KR20220113302A - 인공 신경망 기반의 부동산 투자 큐레이션 시스템 및 그 방법 - Google Patents

Abstract

본 발명은 특정 토지 및 건물을 대상으로 재개발을 진행할 경우 예상 재개발 이미지 및 재개발을 통한 예상 수익에 대한 정보를 사용자에게 제공할 수 있는 인공 신경망 기반의 부동산 투자 큐레이션 시스템 및 그 방법에 대한 것으로, 부동산 투자 큐레이션 시스템에 접속하여 특정 부동산에 대한 재개발에 대한 투자 큐레이션 정보를 생성하도록 구비되는 관리 서버 및 상기 관리 서버와 연결되어 사용자에게 투자 큐레이션 정보를 제공하는 사용자 단말을 포함하며, 상기 관리 서버는, 부동산 위치 정보를 입력 받아 투자 대상이 될 부동산의 토지 유형정보, 토지 면적정보, 토지 지형정보, 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보, 대지 이용 규제 정보 중 적어도 하나를 포함하는 부동산의 재개발 현황정보 생성하는 재개발 현황정보 생성부; 상기 재개발 현황정보에 포함된 토지 유형정보, 토지 면적정보, 토지 지형정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 중 적어도 하나 이상을 제1 인공 신경망 모델의 각 입력층에 입력하여 해당 부동산에서 수행 가능한 재건축 또는 리모델링에 대한 설계 항목 정보, 상기 설계 항목이 반영된 설계 모델링 정보 및 설계 예상 비용을 포함하는 복수의 재개발 설계 정보를 생성하는 재개발 예상정보 생성부; 상기 복수의 재개발 설계 정보에 포함된 설계 항목 정보, 설계 모델링 정보를 제2 인공 신경망 모델의 각 입력층에 입력하여 3D 이미지로 생성된 재개발 예상 이미지를 생성하는 예상 이미지 생성부; 상기 재개발 현황정보에 포함된 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보 중 적어도 하나와 상기 재개발 설계 정보에 포함된 설계 항목 정보를 제3 인공 신경망 모델의 각 입력층에 입력하여 재개발 설계 정보별로 예상 시공 비용 및 예상 투자 수익, 발생 예상 세금 및 부대비용, 예상 수익률 중 적어도 하나를 포함하는 투자 예상 결과 정보를 제공하는 예상 결과 생성부; 사용자에게 재개발 설계 정보 별 재개발 예상 이미지와 투자 예상 결과 정보를 포함하는 추천 재개발 정보를 사용자에게 복수로 제공하고, 복수의 추천 재개발 정보 중 상기 사용자가 선정한 추천 재개발 정보에 따라 재개발을 시공할 수 있는 시공 업체 정보를 제공하는 시공 업체 제공부를 포함할 수 있다.

Description

인공 신경망 기반의 부동산 투자 큐레이션 시스템 및 그 방법{real estate investment curation system based on artificial neural network and method therefor}

본 발명은 특정 토지 및 건물을 대상으로 재개발을 진행할 경우 예상 재개발 이미지 및 재개발을 통한 예상 수익에 대한 정보를 사용자에게 제공할 수 있는 부동산 투자 큐레이션 기술에 대한 것으로 더욱 자세하게는 부동산 재개발 니즈(needs)를 가진 부동산 소유자 또는 부동산을 매입하여 재개발을 하고자 하는 투자자들이 개별적으로 시간과 노력을 들이지 않고서도 투자 대상인 부동산의 위치 정보만 입력하면 투자 대상이 될 부동산의 토지 유형정보, 토지 면적정보, 토지 지형정보, 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보, 대지 이용 규제 정보를 자동으로 생성하고, 생성한 정보들을 이용하여 다수의 인공 신경망 모델을 통해 사용자에게 복수의 재개발 설계 정보와 재개발 설계 정보로 재개발재 진행하였을 때 예상되는 예상 시공 비용 및 예상 투자 수익, 발생 예상 세금 및 부대비용, 예상 수익률을 제공하여 사용자로 하여금 가장 수익률이 높은 형태와 업종에 사용할 수 있는 구조로 재개발을 진행하도록 추천 하는 기능을 제공할 수 있는 인공 신경망 기반의 부동산 투자 큐레이션 시스템 및 그 방법을 제공하는데 그 목적이 있다.

투자 대상으로서 부동산은 이미 오래 전부터 가장 중요한 항목으로 여겨져 왔으나, 2016년 이후 가파른 국내 부동산 가격의 상승은 전국민을 대상으로 가장 매력적인 투자처로 인식되어 오고 있다.

부동산 투자는 토지 및 토지 위에 건축된 건물이라는 한정된 자원을 투자의 대상으로 하기 때문에 주식과 다른 투자 대상들과는 다르게 투자 리스크가 적다는 장점이 존재하는 반면에, 상대적으로 소액으로도 가능한 다른 투자 대상들 보다 상대적으로 투자에 많은 자금이 필요하다는 단점도 존재한다.

특히 전세계적으로 가치 상승이 예상되나 현재는 저평가되어 있는 부동산을 대상으로 해당 부동산의 소유자뿐만 아니라 부동산을 매입하여 투자하고자 하는 주자자들을 대상으로 재개발에 대한 수요가 급증하고 있으나, 투자 대비 수익 또는 수익률이 재개발된 건물의 면적, 유형, 용도, 임대할 경우 업종별 임차료 등에 따라 천차만별로 다르게 나타날 수 있어 이러한 리스크를 감내하는 것에 대하여 많은 어려움이 존재하고 있다.

이러한 리스크를 분석하고 재개발에 투자 수익률을 산출해 내고자 하는 노력과 연구들이 다수 진행되고 있으나 많은 변수들이 불규칙적으로 영향을 미치고 있어 분석의 정확성이 높지 않을뿐더러 시간적, 물질적으로 많은 비용이 들어 토지에 따른 건물의 재개발 가능 면적과 이에 따른 예상 수익 등을 보여주는 등의 1차원적인 정보를 제공하는 것에 그치고 있다.

본 발명은 사용자로부터 부동산 위치 정보를 입력 받아 복수의 인공 신경망모델을 통해 복수의 인공 신경망 모델을 이용하여 부동산에 대한 재개발을 진행하는 경우 재개발의 방향을 결정할 수 있는 추천 재개발 세부 정보 및 이에 따라 재개발이 진행될 시 건물 외형 및 구조를 미리 살펴볼 수 있는 예상 이미지 정보, 그리고 재개발의 수익성을 살펴볼 수 있는 투자 예상 결과 정보를 제공할 수 있는 인공지능 기반의 부동산 투자 큐레이션 시스템을 제공하고자 한다.

본 발명의 실시예에 따르면 인공 신경망 기반의 부동산 투자 큐레이션 시스템은 부동산 투자 큐레이션 시스템에 접속하여 특정 부동산에 대한 재개발에 대한 투자 큐레이션 정보를 생성하도록 구비되는 관리 서버 및 상기 관리 서버와 연결되어 사용자에게 투자 큐레이션 정보를 제공하는 사용자 단말을 포함하며, 상기 관리 서버는, 부동산 위치 정보를 입력 받아 투자 대상이 될 부동산의 토지 유형정보, 토지 면적정보, 토지 지형정보, 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보, 대지 이용 규제 정보 중 적어도 하나를 포함하는 부동산의 재개발 현황정보 생성하는 재개발 현황정보 생성부; 상기 재개발 현황정보에 포함된 토지 유형정보, 토지 면적정보, 토지 지형정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 중 적어도 하나 이상을 제1 인공 신경망 모델의 각 입력층에 입력하여 해당 부동산에서 수행 가능한 재건축 또는 리모델링에 대한 설계 항목 정보, 상기 설계 항목이 반영된 설계 모델링 정보 및 설계 예상 비용을 포함하는 복수의 재개발 설계 정보를 생성하는 재개발 예상정보 생성부; 상기 복수의 재개발 설계 정보에 포함된 설계 항목 정보, 설계 모델링 정보를 제2 인공 신경망 모델의 각 입력층에 입력하여 3D 이미지로 생성된 재개발 예상 이미지를 생성하는 예상 이미지 생성부; 상기 재개발 현황정보에 포함된 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보 중 적어도 하나와 상기 재개발 설계 정보에 포함된 설계 항목 정보를 제3 인공 신경망 모델의 각 입력층에 입력하여 재개발 설계 정보별로 예상 시공 비용 및 예상 투자 수익, 발생 예상 세금 및 부대비용, 예상 수익률 중 적어도 하나를 포함하는 투자 예상 결과 정보를 제공하는 예상 결과 생성부; 사용자에게 재개발 설계 정보 별 재개발 예상 이미지와 투자 예상 결과 정보를 포함하는 추천 재개발 정보를 사용자에게 복수로 제공하고, 복수의 추천 재개발 정보 중 상기 사용자가 선정한 추천 재개발 정보에 따라 재개발을 시공할 수 있는 시공 업체 정보를 제공하는 시공 업체 제공부를 포함할 수 있다.

본 발명의 실시예에 따르면 관리서버는 부동산 위치 정보를 입력 받아 투자 대상이 될 부동산의 토지 유형정보, 토지 면적정보, 토지 지형정보, 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보, 대지 이용 규제 정보 중 적어도 하나를 포함하는 부동산의 재개발 현황정보 생성하는 재개발 현황정보 생성부; 상기 재개발 현황정보에 포함된 토지 유형정보, 토지 면적정보, 토지 지형정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 중 적어도 하나 이상을 제1 인공 신경망 모델의 각 입력층에 입력하여 해당 부동산에서 수행 가능한 재건축 또는 리모델링에 대한 설계 항목 정보, 상기 설계 항목이 반영된 설계 모델링 정보 및 설계 예상 비용을 포함하는 복수의 재개발 설계 정보를 생성하는 재개발 예상정보 생성부; 상기 복수의 재개발 설계 정보에 포함된 설계 항목 정보, 설계 모델링 정보를 상기 제2 인공 신경망 모델의 각 입력층에 입력하여 3D 이미지로 생성된 재개발 예상 이미지를 생성하는 예상 이미지 생성부; 상기 재개발 현황정보 생성부에 포함된 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보 중 적어도 하나와 상기 재개발 설계 정보에 포함된 설계 항목 정보, 관련 세금 규정 정보를 상기 제3 인공 신경망 모델의 각 입력층에 입력하여 재개발 설계 정보별로 예상 시공 비용 및 예상 투자 수익, 발생 예상 세금 및 부대비용, 예상 수익률 중 적어도 하나를 포함하는 투자 예상 결과 정보를 제공하는 예상 결과 생성부; 사용자에게 재개발 설계 정보 별 재개발 예상 이미지와 투자 예상 결과 정보를 포함하는 추천 재개발 정보를 사용자에게 복수로 제공하고, 복수의 추천 재개발 정보 중 상기 사용자가 선정한 추천 재개발 정보에 따라 재개발을 시공할 수 있는 시공 업체 정보를 제공하는 시공 업체 제공부를 포함할 수 있다.

본 발명의 실시예에 따르면 엣지 클라우드 컴퓨팅 기반의 분산 연산이 가능한 사용자 단말은 부동산 투자 큐레이션 시스템에 접속하여 특정 부동산에 대한 재개발에 대한 투자 큐레이션 정보를 생성하도록 구비되는 관리 서버와 클라우드 네트워크로 연결되고, 연산을 수행할 수 있는 적어도 하나의 프로세서를 포함하며 상기 적어도 하나의 연산 프로세서에 의하여, 부동산 위치 정보를 입력 받아 투자 대상이 될 부동산의 토지 유형정보, 토지 면적정보, 토지 지형정보, 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보, 대지 이용 규제 정보 중 적어도 하나를 포함하는 부동산의 재개발 현황정보 생성하고, 상기 재개발 현황정보에 포함된 토지 유형정보, 토지 면적정보, 토지 지형정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 중 적어도 하나 이상을 제1 인공 신경망 모델의 각 입력층에 입력하여 해당 부동산에서 수행 가능한 재건축 또는 리모델링에 대한 설계 항목 정보, 상기 설계 항목이 반영된 설계 모델링 정보 및 설계 예상 비용을 포함하는 복수의 재개발 설계 정보를 생성하는 연산이 수행되며, 상기 연산을 통해 생성된 재개발 현황정보 및 재개발 설계 정보를 관리서버로 송신하여 상기 관리 서버와 연산에 필요한 자원을 분담할 수 있다.

본 발명의 실시예에 따르면 관리서버는 부동산 투자 큐레이션 시스템에 접속하여 제1, 2, 3 인공 신경망 모델을 이용하여 특정 부동산에 대한 재개발에 대한 투자 큐레이션 정보를 생성하고, 상기 제1 인공 신경망 모델은 상기 부동산의 토지 유형정보, 토지 면적정보, 토지 지형정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 중 적어도 하나 이상을 입력하면 재개발이 가능한 개발 유형에 대한 복수의 설계 항목 정보 및 상기 설계 항목이 반영된 설계 모델링 정보가 출력되도록 대지 이용 규제 데이터, 실제 재개발 케이스 상세 항목 데이터, 기 설계 도면 데이터를 통해 학습된 제1 레이어 그룹과, 상기 설계 항목 정보 및 설계 모델링 정보를 입력하면 설계 모델링 정보에 따라 재개발 시공을 수행하였을 경우 각 시공업체별 시공 비용을 평균화하며 생성한 항목별 예상 비용을 포함한 설계 예상 비용을 생성하고, 설계 항목이 반영된 설계 모델링 정보 및 설계 예상 비용을 포함하는 복수의 재개발 설계 정보를 생성하도록 학습된 제2 레이어 그룹으로 구성되는 것을 특징으로 하며, 상기 제2 인공 신경망 모델은 상기 설계 항목 정보 및 설계 모델링 정보에 포함된 건물의 형태, 구조, 골격, 자재, 시공 사항, 시공 품목 정보를 각 입력층에 입력하면 외부 형태, 내부 구조, 내부 형태를 복수의 3D 객체 데이터로 생성하도록 학습된 제1 레이어 그룹 및 상기 복수의 3D 객체 데이터 및 상기 재개발 현황정보에 포함된 토지 지형정보, 토지 유형정보를 각 입력층에 입력하면 토지 및 토지 위에 세워진 건물을 전방위로 회전시켜 외부, 내부의 형상과 구조를 열람할 수 있는 3D 이미지가 출력되도록 학습된 제2 레이어 그룹으로 구성되는 것을 특징으로 하고, 상기 제3 인공 신경망 모델은 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보 중 적어도 하나와 상기 재개발 설계 정보에 포함된 설계 항목 정보를 각 입력층에 입력하면 각 입력층에 입력하여 재개발 설계 정보별로 예상 시공 비용 및 예상 투자 수익, 발생 예상 세금 및 부대비용, 예상 수익률 중 적어도 하나를 포함하는 투자 예상 결과 정보를 제공하도록 설계 항목별 비용 데이터, 토지별, 면적별, 건물 유형별, 지역별 관련 세금 규정 데이터, 예상 부대 비용 데이터를 이용해 학습된 모델일 수 있다.

본 발명의 실시예에 따르면 인공 신경망 기반의 부동산 투자 큐레이션 방법은 적어도 하나의 연산 프로세서에 의하여 수행되는, 부동산 위치 정보를 입력 받아 투자 대상이 될 부동산의 토지 유형정보, 토지 면적정보, 토지 지형정보, 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보, 대지 이용 규제 정보 중 적어도 하나를 포함하는 부동산의 재개발 현황정보 생성하는 단계; 상기 재개발 현황정보에 포함된 토지 유형정보, 토지 면적정보, 토지 지형정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 중 적어도 하나 이상을 제1 인공 신경망 모델의 각 입력층에 입력하여 해당 부동산에서 수행 가능한 재건축 또는 리모델링에 대한 설계 항목 정보, 상기 설계 항목이 반영된 설계 모델링 정보 및 설계 예상 비용을 포함하는 복수의 재개발 설계 정보를 생성하는 단계; 상기 복수의 재개발 설계 정보에 포함된 설계 항목 정보, 설계 모델링 정보를 제2 인공 신경망 모델의 각 입력층에 입력하여 3D 이미지로 생성된 재개발 예상 이미지를 생성하는 단계; 상기 재개발 현황정보에 포함된 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보 중 적어도 하나와 상기 재개발 설계 정보에 포함된 설계 항목 정보, 관련 세금 규정 정보를 제3 인공 신경망 모델의 각 입력층에 입력하여 재개발 설계 정보별로 예상 시공 비용 및 예상 투자 수익, 발생 예상 세금 및 부대비용, 예상 수익률 중 적어도 하나를 포함하는 투자 예상 결과 정보를 제공하는 단계; 사용자에게 재개발 설계 정보 별 재개발 예상 이미지와 투자 예상 결과 정보를 포함하는 추천 재개발 정보를 사용자에게 복수로 제공하고, 복수의 추천 재개발 정보 중 상기 사용자가 선정한 추천 재개발 정보에 따라 재개발을 시공할 수 있는 시공 업체 정보를 제공하는 단계를 포함할 수 있다.

본 발명의 실시예에 따라 구현된 인공지능 기반의 부동산 투자 큐레이션 시스템을 통하여 사용자는 투자 대상으로 삼은 부동산 위치 정보만 입력하면 해당 부동산을 이용하여 시행할 수 있는 재개발 설계 항목 정보 및 예상 설계 이미지를 확인할 수 있을 뿐만 아니라 이를 통해 해당 재개발 설계 별로 예상 시공 비용 및 예상 투자 수익, 발생 예상 세금 및 부대비용, 예상 수익률을 산출하여 재개발 경제성을 평가하여 사용자가 가장 높은 수익률을 낼 수 있는 설계를 선택할 수 있도록 도움을 줄 뿐만 해당 정보를 생성하기 위해 관리 서버에 너무 많은 연산자원을 요구함으로써 초기 투자 비용 및 서버 유지 비용이 너무 많이 발생하는 것을 방지하기 위하여 사용자 단말에 설치되는 어플리케이션을 이용하여 사용자 단말의 연산자원을 이용해 전체 연산을 분담하여 연산하는 클라우드 엣지 컴퓨팅(cloud edge computing) 기법을 적용함으로써 더 빠르면서도 사업자 측면에서는 비용을 감소할 수 있는 부동산 투자 큐레이션 시스템을 제공할 수 있다.

도 1은 본 발명의 일 실시예에 따라 구현된 인공 신경망 기반의 부동산 투자 큐레이션 시스템의 네트워크 연결을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따라 엣지 컴퓨팅이 가능하도록 구현된 관리서버와 사용자 단말의 연결을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 부동산 투자 큐레이션 시스템에 포함된 관리서버의 세부 구성도이다.
도 4는 본 발명의 일 실시예에 따라 부동산 투자 큐레이션 시스템에 포함된 제1, 2, 3, 4 인공 신경망 모델을 나타낸 도면이다
도 5는 본 발명의 일 실시예에 따라 구현된 제1 인공 신경망 모델을 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따라 구현된 제2 인공 신경망 모델을 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따라 구현된 제3 인공 신경망 모델을 나타낸 도면이다.
도 8은 본 발명의 일 실시예에 따라 구현된 제4 인공 신경망 모델을 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따라 구현된 제1 인공 신경망 모델의 제1, 2레이어 그룹을 나타낸 도면이다.
도 10은 본 발명의 일 실시예에 따라 구현된 제2 인공 신경망 모델의 제1, 2레이어 그룹을 나타낸 도면이다.
도 11은 본 발명의 일 실시예에 따라 구현된 부동산 투자 큐레이션 시스템을 통해 3D 이미지로 생성된 재개발 예상 이미지 중 외부 형태를 대상으로 한 이미지를 나타낸 도면이다.
도 12는 본 발명의 일 실시예에 따라 구현된 부동산 투자 큐레이션 시스템을 통해 3D 이미지로 생성된 재개발 예상 이미지 중 내부 구조 및 내부 형태를 대상으로 한 이미지를 나타낸 도면이다.
도 13은 본 발명의 실시예에 따라 인공 신경망 기반의 부동산 투자 큐레이션 방법의 흐름도이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.

본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 발명에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 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 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한 도면들의 각 블록과 흐름도 도면들의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도 블록(들)에서 설명된 기능들을 수행하는 수단을 생성하게 된다.

이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도 블록(들)에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.

컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도 블록(들)에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.

또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다.

그리고 몇 가지 대체 실시예들 에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.

이 때, 본 실시 예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다.

그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.

따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.

본 발명의 실시예들을 구체적으로 설명함에 있어서, 특정 시스템의 예를 주된 대상으로 할 것이지만, 본 명세서에서 청구하고자 하는 주요한 요지는 유사한 기술적 배경을 가지는 여타의 통신 시스템 및 서비스에도 본 명세서에 개시된 범위를 크게 벗어나지 아니하는 범위에서 적용 가능하며, 이는 당해 기술분야에서 숙련된 기술적 지식을 가진 자의 판단으로 가능할 것이다.

이하, 도면을 참조하여 본 발명의 실시 예에 따른 계층 구조를 이용한 컴플라이언스 관리 체계 지원 시스템 및 그 방법에 대하여 설명한다.

도 1은 본 발명의 일 실시예에 따라 구현된 인공 신경망 기반의 부동산 투자 큐레이션 시스템의 네트워크 연결을 나타낸 도면이다.

도 1을 참조하면 인공 신경망 기반의 부동산 투자 큐레이션 시스템(1)이 내부 또는 외부에 형성된 네트워크 연결이 나타나 있으며, 부동산 투자 큐레이션 시스템(1)은 관리서버(10), 사용자 단말(20, 30, 40)을 포함할 수 있으며, 관리서버와 사용자 단말(20, 30, 40)은 무선 네트워크 환경에서 연결을 구성할 수 있으며, 일 실시예에 따르면 클라우드 컴퓨팅 환경이 가능하도록 연결된 클라우드 네트워크 환경으로 연결을 구성할 수 있다.

본 발명의 일 실시예에 따르면 관리 서버(10)는 복수의 인테리어 업체 외부 단말과 연결될 수 있으며, 인테리어 업체 외부 단말로부터 수신한 시공 정보 및 비용정보를 분석하여 사용자가 선정한 추천 재개발 정보에 따라 재개발을 시공할 수 있는 시공 업체를 선정하고, 선정된 시공 업체에 대한 시공 업체 정보를 사용자에게 제공할 수 있다.

도 2는 본 발명의 일 실시예에 따라 엣지 컴퓨팅이 가능하도록 구현된 관리서버와 사용자 단말의 연결을 나타낸 도면이다.

도 2를 참조하면 본 발명의 일 실시예에 따라 엣지 컴퓨팅(edge computing)이 가능하도록 구현된 관리서버와 사용자 단말의 연결이 나타나 있으며, 상기 실시예에 따르면 관리서버와 사용자 단말의 사이에서 엣지 컴퓨팅이 가능하도록 클라우드 네트워크로 연결될 수 있다.

여기서 엣지 컴퓨팅이란 다양한 단말 기기에서 발생하는 데이터를 클라우드와 같은 중앙 집중식 데이터센터로 보내지 않고 데이터가 발생한 현장 혹은 근거리에서 실시간 처리하는 방식으로 데이터 흐름 가속화를 지원하는 컴퓨팅 방식을 의미하며, 처리 가능한 대용량 데이터를 발생지(소스) 주변에서 효율적으로 처리함으로써 데이터 처리 시간이 큰 폭으로 단축되고 인터넷 대역폭 사용량이 감소하는 장점이 있다.

본 발명의 일 실시예에 따르면 사용자는 사용자 단말에 어플리케이션 형태로 구현된 시스템에 부동산 위치 정보를 입력하고, 사용자 단말의 연산 자원을 이용하여 입력 받은 부동산 위치 정보에 따른 부동산의 토지 유형정보, 토지 면적정보, 토지 지형정보, 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보, 대지 이용 규제 정보 중 적어도 하나를 포함하는 부동산의 재개발 현황정보를 생성할 수 있다,

상기 실시 예에 따르면 사용자 단말의 연산 자원을 이용하여 생성된 재개발 현황정보에 포함된 토지 유형정보, 토지 면적정보, 토지 지형정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 중 적어도 하나 이상을 제1 인공 신경망 모델의 각 입력층에 입력하여 해당 부동산에서 수행 가능한 재건축 또는 리모델링에 대한 설계 항목 정보, 설계 항목이 반영된 설계 모델링 정보 및 설계 예상 비용을 포함하는 복수의 재개발 설계 정보를 생성할 수 있다.

상기 일 실시예에 따르면 사용자 단말(20)은 생성된 재개발 현황정보 및 재개발 설계 정보를 관리 서버(10)에 송신할 수 있으며 관리 서버(10)는 재개발 현황정보 및 재개발 설계 정보를 이용하여 재개발 설계 정보별로 제2 인공 신경망 모델을 이용하여 재개발 예상 이미지를 생성하고, 제3 인공 신경망 모델을 이용하여 재개발 설계 정보별로 투자 예상 결과 정보를 생성할 수 있다.

상기 일 실시예에 따르면 관리 서버(10)는 재개발 설계 정보별로 생성된 재개발 예상 이미지 및 투자 예상 결과 정보를 포함하는 복수의 추천 재개발 정보를 사용자 단말(20)로 송신할 수 있으며, 사용자는 사용자 단말을 통해 복수의 추천 재개발 정보 중 하나를 선택하여 관리 서버(10)로 송신할 수 있으며, 관리 서버는 선택된 추천 재개발 정보를 이용하여 추천 재개발 정보에 따라 재개발을 시공할 수 있는 시공 업체 정보를 제공할 수 있다.

상기 실시예에 따르면 사용자 단말(20)에서 재개발 현황정보 및 재개발 설계 정보를 생성할 수 있으나 이에 한정하지 않고, 제1 인공 신경망 모델을 이용하는데 연산 자원이 상당히 필요하므로 사용자 단말의 연산 자원 사양이 높지 않을 경우에는 원활한 시스템 사용이 어려울 수 있기 때문에 사용자 단말의 연산 자원 사양 및 네트워크 환경에 따라 재개발 현황정보까지만 생성하고 관리 서버(10)로 송신하여 관리 서버의 연산 자원을 이용하여 제1 인공 신경망 모델을 통해 재개발 설계 정보를 생성하는 실시예를 통해 원활한 시스템의 운영을 가능하게 할 수 있다.

이는 미리 설정되어 변동 불가능한 것이 아닌 관리 서버(10)측에서 사용자 단말의 연산 자원 정보를 수신 받아 사용자 단말의 연산 자원의 사양과 미리 설정된 연산 자원 사양을 비교하여 유연하게 제1 인공 신경망 모델을 통한 연산의 주체를 변경할 수 있다.

도 3은 본 발명의 일 실시예에 따른 부동산 투자 큐레이션 시스템에 포함된 관리서버의 세부 구성도이다.

도 3을 참조하면 본 발명의 일 실시예에 따른 부동산 투자 큐레이션 시스템에 포함된 관리서버(10)은 부동산 투자 큐레이션 시스템에 접속하여 특정 부동산에 대한 재개발에 대한 투자 큐레이션 정보를 생성하도록 구비될 수 있다.

본 발명의 일 실시예에 따르면 관리 서버(10)는 재개발 현황정보 생성부(100), 재개발 예상정보 생성부(200), 예상 이미지 생성부(300), 예상 결과 생성부(400), 시공 업체 제공부(500)를 포함할 수 있다.

재개발 현황정보 생성부(100)는 부동산 위치 정보를 입력 받아 투자 대상이 될 부동산의 토지 유형정보, 토지 면적정보, 토지 지형정보, 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보, 대지 이용 규제 정보 중 적어도 하나를 포함하는 부동산의 재개발 현황정보 생성할 수 있다.

본 발명의 일 실시 예에 따르면 부동산 위치 정도는 재개발의 대상이 되는 부동산의 지번, 주소, GPS 좌표 등이 될 수 있다.

본 발명의 일 실시예에 따르면 부동산 위치 정보를 통해 부동산의 재개발 현황정보를 생성하기 위한 방법으로 '국토정보플랫폼'의 데이터 베이스에서 지적도 CAD 파일 등 해당 위치 정보를 통해 검색하여 획득할 수 있을 뿐만 아니라 외부 데이터 베이스로부터 건축될 토지 및 해당 토지 인접한 대지에 관한 면적정보, 지적도 정보, 토지 사용 용도 등의 정보 및 '토지이용규제 서비스'의 데이터 베이스로부터 해당 토지에 건물을 짓는 경우에 적용될 수 있는 법규 정보(예를 들면, 국토계획법, 건축법, 주차장법, 주택법 등)에 대한 정보를 검색하여 획득할 수 있으며, 획득한 정보를 파싱(Parsing)하고 파싱된 정보를 취합하여 토지 유형정보, 토지 면적정보, 토지 지형정보, 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 생성하는 방법을 사용할 수 있다.

또한 외부 데이터 베이스로부터 재개발의 대상이 되는 토지의 소정 거리 이내 부동산의 업종별 임대료, 건물 유형별 매매금 또는 전세금에 관한 정보, 해당 건축 대지로부터 소정 거리 이내 부동산의 실거래가 및 도시별 평균 부동산 시세 중 적어도 하나로부터 산출된 해당 건축 대지의 예상 매도 가격 또는 임대료 등의 부동산 시장 정보를 검색하여 획득하고, 획득된 정보를 파싱하여 포함된 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보를 생성할 수 있다.

재개발 예상정보 생성부(200)는 재개발 현황정보에 포함된 토지 유형정보, 토지 면적정보, 토지 지형정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 중 적어도 하나 이상을 제1 인공 신경망 모델의 각 입력층에 입력하여 해당 부동산에서 수행 가능한 재건축 또는 리모델링에 대한 설계 항목 정보, 설계 항목이 반영된 설계 모델링 정보 및 설계 예상 비용을 포함하는 복수의 재개발 설계 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 제1 인공 신경망 모델의 각 입력층에 재개발 현황정보에 포함된 토지 유형정보, 토지 면적정보, 토지 지형정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 중 적어도 하나 이상을 입력하여 재개발 설계 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 제1 인공 신경망 모델은 다수의 연산 레이어를 포함할 수 있으며, 다수의 연산 레이어 중 일부의 연산 레이어들로 이루어진 제1 레이어 그룹과, 나머지 연산 레이어들로 제2 레이어 그룹으로 나뉘어 질 수 있다.

제1 인공 신경망 모델의 제1 레이어 그룹은 부동산의 토지 유형정보, 토지 면적정보, 토지 지형정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 중 적어도 하나 이상을 입력하면 재개발이 가능한 개발 유형에 대한 복수의 설계 항목 정보 및 설계 항목이 반영된 설계 모델링 정보가 출력되도록 학습되어진 다수의 연산 레이어로 이루어진 일종의 소규모 인공 신경망 모델일 수 있다.

본 발명의 일 실시예에 따르면 소규모 인공 신경망 모델인 제1 인공 신경망 모델의 제1 레이어 그룹을 학습시키기 위하여 대지 이용 규제 데이터, 실제 재개발 케이스 상세 항목 데이터, 기 설계 도면 데이터를 학습데이터로 이용할 수 있다.

본 발명의 일 실시 예에 따르면 학습된 제1 인공 신경망 모델의 제1 레이어에 부동산의 토지 유형정보, 토지 면적정보, 토지 지형정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 중 적어도 하나 이상을 입력하였을 때 이에 부합되는 설계 항목 정보 및 설계 항목이 반영된 설계 모델링 정보가 출력되는 것을 정답인지 여부를 판단하여 정답인 경우 1, 오답에 가까울수록 0에 가깝게 산출하여, 산출한 값을 제1 기대 값으로 선정할 수 있으며, 각 입력층에 입력되는 정보의 항목에 가중치를 달리 하여 제1 기대 값이 미리 설정한 예상 정확도 값에 미칠 수 있을 때까지 반복적으로 학습할 수 있다.

본 발명의 일 실시 예에 따르면 재개발 예상정보 생성부(200)는 사용자로부터 수신한 선호도 정보를 분석한 결과를 반영하여 설계 항목 정보, 설계 항목이 반영된 설계 모델링 정보를 생성할 수 있다.

본 발명의 일 실시 예에 따르면 재개발 예상정보 생성부(200)는 사용자로부터 입력 받은 선호도 정보를 분석하여 직접 관심 정보와 간접 관심 정보로 분류할 수 있으며, 분류된 직접 관심 정보와 간접 관심 정보를 제1 인공 신경망 모델에 입력하여 복수의 설계 항목 정보에 대한 선호도를 산출하여 사용자 선호도 정보를 생성할 수 있으며 사용자 선호도가 높은 설계 아이템을 설계 항목의 아이템으로 선정할 수 있다.

본 발명의 일 실시예에 따르면 설계 항목 정보에 대한 명시적인 선호도를 나타내는 직접 관심 정보가 존재하는 설계 항목의 경우 해당 선호도에 따라 추천되는 설계 항목을 제시할 수 있으며, 직접 관심 정보와 간접 관심 정보를 이용하여 복수의 설계 항목에 대한 선호도를 산출함으로써 직접 관심 정보가 존재하지 아니하는 설계 항목에 대한 선호도의 산출이 가능하고 더 나아가 직접 관심 정보가 존재하는 설계 항목에 대해서도 간접 관심 정보를 이용하여 가중치 값을 부여하여 더욱 정확한 선호도를 산출할 수 있다.

본 발명의 일 실시예에 따르면 제1 인공 신경망 모델은 복수의 사용자에 각각에 대한 목적함수 및 샘플링 확률 분포(sampling probability distribution)를 산출하며, 직접 관심 정보 및 샘플링 확률 분포를 이용하여 복수의 사용자 각각에 대한 선호도의 차이가 미리 설정된 기준을 만족하는 직접 관심 정보와 간접 관심 정보를 연관 항목세트로 선정하여 복수의 항목 세트를 생성할 수 있다.

본 발명의 일 실시예에 따르면 제1 인공 신경망 모델의 목적 함수는 수학식 1과 같이 나타낼 수 있다.

여기서 u는 사용자이며,

는 사용자 u의 직접 관심 정보의 평가 벡터이며,

는 사용자 u의 간접 관심 정보인 평가 벡터이고,

는 사용자 u의 평가 정보 존재 유무에 대한 인디케이터 벡터이며,

는 활성화함수(sigmoid 또는 hyperbolic 탄젠트 함수)이며,

와

는 사용자 u의 설계 항목 i,j에 대한 평가 결과 예상치이며,

와

는 정규화항에 대한 중요도를 제어하기 위해 설정하는 파라미터이고

은 제1 인공 신경망 모델에 대응되는 파라미터를 의미할 수 있다.

본 발명의 일 실시예에 따르면 샘플링 확률 분포는 사용자의 관심도가 낮은 설계 항목이 선호도가 낮은 설계 항목으로 샘플링되도록 구성될 수 있으며, 이러한 샘플링확률분포는 아래와 같은 수학식 2와 같이 나타낼 수 있다.

수학식 2에서

는 소프트맥스(softmax)함수를 의미할 수 있다.

본 발명의 일 실시예에 따르면 제1 인공 신경망 모델은 복수의 항목 세트에 근거하여 직접 관심 정보 또는 간접 관심 정보에 따른 복수의 설계 항목에 대한 선호도를 산출하도록 학습된 인공 신경망을 기반으로 한 모델일 수 있다.

본 발명의 일 실시예에 따르면 제1 인공 신경망 모델은 직접 관심 정보와 간접 관심 정보에 텍스트에 포함된 단어들의 수 및 단어들 간의 상관 관계에 기반하여 산출된 제1 점수를 산출할 수 있으며, 이미지와 기 저장된 유사도 계산용 기준 이미지와의 유사도에 기반하여 산출된 제2 점수를 산출할 수 있다.

본 발명의 일 실시예에 따르면 산출된 제1, 2점수를 이용하여 사용자 의향에 상응하는 복수의 설계 항목들의 선호 유사도들을 계산하고, 선호 유사도들에 기반하여 선호 항목 풀(POOL)에 기 저장된 복수개의 연관 항목들 중 가장 높은 작업 유사도를 갖는 연관 항목을 항목 세트로 선정할 수 있다.

본 발명의 일 실시예에 따르면 복수의 인테리어 작업들에 기 설정된 조건에 따라 가중치를 설정하고, 가중치가 설정된 설계 항목들로부터 계산된 작업 유사도의 가중합(WEIGHTED SUM)을 산출할 수 있으며, 계산된 가중합을 고려하여 설계 항목에 대한 특정 아이템을 추천할 수 있다.

본 발명의 일 실시예에 따르면 작업 유사도에 따라 특정 설계 항목(Interior item)은 수학식 3을 통해 추천할 수 있다.

여기서 POOL은 본 발명에서 생성 가능한 목적 작업을 수행할 수 있는 학습엔진들의 집합에 상응할 수 있는 함수이며, Query 함수는 본 발명이 제공하는 POOL에 저장된 목적 작업들과 작업 유사도 계산 결과값이 가장 유사한 목적 작업을 추천해주는 함수일 수 있다.

본 발명의 일 실시 예에 따르면 수학식 1, 2, 3을 이용하여 산출된 선호도 정보를 이용하여 복수의 설계 항목에 대하여 사용자의 선호도가 반영된 아이템들을 선정할 수 있다.

본 발명의 일 실시예에 따르면 제1 인공 신경망 모델의 제2 레이어 그룹은 설계 항목 정보 및 설계 모델링 정보를 입력하면 설계 모델링 정보에 따라 재개발 시공을 수행하였을 경우 각 시공업체별 시공 비용을 평균화하며 생성한 항목별 예상 비용을 포함한 설계 예상 비용을 생성할 수 있다.

본 발명의 일 실시예에 따르면 소규모 인공 신경망 모델인 제1 인공 신경망 모델의 제2 레이어 그룹을 학습시키기 위하여 설계 항목별 시공 비용, 인테리어 업체 별 시공 비용, 설계 모델링별 시공 비용 등이 학습 데이터로 이용될 수 있다.

본 발명의 일 실시 예에 따르면 학습된 제1 인공 신경망 모델의 제2 레이어에 설계 항목 정보 및 설계 모델링 정보를 입력하였을 때 출력되는 설계 예상 비용이 실제 비용과 동일한 정답인지 여부를 판단하여 정답인 경우 1, 오답에 가까울수록 0에 가깝게 산출하여, 산출한 값을 제2 기대 값으로 선정할 수 있으며, 각 입력층에 입력되는 정보의 항목에 가중치를 달리 하여 제2 기대 값이 미리 설정한 예상 정확도 값에 미칠 수 있을 때까지 반복적으로 학습할 수 있다.

본 발명의 일 실시예에 따르면 제1 기대 값과 출력 값의 차이를 제1 차이 값으로 설정하고, 제2 기대 값과 출력 값의 차이를 제2 차이 값으로 설정할 수 있으며, 제1 차이 값과 제2 차이 값의 합을 제1 인공 신경망 모델의 손실인 손실 값으로 산출하고 제1 인공 신경망 모델의 입력층에 입력되는 항목의 가중치를 변경하여 손실 값이 최소가 되는 가중치를 산출하는 것으로 학습을 진행할 수 있다.

예상 이미지 생성부(300)는 복수의 재개발 설계 정보에 포함된 설계 항목 정보, 설계 모델링 정보를 제2 인공 신경망 모델의 각 입력층에 입력하여 3D 이미지로 생성된 재개발 예상 이미지를 생성할 수 있다.

본 발명의 일 실시예에 따르면 예상 이미지 생성부(300)는 제2 인공 신경망 모델을 이용하여 복수의 재개발 설계 정보에 포함된 설계 항목 정보, 설계 모델링 정보에 따른 3D 이미지로 생성된 재개발 예상 이미지를 생성할 수 있다.

본 발명의 일 실시예에 따르면 제2 인공 신경망 모델은 다수의 연산 레이어를 포함할 수 있으며, 다수의 연산 레이어 중 일부의 연산 레이어들로 이루어진 제1 레이어 그룹과, 나머지 연산 레이어들로 제2 레이어 그룹으로 나뉘어 질 수 있다.

본 발명의 일 실시 예에 따르면 제2 인공 신경망 모델의 제1 레이어 그룹은 설계 항목 정보 및 설계 모델링 정보에 포함된 건물의 형태, 구조, 골격, 자재, 시공 사항, 시공 품목 정보를 각 입력층에 입력하면 외부 형태, 내부 구조, 내부 형태를 복수의 3D 객체 데이터로 생성하도록 학습된 소규모 인공신경망 모델일 수 있다.

본 발명의 일 실시 예에 따르면 학습된 제2 인공 신경망 모델의 제1 레이어에 설계 항목 정보 및 설계 모델링 정보에 포함된 건물의 형태, 구조, 골격, 자재, 시공 사항, 시공 품목 정보를 입력하였을 때 이에 부합되는 외부 형태, 내부 구조, 내부 형태가 출력되는 것을 정답인지 여부를 판단하여 정답인 경우 1, 오답에 가까울수록 0에 가깝게 산출하여, 산출한 값을 제3 기대 값으로 선정할 수 있으며, 각 입력층에 입력되는 정보의 항목에 가중치를 달리 하여 제3 기대 값이 미리 설정한 예상 정확도 값에 미칠 수 있을 때까지 반복적으로 학습할 수 있다.

본 발명의 일 실시 예에 따르면 제2 인공 신경망 모델의 제2 레이어 그룹은 복수의 3D 객체 데이터 및 재개발 현황정보에 포함된 토지 지형정보, 토지 유형정보를 각 입력층에 입력하면 토지 및 토지 위에 세워진 건물을 전방위로 회전시켜 외부, 내부의 형상과 구조를 열람할 수 있는 3D 이미지가 출력되도록 학습된 소규모 인공신경망 모델일 수 있다.

본 발명의 일 실시 예에 따르면 학습된 복수의 3D 객체 데이터 및 재개발 현황정보에 포함된 토지 지형정보, 토지 유형정보를 입력하였을 때 이에 부합되는 외부 형태, 내부 구조, 내부 형태가 실제와 부합되는 지를 판단하여 부합될수록 정답으로 보아 1로, 부합되지 않을수록 오답으로 보아 0에 가깝게 산출하여, 산출한 값을 제4 기대 값으로 선정할 수 있으며, 각 입력층에 입력되는 정보의 항목에 가중치를 달리 하여 제4 기대 값이 미리 설정한 예상 정확도 값에 미칠 수 있을 때까지 반복적으로 학습할 수 있다.

본 발명의 일 실시예에 따르면 제3 기대 값과 출력 값의 차이를 제3 차이 값으로 설정하고, 제4 기대 값과 출력 값의 차이를 제4 차이 값으로 설정할 수 있으며, 제3 차이 값과 제4 차이 값의 합을 제2 인공 신경망 모델의 손실인 손실 값으로 산출하고 제2 인공 신경망 모델의 입력층에 입력되는 항목의 가중치를 변경하여 손실 값이 최소가 되는 가중치를 산출하는 것으로 학습을 진행할 수 있다.

본 발명의 일 실시 예에 따르면 3D 이미지로 생성된 재개발 예상 이미지를 생성하기 위하여 스케치업, 글래스호퍼 같은 응용프로그램들을 이용할 수 있으며, 이외에 메타 휴리스틱 알고리즘을 사용하여 생성된 설계 모델을 기초로 이를 3D로 구현할 수 있는 응용 프로그램을 이용할 수 있다.

본 발명의 일 실시 예에 따르면 외부 형태, 내부 구조, 내부 형태의 정보를 생성하기 위하여 건축 대지에 배치 가능한 건물 외곽 형태, 건물 외곽코어 구조부터 설계하고 이를 기초로 구조에 따른 공간을 설계하는 방법을 이용할 수 있으며, 전체 구조를 부분별로 설계하여 조합하는 방법을 이용할 수 있다.

본 발명의 일 실시예에 따르면 예상 이미지 생성부(300)는 제2 인공 신경망 모델을 이용하여 설계 모델링 정보에 따른 재개발 예상 이미지를 생성함에 있어 단순하게 3D 이미지로만 생성하는 것을 넘어, 생성된 3D 이미지를 각도에 따라 연결함으로써 사용자가 VR 장비를 이용해 전방위로 예상된 이미지를 살펴볼 수 있도록 VR 컨텐츠로 생성할 수 있다.

예상 결과 생성부(400)는 재개발 현황정보에 포함된 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보 중 적어도 하나와 재개발 설계 정보에 포함된 설계 항목 정보를 제3 인공 신경망 모델의 각 입력층에 입력하여 재개발 설계 정보별로 예상 시공 비용 및 예상 투자 수익, 발생 예상 세금 및 부대비용, 예상 수익률 중 적어도 하나를 포함하는 투자 예상 결과 정보를 제공할 수 있다.

본 발명의 일 실시예에 따르면 예상 결과 생성부(400)는 제3 인공 신경망 모델을 이용하여 재개발 현황정보와 재개발 설계 정보에 포함된 설계 항목 정보에 따른 투자 예상 결과 정보를 제공할 수 있다.

본 발명의 일 실시예에 따르면 제3 인공 신경망 모델은 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보 중 적어도 하나와 재개발 설계 정보에 포함된 설계 항목 정보를 각 입력층에 입력하여 재개발 설계 정보별로 예상 시공 비용 및 예상 투자 수익, 발생 예상 세금 및 부대비용, 예상 수익률 중 적어도 하나를 포함하는 투자 예상 결과 정보를 제공하도록 설계 항목별 비용 데이터를 산출하도록 학습된 인공신경망 모델일 수 있다.

본 발명의 일 실시예에 따르면 제3 인공 신경망 모델은 토지별, 면적별, 건물 유형별, 지역별 관련 세금 규정 데이터, 예상 부대 비용 데이터를 이용해 학습된 모델일 수 있다.

본 발명의 일 실시 예에 따르면 학습된 제3 인공 신경망 모델에 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보 중 적어도 하나와 재개발 설계 정보에 포함된 설계 항목 정보를 입력하였을 때 산출된 결과를 실제 시공 비용 및 투자 수익, 발생 예상 세금 및 부대비용, 수익률과 대비하여 차이가 적을 수록 정답으로 판단하여 1에 가깝게, 차이가 클수록 0에 가깝게 산출하여, 산출한 값을 제5 기대 값으로 선정할 수 있으며, 각 입력층에 입력되는 정보의 항목에 가중치를 달리 하여 제5 기대 값이 미리 설정한 예상 정확도 값에 미칠 수 있을 때까지 반복적으로 학습할 수 있다.

본 발명의 일 실시예에 따르면 제5 기대 값과 출력 값의 차이를 제5 차이 값으로 설정하고, 제5 차이 값을 제3 인공 신경망 모델의 손실인 손실 값으로 산출하고 제3 인공 신경망 모델의 입력층에 입력되는 항목의 가중치를 변경하여 손실 값이 최소가 되는 가중치를 산출하는 것으로 학습을 진행할 수 있다.

본 발명의 일 실시예에 따르면 제3 인공 신경망 모델을 대상으로 복수의 소유인 재산과 가족관계 별로 산출된 증여세, 상속세, 양도세, 보유세, 취득세 등의 정보를 입력하여 학습시킬 수 있으며, 학습된 제3 인공 신경망 모델을 통해 종래 소유자의 재산과 가족 관계 정보를 입력 받아 해당 재개발을 통해 예상되는 투자수익에 따라 투자 대상 부동상을 매각하였을 경우 발생할 수 있는 세금액에 대한 상세정보를 제공할 수 있다.

시공 업체 제공부(500)는 사용자에게 재개발 설계 정보 별 재개발 예상 이미지와 투자 예상 결과 정보를 포함하는 추천 재개발 정보를 사용자에게 복수로 제공하고, 복수의 추천 재개발 정보 중 상기 사용자가 선정한 추천 재개발 정보에 따라 재개발을 시공할 수 있는 시공 업체 정보를 제공할 수 있다.

본 발명의 일 실시예에 따르면 시공 업체 제공부(500)는 복수의 인테리어 업체 중 사용자의 희망 재개발 비용 범위 내로 추천 재개발 정보에 따라 시공이 가능한 적어도 하나의 인테리어 업체를 시공 가능 업체로 선정하여 사용자에게 제공할 수 있다.

본 발명의 일 실시예에 따라 구현된 제4 인공 신경망 모델은 사용자로부터 수신한 복수의 인테리어 업체의 재개발 실적 정보 및 고객 만족도 정보, 희망 시공 시기 정보, 업체별 시공 일정 정보를 입력받아 시공 시기 정보에 시공이 가능한 시공 가능 업체에 대한 정보를 출력할 수 있다.

본 발명의 또 다른 일 실시예에 따르면 복수의 인테리어 업체의 시공 실적 정보 및 고객 만족도 정보를 제4 인공 신경망 모델의 각 입력층에 입력하여 복수의 인테리어 업체 중 희망 인테리어 비용 범위 내로 인테리어 컨셉 정보를 추천 인테리어 이미지 데이터와 같이 시공이 가능한 적어도 하나의 인테리어 업체를 선정하고, 선정한 적어도 하나의 인테리어 업체를 목록 형태로 사용자에게 제공할 수 있다.

본 발명의 일 실시예에 따르면 사용자는 인테리어 업체 목록 중 하나를 선정하여 관리서버(10)로 송신할 수 있다.

본 발명의 일 실시예에 따르면 시공 업체 제공부(500)는 인테리어 업체를 사용자로부터 수신하면, 수신된 인테리어 업체에 발주 요청 데이터를 송신할 수 있다.

본 발명의 일 실시예에 따르면 선정된 인테리어 업체에 발주 요청 데이터를 송신할 수 있으며, 발주 요청 데이터에는 추천 재개발 정보 및 희망 재개발 비용 정보, 예상 이미지 정보를 모두 포함할 수 있다.

본 발명의 일 실시예에 따르면 제4 인공 신경망 모델은 사용자로부터 수신한 복수의 인테리어 업체의 재개발 실적 정보 및 고객 만족도 정보, 희망 시공 시기 정보, 업체별 시공 일정 정보를 제4 인공 신경망 모델의 각 입력층에 입력 받아, 시공 시기 정보에 따라 선정된 적어도 하나의 인테리어 업체 중 시공이 가능한 적어도 하나의 인테리어 업체를 시공 가능 업체로 선정하도록 학습된 인공신경망을 기반으로 한 모델일 수 있다.

본 발명의 일 실시 예에 따르면 재개발 현황정보 생성부(100), 재개발 예상정보 생성부(200)에서 수행되는 연산은 엣지 컴퓨팅을 이용하여 사용자 단말에서 연산 될 수 있으며, 사용자 단말의 연산 자원 정보를 수신 받아 사용자 단말의 연산 자원의 사양과 미리 설정된 연산 자원 사양을 비교하여 미리 설정된 연산 자원 사양에 사용자 단말의 연산 자원의 사양이 못 미치는 경우 재개발 현황정보 생성부(100)에서 수행되는 연산 까지만 사용자 단말에서 연산 될 수 있다.

도 4는 본 발명의 일 실시예에 따라 부동산 투자 큐레이션 시스템의 관리서버 포함된 제1, 2, 3, 4 인공 신경망 모델을 나타낸 도면이다

도 4를 참고하면 본 발명의 일 실시예에 따라 관리 서버(10)에 포함된 제1, 2, 3, 4 인공 신경망 모델이 나타나 있으며, 이중 제1 인공 신경망 모델은 일 실시 예에 따라 사용자 단말에서 연산될 수 있다.

본 발명의 일 실시 예에 따르면 제1 인공 신경망 모델은 재개발 예상정보 생성부(200)에 포함될 수 있으며, 제2 인공 신경망 모델은 예상 이미지 생성부(300)에 포함될 수 있고, 제3 인공 신경망 모델은 예상 결과 생성부(400)에 포함될 수 있으며, 제4 인공 신경망 모델은 시공 업체 제공부(500)에 포함되어 연산될 수 있다.

본 발명의 일 실시예에 따르면 제1, 2, 3, 4 인공 신경망 모델 모두 관리 서버(10)의 연산 자원을 이용하여 구동될 수 있으나, 또 다른 실시 예에 따르면 제1 인공 신경망 모델은 사용자 단말의 연산자원을 이용하여 구동될 수 있으며, 제2, 3, 4 인공 신경망 모델은 관리 서버(10)의 연산 자원을 이용하여 구동할 수 있다.

도 5는 본 발명의 일 실시예에 따라 구현된 제1 인공 신경망 모델을 나타낸 도면이다.

도 5를 참조하면 본 발명의 일 실시예에 따라 구현된 제1 인공 신경망 모델은 제1 인공 신경망 모델의 각 입력층에 재개발 현황정보에 포함된 토지 유형정보, 토지 면적정보, 토지 지형정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 중 적어도 하나 이상을 입력 받아 설계 항목 정보, 설계 항목이 반영된 설계 모델링 정보 및 설계 예상 비용을 출력할 수 있다.

도 6은 본 발명의 일 실시예에 따라 구현된 제2 인공 신경망 모델을 나타낸 도면이다.

도 6을 참조하면 본 발명의 일 실시예에 따라 구현된 제2 인공 신경망 모델은 복수의 재개발 설계 정보에 포함된 설계 항목 정보, 설계 모델링 정보를 입력받아 입력하여 3D 이미지로 생성된 재개발 예상 이미지를 생성할 수 있다.

도 7은 본 발명의 일 실시예에 따라 구현된 제3 인공 신경망 모델을 나타낸 도면이다.

도 7을 참조하면 본 발명의 일 실시예에 따라 구현된 제3 인공 신경망 모델은 재개발 현황정보에 포함된 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보 중 적어도 하나와 재개발 설계 정보에 포함된 설계 항목 정보를 입력 받아 재개발 설계 정보별로 예상 시공 비용 및 예상 투자 수익, 발생 예상 세금 및 부대비용, 예상 수익률을 출력하여 이 중 하나를 포함하는 투자 예상 결과 정보를 생성할 수 있다.

도 8은 본 발명의 일 실시예에 따라 구현된 제4 인공 신경망 모델을 나타낸 도면이다.

도 8을 참조하면 본 발명의 일 실시예에 따라 구현된 제4 인공 신경망 모델은 사용자로부터 수신한 복수의 인테리어 업체의 재개발 실적 정보 및 고객 만족도 정보, 희망 시공 시기 정보, 업체별 시공 일정 정보를 입력받아 시공 시기 정보에 시공이 가능한 시공 가능 업체에 대한 정보를 출력할 수 있다.

도 9은 본 발명의 일 실시예에 따라 구현된 제1 인공 신경망 모델의 제1, 2레이어 그룹을 나타낸 도면이다.

도 9을 참조하면 본 발명의 일 실시예에 따라 구현된 제1 인공 신경망 모델은 제1 레이어 그룹, 제2 레이어 그룹으로 구성될 수 있다.

본 발명의 일 실시예에 따르면 제1 인공 신경망 모델의 제1 레이어 그룹은 부동산의 토지 유형정보, 토지 면적정보, 토지 지형정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 중 적어도 하나 이상을 입력하면 재개발이 가능한 개발 유형에 대한 복수의 설계 항목 정보 및 설계 항목이 반영된 설계 모델링 정보가 출력되도록 학습되어진 다수의 연산 레이어로 이루어진 일종의 소규모 인공 신경망 모델일 수 있으며, 제1 인공 신경망 모델의 제2 레이어 그룹은 제1 레이어 그룹에서 산출된 설계 항목 정보 및 설계 항목이 반영된 설계 모델링 정보를 입력하여 설계 모델링 정보에 따라 재개발 시공을 수행하였을 경우 각 시공업체별 시공 비용을 평균화하며 생성한 항목별 예상 비용을 포함한 설계 예상 비용을 생성하여 설계 항목 정보, 설계 모델링 정보 및 설계 예상 비용을 포함하는 복수의 재개발 설계 정보를 생성할 수 있다.

도 10은 본 발명의 일 실시예에 따라 구현된 제2 인공 신경망 모델의 제1, 2레이어 그룹을 나타낸 도면이다.

도 10을 참조하면 본 발명의 일 실시예에 따라 구현된 제2 인공 신경망 모델은 제1 레이어 그룹, 제2 레이어 그룹으로 구성될 수 있다.

본 발명의 일 실시예에 따르면 제2 인공 신경망 모델의 제1 레이어 그룹은 설계 항목 정보 및 설계 모델링 정보에 포함된 건물의 형태, 구조, 골격, 자재, 시공 사항, 시공 품목 정보를 각 입력층에 입력하면 외부 형태, 내부 구조, 내부 형태를 복수의 3D 객체로 생성한 3D 객체 데이터를 출력할 수 있으며, 제2 인공 신경망 모델의 제2 레이어 그룹은 제2 레이어 그룹에서 출력된 복수의 3D 객체 데이터 및 재개발 현황정보에 포함된 토지 지형정보, 토지 유형정보를 각 입력층에 입력하여 토지 및 토지 위에 세워진 건물을 전방위로 회전시켜 외부, 내부의 형상과 구조를 열람할 수 있는 3D 이미지를 출력할 수 있다.

도 11은 본 발명의 일 실시예에 따라 구현된 부동산 투자 큐레이션 시스템을 통해 3D 이미지로 생성된 재개발 예상 이미지 중 외부 형태를 대상으로 한 이미지를 나타낸 도면이다.

도 11을 참조하면 본 발명의 일 실시예에 따라 구현된 부동산 투자 큐레이션 시스템을 통해 3D 이미지로 생성된 재개발 예상 이미지가 도시되어 있으며 도 11의 a)와 도 11의 b)와 같이 3D 객체로 이루어진 3D이미지를 통해 360도 회전하며 건물의 외형을 열람할 수 있도록 사용자에게 제공될 수 있다.

도 12는 본 발명의 일 실시예에 따라 구현된 부동산 투자 큐레이션 시스템을 통해 3D 이미지로 생성된 재개발 예상 이미지 중 내부 구조 및 내부 형태를 대상으로 한 이미지를 나타낸 도면이다.

도 12를 참조하면 본 발명의 일 실시예에 따라 구현된 부동산 투자 큐레이션 시스템을 통해 3D 이미지로 생성된 재개발 예상 이미지는 도 12의 a)와 같이 건물 외부에서 바라보았을 때의 내부 구조가 나타나도록 구현될 수 있으며, 도 12의 b), 도 12의 c)와 같이 건물 내부에서 보았을 때의 내부구조가 나타나도록 구현될 수 있다.

도 13은 본 발명의 실시예에 따라 인공 신경망 기반의 부동산 투자 큐레이션 방법의 흐름도이다.

부동산 위치 정보를 입력 받아 부동산의 재개발 현황정보를 생성한다(S10).

본 발명의 일 실시예에 따르면 부동산 위치 정보를 입력 받아 투자 대상이 될 부동산의 토지 유형정보, 토지 면적정보, 토지 지형정보, 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보, 대지 이용 규제 정보 중 적어도 하나를 포함하는 부동산의 재개발 현황정보 생성할 수 있다.

본 발명의 일 실시예에 따르면 부동산 위치 정보를 통해 부동산의 재개발 현황정보를 생성하기 위한 방법으로 '국토정보플랫폼'의 데이터 베이스에서 지적도 CAD 파일 등 해당 위치 정보를 통해 검색하여 획득할 수 있을 뿐만 아니라 외부 데이터 베이스로부터 건축될 토지 및 해당 토지 인접한 대지에 관한 면적정보, 지적도 정보, 토지 사용 용도 등의 정보 및 '토지이용규제 서비스'의 데이터 베이스로부터 해당 토지에 건물을 짓는 경우에 적용될 수 있는 법규 정보(예를 들면, 국토계획법, 건축법, 주차장법, 주택법 등)에 대한 정보를 검색하여 획득할 수 있으며, 획득한 정보를 파싱(Parsing)하고 파싱된 정보를 취합하여 토지 유형정보, 토지 면적정보, 토지 지형정보, 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 생성하는 방법을 사용할 수 있다.

또한 외부 데이터 베이스로부터 재개발의 대상이 되는 토지의 소정 거리 이내 부동산의 업종별 임대료, 건물 유형별 매매금 또는 전세금에 관한 정보, 해당 건축 대지로부터 소정 거리 이내 부동산의 실거래가 및 도시별 평균 부동산 시세 중 적어도 하나로부터 산출된 해당 건축 대지의 예상 매도 가격 또는 임대료 등의 부동산 시장 정보를 검색하여 획득하고, 획득된 정보를 파싱하여 포함된 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보를 생성할 수 있다.

재개발 현황정보를 제1 인공 신경망 모델에 입력하여 복수의 재개발 설계 정보를 생성한다(S20).

본 발명의 일 실시예에 따르면 재개발 현황정보에 포함된 토지 유형정보, 토지 면적정보, 토지 지형정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 중 적어도 하나 이상을 제1 인공 신경망 모델의 각 입력층에 입력하여 해당 부동산에서 수행 가능한 재건축 또는 리모델링에 대한 설계 항목 정보, 설계 항목이 반영된 설계 모델링 정보 및 설계 예상 비용을 포함하는 복수의 재개발 설계 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 제1 인공 신경망 모델의 각 입력층에 재개발 현황정보에 포함된 토지 유형정보, 토지 면적정보, 토지 지형정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 중 적어도 하나 이상을 입력하여 재개발 설계 정보를 생성할 수 있다.

본 발명의 일 실시예에 따르면 제1 인공 신경망 모델은 다수의 연산 레이어를 포함할 수 있으며, 다수의 연산 레이어 중 일부의 연산 레이어들로 이루어진 제1 레이어 그룹과, 나머지 연산 레이어들로 제2 레이어 그룹으로 나뉘어 질 수 있다.

본 발명이 일 실시 예에 따르면 제1 인공 신경망 모델의 제1 레이어 그룹은 부동산의 토지 유형정보, 토지 면적정보, 토지 지형정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 중 적어도 하나 이상을 입력하면 재개발이 가능한 개발 유형에 대한 복수의 설계 항목 정보 및 설계 항목이 반영된 설계 모델링 정보가 출력되도록 학습되어진 다수의 연산 레이어로 이루어진 일종의 소규모 인공 신경망 모델일 수 있다.

본 발명의 일 실시예에 따르면 소규모 인공 신경망 모델인 제1 인공 신경망 모델의 제1 레이어 그룹을 학습시키기 위하여 대지 이용 규제 데이터, 실제 재개발 케이스 상세 항목 데이터, 기 설계 도면 데이터를 학습데이터로 이용할 수 있다.

본 발명의 일 실시 예에 따르면 학습된 제1 인공 신경망 모델의 제1 레이어에 부동산의 토지 유형정보, 토지 면적정보, 토지 지형정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 대지 이용 규제 정보 중 적어도 하나 이상을 입력하였을 때 이에 부합되는 설계 항목 정보 및 설계 항목이 반영된 설계 모델링 정보가 출력되는 것을 정답인지 여부를 판단하여 정답인 경우 1, 오답에 가까울수록 0에 가깝게 산출하여, 산출한 값을 제1 기대 값으로 선정할 수 있으며, 각 입력층에 입력되는 정보의 항목에 가중치를 달리 하여 제1 기대 값이 미리 설정한 예상 정확도 값에 미칠 수 있을 때까지 반복적으로 학습할 수 있다.

본 발명의 일 실시 예에 따르면 사용자로부터 수신한 선호도 정보를 분석한 결과를 반영하여 설계 항목 정보, 설계 항목이 반영된 설계 모델링 정보를 생성할 수 있다.

본 발명의 일 실시 예에 따르면 사용자로부터 입력 받은 선호도 정보를 분석하여 직접 관심 정보와 간접 관심 정보로 분류할 수 있으며, 분류된 직접 관심 정보와 간접 관심 정보를 제1 인공 신경망 모델에 입력하여 복수의 설계 항목 정보에 대한 선호도를 산출하여 사용자 선호도 정보를 생성할 수 있으며 사용자 선호도가 높은 설계 아이템을 설계 항목의 아이템으로 선정할 수 있다.

본 발명의 일 실시예에 따르면 설계 항목 정보에 대한 명시적인 선호도를 나타내는 직접 관심 정보가 존재하는 설계 항목의 경우 해당 선호도에 따라 추천되는 설계 항목을 제시할 수 있으며, 직접 관심 정보와 간접 관심 정보를 이용하여 복수의 설계 항목에 대한 선호도를 산출함으로써 직접 관심 정보가 존재하지 아니하는 설계 항목에 대한 선호도의 산출이 가능하고 더 나아가 직접 관심 정보가 존재하는 설계 항목에 대해서도 간접 관심 정보를 이용하여 가중치 값을 부여하여 더욱 정확한 선호도를 산출할 수 있다.

본 발명의 일 실시예에 따르면 제1 인공 신경망 모델은 복수의 사용자에 각각에 대한 목적함수 및 샘플링 확률 분포(sampling probability distribution)를 산출하며, 직접 관심 정보 및 샘플링 확률 분포를 이용하여 복수의 사용자 각각에 대한 선호도의 차이가 미리 설정된 기준을 만족하는 직접 관심 정보와 간접 관심 정보를 연관 항목세트로 선정하여 복수의 항목 세트를 생성할 수 있다.

본 발명의 일 실시예에 따르면 제1 인공 신경망 모델의 목적 함수는 수학식 1과 같이 나타낼 수 있다.

본 발명의 일 실시예에 따르면 샘플링 확률 분포는 사용자의 관심도가 낮은 설계 항목이 선호도가 낮은 설계 항목으로 샘플링되도록 구성될 수 있으며, 이러한 샘플링확률분포는 수학식 2와 같이 나타낼 수 있다.

본 발명의 일 실시예에 따르면 제1 인공 신경망 모델은 복수의 항목 세트에 근거하여 직접 관심 정보 또는 간접 관심 정보에 따른 복수의 설계 항목에 대한 선호도를 산출하도록 학습된 인공 신경망을 기반으로 한 모델일 수 있다.

본 발명의 일 실시예에 따르면 제1 인공 신경망 모델은 직접 관심 정보와 간접 관심 정보에 텍스트에 포함된 단어들의 수 및 단어들 간의 상관 관계에 기반하여 산출된 제1 점수를 산출할 수 있으며, 이미지와 기 저장된 유사도 계산용 기준 이미지와의 유사도에 기반하여 산출된 제2 점수를 산출할 수 있다.

본 발명의 일 실시예에 따르면 산출된 제1, 2점수를 이용하여 사용자 의향에 상응하는 복수의 설계 항목들의 선호 유사도들을 계산하고, 선호 유사도들에 기반하여 선호 항목 풀(POOL)에 기 저장된 복수개의 연관 항목들 중 가장 높은 작업 유사도를 갖는 연관 항목을 항목 세트로 선정할 수 있다.

본 발명의 일 실시예에 따르면 복수의 인테리어 작업들에 기 설정된 조건에 따라 가중치를 설정하고, 가중치가 설정된 설계 항목들로부터 계산된 작업 유사도의 가중합(WEIGHTED SUM)을 산출할 수 있으며, 계산된 가중합을 고려하여 설계 항목에 대한 특정 아이템을 추천할 수 있다.

본 발명의 일 실시예에 따르면 작업 유사도에 따라 특정 설계 항목(Interior item)은 수학식 3을 통해 추천할 수 있다.

본 발명의 일 실시 예에 따르면 수학식 1, 2, 3을 이용하여 산출된 선호도 정보를 이용하여 복수의 설계 항목에 대하여 사용자의 선호도가 반영된 아이템들을 선정할 수 있다.

본 발명의 일 실시예에 따르면 제1 인공 신경망 모델의 제2 레이어 그룹은 설계 항목 정보 및 설계 모델링 정보를 입력하면 설계 모델링 정보에 따라 재개발 시공을 수행하였을 경우 각 시공업체별 시공 비용을 평균화하며 생성한 항목별 예상 비용을 포함한 설계 예상 비용을 생성할 수 있다.

본 발명의 일 실시예에 따르면 소규모 인공 신경망 모델인 제1 인공 신경망 모델의 제2 레이어 그룹을 학습시키기 위하여 설계 항목별 시공 비용, 인테리어 업체 별 시공 비용, 설계 모델링별 시공 비용 등이 학습 데이터로 이용될 수 있다.

본 발명의 일 실시 예에 따르면 학습된 제1 인공 신경망 모델의 제2 레이어에 설계 항목 정보 및 설계 모델링 정보를 입력하였을 때 출력되는 설계 예상 비용이 실제 비용과 동일한 정답인지 여부를 판단하여 정답인 경우 1, 오답에 가까울수록 0에 가깝게 산출하여, 산출한 값을 제2 기대 값으로 선정할 수 있으며, 각 입력층에 입력되는 정보의 항목에 가중치를 달리 하여 제2 기대 값이 미리 설정한 예상 정확도 값에 미칠 수 있을 때까지 반복적으로 학습할 수 있다.

본 발명의 일 실시예에 따르면 제1 기대 값과 출력 값의 차이를 제1 차이 값으로 설정하고, 제2 기대 값과 출력 값의 차이를 제2 차이 값으로 설정할 수 있으며, 제1 차이 값과 제2 차이 값의 합을 제1 인공 신경망 모델의 손실인 손실 값으로 산출하고 제1 인공 신경망 모델의 입력층에 입력되는 항목의 가중치를 변경하여 손실 값이 최소가 되는 가중치를 산출하는 것으로 학습을 진행할 수 있다.

설계 항목 정보, 설계 모델링 정보를 상기 제2 인공 신경망 모델에 입력하여 재개발 예상 이미지를 생성한다(S30).

본 발명의 일 실시예에 따르면 복수의 재개발 설계 정보에 포함된 설계 항목 정보, 설계 모델링 정보를 제2 인공 신경망 모델의 각 입력층에 입력하여 3D 이미지로 생성된 재개발 예상 이미지를 생성할 수 있다.

본 발명의 일 실시예에 따르면 제2 인공 신경망 모델을 이용하여 복수의 재개발 설계 정보에 포함된 설계 항목 정보, 설계 모델링 정보에 따른 3D 이미지로 생성된 재개발 예상 이미지를 생성할 수 있다.

본 발명의 일 실시예에 따르면 제2 인공 신경망 모델은 다수의 연산 레이어를 포함할 수 있으며, 다수의 연산 레이어 중 일부의 연산 레이어들로 이루어진 제1 레이어 그룹과, 나머지 연산 레이어들로 제2 레이어 그룹으로 나뉘어 질 수 있다.

본 발명의 일 실시 예에 따르면 제2 인공 신경망 모델의 제1 레이어 그룹은 설계 항목 정보 및 설계 모델링 정보에 포함된 건물의 형태, 구조, 골격, 자재, 시공 사항, 시공 품목 정보를 각 입력층에 입력하면 외부 형태, 내부 구조, 내부 형태를 복수의 3D 객체 데이터로 생성하도록 학습된 소규모 인공신경망 모델일 수 있다.

본 발명의 일 실시 예에 따르면 학습된 제2 인공 신경망 모델의 제1 레이어에 설계 항목 정보 및 설계 모델링 정보에 포함된 건물의 형태, 구조, 골격, 자재, 시공 사항, 시공 품목 정보를 입력하였을 때 이에 부합되는 외부 형태, 내부 구조, 내부 형태가 출력되는 것을 정답인지 여부를 판단하여 정답인 경우 1, 오답에 가까울수록 0에 가깝게 산출하여, 산출한 값을 제3 기대 값으로 선정할 수 있으며, 각 입력층에 입력되는 정보의 항목에 가중치를 달리 하여 제3 기대 값이 미리 설정한 예상 정확도 값에 미칠 수 있을 때까지 반복적으로 학습할 수 있다.

본 발명의 일 실시 예에 따르면 제2 인공 신경망 모델의 제2 레이어 그룹은 복수의 3D 객체 데이터 및 재개발 현황정보에 포함된 토지 지형정보, 토지 유형정보를 각 입력층에 입력하면 토지 및 토지 위에 세워진 건물을 전방위로 회전시켜 외부, 내부의 형상과 구조를 열람할 수 있는 3D 이미지가 출력되도록 학습된 소규모 인공신경망 모델일 수 있다.

본 발명의 일 실시 예에 따르면 학습된 복수의 3D 객체 데이터 및 재개발 현황정보에 포함된 토지 지형정보, 토지 유형정보를 입력하였을 때 이에 부합되는 외부 형태, 내부 구조, 내부 형태가 실제와 부합되는 지를 판단하여 부합될수록 정답으로 보아 1로, 부합되지 않을수록 오답으로 보아 0에 가깝게 산출하여, 산출한 값을 제4 기대 값으로 선정할 수 있으며, 각 입력층에 입력되는 정보의 항목에 가중치를 달리 하여 제4 기대 값이 미리 설정한 예상 정확도 값에 미칠 수 있을 때까지 반복적으로 학습할 수 있다.

본 발명의 일 실시예에 따르면 제3 기대 값과 출력 값의 차이를 제3 차이 값으로 설정하고, 제4 기대 값과 출력 값의 차이를 제4 차이 값으로 설정할 수 있으며, 제3 차이 값과 제4 차이 값의 합을 제2 인공 신경망 모델의 손실인 손실 값으로 산출하고 제2 인공 신경망 모델의 입력층에 입력되는 항목의 가중치를 변경하여 손실 값이 최소가 되는 가중치를 산출하는 것으로 학습을 진행할 수 있다.

본 발명의 일 실시 예에 따르면 3D 이미지로 생성된 재개발 예상 이미지를 생성하기 위하여 스케치업, 글래스호퍼 같은 응용프로그램들을 이용할 수 있으며, 이외에 메타 휴리스틱 알고리즘을 사용하여 생성된 설계 모델을 기초로 이를 3D로 구현할 수 있는 응용 프로그램을 이용할 수 있다.

본 발명의 일 실시 예에 따르면 외부 형태, 내부 구조, 내부 형태의 정보를 생성하기 위하여 건축 대지에 배치 가능한 건물 외곽 형태, 건물 외곽코어 구조부터 설계하고 이를 기초로 구조에 따른 공간을 설계하는 방법을 이용할 수 있으며, 전체 구조를 부분별로 설계하여 조합하는 방법을 이용할 수 있다.

복수의 재개발 설계 정보에 포함된 정보 중 적어도 하나의 정보와 설계 항목 정보를 제3 인공 신경망 모델의 각 입력층에 입력하여 투자 예상 결과 정보를 제공한다(S40).

본 발명의 일 실시예에 따르면 재개발 현황정보에 포함된 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보 중 적어도 하나와 재개발 설계 정보에 포함된 설계 항목 정보를 제3 인공 신경망 모델의 각 입력층에 입력하여 재개발 설계 정보별로 예상 시공 비용 및 예상 투자 수익, 발생 예상 세금 및 부대비용, 예상 수익률 중 적어도 하나를 포함하는 투자 예상 결과 정보를 제공할 수 있다.

본 발명의 일 실시예에 따르면 제3 인공 신경망 모델을 이용하여 재개발 현황정보와 재개발 설계 정보에 포함된 설계 항목 정보에 따른 투자 예상 결과 정보를 제공할 수 있다.

본 발명의 일 실시예에 따르면 제3 인공 신경망 모델은 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보 중 적어도 하나와 재개발 설계 정보에 포함된 설계 항목 정보를 각 입력층에 입력하여 재개발 설계 정보별로 예상 시공 비용 및 예상 투자 수익, 발생 예상 세금 및 부대비용, 예상 수익률 중 적어도 하나를 포함하는 투자 예상 결과 정보를 제공하도록 설계 항목별 비용 데이터를 산출하도록 학습된 인공신경망 모델일 수 있다.

본 발명의 일 실시예에 따르면 제3 인공 신경망 모델은 토지별, 면적별, 건물 유형별, 지역별 관련 세금 규정 데이터, 예상 부대 비용 데이터를 이용해 학습된 모델일 수 있다.

본 발명의 일 실시 예에 따르면 학습된 제3 인공 신경망 모델에 토지 가격정보, 건물 유형정보, 건물 면적정보, 건물 구조정보, 건물 가격정보, 주변 부동산 매매가격 정보, 업종별 단위 면적당 임대료 시세 정보 중 적어도 하나와 재개발 설계 정보에 포함된 설계 항목 정보를 입력하였을 때 산출된 결과를 실제 시공 비용 및 투자 수익, 발생 예상 세금 및 부대비용, 수익률과 대비하여 차이가 적을 수록 정답으로 판단하여 1에 가깝게, 차이가 클수록 0에 가깝게 산출하여, 산출한 값을 제5 기대 값으로 선정할 수 있으며, 각 입력층에 입력되는 정보의 항목에 가중치를 달리 하여 제5 기대 값이 미리 설정한 예상 정확도 값에 미칠 수 있을 때까지 반복적으로 학습할 수 있다.

본 발명의 일 실시예에 따르면 제5 기대 값과 출력 값의 차이를 제5 차이 값으로 설정하고, 제5 차이 값을 제3 인공 신경망 모델의 손실인 손실 값으로 산출하고 제3 인공 신경망 모델의 입력층에 입력되는 항목의 가중치를 변경하여 손실 값이 최소가 되는 가중치를 산출하는 것으로 학습을 진행할 수 있다.

복수로 제공한 복수의 추천 재개발 정보 중 사용자가 선정한 추천 재개발 정보에 따라 재개발을 시공할 수 있는 시공 업체 정보를 제공한다(S50).

본 발명의 일 실시예에 따르면 복수의 인테리어 업체 중 사용자의 희망 재개발 비용 범위 내로 추천 재개발 정보에 따라 시공이 가능한 적어도 하나의 인테리어 업체를 시공 가능 업체로 선정하여 사용자에게 제공할 수 있다.

본 발명의 일 실시예에 따라 구현된 제4 인공 신경망 모델은 사용자로부터 수신한 복수의 인테리어 업체의 재개발 실적 정보 및 고객 만족도 정보, 희망 시공 시기 정보, 업체별 시공 일정 정보를 입력받아 시공 시기 정보에 시공이 가능한 시공 가능 업체에 대한 정보를 출력할 수 있다.

본 발명의 또 다른 일 실시예에 따르면 복수의 인테리어 업체의 시공 실적 정보 및 고객 만족도 정보를 제4 인공 신경망 모델의 각 입력층에 입력하여 복수의 인테리어 업체 중 희망 인테리어 비용 범위 내로 인테리어 컨셉 정보를 추천 인테리어 이미지 데이터와 같이 시공이 가능한 적어도 하나의 인테리어 업체를 선정하고, 선정한 적어도 하나의 인테리어 업체를 목록 형태로 사용자에게 제공할 수 있다.

본 발명의 일 실시예에 따르면 사용자는 인테리어 업체 목록 중 하나를 선정하여 관리서버(10)로 송신할 수 있다.

본 발명의 일 실시예에 따르면 인테리어 업체를 사용자로부터 수신하면, 수신된 인테리어 업체에 발주 요청 데이터를 송신할 수 있다.

본 발명의 일 실시예에 따르면 선정된 인테리어 업체에 발주 요청 데이터를 송신할 수 있으며, 발주 요청 데이터에는 추천 재개발 정보 및 희망 재개발 비용 정보, 예상 이미지 정보를 모두 포함할 수 있다.

본 발명의 일 실시예에 따르면 제4 인공 신경망 모델은 사용자로부터 수신한 복수의 인테리어 업체의 재개발 실적 정보 및 고객 만족도 정보, 희망 시공 시기 정보, 업체별 시공 일정 정보를 제4 인공 신경망 모델의 각 입력층에 입력 받아, 시공 시기 정보에 따라 선정된 적어도 하나의 인테리어 업체 중 시공이 가능한 적어도 하나의 인테리어 업체를 시공 가능 업체로 선정하도록 학습된 인공신경망을 기반으로 한 모델일 수 있다.

본 발명의 실시 예는 이상에서 설명한 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (1)

1. 인공 신경망 기반의 부동산 투자 큐레이션 시스템

Images