4th industrial revolution discussed in the World Economic Forum forecasts an era in which AI applied to a wide range of technologies can replace human brains. This, not only economically but also socially, is expected to be a turning point that will b...
다국어 입력
あ
ぁ
か
が
さ
ざ
た
だ
な
は
ば
ぱ
ま
や
ゃ
ら
わ
ゎ
ん
い
ぃ
き
ぎ
し
じ
ち
ぢ
に
ひ
び
ぴ
み
り
う
ぅ
く
ぐ
す
ず
つ
づ
っ
ぬ
ふ
ぶ
ぷ
む
ゆ
ゅ
る
え
ぇ
け
げ
せ
ぜ
て
で
ね
へ
べ
ぺ
め
れ
お
ぉ
こ
ご
そ
ぞ
と
ど
の
ほ
ぼ
ぽ
も
よ
ょ
ろ
を
ア
ァ
カ
サ
ザ
タ
ダ
ナ
ハ
バ
パ
マ
ヤ
ャ
ラ
ワ
ヮ
ン
イ
ィ
キ
ギ
シ
ジ
チ
ヂ
ニ
ヒ
ビ
ピ
ミ
リ
ウ
ゥ
ク
グ
ス
ズ
ツ
ヅ
ッ
ヌ
フ
ブ
プ
ム
ユ
ュ
ル
エ
ェ
ケ
ゲ
セ
ゼ
テ
デ
ヘ
ベ
ペ
メ
レ
オ
ォ
コ
ゴ
ソ
ゾ
ト
ド
ノ
ホ
ボ
ポ
モ
ヨ
ョ
ロ
ヲ
―
http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
예시)
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
А
Б
В
Г
Д
Е
Ё
Ж
З
И
Й
К
Л
М
Н
О
П
Р
С
Т
У
Ф
Х
Ц
Ч
Ш
Щ
Ъ
Ы
Ь
Э
Ю
Я
а
б
в
г
д
е
ё
ж
з
и
й
к
л
м
н
о
п
р
с
т
у
ф
х
ц
ч
ш
щ
ъ
ы
ь
э
ю
я
′
″
℃
Å
￠
￡
￥
¤
℉
‰
＄
％
Ｆ
￦
㎕
㎖
㎗
ℓ
㎘
㏄
㎣
㎤
㎥
㎦
㎙
㎚
㎛
㎜
㎝
㎞
㎟
㎠
㎡
㎢
㏊
㎍
㎎
㎏
㏏
㎈
㎉
㏈
㎧
㎨
㎰
㎱
㎲
㎳
㎴
㎵
㎶
㎷
㎸
㎹
㎀
㎁
㎂
㎃
㎄
㎺
㎻
㎽
㎾
㎿
㎐
㎑
㎒
㎓
㎔
Ω
㏀
㏁
㎊
㎋
㎌
㏖
㏅
㎭
㎮
㎯
㏛
㎩
㎪
㎫
㎬
㏝
㏐
㏓
㏃
㏉
㏜
㏆
딥러닝(deep learning)을 이용한 주택가격 예측모형 연구 : 서울시 주택 매매 실거래가를 중심으로 = A study on the forecasting of housing price using deep learning : focusing on apartment price index in Seoul
한글로보기https://www.riss.kr/link?id=T14659291
- 저자
-
발행사항
용인 : 강남대학교, 2017
- 학위논문사항
-
발행연도
2017
-
작성언어
한국어
-
KDC
321.32 판사항(6)
-
DDC
333.33 판사항(23)
-
발행국(도시)
경기도
-
형태사항
vii, 133 p. : 삽화(일부천연색), 도표, 지도 ; 26 cm
-
일반주기명
지도교수: 서충원
권말부록: 상관계수와 인공신경망 독립변수 중요도 비교표 ; 인공신경망 정규화 중요도 목록
참고문헌: p. 116-125 -
소장기관
- 강남대학교 도서관
- 국립중앙도서관
- 강남대학교 도서관
-
0
상세조회 -
0
다운로드
인용문이 복사되었습니다.
부가정보
다국어 초록 (Multilingual Abstract)
4th industrial revolution discussed in the World Economic Forum forecasts an era in which AI applied to a wide range of technologies can replace human brains. This, not only economically but also socially, is expected to be a turning point that will bring about an important change. In the real estate field, there is a call for new ways of research to forecast future real estate price change taking into account more diverse macro and micro variables.
This research aims at finding an optimal research model by comparing traditional statistical methods applying deep-learning technology based on Seoul apartments’ real transaction price index that represent general housing prices, forecasting changes in the apartments’ real transaction prices, and discovering factors that have impact on housing prices. 125 variables were collected that impact real estate prices among big data released in accordance with the government’s 3.0 policy and final 65 variables were selected as explanatory variables for analysis.
First, prediction rates of real transaction price index were compared applying SVM, random forest, and artificial neural network or ANN that are used for machine running to the singular time series model. Comparison of MSE(Mean squared error) values of 1 step-ahead placed the ANN multilayer perceptron model at 0.38, 11 times lower error rate compared to 4.16 of linear regression model, and superior to SVM (2.20) and random forest (0.86). Linear regression model and SVM expected a simple trend showing that future prediction values will steadily increase, random forest expected the prices will end up remaining steady, and the multilayer perceptron model predicted the prices will go up until the first half of 2018 and then go down.
Second, housing transaction volume time series analysis put random forest at the lowest error rate, 0.43, ANN at 0.6, SVM 1.95, and linear regression model at 2.0 respectively. In case of time series analysis, its nature being fluctuating and unpredictable, ANN has been found inappropriate due to difficulty in reading regular patterns of the past data.
Third, we have selected the 40-5 model from discrete data having looked for the best model in terms of accuracy based on the number of hidden layers and nodes through real transaction price index using deep-learning. The accuracy of training data recorded 93.6%, AUC value being 0.98 and that of test data 85.7%, its AUC value being 0.97, which proved excellence both in sensitivity and specificity as well as adequacy in complexity of the model with 45 nodes being used. MAE value of the 30-20 model in successive data represented the lowest, 0.2, and 0.985 of a correlation coefficient which is close to the real value. DNN(Deep Neural Network) with more than 3 hidden layers showed less accuracy as the number of layers went up, which proved its unsuitability for analysis. It has been concluded that ANN utilizing multilayer perceptron with 2 hidden layers is effective in analyzing typical macro economic variables.
Fourth, variables from discrete data that have a significant impact on real transaction price index listed total construction completion value, Seoul apartments’ transaction volume, average KOSPI trade cost per day, and company default rate in order and those from successive data represented profit-making securities, economic sentiment index, and company default rate. Given the characteristics of the variables, it can be said that the discrete model is effective in short term prediction of housing market and the successive in long term.
Finally, analysis of real transaction price index for the next 2 years applying 65 variables to the 30-20 model that was picked as the best showed a modest increase until April 2017 and decrease afterward and that housing prices of the 1st quarter of 2018 will form around the lowest point in December 2008 when the prices collapsed in the wake of financial crisis.
Real estate prices can not be estimated only considering data from the past, macro economic variables, and partial characteristics of housing. They fluctuate depending on various factors such as government policies, consumer sentiment, and foreign economic landscape. Therefore further review is required to conclude whether they should be considered for decision making though results from the study explain the reality by and large. More accurate real estate market prediction models need to be developed applying many different analytic methods based on this study.
This research aims at finding an optimal research model by comparing traditional statistical methods applying deep-learning technology based on Seoul apartments’ real transaction price index that represent general housing prices, forecasting changes in the apartments’ real transaction prices, and discovering factors that have impact on housing prices. 125 variables were collected that impact real estate prices among big data released in accordance with the government’s 3.0 policy and final 65 variables were selected as explanatory variables for analysis.
First, prediction rates of real transaction price index were compared applying SVM, random forest, and artificial neural network or ANN that are used for machine running to the singular time series model. Comparison of MSE(Mean squared error) values of 1 step-ahead placed the ANN multilayer perceptron model at 0.38, 11 times lower error rate compared to 4.16 of linear regression model, and superior to SVM (2.20) and random forest (0.86). Linear regression model and SVM expected a simple trend showing that future prediction values will steadily increase, random forest expected the prices will end up remaining steady, and the multilayer perceptron model predicted the prices will go up until the first half of 2018 and then go down.
Second, housing transaction volume time series analysis put random forest at the lowest error rate, 0.43, ANN at 0.6, SVM 1.95, and linear regression model at 2.0 respectively. In case of time series analysis, its nature being fluctuating and unpredictable, ANN has been found inappropriate due to difficulty in reading regular patterns of the past data.
Third, we have selected the 40-5 model from discrete data having looked for the best model in terms of accuracy based on the number of hidden layers and nodes through real transaction price index using deep-learning. The accuracy of training data recorded 93.6%, AUC value being 0.98 and that of test data 85.7%, its AUC value being 0.97, which proved excellence both in sensitivity and specificity as well as adequacy in complexity of the model with 45 nodes being used. MAE value of the 30-20 model in successive data represented the lowest, 0.2, and 0.985 of a correlation coefficient which is close to the real value. DNN(Deep Neural Network) with more than 3 hidden layers showed less accuracy as the number of layers went up, which proved its unsuitability for analysis. It has been concluded that ANN utilizing multilayer perceptron with 2 hidden layers is effective in analyzing typical macro economic variables.
Fourth, variables from discrete data that have a significant impact on real transaction price index listed total construction completion value, Seoul apartments’ transaction volume, average KOSPI trade cost per day, and company default rate in order and those from successive data represented profit-making securities, economic sentiment index, and company default rate. Given the characteristics of the variables, it can be said that the discrete model is effective in short term prediction of housing market and the successive in long term.
Finally, analysis of real transaction price index for the next 2 years applying 65 variables to the 30-20 model that was picked as the best showed a modest increase until April 2017 and decrease afterward and that housing prices of the 1st quarter of 2018 will form around the lowest point in December 2008 when the prices collapsed in the wake of financial crisis.
Real estate prices can not be estimated only considering data from the past, macro economic variables, and partial characteristics of housing. They fluctuate depending on various factors such as government policies, consumer sentiment, and foreign economic landscape. Therefore further review is required to conclude whether they should be considered for decision making though results from the study explain the reality by and large. More accurate real estate market prediction models need to be developed applying many different analytic methods based on this study.
4th industrial revolution discussed in the World Economic Forum forecasts an era in which AI applied to a wide range of technologies can replace human brains. This, not only economically but also socially, is expected to be a turning point that will bring about an important change. In the real estate field, there is a call for new ways of research to forecast future real estate price change taking into account more diverse macro and micro variables.
This research aims at finding an optimal research model by comparing traditional statistical methods applying deep-learning technology based on Seoul apartments’ real transaction price index that represent general housing prices, forecasting changes in the apartments’ real transaction prices, and discovering factors that have impact on housing prices. 125 variables were collected that impact real estate prices among big data released in accordance with the government’s 3.0 policy and final 65 variables were selected as explanatory variables for analysis.
First, prediction rates of real transaction price index were compared applying SVM, random forest, and artificial neural network or ANN that are used for machine running to the singular time series model. Comparison of MSE(Mean squared error) values of 1 step-ahead placed the ANN multilayer perceptron model at 0.38, 11 times lower error rate compared to 4.16 of linear regression model, and superior to SVM (2.20) and random forest (0.86). Linear regression model and SVM expected a simple trend showing that future prediction values will steadily increase, random forest expected the prices will end up remaining steady, and the multilayer perceptron model predicted the prices will go up until the first half of 2018 and then go down.
Second, housing transaction volume time series analysis put random forest at the lowest error rate, 0.43, ANN at 0.6, SVM 1.95, and linear regression model at 2.0 respectively. In case of time series analysis, its nature being fluctuating and unpredictable, ANN has been found inappropriate due to difficulty in reading regular patterns of the past data.
Third, we have selected the 40-5 model from discrete data having looked for the best model in terms of accuracy based on the number of hidden layers and nodes through real transaction price index using deep-learning. The accuracy of training data recorded 93.6%, AUC value being 0.98 and that of test data 85.7%, its AUC value being 0.97, which proved excellence both in sensitivity and specificity as well as adequacy in complexity of the model with 45 nodes being used. MAE value of the 30-20 model in successive data represented the lowest, 0.2, and 0.985 of a correlation coefficient which is close to the real value. DNN(Deep Neural Network) with more than 3 hidden layers showed less accuracy as the number of layers went up, which proved its unsuitability for analysis. It has been concluded that ANN utilizing multilayer perceptron with 2 hidden layers is effective in analyzing typical macro economic variables.
Fourth, variables from discrete data that have a significant impact on real transaction price index listed total construction completion value, Seoul apartments’ transaction volume, average KOSPI trade cost per day, and company default rate in order and those from successive data represented profit-making securities, economic sentiment index, and company default rate. Given the characteristics of the variables, it can be said that the discrete model is effective in short term prediction of housing market and the successive in long term.
Finally, analysis of real transaction price index for the next 2 years applying 65 variables to the 30-20 model that was picked as the best showed a modest increase until April 2017 and decrease afterward and that housing prices of the 1st quarter of 2018 will form around the lowest point in December 2008 when the prices collapsed in the wake of financial crisis.
Real estate prices can not be estimated only considering data from the past, macro economic variables, and partial characteristics of housing. They fluctuate depending on various factors such as government policies, consumer sentiment, and foreign economic landscape. Therefore further review is required to conclude whether they should be considered for decision making though results from the study explain the reality by and large. More accurate real estate market prediction models need to be developed applying many different analytic methods based on this study.
목차 (Table of Contents)
- 제1장 서론 1
- 제1절 연구배경 및 목적 1
- 제2절 연구범위 및 방법 4
- 제3절 선행연구 검토 8
- 1. 부동산 가격예측 관련연구 8
- 제1장 서론 1
- 제1절 연구배경 및 목적 1
- 제2절 연구범위 및 방법 4
- 제3절 선행연구 검토 8
- 1. 부동산 가격예측 관련연구 8
- 2. 인공신경망 모형 관련연구 12
- 3. 딥러닝 관련연구 15
- 제2장 주택가격 예측모형의 비교검토 18
- 제1절 경제선행지수모형 18
- 제2절 회귀분석모형 20
- 제3절 ARIMA 모형 22
- 제4절 VAR 모형 24
- 제5절 새로운 접근방법의 필요성 25
- 제3장 딥러닝을 이용한 가격예측모형 27
- 제1절 용어의 정의 27
- 1. 인공지능(Artificial Intelligence) 28
- 2 데이터 마이닝(Data Mining) 33
- 3. 빅데이터(Big Data) 34
- 4. 머신러닝(Machine Learning) 36
- 5. 딥러닝(Deep Learning) 38
- 제2절 딥러닝 연구방법 40
- 1. 인공신경망(Artificial Neural Network) 42
- 2. 다층 퍼셉트론(Multi Layer Perceptron) 48
- 3. 역전파 알고리즘(Backpropagation Algorithm) 52
- 4. 심층 신경망(Deep Neural Network) 54
- 5. 심층 신뢰 신경망(Deep Belief Networks) 56
- 제3절 머신러닝 알고리즘 59
- 1. 서포트 백터 머신(Support Vector Machine) 59
- 2. 랜덤 포레스트(Random Forest) 61
- 제4장 실증분석 63
- 제1절 변수의 선정 63
- 제2절 인공신경망을 이용한 시계열 분석 66
- 1. 아파트 실거래가지수 시계열 분석 68
- 1.1 선형회귀모형 68
- 1.2 SVM 모형 69
- 1.3 랜덤 포레스트 모형 71
- 1.4 인공신경망 모형 73
- 1.5 시계열분석 결과값 비교 75
- 2. 주택매매량 시계열 분석 79
- 2.1 선형회귀모형 79
- 2.2 SVM 모형 81
- 2.3 랜덤 포레스트 모형 82
- 2.4 인공신경망 모형 83
- 2.5 인공신경망 수정 모형 85
- 2.6 시계열분석 결과 비교 88
- 제3절 인공신경망과 딥러닝 분석 90
- 1. 데이터의 구성 90
- 2. 모형의 설계 91
- 3. 이산형 데이터 모델 94
- 4. 연속형 데이터 모델 99
- 제4절 딥러닝을 이용한 예측 모형의 결과 103
- 1 모형별 변수의 중요도 103
- 2 실거래가지수에서 변수의 중요도 106
- 3 변수선택에 따른 인공신경망 모형 검증 108
- 4. 실거래가지수 미래값 예측 111
- 제5장 결론 112
- 제1절 연구결과 요약 112
- 제2절 시사점과 한계 114
- 참고문헌 116
- 부록 127
- Abstract 131
참고문헌 (Reference)
1. 「뉴로컴퓨터 개론」, 오창석, 내하출판사, , 2004
2. 「금융시계열분석 2판」, 김명직, 장국현, 경문사, , 2013
3. 「신경망 이론과 응용 I」, 김대수, 진한엠앤비, , 2005
4. 「머신러닝에서 딥러닝까지」, 이한남, 박세원, 곽동민, 퍼플, , 2015
5. 「경영정보시스템원론(제2판)」, 임규건, 이재규, 권순범, 법영사, , 2005
6. 「거시경제계량모형의 재구축」, 박무환, 홍성우, 김형수, 국민연금연구원, NPS 국민 연금연구원, , 2011
7. 부동산가격 예측모형에 관한 연구, 김관영, 김용순, 손정식, 한국주택학회, 주택연구 제11호 제1권, 한국주택학회, pp.49-75, , 2003
8. 「국내 부동산 가격지수 개발방향」, 방두완, 박연우, 서울대 금융 경 제 연구원, , 2011
9. 주택매매가격의 변동성에 관한 연구, 임재만(Jae-Man Lim), 한국주택학회, 주택연구 제14호 제2권, 한국주택학회, pp.65-84, , 2006
10. 「한국부동산시장의 거시계량분석」, 서승환, 홍문사, 홍문사, , 1994
1. 「뉴로컴퓨터 개론」, 오창석, 내하출판사, , 2004
2. 「금융시계열분석 2판」, 김명직, 장국현, 경문사, , 2013
3. 「신경망 이론과 응용 I」, 김대수, 진한엠앤비, , 2005
4. 「머신러닝에서 딥러닝까지」, 이한남, 박세원, 곽동민, 퍼플, , 2015
5. 「경영정보시스템원론(제2판)」, 임규건, 이재규, 권순범, 법영사, , 2005
6. 「거시경제계량모형의 재구축」, 박무환, 홍성우, 김형수, 국민연금연구원, NPS 국민 연금연구원, , 2011
7. 부동산가격 예측모형에 관한 연구, 김관영, 김용순, 손정식, 한국주택학회, 주택연구 제11호 제1권, 한국주택학회, pp.49-75, , 2003
8. 「국내 부동산 가격지수 개발방향」, 방두완, 박연우, 서울대 금융 경 제 연구원, , 2011
9. 주택매매가격의 변동성에 관한 연구, 임재만(Jae-Man Lim), 한국주택학회, 주택연구 제14호 제2권, 한국주택학회, pp.65-84, , 2006
10. 「한국부동산시장의 거시계량분석」, 서승환, 홍문사, 홍문사, , 1994
11. 「인공지능, 머신러닝, 딥러닝 입문」, 김의중, 위키북스, , 2016
12. “부동산가격 예측모형에 관한 연구”, 김관영, 손정식, 김용순, 주택연 구 제11권 제1호, 한국주택학회, pp.49-76, , 2002
13. 「신경회로망을 이용한 데이터 분석」, 박혜영, 카오스북, 카오스북, , 2016
14. 「R. SAS, MS-SQL을 활용한 데이터마이닝」, 이정진, 자유아카데미, , 2011
15. 「중도적 예측과 카오스적 환율 변동」, 박승준, 신양사, 신양사, , 2008
16. 국내외 공간빅데이터 정책 및 기술동향, 김민수, 월간국토 제389호, 국토연구원, pp.30-39, , 2014
17. “부동산 거래량 통계의 활용방안 연구”, 김현아, 허윤경, 국토연구원, 국토연구 제 62호, 국토연구원, pp.107-124, , 2009
18. “부동산가격과 거시경제간의 상호관계”, 김경환, 한국은행 조사국 학술 회의 ‘자산가격 변동에 대응한 통화정책 방향’ 발표논문, , 2003
19. “아파트 가격의 결정 모형에 관한 연구”, 신재영, 동의대학교 대학원, 석사학위논문, , 2009
20. “한국의 주택가격과 거시경제 :SVAR분석”, 이영수, 한국부동산분석학회, 부동산학연구 제 14집 제3호, 한국부동산분석학회, pp.129-147, , 2008
22. “신규상장기업의 주가예측에 대한 연구”, 이경락, 김광용, 대한경영학회, 대한경영학 회 학술발표대회 발표논문집 제11호, 대한경영학회, pp.254-277, , 2010
23. “주택가격 예측을 위한 모형설정과 검정”, 김근용, 국토연구원, 국토 3월호 제197호, 국토연구원, pp.54-61, , 1998
24. 「서울 아파트가격지수 추정에 관한 연구」, 박헌수, 국토연구원 연구 보고서, , 2004
25. “주택가격지수 예측모형에 관한 비교연구”, 임성식, 한국데이터정보과학회, 한국데이터정보과 학회지 제25권 제1호, pp.65-76, , 2014
27. “깊은신경망을 이용한 회전객체 분류 연구”, 이용구, 한국지능시스템학회, 연세대학교 대학원, 석사학위논문, , 2015
28. “딥러닝 알고리즘에 기반한 기업부도 예측”, 정한웅, 한양대학교 대학 원, 석사학위논문, , 2016
29. 「부동산가격의 변동요인 분석과 전망 연구」, 박철, 박성규, 한국감정 평가연구원, , 2002
30. 「서울 아파트가격지수 추정에 관한 연구 II」, 박헌수, 김정훈, 국토 연구원 연구보고서, , 2004
31. 우리나라 부동산 가격과 물가에 관한 실증분석, 김경환, 韓國銀行 金融經濟硏究所, 금융경제연구 제36호, 한국은행 금융경제연구소, , 1991
32. “인공지능 기술전망과 미래산업의 주요과제”, 조성배, 과학기술정책연구원, Future Horizon 제28호, 과학기술정책연구원, pp.6-9, , 2016
33. “앙상블 딥러닝을 이용한 KOSPI 지수 등락 예측”, 송대섭, 단국대학교 대학원, 단국대학교 대학원, 석사학위논문, , 2016
34. 타카유키, 심효섭 역, 「딥러닝 제대로 시작하기」, 오카타니, 제이펍, , 2016
35. “주택시장 체감지표의 주택시장지표 예측력 분석”, 박천규, 이영, 한국부동산분석학회, 부동 산학연구 제16호 제1권, 한국부동산분석학회, pp.131-146, , 2010
36. “부동산 경기예측 모형 개발 및 2003년 하반기 추정”, 김갑성, 이현, 김희주, 대한국토ᆞ도시계획학회 2003 정기학술대회, , 2003
37. “우리나라 대도시의 주택가격지수 변화 패턴 분석”, 이형욱, 단국대학교, 단국대학 교, 석사학위논문, , 2009
38. “재건축아파트 특성에 따른 가격예측에 관한 연구”, 최미화, 건국대학 교 대학원, 석사학위논문, , 2008
42. “신경회로망을 이용한 종합주가지수의 변화율 예측”, 노종래, 이종호, 대한전기학회, 대한전기학회 학술대회 논문집, 대한전기학회, pp.896-899, , 1991
43. “시계열 모형을 이용한 부동산가격 예측에 관한 연구”, 송형훈, 건국대학교, 건국대 학교 석사학위논문, , 2002
44. “지가변동요인 분석 : IMF체제와 지가변동을 중심으 로”, 강원철, 김복순, 감정평가연구원, 감정평가연구원, , 1997
45. “지가와 거시경제변수간의 인과관계에 관한 실증분석”, 손재영, 토지시 장의 분석과 정책과제, 연구논문집 93-02, 한국개발연구원, , 1993
48. “빅데이터를 활용한 부동산시장 분석 및 예측모형 개 발”, 김선우, 정건섭, 부동산포커스 제84호, pp.4-15, , 2015
49. “세계경제포럼(WEF)을 통해 본 빅데이터 논의 동향과 함의”, 유지연, 정보통신정책연구원 지식리포트, , 2012
52. “경기변동 요인이 부동산가격에 미치는 영향에 관한 연 구”, 김영선, 광 운대학교 대학원, 석사학위논문, , 2007
53. “인공신경망과 Support Vector Machine의 기업부도예측 성과 비교”, 이영찬, 한국지능정보시스템학회 학술대회논문집, pp.211-218, , 2004
54. “인공신경망을 이용한 공동주택가격지수 예측에 관한 연구”, 정원구, 이상엽, 한국주택학회, 주택연구 제15권 제3호, 한국주택학회, pp.39-64, , 2007
55. ?회귀모형과 신경망모형을 이용한 아파트가격모형에 관한 연구?, 김태훈, 홍한국, 국토연구원, 국토연구 제43권, 국토연구원, pp.183-200, , 2004
56. “모델의 불확실성을 반영한 아파트가격지수 예측 모 형 연구”, 김경회, 김영효, 부동산분석 제1권 제1호, 한국감정원, pp.27-49, , 2015
61. “앙상블 및 딥러닝 알고리즘을 이용한 운전자의 차선변경 의 도 예측”, 이명구, 국민대학교 자동차공학전문대학원, 국민대학교 자동차공학전문대학원, 석사학위논문, , 2016
62. “국내 주택매매가격 변동의 특징과 주요 거시경제변 수와의 상호작용”, 황상연, 차경수, 한국은행, 경제분석 제19권 제4호, 한국은행, pp.1-45, , 2013
64. “특성가격함수를 이용한 아파트 실거래가격지수 산정방안에 관한연구”, 이정선, 석사학위논문, 중앙대학교 대학원, , 2008
65. “특성가격모형을 활용한 아파트 실거래가격지수 산정방법에 관한 연구”, 박헌수, 한국부동산분석학회, 부동산학연구 제15권 제3호, pp.111-125, , 2009
66. “시공간자기회귀모형을 이용한 서울 아파트가격지수 추정에 관한 연 구”, 김정훈, 박헌수, 국토연구원, 국토연구 제42호, 국토연구원, pp.125-140, , 2004
68. “딥러닝 기법에 기반한 인터넷 상점 클릭스트림 데이터를 통 한 구매 예측”, 김기태, 한양대학교 대학원, 석사학위논문, , 2016
69. “주택가격과 거래량의 동적관계 분석 : 서울 25개 자치구별 실 거래가를 활용”, 전혜린, 한국재정학회 학술대회 논문집 Vol.2014 추계, 한국 재정학회, pp.1-28, , 2014
70. “패널분석을 이용한 대도시 주택가격 추이 분석“, 부 동산학연구 제19호 제4권, 손재영, 이준용, 한국부동산분석학회, pp.71-86, , 2013
71. “구조모형과 시계열 모형에 의한 부동산 경기 변동의 분석과 예측에 관한 연구”, 김승욱, 건국대학교, 박사학위논문, , 2006
72. 부동산시장 선진화 시스템 구축 연구(Ⅰ) : 부동산시장 진단 및 전망 모형(K-REMAP) 개발과 시범운영, 이수욱, 국토연구원, , 2008
분석정보
이 자료와 함께 이용한 RISS 자료
나만을 위한 추천자료
