KR20220166038A - 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템 - Google Patents
딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템 Download PDFInfo
- Publication number
- KR20220166038A KR20220166038A KR1020210074846A KR20210074846A KR20220166038A KR 20220166038 A KR20220166038 A KR 20220166038A KR 1020210074846 A KR1020210074846 A KR 1020210074846A KR 20210074846 A KR20210074846 A KR 20210074846A KR 20220166038 A KR20220166038 A KR 20220166038A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- real estate
- transaction
- influence
- deep learning
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000000694 effects Effects 0.000 claims abstract description 70
- 238000013136 deep learning model Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims description 98
- 239000011159 matrix material Substances 0.000 claims description 48
- 230000015654 memory Effects 0.000 claims description 25
- 238000012546 transfer Methods 0.000 claims description 11
- 230000000644 propagated effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000012800 visualization Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000011002 quantification Methods 0.000 description 6
- 230000000306 recurrent effect Effects 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000000714 time series forecasting Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06N3/0454—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명의 실시예에 따른 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법은, 단말의 적어도 하나의 프로세서에 의하여 실행되는 부동산 정보 애플리케이션이 딥러닝 그래프 네트워크를 기반으로 부동산 거래정보를 예측하는 방법으로서, 시계열에 따른 복수의 노드 그래프 데이터에 기초한 학습 데이터 셋(Training data set)을 생성하는 단계; 생성된 학습 데이터 셋을 기초로 딥러닝 모델을 트레이닝하는 단계; 상기 딥러닝 모델에, 제1 시점에서의 소정의 구역 별 부동산 정보를 포함하는 복수의 노드(node)와, 상기 복수의 노드 사이를 연결하는 복수의 엣지(edge)를 포함하는 제1 노드 그래프 데이터를 입력하는 단계; 상기 딥러닝 모델로부터 상기 제1 시점으로부터 소정의 기간이 경과한 제2 시점에서의 상기 부동산 정보의 변경을 예측한 부동산 예측정보와, 상기 제2 시점에서의 상기 복수의 노드 간 상호 영향관계를 나타내는 영향력 예측정보를 획득하는 단계; 상기 획득된 부동산 예측정보와 상기 영향력 예측정보를 기초로, 상기 소정의 구역 별 부동산 정보가 적어도 하나 이상의 타 구역의 부동산 정보와 가지는 컨텍스트(context) 상에서 변화 흐름을 나타내는 부동산 거래 흐름정보를 생성하는 단계; 및 상기 생성된 부동산 거래 흐름정보를 시각화하여 제공하는 단계를 포함한다.
Description
본 발명은 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템에 관한 것이다. 보다 상세하게는 딥러닝 그래프 네트워크를 기초로 부동산 거래정보의 변화 흐름을 시각화하여 제공하는 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템에 관한 것이다.
최근 들어, 많은 연구들이 부동산 경제를 예측하고자 머신 러닝(Machine learning)에서 시작하여 많은 시도를 하고 있으며 그 예측력은 나날이 높아지고 있다. 그 중에서 회귀분석이나 시계열의 연구 분야에서는 많은 성과가 나오고 있다.
구체적으로, 사회 다방면에 걸쳐서 활용되고 있는 프롭테크(proptech)를 들 수 있다.
여기서, 프롭테크란, 부동산 자산(property)과 기술(technology)의 합성어로서, 인공지능(AI), 빅데이터 및/또는 블록체인 등을 포함하는 첨단 정보기술(IT)을 부동산에 접목시킨 서비스를 말한다.
이러한 프롭테크는, 2000년대 등장한 인터넷 부동산 시세조회·중개 서비스에서 기술적으로 더 나아가서 부동산 중개, 사이버 모델 하우스 같은 3차원(3D) 공간설계, 부동산 크라우드 펀딩 및/또는 사물인터넷(IoT) 기반의 건물관리 등의 서비스를 제공할 수 있다.
특히, 인공지능 기술을 통해 맞춤형 부동산 정보를 온라인 플랫폼에서 제공하는 기술은 시간이 갈수록 그 중요성이 증가하고 있으며, 부동산 정보 플랫폼 질로우(Zillow)를 비롯해 부동산 거래 플랫폼 오픈도어(Opendoor) 등이 대표 프롭테크 스타트 업으로 꼽히고 있다.
이러한 부동산 경제 예측 분야에서는, 소정의 구역(예컨대, 시/군/구, 읍/면/동, 아파트 또는 국가 등) 간의 경계에서 일어나는 전출입 데이터에 주목하고 있다.
자세히, 부동산 경제를 예측하기 위해서는 소정의 구역 간 수요 변화를 예측하는 것이 매우 중요하다. 이러한 수요 변화를 예측하기 위한 데이터는 소정의 구역 별로 발생하는 매매, 전세 및/또는 월세 거래량 뿐만 아니라 시점 별로 발생하는 소정의 구역 간 전출입 데이터가 중요시 된다.
예를 들어, 소정의 제1 구역에서 전출이 많이 발생하는 경우 다른 원거리 구역에서 보다 근처에 인접한 소정의 제2 구역으로의 전입이 많이 발생하는 것은 당연한 이치이기 때문이다.
이러한 전출입 데이터에서의 높은 성능을 보장하기 위해서는, 데이터 예측 시에 시간이 경과함에 따른 흐름을 파악하는 것 뿐만 아니라, 공간적인 정보에 대한 이해를 바탕으로 미래의 변화 흐름을 판단하는 기술이 필요하다.
종래의 본 기술 분야에서는, 부동산 경제에서의 미래 수요 변화를 예측을 하고자 많은 연구를 수행하고 있으며, 최근에는 관련된 머신러닝 모델들을 능가하는 딥러닝 연구들이 많이 나오고 있다.
그러나 종래의 본 기술 분야에서는, 데이터의 시간적인 정보 뿐만 아니라 공간적인 정보까지 활용 가능한 모델에 대한 기술 개발이 미비한 실정이어서, 종래의 모델로부터 출력되는 예측 데이터에 대한 정확도와 신뢰성이 저하된다는 문제가 있다.
즉, 종래에는 부동산 경제 예측 시에 소정의 구역 간 공간적인 거리(즉, 인접하거나 원격에 위치하는 등)에 따른 상호 영향관계를 효과적으로 설명할 수 있는 예측 모델에 대한 개발이 미흡하다는 한계가 있어, 이에 대한 기술 개발 및 도입이 필요시 되고 있다.
본 발명은, 딥러닝 그래프 네트워크를 기초로 부동산 거래정보의 변화 흐름을 시각화하여 제공하는 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템을 제공하는데 그 목적이 있다.
자세히, 본 발명은, 시계열적 흐름에 따른 데이터 뿐만 아니라 공간적 위치에 따른 데이터까지 고려하여 부동산 거래정보의 변화 흐름에 대한 정보를 제공하는 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템을 제공하고자 한다.
또한, 본 발명은, 위와 같은 부동산 거래정보의 변화 흐름에 대한 정보를 다양한 인터페이스를 이용하여 시각화해 제공하는 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템을 제공하고자 한다.
또한, 본 발명은, 위와 같이 예측된 부동산 거래정보의 변화 흐름에 대한 정보를 기초로 추천 투자 구역정보를 제공하는 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템을 제공하고자 한다.
다만, 본 발명 및 본 발명의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
본 발명의 실시예에 따른 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법은, 단말의 적어도 하나의 프로세서에 의하여 실행되는 부동산 정보 애플리케이션이 딥러닝 그래프 네트워크를 기반으로 부동산 거래정보를 예측하는 방법으로서, 시계열에 따른 복수의 노드 그래프 데이터에 기초한 학습 데이터 셋(Training data set)을 생성하는 단계; 생성된 학습 데이터 셋을 기초로 딥러닝 모델을 트레이닝하는 단계; 상기 딥러닝 모델에, 제1 시점에서의 소정의 구역 별 부동산 정보를 포함하는 복수의 노드(node)와, 상기 복수의 노드 사이를 연결하는 복수의 엣지(edge)를 포함하는 제1 노드 그래프 데이터를 입력하는 단계; 상기 딥러닝 모델로부터 상기 제1 시점으로부터 소정의 기간이 경과한 제2 시점에서의 상기 부동산 정보의 변경을 예측한 부동산 예측정보와, 상기 제2 시점에서의 상기 복수의 노드 간 상호 영향관계를 나타내는 영향력 예측정보를 획득하는 단계; 상기 획득된 부동산 예측정보와 상기 영향력 예측정보를 기초로, 상기 소정의 구역 별 부동산 정보가 적어도 하나 이상의 타 구역의 부동산 정보와 가지는 컨텍스트(context) 상에서 변화 흐름을 나타내는 부동산 거래 흐름정보를 생성하는 단계; 및 상기 생성된 부동산 거래 흐름정보를 시각화하여 제공하는 단계를 포함한다.
이때, 상기 영향력 예측정보를 획득하는 단계는, 교차 상관관계 알고리즘(Cross correlation algorithm)을 기초로 상기 복수의 노드에 대한 인접행렬을 생성하는 단계를 포함한다.
또한, 상기 딥러닝 모델은, 상기 부동산 예측정보를 출력 데이터로 하는 제1 신경망 모델과, 상기 영향력 예측정보를 출력 데이터로 하는 제2 신경망 모델을 포함한다.
또한, 상기 부동산 예측정보는, 상기 제2 시점까지의 시계열의 상기 소정의 구역 별 거래량 정보, 거래가격 정보 및 전출입량 정보 중 적어도 하나의 정보를 포함하고, 상기 부동산 거래 흐름정보는, 상기 소정의 구역 별 거래 증가량 정보 및 거래가격 증감범위 정보 중 적어도 하나의 정보를 포함한다.
또한, 상기 영향력 예측정보는, 상기 소정의 구역 간 영향을 미치는 정도를 수치로 나타내는 연관정도 수치 데이터 및 시간의 경과에 따른 상기 연관정도 수치 데이터의 변화패턴을 나타내는 영향력 변화패턴 정보 중 적어도 하나를 포함하고, 상기 부동산 거래 흐름정보는, 상기 소정의 구역 간 상기 부동산 정보의 변경을 유발하는 영향력의 방향을 나타내는 변화 방향성 정보, 상기 소정의 구역 별 상기 영향력을 전파하는 다음 구역을 나타내는 다음 영향 전파구역 정보 및 상기 영향력의 크기를 나타내는 변화 영향정도 정보 중 적어도 하나의 정보를 포함한다.
또한, 상기 부동산 거래 흐름정보를 생성하는 단계는, 상기 제1 시점에서의 거래량 및 거래가격 증감량 중 적어도 하나가 상기 제2 시점에서의 거래량 및 거래가격 증감량 중 적어도 하나에 대비하여 더 낮게 형성된 구역에 대한 투자 추천정보를 생성하는 단계를 포함한다.
또한, 상기 부동산 거래 흐름정보를 시각화하여 제공하는 단계는, 소정의 지도 상에 상기 부동산 거래 흐름정보를 시각화하여 제공하는 지도 뷰 인터페이스(Map view interface)를 제공하는 단계를 포함한다.
또한, 상기 부동산 거래 흐름정보를 시각화하여 제공하는 단계는, 소정의 리스트 형식으로 상기 부동산 거래 흐름정보를 시각화하여 제공하는 리스트 뷰 인터페이스(List view interface)를 제공하는 단계를 포함한다.
또한, 상기 부동산 거래 흐름정보를 시각화하여 제공하는 단계는, 풍선효과가 발생한 구역 및 풍선효과가 발생할 것으로 예상되는 구역 중 적어도 하나의 구역에 대한 상기 부동산 거래 흐름정보를 시각화하여 제공하는 단계를 더 포함한다.
한편, 본 발명의 실시예에 따른 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 시스템은, 부동산 거래 흐름정보를 출력하는 디스플레이; 적어도 하나 이상의 메모리; 및 적어도 하나 이상의 프로세서;를 포함하고, 상기 적어도 하나의 메모리에 저장되고 상기 적어도 하나 이상의 프로세서에 의해 실행되어 딥러닝 그래프 네트워크를 기반으로 부동산 거래정보를 예측하는 적어도 하나의 애플리케이션으로서 상기 적어도 하나의 애플리케이션은, 부동산 정보에 대한 시계열에 따른 복수의 노드 그래프 데이터에 기초한 학습된 딥러닝 모델에, 제1 시점에서의 소정의 구역 별 부동산 정보를 포함하는 복수의 노드(node)와, 상기 복수의 노드 사이를 연결하는 복수의 엣지(edge)를 포함하는 제1 노드 그래프 데이터를 입력하고, 상기 딥러닝 모델로부터 상기 제1 시점으로부터 소정의 기간이 경과한 제2 시점에서의 상기 부동산 정보의 변경을 예측한 부동산 예측정보와, 상기 제2 시점에서의 상기 복수의 노드 간 상호 영향관계를 나타내는 영향력 예측정보를 획득하고, 상기 획득된 부동산 예측정보와 상기 영향력 예측정보를 기초로, 상기 소정의 구역 별 부동산 정보가 적어도 하나 이상의 타 구역의 부동산 정보와 가지는 컨텍스트(context) 상에서 흐름을 나타내는 부동산 거래 흐름정보를 생성하고, 상기 생성된 부동산 거래 흐름정보를 시각화하여 상기 디스플레이를 통해 제공한다.
본 발명의 실시예에 따른 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템은, 딥러닝 그래프 네트워크를 기초로 부동산 거래정보의 변화 흐름을 시각화하여 제공함으로써, 사람의 능력으로는 다루기 어려운 방대한 양의 빅데이터를 활용하여 소정의 시간이 경과한 미래 시점에서의 부동산 거래정보에 대한 변화 흐름을 빠르고 정확하게 예측하여 시각화할 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템은, 시계열적 흐름에 따른 데이터 뿐만 아니라 공간적 위치에 따른 데이터까지 고려하여 부동산 거래정보의 변화 흐름에 대한 정보를 제공함으로써, 예측되는 부동산 거래정보에 대한 변화 흐름의 정확도와 신뢰성을 보다 향상시킬 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템은, 위와 같은 부동산 거래정보의 변화 흐름에 대한 정보를 다양한 인터페이스를 이용하여 시각화해 제공함으로써, 예측된 부동산 거래정보의 변화 흐름에 대한 정보를 다각도적인 관점에서 쉽고 직관적으로 인지하게 할 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템은, 위와 같이 예측된 부동산 거래정보의 변화 흐름에 대한 정보를 기초로 추천 투자 구역정보를 제공함으로써, 명확하고 신뢰할 수 있는 데이터와 근거에 기반을 둔 부동산 투자 정보를 제공할 수 있는 효과가 있다.
다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 명확하게 이해될 수 있다.
도 1은 본 발명의 실시예에 따른 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 시스템의 개념도이다.
도 2는 본 발명의 실시예에 따른 단말의 내부 블록도이다.
도 3은 본 발명의 실시예에 따른 부동산 거래정보 예측 서비스 제공서버의 내부 블록도이다.
도 4는 본 발명의 실시예에 따른 제1 신경망 모델(부동산 정보 예측모델)의 동작 방식을 설명하기 위한 도면의 일례이다.
도 5는 본 발명의 실시예에 따른 제2 신경망 모델(노드 간 영향력 분석모델)의 동작 방식을 설명하기 위한 도면의 일례이다.
도 6은 본 발명의 실시예에 따른 인접행렬 영향력 데이터 셋을 나타내는 모습의 일례이다.
도 7은 본 발명의 실시예에 따른 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법을 설명하기 위한 흐름도이다.
도 8은 본 발명의 실시예에 따른 교차 상관관계 알고리즘(Cross correlation algorithm)을 설명하기 위한 도면의 일례이다.
도 9는 본 발명의 실시예에 따른 제1 노드 그래프 예측정보를 설명하기 위한 도면의 일례이다.
도 10은 본 발명의 실시예에 따른 제2 노드 그래프 예측정보를 설명하기 위한 도면의 일례이다.
도 11 내지 도 14는 본 발명의 실시예에 따른 지도 뷰(Map) 인터페이스를 기초로 부동산 거래 흐름정보를 제공하는 방법을 설명하기 위한 도면의 일례들이다.
도 15 내지 도 18은 본 발명의 실시예에 따른 리스트 뷰(List) 인터페이스를 기초로 부동산 거래 흐름정보를 제공하는 방법을 설명하기 위한 도면의 일례들이다.
도 2는 본 발명의 실시예에 따른 단말의 내부 블록도이다.
도 3은 본 발명의 실시예에 따른 부동산 거래정보 예측 서비스 제공서버의 내부 블록도이다.
도 4는 본 발명의 실시예에 따른 제1 신경망 모델(부동산 정보 예측모델)의 동작 방식을 설명하기 위한 도면의 일례이다.
도 5는 본 발명의 실시예에 따른 제2 신경망 모델(노드 간 영향력 분석모델)의 동작 방식을 설명하기 위한 도면의 일례이다.
도 6은 본 발명의 실시예에 따른 인접행렬 영향력 데이터 셋을 나타내는 모습의 일례이다.
도 7은 본 발명의 실시예에 따른 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법을 설명하기 위한 흐름도이다.
도 8은 본 발명의 실시예에 따른 교차 상관관계 알고리즘(Cross correlation algorithm)을 설명하기 위한 도면의 일례이다.
도 9는 본 발명의 실시예에 따른 제1 노드 그래프 예측정보를 설명하기 위한 도면의 일례이다.
도 10은 본 발명의 실시예에 따른 제2 노드 그래프 예측정보를 설명하기 위한 도면의 일례이다.
도 11 내지 도 14는 본 발명의 실시예에 따른 지도 뷰(Map) 인터페이스를 기초로 부동산 거래 흐름정보를 제공하는 방법을 설명하기 위한 도면의 일례들이다.
도 15 내지 도 18은 본 발명의 실시예에 따른 리스트 뷰(List) 인터페이스를 기초로 부동산 거래 흐름정보를 제공하는 방법을 설명하기 위한 도면의 일례들이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다. 이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 또한, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 또한, 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 실시예에 따른 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 시스템의 개념도이다.
도 1을 참조하면, 본 발명의 실시예에 따른 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 시스템(10: 이하, 부동산 거래정보 예측 시스템)은, 딥러닝 그래프 네트워크를 기초로 부동산 거래정보의 변화 흐름을 시각화하여 제공하는 부동산 거래정보 예측 서비스를 제공할 수 있다.
실시예에서, 상기 부동산 거래정보 예측 서비스는, 딥러닝 그래프 네트워크를 기초로 부동산 거래정보의 풍선효과 흐름을 시각화하여 제공할 수 있다.
이때, 상기 풍선효과란, 소정의 구역(예컨대, 시/군/구, 읍/면/동, 아파트 또는 국가 등)에서의 거래량이 증가하면 그 주변 구역 또는 유사 구역으로 거래량이 증가하는 현상이 파급되는 효과를 의미할 수 있다.
또한, 실시예에서 위와 같은 부동산 거래정보 예측 서비스를 제공하는 부동산 거래정보 예측 시스템(10)은, 단말(100), 부동산 거래정보 예측 서비스 제공서버(200: 이하, 예측 서비스 제공서버) 및 네트워크(300: Network)를 포함할 수 있다.
여기서, 상기 단말(100) 및 예측 서비스 제공서버(200)는, 상기 네트워크(300)를 통해 연결될 수 있다.
이때, 상기 네트워크(300)는, 단말(100) 및/또는 예측 서비스 제공서버(200) 등과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크(300)의 일 예에는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
이하, 첨부된 도면을 참조하여 부동산 거래정보 예측 시스템(10)을 구현하는 단말(100) 및 예측 서비스 제공서버(200)에 대해 상세히 설명한다.
-
단말(100: Terminal)
본 발명의 실시예에 따른 단말(100)은, 부동산 거래정보 예측 서비스를 제공하는 부동산 정보 애플리케이션(이하, 부동산 애플리케이션)이 설치된 소정의 컴퓨팅 디바이스일 수 있다.
자세히, 하드웨어적 관점에서 단말(100)은, 부동산 애플리케이션이 설치된 모바일 타입 컴퓨팅 장치(100-1) 및/또는 데스크탑 타입 컴퓨팅 장치(100-2) 등을 포함할 수 있다.
여기서, 모바일 타입 컴퓨팅 장치(100-1)는, 부동산 애플리케이션이 설치된 스마트 폰이나 테블릿 PC와 같은 모바일 장치일 수 있다.
예를 들어, 모바일 타입 컴퓨팅 장치(100-1)는, 스마트 폰(smart phone), 휴대폰, 디지털방송용 단말(100)기, PDA(personal digital assistants), PMP(portable multimedia player), 태블릿 PC(tablet PC) 등이 포함될 수 있다.
또한, 데스크탑 타입 컴퓨팅 장치(100-2)는, 부동산 애플리케이션이 설치된 고정형 데스크탑 PC, 노트북 컴퓨터(laptop computer), 울트라북(ultrabook)과 같은 퍼스널 컴퓨터 등과 같이 유/무선 통신을 기반으로 부동산 거래정보 예측 서비스를 실행하기 위한 프로그램이 설치된 장치 등을 포함할 수 있다.
또한, 실시예에 따라서 단말(100)은, 부동산 거래정보 예측 서비스 환경을 제공하는 소정의 서버(Server) 컴퓨팅 디바이스를 더 포함할 수도 있다.
도 2는 본 발명의 실시예에 따른 단말(100)의 내부 블록도이다.
한편, 도 2를 참조하면, 기능적 관점에서 단말(100)은, 메모리(110), 프로세서 어셈블리(120), 통신 모듈(130), 인터페이스 모듈(140), 입력 시스템(150), 센서 시스템(160) 및 디스플레이 시스템(170)을 포함할 수 있다. 이러한 구성요소들은 단말(100)의 하우징 내에 포함되도록 구성될 수 있다.
자세히, 메모리(110)에는, 부동산 애플리케이션(111)이 저장되며, 부동산 애플리케이션(111)은 부동산 거래정보 예측 서비스 환경을 제공하기 위한 각종 응용 프로그램, 데이터 및 명령어 중 어느 하나 이상을 저장할 수 있다.
즉, 메모리(110)는, 부동산 거래정보 예측 서비스 환경을 생성하기 위하여 사용될 수 있는 명령 및 데이터를 저장할 수 있다.
또한, 상기 메모리(110)는, 프로그램 영역과 데이터 영역을 포함할 수 있다.
여기서, 실시예에 따른 프로그램 영역은, 단말(100)을 부팅하는 운영체제(OS: Operating System) 및 기능요소들 사이에 연계될 수 있으며, 데이터 영역은, 단말(100)의 사용에 따라 발생하는 데이터가 저장될 수 있다.
또한, 메모리(110)는, 적어도 하나 이상의 비일시적 컴퓨터 판독 가능 저장매체와, 일시적 컴퓨터 판독 가능 저장매체를 포함할 수 있다.
예를 들어, 메모리(110)는, ROM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기일 수 있고, 인터넷(internet) 상에서 상기 메모리(110)의 저장 기능을 수행하는 웹 스토리지(web storage)를 포함할 수 있다.
프로세서 어셈블리(120)는, 부동산 거래정보 예측 서비스 환경을 생성하기 위한 다양한 작업을 수행하기 위해, 메모리(110)에 저장된 부동산 애플리케이션(111)의 명령들을 실행할 수 있는 적어도 하나 이상의 프로세서를 포함할 수 있다.
실시예에서 프로세서 어셈블리(120)는, 부동산 거래정보 예측 서비스를 제공하기 위하여 메모리(110)의 부동산 애플리케이션(111)을 통해 구성요소의 전반적인 동작을 컨트롤할 수 있다.
이러한 프로세서 어셈블리(120)는, 중앙처리장치(CPU) 및/또는 그래픽처리장치(GPU) 등이 포함된 단말(100)에 적합한 시스템 온 칩(SOC)일 수 있으며, 메모리(110)에 저장된 운영체제(OS) 및/또는 애플리케이션 프로그램 등을 실행할 수 있고, 단말(100)에 탑재된 각 구성요소들을 제어할 수 있다.
또한, 프로세서 어셈블리(120)는, 각 구성요소와 내부적으로 시스템 버스(System Bus)에 의해 통신을 수행할 수 있고, 로컬 버스(Local Bus)를 비롯한 소정의 버스 구조들을 하나 이상 포함할 수 있다.
또한, 프로세서 어셈블리(120)는, ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세스(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 포함하여 구현될 수 있다.
통신 모듈(130)은, 외부의 장치와 통신하기 위한 하나 이상의 장치를 포함할 수 있다. 이러한 통신 모듈(130)은, 무선 네트워크를 통해 통신할 수 있다.
자세히, 통신 모듈(130)은, 부동산 거래정보 예측 서비스 환경을 구현하기 위한 콘텐츠 소스를 저장한 단말(100)과 통신할 수 있으며, 사용자 입력을 받은 컨트롤러와 같은 다양한 사용자 입력 컴포넌트와 통신할 수 있다.
실시예에서, 통신 모듈(130)은, 부동산 거래정보 예측 서비스와 관련된 각종 데이터를 타 단말(100) 및/또는 외부의 서버 등과 송수신할 수 있다.
이러한 통신 모듈(130)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced),5G NR(New Radio), WIFI) 또는 근거리 통신방식 등을 수행할 수 있는 통신장치를 통해 구축된 이동 통신망 상에서 기지국, 외부의 단말(100), 임의의 서버 중 적어도 하나와 무선으로 데이터를 송수신할 수 있다.
센서 시스템(160)은, 이미지 센서(161), 위치 센서(IMU, 163), 오디오 센서(165), 거리 센서, 근접 센서, 접촉 센서 등 다양한 센서를 포함할 수 있다.
여기서, 이미지 센서(161)는, 단말(100) 주위의 물리적 공간에 대한 이미지 및/또는 영상을 캡처할 수 있다.
실시예에서, 이미지 센서(161)는, 부동산 거래정보 예측 서비스와 관련된 영상(실시예로, 지도 이미지 등)을 촬영하여 획득할 수 있다.
또한, 이미지 센서(161)는, 단말(100)의 전면 또는/및 후면에 배치되어 배치된 방향측을 촬영하여 영상을 획득할 수 있으며, 단말(100)의 외부를 향해 배치된 카메라를 통해 물리적 공간을 촬영할 수 있다.
이러한 이미지 센서(161)는, 이미지 센서장치와 영상 처리 모듈을 포함할 수 있다. 자세히, 이미지 센서(161)는, 이미지 센서장치(예를 들면, CMOS 또는 CCD)에 의해 얻어지는 정지영상 또는 동영상을 처리할 수 있다.
또한, 이미지 센서(161)는, 영상 처리 모듈을 이용하여 이미지 센서장치를 통해 획득된 정지영상 또는 동영상을 가공해 필요한 정보를 추출하고, 추출된 정보를 프로세서에 전달할 수 있다.
이러한 이미지 센서(161)는, 적어도 하나 이상의 카메라를 포함하는 카메라 어셈블리일 수 있다. 카메라 어셈블리는, 가시광선 대역을 촬영하는 일반 카메라를 포함할 수 있으며, 적외선 카메라, 스테레오 카메라 등의 특수 카메라를 더 포함할 수 있다.
또한, 위와 같은 이미지 센서(161)는, 실시예에 따라서 단말(100)에 포함되어 동작할 수도 있고, 외부의 장치(예컨대, 외부의 서버 등)에 포함되어 상술된 통신 모듈(130) 및/또는 인터페이스 모듈(140)에 기초한 연동을 통하여 동작할 수도 있다.
위치 센서(IMU, 163)는, 단말(100)의 움직임 및 가속도 중 적어도 하나 이상을 감지할 수 있다. 예를 들어, 가속도계, 자이로스코프, 자력계와 같은 다양한 위치 센서의 조합으로 이루어질 수 있다.
또한, 위치 센서(IMU, 163)는, 통신 모듈(130)의 GPS와 같은 위치 통신 모듈(130)과 연동하여, 단말(100) 주변의 물리적 공간에 대한 공간 정보를 인식할 수 있다.
오디오 센서(165)는, 단말(100) 주변의 소리를 인식할 수 있다.
자세히, 오디오 센서(165)는, 단말(100)을 사용하는 사용자의 음성 입력을 감지할 수 있는 마이크로폰을 포함할 수 있다.
실시예에서 오디오 센서(165)는 부동산 거래정보 예측 서비스를 위해 필요한 음성 데이터를 사용자로부터 입력 받을 수 있다.
인터페이스 모듈(140)은, 단말(100)을 하나 이상의 다른 장치와 통신 가능하게 연결할 수 있다. 자세히, 인터페이스 모듈(140)은, 하나 이상의 상이한 통신 프로토콜과 호환되는 유선 및/또는 무선 통신 장치를 포함할 수 있다.
이러한 인터페이스 모듈(140)을 통해 단말(100)은, 여러 입출력 장치들과 연결될 수 있다.
예를 들어, 인터페이스 모듈(140)은, 헤드셋 포트나 스피커와 같은 오디오 출력장치와 연결되어, 오디오를 출력할 수 있다.
예시적으로 오디오 출력장치가 인터페이스 모듈(140)을 통해 연결되는 것으로 설명하였으나, 단말(100) 내부에 설치되는 실시예도 포함될 수 있다.
이러한 인터페이스 모듈(140)은, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port), 전력 증폭기, RF 회로, 송수신기 및 기타 통신 회로 중 적어도 하나를 포함하여 구성될 수 있다.
입력 시스템(150)은 부동산 거래정보 예측 서비스와 관련된 사용자의 입력(예를 들어, 제스처, 음성 명령, 버튼의 작동 또는 다른 유형의 입력)을 감지할 수 있다.
자세히, 입력 시스템(150)은 버튼, 터치 센서 및 사용자 모션 입력을 수신하는 이미지 센서(161)를 포함할 수 있다.
또한, 입력 시스템(150)은, 인터페이스 모듈(140)을 통해 외부 컨트롤러와 연결되어, 사용자의 입력을 수신할 수 있다.
디스플레이 시스템(170)은, 부동산 거래정보 예측 서비스와 관련된 다양한 정보를 그래픽 이미지로 출력할 수 있다.
실시예에서, 디스플레이 시스템(170)은, 다양한 인터페이스를 기초로 시각화된 부동산 거래 흐름정보 등을 표시할 수 있다.
이러한 디스플레이는, 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉서블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전자잉크 디스플레이(e-ink display) 중에서 적어도 하나를 포함할 수 있다.
이러한 단말(100)의 하우징 내에는 상기 구성요소들이 배치될 수 있으며, 사용자 인터페이스는 사용자 터치 입력을 수신하도록 구성된 디스플레이(171) 상에 터치 센서(173)를 포함할 수 있다.
자세히, 디스플레이 시스템(170)은, 이미지를 출력하는 디스플레이(171)와, 사용자의 터치 입력을 감지하는 터치 센서(173)를 포함할 수 있다.
예시적으로 디스플레이(171)는 터치 센서(173)와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린으로 구현될 수 있다. 이러한 터치 스크린은, 단말(100)과 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부로써 기능함과 동시에, 단말(100)과 사용자 사이의 출력 인터페이스를 제공할 수 있다.
한편, 본 발명의 실시예에 따른 단말(100)은, 딥러닝 그래프 네트워크(Deep-learning Graph Network)와 연동하여 부동산 거래정보 예측 서비스에 필요한 딥러닝을 수행할 수 있다.
여기서, 실시예에 따른 상기 딥러닝 그래프 네트워크는, DCRNN(Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting) 및/또는 StemGNN(Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting) 등을 포함할 수 있다.
또한, 실시예에 따라서 단말(100)은, 후술되는 예측 서비스 제공서버(200)의 기능 동작의 적어도 일부를 더 수행할 수도 있다.
-
예측 서비스 제공서버(200: Prediction service provision server)
도 3은 본 발명의 실시예에 따른 부동산 거래정보 예측 서비스 제공서버(200)의 내부 블록도이다.
한편, 도 3을 참조하면, 본 발명의 실시예에 따른 예측 서비스 제공서버(200)는, 부동산 거래정보 예측 서비스를 제공하기 위한 일련의 프로세스를 수행할 수 있다.
자세히, 실시예에서 예측 서비스 제공서버(200)는, 단말(100)과 같은 외부의 장치에서 부동산 거래정보 예측 프로세스가 구동되게 하기 위해 필요한 데이터를, 상기 외부의 장치와 교환함으로써 상기 부동산 거래정보 예측 서비스를 제공할 수 있다.
보다 상세히, 실시예에서 예측 서비스 제공서버(200)는, 외부의 장치(실시예에서, 모바일 타입 컴퓨팅 장치(100-1) 및/또는 데스크탑 타입 컴퓨팅 장치(100-2) 등)에서 부동산 거래정보 예측 서비스가 동작할 수 있는 환경을 제공할 수 있다.
이를 위해, 예측 서비스 제공서버(200)는, 부동산 거래정보 예측 서비스를 구현하기 위한 응용 프로그램, 데이터 및/또는 명령어 등을 포함할 수 있다.
또한, 실시예에서 예측 서비스 제공서버(200)는, 딥러닝 그래프 네트워크(Deep-learning Graph Network)와 연동하여 부동산 거래정보 예측 서비스에 필요한 딥러닝을 수행할 수 있다.
자세히, 실시예에서 예측 서비스 제공서버(200)는, 상기 딥러닝을 수행하기 위해 구축되어 있는 소정의 딥러닝 그래프 네트워크 구동 프로그램을 메모리 모듈로부터 독출하여, 상기 독출된 소정의 딥러닝 그래프 네트워크 시스템에 따라 하기 기술하는 딥러닝을 수행할 수 있다.
여기서, 실시예에 따른 상기 딥러닝 그래프 네트워크는, DCRNN(Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting) 및/또는 StemGNN(Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting) 등을 포함할 수 있다.
이때, 실시예에 따라서 위와 같은 딥러닝 그래프 네트워크는, 예측 서비스 제공서버(200)에 직접 포함되거나, 또는 예측 서비스 제공서버(200)와는 별도의 장치 및/또는 서버로서 구현되어 상기 부동산 거래정보 예측 서비스를 위한 딥러닝을 수행할 수 있다.
이하의 설명에서는, 딥러닝 그래프 네트워크가 예측 서비스 제공서버(200)에 포함되어 구현되는 것으로 설명하나 이에 한정되는 것은 아니다.
자세히, 도 3을 더 참조하면, 실시예에서 예측 서비스 제공서버(200)는, 딥러닝 그래프 네트워크에 기반한 제1 신경망 모델(241: 부동산 정보 예측모델) 및 제2 신경망 모델(242: 영향력 분석 모델)을 포함할 수 있다.
도 4는 본 발명의 실시예에 따른 제1 신경망 모델(부동산 정보 예측모델)의 동작 방식을 설명하기 위한 도면의 일례이다.
도 4를 참조하면, 실시예에 따른 상기 제1 신경망 모델(241: 부동산 정보 예측모델)은, 소정의 시점의 부동산 정보가 미래의 특정 시점에 어떻게 변화할 것인지를 예측한 정보(즉, 실시예에서 부동산 예측정보)를 제공할 수 있다.
여기서, 소정의 시점의 부동산 정보는, 일시점부터 소정의 시점까지의 부동산 정보를 포함할 수 있으며, 미래의 특정 시점의 부동산 예측정보는 미래의 특정 시점으로부터 소정의 시점까지의 부동산 정보를 포함할 수 있다.
자세히, 실시예에서 제1 신경망 모델(241)은, 소정의 노드 그래프 데이터를 입력으로 하고, 입력된 노드 그래프 데이터의 시점으로부터 소정의 기간이 경과한 미래 시점의 해당 노드 그래프 데이터 내 부동산 정보의 변화를 예측한 정보인 제1 노드 그래프 예측정보를 출력으로 할 수 있다.
또한, 실시예에서 제1 신경망 모델(241)은, 위와 같이 소정의 노드 그래프 데이터를 입력 데이터로 하고 상기 입력된 노드 그래프 데이터에 대한 제1 노드 그래프 예측정보를 출력 데이터로 하도록 학습될 수 있다.
이때, 실시예에 따른 상기 노드 그래프 데이터란, 시계열로 나열된 복수의 부동산 정보를 포함하는 복수의 노드와, 상기 노드 간 커넥팅(connecting)을 수행하는 복수의 엣지(edge)를 포함할 수 있다.
이때, 상기 노드 각각은 소정의 구역(예컨대, 시/군/구, 읍/면/동, 아파트 또는 국가 등) 각각에 대응될 수 있으며, 각 노드에는 거래량과 인구 전출입에 영향을 주는 적어도 하나 이상의 변수 정보(예를 들어, 거래량 및/또는 평당 매매 가격 등)를 포함할 수 있다. 또한, 상기 엣지는, 연관된 노드 간 표준화된 거리(이하, 표준거리) 및/또는 연관된 노드 간 상호 영향관계를 나타내는 영향력 정보를 포함할 수 있다. 실시예에서, 상기 엣지는 상기 노드 사이에 발생하는 각종 전출입 정보 및/또는 출퇴근 대중교통 이동 인구수 등에 따른 상기 영향력 정보를 포함할 수 있다.
또한, 실시예에 따른 상기 부동산 정보란, 소정의 시점에서 시계열적으로 변화한 소정의 구역(예컨대, 시/군/구, 읍/면/동, 아파트 또는 국가 등) 별 전세 거래정보(전세 거래량 및 거래가격 등), 월세 거래정보(월세 거래량 및 거래가격 등), 매매 거래정보(매매 거래량 및 거래가격 등), 미분양량, 입주물량 및/또는 전출입량 등을 포함하는 정보일 수 있다. 이러한 부동산 정보는, 각 요소 별 데이터를 나타내는 행렬 및/또는 그래프 형태로 구현될 수 있다.
실시예에 따라서, 상기 부동산 정보 뿐만 아니라 부동산 시장에 영향을 줄 수 있는 경제적인 거시지표 등 다양한 변수들이 활용될 수 있으며, 이러한 데이터는 행렬정보로 표현될 수 있고, 이에 대한 학습 모델은 공간정보를 반영한 그래프 형태의 데이터에 기초하여 학습될 수 있다.
구체적으로, 상기 노드 그래프 데이터를 입력받은 제1 신경망 모델(241)로부터 출력되는 제1 노드 그래프 예측정보는, 소정의 노드 그래프 데이터 내 적어도 하나 이상의 부동산 정보 각각에 대한 부동산 예측정보를 포함하여 구현될 수 있다.
이때, 상기 부동산 예측정보란, 소정의 부동산 정보의 시점으로부터 소정의 기간이 경과한 미래 시점까지 해당 부동산 정보가 어떻게 변화할 것인지(즉, 해당 부동산 정보 내 각 요소가 어떻게 변화할 것인지)를 예측한 정보일 수 있다.
또한, 상기 제1 노드 그래프 예측정보는, 상기 노드 그래프 데이터 내 인접노드 간 표준거리를 나타내는 인접행렬 거리 데이터 셋을 더 포함할 수 있다. 이에 대한 자세한 설명은 도 7 내지 도 18의 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측방법에서 후술한다.
즉, 실시예에서 제1 신경망 모델(241)은, 소정의 시점에 대한 적어도 하나 이상의 부동산 정보를 포함하는 노드 그래프 데이터에 기반하여, 소정의 기간이 경과한 미래 시점의 상기 부동산 정보 각각이 어떻게 변화할 것인지를 예측한 부동산 예측정보와, 인접노드 간 표준거리를 나타내는 인접행렬 거리 데이터 셋을 포함하는 제1 노드 그래프 예측정보를 제공할 수 있다.
실시예에서, 이러한 제1 신경망 모델(241)은, DCRNN(Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting)에 기반하여 구현될 수 있다.
자세히, DCRNN에 기초한 제1 신경망 모델(241)은, 오토 인코더의 구조를 가지며 입력 데이터가 시계열 정보(즉, 실시예에서 시계열로 나열된 부동산 정보 등)인 점을 감안하여 RNN(Recurrent Neural Network)의 계열인 LSTM(Long Short Term Memory)과 GRU(Gated Recurrent Unit)을 통과하여 상기 시계열 정보의 특징을 추출한 벡터들이 들어가게 되는 구조로 구현될 수 있다. 뿐만 아니라 노드 구조에 인접행렬을 부여하여 공간정보까지 반영해 학습되는 그래프 네트워크 구조를 가질 수 있다. 본 발명의 실시예에서는 위와 같은 제1 신경망 모델(241)이 DCRNN에 기반하여 구현된다고 설명하나 이에 한정되는 것은 아니며 다양한 실시예 또한 가능할 수 있다.
즉, 실시예에서 예측 서비스 제공서버(200)는, 위처럼 기학습된 제1 신경망 모델(241)을 이용하여, 소정의 시점의 부동산 정보가 미래의 특정 시점에 어떻게 변화할 것인지를 예측한 정보(즉, 실시예에서 부동산 예측정보)를 제공할 수 있다.
도 5는 본 발명의 실시예에 따른 제2 신경망 모델(노드 간 영향력 분석모델)의 동작 방식을 설명하기 위한 도면의 일례이다.
한편, 도 5를 참조하면, 실시예에 따른 상기 제2 신경망 모델(242: 영향력 분석 모델)은, 소정의 시점의 노드 간 연관정도가 미래의 특정 시점에 어떻게 변화할 것인지를 예측한 정보(즉, 실시예에서 영향력 예측정보)를 제공할 수 있다.
자세히, 실시예에서 제2 신경망 모델(242)은, 소정의 노드 그래프 데이터를 입력으로 하고, 입력된 노드 그래프 데이터의 시점으로부터 소정의 기간이 경과한 미래 시점의 해당 노드 그래프 데이터 내 영향력 정보의 변화를 예측한 정보인 제2 노드 그래프 예측정보를 출력으로 할 수 있다.
또한, 상기 제2 신경망 모델(242)은, 위와 같이 소정의 노드 그래프 데이터를 입력 데이터로 하고 상기 입력된 노드 그래프 데이터에 대한 제2 노드 그래프 예측정보를 출력 데이터로 하도록 학습될 수 있다.
이때, 실시예에 따른 상기 영향력 정보란, 소정의 시점에서의 소정의 구역(예컨대, 시/군/구, 읍/면/동, 아파트 또는 국가 등) 간 상호 영향관계를 나타내는 정보일 수 있다. 즉, 영향력 정보는 연관된 노드 간 상호 영향관계를 나타내는 정보로서, 실시예에서 엣지를 기초로 제공될 수 있다.
자세히, 상기 영향력 정보는, 연관정도 수치 데이터 및/또는 영향력 변화패턴 정보를 포함할 수 있다.
여기서, 상기 연관정도 수치화 데이터란, 소정의 구역(즉, 노드) 간 상호 영향을 미치는 정도를 수치로 환산하여 나타낸 데이터일 수 있다.
실시예에서, 이러한 연관정보 수치화 데이터는, 소정의 구역 간 거리를 기반으로 결정될 수 있다.
예를 들어, 제1 노드가 '강남구'이고, 제2 노드가 '송파구'일 때 상기 강남구와 상기 송파구 사이의 연관정도 수치화 데이터를 상기 강남구와 상기 송파구 간의 거리에 기초하여 소정의 수치(예컨대, 0.6 등)로 환산해 생성할 수 있다.
이러한 연관정도 수치화 데이터는, 각 노드 별 연관정도 수치를 나타내는 행렬 및/또는 그래프 형태로 구현될 수 있다.
한편, 상기 영향력 변화패턴 정보란, 시간의 흐름에 따른 연관정도 수치화 데이터의 변화패턴을 나타내는 정보일 수 있다.
즉, 영향력 변화패턴 정보는 시간이 경과함에 따라서 각 노드 간 영향관계가 어떠한 패턴을 형성하며 변화하는지를 나타낼 수 있다.
실시예로, 제1 노드(예컨대, '강남구')와 제2 노드(예컨대, '송파구') 간의 연관정도 수치화 데이터가 소정의 기간(예컨대, 3개월 등)이 경과하는 동안에 소정의 임계값 이상으로 증가하는 경우, 상기 제1 노드는 상기 소정의 기간 이전의 상기 제2 노드로부터 실질적인 영향을 받은 것으로 판단될 수 있으며, 그 역 또한 마찬가지일 수 있다.
즉, 실시예에서 영향력 변화패턴 정보는, 일 노드가 외부의 타 노드로부터 어떠한 방식 및/또는 형태의 영향력을 받았는지를 나타낼 수 있다.
이러한 영향력 변화패턴 정보는, 각 엣지 별 영향력 변화패턴을 나타내는 행렬 및/또는 그래프 형태로 구현될 수 있다.
구체적으로, 상기 노드 그래프 데이터를 입력받은 제2 신경망 모델(242)로부터 출력되는 제2 노드 그래프 예측정보는, 소정의 노드 그래프 데이터 내 적어도 하나 이상의 영향력 정보 각각에 대한 영향력 예측정보를 포함하여 구현될 수 있다.
이때, 상기 영향력 예측정보란, 소정의 영향력 정보의 시점으로부터 소정의 기간이 경과한 미래 시점에 해당 영향력 정보가 어떻게 변화할 것인지(즉, 해당 영향력 정보 내 각 요소가 어떻게 변화할 것인지)를 예측한 정보일 수 있다.
이때, 상기 제2 노드 그래프 예측정보는, 상기 노드 그래프 데이터 내 인접노드 간 연관정도 수치화 데이터를 나타내는 인접행렬 영향력 데이터 셋을 더 포함할 수 있다.
실시예에서, 상기 인접행렬 영향력 데이터 셋은, 인접한 노드 간의 연관정도 수치화 데이터를 도 6과 같이 나타내는 표 형식의 인접행렬 데이터일 수 있다. 다만, 이는 일 실시예일 뿐 이에 한정되는 것은 아니고 다양한 형태의 인접행렬 데이터가 가능할 수 있다. 이에 대한 자세한 설명은 도 7 내지 도 18의 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측방법에서 후술한다.
즉, 실시예에서 제2 신경망 모델(242)은, 소정의 시점에 대한 적어도 하나 이상의 영향력 정보를 포함하는 노드 그래프 데이터에 기반하여, 소정의 기간이 경과한 미래 시점의 상기 영향력 정보 각각이 어떻게 변화할 것인지를 예측한 영향력 예측정보와, 인접노드 간 연관정도 수치화 데이터를 나타내는 인접행렬 영향력 데이터 셋을 포함하는 제2 노드 그래프 예측정보를 제공할 수 있다.
실시예에서, 이러한 제2 신경망 모델(242)은, StemGNN(Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting)에 기반하여 구현될 수 있다.
자세히, StemGNN에 기초한 제2 신경망 모델(242)은, 사전에 주어진 노드 간 거리정보와 더불어 네트워크에서 노드 간 관계를 추출하기 위해 GRU 모델을 사용할 수 있다.
또한, 제2 신경망 모델(242)은, 상기 GRU 모델을 이용하여 노드(즉, 소정의 구역)의 시간 흐름을 고차원의 데이터로 임베딩하고 유사도를 내적으로 비교한 데이터를 추가로 구역 간 간선의 가중치로 활용할 수 있다.
보다 상세히, 일반적으로 부동산 실거래 데이터에 기초한 부동산 정보는 지역 간 영향력과 지역 내 시간의 흐름에 따른 변화를 동시에 고려해야 한다. 이를 위해 제2 신경망 모델(242)은, 입력 데이터 즉, 노드 그래프 데이터에 기반한 푸리에 변환(GFT)을 지역 간 규칙성을 분석하는데 사용하고 이산 푸리에 변환을 지역 내 시간의 흐름에 따른 실거래 규칙(즉, 패턴)을 분석하는데 사용할 수 있다. 이때, 제2 신경망 모델(242)은, 푸리에 변환으로 규칙성을 분석하기 쉬워진 데이터를 기초로 학습하여 보다 나은 예측 성능을 구현할 수 있다.
정리하면, StemGNN에 기초한 제2 신경망 모델(242)은, 시계열 노드를 GRU를 활용하여 임베딩하고 추가적인 간선 데이터를 구성하며 이를 학습에 활용할 수 있다. 이후 해당 데이터를 푸리에 변환 및/또는 이산 푸리에 변환을 통해 규칙성 있는 도메인으로 변환하고 그래프 네트워크 학습에 사용할 수 있다.
즉, 실시예에서 예측 서비스 제공서버(200)는, 위처럼 기학습된 제2 신경망 모델(242)을 이용하여, 소정의 시점의 노드 간 연관정도가 미래의 특정 시점에 어떻게 변화할 것인지를 예측한 정보(즉, 실시예에서 영향력 예측정보)를 제공할 수 있다.
다시 돌아와서, 또한 실시예에서 예측 서비스 제공서버(200)는, 시계열에 따른 복수의 노드 그래프 데이터를 포함하는 학습 데이터 셋(Training data set)에 기반하여 상술된 딥러닝 그래프 네트워크(즉, 실시예에서 제1 신경망 모델(241) 및/또는 제2 신경망 모델(242))를 트레이닝할 수 있다. 이에 대한 자세한 설명은 후술되는 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측방법의 S101 단계 및 S103 단계에 대한 설명을 따른다.
또한, 실시예에서 예측 서비스 제공서버(200)는, 상술된 바와 같이 획득되는 제1 노드 그래프 예측정보 및/또는 제2 노드 그래프 예측정보를 외부의 컴퓨팅 디바이스(실시예에서, 단말(100) 등)로 제공할 수 있다.
또한, 실시예에서 예측 서비스 제공서버(200)는, 부동산 거래정보 예측 서비스를 구현하기 위한 각종 응용 프로그램, 애플리케이션, 명령어 및/또는 데이터 등을 저장하고 관리할 수 있다.
실시예로, 예측 서비스 제공서버(200)는, 학습 데이터 셋, 딥러닝 모델에 대한 입력 데이터(실시예로, 소정의 노드 그래프 데이터), 딥러닝 모델의 출력 데이터 및/또는 부동산 거래 흐름정보 등을 저장 및 관리할 수 있다.
본 발명의 실시예에서는, 예측 서비스 제공서버(200)가 외부의 장치에서 부동산 거래정보 예측 서비스가 동작할 수 있는 환경을 제공하고, 딥러닝 그래프 네트워크(Deep-learning Graph Network)와 연동하여 부동산 거래정보 예측 서비스를 위한 각종 딥러닝(Deep Learning)을 수행하며, 상기 수행된 딥러닝을 기초로 획득되는 제1 노드 그래프 예측정보 및/또는 제2 노드 그래프 예측정보를 외부의 컴퓨팅 디바이스로 제공하고, 소정의 학습 데이터 셋(Training data set)을 기초로 상술된 딥러닝 그래프 네트워크(즉, 실시예에서 제1 신경망 모델(241) 및/또는 제2 신경망 모델(242))를 트레이닝하며, 상기 부동산 거래정보 예측 서비스와 관련된 각종 데이터를 저장 및 관리할 수 있다고 설명하였으나, 실시예에 따라서 예측 서비스 제공서버(200)가 수행하는 기능 동작의 적어도 일부를 외부의 장치(예컨대, 단말(100) 등)에서 수행할 수도 있고, 상기 외부의 장치에서 수행하는 기능 동작의 적어도 일부를 상기 예측 서비스 제공서버(200)에서 더 수행할 수도 있는 등 다양한 실시예가 가능할 수 있다.
또한, 실시예에서 위와 같은 예측 서비스 제공서버(200)는, 데이터 처리를 위한 적어도 하나 이상의 프로세서 모듈(210: Processor Module)과, 외부의 장치와의 데이터 교환을 위한 적어도 하나 이상의 커뮤니케이션 모듈(220: Communication Module)과, 부동산 거래정보 예측 서비스의 제공을 위한 각종 응용 프로그램, 데이터 및/또는 명령어들을 저장하는 적어도 하나 이상의 메모리 모듈(230: Memory Module)을 포함하는 소정의 컴퓨팅 장치로 구현될 수 있다.
여기서, 상기 메모리 모듈(230)은, 부동산 거래정보 예측 서비스를 제공하기 위한 운영체제(OS), 각종 응용 프로그램, 데이터 및 명령어 중 어느 하나 이상을 저장할 수 있다.
또한, 상기 메모리 모듈(230)은, 프로그램 영역과 데이터 영역을 포함할 수 있다.
여기서, 실시예에 따른 프로그램 영역은, 단말(100)을 부팅하는 운영체제(OS: Operating System) 및 기능요소들 사이에 연계될 수 있으며, 데이터 영역은, 단말(100)의 사용에 따라 발생하는 데이터가 저장될 수 있다.
실시예에서, 이러한 메모리 모듈(230)은, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기일 수 있고, 인터넷(internet)상에서 상기 메모리 모듈(230)의 저장 기능을 수행하는 웹 스토리지(web storage)일 수도 있다.
또한, 메모리 모듈(230)은, 단말(100) 상에 탈착 가능한 형태의 기록매체일 수 있다.
한편, 상기 프로세서 모듈(210)은, 부동산 거래정보 예측 서비스를 구현하기 위하여 전술한 각 유닛(unit)의 전반적인 동작을 컨트롤할 수 있다.
이러한 프로세서 모듈(210)은, 중앙처리장치(CPU) 및/또는 그래픽처리장치(GPU) 등이 포함된 단말(100)에 적합한 시스템 온 칩(SOC)일 수 있으며, 메모리 모듈(230)에 저장된 운영체제(OS) 및/또는 애플리케이션 프로그램 등을 실행할 수 있고, 단말(100)에 탑재된 각 구성요소들을 제어할 수 있다.
또한, 프로세서 모듈(210)은, 각 구성요소와 내부적으로 시스템 버스(System Bus)에 의해 통신을 수행할 수 있고, 로컬 버스(Local Bus)를 비롯한 소정의 버스 구조들을 하나 이상 포함할 수 있다.
또한, 프로세서 모듈(210)은, ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세스(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
-
딥러닝 그래프 네트워크 기반 부동산 거래정보 예측방법
이하, 본 발명의 실시예에 따른 단말(100)의 적어도 하나 이상의 프로세서에 의하여 실행되는 부동산 애플리케이션(111)이 딥러닝 그래프 네트워크를 기반으로 부동산 거래정보를 예측하는 방법을 첨부된 도 7 내지 도 18을 참조하여 상세히 설명한다.
본 발명의 실시예에서 상기 단말(100)의 적어도 하나 이상의 프로세서는, 적어도 하나 이상의 메모리(110)에 저장된 적어도 하나 이상의 부동산 애플리케이션(111)을 실행하거나 백그라운드 상태로 동작하게 할 수 있다.
이하, 상기 적어도 하나 이상의 프로세서가, 상기 부동산 애플리케이션(111)의 명령어를 실행하기 위해 동작하여 상술된 부동산 거래정보 예측 서비스를 제공하는 방법을 수행하는 것을 상기 부동산 애플리케이션(111)이 수행하는 것으로 단축하여 설명한다.
도 7은 본 발명의 실시예에 따른 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법을 설명하기 위한 흐름도이다.
도 7을 참조하면, 실시예에서 상기 단말(100)의 적어도 하나 이상의 프로세서에 의하여 실행되거나 백그라운드 상태로 동작하는 부동산 애플리케이션(111)은, 학습 데이터 셋(Training data set)을 생성할 수 있다. (S101)
자세히, 실시예에서 부동산 애플리케이션(111)은, 부동산 거래정보 예측 서비스의 딥러닝 모델(즉, 실시예에서 제1 신경망 모델(241) 및 제2 신경망 모델(242))을 트레이닝하기 위한 학습 데이터 셋을 생성할 수 있다.
보다 상세히, 부동산 애플리케이션(111)은, 시계열에 따른 복수의 노드 그래프 데이터에 기반하여 상기 딥러닝 모델을 트레이닝하기 위한 학습 데이터 셋을 생성할 수 있다.
여기서, 실시예에 따른 상기 노드 그래프 데이터는, 소정의 구역 별 부동산 정보를 포함하는 복수의 노드와, 상기 노드 간 커넥팅(connecting)을 수행하는 복수의 엣지(edge)를 포함할 수 있다.
이때, 상기 노드 각각은 소정의 구역(예컨대, 시/군/구, 읍/면/동, 아파트 또는 국가 등) 각각에 대응될 수 있다. 또한, 상기 엣지는, 연관된 노드 간 표준거리 및/또는 연관된 노드 간 상호 영향관계를 나타내는 영향력 정보를 포함할 수 있다.
또한, 실시예에 따른 상기 부동산 정보는, 소정의 시점까지의 시계열로 나열된 소정의 구역(예컨대, 시/군/구, 읍/면/동, 아파트 또는 국가 등) 별 전세 거래정보(전세 거래량 및 거래가격 등), 월세 거래정보(월세 거래량 및 거래가격 등), 매매 거래정보(매매 거래량 및 거래가격 등), 미분양량, 입주물량 및/또는 전출입량 등을 포함하는 정보일 수 있다. 실시예에서 이러한 부동산 정보는, 각 요소 별 데이터를 나타내는 행렬 및/또는 그래프 형태로 구현될 수 있다.
또한, 실시예에 따른 상기 영향력 정보는, 소정의 시점에서의 소정의 구역(예컨대, 시/군/구, 읍/면/동, 아파트 또는 국가 등) 간 상호 영향관계를 나타내는 정보일 수 있다. 즉, 영향력 정보는 연관된 노드 간 상호 영향관계를 나타내는 정보로서, 연관정도 수치 데이터 및/또는 영향력 변화패턴 정보를 포함할 수 있다.
다시 돌아와서, 구체적으로 실시예에서 부동산 애플리케이션(111)은, 1) 소정의 구역 즉, 노드(예컨대, 시/군/구, 읍/면/동, 아파트 또는 국가 등) 단위의 부동산 실거래 데이터를 소정의 시점까지 등간격 나열된 시계열 형태로 획득할 수 있다. 이때, 부동산 애플리케이션(111)은, 시계열로 나열되는 간격을 조정할 수도 있다.
또한, 부동산 애플리케이션(111)은, 획득된 노드 별 부동산 실거래 데이터를 기초로 노드 그래프 데이터 내 각 노드 별 부동산 정보를 설정할 수 있다. 이때, 상기 부동산 실거래 데이터는, 본 발명의 실시예에 따른 부동산 정보가 포함하는 각 요소에 대응되는 데이터들을 포함할 수 있다.
자세히, 실시예에서 부동산 애플리케이션(111)은, 소정의 제1 노드에 대하여 획득된 부동산 실거래 데이터를 상기 제1 노드에 매칭하여 상기 제1 노드에 대한 부동산 정보를 세팅할 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 제1 노드가 '강남구'이고 제2 노드가 '송파구'인 경우 강남구에서 실거래된 부동산 데이터를 시계열 형태로 획득하여 상기 제1 노드에 대한 부동산 정보로 설정하고, 송파구에서 실거래된 부동산 데이터를 시계열 형태로 획득하여 상기 제2 노드에 대한 부동산 정보로 설정할 수 있다.
즉, 실시예에서 부동산 애플리케이션(111)은, 노드 단위의 부동산 실거래 데이터를 시계열 형태로 획득하고, 획득된 부동산 실거래 데이터를 기초로 노드 그래프 데이터가 포함하는 각각의 노드에 대한 부동산 정보를 세팅할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 2) 노드 그래프 데이터 내 각 엣지에 대한 정보를 설정할 수 있다. 즉, 실시예에서 부동산 애플리케이션(111)은, 각 엣지 별로 매칭되는 표준거리 및/또는 영향력 정보를 설정할 수 있다.
자세히, 부동산 애플리케이션(111)은, 노드 그래프 데이터 내 각 노드 간 표준거리를 산출할 수 있다.
구체적으로, 부동산 애플리케이션(111)은, 각 노드에 대한 기준 포인트(예컨대, 중심지점 등)를 설정할 수 있다.
또한, 부동산 애플리케이션(111)은, 노드 별로 설정된 기준 포인트 간 거리에 기초하여 각 노드 간 표준거리를 산출할 수 있다.
이때, 실시예에서 부동산 애플리케이션(111)은, 상기 표준거리를 상기 기준 포인트 간 유클리디안 거리(Euclidean Distance)를 측정하여 산출할 수 있다.
또한, 부동산 애플리케이션(111)은, 각 엣지 별로 산출된 관련 노드 간 표준거리 정보를 해당하는 엣지에 매칭하여 저장 및 관리할 수 있다.
또한, 부동산 애플리케이션(111)은, 각 엣지와 관련된 노드 간 상호 영향관계를 분석한 정보인 영향력 정보를 획득하여 해당하는 엣지에 매칭해 저장 및 관리할 수 있다.
이때, 부동산 애플리케이션(111)은, 상기 영향력 정보를 딥러닝 모델에 기초하여 획득할 수 있다.
실시예로, 부동산 애플리케이션(111)은, Stem GNN 등에 기초하여 상기 딥러닝 모델을 학습시킨 후, 노드 간의 상호 영향력 정보를 상기 학습된 딥러닝 모델이 자체적으로 학습하게 할 수 있다. 이 과정에서 부동산 애플리케이션(111)은, 상기 딥러닝 모델의 학습 결과를 얻는 동시에 어떻게 상기 학습 결과를 얻기 위해 상기 노드 간의 상호 영향력을 학습하였는지를 Correlation Matrix 등에 기초하여 획득할 수 있다.
자세히, 부동산 애플리케이션(111)은, 관련 노드에 대응되는 부동산 정보에 기초한 딥러닝을 통하여, 상기 관련 노드 간 상호 영향을 미치는 정도를 수치로 환산하여 나타낸 데이터인 연관정보 수치화 데이터와, 상기 연관정보 수치화 데이터가 시간의 흐름에 따라서 변화하는 패턴을 분석한 정보인 영향력 변화패턴 정보를 획득할 수 있다.
또한, 부동산 애플리케이션(111)은, 획득된 연관정보 수치화 데이터와 영향력 변화패턴 정보를 포함하는 영향력 정보를 해당하는 엣지에 매칭하여 저장 및 관리할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 3) 위와 같이 획득된 노드 별 시계열 형태의 부동산 정보, 엣지 별 표준거리 및/또는 영향력 정보에 기초하여, 딥러닝 모델의 트레이닝을 위한 학습 데이터인 복수의 노드 그래프 데이터를 시계열을 따라서 구축할 수 있다.
또한, 부동산 애플리케이션(111)은, 구축된 노드 그래프 데이터들에 기초하여 실시예에 따른 제1 신경망 모델(241)과 제2 신경망 모델(242)을 트레이닝하기 위한 학습 데이터 셋을 생성할 수 있다.
예시적으로, 부동산 애플리케이션(111)은, 7일 시간 간격으로 2006년 1월 1일부터 2020년 12월 06일까지의 780일 동안 수집된 4849개의 각 지역 별 시계열 형태의 부동산 실거래 데이터를 기초로, 상기 노드 그래프 데이터를 구축하여 딥러닝 모델(실시예에서, 제1 신경망 모델(241) 및 제2 신경망 모델(242)) 트레이닝을 위한 학습 데이터 셋을 생성할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 위와 같이 생성된 학습 데이터를 기초로 딥러닝 모델을 트레이닝할 수 있다. (S103)
자세히, 실시예에서 부동산 애플리케이션(111)은, 상기 생성된 학습 데이터 셋에 기초하여 본 발명의 실시예에 따른 딥러닝 모델인 제1 신경망 모델(241)(부동산 정보 예측모델)과 제2 신경망 모델(242)(노드 간 영향력 분석모델)을 트레이닝할 수 있다.
보다 상세히, 부동산 애플리케이션(111)은, 예측 서비스 제공서버(200)와 연동하여 위와 같이 생성된 복수의 노드 그래프 데이터에 기반한 학습 데이터 셋을 이용해 제1 신경망 모델(241) 및/또는 제2 신경망 모델(242)을 학습시킬 수 있다.
구체적으로, 부동산 애플리케이션(111)은, 소정의 노드 그래프 데이터를 입력으로 하고, 입력된 노드 그래프 데이터의 시점으로부터 소정의 기간이 경과한 미래 시점의 해당 노드 그래프 데이터 내 부동산 정보의 변화를 예측한 정보인 제1 노드 그래프 예측정보를 출력하도록 제1 신경망 모델(241)을 트레이닝할 수 있다.
여기서, 실시예에 따른 부동산 애플리케이션(111)은, 상기 제1 노드 그래프 예측정보를 소정의 노드 그래프 데이터 내 적어도 하나 이상의 부동산 정보 각각에 대한 부동산 예측정보를 포함하여 구현할 수 있다.
이때, 상기 부동산 예측정보는, 소정의 부동산 정보의 시점으로부터 소정의 기간이 경과한 미래 시점에 해당 부동산 정보가 어떻게 변화할 것인지(즉, 해당 부동산 정보 내 각 요소가 어떻게 변화할 것인지)를 예측한 정보일 수 있다.
자세히, 실시예에서 부동산 애플리케이션(111)은, DCRNN(Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting)에 기반하여 구현될 수 있는 딥러닝 모델인 제1 신경망 모델(241)에 상술된 바와 같이 생성된 소정의 노드 그래프 데이터를 입력하고, 이를 기초로 상기 제1 신경망 모델(241)이 입력된 노드 그래프 데이터에 대한 부동산 예측정보를 출력하도록 학습시킬 수 있다.
본 발명의 실시예에서는 상술된 제1 신경망 모델(241)이 DCRNN에 기초하여 구현된다고 설명하나 이에 한정되는 것은 아니다.
또한, 실시예에 따른 부동산 애플리케이션(111)은, 상기 제1 노드 그래프 예측정보에 상기 노드 그래프 데이터 내 인접노드 간 표준거리를 나타내는 인접행렬 거리 데이터 셋을 더 포함할 수 있다.
도 8은 본 발명의 실시예에 따른 교차 상관관계 알고리즘(Cross correlation algorithm)을 설명하기 위한 도면의 일례이다.
자세히, 도 8을 참조하면, 실시예에서 부동산 애플리케이션(111)은, 교차 상관관계 알고리즘(Cross correlation algorithm)에 기초하여 상기 노드 그래프 데이터에 기반한 상기 인접행렬 거리 데이터를 생성하도록 상기 제1 신경망 모델(241)을 학습시킬 수 있다.
보다 상세히, 부동산 애플리케이션(111)은, 교차 상관관계 알고리즘과 상기 노드 그래프 데이터 내 엣지 별로 대응되는 표준거리 데이터 및/또는 표준거리 정보를 이용하여, 상기 노드 그래프 데이터 내 인접노드 간 표준거리를 나타내는 인접행렬 거리 데이터를 생성하게 할 수 있다.
이때, 실시예에서 부동산 애플리케이션(111)은, 해당하는 각 노드의 중심지점 등을 상기 각 노드 별 기준 포인트로 설정할 수 있고, 상기 설정된 기준 포인트 간 유클리디안 거리를 측정하여 상기 인접행렬 거리 데이터의 각 항목값들을 획득할 수 있다.
이때, 부동산 애플리케이션(111)은, 입력되는 신호 간 유사도를 측정하는 교차 상관관계 알고리즘을 이용하여 상기 인접행렬 거리 데이터를 생성하게 함으로써, 제1 신경망 모델(241)이 학습 과정에서 적응적으로 주어지는 표준거리 데이터에 기초한 인접행렬 거리 데이터를 생성하게 할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 교차 상관관계 알고리즘에 기반한 트레이닝을 수행하여, 시계열 형태를 가지는 노드 그래프 데이터 간의 유사도를 직접적으로 비교하고, 해당하는 데이터들이 후행하는 형식으로 유사한지 또는 선행하는 형식으로 유사한지를 판단하게 할 수 있다.
즉, 실시예에서 부동산 애플리케이션(111)은, 교차 상관관계 알고리즘에 기초하여 상기 노드 그래프 데이터에 기반한 상기 인접행렬 거리 데이터를 생성하도록 상기 제1 신경망 모델(241)을 학습시킴으로써, 학습된 제1 신경망 모델(241)이 주어진 노드(예컨대, 시/군/구, 읍/면/동, 아파트 또는 국가 등) 간 부동산 거래정보 흐름의 방향성을 획득하게 할 수 있다.
따라서, 실시예에 따른 부동산 애플리케이션(111)은, 제1 신경망 모델(241)이 주어진 노드 그래프 데이터에 대한 인접행렬을 학습 과정에서 적응적으로 생성하게 할 수 있고, 이를 통해 사람이 정의한 별도의 인접행렬 데이터가 없거나 인접행렬을 만들기 어려운 데이터에 대해서도 스스로 인접행렬을 구하고 관련된 노드 간 부동산 거래정보 흐름의 방향성을 예측하게 할 수 있다.
또한, 이를 통해 실시예에서 부동산 애플리케이션(111)은, 주어진 노드 간 인접행렬 뿐만 아니라 시계열의 포인트 간 유사도 또한 획득할 수 있고, 이를 이용하여 노드 간의 지역적인 연결도를 넘어 Spatio-temporal한 그래프를 구성할 수도 있다.
또한, 이를 통해 실시예에서 부동산 애플리케이션(111)은, 사람에 의하여 정의된 인접행렬이 1(연결)과 0(비연결)으로 이루어져 노드 간 숨겨져 있는 관계를 찾아내기 어렵다는 한계점을 해결하고, 딥러닝 모델의 자체적인 학습 과정에서 인접행렬을 생성하여 다양한 스칼라 값으로 노드 간 관계를 표현할 수 있다.
정리하면, 실시예에서 부동산 애플리케이션(111)은, 소정의 시점에 대한 적어도 하나 이상의 부동산 정보를 포함하는 노드 그래프 데이터에 기반하여, 소정의 기간이 경과한 미래 시점의 상기 부동산 정보 각각이 어떻게 변화할 것인지를 예측한 부동산 예측정보와, 인접노드 간 표준거리를 나타내는 인접행렬 거리 데이터 셋을 포함하는 제1 노드 그래프 예측정보를 제공하도록 상기 제1 신경망 모델(241)을 트레이닝할 수 있다.
한편, 부동산 애플리케이션(111)은, 소정의 노드 그래프 데이터를 입력으로 하고, 입력된 노드 그래프 데이터의 시점으로부터 소정의 기간이 경과한 미래 시점의 해당 노드 그래프 데이터 내 영향력 정보의 변화를 예측한 정보인 제2 노드 그래프 예측정보를 출력하도록 제2 신경망 모델(242)을 트레이닝할 수 있다.
여기서, 실시예에 따른 부동산 애플리케이션(111)은, 상기 제2 노드 그래프 예측정보를 소정의 노드 그래프 데이터 내 적어도 하나 이상의 영향력 정보 각각에 대한 영향력 예측정보와, 상기 노드 그래프 데이터에 대한 인접행렬 영향력 데이터 셋을 포함하여 구현할 수 있다.
이때, 상기 영향력 정보는, 소정의 시점에서의 소정의 구역(예컨대, 시/군/구, 읍/면/동, 아파트 또는 국가 등) 간 상호 영향관계를 나타내는 정보일 수 있다. 즉, 영향력 정보는 연관된 노드 간 상호 영향관계를 나타내는 정보로서, 실시예에서 엣지를 기초로 제공될 수 있다.
자세히, 상기 영향력 정보는, 연관정도 수치 데이터 및/또는 영향력 변화패턴 정보를 포함할 수 있다.
여기서, 상기 연관정도 수치화 데이터는, 소정의 구역(즉, 노드) 간 상호 영향을 미치는 정도를 수치로 환산하여 나타낸 데이터일 수 있다.
실시예에서, 이러한 연관정보 수치화 데이터는, 소정의 구역 간 거리를 기반으로 결정될 수 있다.
예를 들어, 제1 노드가 '강남구'이고, 제2 노드가 '송파구'일 때 상기 강남구와 상기 송파구 사이의 연관정도 수치화 데이터를 상기 강남구와 상기 송파구 간의 거리에 기초하여 소정의 수치(예컨대, 0.6 등)로 환산해 생성할 수 있다. 이러한 연관정도 수치화 데이터는, 각 노드 별 연관정도 수치를 나타내는 행렬 및/또는 그래프 형태로 구현될 수 있다.
또한, 상기 영향력 변화패턴 정보는, 시간의 흐름에 따른 연관정도 수치화 데이터의 변화패턴을 나타내는 정보일 수 있다.
즉, 영향력 변화패턴 정보는 시간이 경과함에 따라서 각 노드 간 영향관계가 어떠한 패턴을 형성하며 변화하는지를 나타낼 수 있다.
실시예로, 제1 노드(예컨대, '강남구')와 제2 노드(예컨대, '송파구') 간의 연관정도 수치화 데이터가 소정의 기간(예컨대, 3개월 등)이 경과하는 동안에 소정의 임계값 이상으로 증가하는 경우, 상기 제1 노드는 상기 소정의 기간 이전의 상기 제2 노드로부터 실질적인 영향을 받은 것으로 판단될 수 있으며, 그 역 또한 마찬가지일 수 있다.
즉, 실시예에서 영향력 변화패턴 정보는, 일 노드가 외부의 타 노드로부터 어떠한 방식 및/또는 형태의 영향력을 받았는지를 나타낼 수 있다.
이러한 영향력 변화패턴 정보는, 각 엣지 별 영향력 변화패턴을 나타내는 행렬 및/또는 그래프 형태로 구현될 수 있다.
또한, 상기 영향력 예측정보는, 소정의 엣지에 대한 영향력 정보의 시점으로부터 소정의 기간이 경과한 미래 시점에 해당 영향력 정보가 어떻게 변화할 것인지(즉, 해당 영향력 정보 내 각 요소가 어떻게 변화할 것인지)를 예측한 정보일 수 있다.
자세히, 실시예에 따른 부동산 애플리케이션(111)은, StemGNN(Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting)에 기반하여 구현될 수 있는 딥러닝 모델인 제2 신경망 모델(242)에 상술된 바와 같이 생성된 소정의 노드 그래프 데이터를 입력하고, 이를 기초로 상기 제2 신경망 모델(242)이 입력된 노드 그래프 데이터에 대한 영향력 예측정보를 출력하도록 학습시킬 수 있다.
이때, 실시예에서 부동산 애플리케이션(111)은, StemGNN을 이용한 트레이닝을 통해 각 레이어(layer)를 거칠 때 마다 홉(hop)이 커지고 달라진 피처(feature)에 따라 다른 엣지(edge)를 사용하게 할 수 있다.
다시 말해서, 부동산 애플리케이션(111)은, StemGNN을 이용한 트레이닝을 통해 엣지를 생성함으로써 다른 홉(hop) 레벨에 따라 다른 엣지(edge)를 생성할 수 있고 이를 통해 성능의 향상을 도모할 수 있다.
본 발명의 실시예에서는 상술된 제1 신경망 모델(241)이 StemGNN에 기초하여 구현된다고 설명하나 이에 한정되는 것은 아니다.
또한, 실시예에 따른 부동산 애플리케이션(111)은, 상기 제2 노드 그래프 예측정보에 상기 노드 그래프 데이터 내 인접노드 간 영향정도를 나타내는 인접행렬 영향력 데이터 셋을 더 포함할 수 있다.
자세히, 실시예에서 부동산 애플리케이션(111)은, 교차 상관관계(cross correlation) 알고리즘에 기초하여 상기 노드 그래프 데이터에 기반한 상기 인접행렬 영향력 데이터를 생성하도록 상기 제2 신경망 모델(242)을 학습시킬 수 있다.
보다 상세히, 부동산 애플리케이션(111)은, 교차 상관관계 알고리즘과 상기 노드 그래프 데이터 내 엣지 별로 대응되는 영향정도 수치화 데이터 및/또는 표준거리 정보를 이용하여, 상기 노드 그래프 데이터 내 인접노드 간 영향정도(즉, 실시예에서 영향정도 수치화 데이터)를 나타내는 인접행렬 거리 데이터를 생성하게 할 수 있다.
이때, 부동산 애플리케이션(111)은, 입력되는 신호 간 유사도를 측정하는 교차 상관관계 알고리즘을 이용하여 상기 인접행렬 영향력 데이터를 생성하게 함으로써, 제2 신경망 모델(242)이 학습 과정에서 적응적으로 주어지는 영향정도 수치화 데이터에 기초한 인접행렬 영향력 데이터를 생성하게 할 수 있다.
또한, 부동산 애플리케이션(111)은, 교차 상관관계 알고리즘에 기반한 트레이닝을 수행하여, 시계열 형태를 가지는 노드 그래프 데이터 간의 유사도를 직접적으로 비교하고, 해당하는 데이터들이 후행하는 형식으로 유사한지 또는 선행하는 형식으로 유사한지를 판단하게 할 수 있다.
즉, 부동산 애플리케이션(111)은, 교차 상관관계 알고리즘에 기초하여 상기 노드 그래프 데이터에 기반한 상기 인접행렬 영향력 데이터를 생성하도록 상기 제2 신경망 모델(242)을 학습시킴으로써, 학습된 제2 신경망 모델(242)이 주어진 노드(예컨대, 시/군/구, 읍/면/동, 아파트 또는 국가 등) 간 영향을 미치는 흐름의 방향성을 획득하게 할 수 있다.
따라서, 실시예에 따른 부동산 애플리케이션(111)은, 제2 신경망 모델(242)이 주어진 노드 그래프 데이터에 대한 인접행렬을 학습 과정에서 적응적으로 생성하고 관련된 노드 간 영향력 흐름의 방향성을 예측하게 할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 위와 같이 트레이닝된 딥러닝 모델로부터 출력 데이터를 획득할 수 있다. (S105)
자세히, 실시예에서 부동산 애플리케이션(111)은, 예측 서비스 제공서버(200)와 연동하여, 트레이닝된 제1 신경망 모델(241) 및/또는 제2 신경망 모델(242)에 소정의 제1 노드 그래프 데이터를 입력할 수 있다.
또한, 부동산 애플리케이션(111)은, 상기 제1 노드 그래프 데이터를 입력받은 제1 신경망 모델(241) 및/또는 제2 신경망 모델(242)로부터 출력 데이터를 획득할 수 있다.
도 9는 본 발명의 실시예에 따른 제1 노드 그래프 예측정보를 설명하기 위한 도면의 일례이다.
보다 상세히, 도 9를 참조하면, 실시예에서 부동산 애플리케이션(111)은, 제1 노드 그래프 데이터를 제1 신경망 모델(241)에 입력하여 상기 제1 노드 그래프 데이터에 대한 제1 노드 그래프 예측정보를 획득할 수 있다.
즉, 실시예에서 부동산 애플리케이션(111)은, 제1 신경망 모델(241)을 이용하여 상기 제1 노드 그래프 데이터 내 소정의 부동산 정보의 시점으로부터 소정의 기간이 경과한 미래 시점에 해당 부동산 정보가 어떻게 변화할 것인지(즉, 해당 부동산 정보 내 각 요소가 어떻게 변화할 것인지)를 예측한 정보인 부동산 예측정보를 획득할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 제1 신경망 모델(241)을 이용하여 상기 제1 노드 그래프 데이터 내 복수의 노드에 기반한 인접행렬 거리 데이터 셋을 획득할 수 있다.
구체적으로, 실시예에서 부동산 애플리케이션(111)은, 제1 시점에서의 소정의 구역(예컨대, 시/군/구, 읍/면/동, 아파트 또는 국가 등) 별 전세 거래정보(전세 거래량 및 거래가격 등), 월세 거래정보(월세 거래량 및 거래가격 등), 매매 거래정보(매매 거래량 및 거래가격 등), 미분양량, 입주물량 및/또는 전출입량 등을 포함하는 복수의 부동산 정보를 시계열 형태로 포함하는 제1 노드 그래프 데이터를 제1 신경망 모델(241)에 입력할 수 있다.
또한, 부동산 애플리케이션(111)은, 상기 제1 노드 그래프 데이터를 입력받은 제1 신경망 모델(241)로부터 상기 제1 시점으로부터 소정의 기간이 경과한 미래의 제2 시점에서의 상기 시계열 형태의 부동산 정보 각각이 어떻게 변화할 것인지(즉, 해당 부동산 정보 내 각 요소가 어떻게 변화할 것인지)를 예측한 부동산 예측정보를 획득할 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 제1 시점에서의 제1 구역(즉, 제1 노드)가 '강남구'인 경우, 상기 강남구에 대한 전세 거래정보(전세 거래량 및 거래가격 등), 월세 거래정보(월세 거래량 및 거래가격 등), 매매 거래정보(매매 거래량 및 거래가격 등), 미분양량, 입주물량 및/또는 전출입량 등을 포함하는 시계열 형태의 부동산 정보를 포함하는 제1 노드 그래프 데이터를 제1 신경망 모델(241)에 입력할 수 있다. 그리고 본 예시에서 부동산 애플리케이션(111)은, 상기 제1 신경망 모델(241)로부터 소정의 기간(예컨대, n개월 또는 n년 등)이 경과한 미래의 제2 시점에서의 강남구에 대한 전세 거래정보(전세 거래량 및 거래가격 등), 월세 거래정보(월세 거래량 및 거래가격 등), 매매 거래정보(매매 거래량 및 거래가격 등), 미분양량, 입주물량 및/또는 전출입량 등을 포함하는 시계열 형태의 부동산 예측정보를 포함하는 제1 노드 그래프 예측정보를 획득할 수 있다.
즉, 실시예에서 부동산 애플리케이션(111)은, 트레이닝된 제1 신경망 모델(241)을 이용하여 소정의 구역에 대한 미래 부동산 정보 전망치를 예측할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 트레이닝된 제1 신경망 모델(241)에 기반하여 상기 제1 노드 그래프 데이터 내 복수의 노드 간 엣지에 기반한 인접행렬 거리 데이터 셋을 상술된 교차 상관관계 알고리즘을 기초로 획득할 수 있다.
자세히, 부동산 애플리케이션(111)은, 소정의 노드 간 커넥팅을 수행하는 복수의 엣지 별 대응되는 표준거리 데이터를 포함하는 제1 노드 그래프 데이터를 제1 신경망 모델(241)에 입력할 수 있다.
또한, 부동산 애플리케이션(111)은, 상기 제1 노드 그래프 데이터를 입력받은 제1 신경망 모델(241)에서 교차 상관관계 알고리즘을 기초로 획득되는 상기 제1 노드 그래프 데이터에 대한 인접행렬 거리 데이터 셋을 상기 제1 신경망 모델(241)로부터 출력 데이터로 획득할 수 있다.
도 10은 본 발명의 실시예에 따른 제2 노드 그래프 예측정보를 설명하기 위한 도면의 일례이다.
한편, 도 10을 참조하면, 실시예에서 부동산 애플리케이션(111)은, 제1 노드 그래프 데이터를 제2 신경망 모델(242)에 입력하여 상기 제1 노드 그래프 데이터에 대한 제2 노드 그래프 예측정보를 획득할 수 있다.
즉, 실시예에서 부동산 애플리케이션(111)은, 제2 신경망 모델(242)을 이용하여 상기 제1 노드 그래프 데이터 내 소정의 영향력 정보의 시점으로부터 소정의 기간이 경과한 미래 시점에 해당 영향력 정보가 어떻게 변화할 것인지(즉, 해당 영향력 정보 내 각 요소가 어떻게 변화할 것인지)를 예측한 정보인 영향력 예측정보를 획득할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 제2 신경망 모델(242)을 이용하여 상기 제1 노드 그래프 데이터 내 복수의 엣지에 기반한 인접행렬 영향력 데이터 셋을 획득할 수 있다.
구체적으로, 부동산 애플리케이션(111)은, 제1 시점에서의 소정의 구역(예컨대, 시/군/구, 읍/면/동, 아파트 또는 국가 등) 간 상호 영향관계를 나타내는 영향력 정보를 시계열 형태로 포함하는 제1 노드 그래프 데이터를 제2 신경망 모델(242)에 입력할 수 있다.
또한, 부동산 애플리케이션(111)은, 상기 제1 노드 그래프 데이터를 입력받은 제2 신경망 모델(242)로부터 상기 제1 시점으로부터 소정의 기간이 경과한 미래의 제2 시점에서의 상기 시계열 형태의 영향력 정보가 어떻게 변화할 것인지(즉, 해당 영향력 정보 내 각 요소가 어떻게 변화할 것인지)를 예측한 정보인 영향력 예측정보를 획득할 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 제1 시점에서의 제1 구역(즉, 제1 노드)가 '강남구'이고 제2 구역(즉, 제2 노드)가 '송파구'인 경우, 상기 강남구와 상기 송파구를 상호 연결하는 제1 엣지를 포함하는 제1 노드 그래프 데이터를 제2 신경망 모델(242)에 입력할 수 있다. 이때, 상기 제1 엣지는 상기 강남구와 상기 송파구가 상호 어떻게 영향을 미치는 관계인지에 대한 정보를 나타내는 영향력 정보를 포함할 수 있다. 그리고 본 예시에서 부동산 애플리케이션(111)은, 상기 제2 신경망 모델(242)로부터 소정의 기간(예컨대, n개월 또는 n년 등)이 경과한 미래의 제2 시점에서의 상기 강남구와 상기 송파구가 상호 어떻게 영향을 미치는 관계인지를 나타내는 영향력 예측정보를 포함하는 제2 노드 그래프 예측정보를 획득할 수 있다.
이때, 실시예에서 부동산 애플리케이션(111)은, 위와 같이 획득되는 제2 노드 그래프 예측정보 내 시계열 형태의 영향력 예측정보들을, 각각에 대응되는 엣지에 기초하여 저장 및 업데이트할 수 있다.
예를 들어, 부동산 애플리케이션(111)은, 제2 노드 그래프 예측정보 내 상기 제1 엣지에 대한 영향력 예측정보를 상기 제1 엣지에 매칭시켜 저장하거나, 또는 상기 제1 엣지에 기매칭되어 있던 영향력 정보를 상기 영향력 예측정보로 업데이트하여 관리할 수 있다.
즉, 실시예에서 부동산 애플리케이션(111)은, 트레이닝된 제2 신경망 모델(242)을 이용하여 소정의 구역 간의 미래 상호 영향관계를 예측할 수 있고, 이를 수치 등으로 변환하여 제공할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 트레이닝된 제2 신경망 모델(242)에 기반하여 상기 제1 노드 그래프 데이터 내 복수의 엣지에 기반한 인접행렬 영향력 데이터 셋을 상술된 교차 상관관계 알고리즘을 기초로 획득할 수 있다.
자세히, 부동산 애플리케이션(111)은, 소정의 노드 간 커넥팅을 수행하는 복수의 엣지 별 대응되는 영향력 정보(및/또는 영향력 예측정보)를 포함하는 제1 노드 그래프 데이터를 제2 신경망 모델(242)에 입력할 수 있다.
또한, 부동산 애플리케이션(111)은, 상기 제1 노드 그래프 데이터를 입력받은 제2 신경망 모델(242)에서 교차 상관관계 알고리즘을 기초로 획득되는 상기 제1 노드 그래프 데이터에 대한 인접행렬 영향력 데이터 셋을 상기 제2 신경망 모델(242)로부터 출력 데이터로 획득할 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 제1 시점에서의 제1 구역(즉, 제1 노드)가 '강남구'이고 제2 구역(즉, 제2 노드)가 '송파구'인 경우, 상기 강남구와 상기 송파구를 연결하는 제1 엣지의 연관정도 수치화 데이터(예컨대, 0.6 등) 및/또는 영향력 변화패턴 정보(예컨대, 3개월 전 강남구 지역으로부터 송파구 지역이 영향을 받음 등)에 기초하여, 상기 강남구와 상기 송파구 간의 영향관계를 추정할 수 있고, 이를 상기 제1 노드 그래프 데이터에 대한 인접행렬 영향력 데이터에 포함하여 생성할 수 있다.
따라서, 실시예에 따른 부동산 애플리케이션(111)은, 소정의 구역 간 영향관계까지 고려한 분석을 수행해 추후 부동산 거래의 흐름을 보다 명확한 근거를 기초로 정확하게 예측할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 위와 같이 획득된 출력 데이터 간 연관관계를 분석할 수 있다. (S107)
자세히, 실시예에서 부동산 애플리케이션(111)은, 제1 신경망 모델(241)로부터 획득된 제1 노드 그래프 데이터와 제2 신경망 모델(242)로부터 획득된 제2 노드 그래프 데이터 간의 연관관계를 분석할 수 있다.
보다 상세히, 부동산 애플리케이션(111)은, 제1 노드 그래프 데이터의 노드(즉, 소정의 구역) 별 부동산 예측정보와, 제2 노드 그래프 데이터의 노드(즉, 소정의 구역) 간 영향력 예측정보가 상호 대응되는지 여부를 판단하는 연관관계 분석을 수행할 수 있다.
구체적으로, 실시예에서 부동산 애플리케이션(111)은, 부동산 예측정보의 변화패턴과 영향력 예측정보의 변화패턴 간의 일치여부를 판단할 수 있다.
실시예로, 부동산 애플리케이션(111)은, 소정의 기준 이상의 거래량 변화를 가지는 제1 구역(즉, 제1 노드)를 검출할 수 있다.
또한, 부동산 애플리케이션(111)은, 검출된 제1 구역에 연결된 적어도 하나 이상의 엣지 별 대응되는 영향력 정보(및/또는 영향력 예측정보)를 기초로 상기 제1 구역과 적어도 하나 이상의 타 구역 간의 영향관계를 파악할 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 상기 제1 구역과 소정의 제2 구역을 연결하는 제1 엣지의 영향력 정보(및/또는 영향력 예측정보)와, 상기 제1 구역과 소정의 제3 구역을 연결하는 제2 엣지의 영향력 정보(및/또는 영향력 예측정보)를 기초로, 상기 제1 구역이 3개월 전 제2 구역과 6개월 전 제3 구역으로부터 영향을 받았음을 파악할 수 있다.
또한, 부동산 애플리케이션(111)은, 파악된 상기 제1 구역과 적어도 하나 이상의 타 구역 간의 영향관계의 타당성을 검증할 수 있다.
실시예로, 부동산 애플리케이션(111)은, 상기 제1 구역에 대한 부동산 예측정보와, 상기 적어도 하나 이상의 타 구역 각각에 대한 부동산 정보(및/또는 부동산 예측정보)에 기초하여, 상기 제1 구역과 적어도 하나 이상의 타 구역 간 영향관계 타당성을 검증할 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 상기 제1 구역에 대한 부동산 예측정보의 거래량 패턴이 상기 3개월 전 제2 구역의 부동산 정보의 거래량 패턴 및 상기 6개월 전 제3 구역의 부동산 정보의 거래량 패턴과 일치하는지 여부를 판단하여 상기 제1 구역과 상기 제2 구역 및 제3 구역 간의 영향관계 타당성을 검증할 수 있다.
또한, 부동산 애플리케이션(111)은, 상기 영향관계가 타당하다고 판단되는 경우 상기 제1 노드 그래프 데이터 내 소정의 노드(즉, 소정의 구역) 부동산 예측정보와, 제2 노드 그래프 데이터 내 소정의 노드(즉, 소정의 구역) 간 영향력 예측정보가 상호 대응된다고 판단할 수 있다.
따라서, 부동산 애플리케이션(111)은, 실시예에 따른 제1 신경망 모델(241)과 제2 신경망 모델(242)에서 각각 출력되는 데이터가 상호 부합되는 정보들을 나타내고 있는지 검증할 수 있고, 이를 통해 상기 딥러닝 모델들에 기초한 부동산 거래정보 예측 서비스에서 제공하는 정보의 정확성과 신뢰성을 증진시킬 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 상기 분석된 연관관계를 기초로 부동산 거래 흐름정보를 생성할 수 있다. (S109)
여기서, 실시예에 따른 상기 부동산 거래 흐름정보란, 소정의 구역(예컨대, 시/군/구, 읍/면/동, 아파트 또는 국가 등)에 대한 부동산 정보가 전체 구역에 대한 컨텍스트(context) 상에서 어떻게 변화하고 파급되는지를 예측 및 분석한 정보일 수 있다.
즉, 실시예에서 상기 부동산 거래 흐름정보는, 소정의 구역의 부동산 정보에 관련된 변화 흐름을 분석하여 나타낸 수요 예측정보일 수 있다.
자세히, 다시 말해서 상기 부동산 거래 흐름정보는, 소정의 구역에 대한 부동산 정보(실시예에서, 전세 거래정보(전세 거래량 및 거래가격 등), 월세 거래정보(월세 거래량 및 거래가격 등), 매매 거래정보(매매 거래량 및 거래가격 등), 미분양량, 입주물량 및/또는 전출입량 등)에 관련된 변화 흐름을 분석하여 나타낸 정보일 수 있다.
이때, 실시예에서 상기 부동산 거래 흐름정보는, 풍선효과와 관련된 부동산 거래 흐름을 분석하여 나타낸 정보일 수 있다.
여기서, 상기 풍선효과란, 소정의 구역(예컨대, 시/군/구, 읍/면/동, 아파트 또는 국가 등)에서의 거래량이 증가하면 그 주변 구역 또는 유사 구역으로 거래량이 증가하는 현상이 파급되는 효과를 의미할 수 있다.
본 발명의 실시예에서는 부동산 거래 흐름정보를 풍선효과를 나타내는 부동산 거래 흐름정보에 기준하여 설명하나 이는 일례일 뿐, 부동산 거래와 관련된 각종 변화의 플로우(flow)를 나타내는 어떠한 데이터로도 부동산 거래 흐름정보가 가공되어 제공될 수 있다.
자세히, 실시예에서 부동산 애플리케이션(111)은, 연관관계 분석을 통하여 검증된 제1 노드 그래프 데이터와 제2 노드 그래프 데이터를 기초로 부동산 거래 흐름정보를 생성할 수 있다.
보다 상세히, 실시예에서 부동산 애플리케이션(111)은, 상기 검증된 제1 노드 그래프 데이터의 부동산 정보(및/또는 부동산 예측정보)와 상기 검증된 제2 노드 그래프 데이터의 영향력 정보(및/또는 영향력 예측정보)에 기초하여 각각의 구역(즉, 노드) 별 부동산 거래 흐름정보를 생성할 수 있다.
구체적으로, 실시예에서 부동산 애플리케이션(111)은, 소정의 제1 구역과 소정의 제2 구역에 대한 시계열 형태의 부동산 정보(및/또는 부동산 예측정보)와 영향력 정보(및/또는 영향력 예측정보)를 기초로, 시간이 경과함에 따른 상기 제1 구역과 상기 제2 구역의 부동산 정보(및/또는 부동산 예측정보) 간의 영향관계를 나타내는 변화 관계성을 도출할 수 있다.
또한, 부동산 애플리케이션(111)은, 도출된 상기 제1 구역과 상기 제2 구역 간의 변화 관계성에 기초한 부동산 거래 흐름정보를 생성할 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 상기 소정의 제1 구역과 소정의 제2 구역에 대한 시계열 형태의 부동산 정보(및/또는 부동산 예측정보)와 영향력 정보(및/또는 영향력 예측정보)를 기초로, 상기 제1 구역이 3개월 후 제2 구역의 부동산 정보에 영향을 준다는 변화 관계성을 도출하고 이를 기초로 부동산 거래 흐름정보를 생성할 수 있다.
자세히, 실시예에서 부동산 애플리케이션(111)은, 1) 상기 제1 구역과 제2 구역 각각의 부동산 정보와 부동산 예측정보를 기초로 상기 제1 구역과 상기 제2 구역 각각의 부동산 정보에 대한 변화 흐름을 검출할 수 있다.
예를 들어, 부동산 애플리케이션(111)은, 제1 구역의 부동산 정보와 부동산 예측정보를 기초로 소정의 기간이 경과한 미래 시점에 상기 제1 구역의 거래량이 20% 증가하고 거래가격이 15% 증가한다는 제1 부동산 정보의 변화 흐름을 검출할 수 있다. 동일한 방식으로, 부동산 애플리케이션(111)은, 제2 구역의 부동산 정보와 부동산 예측정보를 기초로 소정의 기간이 경과한 미래 시점에 상기 제2 구역의 거래량이 15% 증가하고 거래가격이 20% 증가한다는 제2 부동산 정보의 변화 흐름을 검출할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 2) 상기 제1 구역과 제2 구역 간의 영향력 정보와 영향력 예측정보를 기초로 상기 제1 구역과 제2 구역 각각에 대한 부동산 정보의 변화 흐름 간의 관계성을 분석할 수 있다.
자세히, 부동산 애플리케이션(111)은, 상기 제1 구역과 상기 제2 구역을 연결하는 엣지에 기반한 영향력 정보와 영향력 예측정보 및 상기 제1 구역에 대한 제1 부동산 정보 변화 흐름과 상기 제2 구역에 대한 제2 부동산 정보 변화 흐름에 기초하여, 상기 제1 구역과 상기 제2 구역에서 발생된 부동산 정보의 변화 흐름 간의 상호 관계성을 분석할 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 상기 제1 구역과 상기 제2 구역 간의 영향력 정보와 영향력 예측정보 및 상기 제1 구역에 대한 제1 부동산 정보 변화 흐름과 상기 제2 구역에 대한 제2 부동산 정보 변화 흐름에 기초하여, 상기 제1 구역이 3개월 후 제2 구역의 부동산 정보에 영향을 준다는 변화 흐름 간의 상호 관계성을 도출할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 3) 위와 같이 도출된 부동산 정보의 변화 흐름 간의 관계성을 기초로 부동산 거래 흐름정보를 생성할 수 있다.
실시예로, 부동산 애플리케이션(111)은, 상기 제1 구역과 상기 제2 구역의 부동산 정보 변화 흐름 간의 관계성 분석을 토대로, 상기 제1 구역과 상기 제2 구역 간의 변화 방향성 및/또는 변화 영향정도 등의 정보를 포함하는 부동산 거래 흐름정보를 생성할 수 있다.
여기서, 상기 변화 방향성이란, 어떠한 구역에서 어떠한 구역으로 부동산 정보를 변화시키는 영향력이 파급되는지를 나타내는 방향정보를 의미할 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 상기 제1 구역이 3개월 후 제2 구역의 부동산 정보에 영향을 주는 경우, 상기 제1 구역으로부터 상기 제2 구역으로 향하는 방향을 가지는 변화 방향성 정보를 생성할 수 있다.
또한, 여기서 상기 변화 영향정도란, 어떠한 구역에서 어떠한 구역으로 부동산 정보를 변화시키는 영향력의 크기정보를 의미할 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 상기 제1 구역이 3개월 후 제2 구역의 거래량을 소정의 퍼센트(예컨대, 5% 등)만큼 증가시키고, 거래가격을 소정의 퍼센트(예컨대, 3% 등)만큼 증가시킨다는 변화 영향정도 정보를 생성할 수 있다.
구체적으로, 실시예에서 부동산 애플리케이션(111)은, 상기 검증된 제1 노드 그래프 데이터의 부동산 정보(및/또는 부동산 예측정보)와 상기 검증된 제2 노드 그래프 데이터의 영향력 정보(및/또는 영향력 예측정보)에 기초하여 위와 같이 획득된 변화 방향성 및/또는 변화 영향정도 등의 정보를 기초로, '각 구역명, 다음 영향 전파구역명, 예측되는 거래 증가량 및/또는 예측되는 거래가격 증감범위' 등의 정보를 포함하는 형태로 가공된 부동산 거래 흐름정보를 생성할 수 있다.
예를 들어, 부동산 애플리케이션(111)은, 상기 검증된 제1 노드 그래프 데이터의 부동산 정보(및/또는 부동산 예측정보)와 상기 검증된 제2 노드 그래프 데이터의 영향력 정보(및/또는 영향력 예측정보)에 기초하여, '{지역 A, (다음 전파 지역 B, 예측되는 거래 증가량, 예측되는 거래가격 증감범위)}', '{지역 A, (다음 전파 지역 C, 예측되는 거래 증가량, 예측되는 거래가격 증감범위)}', '{지역 A, (다음 전파 지역 D, 예측되는 거래 증가량, 예측되는 거래가격 증감범위)}', '{지역 B, (다음 전파 지역 E, 예측되는 거래 증가량, 예측되는 거래가격 증감범위)}', '{지역 C, (다음 전파 지역 G, 예측되는 거래 증가량, 예측되는 거래가격 증감범위)}', '{지역 G, (다음 전파 지역 H, 예측되는 거래 증가량, 예측되는 거래가격 증감범위)}' 및 '{지역 G, (다음 전파 지역 I, 예측되는 거래 증가량, 예측되는 거래가격 증감범위)}'의 형태로 가공된 부동산 거래 흐름정보를 생성할 수 있다.
이와 같이, 실시예에서 부동산 애플리케이션(111)은, 상술된 제1 신경망 모델(241)과 제2 신경망 모델(242)에 기초한 딥러닝 그래프 네트워크를 기초로, 소정의 기간이 경과한 미래 시점에 각 구역 별 부동산 정보가 어떻게 변화할 것인지를 예측하고, 예측된 각 구열 별 변화의 흐름 간 관계성을 분석하여 소정의 구역에 대한 부동산 정보가 전체 구역에 대한 부동산 정보 컨텍스트(context) 상에서 어떻게 변화하며 영향을 주고받아 왔는지를 분석해 제공할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 위와 같이 생성된 부동산 거래 흐름정보를 시각화하여 제공할 수 있다. (S111)
자세히, 실시예에서 부동산 애플리케이션(111)은, 위와 같이 생성된 부동산 거래 흐름정보를 다양한 인터페이스를 기초로 시각화하여 제공할 수 있다.
보다 상세히, 실시예에서 부동산 애플리케이션(111)은, 1) 지도 뷰(Map) 인터페이스를 이용하여 소정의 구역에 대한 부동산 거래 흐름정보를 제공할 수 있다.
도 11 내지 도 14는 본 발명의 실시예에 따른 지도 뷰(Map) 인터페이스를 기초로 부동산 거래 흐름정보를 제공하는 방법을 설명하기 위한 도면의 일례들이다.
보다 상세히, 도 11을 참조하면, 실시예에서 부동산 애플리케이션(111)은, 1-1] 상기 지도 뷰 인터페이스를 이용하여 사용자에 의해 선택된 소정의 제1 선택 구역(CA)(즉, 제1 선택 노드)에 대한 부동산 거래 흐름정보를 제공할 수 있다.
구체적으로, 실시예에서 부동산 애플리케이션(111)은, 복수의 구역(즉, 노드) 각각을 포함하는 지도 뷰를 제공하는 지도 뷰 인터페이스를 제공할 수 있다.
또한, 부동산 애플리케이션(111)은, 제공된 지도 뷰 인터페이스를 기초로 상기 복수의 구역 중 어느 하나의 구역을 선택하는 사용자 입력을 획득할 수 있다.
또한, 부동산 애플리케이션(111)은, 획득된 사용자 입력에 따라서 선택된 제1 선택 구역(CA)(즉, 제1 선택 노드)에 대한 부동산 거래 흐름정보를 상기 지도 뷰 상에 시각화하여 제공할 수 있다.
즉, 부동산 애플리케이션(111)은, 선택된 제1 선택 구역(CA)에 대한 부동산 정보(실시예에서, 전세 거래정보(전세 거래량 및 거래가격 등), 월세 거래정보(월세 거래량 및 거래가격 등), 매매 거래정보(매매 거래량 및 거래가격 등), 미분양량, 입주물량 및/또는 전출입량 등)가 전체 구역에 대한 부동산 정보의 컨텍스트(context) 상에서 어떻게 변화하고 파급되어 왔는지를 지도 뷰 상에서 시각화하여 제공할 수 있다.
이때, 실시예에서 부동산 애플리케이션(111)은, 제1 선택 구역(CA)에 대한 부동산 정보가 전체 부동산 정보 컨텍스트 상에서 어떻게 변화되어 왔는지를 상기 지도 뷰 상에 소정의 시각화 기호를 이용하여 표시함으로써 시각화해 제공할 수 있다.
실시예에서, 상기 시각화 기호는, 제1 선택 구역(CA)을 나타내는 기준구역 기호(예컨대, 빗금으로 채워진 원형 내 제1 선택 구역(CA)명을 표시한 기호 등)와, 상기 제1 선택 구역(CA)의 부동산 거래 흐름정보와 연관된 연관 구역(AA)(실시예에서, 다음 영향 전파구역, 이전 피영향 전파구역 등)을 나타내는 영향구역 기호(예컨대, 원형 내 해당하는 연관 구역명을 표시한 기호 등)와, 상기 제1 선택 구역(CA)과 상기 연관 구역(AA) 간의 부동산 거래 흐름정보(실시예에서, 변화 방향성 및/또는 변화 영향정도 정보 등)를 시각화하여 나타내는 화살표 기호(AR) 등을 포함할 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 상기 지도 뷰 인터페이스를 기초로 상기 시각화 기호를 이용하여 제1 선택 구역(CA)과 소정의 연관 구역(AA)들 간의 부동산 거래 흐름정보 즉, 변화 방향성 및/또는 변화 영향정도 정보를 도 11과 같이 시각화해 제공할 수 있다.
따라서, 부동산 애플리케이션(111)은, 사용자가 확인하고자 하는 특정 구역에 대한 부동산 정보의 흐름(즉, 실시예에서 풍선효과)을 시계열에 따라서 지도 뷰를 통해 쉽고 직관적으로 파악하게 할 수 있다.
또한, 도 12를 참조하면, 실시예에서 부동산 애플리케이션(111)은, 상기 지도 뷰 인터페이스에 기초하여 상기 제1 선택 구역(CA)에 대한 부동산 거래 흐름정보를 텍스트로 시각화하여 더 제공할 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 상기 제1 선택 구역(CA)과 상기 연관 구역(AA) 간의 부동산 거래 흐름정보를 나타내는 화살표 기호(AR) 상에 상기 부동산 거래 흐름정보의 세부적인 데이터값(예컨대, 상기 제1 선택 구역(CA)이 3개월 후 소정의 연관 구역(AA)의 거래량을 소정의 퍼센트(예컨대, 5% 등)만큼 증가시키고, 거래가격을 소정의 퍼센트(예컨대, 3% 등)만큼 증가시킨다는 변화 영향정도 데이터값 등)을 텍스트로 표시할 수 있다.
또한, 부동산 애플리케이션(111)은, 상기 제1 선택 구역(CA)에 영향을 미친 적어도 하나의 과거의 연관 구역(미도시)을 표시하고, 상기 과거의 연관 구역이 제1 선택 구역(CA) 간 부동산 거래 흐름정보를 나타내는 화살표 기호와, 상기 부동산 거래 흐름정보의 세부적인 데이터값을 더 표시할 수 있다.
또한, 도 12를 더 참조하면, 실시예에서 부동산 애플리케이션(111)은, 상기 지도 뷰 인터페이스에 기초하여 각각의 구역에 대한 부동산 정보의 변화 흐름정보(즉, 각 구역의 부동산 정보와 부동산 예측정보를 기초로 획득된 변화 흐름 데이터)를 텍스트로 시각화하여 더 제공할 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 상기 지도 뷰 인터페이스 상에 상기 제1 선택 구역(CA)(예컨대, 지역 A)의 거래량은 20% 증가하고 거래가격은 15% 증가하며, 소정의 제1 타 구역(예컨대, 지역 C)의 거래량은 15% 증가하고 거래가격은 20% 증가하고, 소정의 제2 타 구역(예컨대, 지역 G)의 거래량은 10% 증가하고 거래가격은 15% 증가한다는 각 구역 별 부동산 정보의 변화 흐름을 텍스트로 표시할 수 있다.
따라서, 부동산 애플리케이션(111)은, 사용자가 확인하고자 하는 특정 구역에 대한 부동산 정보의 흐름(즉, 실시예에서 풍선효과)을 지도 뷰 상에서 보다 소상하게 시각화하여 제공할 수 있다.
한편, 도 13을 참조하면, 실시예에서 부동산 애플리케이션(111)은, 1-2] 상기 지도 뷰 인터페이스를 이용하여 풍선효과가 발생한 구역 전체에 대한 부동산 거래 흐름정보를 제공할 수 있다.
자세히, 부동산 애플리케이션(111)은, 복수의 구역(즉, 노드) 각각을 포함하는 지도 뷰를 제공하는 지도 뷰 인터페이스를 제공할 수 있다.
또한, 부동산 애플리케이션(111)은, 상기 복수의 구역 각각에 대하여 생성된 부동산 거래 흐름정보를 기초로, 풍선효과가 발생한 구역(BEO: 이하, 풍선효과 발생 구역) 및/또는 풍선효과가 발생할 것으로 예상되는 구역(BEE: 이하, 풍선효과 예상 구역)을 검출할 수 있다.
예를 들어, 부동산 애플리케이션(111)은, 신경망 모델을 분석하여 기 검출된 기존 풍선효과 흐름의 일부와 소정의 수치 범위 내로 인접한 현재 풍선효과의 흐름을 검출함으로써, 풍선효과가 발생한 구역을 검출할 수 있다.
또한, 부동산 애플리케이션(111)은, 기 설정된 제1 거래량 증가값 이상의 구역이 검출되거나, 기 설정된 제1 거래가격 증가값 이상이 검출되면, 해당 구역을 중심으로 풍선효과가 발생한 구역으로 검출할 수 있다.
그리고 부동산 애플리케이션(111)은, 검출된 풍선효과 발생 구역(BEO) 및/또는 풍선효과 예상 구역(BEE)에 대한 부동산 거래 흐름정보를 상술된 시각화 기호 및/또는 텍스트 등을 이용하여 상기 지도 뷰 인터페이스 상에 시각화하여 표시할 수 있다.
이때, 실시예에서 부동산 애플리케이션(111)은, 상기 풍선효과 발생 구역(BEO)과 상기 풍선효과 예상 구역(BEE)을 상호 구분하여 표시할 수 있다.
예를 들어, 부동산 애플리케이션(111)은, 기존 부동산 풍선효과 흐름의 전단부와 소정의 수치범위 내에서 일치하는 부동산 정보 변화를 가지는 제1 구역들을 상기 풍선효과 발생구역(BEO)로 결정하고, 기존 부동산 풍선효과 흐름의 후반부에 대한 제2 구역들을 상기 풍선효과 예상 구역(BEE)로 결정할 수 있다.
그리고 부동산 애플리케이션(111)은, 풍선효과 발생 구역(BEO)에 포함되는 적어도 하나 이상의 구역을 그룹화(영역화)하여 표시하고, 풍선효과 예상 구역(BEE)에 포함되는 적어도 하나 이상의 구역을 그룹화(영역화)하여 표시할 수 있다.
이때, 실시예에 따라서 부동산 애플리케이션(111)은, 상기 풍선효과 발생 구역(BEO)과 상기 풍선효과 예상 구역(BEE)을 보다 확실하게 구분할 수 있도록 상기 각 구역 그룹화 영역을 서로 다른 색상, 무늬 및/또는 기호 등으로 나타낼 수 있다.
예를 들어, 도 13를 더 참조하면, 부동산 애플리케이션(111)은, 풍선효과 발생 구역(BEO)을 표시하는 영역을 제1 색상(예컨대, 빨강 등) 또는 제1 패턴(예컨대, 빗금 패턴 등)으로 표시하고, 풍선효과 예상 구역(BEE)을 표시하는 영역을 제2 색상(예컨대, 파랑 등) 또는 제2 패턴(예컨대, 패턴 없음 등)으로 상기 지도 뷰 인터페이스 상에 표시할 수 있다.
따라서, 부동산 애플리케이션(111)은, 풍선효과가 발생했거나 또는 발생할 것으로 예상되는 모든 구역에 대한 부동산 정보의 흐름을 지도 뷰를 통해 한 눈에 파악할 수 있도록 시각화하여 제공할 수 있다.
또한, 도 14를 참조하면, 실시예에서 부동산 애플리케이션(111)은, 상기 부동산 거래 흐름정보를 기초로, 상기 풍선효과 발생 구역(BEO) 및/또는 풍선효과 예상 구역(BEE) 내 소정의 구역에 대한 투자 추천정보를 생성하여 상기 지도 뷰 인터페이스를 기초로 제공할 수 있다.
여기서, 실시예에 따른 상기 투자 추천정보란, 소정의 미래 시점에 소정의 제1 구역에 대하여 예측되는 최대 거래량 및/또는 최대 거래가격 증감량에 대비하여, 현재 시점에 형성되어 있는 상기 제1 구역에 대한 거래량 및/또는 거래가격 증감량이 더 낮은 경우 즉, 상기 제1 구역에 대한 현재 거래량 및/또는 거래가격 증감량이 앞으로 시간이 경과함에 따라서 더 증가할 것으로 예측되는 경우, 상기 제1 구역을 투자(즉, 매수 등)에 적합한 구역으로 추천하는 정보를 의미할 수 있다.
자세히, 실시예에서 부동산 애플리케이션(111)은, 상기 검출된 풍선효과 발생 구역(BEO) 및/또는 풍선효과 예상 구역(BEE) 내 소정의 제1 구역에 대한 부동산 거래 흐름정보를 기초로, 상기 제1 구역이 소정의 미래 시점에 가질 수 있다고 예측되는 최대 거래량 및/또는 최대 거래가격 증감량을 획득할 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 지역 A에 대한 부동산 거래 흐름정보에 기초하여 상기 지역 A가 소정의 미래에 가질 수 있다고 예측되는 최대 거래량이 20%이고 최대 거래가격 증감량이 +15%임을 획득할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 상기 제1 구역에 대한 현재 시점의 부동산 정보에 기초하여 상기 제1 구역의 현재 거래량 및/또는 현재 거래가격 증감량을 획득할 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 지역 A에 대한 부동산 정보에 기초하여 상기 지역 A의 현재 거래량이 5%이고 현재 거래가격 증감량이 +3%임을 획득할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 제1 구역에 대하여 위와 같이 획득된 최대 거래량 및/또는 최대 거래가격 증감량과, 현재 거래량 및/또는 현재 거래가격을 상호 비교할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 상기 비교의 결과 상기 제1 구역에 대한 현재 시점의 거래량 및/또는 거래가격이 소정의 미래 시점에 가질 수 있는 최대 거래량 및/또는 거래가격에 비하여 낮다고 판단되는 경우 즉, 상기 제1 구역에 대한 거래량 및/또는 거래가격이 앞으로 시간이 경과함에 따라서 더 증가할 것으로 예측되는 경우, 상기 제1 구역을 투자 추천정보에 포함시킬 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 지역 A의 소정의 미래 시점의 최대 거래량이 20%이고 최대 거래가격 증감량이 +15%이며, 상기 지역 A의 현재 시점의 현재 거래량이 5%이고 현재 거래가격 증감량이 +3%인 경우, 상기 지역 A의 거래량 및/또는 거래가격 증감량이 시간이 경과함에 따라서 증가할 것으로 판단할 수 있고, 상기 지역 A를 투자 추천정보에 포함시킬 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 위와 같은 투자 추천정보를 지도 뷰 인터페이스를 기초로 시각화하여 제공할 수 있다.
자세히, 실시예로 부동산 애플리케이션(111)은, 상기 투자 추천정보에 포함된 소정의 제1 구역을 상기 지도 뷰 인터페이스 상에서 강조 표시(MH)함으로써 시각화하여 제공할 수 있다.
즉, 실시예에서 부동산 애플리케이션(111)은, 딥러닝 그래프 네트워크 모델을 활용하여 구역 별 거래량 및/또는 거래가격 등의 변화에 따른 수요 예측을 수행할 수 있고, 이를 기초로 사용자에게 유용한 투자 정보(즉, 실시예에서 투자 추천정보)를 지도 뷰 인터페이스에 기반한 그래픽 이미지로 제공할 수 있다.
한편, 실시예에서 부동산 애플리케이션(111)은, 2) 리스트 뷰(List) 인터페이스를 이용하여 소정의 구역에 대한 부동산 거래 흐름정보를 제공할 수 있다.
도 15 내지 도 18은 본 발명의 실시예에 따른 리스트 뷰(List) 인터페이스를 기초로 부동산 거래 흐름정보를 제공하는 방법을 설명하기 위한 도면의 일례들이다.
자세히, 도 15를 참조하면, 실시예에서 부동산 애플리케이션(111)은, 2-1] 상기 리스트 뷰 인터페이스를 이용하여 유저에 의해 선택된 소정의 제1 구역(즉, 제1 노드)에 대한 부동산 거래 흐름정보를 제공할 수 있다.
보다 상세히, 부동산 애플리케이션(111)은, 소정의 구역(즉, 노드)에 대한 부동산 거래 흐름정보를 시계열에 따라서 리스트 형식으로 제공하는 리스트 뷰 인터페이스를 제공할 수 있다.
또한, 부동산 애플리케이션(111)은, 제공된 리스트 뷰 인터페이스를 기초로 복수의 구역 중 어느 하나의 구역을 선택하는 사용자 입력을 획득할 수 있다.
또한, 부동산 애플리케이션(111)은, 획득된 사용자 입력에 따라서 선택된 제1 선택 구역(CA)(즉, 제1 선택 노드)에 대한 부동산 거래 흐름정보를 상기 리스트 뷰 형식으로 시각화하여 제공할 수 있다.
즉, 부동산 애플리케이션(111)은, 선택된 제1 선택 구역(CA)에 대한 부동산 정보(실시예에서, 전세 거래정보(전세 거래량 및 거래가격 등), 월세 거래정보(월세 거래량 및 거래가격 등), 매매 거래정보(매매 거래량 및 거래가격 등), 미분양량, 입주물량 및/또는 전출입량 등)가 전체 구역에 대한 부동산 정보의 컨텍스트(context) 상에서 어떻게 변화하고 파급되어 왔는지를 시계열에 따른 리스트 뷰 형식으로 시각화하여 제공할 수 있다.
자세히, 도 15를 더 참조하면, 실시예로 부동산 애플리케이션(111)은, 상기 제1 선택 구역(CA)을 리스트 상의 루트 노드(root node)로 설정할 수 있다.
또한, 부동산 애플리케이션(111)은, 상기 제1 선택 구역(CA)을 나타내는 루트 노드를 시작으로 적어도 하나 이상의 서브 노드(sub node) 및 화살표 기호(AR)에 기초하여 뻗어나가는 형태의 리스트 형식으로 상기 제1 선택 구역(CA)에 대한 부동산 거래 흐름정보를 시각화할 수 있다.
여기서, 상기 서브 노드 각각은 상기 제1 선택 구역(CA)의 부동산 거래 흐름정보와 연관되는 연관 구역(AA)을 의미할 수 있다. 또한, 상기 화살표 기호(AR)는 상기 제1 선택 구역(CA)과 상기 연관 구역(AA) 간의 부동산 거래 흐름정보(실시예에서, 변화 방향성 및/또는 변화 영향정도 정보 등)를 시각화하여 나타낼 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 제1 선택 구역(CA)이 'A' 구역이고 상기 'A' 구역의 부동산 거래 흐름정보 상에서 상기 'A' 구역이 'B' 구역, 'C' 구역 및 'D' 구역의 부동산 정보에 영향을 미치는 경우, 상기 'A' 구역 노드로부터 상기 'B' 구역, 'C' 구역 및 'D' 구역 노드로 뻗어나가는 화살표 기호(AR)를 통해 제1 리스트 레이어(layer)를 구축할 수 있다.
또한, 본 예시에서 부동산 애플리케이션(111)은, 상기 'B' 구역이 'E' 구역 및 'F' 구역의 부동산 정보에 영향을 미치는 경우, 상기 'B' 구역 노드로부터 상기 'E' 구역 및 'F' 구역 노드로 뻗어나가는 화살표 기호(AR)를 통해 제2 리스트 레이어를 구축할 수 있다.
또한, 본 예시에서 부동산 애플리케이션(111)은, 상기 'C' 구역이 'G' 구역의 부동산 정보에 영향을 미치는 경우, 상기 'C' 구역 노드로부터 상기 'G' 구역 노드로 뻗어나가는 화살표 기호(AR)를 통해 제2 리스트 레이어를 더 구축할 수 있다.
또한, 본 예시에서 부동산 애플리케이션(111)은, 상기 'G' 구역이 'H' 구역 및 'I' 구역의 부동산 정보에 영향을 미치는 경우, 상기 'G' 구역 노드로부터 상기 'H' 구역 및 'I' 구역 노드로 뻗어나가는 화살표 기호(AR)를 통해 제3 리스트 레이어를 구축할 수 있다.
이때, 상기 'B' 구역, 'C' 구역, 'D' 구역, 'E' 구역, 'F' 구역, 'G' 구역, 'H' 구역 및 'I' 구역은 모두 상기 제1 선택 구역(CA)인 'A' 구역의 연관 구역(AA)일 수 있다.
즉, 본 예시에서 부동산 애플리케이션(111)은, 제1 선택 구역(CA)이 'A' 구역인 경우 해당 'A' 구역의 부동산 거래 흐름정보에 기초하여 'A 구역 -> (B 구역, C 구역, D 구역), B 구역 -> (E 구역, F 구역), C 구역 -> G 구역, G 구역 -> (H 구역, I 구역)'를 나타내는 리스트를 생성할 수 있다.
또한, 본 예시에서 부동산 애플리케이션(111)은, 위와 같이 생성된 제1 선택 구역(CA)(즉, 'A' 구역)에 대한 리스트를 출력해 제공함으로써, 상기 제1 선택 구역(CA)(즉, 'A' 구역)에 대한 부동산 거래 흐름정보의 시각화를 구현할 수 있다.
따라서, 부동산 애플리케이션(111)은, 사용자가 확인하고자 하는 특정 구역에 대한 부동산 정보의 흐름(즉, 실시예에서 풍선효과)을 시계열에 따른 간단 명료한 형태의 리스트 형식으로 빠르고 쉽게 가공하여 제공할 수 있다.
또한, 도 16을 참조하면, 실시예에서 부동산 애플리케이션(111)은, 상기 리스트 뷰 인터페이스에 기초하여 상기 제1 선택 구역(CA)에 대한 부동산 거래 흐름정보를 텍스트로 시각화하여 더 제공할 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 상기 제1 선택 구역(CA)과 상기 연관 구역(AA) 간의 부동산 거래 흐름정보를 나타내는 화살표 기호(AR) 상에 상기 부동산 거래 흐름정보의 세부적인 데이터값(예컨대, 상기 제1 선택 구역(CA)이 3개월 후 소정의 연관 구역(AA)의 거래량을 소정의 퍼센트(예컨대, 5% 등)만큼 증가시키고, 거래가격을 소정의 퍼센트(예컨대, 3% 등)만큼 증가시킨다는 변화 영향정도 데이터값 등)을 텍스트로 표시할 수 있다.
또한, 도 16을 더 참조하면, 실시예에서 부동산 애플리케이션(111)은, 상기 리스트 뷰 인터페이스에 기초하여 각각의 구역에 대한 부동산 정보의 변화 흐름정보(즉, 각 구역의 부동산 정보와 부동산 예측정보를 기초로 획득된 변화 흐름 데이터)를 텍스트로 시각화하여 더 제공할 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 상기 리스트 뷰 인터페이스 상에 상기 제1 선택 구역(CA)의 거래량은 20% 증가하고 거래가격은 15% 증가하며, 소정의 타 구역의 거래량은 15% 증가하고 거래가격은 20% 증가한다는 각 구역 별 부동산 정보의 변화 흐름을 대응되는 각 노드 상에 텍스트로 표시할 수 있다.
따라서, 부동산 애플리케이션(111)은, 사용자가 확인하고자 하는 특정 구역에 대한 부동산 정보의 흐름(즉, 실시예에서 풍선효과)을 리스트를 통하여 보다 자세하고 명확하게 시각화하여 제공할 수 있다.
한편, 도 17을 참조하면, 실시예에서 부동산 애플리케이션(111)은, 2-2] 상기 리스트 뷰를 이용하여 풍선효과가 발생한 구역 전체에 대한 부동산 거래 흐름정보를 제공할 수 있다.
자세히, 부동산 애플리케이션(111)은, 복수의 구역 각각에 대하여 생성된 부동산 거래 흐름정보를 기초로, 풍선효과 발생 구역(BEO) 및/또는 풍선효과 예상 구역(BEE)을 검출할 수 있다.
또한, 부동산 애플리케이션(111)은, 검출된 풍선효과 발생 구역(BEO) 및/또는 풍선효과 예상 구역(BEE)에 대한 부동산 거래 흐름정보를 상술된 리스트 뷰 인터페이스를 이용하여 시각화해 제공할 수 있다.
이때, 실시예에서 부동산 애플리케이션(111)은, 상기 풍선효과 발생 구역(BEO) 및/또는 풍선효과 예상 구역(BEE)이 복수 개 검출된 경우, 상기 검출된 복수의 구역 중 적어도 일부에 대한 복수의 리스트(L1, L2, …: ML)를 생성하여 각 구역 별 리스트 뷰 형식의 부동산 거래 흐름정보를 제공하거나, 또는 상기 검출된 복수 개의 구역 중 어느 하나를 소정의 기준(예컨대, 가장 넓은 범위에 걸친 풍선효과를 가지는 구역 등)에 따라서 선정하여 해당하는 구역에 대한 리스트 뷰 형식의 부동산 거래 흐름정보를 제공할 수 있다.
실시예로, 부동산 애플리케이션(111)은, 상기 검출된 풍선효과 발생 구역(BEO) 및/또는 풍선효과 예상 구역(BEE)이 포함하는 복수의 구역 중에서, 적어도 하나의 구역을 상기 리스트의 루트 노드(RN)로 설정할 수 있다.
또한, 부동산 애플리케이션(111)은, 상기 설정된 루트 노드(RN)를 시작으로 상기 루트 노드(RN)에 대응되는 구역의 부동산 거래 흐름정보를 적어도 하나 이상의 서브 노드 및 화살표 기호(AR)를 이용하여 리스트 형식으로 시각화할 수 있다.
또한, 부동산 애플리케이션(111)은, 상기 루트 노드(RN)와 관련된 구역의 부동산 거래 흐름정보 및/또는 부동산 정보의 변화 흐름정보를 텍스트로 시각화하여 상기 리스트 상에 더 표시해 제공할 수 있다.
이때, 도 18을 참조하면, 실시예에서 부동산 애플리케이션(111)은, 상기 부동산 거래 흐름정보를 기초로, 상기 풍선효과 발생 구역(BEO) 및/또는 풍선효과 예상 구역(BEE) 내 소정의 구역에 대한 투자 추천정보를 생성하여 상기 리스트 뷰 인터페이스를 기초로 제공할 수 있다.
다시 말하면, 실시예에 따른 상기 투자 추천정보는, 소정의 미래 시점에 소정의 제1 구역에 대하여 예측되는 최대 거래량 및/또는 최대 거래가격 증감량에 대비하여, 현재 시점에 형성되어 있는 상기 제1 구역에 대한 거래량 및/또는 거래가격 증감량이 더 낮은 경우 즉, 상기 제1 구역에 대한 현재 거래량 및/또는 거래가격 증감량이 앞으로 시간이 경과함에 따라서 더 증가할 것으로 예측되는 경우, 상기 제1 구역을 매수에 적합한 구역으로 추천하는 정보를 의미할 수 있다.
이하, 상술된 투자 추천정보 생성 방법에 대한 기재와 중복되는 설명은 요약되거나 생략될 수 있다.
자세히, 실시예에서 부동산 애플리케이션(111)은, 상기 검출된 풍선효과 발생 구역(BEO) 및/또는 풍선효과 예상 구역(BEE) 내 소정의 제1 구역에 대한 부동산 거래 흐름정보를 기초로, 상기 제1 구역과 관련된 풍선효과로 인하여 상기 제1 구역이 소정의 미래 시점에 가질 수 있다고 예측되는 최대 거래량 및/또는 최대 거래가격 증감량을 획득할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 상기 제1 구역에 대한 현재 시점의 부동산 정보에 기초하여 상기 제1 구역의 현재 거래량 및/또는 현재 거래가격 증감량을 획득할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 제1 구역에 대하여 위와 같이 획득된 최대 거래량 및/또는 최대 거래가격 증감량과, 현재 거래량 및/또는 현재 거래가격을 상호 비교할 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 상기 비교의 결과 상기 제1 구역에 대한 현재 시점의 거래량 및/또는 거래가격이 소정의 미래 시점에 가질 수 있는 최대 거래량 및/또는 거래가격에 비하여 낮다고 판단되는 경우 즉, 상기 제1 구역에 대한 거래량 및/또는 거래가격이 앞으로 시간이 경과함에 따라서 더 증가할 것으로 예측되는 경우, 상기 제1 구역을 투자 추천정보에 포함시킬 수 있다.
예를 들면, 부동산 애플리케이션(111)은, 지역 A의 소정의 미래 시점의 최대 거래량이 20%이고 최대 거래가격 증감량이 +15%이며, 상기 지역 A의 현재 시점의 현재 거래량이 5%이고 현재 거래가격 증감량이 +3%인 경우, 상기 지역 A의 거래량 및/또는 거래가격 증감량이 시간이 경과함에 따라서 증가할 것으로 판단할 수 있고, 상기 지역 A를 투자 추천정보에 포함시킬 수 있다.
또한, 실시예에서 부동산 애플리케이션(111)은, 위와 같이 생성된 투자 추천정보를 리스트 뷰 인터페이스를 기초로 시각화하여 제공할 수 있다.
자세히, 실시예로 부동산 애플리케이션(111)은, 상기 투자 추천정보에 포함된 소정의 제1 구역을 상기 리스트 뷰 인터페이스 상에서 강조 표시(LH)함으로써 시각화하여 제공할 수 있다.
즉, 실시예에서 부동산 애플리케이션(111)은, 딥러닝 그래프 네트워크 모델을 활용하여 구역 별 거래량 및/또는 거래가격 등의 변화에 따른 수요 예측을 수행할 수 있고, 이를 기초로 사용자에게 유용한 투자 정보(즉, 실시예에서 투자 추천정보)를 리스트 뷰 인터페이스에 기반하여 시각화해 제공할 수 있다.
이상, 본 발명의 실시예에 따른 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템은, 딥러닝 그래프 네트워크를 기초로 부동산 거래정보의 변화 흐름을 시각화하여 제공함으로써, 사람의 능력으로는 다루기 어려운 방대한 양의 빅데이터를 활용하여 소정의 시간이 경과한 미래 시점에서의 부동산 거래정보에 대한 변화 흐름을 빠르고 정확하게 예측하여 시각화할 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템은, 시계열적 흐름에 따른 데이터 뿐만 아니라 공간적 위치에 따른 데이터까지 고려하여 부동산 거래정보의 변화 흐름에 대한 정보를 제공함으로써, 예측되는 부동산 거래정보에 대한 변화 흐름의 정확도와 신뢰성을 보다 향상시킬 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템은, 위와 같은 부동산 거래정보의 변화 흐름에 대한 정보를 다양한 인터페이스를 이용하여 시각화해 제공함으로써, 예측된 부동산 거래정보의 변화 흐름에 대한 정보를 다각도적인 관점에서 쉽고 직관적으로 인지하게 할 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템은, 위와 같이 예측된 부동산 거래정보의 변화 흐름에 대한 정보를 기초로 추천 투자 구역정보를 제공함으로써, 명확하고 신뢰할 수 있는 데이터와 근거에 기반을 둔 부동산 투자 정보를 제공할 수 있는 효과가 있다.
또한, 이상에서 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, “필수적인”, “중요하게” 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.
또한 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자 또는 해당 기술분야에 통상의 지식을 갖는 자라면 후술할 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 기술적 범위는 명세서의 상세한 설명에 기재된 내용으로 한정되는 것이 아니라 특허청구범위에 의해 정하여져야만 할 것이다.
Claims (10)
- 단말의 적어도 하나의 프로세서에 의하여 실행되는 부동산 정보 애플리케이션이 딥러닝 그래프 네트워크를 기반으로 부동산 거래정보를 예측하는 방법으로서,
시계열에 따른 복수의 노드 그래프 데이터에 기초한 학습 데이터 셋(Training data set)을 생성하는 단계;
생성된 학습 데이터 셋을 기초로 딥러닝 모델을 트레이닝하는 단계;
상기 딥러닝 모델에, 제1 시점에서의 소정의 구역 별 부동산 정보를 포함하는 복수의 노드(node)와, 상기 복수의 노드 사이를 연결하는 복수의 엣지(edge)를 포함하는 제1 노드 그래프 데이터를 입력하는 단계;
상기 딥러닝 모델로부터 상기 제1 시점으로부터 소정의 기간이 경과한 제2 시점에서의 상기 부동산 정보의 변경을 예측한 부동산 예측정보와, 상기 제2 시점에서의 상기 복수의 노드 간 상호 영향관계를 나타내는 영향력 예측정보를 획득하는 단계;
상기 획득된 부동산 예측정보와 상기 영향력 예측정보를 기초로, 상기 소정의 구역 별 부동산 정보가 적어도 하나 이상의 타 구역의 부동산 정보와 가지는 컨텍스트(context) 상에서 변화 흐름을 나타내는 부동산 거래 흐름정보를 생성하는 단계; 및
상기 생성된 부동산 거래 흐름정보를 시각화하여 제공하는 단계를 포함하는
딥러닝 그래프 네트워크 기반 부동산 거래정보 예측방법. - 제1 항에 있어서,
상기 영향력 예측정보를 획득하는 단계는,
교차 상관관계 알고리즘(Cross correlation algorithm)을 기초로 상기 복수의 노드에 대한 인접행렬을 생성하는 단계를 포함하는
딥러닝 그래프 네트워크 기반 부동산 거래정보 예측방법. - 제1 항에 있어서,
상기 딥러닝 모델은,
상기 부동산 예측정보를 출력 데이터로 하는 제1 신경망 모델과, 상기 영향력 예측정보를 출력 데이터로 하는 제2 신경망 모델을 포함하는
딥러닝 그래프 네트워크 기반 부동산 거래정보 예측방법. - 제1 항에 있어서,
상기 부동산 예측정보는,
상기 제2 시점까지의 시계열의 상기 소정의 구역 별 거래량 정보, 거래가격 정보 및 전출입량 정보 중 적어도 하나의 정보를 포함하고,
상기 부동산 거래 흐름정보는,
상기 소정의 구역 별 거래 증가량 정보 및 거래가격 증감범위 정보 중 적어도 하나의 정보를 포함하는
딥러닝 그래프 네트워크 기반 부동산 거래정보 예측방법. - 제4 항에 있어서,
상기 영향력 예측정보는,
상기 소정의 구역 간 영향을 미치는 정도를 수치로 나타내는 연관정도 수치 데이터 및 시간의 경과에 따른 상기 연관정도 수치 데이터의 변화패턴을 나타내는 영향력 변화패턴 정보 중 적어도 하나를 포함하고,
상기 부동산 거래 흐름정보는,
상기 소정의 구역 간 상기 부동산 정보의 변경을 유발하는 영향력의 방향을 나타내는 변화 방향성 정보, 상기 소정의 구역 별 상기 영향력을 전파하는 다음 구역을 나타내는 다음 영향 전파구역 정보 및 상기 영향력의 크기를 나타내는 변화 영향정도 정보 중 적어도 하나의 정보를 포함하는
딥러닝 그래프 네트워크 기반 부동산 거래정보 예측방법. - 제1 항에 있어서,
상기 부동산 거래 흐름정보를 생성하는 단계는,
상기 제1 시점에서의 거래량 및 거래가격 증감량 중 적어도 하나가 상기 제2 시점에서의 거래량 및 거래가격 증감량 중 적어도 하나에 대비하여 더 낮게 형성된 구역에 대한 투자 추천정보를 생성하는 단계를 포함하는
딥러닝 그래프 네트워크 기반 부동산 거래정보 예측방법. - 제6 항에 있어서,
상기 부동산 거래 흐름정보를 시각화하여 제공하는 단계는,
소정의 지도 상에 상기 부동산 거래 흐름정보를 시각화하여 제공하는 지도 뷰 인터페이스(Map view interface)를 제공하는 단계를 포함하는
딥러닝 그래프 네트워크 기반 부동산 거래정보 예측방법. - 제6 항에 있어서,
상기 부동산 거래 흐름정보를 시각화하여 제공하는 단계는,
소정의 리스트 형식으로 상기 부동산 거래 흐름정보를 시각화하여 제공하는 리스트 뷰 인터페이스(List view interface)를 제공하는 단계를 포함하는
딥러닝 그래프 네트워크 기반 부동산 거래정보 예측방법. - 제7 항 또는 제8 항에 있어서,
상기 부동산 거래 흐름정보를 시각화하여 제공하는 단계는,
풍선효과가 발생한 구역 및 풍선효과가 발생할 것으로 예상되는 구역 중 적어도 하나의 구역에 대한 상기 부동산 거래 흐름정보를 시각화하여 제공하는 단계를 더 포함하는
딥러닝 그래프 네트워크 기반 부동산 거래정보 예측방법. - 부동산 거래 흐름정보를 출력하는 디스플레이;
적어도 하나 이상의 메모리; 및
적어도 하나 이상의 프로세서;를 포함하고,
상기 적어도 하나의 메모리에 저장되고 상기 적어도 하나 이상의 프로세서에 의해 실행되어 딥러닝 그래프 네트워크를 기반으로 부동산 거래정보를 예측하는 적어도 하나의 애플리케이션으로서 상기 적어도 하나의 애플리케이션은,
부동산 정보에 대한 시계열에 따른 복수의 노드 그래프 데이터에 기초한 학습된 딥러닝 모델에, 제1 시점에서의 소정의 구역 별 부동산 정보를 포함하는 복수의 노드(node)와, 상기 복수의 노드 사이를 연결하는 복수의 엣지(edge)를 포함하는 제1 노드 그래프 데이터를 입력하고,
상기 딥러닝 모델로부터 상기 제1 시점으로부터 소정의 기간이 경과한 제2 시점에서의 상기 부동산 정보의 변경을 예측한 부동산 예측정보와, 상기 제2 시점에서의 상기 복수의 노드 간 상호 영향관계를 나타내는 영향력 예측정보를 획득하고,
상기 획득된 부동산 예측정보와 상기 영향력 예측정보를 기초로, 상기 소정의 구역 별 부동산 정보가 적어도 하나 이상의 타 구역의 부동산 정보와 가지는 컨텍스트(context) 상에서 흐름을 나타내는 부동산 거래 흐름정보를 생성하고,
상기 생성된 부동산 거래 흐름정보를 시각화하여 상기 디스플레이를 통해 제공하는
딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210074846A KR102658012B1 (ko) | 2021-06-09 | 2021-06-09 | 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210074846A KR102658012B1 (ko) | 2021-06-09 | 2021-06-09 | 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220166038A true KR20220166038A (ko) | 2022-12-16 |
| KR102658012B1 KR102658012B1 (ko) | 2024-04-17 |
Family
ID=84534854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210074846A KR102658012B1 (ko) | 2021-06-09 | 2021-06-09 | 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102658012B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117539920A (zh) * | 2024-01-04 | 2024-02-09 | 上海途里信息科技有限公司 | 基于房产交易多维度数据的数据查询方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101692521B1 (ko) | 2016-02-29 | 2017-01-17 | 권형달 | 부동산 정보 제공 및 공유 장치 |
| KR101975448B1 (ko) * | 2018-08-14 | 2019-05-08 | (주) 에이투연구소 | 인공지능을 이용하여 빅데이터 기반 상품 투자 추천 알고리즘을 평가하는 시스템 및 방법 |
| KR102156659B1 (ko) * | 2019-11-26 | 2020-09-16 | 주식회사 공감랩 | 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치 및 그 방법 |
| KR102170304B1 (ko) * | 2018-11-29 | 2020-10-28 | 스페이스워크 주식회사 | 부동산에 관한 정보를 제공하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체 |
| KR20210021739A (ko) * | 2019-08-19 | 2021-03-02 | 건국대학교 산학협력단 | 부동산 가격 예측 장치 및 방법 |
-
2021
- 2021-06-09 KR KR1020210074846A patent/KR102658012B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101692521B1 (ko) | 2016-02-29 | 2017-01-17 | 권형달 | 부동산 정보 제공 및 공유 장치 |
| KR101975448B1 (ko) * | 2018-08-14 | 2019-05-08 | (주) 에이투연구소 | 인공지능을 이용하여 빅데이터 기반 상품 투자 추천 알고리즘을 평가하는 시스템 및 방법 |
| KR102170304B1 (ko) * | 2018-11-29 | 2020-10-28 | 스페이스워크 주식회사 | 부동산에 관한 정보를 제공하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체 |
| KR20210021739A (ko) * | 2019-08-19 | 2021-03-02 | 건국대학교 산학협력단 | 부동산 가격 예측 장치 및 방법 |
| KR102156659B1 (ko) * | 2019-11-26 | 2020-09-16 | 주식회사 공감랩 | 딥 러닝을 이용한 글로벌 부동산 가격 자동 평가 및 예측 장치 및 그 방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117539920A (zh) * | 2024-01-04 | 2024-02-09 | 上海途里信息科技有限公司 | 基于房产交易多维度数据的数据查询方法及系统 |
| CN117539920B (zh) * | 2024-01-04 | 2024-04-05 | 上海途里信息科技有限公司 | 基于房产交易多维度数据的数据查询方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102658012B1 (ko) | 2024-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020207201A1 (zh) | 用户行为预测模型构建方法、装置、存储介质及电子设备 | |
| US20200075168A1 (en) | Methods and systems for detecting environment features in images, predicting location-based health metrics based on environment features, and improving health outcomes and costs | |
| US20200013005A1 (en) | Refrigerator, operating method thereof and information providing system | |
| US20220284146A1 (en) | Semi-supervised 3d indoor layout estimation from a single 360 degree panorama | |
| EP3497403A1 (en) | Geo-locating individuals based on a derived social network | |
| KR102430029B1 (ko) | 딥러닝 기반 유사상품 검색 결과 제공 방법 및 그 시스템 | |
| Li et al. | Multi-view crowd congestion monitoring system based on an ensemble of convolutional neural network classifiers | |
| KR20220166038A (ko) | 딥러닝 그래프 네트워크 기반 부동산 거래정보 예측 방법 및 시스템 | |
| Vuppalapati | Building enterprise IoT applications | |
| Shao et al. | DeepFlowGen: Intention-aware fine grained crowd flow generation via deep neural networks | |
| US20230289560A1 (en) | Machine learning techniques to predict content actions | |
| Hao et al. | UrbanVLP: A Multi-Granularity Vision-Language Pre-Trained Foundation Model for Urban Indicator Prediction | |
| Zhang et al. | A novel global-local block spatial-spectral fusion attention model for hyperspectral image classification | |
| Wang et al. | How occupant positioning systems can be applied to help historic residences manage energy consumption: A case study in China | |
| CN116150429A (zh) | 异常对象识别方法、装置、计算设备以及存储介质 | |
| KR102653509B1 (ko) | 딥 뉴럴 네트워크 기반의 부동산 정보 추정 방법 및 그 시스템 | |
| Yao et al. | Unsupervised land-use change detection using multi-temporal POI embedding | |
| KR20230022596A (ko) | 인공지능 기반의 영상 분석 모델을 이용하여 무인 매장 고객의 행동 패턴을 분석하는 방법 및 장치 | |
| Ou et al. | Calibration-free and deep-learning-based customer gaze direction detection technology based on the YOLOv3-tiny model for smart advertising displays | |
| CN115482019A (zh) | 一种活动关注度预测方法、装置、电子设备和存储介质 | |
| Wang et al. | WDCIP: spatio-temporal AI-driven disease control intelligent platform for combating COVID-19 pandemic | |
| Tabassum et al. | Review on using artificial intelligence related deep learning techniques in gaming and recent networks | |
| Liu et al. | Exploring trajectory embedding via spatial-temporal propagation for dynamic region representations | |
| Kumar et al. | Towards perfecting road extraction: the fusion of dilated convolution-based layers and vision transformer | |
| JP7145247B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |