earticle

영어

House price forecasting is a major topic of interest to a wide range of stakeholders, from individuals to institutions to governments. Until now, predictions have been made using statistical models, but recently, there have been many studies using deep learning and machine learning. In particular, researchers are applying CNN (Convolutional Neural Networks) using image information. However, there have been no studies using image information in Korea. This paper aims to predict apartment prices in Seoul by using Kernel Density Estimation (KDE) to display satellite images and density information of shopping malls and amenities in the area and use them as input variables. In this paper, we collected housing transaction records, local income information, population density, and population data by age group from 2021 to 2022, and collected satellite images divided into zones through Naver Cloud Platform’s Static Map API. In particular, information on shopping malls, hospitals, parks, subway stations, and schools collected from the Open government data portal(www.data.go.kr) and Seoul open data square(data.seoul.go.kr) was converted into density information using KDE. The data collected in various forms was preprocessed to predict the actual transaction price of apartments calculated as a unit price per area. Regression model, multi-layer artificial neural network model, and CNN model were used as prediction models, and their predictive power was compared. The results are as follows. First, among the regression models, the model that adds shopping centre and amenity density information obtained from KDE to demographic and housing-related variables has a high predictive power. Second, the MLP model has a relatively high performance compared to the regression model. Third, the fusion of CNN and MLP performed the best when satellite image features, demographic and housing-related variables, and KDE characteristics were all used, compared to traditional multilayer neural networks and regression models. These results suggest that satellite imagery provides useful information for house price prediction, and we look forward to future research to improve the predictive power of satellite imagery and density information represented by KDE using CNN for house price prediction.

한국어

주택가격 예측은 개인, 기관, 정부에 이르기까지 다양한 이해관계자들이 관심을 갖는 주요한 주 제이다. 지금까지 통계적 모델을 통해 예측을 해왔지만, 최근 딥러닝 및 머신러닝을 이용하여 예측 하는 연구가 많다. 특히 이미지 정보를 활용한 합성곱신경망(Convolutional Neural Networks)을 적 용한 연구도 진행되고 있다. 그러나 아직 국내에서는 이미지 정보를 이용한 연구는 살펴볼 수 없었 다. 본 연구는 커널밀도추정(Kernel Density Estimation)을 활용하여 인공위성 이미지와 상가 및 편 의시설 밀도 정보를 해당 구역에 표시하고 이를 입력변수로 활용하여 서울시 아파트 가격을 예측하 고자 한다. 본 논문에서는 2021년부터 2022년까지의 주택 거래 기록과 지역소득정보, 인구 밀도, 연령대별 인구 데이터를 수집하였고, 네이버 클라우드 플랫폼의 Static Map API를 통해 인공위성사진을 구역 별로 나누어서 수집했다. 특히 공공데이터포털과 서울 열린데이터 광장에서 수집한 상가, 병원, 공 원, 지하철역, 학교 등 정보는 커널밀도추정을 활용해 밀도 정보로 변환하였다. 이렇게 다양한 형태 로 수집된 데이터는 전처리 과정을 거쳐 면적당 단가로 계산된 아파트 실거래가를 예측하였다. 예 측모델로서는 회귀 모델, 다층 인공신경망 모델, 그리고 합성곱신경망 모델을 이용하였고 이들의 예 측력을 비교하였다. 연구결과는 다음과 같다. 첫째, 회귀 모델 중에서는 인구통계 및 주택관련 변수 에 커널밀도추정으로 구해진 상가 및 편의시설 밀도 정보를 추가한 모델이 예측력이 높았다. 둘째, 다층인공신경망(Multilayer Artificial Neural Network) 모델은 회귀 모델에 비해 상대적으로 높은 성능을 보였다. 셋째, 합성곱신경망과 다층인공신경망을 융합한 모델은 인공위성 이미지 피처, 인구 통계 및 주택 관련 변수, 그리고 커널밀도추정 특성을 모두 사용한 경우 기존 다층 인공신경망과 회귀모델과 비교시 가장 우수한 성능을 보였다. 이 결과는 인공위성 이미지가 주택 가격 예측에 유 용한 정보를 제공하는 것을 시사하며 향후 주택가격예측에 인공위성 이미지, 혹은 커널밀도추정으 로 표시되는 밀도 정보를 합성곱신경망을 이용하는 경우 예측력이 높아졌기에, 향후 이를 개선하는 연구를 기대한다.