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 층`에 있는 과거 매물가격의 평균
2	sale_price_with_floor_recent	예측하고자 하는 아파트의 `같은 층`에 있는 과거 매물가격 중 최근 가격 평균
3	sale_price_with_floor_group	예측하고자 하는 아파트의 `같은 그룹으로 묶은 층`에 있는 과거 매물가격의 평균
4	sale_price_with_floor_group_recent	예측하고자 하는 아파트의 `같은 그룹으로 묶은 층`에 있는 과거 매물 중 최근 가격의 평균
5	sale_price_with_complex_group	예측하고자 하는 아파트의 `같은 단지`에 있는 과거 매물가격의 평균 (층 고려)
6	sale_price_with_complex_group_recent	예측하고자 하는 아파트의 `같은 단지`에 있는 과거 매물 중 최근 가격의 평균 (층 고려)
7	sale_price_with_similarity_apt_group	예측하고자 하는 아파트의 `비슷한 아파트`에 있는 과거 매물가격의 평균 (층 고려)
8	sale_price_with_similarity_apt_group_recent	예측하고자 하는 아파트의 `비슷한 아파트`에 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 층`에 있는 과거 매매가격의 평균
2	trade_price_with_floor_recent	예측하고자 하는 아파트의 `같은 층`에 있는 과거 매매가격 중 최근 가격 평균
3	trade_price_with_floor_group	예측하고자 하는 아파트의 `같은 그룹으로 묶은 층`에 있는 과거 매매가격의 평균
4	trade_price_with_floor_group_recent	예측하고자 하는 아파트의 `같은 그룹으로 묶은 층`에 있는 과거 매매 중 최근 가격의 평균
5	trade_price_with_complex_group	예측하고자 하는 아파트의 `같은 단지`에 있는 과거 매매가격의 평균 (층 고려)
6	trade_price_with_complex_group_recent	예측하고자 하는 아파트의 `같은 단지`에 있는 과거 매매 중 최근 가격의 평균 (층 고려)
7	trade_price_with_similarity_apt_group	예측하고자 하는 아파트의 `비슷한 아파트`에 있는 과거 매매가격의 평균 (층 고려)
8	trade_price_with_similarity_apt_group_recent	예측하고자 하는 아파트의 `비슷한 아파트`에 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

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

README.md

README.md

GIN Real Estate Forecast

Requirements

Feature Information

1. 매물정보를 활용한 feature

2. 매매정보를 활용한 feature

3. 거래량 정보를 활용한 feature

Traning Model

Result

1. 10-fold Cross Validation

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

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

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

2. Visualization

How to Using

train.py

test.py

data_helper.py

1. Train dataset 생성

2. Correlation

3. Calculation Similarity APT

predicate.py

1. 2006년도 부터 현재까지 전체 아파트 시세 예측

2. 지정된 날짜에 대해서 전체 아파트 시세 예측

3. 2006년도 부터 현재까지 [apt_detail_pk] 시세 예측

4. 지정된 날짜에 대해서 [apt_detail_pk] 시세 예측

5. [apt_detail_pk] 정확도 평가

Files

README.md

Latest commit

History

README.md

File metadata and controls

GIN Real Estate Forecast

Requirements

Feature Information

1. 매물정보를 활용한 feature

2. 매매정보를 활용한 feature

3. 거래량 정보를 활용한 feature

Traning Model

Result

1. 10-fold Cross Validation

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

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

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

2. Visualization

How to Using

train.py

test.py

data_helper.py

1. Train dataset 생성

2. Correlation

3. Calculation Similarity APT

predicate.py

1. 2006년도 부터 현재까지 전체 아파트 시세 예측

2. 지정된 날짜에 대해서 전체 아파트 시세 예측

3. 2006년도 부터 현재까지 [apt_detail_pk] 시세 예측

4. 지정된 날짜에 대해서 [apt_detail_pk] 시세 예측

5. [apt_detail_pk] 정확도 평가