콘텐츠로 건너뛰기

토지 가치 예측을 위한 AI 모델 개발 (LVPM)

  • by
태그:

연구 내용

배경

현재 우리 사회에서는 부동산 시장이 빠르게 성장하고 변화하고 있으며, 이에 따른 토지 가치의 정확한 예측은 부동산 투자, 도시 계획, 자산 관리 등 다양한 분야에서 중요한 역할을 하고 있습니다. 부동산 시장은 투자 및 개발자, 정부 기관, 도시 계획자, 시민들에게 영향을 미치는 핵심적인 부분 중 하나로, 정확한 토지 가치 예측은 이들 모두에게 이익을 제공합니다.
최근 인공지능 및 기계학습 기술의 발전은 대량의 데이터를 기반으로 한 토지 가치 예측의 정확도와 신뢰성을 향상시킬 수 있는 새로운 기회를 제공하고 있습니다. 따라서 토지 가치 예측을 위한 AI 모델의 개발은 현실적이고 필수적인 과제가 되었습니다.

목적 및 필요

본 프로젝트의 주요 목적은 토지 가치 예측을 위한 AI 모델을 개발하고, 이 모델을 활용하여 부동산 시장의 미래 흐름을 예측하는 것입니다. 이를 통해 다음과 같은 목표를 달성하고자 합니다.

  • 부동산 투자자들에게 정확한 투자 의사 결정을 돕습니다.
  • 도시 계획에 관련된 결정에 과학적 근거를 제공하여 도시의 지속 가능한 발전을 지원합니다.
  • 부동산 시장의 투명성을 높여 시장 건전성을 유지합니다.

분석 수행 범위

본 프로젝트에서 수행한 주요 작업은 다음과 같습니다.

  1. 데이터 수집 및 전처리
    토지 관련 데이터를 다양한 소스로부터 수집하였으며, 데이터 품질을 향상시키기 위한 전처리 작업을 수행하였습니다. 이 데이터는 국토교통부에서 제공하는 토지 특성 정보 및 토지 거래 기록, 인구 통계 데이터 등 다양한 출처에서 수집했습니다.
  2. AI 모델 학습
    XGBoost를 사용하여 토지 가치 예측을 위한 AI 모델을 학습하였습니다. 이 모델은 다양한 변수를 고려하여 토지 가치를 예측하며, 모델의 학습과 테스트를 위해 큰 규모의 데이터셋을 활용했습니다.
  3. 모델 평가 및 성능 개선
    학습한 모델의 성능을 평가하고, 필요한 경우 모델의 성능을 개선하기 위한 실험을 수행하였습니다. 성능 평가는 평균 제곱근 오차(RMSE), 예측 오차(MAPE) 등을 기록하여 평가했습니다.
  4. 결과 해석 및 시각화
    모델의 결과를 해석하고, 시각화를 통해 이해하기 쉽게 전달할 수 있도록 하였습니다. 지도 시각화(예정) 및 그래프를 사용하여 토지 가치 예측 결과를 시각적으로 표현했습니다.
  5. 응용 및 확장
    학습한 AI 모델은 부동산 시장 예측, 도시 계획, 자산 관리 등 다양한 분야에 적용될 수 있도록 하였으며, 해당 데이터를 웹 페이지를 통해 쉽게 접근 가능하도록 구현했습니다. 이를 통해 미래의 토지 가치 예측에 대한 정확한 정보를 제공하고 지속 가능한 도시 발전을 지원할 수 있습니다.

Key Steps:

  1. 데이터 수집 및 데이터셋 생성:
    • 국토교통부의 토지매매신고조회서비스, 토지특성정보, 지가변동률과 통계청 SGIS 오픈플랫폼의 인구통계 데이터, 사업체통계 데이터를 사용했습니다.
    • 아직 정확한 토지 가치 예측을 위한 특성이 부족하다고 판단되어 추후 보강할 예정입니다.
  2. 데이터 분석:
    • 특성별 실거래가에 미치는 영향을 파악하기 위해 matplot과 seaborn을 활용해 특성간의 관계를 시각화하였습니다.
    • 상관계수 분석 및 box plot을 통해 데이터간 연관성을 판단하였습니다.
  3. 데이터 전처리:
    • 데이터를 모델에 입력하기 전에 철저한 전처리를 진행하였습니다.
    • 결측값 처리, 이상치 제거 등의 작업을 진행하였으며, 범주형 변수에 대해 One-Hot Encoding 작업을 진행하였습니다.
  4. XGBoost를 사용한 모델 훈련:
    • 비선형 관계를 처리하고 데이터 내의 복잡한 패턴을 해석할 수 있는 XGBoost 모델을 선택하였습니다.
    • 모델은 데이터 세트의 일부로 훈련되었습니다.
  5. 평가 및 검증:
    • 평가 지표로 RMSE를 사용하였고, 추가로 에측오차(MAPE)를 사용하였습니다.
  6. 하이퍼파라미터 튜닝 (아직 진행 X):
    • 모델의 최적의 성능을 위해 하이퍼파라미터를 조정하였습니다.
    • 조정에 사용된 알고리즘은 GridSearchCV, RandomSearchCV, BayesSearchCV 중에 하나를 사용했습니다.
  7. 배포 및 통합

관련 이슈

  • 공시지가 데이터 기준일자부터 거래일까지의 누계 지가변동률 데이터를 삽입해 모델의 정확도를 높일 필요가 있음.
  • 금리에 영향을 받기 때문에 금리 반영 특성의 추가가 필요해보임
  • XGBoost 모델과 LSTM 모델의 앙상블 학습을 통한 모델 성능 향상이 필요해보임
  • 데이터셋의 이상치 선정 방식 고민

프로젝트 연구원

  • 학부연구생 김도환
  • 학부연구생 고건호

관련 링크

  1. 토지가격예측웹서비스
  2. LandValuePredictionModel(LVPM) Github