머신 러닝 기법을 이용한 주요 지역 매매가격 예측: 전세 제도를 중심으로
Predicting Key Regional Real Estate Prices Using Machine Learning Technique: with an emphasis on Jeonsae system
공석현(성균관대학교); 오하영(성균관대학교)
27권 10호, 1208~1213쪽
초록
본 연구에서는 기존 부동산 매매가격 예측 연구에서 개선이 필요한 점을 지적하고 해결하고자 하였다. 첫 번째, 하나의 지역에서의 시계열적 특성상 적은 데이터의 한계를 극복하기 위해서 같은 기간에서 비슷한 성격의 여러 지역들의 데이터들을 Scaling을 통해서 합쳐 더 큰 데이터 셋을 확보하였다. 둘째, 시계열적 특징이 없는 머신 러닝 모델에 시계열적 특징을 가지는 input feature로 매매가격 이동평균선을 넣는 기존의 연구들의 실험을 더 큰 데이터 셋에서 진행 하였다. 그 결과 해당 실험에서 과하게 높은 성능의 결과( score 0.99 ~ 1.00)가 나온 것으로 보아 사후적 해석 편파라는 결론을 내었다. 그 대신 전세가율 이동평균선을 이용하여 매매가격 예측을 하였다. 이 경우, KOFIX 금리를 input feature로 추가한 경우에 그렇지 않은 경우보다 평가 지표의 개선을 볼 수 있었고, 머신 러닝 모델 중에서는 다중 트리 구조, 그 중에서도 오류의 수정에 집중을 하는 XGBoost가 높은 성능을 보였다.
Abstract
In this study, we aimed to identify shortcomings in previous research on real estate price prediction and address them for improvement. Firstly, to overcome data scarcity in a single region, we combined data from similar regions during the same period, creating a larger dataset through scaling techniques. Secondly, we experimented with larger dataset, investigating the effectiveness of incorporating moving averages of transaction prices as input features with temporal characteristics into machine learning models. However, we encountered excessively high performance results (scores of 0.99 ~ 1.00), indicating potential hindsight bias. Instead, we used moving averages of the lump sum housing lease price-to-transaction price ratio for prediction. When adding the KOFIX interest rate as a feature, we observed improved evaluation metrics. Among various machine learning models, XGBoost, focusing on error correction, performed the best.
- 발행기관:
- 한국정보통신학회
- 분류:
- 전자/정보통신공학