딥러닝 기법과 잔차 크리깅을 이용한 지가 예측

국문 초록 (Abstract)

본 연구에서는 지가 예측의 고도화를 위하여 딥러닝 기법과 잔차 크리깅을 결합한 DNNRK 모형을 제안하고 그 성능을 검증하였다. 연구지역은 서울시 강남 3구이며 가격자료는 감정평가사가 평가한 표준지 공시지가를 기반으로 하였다. 제안된 모형의 성능은 검증 데이터에 대한 선형회귀모형, 회귀크리깅, 딥러닝의 예측결과를 통계적 지표 (MAE, RMSE, MAPE, COD) 비교를 통해 평가하였다. 모형 성능을 비교한 결과, DNNRK 모형의 가격 예측력이 다른 모형과 비교하여 우수함을 확인할 수 있었다. 본 연구에서는 지가가 물리적 속성 정보뿐만 아니라 위치 정보에 영향을 받는다는 개념을 고려하여 제안된 DNNRK 모형을 적용되었다. 따라서 이러한 결과는 지역 요인으로 대표되는 공간적 상관성을 모형에 투입할 경우 지가 예측력의 상승 효과를 가져온다는 것을 의미한다.

다국어 초록 (Multilingual Abstract)

This study is propose the conjunction models of deep neural network and residual kriging (DNNRK) for advancement of land price estimation and validate its performance. Seoul (Gangnam 3 District) was chosen as a study area and we collected land prices of standard lots estimated by appraiser. When inspecting the model performance based on the test data, we confirmed that the land price accuracy form the DNNRK model was improved substantially compared with that of the OLS, DNN and RK. Therefore, these results indicate that introducing spatial autocorrelation as a location factor to models can improve the performance of land price prediction significantly. Furthermore, DNNRK model coupling DNN and residual kriging can be an effective alternative for estimating the land price accurately.

목차 (Table of Contents)

• 요약
• 1. 서론
• 2. 자료 및 방법
• 3. 실증 분석
• 4. 결론
• References
• Abstract

참고문헌 (Reference)

1 최진호, "토지 실거래가격 추정을 위한 공동 크리깅기법의 적용가능성 연구" 대한공간정보학회 23 (23): 55-63, 2015

2 전병운, "지가 추정을 위한 공간내삽법의 정확성 평가" 한국지리정보학회 20 (20): 125-140, 2017

3 서영민, "인공신경망과 크리깅 결합모델을 이용한 지하수위 공간분포추정" 한국환경기술학회 21 (21): 90-100, 2020

4 송세리, "산림재적 추정을 위한 계층적 베이지안 분석" 한국데이터정보과학회 28 (28): 29-37, 2017

5 원석환, "머신러닝 기법을 적용한 지가 예측 연구" 국토지리학회 51 (51): 347-355, 2017

6 이창로, "단독주택가격 추정을 위한 기계학습 모형의 응용" 대한지리학회 51 (51): 219-233, 2016

7 배성완, "기계 학습을 이용한 공동주택 가격 추정: 서울 강남구를 사례로" 한국부동산분석학회 24 (24): 69-85, 2018

8 최지혜, "공간회귀모형을 이용한 토지시세가격 추정" 한국통계학회 31 (31): 217-228, 2018

9 Hastie, T., "The elements of statistical learning" Springer 2009

10 이창로, "The Deep Learning Approach to Property Valuation: An Application of a Multilayer Neural Net Model for Estimating House" 한국지역개발학회 30 (30): 179-202, 2018

11 Yeh, I. C., "Spatial Interpolation using MLP-RBFN hybrid networks" 27 : 1884-1190, 2013

12 Anselin, L and Bera, A., "Spatial Dependence in linear regression models with an introduction to spatial econometrics" Marcel Dekker 1998

13 Demyanov, V., "Neural network residual kriging application for climate data" /bf 2 : 215-232, 1998

14 Antipov, E. A., "Mass appraisal of residential apartments : An application of random forest for valuation and a CART based approach for model diagnostics" 39 : 1772-1778, 2012

15 Gloudemans, R., "Fundamentals of mass appraisal" IAAO 2011

16 Arno, C., "Deep learning with H2O"

17 Quin, Y., "Application of deep learning-based interpolation methods to nearshore Bathymetry"

18 Hengl, T., "About regression kriging : From equations to case studies" 33 : 1301-1315, 2007

19 Seckin, Y, "A mass appraisal assessment study using machine learning based on multiple regression and random forest" 99 : 104889-, 2020