지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 심교언
- 발행연도
- 2023
- 저작권
- 건국대학교 논문은 저작권에 의해 보호받습니다.
이용수35
이 논문의 연구 히스토리 (3)
2023
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 연구는 부동산 가격 예측과 그 변동의 원인을 ‘인공지능학습모형’을 통해 찾아내 정책 참고자료로 활용하는 것을 목적으로 한다. 이미 부동산 ‘가격’ 예측 모형을 만들기 위한 다양한 연구가 있었다. 본 연구는 단변량 시계열 분석에서 많이 사용되는 ARIMA과 VAR모형 등의 기법을 이용해 부동산 가격을 예측하는 전통적 시계열 분석법과 최근 주목받는 LSTM 기법을 통해 가격 예측력을 비교 분석한다. 부동산 시장은 대내외적 상황으로 변동성이 올라가는 시기를 맞이한다. 일반적인 추세를 이어가는 시기보다, 변동성이 높아지는 시기의 부동산 가격의 흐름을 예측하는 것은 더욱 어렵다. 본 연구는 부동산 시장 사이클을 바탕으로 유독 변동성이 컸던 3번의 시기에 주목한다. 변동성이 유독 컸던 해당 시점의 매매가격지수를 예측한 결과 LSTM, VAR, ARIMA 순으로 예측력이 높다는 것이 확인됐다. 본 연구는 전통적 통계 예측모형과 인공지능 학습모형을 하이브리드로 상호보완적으로 활용할 수 있는 방법을 찾는다. 인공지능을 이용한 방법론은 높은 예측력은 장점이지만, 인과관계 규명은 어렵다는 한계가 있었다. 인공지능 학습모형을 통한 분석은 그 결과를 설명할 수 없다는 한계가 있었다. 이를 극복하기 위해 본 연구는 설명가능 인공지능(Explainable AI, XAI) 연구를 부동산학에 적용했다. 그 결과 SHAP 기법을 통해 각각의 부동산 사이클에 영향을 미치는 설명변수를 확인해서 정책 수단을 강구할 수 있다는 것을 확인했다.
목차
표목차 ⅳ그림목차 ⅶ국문초록 ⅸ제1장 서론 1제1절 연구의 배경 1제2절 연구의 목적 2제3절 연구의 범위와 방법 4제2장 이론적 고찰 및 선행연구 검토 7제1절 전통적 통계 계량모형 71. ARIMA 모형 72. VAR 모형 9제2절 인공지능 학습모형 91. 인공지능 92. LSTM 모형 103. LIME 모형 124. SHAP 모형 13제3절 선행연구 검토 141. 부동산가격지수 예측과 관련한 연구 142. 기계학습의 설명가능성 163. 변동성과 거시경제 변수 174. 선행연구와의 차이점 20제3장 연구모형설계 22제1절 데이터 수집 231. 매매가격지수 232. 주택가격 영향변수 263. 분석도구와 환경 294. 통계량 30제2절 데이터가공 381. ARIMA 데이터 392. VAR 데이터 403. LSTM 데이터 41제3절 시나리오 및 데이터 셋 구성 42제4절 성능지표 431. RMSE 432. MAE 443. Accuracy (유효 구간 설정) 45제4장 실증분석 46제1절 전국 부동산 가격 461. 성능 비교 462. ARIMA 결과 473. VAR 결과 524. LSTM 결과 575. 소결 60제2절 서울 부동산 가격 611. 성능 비교 612. ARIMA 결과 623. VAR 결과 664. LSTM 결과 715. 소결 74제3절 경기 부동산 가격 751. 성능 비교 752. ARIMA 결과 763. VAR 결과 804. LSTM 결과 855. 소결 88제4절 SHAP 분석 결과 891. 전국 SHAP 분석 결과 892. 서울 SHAP 분석 결과 1003. 경기 SHAP 분석 결과 1104. 소결 119제5장 결론 121제1절 연구의 요약 및 시사점 121제2절 연구의 의의 및 한계 123참고문헌 125부록 132ABSTRACT 151
최근 본 자료
댓글(0)
0