[논문 리뷰] House Price Prediction Using LSTM

Xiaochen Chen, Wei Lai외 1명|arXiv (Cornell University)|2017. 09. 25.

Housing Market and Economics참고 문헌 2인용 수 21

한 줄 요약

이 논문은 2004년 1월부터 2016년 10월까지의 역사적 데이터를 사용하여 베이징, 상하이, 광저우, 선전의 2016년 11월과 12월 평균 주택 가격을 예측하기 위해 장기 단기 기억(기억) 네트워크(LSTM)를 제안한다. LSTM 모델은 평균 제곱오차(MSE) 기준으로 기준선 ARIMA 모델을 능가하며, 상태 유지형 및 스택형 LSTM 변형이 예측 정확도를 더욱 향상시킨다.

ABSTRACT

In this paper, we use the house price data ranging from January 2004 to October 2016 to predict the average house price of November and December in 2016 for each district in Beijing, Shanghai, Guangzhou and Shenzhen. We apply Autoregressive Integrated Moving Average model to generate the baseline while LSTM networks to build prediction model. These algorithms are compared in terms of Mean Squared Error. The result shows that the LSTM model has excellent properties with respect to predict time series. Also, stateful LSTM networks and stack LSTM networks are employed to further study the improvement of accuracy of the house prediction model.

연구 동기 및 목표

• 시간적 패턴을 활용한 역사적 데이터에서 주요 중국 도시의 주택 가격을 예측하기 위한 딥러닝 모델을 개발한다.
• 주택 가격 예측에 있어 전통적인 시계열 모델인 ARIMA와의 비교를 통해 LSTM 네트워크의 성능을 평가한다.
• 상태 유지형 및 스택형 LSTM과 같은 아키텍처 개선 사항이 예측 정확도에 미치는 영향을 평가한다.
• 변동성이 높은 도시 부동산 시장에서 실질적인 데이터 기반의 강력한 예측 접근 방식을 제공한다.

제안 방법

• 베이징, 상하이, 광저우, 선전의 주요 중국 도시에 대한 주택 가격 데이터를 2004년 1월부터 2016년 10월까지 활용한다.
• 비교를 위한 기준선으로 자기회귀적분이동평균(ARIMA) 모델을 사용한다.
• 시간 시리즈 데이터의 순차적 의존성을 모델링하기 위해 장기 단기 기억(LSTM) 네트워크를 적용한다.
• 배치 간에 은닉 상태를 유지함으로써 시간 연속성을 향상시키기 위해 상태 유지형 LSTM을 구현한다.
• 더 깊은 특징 추출 및 모델링 능력을 향상시키기 위해 다중층을 가진 스택형 LSTM 네트워크를 사용한다.
• 주요 평가 지표로 평균 제곱오차(MSE)를 사용하여 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 역사적 시계열 데이터를 활용하여 LSTM 네트워크가 주요 중국 도시의 주택 가격 추세를 효과적으로 모델링하고 예측할 수 있는가?
• RQ2 예측 정확도 측면에서 LSTM의 성능은 기존의 전통적 ARIMA 모델에 비해 어떻게 비교되는가?
• RQ3 상태 유지형 및 스택형 LSTM과 같은 아키텍처 수정 사항이 예측 정확도에 얼마나 큰 영향을 미치는가?
• RQ4 LSTM 모델은 중국의 다양한 도시 부동산 시장에 일반화할 수 정도로 충분히 강건한가?

주요 결과

• LSTM 모델은 기준선 ARIMA 모델 대비 유의미하게 낮은 평균 제곱오차(MSE)를 기록하여 뛰어난 예측 성능을 입증한다.
• 상태 유지형 LSTM 네트워크는 시퀀스 간에 은닉 상태 연속성을 유지함으로써 예측 정확도를 향상시킨다.
• 스택형 LSTM 네트워크는 시간 패턴의 더 깊은 학습을 가능하게 하여 모델 성능을 추가로 향상시킨다.
• 결과적으로 LSTMs가 부동산 가격 데이터의 복잡한 비선형 시계열 추세를 모델링하는 데 매우 적합함을 확인한다.