dlcjfgmlnasa/GIN_Real_Estate_Forecast

부동산 지인 사이트에 사용될 각 아파트별 현재 시세 예측 시스템

GIN Real Estate Forecast

작성중...

지인 부동산 아파트 실거래가 시세 예측

Requirements

• language : Python 3.6 (may work with other versions, but I used 3.6)
• Database : Mysql 5.7
• python library
  • scikit-learn 0.21.3
  • pandas 0.25.0
  • numpy 1.17.0
  • ...

Feature Information

1. 매물정보를 활용한 feature

No	feature	Explanation
1	sale_price_with_floor	예측하고자 하는 아파트의 같은 층에 있는 과거 매물가격의 평균
2	sale_price_with_floor_recent	예측하고자 하는 아파트의 같은 층에 있는 과거 매물가격 중 최근 가격 평균
3	sale_price_with_floor_group	예측하고자 하는 아파트의 같은 그룹으로 묶은 층에 있는 과거 매물가격의 평균
4	sale_price_with_floor_group_recent	예측하고자 하는 아파트의 같은 그룹으로 묶은 층에 있는 과거 매물 중 최근 가격의 평균
5	sale_price_with_complex_group	예측하고자 하는 아파트의 같은 단지에 있는 과거 매물가격의 평균 (층 고려)
6	sale_price_with_complex_group_recent	예측하고자 하는 아파트의 같은 단지에 있는 과거 매물 중 최근 가격의 평균 (층 고려)
7	sale_price_with_similarity_apt_group	예측하고자 하는 아파트의 비슷한 아파트에 있는 과거 매물가격의 평균 (층 고려)
8	sale_price_with_similarity_apt_group_recent	예측하고자 하는 아파트의 비슷한 아파트에 있는 과거 매물 중 최근 가격의 평균 (층 고려)

2. 매매정보를 활용한 feature

No	feature	Explanation
1	trade_price_with_floor	예측하고자 하는 아파트의 같은 층에 있는 과거 매매가격의 평균
2	trade_price_with_floor_recent	예측하고자 하는 아파트의 같은 층에 있는 과거 매매가격 중 최근 가격 평균
3	trade_price_with_floor_group	예측하고자 하는 아파트의 같은 그룹으로 묶은 층에 있는 과거 매매가격의 평균
4	trade_price_with_floor_group_recent	예측하고자 하는 아파트의 같은 그룹으로 묶은 층에 있는 과거 매매 중 최근 가격의 평균
5	trade_price_with_complex_group	예측하고자 하는 아파트의 같은 단지에 있는 과거 매매가격의 평균 (층 고려)
6	trade_price_with_complex_group_recent	예측하고자 하는 아파트의 같은 단지에 있는 과거 매매 중 최근 가격의 평균 (층 고려)
7	trade_price_with_similarity_apt_group	예측하고자 하는 아파트의 비슷한 아파트에 있는 과거 매매가격의 평균 (층 고려)
8	trade_price_with_similarity_apt_group_recent	예측하고자 하는 아파트의 비슷한 아파트에 있는 과거 매매 중 최근 가격의 평균 (층 고려)

3. 거래량 정보를 활용한 feature

No	feature	Explanation
1	trade_volume_standard_area	지역의 면적별 거래량과 10년 치 면적별 기준 거래량 비율
2	trade_volume_standard_year	지역의 건축년도별 거래량과 10년 치 기준 건축년도 거래량 비율

Traning Model

• Linear Regression Model
• Support Vector Model (SVM)
• Random forest regression
• Deep Neural Network (DNN)
• Recurrent Neural Network (RNN)

Result

1. 10-fold Cross Validation

- (매매정보 + 매물정보 + 거래량 정보 feature) 를 활용한 모델 - full.model

No	MAPE	success percent (%)	error percent (%)
1	3.936291126	80.08234689	19.91765311
2	3.97111797	79.81214617	20.18785383
3	3.92099672	80.55841482	19.44158518
4	3.841401839	81.00874936	18.99125064
5	3.918456153	80.48121462	19.51878538
6	3.913764077	80.2624807	19.7375193
7	3.982324762	80.09521359	19.90478641
8	3.867020916	81.03204221	18.96795779
9	3.932863318	80.0540471	19.9459529
10	4.004123346	79.8738901	20.1261099
average	3.928836023	80.32605455	19.67394545

- (매물정보 + 거래량 정보 feature) 를 활용한 모델 - sale.model

No	MAPE	success percent (%)	error percent (%)
1	4.23777369	78.99728997	21.00271003
2	4.364677929	78.86178862	21.13821138
3	4.392633108	80.08130081	19.91869919
4	4.661950785	76.82926829	23.17073171
5	4.377170144	77.37127371	22.62872629
6	4.645748809	78.59078591	21.40921409
7	4.589261073	78.15468114	21.84531886
8	4.433719078	78.69742198	21.30257802
9	4.535485842	77.6119403	22.3880597
10	4.483332198	79.64721845	20.35278155
average	4.472175266	78.48429692	21.51570308

- (매매정보 + 거래량 정보 feature) 를 활용한 모델 - trade.model

No	MAPE	success percent (%)	error percent (%)
1	5.072981459	71.29850614	28.70149386
2	5.075177423	71.26204367	28.73795633
3	5.07349034	71.39131972	28.60868028
4	5.059204558	71.39573941	28.60426059
5	5.082268545	71.26314859	28.73685141
6	5.032228301	71.6111995	28.3888005
7	5.059755917	71.52059577	28.47940423
8	5.073535406	71.28414214	28.71585786
9	5.093585477	71.27056562	28.72943438
10	5.058044208	71.37663945	28.62336055
average	5.068027163	71.36739	28.63261

2. Visualization

• [apt_detail_pk 1 Apt] predicate (with visualization)

  

• [apt_detail_pk 2 Apt] predicate (with visualization)

• [apt_detail_pk 12 Apt] predicate (with visualization)

• [apt_detail_pk 13 Apt] predicate (with visualization)

• [apt_detail_pk 1024 Apt] predicate (with visualization)

How to Using

train.py

• machine learning model traning

---

test.py

• machine learning model testing

---

data_helper.py

usage: data_helper.py [-h] [--calc_similarity_apt] [--make_dataset]
                      [--correlation] [--features FEATURES]
                      [--sale_month_size SALE_MONTH_SIZE]
                      [--sale_recent_month_size SALE_RECENT_MONTH_SIZE]
                      [--trade_month_size TRADE_MONTH_SIZE]
                      [--trade_recent_month_size TRADE_RECENT_MONTH_SIZE]
                      [--trade_cd {t,c}] [--similarity_size SIMILARITY_SIZE]
                      [--save_path SAVE_PATH]
                      [--correlation_path CORRELATION_PATH]
                      [--label_name LABEL_NAME]

optional arguments:
  -h, --help            show this help message and exit
  --calc_similarity_apt
                        APT similarity 계산
  --make_dataset        데이터셋 생성
  --correlation         correlation analysis
  --features FEATURES   예측에 필요한 feature (default: setting.py에 있는 features 참조)
  --sale_month_size SALE_MONTH_SIZE
                        예측시 사용될 매물 데이터 크기 (default: setting.py에 있는
                        sale_month_size 참조)
  --sale_recent_month_size SALE_RECENT_MONTH_SIZE
                        예측시 사용될 매물 데이터 크기 (default: setting.py에 있는
                        sale_month_size 참조)
  --trade_month_size TRADE_MONTH_SIZE
                        예측시 사용될 매매 데이터 크기 (default: setting.py에 있는
                        trade_month_size 참조)
  --trade_recent_month_size TRADE_RECENT_MONTH_SIZE
                        예측시 사용될 최근 매매 데이터 크기 (default: setting.py에 있는
                        trade_recent_month_size 참조)
  --trade_cd {t,c}      t : 아파트 매매가격 추정 / r: 아파트 전월세가격 추정
  --similarity_size SIMILARITY_SIZE
                        비슷한 아파트 리스트 출력 갯수 (default: setting.py에 있는
                        similarity_size 참조
  --save_path SAVE_PATH
                        DATASET PATH (default: setting.py에 있는 save_path 참조)
  --correlation_path CORRELATION_PATH
                        correlation analysis result DATA PATH (default:
                        setting.py에 있는 correlation_path 참조)
  --label_name LABEL_NAME
                        DATASET label name (default: setting.py에 있는 label_name
                        참조)

1. Train dataset 생성

=> python data_helper.py --make_dataset

2. Correlation

=> python data_helper.py --make_dataset

3. Calculation Similarity APT

=> python data_helper.py --calc_similarity_apt

---

predicate.py

python predicate --help

usage: predicate.py [-h] [--full_pk] [--full_date] [--db_inject]
                    [--evaluation] [--evaluation_plot]
                    [--apt_detail_pk APT_DETAIL_PK] [--date DATE]
                    [--feature_list FEATURE_LIST]
                    [--sale_month_size SALE_MONTH_SIZE]
                    [--sale_recent_month_size SALE_RECENT_MONTH_SIZE]
                    [--trade_month_size TRADE_MONTH_SIZE]
                    [--trade_recent_month_size TRADE_RECENT_MONTH_SIZE]
                    [--model_info MODEL_INFO]
                    [--previous_month_size PREVIOUS_MONTH_SIZE]
                    [--feature_engine {default,optimizer}] [--trade_cd {t,r}]

optional arguments:
  -h, --help            show this help message and exit
  --full_pk             대상 아파트 전체 예측
  --full_date           2006년도부터 현재까지 예측
  --db_inject           mysql database injection
  --evaluation          대상 아파트 정확도 평가
  --evaluation_plot     대상 아파트 정확도 시각화 및 저장 (setting.py에 있는 image_path 값을 참조하여
                        저장)
  --apt_detail_pk APT_DETAIL_PK
                        예측 대상 아파트 pk
  --date DATE           예측하고 싶은 날짜 ex) 2018-01-01 (default : 현재 날짜)
  --feature_list FEATURE_LIST
                        예측에 필요한 feature (default: setting.py에 있는 features 참조)
  --sale_month_size SALE_MONTH_SIZE
                        예측시 사용될 매물 데이터 크기 (default: setting.py에 있는
                        sale_month_size 참조)
  --sale_recent_month_size SALE_RECENT_MONTH_SIZE
                        예측시 사용될 최근 매물 데이터 크기 (default: setting.py에 있는
                        sale_recent_month_size 참조
  --trade_month_size TRADE_MONTH_SIZE
                        예측시 사용될 매매 데이터 크기 (default: setting.py에 있는
                        trade_month_size 참조)
  --trade_recent_month_size TRADE_RECENT_MONTH_SIZE
                        예측시 사용될 최근 매매 데이터 크기 (default: setting.py에 있는
                        trade_recent_month_size 참조)
  --model_info MODEL_INFO
                        모델 위치 정보 (default: setting.py에 있는 model_info)
  --previous_month_size PREVIOUS_MONTH_SIZE
                        예측시 사용하는 과거 매물&매매 사이즈 (default: setting.py에 있는
                        predicate_previous_month_size
  --feature_engine {default,optimizer}
                        feature engineering 을 하는 방법
  --trade_cd {t,r}      t : 아파트 매매가격 추정 / r: 아파트 전월세가격 추정

1. 2006년도 부터 현재까지 전체 아파트 시세 예측

=> python predicate.py --full_pk --full_date

• option : --db_inject 를 추가하면 mysql에 예측된 결과 저장

2. 지정된 날짜에 대해서 전체 아파트 시세 예측

=> python predicate.py --full_pk
=> python predicate.py --full_pk --date={날짜}

• example

  1. python predicate.py --full_pk : 현재 날짜에 예측 대상 아파트 시세 예측
  2. python predicate.py --full_pk --date=2018-01-01 : 2018-01-01 예측 대상 아파트 시세 예측

• option : --db_inject 를 추가하면 mysql에 예측된 결과 저장

3. 2006년도 부터 현재까지 [apt_detail_pk] 시세 예측

=> python predicate.py --full_date --apt_detail_pk={아파트 pk}

• example

  1. python predicate.py --full_date --apt_detail_pk=1 : 2006년도 부터 현재까지 [아파트 pk 1] 시세 예측

• option : --db_inject 를 추가하면 mysql에 예측된 결과 저장

4. 지정된 날짜에 대해서 [apt_detail_pk] 시세 예측

=> python predicate.py --apt_detail_pk={아파트 pk}
=> python predicate.py --apt_detail_pk={아파트 pk} --date={날짜}

• example
  1. python predicate.py --apt_detail_pk=1 : [아파트 pk 1]
  2. python predicate.py --apt_detail_pk=1 --date=2018-01-01: [아파트 pk 1] 예측 정확도 측정 및 그래프 출력

5. [apt_detail_pk] 정확도 평가

=> python predicate.py --evaluation --apt_detail_pk={아파트 pk}
=> python predicate.py --evaluation --evaluation_plot --apt_detail_pk={아파트 pk}

• example
  1. python predicate.py --evaluation --apt_detail_pk=1 : [아파트 pk 1] 예측 정확도 측정
  2. python predicate.py --evaluation --evaluation_plot --apt_detail_pk=1 : [아파트 pk 1] 예측 정확도 측정 및 그래프 출력