회귀분석을 이용한 부동산정보 예측 시스템 설계 및 구현

Abstract

부동산에 대한 이슈는 하루도 빠짐없이 뉴스에 등장하고 있다. 이는 인간의삶의 필요한 3대요소중 하나이기 때문이기도 할 것이다. 부동산이란 재화는 다른 여타 재화와 달리 새로 만들어낼 수 없는 한정적인 자원을 가지고 있기 때문에 특수한 재화이다. 특히 수도권은 인구 과밀화 현상으로 부동산 가격은 항시 최고가를 경신하고 있다. 만약 가장 적절한 구매시점과 금액을 예상하여 서비스를 제공하게 된다면 매우 유용할 것 이다. 이에 부동산 정보를 예측 할 수있는데 시스템을 구현해 보고자 한다.

정부 및 한국감정원에서 공개하는 부동산정보들을 토대로 공간 핫스팟분석,공간 밀도분석을 진행 할 수 있는 서비스를 구현하여 주변 가격에 비해 높은지 낮은지, 또는 거래가 많이 발생되는 곳인지를 시각화하여 제공하는 서비스를 구현하였다. 일반적으로 서울지역이 타지역보다 지가가 높게 나오는 것을 예상 할 수 있었는데 전국 핫스팟분석 결과도 마찬가지로 서울지역이 타지역보다 높게 나오는 것을 확인하였다. 또한 특정 서울지역에서도 대로변 및 역사주변의 지가가 높은 것을 확인 하였다. 부동산정보를 가지고 회귀분석분석을 통해 값을 예측하였다. 특히 단순회귀분석과 다항회귀분석을 비교하였는데 값의 상승률이 일정한 지표에 대해서는 단순회귀분석이 예측률이 높았지만 상승과 하락을 반복하는 지표에 대해서는 예측률 낮게 나타났다. 상승과 하락을 반복하는 자료를 다항회귀분석을 적용하였는데 첫점과 중간점가지는 평균값을 찾아가다 끝점에있는 데이터를 참조하여 상승또는 하락하는 곡선을 그리는 것을 확인하였다. 부동산정보의 특성별로 회귀분석을 달리 적용하게되면 보다 더 정정확성 높아지는 것을 확인 할 수 있었다.; The issue of real estate has appeared in the news every day. This may be because it is one of the three necessary factors in human life. Real estate is a special commodity because it has limited resources unlike other goods that cannot be created. In particular, real estate prices are hitting record highs due to overpopulation in the Seoul metropolitan area. It would be very useful if we could provide the service by anticipating the most appropriate purchase date and amount. Therefore, I want to implement a system that can predict real estate information.

Based on real estate information released by the government and the Korea Sensory Service, a service that enables space hotspot analysis and spatial density analysis was implemented to provide a service by visualizing whether the service is higher or lower than the surrounding price, or is where a lot of transactions occur, and the value was predicted through regression analysis. In particular, the simple regression analysis was compared to the multiple-return analysis, and the simple return analysis was highly anticipated for indicators with a constant increase in value, but the prediction was low for indicators that repeat rise and fall. Data that repeat rise and fall were applied multiple times, and the first and middle points were found to be looking for the average value and then reference the data at the end point to draw a rising or falling curve.

The factors that determine real estate prices are determined by combining administrative information such as location, development plan, and removal of protected areas, such as around history, waterfront, and park areas. In the future, we intend to combine these factors to predict the amount of real estate information.