시계열 딥러닝 모델을 통한 지역별 주택매매 가격지수 예측 연구 = A Study on the Prediction of Regional Housing Price Index by Time Series Deep Learning Models

국문 초록 (Abstract)

현대 주택시장은 거시경제의 불확실성 증대와 빅데이터 환경의 도래로 인해 예측의 복잡성이 날로 커지고 있다. 특히 팬데믹 이후 급격한 가격 조정을 거쳐 서울 등 수도권은 일부 회복세를 보이지만 지방은 하락하는 추세가 지속되는 양극화 현상이 심화되면서 기존 통계 기반 모델의 한계가 더욱 명확히 드러나고 있다. 여러 출처로부터 수집되는 데이터는 필연적으로 결측치가 발생하게 되며 서로 다른 측정 주기로 인한 혼합주기문제도 있고 변수 갯수의 급증에 따른 차원의 저주와 같은 실질적인 난제들을 포함하고 있다. 국가의 정책, 대외무역, 경기 등 영향을 크게 받는 대한민국 부동산 시장 환경에서 정확한 예측을 포착하기 어렵게 만든다.
이러한 한계를 극복하려고 이번 연구에서는 데이터의 내재적 결함을 처리하고 잠재적 특성을 효과적으로 추출하는 딥러닝 모델 BIVA(Bi-direction time series Imputation Variation Auto-encoder)를 핵심 분석 도구로 선택 및 채택하고 부동산 및 금융 등 다양한 산업의 시계열 예측 분야에서 성능이 입증된 LSTM(Long Short-Term Memory) 모델과의 성능을 비교 분석한다. 이렇게 비교함으로써 복잡하고 불완전한 데이터 환경에서의 모델의 정확성을 실증적으로 평가하려고 한다.
이번 연구의 핵심 목표는 김의철 박사가 개발한 딥러닝 모델인 BIVA모델과 LSTM모델을 국내 주요 도시(서울, 부산, 대전, 인천, 광주)의 주택매매가격지수 예측에 적용하여 그 실효성을 검증하는 것이다. 이는 최근 수도권과 지방 대도시 간 가격 양극화가 심화되는 상황에서 시의적절한 분석이라 할 수 있다. 다변량 데이터에서 발생하는 결측치, 혼합주기, 차원저주 등 문제에 대해 선택한 딥러닝 방법으로 해결하고 코로나19 팬데믹 기간을 포함한 기간에서 지역변수 추가에 따른 비교 분석을 통해 지역별 시장 구조 변화에 대한 모델의 예측력을 연구한다.
비교 연구를 진행하기 위해 주택 시장과 연관된 33개의 월별 지표와 1개의 분기별 지표 GDP 데이터를 포함한 총 34개의 혼합주기 시계열 변수를 활용하였다. BIVA 모델에는 전체 학습데이터 구간에 대한 일반화 성능을 높이기 위해 Sliding Window 입력 방식을 적용하였고 예측력은 RMSE와 MAE 지표를 통해 다각적으로 평가하였다.
분석 결과 BIVA 모델은 코로나19 이후 2021년~2022년에 나타난 급격한 시장 변동성과 지역별 가격 분화 속에서도 주택매매가격지수의 구조적 패턴을 상대적으로 안정적으로 예측하였으며 연구 목적에 부합하는 예측력을 보였다. LSTM 모델은 특정 구간에서 상대적으로 큰 오차를 나타냈고 변동성에 대하여 상대적으로 민감하였다. 이것은 팬데믹 이후 주택 시장의 비정상성이 모델의 예측 성능에 미치는 영향을 보여주고 있으며 데이터의 불완전성을 내재적으로 처리하는 BIVA 모델의 상대적 우수성을 시사한다.
이번 연구는 BIVA와 같은 최신 딥러닝 기법이 다변량 데이터의 안정성을 확보하며 다양한 요소의 영향을 받는 주택 시장의 주택매매가격지수를 상대적으로 효과적으로 예측할 수 있음을 나타냈다. 통계적 방법론의 구조적 접근을 딥러닝 모델 설계에 적용할 수 있으며ㅣ 예측 성능 간의 균형을 모색하는 상호보완적 연구의 가능성을 제시했다는 점에서 학술적 의의를 찾을 수 있다.

목차 (Table of Contents)

• 논문 개요 ⅲ
• Ⅰ. 서 론 1
• 1. 연구 배경 1
• 가. 대한민국 주택시장 1
• 나. 딥러닝 기법의 필요성(지역별 예측) 3
• 2. 연구 목적과 의의 4
• Ⅱ. 본 론 7
• 1. 주요 개념 7
• 가. 주택매매가격지수 7
• 나. 시계열 데이터와 시계열 딥러닝 모델 8
• 2. 연구모델 10
• 가. BIVA 모델 11
• 나. LSTM 모델 11
• 3. 선행연구와 검토 12
• 가. 선행연구 12
• 나. 연구방향 및 연구차별성 14
• Ⅲ. 연구방법 및 모델선정 17
• 1. 연구변수 선정 17
• 2. 연구모델 선정 21
• 가. BIVA 모델 21
• 나. LSTM 모델 25
• 3. 연구 대상도시 지역별 특성 26
• 4. 분석 방법 32
• 가. 분석 데이터 선정 32
• 나. 분석 데이터 모델 방법 37
• 다. 예측력 비교 방법 40
• Ⅳ. 분석 결과 42
• 1. 주택매매가격지수 예측을 위한 대상지역, 알고리즘, 입력변수 42
• 2. 대상 지역 예측 결과(지역별 BIVA와 LSTM 모델간 비교) 43
• 3. 지역변수 추가에 따른 예측력 비교 47
• 4. BIVA모델 추출 요인 수에 따른 예측력 비교 49
• Ⅴ. 결 론 53
• 1. 연구의 결론 및 시사점 53
• 2. 연구의 한계 및 향후 연구 제언 54
• 참고문헌 55
• ABSTRACT 58
• 부록 및 기타 61
• 1. 연구 환경 61
• 2. 연구 데이터 시각화 (전국평균) 62