WO2018151343A1 - System and method for automatically assessing real estate price on basis of ensemble learning technique - Google Patents
System and method for automatically assessing real estate price on basis of ensemble learning technique Download PDFInfo
- Publication number
- WO2018151343A1 WO2018151343A1 PCT/KR2017/001642 KR2017001642W WO2018151343A1 WO 2018151343 A1 WO2018151343 A1 WO 2018151343A1 KR 2017001642 W KR2017001642 W KR 2017001642W WO 2018151343 A1 WO2018151343 A1 WO 2018151343A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- price
- real estate
- estimated
- model
- module
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 39
- 238000013461 design Methods 0.000 claims abstract description 44
- 238000010200 validation analysis Methods 0.000 claims abstract description 26
- 238000012552 review Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000007636 ensemble learning method Methods 0.000 claims description 9
- 238000005192 partition Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 13
- 238000003062 neural network model Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
-
- 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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
Definitions
- the present invention relates to an automatic real estate price evaluation system and method, and more particularly, to a real estate price automatic evaluation system and method based on an ensemble learning technique.
- real estate prices vary greatly depending on their physical location, which is called spatial dependence.
- the characteristics of the real estate price formation that is, the factors such as physical location and distance have not been reflected, and the accuracy in estimating the real estate price is inevitably deteriorated.
- An object of the present invention to provide an automatic real estate price evaluation system based on the ensemble learning technique.
- Another object of the present invention is to provide an automatic real estate price evaluation method based on an ensemble learning technique.
- the automatic real estate price evaluation system based on the ensemble learning method according to the above object of the present invention includes a real estate database in which real transaction prices, geographic coordinates, and similar price zone division data are stored in advance; At least one parametric model and at least one non-parametric model are applied to the real estate, geographic coordinates, and pseudo-price parity data of the real estate previously stored in the real estate database. Calculate the weighted price by calculating the price for each model for each model, and assigning the same or different weights to the calculated price for each model, wherein the calculated weighted price is compared to the similar price range partition data of the property.
- the price difference according to the physical location is determined by the similarity, and if the price difference according to the physical location of the weighted price is more than a predetermined reference value, the weighted price is estimated by interpolating the space in consideration of the physical location.
- Price estimation model to calculate the price System module An estimated price validation module for validating the estimated price against the estimated price compared with the actual transaction price stored in the real estate database;
- a population price estimation module that calculates an estimated price of the remaining real estate of the population according to a calculation method of the price estimation model design module, when the validation is validated in the estimated price validation module;
- Estimated price adequacy review module that examines the adequacy of the estimated price of the remaining real estate of the population against the price range of the estimated price of the real estate estimated by the population price estimation module and the price range of the actual transaction price stored in the real estate database ;
- the estimated price adequacy module may be configured to include an estimated price providing module that
- the price estimating model design module may be configured to apply a linear regression model among the parameter models and to apply a random forest model or a boosting model among the non-parametric models.
- the price estimating model design module applies an arithmetic mean weight to the price of each model or uses an artificial neural network model to calculate an optimal weight for each model according to the reliability of the price of each model. It can be configured to calculate and apply.
- the price estimating model design module linearly combines the actual transaction price of the real estate in consideration of the corresponding physical location of the real estate in which the transaction has already been stored in the real estate database, and spaces the weighted price using the linear combined actual transaction price.
- the estimated price validation module calculates a price ratio, a variance coefficient, and an absolute average error rate by comparing the estimated price with an actual transaction price stored in the real estate database, and verifies the estimated price according to the calculation result. Can be configured.
- the price estimation model design module is at least one or more to the actual price, geographic coordinates and similar price zone partition data pre-stored in the real estate database Calculating a model-specific price for a given real estate of a population by applying a parametric model and at least one non-parametric model; Calculating, by the price estimating model design module, a weighted price by assigning the same or different weights to each of the calculated prices for each model; Determining, by the price estimating model design module, a price difference according to a physical location based on whether the calculated weighted price is similar to the similar price zone segment data of the real estate; Calculating the estimated price by interpolating the weighted price in space in consideration of the physical location when the price difference according to the physical location of the weighted price is greater than or equal to a predetermined reference value as a result of the determination; A step of validating the estimated price by the estimated price validation module comparing the estimated price with an
- the price estimating model design module applies at least one parameter model and at least one non-parametric model to the actual price, geographic coordinates, and pseudo-price parity data of the real estate previously stored in the real estate database, and then models the predetermined real estate of the population.
- the calculating of each price may be configured to apply a linear regression model among the parameter models and to apply a random forest model or a boosting model among the non-parametric models.
- the calculating of the weighted price by assigning the same or different weights to the calculated price for each model by the price estimation model design module may apply an arithmetic mean weight to the price of each model or for each model.
- an artificial neural network model can be configured to calculate and apply an optimal weight for each model price.
- the price estimation model design module calculates an estimated price by interpolating the weighted price in space in consideration of the physical location. Krigging for linearly combining the actual transaction price of the real estate in consideration of the corresponding physical location of the real estate that has already occurred transaction stored in the real estate database and interpolating the weighted price in space using the linear combined actual transaction price
- the technique may be configured to calculate an estimated price.
- the validating of the estimated price by comparing the estimated price with the actual transaction price stored in the real estate database may include comparing the estimated price with the actual transaction price stored in the real estate database.
- the price ratio, the variance coefficient, and the absolute mean error rate may be calculated, and the validity of the estimated price may be verified according to the calculation result.
- the estimations of various models are optimized and reflected, and the accuracy of estimation is improved.
- the real estate price in consideration of the physical location of the real estate, it is effective to reflect an important factor of the formation of the real estate price and increase the accuracy of estimation.
- FIG. 1 is a block diagram of an automatic real estate price evaluation system based on an ensemble learning method according to an embodiment of the present invention.
- Figure 2 is an illustration of an artificial neural network model according to an embodiment of the present invention.
- FIG. 3 is an exemplary diagram illustrating a result of spatial interpolation according to an embodiment of the present invention.
- FIG. 4 is an exemplary view showing a validation result of a price estimation model according to an embodiment of the present invention.
- FIG 5 is an exemplary diagram of an online providing screen of an estimated price according to an embodiment of the present invention.
- FIG. 6 is a flowchart of a method for automatically evaluating real estate prices based on an ensemble learning method according to an embodiment of the present invention.
- first, second, A, and B may be used to describe various components, but the components should not be limited by the terms. The terms are used only for the purpose of distinguishing one component from another.
- the first component may be referred to as the second component, and similarly, the second component may also be referred to as the first component.
- FIG. 1 is a block diagram of an automatic real estate price evaluation system based on an ensemble learning method according to an embodiment of the present invention.
- an automatic real estate price evaluation system based on an ensemble learning method according to an embodiment of the present invention (hereinafter, referred to as an “real estate price automatic evaluation system”) 100 is a real estate database 110 and a price estimation model. It may be configured to include the design module 120, the estimated price validation module 130, the population price estimation module 140, the estimated price adequacy review module 150, and the estimated price providing module 160.
- the real estate database 110 may be configured to store property-specific characteristics, actual transaction prices, geographic coordinates, and similar price range partition data in advance.
- the similar price zone partition data may be configured to be databased in advance as partition data forming a similar price zone according to a physical location. For example, if the price range is high in the backcountry zone, it means data about the area around the station where the advantage of the backyard zone applies.
- the price estimation model design module 120 is a component for designing an optimal price estimation model by applying various models for estimating real estate prices.
- the price estimating model design module 120 first generates a new price estimating model by applying weights to various price estimating models, and performs the interpolation according to the physical location to reflect the change characteristics of real estate prices according to the physical location.
- the price estimating model design module 120 includes at least one parametric model and at least one non-parametric model in the real price, geographic coordinates, and pseudo-price parcel data of the property previously stored in the real estate database 110.
- a parametric model may be applied to calculate a price for each model for a given real estate.
- the linear regression model is applied to the parameter model
- the random forest model, boosting model, support vector machine, or multivariate adaptive regression splines are applied to the non-parametric model.
- the non-parametric model is highly realistic because it estimates real estate prices without strict assumptions.
- the price estimating model design module 120 combines and applies these price estimating models.
- the price estimating model design module 120 applies arithmetic mean weights that give the same weights to the prices of each model, or according to the reliability of the price of each model.
- An artificial neural network model may be used to calculate and apply an optimal weight for each model price to calculate a weighted price.
- an ensemble learning technique in which different weights are applied to the price of each model is applied.
- the ensemble learning technique can cancel out different tendencies such as overestimation or underestimation.
- the price estimation model design module 120 cancels the price difference according to the physical location with respect to the weighted price.
- the weighted price is configured to determine whether the weighted price is similar to the similar price zone segment data of the property. Can be.
- the price estimation model design module 120 may be configured to determine a price difference according to the physical location of the property through the determination result. As a result, when the price difference according to the physical location of the weighted price is more than a predetermined reference value, the price estimation model design module 120 may be configured to calculate the estimated price by interpolating the weighted price in space in consideration of the physical location. have.
- the price estimating model design module 120 may be configured to calculate the estimated price by interpolating the weighted price by a kriging technique.
- the price estimating model design module 120 linearly combines the actual transaction prices of the real estate in consideration of the corresponding physical location of the real estate in which the transaction has already been stored in the real estate database 110 and weights using the linear combined actual transaction prices.
- the application price may be configured to interpolate in space.
- the estimated price validation module 130 may be configured to validate the estimated price.
- the estimated price validation module 130 may be configured to verify the validity of the estimated price by comparing the estimated price with the actual transaction price stored in the real estate database 110. Diagnostic indicators for validating may include a price ratio for determining the accuracy of the estimated price, a coefficient of dispersion for determining the balance, and a mean absolute percentage error. That is, the estimated price validation module 130 calculates a price ratio, a variance coefficient, and an absolute average error rate by comparing the estimated price with the actual transaction price stored in the real estate database 110, and verifies the validity of the estimated price according to the calculation result. It can be configured to.
- the population price estimation module 140 may be configured to calculate the estimated price of the remaining real estate of the population according to the calculation method of the price estimation model design module 120 when the validation is performed in the estimated price validation module 130. . At this time, the remaining real estate is real estate that is not traded among the population.
- the estimated price adequacy review module 150 estimates the remaining real estate of the population by comparing the price range of the estimated price of the real estate estimated by the population price estimation module 140 with the price range of the actual transaction price stored in the real estate database 110. It may be configured to review the adequacy of the price.
- the indicator for examining the adequacy of the estimated price through the combined model may include the average unit price, the minimum unit price and the maximum unit price of the actual transaction price included in the real estate database 110. That is, the estimated price adequacy review module 150 may be configured to review the adequacy of the average unit price, the minimum unit price, and the maximum unit price of the actual transaction price with respect to the estimated price.
- the estimated price providing module 160 may be configured to provide the estimated price reviewed online online.
- Figure 2 is an illustration of an artificial neural network model according to an embodiment of the present invention.
- the artificial neural network model is a method of linearly combining explanatory variables in various ways, and then predicting the dependent variable using the linear combination in the form of a nonlinear function.
- a single hidden layer and a feedforward neural network model will be described. However, this description is equally extended to more complex neural network models such as multiple hidden layers.
- Equation 3 Equation 3
- Equation 3 is re-expressed using an activation function as in Equation 5 below.
- Is a parameter Is an explanatory variable, Is the residual.
- the logistic activation function has a value between 0 and 1, so if the dependent variable is continuous You need to convert it so that takes a value between 0 and 1.
- Neural network models usually represent their structure in the form of a network.
- a typical linear regression model and a neural network model are shown in FIG. 2.
- the middle H represents m hidden nodes in the right neural network model.
- Activation function Identity function not a logistic function
- the neural network model is simplified to a general linear regression model.
- the neural network model can be interpreted as a generalization of the linear regression model.
- the process of finding parameter values in such a neural network model is often performed through a procedure called 'back-propagation', and the present invention may be configured to estimate parameters according to this method.
- FIG. 3 is an exemplary diagram illustrating a result of spatial interpolation according to an embodiment of the present invention.
- FIG. 4 is an exemplary view showing a validation result of a price estimation model according to an embodiment of the present invention.
- FIG 5 is an exemplary diagram of an online providing screen of an estimated price according to an embodiment of the present invention.
- the estimate may be configured to provide the estimated price such as FIG. 5 online.
- FIG. 6 is a flowchart of a method for automatically evaluating real estate prices based on an ensemble learning method according to an embodiment of the present invention.
- the price estimation model design module 120 may include at least one parametric model and at least one of the real price, geographic coordinates, and pseudo-price parity data of the real estate previously stored in the real estate database 110.
- the price estimation model design module 120 may be configured to apply a linear regression model among the parameter models, and apply a random forest model or a boosting model among the non-parametric models.
- the price estimation model design module 120 calculates the weighted price by giving the same or different weights to the calculated price for each model, respectively (S102).
- the price estimation model design module 120 applies an arithmetic mean weight to the price of each model or optimizes the price of each model using an artificial neural network model according to the reliability of the price of each model. It may be configured to calculate and apply a weight.
- the price estimation model design module 120 determines the price difference according to the physical location based on whether the weighted price calculated above is similar to the similar price zone partition data of the property (S103).
- the price estimation model design module 120 calculates an estimated price by interpolating the weighted price in space in consideration of the physical location (S104). .
- the price estimation model design module 120 linearly combines the actual transaction price of the real estate in consideration of the physical location of the real estate that has already occurred transaction stored in the real estate database 110 and apply a weight using the linear combined actual transaction price It can be configured to calculate an estimated price by a kriging technique that interpolates the price in space.
- the estimated price validation module 130 verifies the validity of the estimated price by comparing the estimated price with the actual transaction price stored in the real estate database 110 (S105).
- the estimated price validation module 130 calculates a price ratio, a variance coefficient, and an absolute average error rate by comparing the estimated price with the actual transaction price stored in the real estate database 110, and verifies the validity of the estimated price according to the calculation result. It can be configured to.
- the population price estimation module calculates an estimated price of the remaining real estate of the population according to the calculation method of the price estimation model design module 120 (S106).
- the estimated price adequacy review module 150 compares the price range for the estimated price of the real estate estimated by the population price estimation module 140 with the price range of the actual transaction price stored in the real estate database 110. Review the appropriateness of the estimated price of the real estate (S107).
- the estimated price providing module 160 provides the reviewed estimated price online (S108).
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
The present invention comprises: a real estate database in which real estate-specific actual transaction price, geographical coordinates, and similar price zone segment data are stored in advance; a price estimation model design module, which applies a parametric model and a nonparametric model to the actual price, the geographical coordinates, and similar price zone segment data of the corresponding real estate so as to respectively calculate a model-specific price for predetermined real estate of a population, assigns weights, which are the same or different from each other, to each calculated model-specific price so as to calculate a weight-applied price, compares the calculated weight-applied price to the price zone segment data of corresponding real estate so as to determine similarity therebetween such that the price difference is determined according to physical location, and interpolating the weight-applied price in a space in consideration of physical location so as to calculate an estimated price, when the determination result price difference according to the physical location of the weight-applied price is greater than or equal to a predetermined reference value; an estimated price validation verification module for verifying the validation of the estimated price by comparing the estimated price with the actual transaction price; a population price estimation module for calculating the estimated price of the remaining real estates in the population according to the calculation method of the price estimation model design module when the validity is verified; an estimated price adequacy review module for reviewing the adequacy of the estimated price of the remaining real estate in the population by comparing the price range of the estimated price of the population real estate and the price range of the actual transaction price; and an estimated price provision module for providing the reviewed estimated price online when the estimated price is reviewed as being appropriate.
Description
본 발명은 부동산 가격 자동 평가 시스템 및 방법에 관한 것으로서, 구체적으로는 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템 및 방법에 관한 것이다.The present invention relates to an automatic real estate price evaluation system and method, and more particularly, to a real estate price automatic evaluation system and method based on an ensemble learning technique.
종래에는 부동산 가격을 추정하거나 결정하는 데 있어서 선형 회귀 모형과 같은 모수 모형(parametric model)을 주로 이용하였다. 모수 모형은 자료의 정규성, 설명 변수의 독립성, 가격 함수의 선형성(linearity)과 같은 엄격한 가정이 많아 추정 가격의 신뢰성에 한계가 있다는 문제점이 있다.In the past, parametric models such as linear regression models were mainly used to estimate or determine real estate prices. The parameter model has a lot of strict assumptions such as the normality of data, the independence of explanatory variables, and the linearity of the price function, which limits the reliability of the estimated price.
부동산 가격은 모수 모형만에 의해서 결정될 수 없는 다양한 비선형적 요소들이 있으나 기존의 모형으로서는 이를 반영할 수 없는 실정이다. 예를 들어, 토지 면적이 증가할수록 거래 단가는 체감하는 경향이 있으나 모수 모형에서는 선형성 가정으로 인해 이러한 특징을 반영할 수 없었다.There are various nonlinear factors that cannot be determined by the parameter model alone, but this cannot be reflected by existing models. For example, as the land area increases, the transaction price tends to decrease, but the parameter model cannot reflect these characteristics due to the linearity assumption.
또한, 종래에는 여러 가지 모형들을 데이터에 적용해 본 뒤, 예측 결과가 가장 우수하게 나타난 모형 하나만을 선택하여 최종 모형으로 채택하였다. 그러나, 여러 추정 모형들은 각각의 특성이 있는데, 이를 반영하지 못하는 점도 앞서 언급한 문제점과 같은 맥락으로 이해될 수 있다.In addition, conventionally, after applying various models to data, only one model having the best prediction result was selected and adopted as the final model. However, several estimation models have their own characteristics, which can not be reflected in the same context as the aforementioned problem.
또한, 부동산 가격은 그 물리적 위치에 따라 편차가 크게 나타나는데, 이를 공간적 종속성(spatial dependence)이라 한다. 종래에는 이러한 부동산 가격 형성의 특징, 즉 물리적 위치나 거리에 대한 요소를 반영하지 못하고 있었으며, 부동산 가격의 추정에 있어서 정확도가 떨어질 수밖에 없었다.In addition, real estate prices vary greatly depending on their physical location, which is called spatial dependence. Conventionally, the characteristics of the real estate price formation, that is, the factors such as physical location and distance have not been reflected, and the accuracy in estimating the real estate price is inevitably deteriorated.
본 발명의 목적은 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템을 제공하는 데 있다.An object of the present invention to provide an automatic real estate price evaluation system based on the ensemble learning technique.
본 발명의 다른 목적은 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 방법을 제공하는 데 있다.Another object of the present invention is to provide an automatic real estate price evaluation method based on an ensemble learning technique.
상술한 본 발명의 목적에 따른 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템은, 부동산별 실제 거래 가격, 지리 좌표 및 유사 가격권 구획 자료가 미리 저장되는 부동산 데이터베이스; 상기 부동산 데이터베이스에 미리 저장된 해당 부동산의 실제 가격, 지리 좌표 및 유사 가격권 구획 자료에 적어도 하나 이상의 모수 모형(parametric model) 및 적어도 하나 이상의 비모수 모형(non-parametric model)을 적용하여 모집단의 소정 부동산에 대한 모형별 가격을 각각 산출하고, 각각 산출된 모형별 가격에 서로 동일하거나 또는 서로 상이한 가중치를 부여하여 가중치 적용 가격을 산출하며, 상기 산출된 가중치 적용 가격이 해당 부동산의 유사 가격권 구획 자료에 대비하여 유사한지 여부를 통해 물리적 위치에 따른 가격 차이를 판단하며, 판단 결과 상기 가중치 적용 가격의 물리적 위치에 따른 가격 차이가 소정 기준치 이상인 경우 상기 물리적 위치를 고려하여 상기 가중치 적용 가격을 공간상에서 보간하여 추정 가격을 산출하는 가격 추정 모형 설계 모듈; 상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 상기 추정 가격의 유효성을 검증하는 추정 가격 유효성 검증 모듈; 상기 추정 가격 유효성 검증 모듈에서 유효성이 검증된 경우, 상기 가격 추정 모형 설계 모듈의 산출 방식에 따라 상기 모집단의 나머지 부동산의 추정 가격을 산출하는 모집단 가격 추정 모듈; 상기 모집단 가격 추정 모듈에서 추정된 부동산의 추정 가격에 대한 가격 범위와 상기 부동산 데이터베이스에 저장된 실제 거래 가격의 가격 범위를 대비하여 상기 모집단의 나머지 부동산의 추정 가격에 대한 적정성을 검토하는 추정 가격 적정성 검토 모듈; 상기 추정 가격 적정성 검토 모듈에서 상기 추정 가격이 적정한 것으로 검토되는 경우, 검토된 추정 가격을 온라인상에서 제공하는 추정 가격 제공 모듈을 포함하도록 구성될 수 있다.The automatic real estate price evaluation system based on the ensemble learning method according to the above object of the present invention includes a real estate database in which real transaction prices, geographic coordinates, and similar price zone division data are stored in advance; At least one parametric model and at least one non-parametric model are applied to the real estate, geographic coordinates, and pseudo-price parity data of the real estate previously stored in the real estate database. Calculate the weighted price by calculating the price for each model for each model, and assigning the same or different weights to the calculated price for each model, wherein the calculated weighted price is compared to the similar price range partition data of the property. The price difference according to the physical location is determined by the similarity, and if the price difference according to the physical location of the weighted price is more than a predetermined reference value, the weighted price is estimated by interpolating the space in consideration of the physical location. Price estimation model to calculate the price System module; An estimated price validation module for validating the estimated price against the estimated price compared with the actual transaction price stored in the real estate database; A population price estimation module that calculates an estimated price of the remaining real estate of the population according to a calculation method of the price estimation model design module, when the validation is validated in the estimated price validation module; Estimated price adequacy review module that examines the adequacy of the estimated price of the remaining real estate of the population against the price range of the estimated price of the real estate estimated by the population price estimation module and the price range of the actual transaction price stored in the real estate database ; When the estimated price is reviewed as appropriate in the estimated price adequacy review module, the estimated price adequacy module may be configured to include an estimated price providing module that provides the estimated estimated price online.
여기서, 상기 가격 추정 모형 설계 모듈은, 상기 모수 모형 중 선형 회귀 모형을 적용하고, 상기 비모수 모형 중 랜덤 포리스트 모형 또는 부스팅 모형을 적용하도록 구성될 수 있다.The price estimating model design module may be configured to apply a linear regression model among the parameter models and to apply a random forest model or a boosting model among the non-parametric models.
그리고 상기 가격 추정 모형 설계 모듈은, 각 모형별 가격에 산술 평균 가중치를 적용하거나 또는 각 모형별 가격의 신뢰성에 따라 인공 신경망 모형(artificial neural network model)을 이용하여 각 모형별 가격에 대한 최적 가중치를 산출하여 적용하도록 구성될 수 있다.In addition, the price estimating model design module applies an arithmetic mean weight to the price of each model or uses an artificial neural network model to calculate an optimal weight for each model according to the reliability of the price of each model. It can be configured to calculate and apply.
그리고 상기 가격 추정 모형 설계 모듈은, 상기 부동산 데이터베이스에 저장된 이미 거래가 발생한 부동산의 해당 물리적 위치를 고려하여 해당 부동산의 실제 거래 가격을 선형 조합하고 선형 조합된 실제 거래 가격을 이용하여 상기 가중치 적용 가격을 공간상에서 보간하는 크리깅(kriging) 기법에 의해 추정 가격을 산출하도록 구성될 수 있다.In addition, the price estimating model design module linearly combines the actual transaction price of the real estate in consideration of the corresponding physical location of the real estate in which the transaction has already been stored in the real estate database, and spaces the weighted price using the linear combined actual transaction price. Can be configured to calculate an estimated price by means of a kriging technique that interpolates over.
한편, 상기 추정 가격 유효성 검증 모듈은, 상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 가격 비율, 분산 계수 및 절대 평균 오류율을 산출하고, 산출 결과에 따라 상기 추정 가격의 유효성을 검증하도록 구성될 수 있다.Meanwhile, the estimated price validation module calculates a price ratio, a variance coefficient, and an absolute average error rate by comparing the estimated price with an actual transaction price stored in the real estate database, and verifies the estimated price according to the calculation result. Can be configured.
상술한 본 발명의 다른 목적에 따른 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 방법은, 가격 추정 모형 설계 모듈이 부동산 데이터베이스에 미리 저장된 해당 부동산의 실제 가격, 지리 좌표 및 유사 가격권 구획 자료에 적어도 하나 이상의 모수 모형(parametric model) 및 적어도 하나 이상의 비모수 모형(non-parametric model)을 적용하여 모집단의 소정 부동산에 대한 모형별 가격을 각각 산출하는 단계; 상기 가격 추정 모형 설계 모듈이 상기 각각 산출된 모형별 가격에 서로 동일하거나 또는 서로 상이한 가중치를 부여하여 가중치 적용 가격을 산출하는 단계; 상기 가격 추정 모형 설계 모듈이 상기 산출된 가중치 적용 가격이 해당 부동산의 유사 가격권 구획 자료에 대비하여 유사한지 여부를 통해 물리적 위치에 따른 가격 차이를 판단하는 단계; 상기 판단 결과 상기 가중치 적용 가격의 물리적 위치에 따른 가격 차이가 소정 기준치 이상인 경우, 상기 가격 추정 모형 설계 모듈이 상기 물리적 위치를 고려하여 상기 가중치 적용 가격을 공간상에서 보간하여 추정 가격을 산출하는 단계; 추정 가격 유효성 검증 모듈이 상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 상기 추정 가격의 유효성을 검증하는 단계; 상기 추정 가격 유효성 검증 모듈에서 유효성이 검증된 경우, 모집단 가격 추정 모듈이 상기 가격 추정 모형 설계 모듈의 산출 방식에 따라 상기 모집단의 나머지 부동산의 추정 가격을 산출하는 단계; 추정 가격 적정성 검토 모듈이 상기 모집단 가격 추정 모듈에서 추정된 부동산의 추정 가격에 대한 가격 범위와 상기 부동산 데이터베이스에 저장된 실제 거래 가격의 가격 범위를 대비하여 상기 모집단의 나머지 부동산의 추정 가격에 대한 적정성을 검토하는 단계; 상기 추정 가격 적정성 검토 모듈에서 상기 추정 가격이 적정한 것으로 검토되는 경우, 추정 가격 제공 모듈이 상기 검토된 추정 가격을 온라인상에서 제공하는 단계를 포함하도록 구성될 수 있다.The real estate price automatic evaluation method based on the ensemble learning method according to another object of the present invention, the price estimation model design module is at least one or more to the actual price, geographic coordinates and similar price zone partition data pre-stored in the real estate database Calculating a model-specific price for a given real estate of a population by applying a parametric model and at least one non-parametric model; Calculating, by the price estimating model design module, a weighted price by assigning the same or different weights to each of the calculated prices for each model; Determining, by the price estimating model design module, a price difference according to a physical location based on whether the calculated weighted price is similar to the similar price zone segment data of the real estate; Calculating the estimated price by interpolating the weighted price in space in consideration of the physical location when the price difference according to the physical location of the weighted price is greater than or equal to a predetermined reference value as a result of the determination; A step of validating the estimated price by the estimated price validation module comparing the estimated price with an actual transaction price stored in the real estate database; When the estimated price validation module is validated, calculating, by the population price estimation module, an estimated price of the remaining real estate of the population according to a calculation method of the price estimation model design module; The estimated price adequacy review module examines the adequacy of the estimated prices of the remaining properties of the population against the price range of the estimated price of the real estate estimated by the population price estimation module and the price range of the actual transaction price stored in the real estate database. Doing; When the estimated price is reviewed as being appropriate in the estimated price adequacy review module, the estimated price providing module may be configured to include providing the reviewed estimated price online.
이때, 상기 가격 추정 모형 설계 모듈이 부동산 데이터베이스에 미리 저장된 해당 부동산의 실제 가격, 지리 좌표 및 유사 가격권 구획 자료에 적어도 하나 이상의 모수 모형 및 적어도 하나 이상의 비모수 모형을 적용하여 모집단의 소정 부동산에 대한 모형별 가격을 각각 산출하는 단계는, 상기 모수 모형 중 선형 회귀 모형을 적용하고, 상기 비모수 모형 중 랜덤 포리스트 모형 또는 부스팅 모형을 적용하도록 구성될 수 있다.In this case, the price estimating model design module applies at least one parameter model and at least one non-parametric model to the actual price, geographic coordinates, and pseudo-price parity data of the real estate previously stored in the real estate database, and then models the predetermined real estate of the population. The calculating of each price may be configured to apply a linear regression model among the parameter models and to apply a random forest model or a boosting model among the non-parametric models.
그리고 상기 가격 추정 모형 설계 모듈이 상기 각각 산출된 모형별 가격에 서로 동일하거나 또는 서로 상이한 가중치를 부여하여 가중치 적용 가격을 산출하는 단계는, 각 모형별 가격에 산술 평균 가중치를 적용하거나 또는 각 모형별 가격의 신뢰성에 따라 인공 신경망 모형(artificial neural network model)을 이용하여 각 모형별 가격에 대한 최적 가중치를 산출하여 적용하도록 구성될 수 있다.The calculating of the weighted price by assigning the same or different weights to the calculated price for each model by the price estimation model design module may apply an arithmetic mean weight to the price of each model or for each model. According to the reliability of the price, an artificial neural network model can be configured to calculate and apply an optimal weight for each model price.
여기서, 상기 판단 결과 상기 가중치 적용 가격의 물리적 위치에 따른 가격 차이가 소정 기준치 이상인 경우, 상기 가격 추정 모형 설계 모듈이 상기 물리적 위치를 고려하여 상기 가중치 적용 가격을 공간상에서 보간하여 추정 가격을 산출하는 단계는, 상기 부동산 데이터베이스에 저장된 이미 거래가 발생한 부동산의 해당 물리적 위치를 고려하여 해당 부동산의 실제 거래 가격을 선형 조합하고 선형 조합된 실제 거래 가격을 이용하여 상기 가중치 적용 가격을 공간상에서 보간하는 크리깅(kriging) 기법에 의해 추정 가격을 산출하도록 구성될 수 있다.In this case, when the price difference according to the physical location of the weighted price is more than a predetermined reference value, the price estimation model design module calculates an estimated price by interpolating the weighted price in space in consideration of the physical location. Krigging for linearly combining the actual transaction price of the real estate in consideration of the corresponding physical location of the real estate that has already occurred transaction stored in the real estate database and interpolating the weighted price in space using the linear combined actual transaction price The technique may be configured to calculate an estimated price.
한편, 상기 추정 가격 유효성 검증 모듈이 상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 상기 추정 가격의 유효성을 검증하는 단계는, 상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 가격 비율, 분산 계수 및 절대 평균 오류율을 산출하고, 산출 결과에 따라 상기 추정 가격의 유효성을 검증하도록 구성될 수 있다.Meanwhile, the validating of the estimated price by comparing the estimated price with the actual transaction price stored in the real estate database may include comparing the estimated price with the actual transaction price stored in the real estate database. The price ratio, the variance coefficient, and the absolute mean error rate may be calculated, and the validity of the estimated price may be verified according to the calculation result.
상술한 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템 및 방법에 의하면, 여러 모델을 인공 신경 지능망 알고리즘에 의해 최적의 가중치를 적용함으로써 여러 모델의 추정치를 최적화하여 반영하고 추정의 정확도를 높이는 효과가 있다. 또한, 부동산의 물리적 위치를 고려하여 부동산 가격을 추정함으로써, 부동산 가격 형성의 중요한 인자를 반영하고 추정 정확성이 높아지는 효과가 있다.According to the system and method for automatically evaluating real estate prices based on the ensemble learning technique described above, by applying optimal weights to various models by an artificial neural network algorithm, the estimations of various models are optimized and reflected, and the accuracy of estimation is improved. In addition, by estimating the real estate price in consideration of the physical location of the real estate, it is effective to reflect an important factor of the formation of the real estate price and increase the accuracy of estimation.
도 1은 본 발명의 일 실시예에 따른 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템의 블록 구성도이다.1 is a block diagram of an automatic real estate price evaluation system based on an ensemble learning method according to an embodiment of the present invention.
도 2는 본 발명의 일 실시예에 따른 인공 신공망 모형의 예시도이다.Figure 2 is an illustration of an artificial neural network model according to an embodiment of the present invention.
도 3은 본 발명의 일 실시예에 따른 공간 보간의 결과를 나타내는 예시도이다.3 is an exemplary diagram illustrating a result of spatial interpolation according to an embodiment of the present invention.
도 4는 본 발명의 일 실시예에 따른 가격 추정 모형의 유효성 검증 결과를 나타내는 예시도이다.4 is an exemplary view showing a validation result of a price estimation model according to an embodiment of the present invention.
도 5는 본 발명의 일 실시예에 따른 추정 가격의 온라인 제공 화면의 예시도이다.5 is an exemplary diagram of an online providing screen of an estimated price according to an embodiment of the present invention.
도 6은 본 발명의 일 실시예에 따른 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 방법의 흐름도이다.6 is a flowchart of a method for automatically evaluating real estate prices based on an ensemble learning method according to an embodiment of the present invention.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 발명을 실시하기 위한 구체적인 내용에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.As the inventive concept allows for various changes and numerous embodiments, particular embodiments will be illustrated in the drawings and described in detail in the written description. However, this is not intended to limit the present invention to specific embodiments, it should be understood to include all modifications, equivalents, and substitutes included in the spirit and scope of the present invention. In describing the drawings, similar reference numerals are used for similar elements.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.Terms such as first, second, A, and B may be used to describe various components, but the components should not be limited by the terms. The terms are used only for the purpose of distinguishing one component from another. For example, without departing from the scope of the present invention, the first component may be referred to as the second component, and similarly, the second component may also be referred to as the first component. The term and / or includes a combination of a plurality of related items or any item of a plurality of related items.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.When a component is referred to as being "connected" or "connected" to another component, it may be directly connected to or connected to that other component, but it may be understood that other components may be present in between. Should be. On the other hand, when a component is said to be "directly connected" or "directly connected" to another component, it should be understood that there is no other component in between.
본 출원에서 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 출원에서, "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.The terminology used herein is for the purpose of describing particular example embodiments only and is not intended to be limiting of the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise. In this application, the terms "comprise" or "have" are intended to indicate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, and one or more other features. It is to be understood that the present invention does not exclude the possibility of the presence or the addition of numbers, steps, operations, components, components, or a combination thereof.
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 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art. Terms such as those defined in the commonly used dictionaries should be construed as having meanings consistent with the meanings in the context of the related art and shall not be construed in ideal or excessively formal meanings unless expressly defined in this application. Do not.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 일 실시예에 따른 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템의 블록 구성도이다.1 is a block diagram of an automatic real estate price evaluation system based on an ensemble learning method according to an embodiment of the present invention.
도 1을 참조하면, 본 발명의 일 실시예에 따른 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템(이하, '부동산 가격 자동 평가 시스템'이라 함)(100)은 부동산 데이터베이스(110), 가격 추정 모형 설계 모듈(120), 추정 가격 유효성 검증 모듈(130), 모집단 가격 추정 모듈(140), 추정 가격 적정성 검토 모듈(150) 및 추정 가격 제공 모듈(160)을 포함하도록 구성될 수 있다.Referring to FIG. 1, an automatic real estate price evaluation system based on an ensemble learning method according to an embodiment of the present invention (hereinafter, referred to as an “real estate price automatic evaluation system”) 100 is a real estate database 110 and a price estimation model. It may be configured to include the design module 120, the estimated price validation module 130, the population price estimation module 140, the estimated price adequacy review module 150, and the estimated price providing module 160.
이하, 세부적인 구성에 대하여 설명한다.Hereinafter, the detailed structure is demonstrated.
부동산 데이터베이스(110)는 부동산별 특성이나 실제 거래 가격, 지리 좌표 및 유사 가격권 구획 자료가 미리 저장되도록 구성될 수 있다. 여기서, 유사 가격권 구획 자료는 물리적 위치에 따라 유사 가격권을 형성하는 구획 자료로서 미리 데이터베이스화되도록 구성될 수 있다. 예를 들어, 역세권에서 높은 가격대가 되는 경우 역세권이라는 장점이 적용되는 역 주변의 구획에 대한 자료를 의미한다.The real estate database 110 may be configured to store property-specific characteristics, actual transaction prices, geographic coordinates, and similar price range partition data in advance. Here, the similar price zone partition data may be configured to be databased in advance as partition data forming a similar price zone according to a physical location. For example, if the price range is high in the backcountry zone, it means data about the area around the station where the advantage of the backyard zone applies.
가격 추정 모형 설계 모듈(120)은 부동산 가격을 추정하기 위한 다양한 모델들을 적용하여 최적의 가격 추정 모형(model)을 설계하는 구성이다.The price estimation model design module 120 is a component for designing an optimal price estimation model by applying various models for estimating real estate prices.
가격 추정 모형 설계 모듈(120)은 먼저 여러 가격 추정 모형에 대해 가중치를 적용하여 새로운 가격 추정 모형을 생성하고 이에 대해 물리적 위치에 따른 보간을 수행하여 물리적 위치에 따른 부동산 가격의 변동 특성을 반영하도록 구성될 수 있다. 구체적으로는 다음과 같다.The price estimating model design module 120 first generates a new price estimating model by applying weights to various price estimating models, and performs the interpolation according to the physical location to reflect the change characteristics of real estate prices according to the physical location. Can be. Specifically, it is as follows.
가격 추정 모형 설계 모듈(120)은 부동산 데이터베이스(110)에 미리 저장된 해당 부동산의 실제 가격, 지리 좌표 및 유사 가격권 구획 자료에 적어도 하나 이상의 모수 모형(parametric model) 및 적어도 하나 이상의 비모수 모형(non-parametric model)을 적용하여 소정 부동산에 대한 모형별 가격을 각각 산출하도록 구성될 수 있다.The price estimating model design module 120 includes at least one parametric model and at least one non-parametric model in the real price, geographic coordinates, and pseudo-price parcel data of the property previously stored in the real estate database 110. A parametric model) may be applied to calculate a price for each model for a given real estate.
여기서, 모수 모형에는 선형 회귀 모형을 적용하고, 비모수 모형에는 랜덤 포리스트 모형, 부스팅 모형, 서포트 벡터 머신(support vector machine), 또는 멀티베어리어트 어댑티브 리그레션 스플라인(multivariate adaptive regression splines) 을 적용하도록 구성될 수 있다. 비모수 모형은 모수 모형이 전제하는 엄격한 가정없이 부동산 가격을 추정하기 때문에 현실적인 적합성이 높다고 볼 수 있다.Here, the linear regression model is applied to the parameter model, and the random forest model, boosting model, support vector machine, or multivariate adaptive regression splines are applied to the non-parametric model. Can be. The non-parametric model is highly realistic because it estimates real estate prices without strict assumptions.
가격 추정 모형 설계 모듈(120)은 이러한 가격 추정 모형들을 결합해 적용하는데, 각 모형별 가격에 대해 모두 동일한 가중치를 부여하는 산술 평균 가중치를 적용하거나 또는 각 모형별 가격의 신뢰성에 따라 인공 신경망 모형(artificial neural network model)을 이용하여 각 모형별 가격에 대한 최적 가중치를 산출하여 적용하여 가중치 적용 가격을 산출하도록 구성될 수 있다. 인공 신경망 모형을 적용하는 경우에는 각 모형별 가격에 대해 상이한 가중치가 적용되는 앙상블 학습(ensemble learning) 기법이 적용된다. 여기서, 앙상블 학습 기법에 의해 과대 추정이나 과소 추정과 같은 상이한 경향을 서로 상쇄시킬 수 있게 된다.The price estimating model design module 120 combines and applies these price estimating models. The price estimating model design module 120 applies arithmetic mean weights that give the same weights to the prices of each model, or according to the reliability of the price of each model. An artificial neural network model may be used to calculate and apply an optimal weight for each model price to calculate a weighted price. In the case of applying the artificial neural network model, an ensemble learning technique in which different weights are applied to the price of each model is applied. Here, the ensemble learning technique can cancel out different tendencies such as overestimation or underestimation.
한편, 가격 추정 모형 설계 모듈(120)은 가중치 적용 가격에 대해 물리적 위치에 따른 가격 차이를 상쇄시켜주는데, 먼저 가중치 적용 가격이 해당 부동산의 유사 가격권 구획 자료에 대비하여 유사한지 여부를 판단하도록 구성될 수 있다.Meanwhile, the price estimation model design module 120 cancels the price difference according to the physical location with respect to the weighted price. First, the weighted price is configured to determine whether the weighted price is similar to the similar price zone segment data of the property. Can be.
가격 추정 모형 설계 모듈(120)은 판단 결과를 통해 해당 부동산의 물리적 위치에 따른 가격 차이를 판단하도록 구성될 수 있다. 그 판단 결과 가중치 적용 가격의 물리적 위치에 따른 가격 차이가 소정 기준치 이상인 경우, 가격 추정 모형 설계 모듈(120)은 그 물리적 위치를 고려하여 가중치 적용 가격을 공간상에서 보간하여 추정 가격을 산출하도록 구성될 수 있다.The price estimation model design module 120 may be configured to determine a price difference according to the physical location of the property through the determination result. As a result, when the price difference according to the physical location of the weighted price is more than a predetermined reference value, the price estimation model design module 120 may be configured to calculate the estimated price by interpolating the weighted price in space in consideration of the physical location. have.
여기서, 가격 추정 모형 설계 모듈(120)은 크리깅(kriging) 기법에 의해 가중치 적용 가격을 보간하여 추정 가격을 산출하도록 구성될 수 있다.Here, the price estimating model design module 120 may be configured to calculate the estimated price by interpolating the weighted price by a kriging technique.
구체적으로는 가격 추정 모형 설계 모듈(120)은 부동산 데이터베이스(110)에 저장된 이미 거래가 발생한 부동산의 해당 물리적 위치를 고려하여 해당 부동산의 실제 거래 가격을 선형 조합하고 선형 조합된 실제 거래 가격을 이용하여 가중치 적용 가격을 공간상에서 보간하도록 구성될 수 있다.Specifically, the price estimating model design module 120 linearly combines the actual transaction prices of the real estate in consideration of the corresponding physical location of the real estate in which the transaction has already been stored in the real estate database 110 and weights using the linear combined actual transaction prices. The application price may be configured to interpolate in space.
추정 가격 유효성 검증 모듈(130)은 추정 가격의 유효성을 검증하도록 구성될 수 있다. 이때, 추정 가격 유효성 검증 모듈(130)은 추정 가격을 부동산 데이터베이스(110)에 저장된 실제 거래 가격과 대비하여 추정 가격의 유효성을 검증하도록 구성될 수 있다. 유효성을 검증하는 진단 지표로서는 추정가격의 정확성을 판단하는 가격 비율(sales ratio), 균형성을 판단하는 분산계수(coefficient of dispersion) 및 절대 평균 오류율(mean absolute percentage error)이 포함될 수 있다. 즉, 추정 가격 유효성 검증 모듈(130)은 추정 가격을 부동산 데이터베이스(110)에 저장된 실제 거래 가격과 대비하여 가격 비율, 분산 계수 및 절대 평균 오류율을 산출하고, 산출 결과에 따라 추정 가격의 유효성을 검증하도록 구성될 수 있다.The estimated price validation module 130 may be configured to validate the estimated price. In this case, the estimated price validation module 130 may be configured to verify the validity of the estimated price by comparing the estimated price with the actual transaction price stored in the real estate database 110. Diagnostic indicators for validating may include a price ratio for determining the accuracy of the estimated price, a coefficient of dispersion for determining the balance, and a mean absolute percentage error. That is, the estimated price validation module 130 calculates a price ratio, a variance coefficient, and an absolute average error rate by comparing the estimated price with the actual transaction price stored in the real estate database 110, and verifies the validity of the estimated price according to the calculation result. It can be configured to.
모집단 가격 추정 모듈(140)은 추정 가격 유효성 검증 모듈(130)에서 유효성이 검증된 경우, 가격 추정 모형 설계 모듈(120)의 산출 방식에 따라 모집단의 나머지 부동산의 추정 가격을 산출하도록 구성될 수 있다. 이때, 나머지 부동산은 모집단 중에서 거래가 되지 않은 부동산이다.The population price estimation module 140 may be configured to calculate the estimated price of the remaining real estate of the population according to the calculation method of the price estimation model design module 120 when the validation is performed in the estimated price validation module 130. . At this time, the remaining real estate is real estate that is not traded among the population.
추정 가격 적정성 검토 모듈(150)은 모집단 가격 추정 모듈(140)에서 추정된 부동산의 추정 가격에 대한 가격 범위와 부동산 데이터베이스(110)에 저장된 실제 거래 가격의 가격 범위를 대비하여 모집단의 나머지 부동산의 추정 가격에 대한 적정성을 검토하도록 구성될 수 있다.The estimated price adequacy review module 150 estimates the remaining real estate of the population by comparing the price range of the estimated price of the real estate estimated by the population price estimation module 140 with the price range of the actual transaction price stored in the real estate database 110. It may be configured to review the adequacy of the price.
여기서, 결합 모형을 통해 추정 가격의 적정성을 검토하는 지표로서는 부동산 데이터베이스(110)에 포함된 실제 거래 가격의 평균 단가, 최소 단가 및 최대 단가가 포함될 수 있다. 즉, 추정 가격 적정성 검토 모듈(150)은 실제 거래 가격의 평균 단가, 최소 단가 및 최대 단가를 추정 가격과 대비하여 적정성을 검토하도록 구성될 수 있다.Here, the indicator for examining the adequacy of the estimated price through the combined model may include the average unit price, the minimum unit price and the maximum unit price of the actual transaction price included in the real estate database 110. That is, the estimated price adequacy review module 150 may be configured to review the adequacy of the average unit price, the minimum unit price, and the maximum unit price of the actual transaction price with respect to the estimated price.
추정 가격 적정성 검토 모듈(150)에서 추정 가격이 적정한 것으로 검토되는 경우, 추정 가격 제공 모듈(160)은 앞서 검토된 추정 가격을 온라인상에서 제공하도록 구성될 수 있다.If the estimated price adequacy review module 150 considers the estimated price to be appropriate, the estimated price providing module 160 may be configured to provide the estimated price reviewed online online.
도 2는 본 발명의 일 실시예에 따른 인공 신공망 모형의 예시도이다.Figure 2 is an illustration of an artificial neural network model according to an embodiment of the present invention.
도 2를 참조하면, 인공 신경망 모형은 설명 변수를 다양한 방법으로 선형 결합한 후, 이러한 선형 결합을 비선형 함수 형태로 하여 종속변수를 예측하는 방법이다. 이하에서는 싱글 히든 레이어(single-hidden-layer), 피드 포워드(feedforward) 신경망 모형에 대해 설명한다. 그러나, 이러한 설명은 멀티플 히든 레이어(multiple-hidden-layer) 등 보다 복잡한 형태의 신경망 모형에도 동일하게 확장하여 적용할 수 있다.Referring to FIG. 2, the artificial neural network model is a method of linearly combining explanatory variables in various ways, and then predicting the dependent variable using the linear combination in the form of a nonlinear function. Hereinafter, a single hidden layer and a feedforward neural network model will be described. However, this description is equally extended to more complex neural network models such as multiple hidden layers.
신경망 모형에서 종속변수 는 비선형 함수 로 표현되며, 이때 는 m개의 유도 설명변수(derived predictors) 로 구성되며, 형태는 다음과 같다.Dependent Variables in Neural Network Model Is a nonlinear function , Where Is m derived predictors It is composed of the following forms.
통상 로 할당하게 되며, 나머지 (i번째 관찰치의 j번째 유도 설명변수)는 비선형 함수 로 표현하되, 이때 는 최초 설명변수 의 선형결합 형태로 이루어진다. 수식은 다음과 같다.Normal Will be assigned to (jth derived explanatory variable of the i observation) is a nonlinear function Expressed as Is the first explanatory variable It consists of a linear combination of. The formula is as follows.
위 수학식 1 및 수학식 2를 결합하면 다음 수학식 3과 같다.Combining Equations 1 and 2 above is equal to Equation 3 below.
위 식에서 m개의 함수 를 활성화 함수(activation function)라고 하며, 대표적인 형태는 다음과 같은 로지스틱 함수이다. 이러한 함수 형태는 여러 가지 상황에 비교적 잘 들어맞는 유연성을 가지고 있는 것으로 알려져 있다.M functions in the above expression Is called an activation function, and its typical form is the following logistic function. This type of function is known to have the flexibility to fit relatively well in various situations.
활성화 함수를 이용하여 수학식 3을 다시 표현하면 다음 수학식 5와 같다.Equation 3 is re-expressed using an activation function as in Equation 5 below.
로지스틱 활성화 함수는 0과 1 사이의 값을 가지므로, 본 연구에서처럼 종속변수가 연속형인 경우 가 0과 1 사이의 값을 취하도록 다음과 같이 변환해 줄 필요가 있다.The logistic activation function has a value between 0 and 1, so if the dependent variable is continuous You need to convert it so that takes a value between 0 and 1.
신경망 모형은 네트워크 형태로 그 구조를 표현하는 경우가 일반적이다. 통상의 선형 회귀 모형과 신경망 모형을 네트워크 형태로 표현하면 도 2와 같다.Neural network models usually represent their structure in the form of a network. A typical linear regression model and a neural network model are shown in FIG. 2.
도 2에서 오른쪽 신경망 모형에서 가운데 H는 m개의 은닉 노드(hidden node)를 나타낸다. 활성화 함수 에 대해 로지스틱함수가 아닌 항등함수(identify function) 를 가정할 경우 신경망 모형은 일반적인 선형 회귀 모형으로 단순해진다. 다시 말해 신경망 모형은 선형 회귀 모형을 일반화시킨 것으로 해석할 수 있다. 이와 같은 신경망 모형에서 모수 값을 찾는 과정은 종종 'back-propagation'이라는 절차를 통해 이루어지며 본 발명에서도 이러한 방법을 따라 모수를 추정하도록 구성될 수 있다.In FIG. 2, the middle H represents m hidden nodes in the right neural network model. Activation function Identity function, not a logistic function We assume that the neural network model is simplified to a general linear regression model. In other words, the neural network model can be interpreted as a generalization of the linear regression model. The process of finding parameter values in such a neural network model is often performed through a procedure called 'back-propagation', and the present invention may be configured to estimate parameters according to this method.
도 3은 본 발명의 일 실시예에 따른 공간 보간의 결과를 나타내는 예시도이다.3 is an exemplary diagram illustrating a result of spatial interpolation according to an embodiment of the present invention.
도 3에서는 좌측 그림처럼 주택이 거래된 경우, 우측 그림처럼 이러한 주택들의 거래가격을 기초로 거래되지 않은 나머지 모든 주택들의 값을 공간 보간한다. 즉, 좌측의 점 자료(point data)를 기초로 우측의 면 자료(areal data, 연속 표면)를 구축하는 것이 바로 공간 보간이라 할 수 있다.In FIG. 3, when houses are traded as shown in the left figure, the values of all the houses not traded are spatially interpolated based on the transaction prices of these houses as shown in the right figure. In other words, spatial interpolation is the construction of the right surface data (areal data) based on the point data on the left.
도 4는 본 발명의 일 실시예에 따른 가격 추정 모형의 유효성 검증 결과를 나타내는 예시도이다.4 is an exemplary view showing a validation result of a price estimation model according to an embodiment of the present invention.
도 4는 암사동 주택의 실제 거래가격 대비 모형에 의한 추정가격 비율을 계산한 것으로서, 이러한 가격 비율의 고저를 살펴 모형의 전반적인 유효성을 판단할 수 있다.4 is a calculation of the estimated price ratio by the model compared to the actual transaction price of the Amsa-dong housing, the overall effectiveness of the model can be determined by looking at the high and low price ratio.
도 5는 본 발명의 일 실시예에 따른 추정 가격의 온라인 제공 화면의 예시도이다.5 is an exemplary diagram of an online providing screen of an estimated price according to an embodiment of the present invention.
추정이 적정한다고 판단되면, 도 5와 같은 추정 가격을 온라인상으로 제공하도록 구성될 수 있다.If it is determined that the estimate is appropriate, it may be configured to provide the estimated price such as FIG. 5 online.
도 6은 본 발명의 일 실시예에 따른 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 방법의 흐름도이다.6 is a flowchart of a method for automatically evaluating real estate prices based on an ensemble learning method according to an embodiment of the present invention.
도 6을 참조하면, 가격 추정 모형 설계 모듈(120)이 부동산 데이터베이스(110)에 미리 저장된 해당 부동산의 실제 가격, 지리 좌표 및 유사 가격권 구획 자료에 적어도 하나 이상의 모수 모형(parametric model) 및 적어도 하나 이상의 비모수 모형(non-parametric model)을 적용하여 모집단의 소정 부동산에 대한 모형별 가격을 각각 산출한다(S101).Referring to FIG. 6, the price estimation model design module 120 may include at least one parametric model and at least one of the real price, geographic coordinates, and pseudo-price parity data of the real estate previously stored in the real estate database 110. By applying the above non-parametric model (S101) to calculate the price for each model for a given real estate of the population (S101).
이때, 가격 추정 모형 설계 모듈(120)은 모수 모형 중 선형 회귀 모형을 적용하고, 비모수 모형 중 랜덤 포리스트 모형 또는 부스팅 모형을 적용하도록 구성될 수 있다.In this case, the price estimation model design module 120 may be configured to apply a linear regression model among the parameter models, and apply a random forest model or a boosting model among the non-parametric models.
다음으로, 가격 추정 모형 설계 모듈(120)이 각각 산출된 모형별 가격에 서로 동일하거나 또는 서로 상이한 가중치를 부여하여 가중치 적용 가격을 산출한다(S102).Next, the price estimation model design module 120 calculates the weighted price by giving the same or different weights to the calculated price for each model, respectively (S102).
여기서, 가격 추정 모형 설계 모듈(120)은 각 모형별 가격에 산술 평균 가중치를 적용하거나 또는 각 모형별 가격의 신뢰성에 따라 인공 신경망 모형(artificial neural network model)을 이용하여 각 모형별 가격에 대한 최적 가중치를 산출하여 적용하도록 구성될 수 있다.Here, the price estimation model design module 120 applies an arithmetic mean weight to the price of each model or optimizes the price of each model using an artificial neural network model according to the reliability of the price of each model. It may be configured to calculate and apply a weight.
다음으로, 가격 추정 모형 설계 모듈(120)이 앞서 산출된 가중치 적용 가격이 해당 부동산의 유사 가격권 구획 자료에 대비하여 유사한지 여부를 통해 물리적 위치에 따른 가격 차이를 판단한다(S103).Next, the price estimation model design module 120 determines the price difference according to the physical location based on whether the weighted price calculated above is similar to the similar price zone partition data of the property (S103).
여기서, 판단 결과 가중치 적용 가격의 물리적 위치에 따른 가격 차이가 소정 기준치 이상인 경우, 가격 추정 모형 설계 모듈(120)이 물리적 위치를 고려하여 가중치 적용 가격을 공간상에서 보간하여 추정 가격을 산출한다(S104).If the price difference according to the physical location of the weighted price is greater than or equal to a predetermined reference value, the price estimation model design module 120 calculates an estimated price by interpolating the weighted price in space in consideration of the physical location (S104). .
이때, 가격 추정 모형 설계 모듈(120)은 부동산 데이터베이스(110)에 저장된 이미 거래가 발생한 부동산의 해당 물리적 위치를 고려하여 해당 부동산의 실제 거래 가격을 선형 조합하고 선형 조합된 실제 거래 가격을 이용하여 가중치 적용 가격을 공간상에서 보간하는 크리깅(kriging) 기법에 의해 추정 가격을 산출하도록 구성될 수 있다.At this time, the price estimation model design module 120 linearly combines the actual transaction price of the real estate in consideration of the physical location of the real estate that has already occurred transaction stored in the real estate database 110 and apply a weight using the linear combined actual transaction price It can be configured to calculate an estimated price by a kriging technique that interpolates the price in space.
다음으로, 추정 가격 유효성 검증 모듈(130)이 추정 가격을 부동산 데이터베이스(110)에 저장된 실제 거래 가격과 대비하여 추정 가격의 유효성을 검증한다(S105).Next, the estimated price validation module 130 verifies the validity of the estimated price by comparing the estimated price with the actual transaction price stored in the real estate database 110 (S105).
이때, 추정 가격 유효성 검증 모듈(130)은 추정 가격을 부동산 데이터베이스(110)에 저장된 실제 거래 가격과 대비하여 가격 비율, 분산 계수 및 절대 평균 오류율을 산출하고, 산출 결과에 따라 추정 가격의 유효성을 검증하도록 구성될 수 있다.In this case, the estimated price validation module 130 calculates a price ratio, a variance coefficient, and an absolute average error rate by comparing the estimated price with the actual transaction price stored in the real estate database 110, and verifies the validity of the estimated price according to the calculation result. It can be configured to.
다음으로, 추정 가격 유효성 검증 모듈(130)에서 유효성이 검증된 경우, 모집단 가격 추정 모듈이 가격 추정 모형 설계 모듈(120)의 산출 방식에 따라 모집단의 나머지 부동산의 추정 가격을 산출한다(S106).Next, when the validity is verified in the estimated price validation module 130, the population price estimation module calculates an estimated price of the remaining real estate of the population according to the calculation method of the price estimation model design module 120 (S106).
다음으로, 추정 가격 적정성 검토 모듈(150)이 모집단 가격 추정 모듈(140)에서 추정된 부동산의 추정 가격에 대한 가격 범위와 부동산 데이터베이스(110)에 저장된 실제 거래 가격의 가격 범위를 대비하여 모집단의 나머지 부동산의 추정 가격에 대한 적정성을 검토한다(S107).Next, the estimated price adequacy review module 150 compares the price range for the estimated price of the real estate estimated by the population price estimation module 140 with the price range of the actual transaction price stored in the real estate database 110. Review the appropriateness of the estimated price of the real estate (S107).
다음으로, 추정 가격 적정성 검토 모듈(150)에서 추정 가격이 적정한 것으로 검토되는 경우, 추정 가격 제공 모듈(160)이 검토된 추정 가격을 온라인상에서 제공한다(S108).Next, when the estimated price is reviewed as appropriate in the estimated price adequacy review module 150, the estimated price providing module 160 provides the reviewed estimated price online (S108).
이상 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although described with reference to the above embodiments, those skilled in the art can understand that the present invention can be variously modified and changed without departing from the spirit and scope of the invention described in the claims below. There will be.
Claims (10)
- 부동산별 실제 거래 가격, 지리 좌표 및 유사 가격권 구획 자료가 미리 저장되는 부동산 데이터베이스;A real estate database in which real transaction prices, geographic coordinates, and pseudo-price parcel data by real estate are stored in advance;상기 부동산 데이터베이스에 미리 저장된 해당 부동산의 실제 가격, 지리 좌표 및 유사 가격권 구획 자료에 적어도 하나 이상의 모수 모형(parametric model) 및 적어도 하나 이상의 비모수 모형(non-parametric model)을 적용하여 모집단의 소정 부동산에 대한 모형별 가격을 각각 산출하고, 각각 산출된 모형별 가격에 서로 동일하거나 또는 서로 상이한 가중치를 부여하여 가중치 적용 가격을 산출하며, 상기 산출된 가중치 적용 가격이 해당 부동산의 유사 가격권 구획 자료에 대비하여 유사한지 여부를 통해 물리적 위치에 따른 가격 차이를 판단하며, 판단 결과 상기 가중치 적용 가격의 물리적 위치에 따른 가격 차이가 소정 기준치 이상인 경우 상기 물리적 위치를 고려하여 상기 가중치 적용 가격을 공간상에서 보간하여 추정 가격을 산출하는 가격 추정 모형 설계 모듈;At least one parametric model and at least one non-parametric model are applied to the real estate, geographic coordinates, and pseudo-price parity data of the real estate previously stored in the real estate database. Calculate the weighted price by calculating the price for each model for each model, and assigning the same or different weights to the calculated price for each model, wherein the calculated weighted price is compared to the similar price range partition data of the property. The price difference according to the physical location is determined by the similarity, and if the price difference according to the physical location of the weighted price is more than a predetermined reference value, the weighted price is estimated by interpolating the space in consideration of the physical location. Price estimation model to calculate the price System module;상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 상기 추정 가격의 유효성을 검증하는 추정 가격 유효성 검증 모듈;An estimated price validation module for validating the estimated price against the estimated price compared with the actual transaction price stored in the real estate database;상기 추정 가격 유효성 검증 모듈에서 유효성이 검증된 경우, 상기 가격 추정 모형 설계 모듈의 산출 방식에 따라 상기 모집단의 나머지 부동산의 추정 가격을 산출하는 모집단 가격 추정 모듈;A population price estimation module that calculates an estimated price of the remaining real estate of the population according to a calculation method of the price estimation model design module, when the validation is validated in the estimated price validation module;상기 모집단 가격 추정 모듈에서 추정된 부동산의 추정 가격에 대한 가격 범위와 상기 부동산 데이터베이스에 저장된 실제 거래 가격의 가격 범위를 대비하여 상기 모집단의 나머지 부동산의 추정 가격에 대한 적정성을 검토하는 추정 가격 적정성 검토 모듈;Estimated price adequacy review module that examines the adequacy of the estimated price of the remaining real estate of the population against the price range of the estimated price of the real estate estimated by the population price estimation module and the price range of the actual transaction price stored in the real estate database ;상기 추정 가격 적정성 검토 모듈에서 상기 추정 가격이 적정한 것으로 검토되는 경우, 검토된 추정 가격을 온라인상에서 제공하는 추정 가격 제공 모듈을 포함하는 앙상블(ensemble) 학습 기법에 기반한 부동산 가격 자동 평가 시스템.And if the estimated price is reviewed as appropriate in the estimated price adequacy review module, an automatic price estimation system based on an ensemble learning technique including an estimated price providing module that provides the estimated estimated price online.
- 제1항에 있어서, 상기 가격 추정 모형 설계 모듈은,The method of claim 1, wherein the price estimation model design module,상기 모수 모형 중 선형 회귀 모형을 적용하고, 상기 비모수 모형 중 랜덤 포리스트 모형 또는 부스팅 모형을 적용하도록 구성되는 것을 특징으로 하는 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템.An automatic real estate price evaluation system based on an ensemble learning method, wherein the linear regression model is applied among the parameter models, and a random forest model or a boosting model is applied among the non-parametric models.
- 제1항에 있어서, 상기 가격 추정 모형 설계 모듈은,The method of claim 1, wherein the price estimation model design module,각 모형별 가격에 산술 평균 가중치를 적용하거나 또는 각 모형별 가격의 신뢰성에 따라 인공 신경망 모형(artificial neural network model)을 이용하여 각 모형별 가격에 대한 최적 가중치를 산출하여 적용하도록 구성되는 것을 특징으로 하는 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템.It is configured to apply the arithmetic mean weight to the price of each model or to calculate and apply the optimal weight for each model using artificial neural network model according to the reliability of the price of each model. Real estate price automatic evaluation system based on the ensemble learning technique.
- 제1항에 있어서, 상기 가격 추정 모형 설계 모듈은,The method of claim 1, wherein the price estimation model design module,상기 부동산 데이터베이스에 저장된 이미 거래가 발생한 부동산의 해당 물리적 위치를 고려하여 해당 부동산의 실제 거래 가격을 선형 조합하고 선형 조합된 실제 거래 가격을 이용하여 상기 가중치 적용 가격을 공간상에서 보간하는 크리깅(kriging) 기법에 의해 추정 가격을 산출하도록 구성되는 것을 특징으로 하는 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템.In the kriging technique of linearly combining the actual transaction price of the real estate in consideration of the corresponding physical location of the real estate in which the transaction has already occurred stored in the real estate database and interpolating the weighted price in space using the linear combined actual transaction price. Real estate price automatic valuation system based on an ensemble learning technique, characterized in that it is configured to calculate an estimated price.
- 제1항에 있어서, 상기 추정 가격 유효성 검증 모듈은,The method of claim 1, wherein the estimated price validation module,상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 가격 비율, 분산 계수 및 절대 평균 오류율을 산출하고, 산출 결과에 따라 상기 추정 가격의 유효성을 검증하도록 구성되는 것을 특징으로 하는 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템.An ensemble learning technique configured to calculate a price ratio, a variance coefficient, and an absolute mean error rate by comparing the estimated price with an actual transaction price stored in the real estate database, and verify the validity of the estimated price according to the calculation result. Based real estate price automatic evaluation system.
- 가격 추정 모형 설계 모듈이 부동산 데이터베이스에 미리 저장된 해당 부동산의 실제 가격, 지리 좌표 및 유사 가격권 구획 자료에 적어도 하나 이상의 모수 모형(parametric model) 및 적어도 하나 이상의 비모수 모형(non-parametric model)을 적용하여 모집단의 소정 부동산에 대한 모형별 가격을 각각 산출하는 단계;The price estimating model design module applies at least one parametric model and at least one non-parametric model to the actual price, geographic coordinates, and pseudo-price parcel data of the property previously stored in the real estate database. Calculating a price for each model of a predetermined real estate of the population;상기 가격 추정 모형 설계 모듈이 상기 각각 산출된 모형별 가격에 서로 동일하거나 또는 서로 상이한 가중치를 부여하여 가중치 적용 가격을 산출하는 단계;Calculating, by the price estimating model design module, a weighted price by assigning the same or different weights to each of the calculated prices for each model;상기 가격 추정 모형 설계 모듈이 상기 산출된 가중치 적용 가격이 해당 부동산의 유사 가격권 구획 자료에 대비하여 유사한지 여부를 통해 물리적 위치에 따른 가격 차이를 판단하는 단계;Determining, by the price estimating model design module, a price difference according to a physical location based on whether the calculated weighted price is similar to the similar price zone segment data of the real estate;상기 판단 결과 상기 가중치 적용 가격의 물리적 위치에 따른 가격 차이가 소정 기준치 이상인 경우, 상기 가격 추정 모형 설계 모듈이 상기 물리적 위치를 고려하여 상기 가중치 적용 가격을 공간상에서 보간하여 추정 가격을 산출하는 단계;Calculating the estimated price by interpolating the weighted price in space in consideration of the physical location when the price difference according to the physical location of the weighted price is greater than or equal to a predetermined reference value as a result of the determination;추정 가격 유효성 검증 모듈이 상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 상기 추정 가격의 유효성을 검증하는 단계;A step of validating the estimated price by the estimated price validation module comparing the estimated price with an actual transaction price stored in the real estate database;상기 추정 가격 유효성 검증 모듈에서 유효성이 검증된 경우, 모집단 가격 추정 모듈이 상기 가격 추정 모형 설계 모듈의 산출 방식에 따라 상기 모집단의 나머지 부동산의 추정 가격을 산출하는 단계;When the estimated price validation module is validated, calculating, by the population price estimation module, an estimated price of the remaining real estate of the population according to a calculation method of the price estimation model design module;추정 가격 적정성 검토 모듈이 상기 모집단 가격 추정 모듈에서 추정된 부동산의 추정 가격에 대한 가격 범위와 상기 부동산 데이터베이스에 저장된 실제 거래 가격의 가격 범위를 대비하여 상기 모집단의 나머지 부동산의 추정 가격에 대한 적정성을 검토하는 단계;The estimated price adequacy review module examines the adequacy of the estimated prices of the remaining properties of the population against the price range of the estimated price of the real estate estimated by the population price estimation module and the price range of the actual transaction price stored in the real estate database. Doing;상기 추정 가격 적정성 검토 모듈에서 상기 추정 가격이 적정한 것으로 검토되는 경우, 추정 가격 제공 모듈이 상기 검토된 추정 가격을 온라인상에서 제공하는 단계를 포함하는 앙상블(ensemble) 학습 기법에 기반한 부동산 가격 자동 평가 방법.And when the estimated price is reviewed as being appropriate in the estimated price adequacy review module, providing an estimated price online by the estimated price providing module, based on an ensemble learning technique.
- 제6항에 있어서, 상기 가격 추정 모형 설계 모듈이 부동산 데이터베이스에 미리 저장된 해당 부동산의 실제 가격, 지리 좌표 및 유사 가격권 구획 자료에 적어도 하나 이상의 모수 모형 및 적어도 하나 이상의 비모수 모형을 적용하여 모집단의 소정 부동산에 대한 모형별 가격을 각각 산출하는 단계는,7. The method of claim 6, wherein the price estimating model design module applies at least one parameter model and at least one non-parametric model to the actual price, geographic coordinates, and pseudo-price parity data of the property previously stored in the real estate database. Computing the price of each model for real estate,상기 모수 모형 중 선형 회귀 모형을 적용하고, 상기 비모수 모형 중 랜덤 포리스트 모형 또는 부스팅 모형을 적용하도록 구성되는 것을 특징으로 하는 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 방법.Applying a linear regression model of the parameter model, and random forest model or boosting model of the non-parametric model is configured to apply the real estate price automatic evaluation method based on the ensemble learning method.
- 제6항에 있어서, 상기 가격 추정 모형 설계 모듈이 상기 각각 산출된 모형별 가격에 서로 동일하거나 또는 서로 상이한 가중치를 부여하여 가중치 적용 가격을 산출하는 단계는,The method of claim 6, wherein the price estimating model design module calculates a weighted price by assigning weights equal to or different from each other to the calculated price for each model,각 모형별 가격에 산술 평균 가중치를 적용하거나 또는 각 모형별 가격의 신뢰성에 따라 인공 신경망 모형(artificial neural network model)을 이용하여 각 모형별 가격에 대한 최적 가중치를 산출하여 적용하도록 구성되는 것을 특징으로 하는 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 방법.It is configured to apply the arithmetic mean weight to the price of each model or to calculate and apply the optimal weight for each model using artificial neural network model according to the reliability of the price of each model. Real estate price automatic evaluation method based on the ensemble learning technique.
- 제6항에 있어서, 상기 판단 결과 상기 가중치 적용 가격의 물리적 위치에 따른 가격 차이가 소정 기준치 이상인 경우, 상기 가격 추정 모형 설계 모듈이 상기 물리적 위치를 고려하여 상기 가중치 적용 가격을 공간상에서 보간하여 추정 가격을 산출하는 단계는,According to claim 6, If the result of the determination that the price difference according to the physical location of the weighted price is more than a predetermined reference value, the price estimation model design module interpolates the weighted price in space in consideration of the physical location to estimate the estimated price Calculating the step,상기 부동산 데이터베이스에 저장된 이미 거래가 발생한 부동산의 해당 물리적 위치를 고려하여 해당 부동산의 실제 거래 가격을 선형 조합하고 선형 조합된 실제 거래 가격을 이용하여 상기 가중치 적용 가격을 공간상에서 보간하는 크리깅(kriging) 기법에 의해 추정 가격을 산출하도록 구성되는 것을 특징으로 하는 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 방법.In the kriging technique of linearly combining the actual transaction price of the real estate in consideration of the corresponding physical location of the real estate in which the transaction has already occurred stored in the real estate database and interpolating the weighted price in space using the linear combined actual transaction price. Automatic price estimation method based on an ensemble learning technique, characterized in that it is configured to calculate the estimated price.
- 제6항에 있어서, 상기 추정 가격 유효성 검증 모듈이 상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 상기 추정 가격의 유효성을 검증하는 단계는,The method of claim 6, wherein the estimating price validation module validates the estimated price by comparing the estimated price with an actual transaction price stored in the real estate database.상기 추정 가격을 상기 부동산 데이터베이스에 저장된 실제 거래 가격과 대비하여 가격 비율, 분산 계수 및 절대 평균 오류율을 산출하고, 산출 결과에 따라 상기 추정 가격의 유효성을 검증하도록 구성되는 것을 특징으로 하는 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 방법.An ensemble learning technique configured to calculate a price ratio, a variance coefficient, and an absolute mean error rate by comparing the estimated price with an actual transaction price stored in the real estate database, and verify the validity of the estimated price according to the calculation result. Automated Valuation of Real Estate Prices Based.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/KR2017/001642 WO2018151343A1 (en) | 2017-02-15 | 2017-02-15 | System and method for automatically assessing real estate price on basis of ensemble learning technique |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/KR2017/001642 WO2018151343A1 (en) | 2017-02-15 | 2017-02-15 | System and method for automatically assessing real estate price on basis of ensemble learning technique |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2018151343A1 true WO2018151343A1 (en) | 2018-08-23 |
Family
ID=63170367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2017/001642 WO2018151343A1 (en) | 2017-02-15 | 2017-02-15 | System and method for automatically assessing real estate price on basis of ensemble learning technique |
Country Status (1)
Country | Link |
---|---|
WO (1) | WO2018151343A1 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003022314A (en) * | 2001-07-06 | 2003-01-24 | Recruit Co Ltd | Method, device and program for estimating real estate price function |
KR20070097939A (en) * | 2006-03-30 | 2007-10-05 | 삼두주식회사 | Method for providing real estate information using client/server and computer readable medium for storing program performing the same |
KR20090103087A (en) * | 2008-03-27 | 2009-10-01 | 연세대학교 산학협력단 | Land Value Monitoring System and Method Thereof |
KR20170061834A (en) * | 2015-11-27 | 2017-06-07 | 맹준영 | Automated valuation system and method of property price based on an ensemble learning technique |
-
2017
- 2017-02-15 WO PCT/KR2017/001642 patent/WO2018151343A1/en active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003022314A (en) * | 2001-07-06 | 2003-01-24 | Recruit Co Ltd | Method, device and program for estimating real estate price function |
KR20070097939A (en) * | 2006-03-30 | 2007-10-05 | 삼두주식회사 | Method for providing real estate information using client/server and computer readable medium for storing program performing the same |
KR20090103087A (en) * | 2008-03-27 | 2009-10-01 | 연세대학교 산학협력단 | Land Value Monitoring System and Method Thereof |
KR20170061834A (en) * | 2015-11-27 | 2017-06-07 | 맹준영 | Automated valuation system and method of property price based on an ensemble learning technique |
Non-Patent Citations (2)
Title |
---|
LEE, CHANG RO ET AL.: "A Bayesian Estimation of Price for Commercial Property: Using Subjective Priors and a Kriging Technique", JOURNAL OF THE KOREAN GEOGRAPHICAL SOCIETY, October 2014 (2014-10-01), pages 761 - 778 * |
LEE, CHANG RO: "Estimating Single-family House Prices Using Non-parametric Spatial Models and an Ensemble Learning Approach", SEOUL NATIONAL UNIVERSITY LIBRARY, August 2015 (2015-08-01), Retrieved from the Internet <URL:http://dcollection.snu.ac.kr/common/DcLoOrgPer.jsp?sItemId=000000053288> * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301570A (en) | Traffic prediction method, abnormal traffic quantity measuring method, device and electronic equipment | |
CN106844781A (en) | Data processing method and device | |
KR101794027B1 (en) | Automated valuation system and method of property price based on an ensemble learning technique | |
CN110263938A (en) | Method and apparatus for generating information | |
WO2014157748A1 (en) | Apparatus and method for predicting rate of flow and concentration of constituents flowing into sewage treatment plant using nearest neighbor technique | |
WO2019187341A1 (en) | Index computation device, prediction system, progress prediction evaluation method, and program | |
Lee et al. | A multi-period output DEA model with consistent time lag effects | |
WO2020098016A1 (en) | Network traffic prediction method, device, and electronic device | |
JP2020135390A (en) | Information processor, method for processing information, and program | |
Rupi et al. | Ranking links in a road transport network: a practical method for the calculation of link importance | |
CN112256886A (en) | Probability calculation method and device in map, computer equipment and storage medium | |
Mostafaee et al. | Identifying the anchor points in DEA using sensitivity analysis in linear programming | |
Arulmozhi | Direct method for reliability computation of k-out-of-n: G systems | |
US20030163436A1 (en) | Neuronal network for modeling a physical system, and a method for forming such a neuronal network | |
WO2018151343A1 (en) | System and method for automatically assessing real estate price on basis of ensemble learning technique | |
CN111126566B (en) | Abnormal furniture layout data detection method based on GAN model | |
Mei et al. | A social trust model considering trustees’ influence | |
CN108829987A (en) | A kind of data driven type probability evaluation method of failure | |
CN111680346A (en) | House type graph complementing method and device, computer readable storage medium, electronic device | |
JP7212292B2 (en) | LEARNING DEVICE, LEARNING METHOD AND LEARNING PROGRAM | |
CN116362894A (en) | Multi-objective learning method, multi-objective learning device, electronic equipment and computer readable storage medium | |
Gomes et al. | A methodology for evaluating the performance of model-based traffic prediction systems | |
CN112348351B (en) | Method for evaluating seismic reinforcement priority of bridge in road network | |
CN112200234B (en) | Method and device for preventing model stealing in model classification process | |
CN111382846B (en) | Method and device for training neural network model based on transfer learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 17896440 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 15/11/2019) |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 17896440 Country of ref document: EP Kind code of ref document: A1 |