제를 해결하기 위한 본 발명의 실시 예에 따른 방법은 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램 및 상기 프로그램이 기록된 기록 매체로 구현될 수 있다.On the other hand, the method according to an embodiment of the present invention for solving the above problems may be implemented as a program for executing the method in a computer and a recording medium in which the program is recorded.
본 발명의 실시 예에 따르면, 학습 효율 및 활용성을 고려하여 공공 데이터베이스로부터 사전 처리된 실거래가 데이터베이스를 이용하여, 기계 학습을 이용한 부동산 실거래가 예측 모델을 구축하고, 예측 모델에 기초한 현재 및 미래의 부동산 시세에 대한 예상 실거래가 산출 데이터를 산출함으로써, 부동산 예측 실거래가 기반의 자산 추정 및 관련 서비스를 사용자 단말로 제공할 수 있는 부동산 예상 실거래가 산출 장치 및 그 동작 방법을 제공할 수 있다.According to an embodiment of the present invention, by using the real transaction price database pre-processed from the public database in consideration of learning efficiency and usability, a real estate transaction price prediction model using machine learning is built, and current and future prediction models based on the prediction model are used. It is possible to provide an apparatus for calculating an expected real transaction price for a real estate market price, and an operating method thereof, which can provide an asset estimation and related services based on the predicted real transaction price to a user terminal by calculating the estimated actual transaction price calculation data for the real estate market price.
도 1은 본 발명의 실시 예에 따른 전체 시스템을 개략적으로 도시한 도면이다.
도 2는 본 발명의 실시 예에 따른 정보 저장부에 저장되는 데이터의 예시도이다.
도 3은 본 발명의 실시 예에 따른 학습부를 보다 구체적으로 설명하기 위한 도면이다.
도 4는 본 발명의 실시 예에 따른 부동산 실거래 데이터 처리부에서 학습을 위해 분리된 예측 모델용 데이터의 예시도이다.
도 5는 본 발명의 실시 예에 따른 가상 데이터의 예시도이다.
도 6은 본 발명의 실시 예에 따른 입력부를 보다 구체적으로 도시한 도면이다.
도 7은 본 발명의 실시 예에 따른 사용자 입력 데이터 수용부에서 처리되는 사용자 입력 데이터 및 데이터 보정 실시예이다.
도 8 및 도 9는 본 발명의 실시 예에 따른 특성 데이터 획득 및 보정예시도이다.
도 10은 본 발명의 실시 예에 따른 예측부를 보다 구체적으로 도시한 블록도이다.
도 11 내지 도 13은 본 발명의 실시 예에 따른 서버의 동작 방법을 순차적으로 도시한 흐름도이다.
도 14 내지 도 19는 본 발명의 실시 예에 따른 실거래가 데이터베이스 구축 단계와, 이에 기초한 학습 모델을 구축하기 위한 특성 데이터 구성, 특징 정보 인스턴스 구성 및 이에 따른 프로세스를 설명하기 위한 도면들이다.1 is a diagram schematically illustrating an entire system according to an embodiment of the present invention.
2 is an exemplary diagram of data stored in an information storage unit according to an embodiment of the present invention.
3 is a diagram for describing a learning unit according to an embodiment of the present invention in more detail.
4 is an exemplary diagram of data for a predictive model separated for learning by a real estate transaction data processing unit according to an embodiment of the present invention.
5 is an exemplary diagram of virtual data according to an embodiment of the present invention.
6 is a diagram illustrating an input unit according to an embodiment of the present invention in more detail.
7 is an embodiment of user input data and data correction processed by the user input data receiving unit according to an embodiment of the present invention.
8 and 9 are diagrams illustrating acquisition and correction of characteristic data according to an embodiment of the present invention.
10 is a block diagram illustrating a prediction unit according to an embodiment of the present invention in more detail.
11 to 13 are flowcharts sequentially illustrating a method of operating a server according to an embodiment of the present invention.
14 to 19 are diagrams for explaining the step of constructing the actual transaction price database, the configuration of characteristic data for building a learning model based thereon, configuration of the characteristic information instance, and the process according thereto according to an embodiment of the present invention.
이하의 내용은 단지 본 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 본 발명의 원리를 구현하고 본 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시예들은 원칙적으로, 본 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.The following is merely illustrative of the principles of the invention. Therefore, those skilled in the art will be able to devise various devices which, although not explicitly described or shown herein, embody the principles of the present invention and are included within the spirit and scope of the present invention. Moreover, it is to be understood that all conditional terms and examples listed herein are, in principle, expressly intended solely for the purpose of enabling the concept of the present invention to be understood, and not limited to the specifically enumerated embodiments and states as such. should be
또한, 본 발명의 원리, 관점 및 실시예들 뿐만 아니라 특정 실시예를 열거하는 모든 상세한 설명은 이러한 사항의 구조적 및 기능적 균등물을 포함하도록 의도되는 것으로 이해되어야 한다. 또한 이러한 균등물들은 현재 공지된 균등물뿐만 아니라 장래에 개발될 균등물 즉 구조와 무관하게 동일한 기능을 수행하도록 발명된 모든 소자를 포함하는 것으로 이해되어야 한다.Moreover, it is to be understood that all detailed description reciting the principles, aspects, and embodiments of the invention, as well as specific embodiments, are intended to cover structural and functional equivalents of such matters. It is also to be understood that such equivalents include not only currently known equivalents, but also equivalents developed in the future, i.e., all devices invented to perform the same function, regardless of structure.
따라서, 예를 들어, 본 명세서의 블럭도는 본 발명의 원리를 구체화하는 예시적인 회로의 개념적인 관점을 나타내는 것으로 이해되어야 한다. 이와 유사하게, 모든 흐름도, 상태 변환도, 의사 코드 등은 컴퓨터가 판독 가능한 매체에 실질적으로 나타낼 수 있고 컴퓨터 또는 프로세서가 명백히 도시되었는지 여부를 불문하고 컴퓨터 또는 프로세서에 의해 수행되는 다양한 프로세스를 나타내는 것으로 이해되어야 한다.Thus, for example, the block diagrams herein are to be understood as representing conceptual views of illustrative circuitry embodying the principles of the present invention. Similarly, all flowcharts, state transition diagrams, pseudo code, etc. may be tangibly embodied on computer-readable media and be understood to represent various processes performed by a computer or processor, whether or not a computer or processor is explicitly shown. should be
또한 프로세서, 제어 또는 이와 유사한 개념으로 제시되는 용어의 명확한 사용은 소프트웨어를 실행할 능력을 가진 하드웨어를 배타적으로 인용하여 해석되어서는 아니되고, 제한 없이 디지털 신호 프로세서(DSP) 하드웨어, 소프트웨어를 저장하기 위한 롬(ROM), 램(RAM) 및 비 휘발성 메모리를 암시적으로 포함하는 것으로 이해되어야 한다. 주지관용의 다른 하드웨어도 포함될 수 있다.In addition, clear use of terms presented as processor, control, or similar concepts should not be construed as exclusively referring to hardware having the ability to execute software, and without limitation, digital signal processor (DSP) hardware, ROM for storing software. It should be understood to implicitly include (ROM), RAM (RAM) and non-volatile memory. Other common hardware may also be included.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. The above-described objects, features and advantages will become more apparent through the following detailed description in relation to the accompanying drawings, and accordingly, those of ordinary skill in the art to which the present invention pertains can easily implement the technical idea of the present invention. There will be. In addition, in describing the present invention, if it is determined that a detailed description of a known technology related to the present invention may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 일실시예를 상세히 설명하기로 한다.Hereinafter, a preferred embodiment according to the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 실시 예에 따른 전체 시스템을 개략적으로 도시한 도면이다.1 is a diagram schematically illustrating an entire system according to an embodiment of the present invention.
도 1을 참조하면 본 발명의 일 실시 예에 따른 전체 시스템은, 외부 부동산 정보 데이터베이스(300), 서버(100) 및 사용자 단말(200)을 포함한다.Referring to FIG. 1 , the entire system according to an embodiment of the present invention includes an external real
보다 구체적으로, 외부 부동산 정보 데이터베이스(300), 서버(100) 및 사용자 단말(200)은, 네트워크를 통해 유선 또는 무선으로 연결될 수 있다.More specifically, the external real
네트워크간 상호간 통신을 위해 각 외부 부동산 정보 데이터베이스(300), 서버(100) 및 사용자 단말(200)은, 인터넷 네트워크, LAN, WAN, PSTN(Public Switched Telephone Network), PSDN(Public Switched Data Network), 케이블 TV 망, WIFI, 이동 통신망 및 기타 무선 통신망 등을 통하여 데이터를 송수신할 수 있다. 또한, 각 외부 부동산 정보 데이터베이스(300), 서버(100) 및 사용자 단말(200)은 각 통신망에 상응하는 프로토콜로 통신하기 위한 각각의 통신 모듈을 포함할 수 있다.For mutual communication between networks, each external real
그리고, 본 명세서에서 설명되는 사용자 단말(200)에는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션 등이 포함될 수 있으나, 본 발명은 이에 한정되지 아니하며 그 이외에 사용자 입력 및 정보 표시 등이 가능한 다양한 장치일 수 있다.In addition, the
먼저, 외부 부동산 정보 데이터베이스(300)는, 부동산 정보 조회 시스템과 같은 공공 데이터베이스로서, 부동산 관련 데이터를 저장 및 관리하며, 서버(100)의 요청에 따라 부동산 관련 데이터를 제공하는 국토교통부 실거래가 공개시스템 등이 예시될 수 있다.First, the external real
본 명세서에서 부동산 관련 데이터란, 부동산 가격 및 거래량에 영향을 줄 수 있는 데이터를 포함할 수 있다. 현대의 부동산 시장은 미시 및 거시경제의 다양한 변수들과 정부의 부동산 관련 정책 등에 의해 영향을 받는다. 즉, 부동산 실거래량, 매물량(매매/전세/월세 등), 실거래가, 호가, 주택 시세, 공시지가 및 주택 공급/멸실 등 부동산 가격과 거래량과 직접 연관된 데이터들뿐만 아니라, 기준 금리, 물가지수, 취득세, 인지세, 종합부동산세와 같은 부동산 관련 세금 또는 LTV, DTI와 같은 부동산 대출 규제 및 부동산 정책과 같은 정부의 부동산에 대한 행동들 역시 부동산 가격과 거래량에 영향을 준다.In the present specification, real estate-related data may include data that may affect real estate prices and transaction volumes. The modern real estate market is affected by various micro- and macro-economic variables and the government's real estate-related policies. That is, not only data directly related to real estate prices and transaction volumes, such as real estate transaction volume, sales volume (sales/jeonse/monthly rent, etc.), actual transaction price, asking price, housing price, official land price, and housing supply/destruction, but also reference interest rate, price index, acquisition tax Government actions on real estate, such as real estate-related taxes such as , stamp duty and comprehensive real estate tax, or real estate loan regulations such as LTV and DTI, and real estate policies also affect real estate prices and transaction volume.
따라서 외부 부동산 정보 데이터베이스(300)로부터, 서버(100)는 부동산 가격과 거래량에 영향을 줄 수 있는 부동산 가격과 거래량에 직접 연관된 내용, 부동산 관련 세금, 부동산 대출 규제 또는 부동산 정책과 같은 내용의 부동산 관련 데이터를 획득할 수 있다.Therefore, from the external real
그러므로, 서버(100)가 획득할 수 있는 부동산 관련 데이터는 실거래량, 매물량, 실거래가, 호가, 공시지가, 공급량, 멸실량, 기준금리, 물가지수, DTI, LTV 및 부동산 관련 세금 등 다양한 부동산 시장에 영향을 주는 데이터 중 적어도 하나를 포함할 수 있다. 또한, 부동산 시장은 지역단위로 움직이는 것이 일반적이므로, 부동산 관련 데이터는 부동산의 위치 정보를 더 포함할 수 있으나, 위치 정보를 포함하지 않는 경우에도 서버(100)는 지오코딩과 같은 방식으로 전처리를 수행하여, 학습 및 예측에 용이한 부동산 특성 인스턴스 데이터를 산출할 수 있다.Therefore, real estate-related data that can be obtained by the
이와 같이 서버(100)는, 공공 데이터베이스와 같은 부동산 정보 데이터베이스(300)로부터 획득된 부동산 관련 데이터의 전처리를 수행하여 실거래가 데이터베이스(110)를 구축하고, 구축된 데이터베이스를 이용한 부동산 예상 실거래가 산출 엔진(120)을 구동시켜, 기계 학습을 이용한 부동산 실거래가 예측 모델을 구축하며, 예측 모델에 기초한 현재 및 미래의 부동산 시세에 대한 예상 실거래가 산출 데이터를 산출할 수 있다.As such, the
그리고, 서버(100)는, 서비스 제공 엔진(130)을 구동시켜, 부동산 예측 실거래가 기반의 자산 추정 및 관련 서비스를 접속된 사용자 단말(200)로 제공할 수 있다.In addition, the
이러한 처리를 위해, 먼저 서버(100)는 실거래가 데이터베이스(110)를 포함할 수 있으며, 실거래가 데이터베이스(110)는 정보 수집부(111) 및 정보 저장부(112)를 포함하여, 외부 부동산 정보 데이터베이스(300)로부터 수집된 부동산 관련 데이터를 전처리하고, 데이터베이스로서 저장 및 관리한다.For this processing, first, the
부동산 관련 데이터는 제공 주체와 제공 목적에 따라 다양한 형태로 유통되는 한편, 그 특성상 단일 종류의 데이터만으로는 데이터의 원 관념인 부동산을 총체적으로 파악하기 어렵다. 즉, 부동산 데이터를 온전히 활용하기 위해서는 여러 데이터를 종합하여 완결성을 갖는 부동산 데이터로 가공할 필요가 있다. On the other hand, real estate-related data is distributed in various forms depending on the provider and purpose of provision, but due to the nature of the data, it is difficult to grasp the original concept of real estate as a whole with only one type of data. In other words, in order to fully utilize real estate data, it is necessary to synthesize various data and process it into real estate data with completeness.
따라서, 본 발명의 실시 예에 따른 정보 수집부(111)는, 외부 부동산 정보 데이터베이스(300)로부터 수집된 부동산 관련 데이터를 전처리 가공하여, 정보 저장부(112)에 저장 및 관리할 수 있다. 수집하고자 하는 부동산 관련 데이터 혹은 그 데이터가 포함된 외부 부동산 정보 데이터베이스(300)의 특성에 따라 데이터 수집 주기는 조정될 수 있으며, 여러 종류의 데이터를 수집하는 경우 각 데이터 종류마다 수집 주기가 다르게 설정될 수 있다.Accordingly, the
정보 저장부(112)는 정보 수집부(111)에서 수집한 데이터로부터 취합하고자 하는 정보를 정리하고, 이를 데이터베이스의 형태로 저장한다.The
예를 들어, 정보 저장부(112)는 저장 시, 동일한 부동산 혹은 부동산 거래 사례와 관련하여 여러 데이터에서 중복되거나 상충하는 항목이 존재하는 경우, 검증 프로세스를 통해 하나의 데이터로 통합 처리하는 전처리를 수행할 수 있다. 정보 저장부(112)에 구축된 데이터베이스는 이후 학습 데이터로 활용될 수 있으며, 부동산 예상 실거래가 산출를 위한 핵심적인 데이터를 포함할 수 있다.For example, when storing, the
도 2는 본 발명의 실시 예에 따른 정보 저장부(112)에 저장되는 데이터의 예시도이다. 도 2에서는, 인천광역시 부평구 내 3개의 법정동에 위치한 아파트 단지들의 2019년 1월 1일부터 2019년 11월 30일까지의 실거래 데이터가 정보 수집부(111)를 통해 외부 부동산 정보 데이터베이스(300)로부터 수집되고, 정보 저장부(112)에서 전처리 가공하여 저장한 데이터베이스가 도시되어 있다.2 is an exemplary diagram of data stored in the
본 발명의 실시 예에 따르면, 전처리 가공단계에서는 부동산 예상 실거래가 산출 엔진(120)의 학습 및 예측을 용이하게 하기 위해, {시군구, 번지, 본번, 부번, 단지명, 건축년도, 면적, 층, 거래일자, 거래가격}으로 지정되어 있는 외부 부동산 정보 데이터베이스(300)의 부동산 관련 데이터 구성 항목을 변경 가공할 수 있다.According to an embodiment of the present invention, in the pre-processing step, in order to facilitate the learning and prediction of the real estate expected real transaction
변경 가공을 위해, 본 발명의 실시 예에 따른 정보 저장부(112)는 실제 데이터베이스를 구성함에 있어서, 상기 항목들 중 일부를 제외하거나 {도로명주소, 동, 호, 향}과 같은 세부 주소 항목을 추가하는 등의 가공 처리를 수행할 수 있다. 다만, 특정 시점의 부동산 실거래가를 예측하기 위해서는 특성 값인 {거래일자}와 결과 값인 {거래가격} 항목은 필수적으로 포함시키는 것이 바람직하다.For change processing, the
도 3은 본 발명의 실시 예에 따른 학습부(121)를 보다 구체적으로 설명하기 위한 도면이다.3 is a diagram for describing the
도 3을 참조하면 본 발명의 실시 예에 따른 학습부(121)는, 부동산 실거래 데이터 처리부(1211), 시계열 추세 예측 학습 모델 생성부(1212), 부동산 예측 데이터 생성부(1213), 부동산 시세 분류 모델 생성부(1214) 및 부동산 시세 검증부(1215) 중 적어도 하나를 포함할 수 있다.Referring to FIG. 3 , the
부동산 실거래 데이터 처리부(1211)는, 실거래가 데이터베이스(110)로부터 학습에 필요한 학습 데이터 및 예측 모델 데이터 구성을 위한 분리 데이터를 추출 처리한다. 예를 들어, 부동산 실거래 데이터 처리부(1211)는, 실거래가 데이터베이스(110)를 로드하고, 사전 설정된 지역 또는 기간 범위 조건에 따라 일부 데이터를 분리하여 예측 모델 데이터로서 1차적으로 추출하고 나머지 데이터를 원본 학습 데이터로서 추출할 수 있다. 이 때 분리할 데이터는 전체 데이터 중 무작위로 선정할 수 있으나, 목표 성능에 따라 일정 기준을 정하여 선별할 수 있다.The real estate transaction
도 4는 부동산 실거래 데이터 처리부(1211)에서 학습을 위해 분리된 예측 모델용 데이터의 예시도이다. 도 4를 참조하면, 2019년 11월 30일과 그 이후의 실거래가를 예측하고자 한다는 전제 하에, 도 2에 도시된 실거래가 데이터베이스(110)에 포함된 데이터 중 거래일자 항목의 특성값이 2019년 9월 1일부터 2019년 11월 30일 사이인 데이터가 학습을 위해 분리된 것을 확인할 수 있다.4 is an exemplary diagram of data for a predictive model separated for learning by the real estate transaction
이와 같이, 예측하고자 하는 시점으로부터 일정 기간 이전의 데이터를 분리하면, 시계열 추세 예측 학습 모델 생성부(1212)에서는 분리 데이터를 이용하여 시계열 추세 예측 학습 모델을 생성할 수 있다. 분리 데이터로부터 예측된 모델은 동일 기간의 실거래 데이터와는 과적합되지 않아 예측이 편향되지 않을 가능성이 높아질 수 있다. 본 실시예에 사용된 분리 기준은 일례에 불과하며, 특정 특성값 항목 또는 데이터 통계량 등 그 기준이 될 수 있는 요소는 목표 성능에 따라 달라질 수 있다.In this way, when data before a certain period of time is separated from the time to be predicted, the time series trend prediction learning
시계열 추세 예측 학습 모델 생성부(1212)는 부동산 실거래 데이터 처리부(1211)에서 분리된 데이터로부터, 시계열 추세를 예측하기 위한 예측 학습 모델을 생성한다. 시계열 추세 예측 학습 모델 생성부(1212)가 생성하는 모델은 최종 예측 실거래가 산출에 직접적으로 이용될 수도 있으나, 분리된 데이터 영역을 나머지 학습 데이터와 함께 학습 처리할 수 있는 가상 데이터 구성에 이용되는 것이 바람직하다.The time series trend prediction learning
따라서, 시계열 추세 예측 학습 모델 생성부(1212)는, 시계열 추세 예측 학습 모델로부터 부동산 실거래 데이터 처리부(1211)에서 분리된 데이터와 유사한 경향성을 갖되 그 데이터와 일치하지는 않는 가상 데이터를 생성함으로써, 그 가상 데이터가 전체 데이터의 일관성을 해치지 않는 선에서 학습에 활용되도록 처리할 수 있다.Accordingly, the time series trend prediction learning
이를 위해, 시계열 추세 예측 학습 모델 생성부(1212)는 정확도가 비교적 낮지만 대규모 데이터 처리에 강점이 있는 기계 학습/인공신경망 학습 알고리즘과, 정확도가 비교적 높지만 국지적으로 활용하기 적합한 기계 학습/인공신경망 학습 알고리즘을 상보적으로 이용하여 시계열 추세 예측 학습 모델을 생성할 수 있다.To this end, the time series trend prediction learning
이러한 예측 학습 모델을 위해, 부동산 예측 데이터 생성부(1213)는, 시계열 추세 예측 학습 모델 생성부(1212)에서 생성된 모델을 기반으로 사전 분리된 데이터 구간에 대응하는 예측을 실행하며 그 결과를 가상 데이터로 생성할 수 있다.For this predictive learning model, the real estate prediction
도 5는 본 발명의 실시 예에 따른 가상 데이터의 예시도이다. 부동산 실거래 데이터 처리부(1211)에서 분리된 데이터는 거래일자 항목의 특성값이 2019년 9월 1일부터 2019년 11월 30일 사이인 데이터이기 때문에, 2019년 9월 1일 이후 시점에 대한 실거래 데이터는 원본 데이터에는 포함되지 않은 상태이다.5 is an exemplary diagram of virtual data according to an embodiment of the present invention. Since the data separated by the real estate real transaction
따라서, 본 발명의 실시 예에 따른 부동산 예측 데이터 생성부(1213)는, 시계열 추세 예측 학습 모델 생성부(1212)에서 생성한 예측 학습 모델을 이용하여 2019년 9월 1일부터 2019년 11월 30일 기준 근미래 시점까지의 가상 실거래 데이터를 예측 생성할 수 있다. 도 5에서의 실시예에 따르면, 학습 데이터 원본의 거래일자를 제외한 모든 특성값은 고정하고 2019년 9월 1일 이후 임의의 시점이 거래일자가 되도록 부여하여 구성된 데이터이며, 기존 거래가격에 임의의 증감폭을 부여한 수치를 거래가격으로 예측하도록 생성된 시계열 추세 예측 학습 모델을 이용한 가상 데이터가 산출될 수 있다. 여기서, 거래일자를 포함한 가상 데이터 특성값의 지정/부여 방식은 다양하게 변경될 수 있다.Accordingly, the real estate prediction
한편, 부동산 시세 분류 모델 생성부(1214)는, 부동산 실거래 데이터 처리부(1211)에서 분리된 학습용 데이터와, 부동산 예측 데이터 생성부(1213)에서 생성된 가상 데이터를 이용하여, 최종 실거래가 예측 모델을 생성한다.On the other hand, the real estate market price classification
그리고, 부동산 시세 검증부(1215)는 부동산 시세 분류 모델 생성부(1214)에서 생성한 모델의 정확도를 테스트를 통해 검증하고, 그 결과에 따라 부동산 시세 분류 모델 생성부(1214)의 재 기동 여부를 결정한다. Then, the real estate market
부동산 시세 검증부(1215)는, 부동산 실거래 데이터 처리부(1211)에서 분리하여, 시계열 추세 예측 학습 모델 생성부(1212)로 전달되었던 분리 데이터를 이용하여, 예측 정확도 테스트를 실시할 수 있다. 정확도 테스트에는 MAPE 등 다양한 통계적 측정 방식이 활용될 수 있다. The real estate market
부동산 시세 검증부(1215)는 테스트 결과 목표 정확도를 만족한 경우 지금까지 생성된 학습 모델 기반의 트리를 시세 분류 모델로 고정 처리하며, 만족하지 못한 경우 부동산 시세 분류 모델 생성부(1214)로 보정 정보를 전달할 수 있다. 부동산 시세 분류 모델 생성부(1214)는, 보정 정보에 따라, 추가 학습 모델 트리를 생성하여 기존 생성된 학습 모델 트리에 결합할 수 있다.The real estate
도 6은 본 발명의 실시 예에 따른 입력부(131)를 보다 구체적으로 도시한 도면이다. 도 6을 참조하면, 입력부(131)는, 사용자 입력 데이터 수용부(1311) 및 특성 데이터 전송부(1312)를 포함할 수 있으며, 사용자 입력 데이터 수용부(1311)는, 사용자 입력 데이터 획득부(1311A) 및 사용자 입력 데이터 보정부(1311B)를 포함할 수 있고, 특성 데이터 전송부(1312)는, 특성 데이터 획득부(1312A) 및 특성 데이터 보정부(1312B)를 포함할 수 있다.6 is a diagram illustrating the
사용자 입력 데이터 획득부(1311A)는 사용자 단말(200)로부터 특정 부동산의 가격을 예측하고자 하는 사용자 요청 데이터를 입력 데이터로서 수신할 수 있다. 사용자 단말(200)에서는 부동산의 주소를 텍스트로 입력하거나, 지도에서 부동산을 선택 입력하거나, 사진으로 부동산을 촬영 입력하여, 생성된 사용자 요청 데이터를 서버(100)의 사용자 입력 데이터 획득부(1311A)로 전송할 수 있다. 여기서, 사용자가 사용자 단말(200)에서 입력할 데이터의 종류와 입력 형식은 자유로울 수 있으나, 부동산을 특정하기에 충분한 정도의 필요 데이터가 입력되어야 한다. The user input data acquisition unit 1311A may receive, as input data, user request data for predicting the price of a specific real estate from the
사용자 입력 데이터 보정부(1311B)는 사용자 입력 데이터가 수신되면, 특성 데이터 획득부(1312A)에서의 처리를 용이하게 하기 위한 데이터 보정 처리를 수행할 수 있다.When the user input data is received, the user input data correction unit 1311B may perform data correction processing for facilitating the processing in the characteristic
여기서, 보정 처리는, 사용자의 데이터 입력 이후, 즉 사후적으로 진행될 수도 있으나, 사용자가 데이터를 입력하는 동시에 진행되도록 처리하는 방식도 가능하다. 입력 데이터 보정을 마친 이후 사용자 입력 데이터 보정부(1311B)는, 특성 데이터 전송부(1312)의 특성 데이터 획득부(1312A)로 입력 데이터를 전송한다.Here, the correction process may be performed after the user's data input, that is, post-mortem, but a method of processing the data so that the user inputs data and proceeds simultaneously is also possible. After the input data correction is completed, the user input data correction unit 1311B transmits the input data to the characteristic
도 7은 사용자 입력 데이터 수용부(1311)에서 처리되는 사용자 입력 데이터 및 데이터 보정 실시예이다. 통상적으로 사용자는 기억의 불완전성, 편의 추구, 일시적인 나태 등으로 인해 도 7에 도시된 '산곡동 510 103동 1102호'와 같이 온전한 주소는 아니지만 부동산을 특정하는 데에 핵심적인 데이터만을 입력하게 할 수 있다. 7 is an example of user input data processed by the user input
이에 따라, 도 7에 도시된 바와 같이, 사용자 입력 데이터 획득부(1311A)에서 '산곡동 510 103동 1102호'가 획득되면, 사용자 입력 데이터 보정부(1311B)는, 등기부 등본의 주소 형식에 맞게 사용자 입력 데이터를 보정 처리할 수 있다.Accordingly, as shown in FIG. 7 , when 'Sangok-
이는 특성 데이터 전송부(1312)가 등기부등본 데이터베이스를 검색하여 특성 데이터를 획득하는 경우에 한정된 것이며, 보정 처리는 특성 데이터 전송부(1312)에서 처리되는 특성 데이터의 종류에 따라 결정될 수 있다. This is limited to a case in which the characteristic
또한 본 발명의 실시 예에 따르면, 사용자 입력 데이터 보정부(1311B)는, 사용자 입력 데이터 획득부(1311A)에 입력된 정보를 실시간으로 반영하여 보정할 수 있으며, 보정 결과를 즉각적으로 사용자 단말(200)로 출력하여 사용자가 보정된 데이터를 입력 데이터로 전달할지 선택하도록 할 수도 있다. 다만, 입력 데이터 보정의 원리와 그 내용은 특성 데이터 획득부(1312A)에서 요구하는 데이터 형식 혹은 내용에 따라 달라질 수 있다.In addition, according to an embodiment of the present invention, the user input data correcting unit 1311B may reflect and correct information input to the user input data obtaining unit 1311A in real time, and immediately display the correction result to the
한편, 다시 도 6을 참조하면, 특성 데이터 획득부(1312A)는, 사용자 입력 데이터 수용부(1311)로부터 선택적으로 보정된 사용자 입력 데이터를 전달받아, 사용자 입력 데이터로부터 특정되는 부동산의 특성 값을 예측부(122)로 전송할 수 있는 형태로 추출할 수 있다. 부동산 특성값 추출에는 주로 등기부등본/건축물대장 등의 공부 데이터베이스(미도시)를 활용할 수 있다.On the other hand, referring back to FIG. 6 , the characteristic
공부(公簿) 데이터베이스는 부동산 등기사항전부증명서(이하 등기부등본), 건축물대장, 토지대장 등 부동산과 관련하여 행정부 혹은 사법부에서 관리하는 문서를 저장하는 데이터베이스를 포함하며, 각 문서 유형별 복수의 데이터베이스로 구성될 수 있다. 공부 작성 과정상 문제로 인해 공부상 기재된 정보는 실체적인 정보와 일치하지 않을 수 있지만, 실제 관측을 통해 정보를 수집하는 경우를 제외하면 가장 높은 신뢰성을 갖는다. 따라서 데이터베이스에 포함된 데이터 특성값 보정, 학습시 특성값 추가, 예측시 입력값 보완 등에 적극적으로 활용할 수 있어 구축 완성도가 높아질수록 예측의 정확도 또한 높아진다. 그러나 국내의 모든 부동산에 대해 실시간으로 공부 데이터베이스를 구축하는 것은 어려울 수 있으므로, 기간이나 지역을 한정하여 데이터를 수집하거나 요청이 들어올 때마다 데이터를 수집하는 방법 등을 채택할 수 있다.The study database includes a database that stores documents managed by the executive or judicial branch in relation to real estate, such as a certificate of all real estate registrations (hereinafter, a certified copy of the register), a building ledger, and a land ledger, and is divided into multiple databases for each document type. can be configured. Due to problems in the study writing process, the information recorded in the study may not match the actual information, but it has the highest reliability except when information is collected through actual observation. Therefore, it can be actively used for correction of data characteristic values included in the database, addition of characteristic values during learning, and supplementation of input values during prediction, and thus the accuracy of prediction increases as the construction completeness increases. However, since it can be difficult to build a real-time study database for all real estate in Korea, a method of collecting data by limiting a period or region or collecting data whenever a request is made can be adopted.
그리고, 특성 데이터 보정부(1312B)는 특성 데이터를 데이터베이스 검색에 용이한 형태로 보정하는 처리를 수행한다. 특성 데이터 보정부(1312B)에서 보정된 특성 데이터는 예측부(122)의 입력부 전달 데이터 획득부(1221)(1221)로 전달될 수 있다.Then, the characteristic
도 8 및 도 9는 특성 데이터 획득 및 보정예시도이다. 도 8을 참조하면, 특성 데이터 획득부(1312A)는 사용자가 입력한 데이터를 보정한 값인 '인천광역시 부평구 산곡동 510외 1필지 푸**오 제103동 제11층 제1102호'를 전달받아, 공부 데이터베이스로부터 등기부등본을 발급 후 이용하여 특성 값을 추출할 수 있다.8 and 9 are exemplary diagrams of acquisition and correction of characteristic data. Referring to FIG. 8, the characteristic
예를 들어, 특성 데이터 획득부(1312A)는 등기부등본의 제목으로부터 주소 정보를 추출하고, 표제부 전유부분 표시 부분으로부터 전용면적과 층수를 획득하여, 특성 값을 보정할 수 있다. 다만 본 실시예는 특성 데이터 획득 과정의 일례에 불과하며, 전달받은 사용자 입력 데이터로 발급받는 공부의 종류, 부동산 시세 분류 모델 생성부(1214)에서 생성한 모델이 요구하는 특성값의 종류 등에 따라 추출 항목은 달라질 수 있다.For example, the characteristic
그리고, 도 9를 참조하면, 도 9에서 추출된 주소는 등기부등본에서 획득한 값이기 때문에 등기부등본을 검색할 때에는 유용하게 사용될 수 있으나, 도 9 하단 도면과 같이 실거래가 데이터베이스가 구성되어 있을 경우 내용의 형식이 일치하지 않아 데이터베이스 검색, 모델 적용 등의 과정에서 본 발명이 정상적으로 기능하는 데에 어려움이 있을 수 있다.And, referring to FIG. 9, since the address extracted in FIG. 9 is a value obtained from a certified copy of the register, it can be usefully used when searching for a certified copy of the register. Since the format of ' does not match, it may be difficult for the present invention to function normally in the process of database search, model application, and the like.
따라서, 본 발명의 실시 예에 따르면 특성 데이터 보정부(1312B)는 도 9에 도시된 바와 같이, 획득한 특성 데이터의 {주소} 항목을 {시군구, 번지, 본번, 부번, 단지명}으로 세분화하고, {주소} 항목의 내용을 각 항목에 맞게 보정 처리할 수 있다. 단 본 발명의 실시 과정에서 실제 보정 원리와 그 내용은 실거래가 데이터베이스를 구성하는 특성값 항목과 그 내용에 따라 달라질 수 있으며, 경우에 따라 지도 등의 외부 상용 서비스를 활용하여 특성 데이터를 보정할 수 있다.Therefore, according to an embodiment of the present invention, the characteristic
도 10은 본 발명의 실시 예에 따른 예측부(122)를 보다 구체적으로 도시한 블록도이다.10 is a block diagram illustrating the
도 10을 참조하면, 본 발명의 실시 예에 따른 예측부(122)는, 입력부 전달 데이터 획득부(1221), 부동산 실거래 데이터 획득부(1222), 부동산 시세 분류 모델 적용부(1223), 산출 데이터 전송부(1225)를 포함하며, 산출 데이터 보정부(1224)를 선택적으로 포함할 수 있다.Referring to FIG. 10 , the
입력부 전달 데이터 획득부(1221)는 입력부(131)로부터 사용자가 조회하고자 하는 부동산의 특성 데이터를 수신하여, 부동산 실거래 데이터 획득부(1222) 및 부동산 시세 분류 모델 적용부(1223)로 전달한다.The input unit transmission
부동산 실거래 데이터 획득부(1222)는 부동산의 특성 데이터로 실거래가 데이터베이스(110)를 검색하고, 부동산의 특성 데이터와 일치하는 실거래가 데이터가 존재하는 경우 상기 일치하는 실거래가 데이터를 획득하며, 존재하지 않는 경우 사전 설정 기준에 따라 상기 특성 데이터와 유사한 특성 데이터를 상기 실거래가 데이터로서 획득한다.The real estate transaction
부동산 시세 분류 모델 적용부(1223)는 입력부로부터 전송받은 특성 데이터를 학습부(121)에서 사전 생성된 부동산 시세 분류 모델에 적용하여, 실거래가 예측 데이터를 산출한다.The real estate price classification
그리고, 산출 데이터 보정부(1224)는, 부동산 시세 분류 모델 적용부(1223)에서 산출한 실거래가 예측 데이터를 부동산 실거래 데이터 획득부(1222)에서 획득한 실거래가 데이터에 기반하여 보정한다.Then, the calculated
이에 따라, 산출 데이터 전송부(1225)는 최종적으로 산출된 실거래가 예측 데이터를 출력부(132)로 전송하며, 출력부(132)는 사용자 단말(200)로 실거래가 예측 데이터 기반의 서비스 인터페이스 정보를 가공하여 전송 처리할 수 있다.Accordingly, the calculated
도 11 내지 도 13은 상술한 본 발명의 실시 예에 따른 서버(100)의 동작 방법을 순차적으로 도시한 흐름도이다.11 to 13 are flowcharts sequentially illustrating an operation method of the
먼저, 도 11을 참조하면, 서버(100)의 입력부(131)는 사용자 단말(200)로부터 사용자 입력 데이터를 수신하며(S101), 입력된 사용자 입력 데이터를 보정 처리한다(S103).First, referring to FIG. 11 , the
그리고, 서버(100)의 입력부(131)는 부동산 공부 데이터베이스에 접속하며(S105), 보정된 사용자 입력 데이터와 연관된 부동산 공부 데이터를 검색한다(S107).Then, the
이후, 서버(100)의 입력부(131)는 부동산 공부 데이터 및 보정된 사용자 입력 데이터를 이용하여, 특성 데이터를 추출하고(S109), 추출된 특성 데이터를 보정하며(S111), 보정된 특성 데이터는 예측부(122)로 전달한다(S113).Thereafter, the
한편, 도 12를 참조하면, 서버(100)의 학습부(121)는, 실거래가 데이터베이스(110)를 사전 구축하고(S201), 실거래가 데이터로부터 일부 데이터가 분리된 가상 데이터 학습 모델용 데이터를 획득한다(S203).Meanwhile, referring to FIG. 12 , the
그리고, 학습부(121)는 가상 데이터 학습 모델용 데이터를 이용하여, 기계학습 프로세스에 따른 예측 구간의 가상 데이터를 생성하며(S205), 가상 데이터 기반의 데이터 학습 트리를 생성하고(S207), 생성된 트리를 현재 학습 모델에 결합한다(S209).Then, the
이후, 학습부(121)는 앞서 S203 단계에서 분리된 데이터로 현재 학습 모델 기반 트리의 테스트를 수행할 수 있으며(S211), 검증 단계를 통해 목표 정확도 도달여부를 판단한다(S213).Thereafter, the
만약 목표 정확도에 도달하지 못한 경우, S207 단계부터 다시 수행할 수 있으며, 만약 목표 정확도에 도달한 경우에는 현재 결합된 트리 기반의 학습 모델을 최종 모델로 고정 처리한다(S215).If the target accuracy is not reached, it can be performed again from step S207. If the target accuracy is reached, the currently combined tree-based learning model is fixedly processed as the final model (S215).
그리고, 도 13을 참조하면, 서버(100)의 예측부(122)는, 입력부(131)에서 전달된 특성 데이터를 획득하고(S301), 특성 데이터를 이용한 실거래가 데이터베이스(110)의 검색을 수행한다(S303).And, referring to FIG. 13 , the
그리고, 서버(100)의 예측부(122)는, 특성 데이터와 일치하는 실거래가 데이터가, 상기 실거래가 데이터베이스(110)에서 존재하는지 여부를 판단하며(S305), 존재하는 경우에는 상기 일치한 주소 및 물건에 대응하는 실거래가 데이터를 추출하고(S307), 존재하지 않는 경우에는 일정 기준 이내의 유사 데이터로서, 예를 들어 주변 물건의 실거래가 데이터를 추출하여(S309), 학습부(121)에서 생성된 고정 모델 기반의 부동산 시세 분류 모델에 적용한다(S311).Then, the
이후, 서버(100)의 예측부(122)는 산출 데이터의 보정 처리를 수행하고(S313), 보정된 산출 데이터를 출력부(132)로 전달한다.Thereafter, the
출력부(132)에서는 산출 데이터 기반의 실거래가 예측 정보를 사용자 단말(200)로 제공함으로써, 서비스 프로세스가 완료되게 된다.The
한편, 도 14 내지 도 19는 본 발명의 실시 예에 따른 실거래가 데이터베이스(110) 구축 단계와, 이에 기초한 학습 모델을 구축하기 위한 특성 데이터 구성, 특징 정보 인스턴스 구성 및 이에 따른 프로세스를 설명하기 위한 도면들이다.Meanwhile, FIGS. 14 to 19 are diagrams for explaining the step of constructing the real
도 14를 참조하면, 본 발명의 실시 예에 따른 실거래가 데이터베이스(110)의 정보 저장부(121)는, 실거래가 데이터 가공 적재부(1121) 및 모델 기반 실거래가 데이터 병합부(1122)를 포함한다.Referring to FIG. 14 , the
보다 구체적으로, 정보 저장부(121)는, 실거래가 데이터베이스(110)를 구축하기 위해 시계열 데이터를 주기적으로 수집 및 저장함에 있어서, 기계학습과 예측에 용이한 부동산 실거래가 데이터를 가공 및 저장하여 데이터베이스를 보다 효율적으로 구축할 수 있다.More specifically, the
이에 따라, 본 발명의 실시 예에 따른 정보 저장부(121)는, 시계열 데이터를 주기적으로 수집하여 최신화하는 경우 데이터 적재를 위한 데이터베이스를 효율적으로 구축하여 별도로 운용하게 할 수 있다. 특히, 기계학습에 활용하기 용이하도록 가공이 완료된 상태로 공개되는 시계열 데이터 세트가 부족한 상황이며, 서비스 운영의 측면에서 외부 의존성 확대는 곧 통제 불가능한 리스크의 증가로 이어진다. 따라서, 데이터 제공 주체의 내부 정책 변화나 서버 불안정 등의 상황으로 인해 해당 데이터 세트나 데이터베이스에 접근이 불가능할 경우 서비스 제공에 큰 차질을 빚을 수 있다.Accordingly, the
이를 해결하기 위해 본 발명의 실시 예에 따른 정보 저장부(121)는, 실거래가 데이터 가공 적재부(1121) 및 모델 기반 실거래가 데이터 병합부(1122)를 포함하는 것으로, 먼저 실거래가 데이터 가공 적재부(1121)는, 공공 데이터를 수집 및 가공하여 데이터베이스상에 적재 처리한다.In order to solve this problem, the
도 15를 참조하면, 2020년 8월 28일을 기준으로, 국토교통부 서버에서는 건물 종류(아파트, 연립/다세대, 단독/다가구, 오피스텔 등)와 거래 유형(매매, 전세 등)에 따라 시군구, 번지, 본번, 부번, 단지명, 전용면적, 계약년월, 계약일, 거래금액, 층, 건축년도, 도로명 정보 등의 정보를 포함한 실거래가 데이터를 매일마다 전일 신고분까지 제공하고 있다. 웹페이지 뿐만 아니라 csv나 스프레드시트 파일 형태로도 데이터가 제공되고 있다.15, as of August 28, 2020, in the server of the Ministry of Land, Infrastructure and Transport, depending on the building type (apartment, tenement/multi-family, single/multi-family, officetel, etc.) and transaction type (sales, charter, etc.) Actual transaction price data including information such as , main number, sub-number, complex name, exclusive area, contract year, contract date, transaction amount, floor, construction year, and road name information is provided every day up to the previous day's report. Data is provided in the form of csv or spreadsheet files as well as web pages.
그리고, 도 16에 도시된 바와 같이, 실거래가 데이터 가공 적재부(1121)는, 실거래가 데이터 크롤러 모듈을 이용하여, 매일 특정 시각에 국토교통부 실거래가 공개시스템에 업로드된 실거래가 데이터를 크롤링하여 수집할 수 있다.And, as shown in FIG. 16 , the real transaction price data processing and
그리고, 실거래가 데이터 가공 적재부(1121)는, 각각의 실거래가 데이터에 데이터 연번 정보(id), 건물 종류 정보와 거래 유형 정보를 결합하고, 이를 최종적으로 실거래가 데이터베이스(110)에 적재할 수 있다.In addition, the actual transaction price data processing and
한편, 모델 기반 실거래가 데이터 병합부(1122)는, 차후 학습 및 예측 진행시 필요한 동일한 부동산 물건 별 데이터 로드를 용이하게 하기 위해, 동일 부동산에 대응한 실거래가 데이터를 하나의 모델로 병합하는 프로세스를 수행할 수 있다.On the other hand, the model-based real transaction price
모델 기반 실거래가 데이터 병합부(1122)는, 동일 부동산 여부를 판단하기 위해, 실거래가 데이터 상에서 부동산마다 고유하게 생성되는 정보 내지는 정보 조합을 선별할 수 있다.The model-based real transaction price
예를 들어, '우성' 이라는 단지명을 가진 아파트는 전국 각지에 존재할 수 있으므로, 단지명 정보만으로는 동일 부동산 여부를 판단하기에 불충분하다. 단지명 정보에 주소 정보, 즉 시군구 정보 및 번지 정보가 결합되더라도 해당 부동산 단지 내 아파트와 오피스텔이 혼재할 수 있으므로 역시 부동산의 분류 기준으로 설정하기에 어려움이 있다.For example, since an apartment with a complex name of 'Woosung' can exist in various parts of the country, complex name information alone is insufficient to determine whether it is the same real estate. Even if address information, that is, city, county, and street information is combined with complex name information, apartments and officetels in the real estate complex may coexist, so it is difficult to set it as a classification standard for real estate.
따라서 도 17에 도시된 바와 같이, 본 발명의 실시 예에 따른 모델 기반 실거래가 데이터 병합부(1122)는, (건물 종류, 시군구, 번지, 단지명)의 정보 조합으로 실거래가 데이터를 1차적으로 분류하며, 이후 각 (건물 종류, 시군구, 번지, 단지명) 조합마다 id가 가장 낮은 데이터를 기준으로 부동산 물건 모델을 생성하고, 분류된 데이터를 모델에 병합함으로써, 학습에 용이한 부동산 실거래가 데이터를 부동산 물건별로 구성, 분류 및 적재 처리할 수 있다.Therefore, as shown in FIG. 17, the model-based real transaction price
한편, 도 18을 참조하면, 본 발명의 실시 예에 따른 모델 기반 실거래가 데이터 병합부(1122)는, 각 실거래가 데이터마다 지오코딩(위도, 경도) 정보를 추가하는 프로세스를 더 수행할 수 있다.Meanwhile, referring to FIG. 18 , the model-based real transaction price
텍스트 형태의 주소 정보는 행정구역 변동에 따라 변경될 가능성이 존재하고 그에 부수하는 관계 정보 구현이 까다로운 반면, 지오코딩 정보는 절대 위치 정보이자 일종의 좌표계로써 수치화 가능한 위치 정보에 해당되어 텍스트 형태의 주소 정보보다 학습에 활용하기 용이하기 때문이다.Address information in text form has the potential to change according to changes in administrative districts and it is difficult to implement the accompanying relational information, whereas geocoding information is absolute location information and quantifiable location information as a kind of coordinate system. This is because it is easier to use for learning.
이와 같이 데이터 가공 적재부(1121) 및 모델 기반 실거래가 데이터 병합부(1122)에 의해 구축된 실거래가 데이터베이스(110)를 이용하여 본 발명의 실시 예에 따른 학습부(121)는, 전술한 바와 같은 학습 프로세스를 수행하여 트리 기반의 부동산 실거래가 예측을 위한 학습 모델을 생성할 수 있다.As described above, the
여기서, 트리 기반의 학습 프로세스에 대하여 보다 구체적으로 설명하고자 한다. 최근 시장에서는 기계학습을 활용하여 부동산 예상 실거래가를 산출하고자 하는 흐름이 전개되고는 있으나, 예측하고자 하는 데이터의 특성에 맞는 시도가 이루어지는지에 대해서는 회의적인 상황이다. 예를 들어 빅밸류의 관련 특허(10-2016-0123722 외 3건)에서는 다중회귀분석과 유사도 점수 등의 방법을 활용하여 부동산의 예상 실거래가를 산출할 수 있는 것으로 설명하고 있다. 그러나, 다중회귀분석의 경우 정교한 모델링이 어려울 뿐만 아니라 투입하는 특징 정보의 설명력에 그 정확도가 크게 좌우되므로 부동산 예상 실거래가 산출에 활용하기에는 부적합하다. 유사도 점수의 경우에도 각 부동산 물건마다 유사도를 계산할 부동산 물건을 다수 매칭하여야 하는데, 사용자의 예측 요청 이전 모든 부동산에 대해 유사도 점수를 계산해놓지 않는 이상 계산에 많은 시간이 소모되므로 실시간 서비스 제공시 애로사항이 다수 발생할 것으로 예상된다.Here, the tree-based learning process will be described in more detail. In recent years, there is a trend in the market to calculate the expected real estate transaction price using machine learning, but it is skeptical as to whether an attempt is made to match the characteristics of the data to be predicted. For example, Big Value's related patents (10-2016-0123722 and 3 other cases) explain that the expected actual transaction price of real estate can be calculated using methods such as multiple regression analysis and similarity scores. However, in the case of multiple regression analysis, sophisticated modeling is difficult, and the accuracy of the input feature information greatly depends on the explanatory power, so it is not suitable for use in calculating the expected real estate transaction price. In the case of the similarity score, it is necessary to match a number of real estate objects for which the similarity is to be calculated for each real estate object. Many are expected to occur.
한편, 부동산 실거래가 데이터는 특징 간 구분을 명확히 할 수 있어 표로 정리 가능한 데이터, 즉 태뷸러(tabular) 데이터에 해당되는데, 이와 같은 유형의 데이터는 특정 값을 기준으로 학습 세트를 나누어 학습하는 결정 트리 기반 학습 모델이 효과적인 것으로 알려져 있다. 그러나 동시에 학습 세트보다 미래 시점의 시계열 데이터를 예측하게 하는 경우에는 성능이 급락한다는 단점이 존재한다.On the other hand, real estate transaction price data is data that can be organized into tables, that is, tabular data because it can clearly distinguish between features. This type of data is a decision tree that learns by dividing a training set based on a specific value. Based learning models are known to be effective. However, at the same time, there is a disadvantage in that performance plummets when time series data at a future time point is predicted rather than the training set.
따라서 부동산 예상 실거래가를 산출하기 위해 기계학습을 활용하는 경우, 위에 나열된 기계학습 방식을 보완하거나 이외의 기계학습 방식을 채택하여야 하는 것으로, 앞서 설명된 데이터 분리 기반 학습 처리가 수행되는 것이다. 바람직하게는 현재 예상 실거래가 산출 프로세스를 위해, 결정 트리 기반 앙상블 학습방식을 이용한 그래디언트 부스팅(Gradient Boosting) 방식이 예시될 수 있으며, 앞서 설명된 기존기술의 약점을 보완하기, 위해 실거래가 데이터베이스를 활용하여 선형 회귀 등 보다 가벼운 기계학습 처리를 통해 특징 트리를 추가 생성하여 학습을 추가 진행하게 할 수 있다.Therefore, when using machine learning to calculate the expected real transaction price of real estate, it is necessary to supplement the machine learning method listed above or adopt a machine learning method other than the above, and the data separation-based learning processing described above is performed. Preferably, for the current expected actual transaction price calculation process, a gradient boosting method using a decision tree-based ensemble learning method may be exemplified, and the actual transaction price database is used to compensate for the weaknesses of the existing technology described above. Therefore, it is possible to further generate a feature tree through lighter machine learning processing such as linear regression to further advance learning.
이하에서는 도 19를 참조하여, 이러한 본 발명의 실시 예를 보다 효율적으로 실시할 수 있는 학습을 위한 세부 프로세스와, 학습 모델의 특징 인스턴스 구성 프로세스를 설명하고자 한다.Hereinafter, with reference to FIG. 19 , a detailed process for learning capable of more efficiently implementing this embodiment of the present invention and a process for configuring a feature instance of a learning model will be described.
도 19를 참조하면, 먼저 실거래가 데이터베이스(110)는, 외부 부동산 정보 데이터베이스(300)로부터 실거래가 데이터를 수집하여, 식별 정보, 건물 유형 및 거래 유형에 따라, 부동산 물건별 개별 데이터 모델을 생성한다(S1101).Referring to FIG. 19 , first, the actual
그리고, 실거래가 데이터베이스(110)는 부동산 물건별 개별 데이터 모델을 이용하여 실거래가 데이터를 병합하고, 실거래가 데이터에 지오코딩 정보를 매핑 및 부가하여 실거래가 데이터베이스를 구축한다(S1103).Then, the real
이후, 학습부(121)는, 실거래가 데이터베이스로부터 학습 모델 생성을 위한 트레이닝 세트로서 산출된 복수의 특징 정보 인스턴스를 구성한다(S1105).Thereafter, the
학습부(121)는 먼저 부동산 실거래 데이터 처리부(1211)를 통해, 데이터 로드 및 분리 처리를 수행하는 바, 앞서 지오코딩 정보까지 추가가 완료된 실거래가 데이터베이스를 로드하고, 로드된 데이터 세트를 특정 시점 구간을 기준으로 분리하여, 해당 시점 구간 이전의 데이터를 트레이닝 데이터 세트, 해당 시점 이후의 데이터를 테스트 세트로 분리 처리할 수 있다. 여기서 시점 구간은 예를 들어, 현재 시점으로부터 3개월 이전 일정 구간과 3개월 이후 일정 구간 또는 현재까지의 구간일 수 있으나 이는 설정에 따라 가변될 수 있다.The
그리고, 학습부(121)는 학습에 따른 트리 모델 생성을 위해, 트레이닝 데이터 세트로부터 특징 인스턴스를 구성할 수 있다. 이를 위해, 부동산 실거래 데이터 처리부(1211)는, 트레이닝 세트의 각 데이터마다 그래디언트 부스팅을 처리하기 위한 특징 정보를 추출하거나 추가 처리하여 특징 정보 인스턴스를 구성할 수 있다.In addition, the
여기서, 특징 정보 인스턴스는 아래와 같이 다양하게 예시될 수 있다.Here, the feature information instance may be variously exemplified as follows.
제1 실시 예에서, 특징 정보 인스턴스는 실거래가 데이터베이스의 단일 실거래가 모델 데이터를 그대로 추출하는 제1 특징 정보 인스턴스를 포함할 수 있다.In the first embodiment, the feature information instance may include the first feature information instance for extracting the single real transaction price model data of the real transaction price database as it is.
이 경우, 제1 특징 정보 인스턴스는, 건물 종류 정보, 전용 면적 정보, 층 정보, 건축년도 정보, 위도 및 경도 정보를 포함할 수 있다. 특히 동일 물건의 실거래가 데이터는 건물 종류 및 건축년도가 모두 동일한 값을 가질 수 있다.In this case, the first characteristic information instance may include building type information, exclusive area information, floor information, construction year information, and latitude and longitude information. In particular, data on the actual transaction price of the same product may have the same value for both the building type and the year of construction.
제2 실시 예에서, 특징 정보 인스턴스는 실거래가 데이터베이스의 단일 실거래가 모델 데이터로부터 변환된 제2 특징 정보 인스턴스를 포함할 수 있다.In the second embodiment, the characteristic information instance may include the second characteristic information instance converted from the single actual transaction price model data of the actual transaction price database.
예를 들어, 제2 특징 정보 인스턴스는 날짜 특징 정보를 포함할 수 있는 바, 이는 계약일이 1년 중 몇 번째 날짜인지를 학습에 활용하기 위한 것으로, 계약년월 및 계약일의 날짜 정보를 코사인 또는 사인 처리한 날짜 특징 정보 값을 포함할 수 있다.For example, the second characteristic information instance may include date characteristic information, which is used for learning what the contract date is in a year, and cosine or sine processing of the contract date and date information of the contract date. One date feature information value may be included.
그리고 제3 실시 예에서, 특징 정보 인스턴스는 실거래가 데이터베이스의 단일 실거래가 모델 데이터에 대응하여, 참조된 외부 데이터를 부가한 제3 특징 정보 인스턴스를 포함할 수 있다.And in the third embodiment, the feature information instance may include a third feature information instance in which the referenced external data is added corresponding to the single real transaction price model data of the real transaction price database.
예를 들어, 제3 특징 정보 인스턴스는 건물의 최고층 정보를 포함할 수 있으며, 이는 실거래가 모델 내 데이터 중 가장 높은 층으로 참조될 수 있으나, 외부 부동산 정보 데이터베이스(300)로부터 건축물대장 데이터가 수집된 경우에는 상기 건출물대장 데이터로부터 획득되어 제3 특징 정보 인스턴스에 부가될 수 있다.For example, the third characteristic information instance may include information on the highest floor of the building, which may be referred to as the highest floor among data in the actual transaction model, but the building ledger data is collected from the external real
또한, 예를 들어, 제3 특징 정보 인스턴스는 실거래가 데이터가 소속된 광역지방자치단체(특별시, 광역시, 도, 특별자치시, 특별자치도) 실거래가 평균 정보, 실거래가 데이터가 소속된 기초지방자치단체(시, 군, 구) 실거래가 평균 정보를 더 포함할 수 있다.Also, for example, the third characteristic information instance is the regional government (special city, metropolitan city, province, special self-governing city, special self-governing province) to which the actual transaction price data belongs, the actual transaction price average information, and the basic local government to which the actual transaction price data belongs The group (city, county, gu) may further include average actual transaction price information.
한편, 제4 특징 정보 인스턴스는 외부의 다른 기계학습 방식으로 생성된 예상 실거래가 데이터를 더 포함할 수 있다. 예를 들어, 학습부(121)에서 리지 회귀 방식으로 학습 모델을 생성하는 경우, 회귀에 이용할 트레이닝 세트의 시간 및 공간 범위를 상이하게 설정한 복수의 특징 정보 인스턴스를 상기 제4 특징 정보 인스턴스로 구성할 수도 있다.Meanwhile, the fourth characteristic information instance may further include expected actual transaction price data generated by another external machine learning method. For example, when the
제4 특징 정보 인스턴스를 예를 들면, 특정 기간 이내(1년, 2년, 3년) 같은 건물 동일 평형의 실거래가 최소값 정보, 최대값 정보, 평균 정보를 포함하는 트레이닝 세트가 예시될 수 있다.For example, the fourth characteristic information instance may be a training set including minimum value information, maximum value information, and average information of the actual transaction price of the same building within a specific period (1 year, 2 years, 3 years).
또한, 제4 특징 정보 인스턴스는, 특정 기간 이내(1년, 2년, 3년) 같은 건물 동일 평형 동일 층의 실거래가 최소값 정보, 최대값 정보, 평균 정보, 하위 5% 정보, 상위 5% 정보를 포함하는 트레이닝 세트가 예시될 수 있다.In addition, the fourth characteristic information instance is, within a specific period (1 year, 2 years, 3 years), the actual transaction price minimum value information, maximum value information, average information, lower 5% information, upper 5% information of the same floor of the same building within a specific period A training set including
그리고, 제4 특징 정보 인스턴스는, 특정 기간 이내(6개월, 1년, 2년) 같은 건물 실거래 데이터를 대상으로 한 릿지 회귀(ridge regression) 예측값(feature : 전용면적, timestamp, target : 실거래가), 결정계수(r squared 값) 및 거래 횟수 정보를 포함하는 트레이닝 세트가 예시될 수 있다.And, the fourth feature information instance is a ridge regression predicted value (feature: exclusive area, timestamp, target: actual transaction price) for the same building transaction data within a specific period (6 months, 1 year, 2 years) , a determination coefficient (r squared value) and a training set including information on the number of transactions may be exemplified.
또한, 제4 특징 정보 인스턴스는, 특정 기간 이내(6개월, 1년, 2년) 같은 건물 동일 평형 실거래 데이터를 대상으로 한 릿지 회귀(ridge regression) 예측값(feature : timestamp, target : 실거래가), 결정계수(r squared 값), 거래 횟수 정보를 포함하는 트레이닝 세트가 예시될 수 있다.In addition, the fourth feature information instance is a ridge regression predicted value (feature: timestamp, target: actual transaction price) for the same building equilibrium actual transaction data within a specific period (6 months, 1 year, 2 years), A training set including a coefficient of determination (r squared value) and information on the number of transactions may be exemplified.
그리고, 제4 특징 정보 인스턴스는, 특정 기간 이내(3개월, 6개월) 같은 행정동 혹은 행정리 내 건물 실거래 데이터를 대상으로 한 릿지 회귀(ridge regression) 예측값(feature : 전용면적, timestamp, target : 실거래가), 결정계수(r squared 값), 거래 횟수 정보를 포함하는 트레이닝 세트가 예시될 수 있다.And, the fourth characteristic information instance is a ridge regression predicted value (feature: exclusive area, timestamp, target: actual transaction price) for the actual transaction data of buildings within the same administrative dong or administrative district within a specific period (3 months, 6 months) ), a coefficient of determination (r squared value), and a training set including information on the number of transactions may be exemplified.
이후, 학습부(121)는, 시계열 추세 예측 학습 모델 생성부(1212)를 통해, 사전 설정된 하이퍼 파라미터를 이용한 특징 정보 인스턴스의 그래디언트 부스팅 기반 기계학습을 수행하여, 시계열 추세 예측 학습 모델을 생성한다(S1107).Thereafter, the
보다 구체적으로, 학습부(121)는, 예를 들어 리프 중심 트리 분할(Leaf Wise) 방식을 사용한 라이트 GBM(LightGBM) 알고리즘 등을 이용하여, 트리 기반의 학습 모델을 생성할 수 있다. 라이트 GBM 알고리즘은 최대한 균형이 잡힌 트리를 유지하면서 분할하기 때문에 트리의 깊이가 최소화 되는 장점이 있다.More specifically, the
그리고, 학습부(121)는 적절한 하이퍼파라미터(hyperparameter)를 사전 설정할 수 있는 바, 만약 설정되지 않은 상태에서는 유효 세트(valid set)을 활용할 수 있다.In addition, the
이러한 유효 세트(valid set)는 상기 트레이닝 세트의 마지막 일정 기간(예를 들어, 3개월) 데이터를 분리하여 임의의 하이퍼파라미터를 이용한 그래디언트 부스팅을 처리하여 생성된 모델부터, 테스트를 수행하여 산출될 수 있다.Such a valid set can be calculated by performing a test from a model created by separating the last predetermined period (eg, 3 months) data of the training set and processing gradient boosting using arbitrary hyperparameters. have.
다만, 과적합(overfitting)이 발생되는 것을 방지하기 위해, 결정 트리(decision tree의 depth)가 지나치게 크거나 말단 노드(node)가 지나치게 많아지는 것을 사전에 방지하기 위한 방안으로 일부 노드에 대해서 특정 깊이에 도달하기 이전이라도 하위 노드의 생성을 차단하는, 얼리 스토핑(early stopping) 프로세스가 부가될 수 있다.However, in order to prevent overfitting from occurring, the depth of the decision tree is excessively large or the number of end nodes is excessively large. An early stopping process that blocks the creation of child nodes even before reaching .
한편, 시계열 추세 예측 학습 모델이 생성되면, 학습부(121)는 부동산 예측 데이터 생성부(1213)를 통해, 실거래가 데이터베이스(110)에서 분리된 테스트 데이터 세트의 특징 정보 인스턴스를 동일하게 구성하고, 상기 시계열 추세 예측 학습 모델에 적용하여, 학습 모델의 예측 오차 보정을 처리한다(S1109).On the other hand, when the time series trend prediction learning model is generated, the
학습부(121)는 검증부(1215)를 통해, 학습 모델의 예측 오차 보정 데이터로부터 모델의 트리 추가 또는 고정을 처리하고, 실거래가 신뢰구간을 산출할 수 있다(S1111).The
즉, 학습부(121)는, 분리 구성된 테스트 데이터 세트에 대응하여, 트레이닝 세트와 같은 방식을 특징 정보 인스턴스를 구성할 수 있으며, 이를 현재의 트리 기반 시계열 추세 예측 학습 모델에 적용하여, 예측된 값과 테스트 데이터의실제 실거래가 사이의 오차를 검증할 수 있다.That is, the
그리고, 학습부(121)는, 목표 성능 미달시 시계열 추세 예측 학습 모델 생성부(1212)에 전달하여, 학습 트리를 더 부가시키도록 할 수 있으며, 목표 만족시에는 모델을 고정 처리하게 한다. 고정된 모델은 부동산 시세 분류 모델 생성부(1214)로 전달되어, 이후 예측부(122)에서 이용할 수 있게 된다.In addition, the
즉, 예측부(122)에서는 사용자 단말(200)의 예측 요청에 따라, 주소 정보 및 공부 정보로부터 산출 가능한 부동산 물건 정보를 매칭하고(S1113), 매칭된 부동산 물건 정보로부터 특징 정보 인스턴스를 구성하며, 이를 고정된 학습 모델에 적용하여 예상 실거래가를 산출할 수 있다(S1115).That is, the
이에 따라, 서버(100)는 출력부(132)를 통해, 예상 실거래가 및 상기 신뢰구간 기반의 정확도 정보를 포함하는 부동산 실거래가 예측 정보를 제공할 수 있다(S1117).Accordingly, the
보다 구체적으로, 모델 고정 이후 예측부(122)의 예측 진행시에 산출되는 예측값, 즉 예상 실거래가는 예측을 위한 특징 정보 인스턴스를 포함하는 노드들에 포함된 데이터의 타겟(target) 값, 즉 예측 실거래가의 평균 값으로 산출될 수 있다. 각 노드 별 타겟 값은 다양할 수 있으나, 그 분포는 일정한 확률분포를 형성한다고 전제함에 따라, 노드들 간 평균과 표준편차를 활용하여 실거래가의 신뢰구간을 산출할 수 있다.More specifically, the prediction value, that is, the expected actual transaction price calculated during the prediction process of the
반대로, 부동산 물건 정보가 아니라, 특정 가격을 지정하여 예측하는 경우, 노드들의 타겟 분포 정보는 그 가격이 어느 위치에 분포하고 있는지를 확인할 수 있게 하는 바, 본 발명의 실시 예에 따른 출력부(132)는, 이를 이용하여 가격대별 거래 가능성 정보를 사용자 단말(200)로 제공할 수 있다.Conversely, when predicting by designating a specific price rather than real estate product information, the target distribution information of the nodes makes it possible to check where the price is distributed, and the
예를 들어, 출력부(132)는, 예상 실거래가가 1억 6,000만 원으로 산출된 부동산 물건이 있고, 해당 부동산 물건이 분류된 노드 내 실거래가 데이터상 실거래가가 정규분포를 이루며, 그 표준편차가 1,000만 원이라 하면, 이 때 해당 부동산 물건이 1억 9,000만원 이상에 거래될 확률은, P(x>19000) = P(z>(19000-16000)/1000) = P(z>3) = 0.00135 = 0.135% 으로 계산할 수 있다. 이러한 확률 정보에 따라, 출력부(132)는 사용자 단말(200)로 해당 부동산 물건에 대해 요청된 1억 9천만원 이상으로 거래될 확률은 0.135%로 낮을 것임을 시계열 모델 분석 기반 예측 정보로서 제공할 수 있다.For example, in the
따라서, 본 발명의 실시 예에 따른 서버(100)는, 예상 실거래가 뿐만 아니라, 신뢰구간 기반의 정확도 정보를 포함하는 부동산 실거래가의 예측 정보를 보다 구체적이고 정확하게 제공할 수 있는 것이다.Accordingly, the
한편, 상술한 본 발명의 다양한 실시 예들에 따른 방법은 프로그램으로 구현되어 다양한 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장된 상태로 각 서버 또는 기기들에 제공될 수 있다.Meanwhile, the above-described method according to various embodiments of the present invention may be implemented as a program and provided to each server or device while being stored in various non-transitory computer readable media.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.The non-transitory readable medium refers to a medium that stores data semi-permanently, rather than a medium that stores data for a short moment, such as a register, cache, memory, etc., and can be read by a device. Specifically, the above-described various applications or programs may be provided by being stored in a non-transitory readable medium such as a CD, DVD, hard disk, Blu-ray disk, USB, memory card, ROM, and the like.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.In addition, although preferred embodiments of the present invention have been illustrated and described above, the present invention is not limited to the specific embodiments described above, and the technical field to which the present invention belongs without departing from the gist of the present invention as claimed in the claims In addition, various modifications may be made by those of ordinary skill in the art, and these modifications should not be individually understood from the technical spirit or perspective of the present invention.
Claims (9)
부동산 실거래가 데이터 베이스로부터 로드된 데이터 세트를 특정 시점을 기준으로 둘로 분리하여, 해당 시점 이전의 데이터를 트레이닝 세트, 해당 시점 이후의 데이터를 테스트 세트으로 나누어 분리하는 단계;
상기 트레이닝 세트의 각 데이터마다 그래디언트 부스팅(gradient boosting)을 진행하기 위한 특징(feature)을 추출하거나 추가하여 인스턴스(instance)를 형성하는 단계;
상기 트레이닝 세트의 각 데이터마다의 인스턴스가 생성되면, 하이퍼파라메터(hyperparameter)를 설정하여 그래디언트 부스팅을 진행하여 학습하는 것에 의해 결정 트리(decision tree) 기반의 시계열 추세 예측 학습 모델을 생성하는 단계;
상기 학습 모델이 생성되면, 상기 테스트 세트 데이터에 대해 상기 트레이닝 세트과 같은 방식으로 특징 추출 또는 추가에 의해 인스턴스를 형성하는 단계;
상기 테스트 세트 데이터의 인스턴스 특징을 상기 학습 모델에 투입하여 실거래가를 예측한 가상 데이터를 생성하는 단계;
상기 가상 데이터와 상기 테스트 세트 데이터의 실거래가 사이의 오차를 측정하여, 목표 성능 미달시 상기 학습 모델 생성단계의 하이퍼파라메터를 가변시켜 학습 트리를 더 확장하고, 목표 성능 만족시 학습 모델을 고정하는 단계;를 포함하는 부동산 실거래가 예측을 위한 학습 모델 생성방법을 실행하여 부동산 실거래가 예측을 위한 학습 모델을 생성하는
부동산 실거래가 예측을 위한 학습 모델 생성장치.In the device for generating a learning model for real estate transaction price prediction,
Separating the data set loaded from the real estate transaction database into two based on a specific time point, dividing data before the time point into a training set and data after the point point into a test set;
forming an instance by extracting or adding a feature for performing gradient boosting for each data of the training set;
generating a decision tree-based time series trend prediction learning model by setting a hyperparameter and performing gradient boosting to learn when an instance for each data of the training set is generated;
when the learning model is generated, forming an instance on the test set data by feature extraction or addition in the same manner as in the training set;
generating virtual data in which the actual transaction price is predicted by inputting the instance characteristics of the test set data to the learning model;
Measuring the error between the actual transaction price of the virtual data and the test set data, when the target performance is not met, by varying the hyperparameter of the learning model creation step to further expand the learning tree, and fixing the learning model when the target performance is satisfied ; to create a learning model for real estate real transaction price prediction by executing a learning model generation method for predicting real estate transaction price, including
A learning model generating device for real estate transaction price prediction.
상기 부동산 실거래가 데이터 베이스는,
실거래가 데이터 크롤러가 매일 특정 시각에 외부 부동산 정보 실거래가 공개시스템에 업로드된 실거래가 데이터를 수집하는 단계;
상기 수집된 실거래가 데이터에 데이터 연번 정보(id), 건물 종류 정보와 거래 유형 정보를 결합하고, 이를 최종적으로 실거래가 데이터베이스에 적재하는 단계;
건물 종류, 시군구, 번지, 단지명의 정보 조합으로 실거래가 데이터를 분류하며, 이후 각 건물 종류, 시군구, 번지, 단지명 조합마다 id가 가장 낮은 데이터를 기준으로 부동산 물건별 모델을 생성하여, 분류된 데이터를 각 부동산 물건별로 실거래가 데이터 모델로 병합하는 단계;
상기 각 실거래가 데이터마다 지오코딩(위도, 경도) 정보를 추가하는 단계;를 수행하여 구축되는 부동산 실거래가 데이터 베이스인
부동산 실거래가 예측을 위한 학습 모델 생성장치.The method of claim 1,
The real estate transaction price database,
collecting, by the actual transaction price data crawler, the actual transaction price data uploaded to the external real estate information real transaction price disclosure system at a specific time every day;
combining data serial number information (id), building type information, and transaction type information with the collected real transaction price data, and finally loading it into a real transaction price database;
The real transaction price data is classified by a combination of building type, city, county, street, and complex name information, and then a model for each real estate object is created based on the data with the lowest id for each building type, city, county, street, and complex name combination, and classified data merging the actual transaction price data model for each real estate product;
The step of adding geocoding (latitude, longitude) information to each real transaction data;
A learning model generating device for real estate transaction price prediction.
상기 학습 모델은, 결정트리(decision tree) 계열 앙상블 학습(ensemble learning)에 해당되는 그래디언트 부스팅(gradient boosting)을 사용하고, 실거래가 데이터베이스를 활용하여 선형회귀(linear regression) 기계학습 방식을 통해 특징(feature)를 추가 생성하고 학습을 진행하는
부동산 실거래가 예측을 위한 학습 모델 생성장치.The method of claim 1,
The learning model uses gradient boosting corresponding to decision tree-series ensemble learning, and features a linear regression machine learning method using a real transaction price database ( feature) to create additional features and proceed with learning.
A learning model generating device for real estate transaction price prediction.
상기 인스턴스를 형성하는 단계는,
건물종류, 전용면적, 층, 건축년도, 위도, 경도를 포함하는 실거래가 데이터베이스의 단일 데이터마다 가지는 고유 추출 특징;
계약년월, 계약일에 대한 날짜를 cos화, sin화 한 값으로 표현되는 실거래가 데이터베이스의 단일 데이터에서 정보를 변환하여 추가되는 특징;
추가 데이터를 참조 혹은 가공하여 추가되는 특징; 중 적어도 어느 하나를 포함하는 특징을 추출 또는 추가하여 인스턴스를 형성하는
부동산 실거래가 예측을 위한 학습 모델 생성장치.The method of claim 1,
Forming the instance comprises:
Unique extraction characteristics of each single data in the real transaction price database including building type, exclusive area, floor, construction year, latitude, and longitude;
Actual transaction expressed as a value obtained by cosizing and sinizing the date of the contract year, month, and contract date is added by converting information from single data in the database;
Features added by referencing or processing additional data; Extracting or adding features including at least one of
A learning model generating device for real estate transaction price prediction.
상기 추가 데이터를 참조 혹은 가공하여 추가되는 특징은,
소정 시점 기준 인스턴스를 형성하려는 데이터가 속한 모델중 최고층에 대한 정보;
소속 광역/기초 지방자치단체 실거래가 평균;
트레이닝 세트의 크기(시공간 범위를 다르게한)와 특징을 다르게 하여 기계학습 방식으로 생성되는 예상 실거래가에 대한 하나 이상의 특징; 중 어느 하나를 포함하는
부동산 실거래가 예측을 위한 학습 모델 생성장치.5. The method of claim 4,
Features added by referencing or processing the additional data are,
information on the highest layer among models to which data to form a reference instance at a predetermined point in time belongs;
Average actual transaction price of affiliated metropolitan/basic local governments;
one or more characteristics of the expected actual transaction price generated in a machine learning manner by varying the size (with different spatiotemporal ranges) and characteristics of the training set; containing any of
A learning model generating device for real estate transaction price prediction.
기계학습 방식으로 생성되는 예상 실거래가에 대한 하나 이상의 특징은,
특정 기간 이내(1년, 2년, 3년) 같은 건물 동일 평형 실거래가 최소값 /최대값 / 평균;
특정 기간 이내(1년, 2년, 3년) 같은 건물 동일 평형 동일 층 실거래가 최소값 / 최대값 / 평균 / 하위 5% / 상위 5%;
특정 기간 이내(6개월, 1년, 2년) 같은 건물 실거래 데이터를 대상으로 한ㄹ릿지 회귀(dge regression) 예측값(feature : 전용면적, timestamp, target : 실거래가), r squared 값, 거래 횟수;
특정 기간 이내(6개월, 1년, 2년) 같은 건물 동일 평형 실거래 데이터를 대상으로 한 릿지 회구(ridge regression) 예측값(feature : timestamp, target : 실거래가), r squared 값, 거래 횟수;
특정 기간 이내(3개월, 6개월) 같은 행정동 혹은 행정리 내 건물 실거래 데이터를 대상으로 한 릿지 회구(ridge regression) 예측값(feature : 전용면적, timestamp, target : 실거래가), r squared 값, 거래 횟수; 중 적어도 어느 하나를 포함하는
부동산 실거래가 예측을 위한 학습 모델 생성장치.6. The method of claim 5,
One or more characteristics of the expected actual transaction price generated by the machine learning method are:
Within a specific period (1 year, 2 years, 3 years) same-equilibrium actual transaction price for the same building Minimum/Maximum value/Average;
Within a specific period (1 year, 2 years, 3 years) same building same floor real transaction price min / max / average / bottom 5% / top 5%;
Predicted value of dge regression (feature: exclusive area, timestamp, target: actual transaction price), r squared value, number of transactions for the same building transaction data within a specific period (6 months, 1 year, 2 years);
Predicted value of ridge regression (feature: timestamp, target: actual transaction price), r squared value, number of transactions within a specific period (6 months, 1 year, 2 years) for the same building-equilibrium transaction data;
Predicted ridge regression value (feature: exclusive area, timestamp, target: actual transaction price), r squared value, number of transactions within a specific period (3 months, 6 months) for the actual transaction data of buildings within the same administrative dong or administrative district; at least one of
A learning model generating device for real estate transaction price prediction.
상기 학습 모델 생성 단계는,
라이트 지비엠(LightGBM) 프레임워크를 활용하며, 하이퍼파라메터(hyperparameter)를 설정하고 그래디언트 부스팅을 진행하여 학습하는
부동산 실거래가 예측을 위한 학습 모델 생성장치.The method of claim 1,
The learning model creation step is,
Leveraging the LightGBM framework, setting hyperparameters and learning by gradient boosting
A learning model generating device for real estate transaction price prediction.
상기 학습 모델 생성 단계는,
적절한 하이퍼파라메터(hyperparameter)가 없는 경우, 벨리드 세트(valid set)을 활용하되, 트레이닝 세트(training set)의 마지막 소정 기간의 데이터를 벨리드 세트으로 분리하여 임의의 하이퍼 파라메터(hyperparameter)로 그래디에이션 부스팅을 진행하고, 벨리드 세트으로 생성된 모델을 테스트하여 적정 하이퍼파라메터를 산출하는
부동산 실거래가 예측을 위한 학습 모델 생성장치.The method of claim 1,
The learning model creation step is,
If there is no suitable hyperparameter, a valid set is used, but the data of the last predetermined period of the training set is separated into the valid set and gradated with arbitrary hyperparameters. Age boosting and testing the model created with the belly set to calculate the appropriate hyperparameters
A learning model generating device for real estate transaction price prediction.
상기 학습 모델 생성 단계는
오버피팅(overfitting)을 방지하기 위하여 일부 노드에 대해서 지정 깊이(depth)에 도달하기 이전이라도 하위 노드(node)의 생성을 막는, 얼리 스탑핑(early stopping) 기법을 적용하는
부동산 실거래가 예측을 위한 학습 모델 생성장치.9. The method of claim 8,
The learning model creation step is
In order to prevent overfitting, the early stopping technique is applied, which prevents the creation of sub-nodes even before reaching the specified depth for some nodes.
A learning model generating device for real estate transaction price prediction.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190174594 | 2019-12-24 | ||
| KR20190174594 | 2019-12-24 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210082105A true KR20210082105A (en) | 2021-07-02 |
Family
ID=76897322
Family Applications (12)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200182212A KR20210082111A (en) | 2019-12-24 | 2020-12-23 | Apparatus for providing a learning model service for predicting actual transaction price for real estate asset value evaluation |
| KR1020200182124A KR20210082106A (en) | 2019-12-24 | 2020-12-23 | Method for Providing Real Estate Estimated Real Transaction Price Calculation Service Using Decision Tree Based Time Series Trend Prediction Learning Model |
| KR1020200182229A KR20210082112A (en) | 2019-12-24 | 2020-12-23 | An apparatus and a method for dual learning of low-variablility time series data based on virtual data |
| KR1020200182277A KR20210082114A (en) | 2019-12-24 | 2020-12-23 | An apparatus for dual learning of low-variability time series data |
| KR1020200182064A KR20210082104A (en) | 2019-12-24 | 2020-12-23 | A method for generating a learning model for predicting real estate transaction price |
| KR1020200182051A KR20210082103A (en) | 2019-12-24 | 2020-12-23 | An apparatus and a method for calculating expected real estate transaction price based on real estate transaction price by using a machine learning model |
| KR1020200182186A KR20210082108A (en) | 2019-12-24 | 2020-12-23 | Method for the operation of the real estate expected actual transaction price calculation device based on the real estate actual transaction price prediction |
| KR1020200182201A KR20210082110A (en) | 2019-12-24 | 2020-12-23 | A system for providing real estate asset valuation services using a time series trend prediction learning model for real transaction price prediction |
| KR1020200182145A KR20210082107A (en) | 2019-12-24 | 2020-12-23 | Method for providing real estate property information and predicted actual transaction price matching information service |
| KR1020200182102A KR20210082105A (en) | 2019-12-24 | 2020-12-23 | An apparatus for generating a learning model for predicting real estate transaction price |
| KR1020200182248A KR20210082113A (en) | 2019-12-24 | 2020-12-23 | Method for operation of dual learning device of time series data |
| KR1020200182194A KR20210082109A (en) | 2019-12-24 | 2020-12-23 | An apparatus for evaluating the value of real estates based on estimations of real transactions of the real estates |
Family Applications Before (9)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200182212A KR20210082111A (en) | 2019-12-24 | 2020-12-23 | Apparatus for providing a learning model service for predicting actual transaction price for real estate asset value evaluation |
| KR1020200182124A KR20210082106A (en) | 2019-12-24 | 2020-12-23 | Method for Providing Real Estate Estimated Real Transaction Price Calculation Service Using Decision Tree Based Time Series Trend Prediction Learning Model |
| KR1020200182229A KR20210082112A (en) | 2019-12-24 | 2020-12-23 | An apparatus and a method for dual learning of low-variablility time series data based on virtual data |
| KR1020200182277A KR20210082114A (en) | 2019-12-24 | 2020-12-23 | An apparatus for dual learning of low-variability time series data |
| KR1020200182064A KR20210082104A (en) | 2019-12-24 | 2020-12-23 | A method for generating a learning model for predicting real estate transaction price |
| KR1020200182051A KR20210082103A (en) | 2019-12-24 | 2020-12-23 | An apparatus and a method for calculating expected real estate transaction price based on real estate transaction price by using a machine learning model |
| KR1020200182186A KR20210082108A (en) | 2019-12-24 | 2020-12-23 | Method for the operation of the real estate expected actual transaction price calculation device based on the real estate actual transaction price prediction |
| KR1020200182201A KR20210082110A (en) | 2019-12-24 | 2020-12-23 | A system for providing real estate asset valuation services using a time series trend prediction learning model for real transaction price prediction |
| KR1020200182145A KR20210082107A (en) | 2019-12-24 | 2020-12-23 | Method for providing real estate property information and predicted actual transaction price matching information service |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200182248A KR20210082113A (en) | 2019-12-24 | 2020-12-23 | Method for operation of dual learning device of time series data |
| KR1020200182194A KR20210082109A (en) | 2019-12-24 | 2020-12-23 | An apparatus for evaluating the value of real estates based on estimations of real transactions of the real estates |
Country Status (1)
| Country | Link |
|---|---|
| KR (12) | KR20210082111A (en) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102653509B1 (en) * | 2021-08-30 | 2024-04-01 | 주식회사 데이터노우즈 | Method and system for estimating real estate information based on deep neural network |
| WO2023053112A1 (en) * | 2021-09-30 | 2023-04-06 | Propdo Ltd. | System and method for prediction of residential real-estate values |
| WO2023141579A1 (en) * | 2022-01-21 | 2023-07-27 | MFTB Holdco, Inc. | Processing property embeddings to learn rankings of comparable properties systems and methods |
| KR102536284B1 (en) * | 2022-09-01 | 2023-05-30 | 전남대학교산학협력단 | System for Predicting Temporal Convolutional Network Model Based on Time Series Characteristics |
| CN115526434B (en) * | 2022-11-07 | 2023-07-28 | 广东中思拓大数据研究院有限公司 | Object information prediction method, device, computer equipment and storage medium |
| WO2024195993A1 (en) * | 2023-03-17 | 2024-09-26 | 주식회사 시마크로 | Database for operating real-time digital twin system and digital twin construction system |
| CN117556187B (en) * | 2023-11-10 | 2024-05-10 | 纬创软件(武汉)有限公司 | Cloud data restoration method and system based on deep learning and readable storage medium |
-
2020
- 2020-12-23 KR KR1020200182212A patent/KR20210082111A/en unknown
- 2020-12-23 KR KR1020200182124A patent/KR20210082106A/en unknown
- 2020-12-23 KR KR1020200182229A patent/KR20210082112A/en unknown
- 2020-12-23 KR KR1020200182277A patent/KR20210082114A/en unknown
- 2020-12-23 KR KR1020200182064A patent/KR20210082104A/en unknown
- 2020-12-23 KR KR1020200182051A patent/KR20210082103A/en unknown
- 2020-12-23 KR KR1020200182186A patent/KR20210082108A/en unknown
- 2020-12-23 KR KR1020200182201A patent/KR20210082110A/en unknown
- 2020-12-23 KR KR1020200182145A patent/KR20210082107A/en unknown
- 2020-12-23 KR KR1020200182102A patent/KR20210082105A/en unknown
- 2020-12-23 KR KR1020200182248A patent/KR20210082113A/en unknown
- 2020-12-23 KR KR1020200182194A patent/KR20210082109A/en unknown
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210082104A (en) | 2021-07-02 |
| KR20210082106A (en) | 2021-07-02 |
| KR20210082113A (en) | 2021-07-02 |
| KR20210082110A (en) | 2021-07-02 |
| KR20210082108A (en) | 2021-07-02 |
| KR20210082103A (en) | 2021-07-02 |
| KR20210082112A (en) | 2021-07-02 |
| KR20210082107A (en) | 2021-07-02 |
| KR20210082111A (en) | 2021-07-02 |
| KR20210082114A (en) | 2021-07-02 |
| KR20210082109A (en) | 2021-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20210082105A (en) | An apparatus for generating a learning model for predicting real estate transaction price | |
| CN112085205A (en) | Method and system for automatically training machine learning models | |
| CN112749339A (en) | Tourism knowledge graph-based tourism route recommendation method and system | |
| El Mohadab et al. | Predicting rank for scientific research papers using supervised learning | |
| KR102290132B1 (en) | Apparatus and method to predict real estate prices | |
| KR20200047006A (en) | Method and system for constructing meta model based on machine learning | |
| CN116595328B (en) | Knowledge-graph-based intelligent construction device and method for data scoring card model | |
| CN108897750A (en) | Merge the personalized location recommendation method and equipment of polynary contextual information | |
| CN110765301A (en) | Picture processing method, device, equipment and storage medium | |
| Paiho et al. | Opportunities of collected city data for smart cities | |
| CN114461853B (en) | Training sample generation method, device and equipment for video scene classification model | |
| Scheuer et al. | A glimpse into the future of exposure and vulnerabilities in cities? Modelling of residential location choice of urban population with random forest | |
| CN112862604B (en) | Card issuing organization information processing method, device, equipment and storage medium | |
| CN112396092B (en) | Crowdsourcing developer recommendation method and device | |
| CN113821612A (en) | Information searching method and device | |
| CN116756281A (en) | Knowledge question-answering method, device, equipment and medium | |
| Ali et al. | A novel transfer learning approach to detect the location of transformers in distribution network | |
| CN113065911A (en) | Recommendation information generation method and device, storage medium and electronic equipment | |
| Xu et al. | [Retracted] Tourist Attraction Recommendation Method and Data Management Based on Big Data Analysis | |
| CN115526315A (en) | Generation method and device of rating card model | |
| Aurnab et al. | Comparative analysis of machine learning techniques in optimal site selection | |
| Samsudeen et al. | Context-specific discussion of Airbnb usage knowledge graphs for improving private social systems | |
| Balasooriya et al. | Location Intelligence Based Smart E-Commerce Platform for Residential Real-Estate Industry | |
| KR20210131918A (en) | An apparatus and a method for providing a list of real estate for sale | |
| Camilleri | Modeling Airbnb Prices in the Maltese Islands |