검색 상세

딥러닝 기반 서울특별시 행정구 단위 아파트 매매 거래량 이상탐지 연구

Deep Learning-Based Seoul Administrative District Unit Apartment Transaction Volume Anomaly Detection Study

  • 윤세영 (Yoon Se Young, 서강대학교 AI.SW대학원)

초록 (요약문)

본 연구는 기존 가격 중심 이상거래 탐지 및 계약 해제와 같이 사후 신고 기반 이상거래 관련 지표의 구조적 한계를 극복하기 위해 서울특별시 행정구 단위 일 단위 아파트 매매 거래량 이상탐지 시스템을 제안한다. 분석에는 국토교통부 실거래가 공개시스템에서 제공하는 주택 유형별 실거래 데이터를 활용하였으며, 국토교통부에서 시장 교란의 단서로 활용하는 요소들을 정량화하여 이상거래 점수(Anomaly Score)를 산출하였다. 또한, 딥러닝 이상탐지 모델의 예측 및 실제 값에 대한 오차와 이상거래 점수 기반 의심일자를 비교하여 이상거래 탐지 모델의 설명력 및 실효성을 평가하였다. 주택 유형 별 실거래 관련 데이터를 활용하여 LSTM, Transformer, Informer, Autoformer 모델을 이용한 아파트 매매 거래량 예측 기반 이상탐지를 수행하였으며, 동적 임계값 설정을 통해 지역별 거래 패턴에 따른 이상탐지 민감도를 향상시켰다. 실험 결과, 초기 임계값 및 구간 탐색 결과 모두 Autoformer 모델에서 가장 높은 F1-score를 보였으며, 구간 탐색 전후로는 LSTM 모델이 가장 높은 F1-score 성능 증가율을 보였다. 본 연구는 이상거래 관련 사후 신고 지표를 활용하여 예측 기반 이상탐지 모델의 성능을 정량적으로 평가한 점에서 의의가 있으며, 거래량 중심의 이상거래 탐지 시스템 구축을 위한 기초 자료로 활용될 수 있다. 향후 이상거래 관련 정보가 지속적으로 축적된다면, 본 연구의 방법론은 더 높은 정밀도의 이상탐지로 확장 가능하며, 부동산 시장의 이상 징후 조기 식별 및 관련 정책의 근거를 마련해줄 수 있을 것으로 기대된다.

more

초록 (요약문)

This study proposes a daily apartment transaction volume anomaly detection system at the district level in Seoul to overcome the structural limitations of conventional price-centered anomaly detection methods and post-report-based indicators such as contract cancellations. The analysis utilizes actual transaction data by housing type, provided by the Ministry of Land, Infrastructure and Transport (MOLIT) through its official real estate transaction disclosure system. Indicators used by MOLIT as potential signals of market distortion are quantified to generate an Anomaly Score. Furthermore, the study evaluates the explanatory power and effectiveness of the anomaly detection model by comparing the prediction errors of deep learning models with the anomaly score-based suspected dates. Using transaction data segmented by housing type, this study implements prediction-based anomaly detection of apartment sales volumes through models such as LSTM, Transformer, Informer, and Autoformer. A dynamic thresholding method is applied to improve the sensitivity of anomaly detection according to regional transaction patterns. Experimental results show that the Autoformer model yielded the highest F1-score in both the initial and post-interval search phases, while the LSTM model demonstrated the greatest improvement in F1-score after parameter optimization. This research is significant in that it quantitatively evaluates the performance of prediction-based anomaly detection models using post-report indicators related to abnormal transactions. It can serve as foundational work for constructing a transaction volume-centered anomaly detection system. As more abnormal transaction data becomes available, the proposed methodology may be extended to enable more precise detection and provide an early warning system and policy support for identifying abnormal signals in the real estate market.

more

목차

제 1 장 서론
제 1 절 연구 배경 및 필요성
제 2 절 연구 목적
제 3 절 논문 구성

제 2 장 선행 연구
제 1 절 아파트 부동산 데이터 분석 연구 사례
제 2 절 딥러닝 기반 이상탐지 모델
제 3 절 이상탐지 임계 값 설정

제 3 장 전처리 및 모델링
제 1 절 전체 연구 방법
제 2 절 데이터 수집 및 전처리
제 3 절 이상거래 점수
제 4 절 이상탐지 모델링

제 4 장 이상탐지
제 1 절 동적 임계값 설정
제 2 절 이상탐지 결과

제 5 장 결론
제 1 절 선행 연구와의 차별성
제 2 절 결론 및 시사점

참고 문헌

more
반출 Meta View 목록