[논문 리뷰] Second Hand Price Prediction for Tesla Vehicles

Sayed Erfan Arefin|arXiv (Cornell University)|2021. 01. 11.

Energy, Environment, and Transportation Policies참고 문헌 3인용 수 6

한 줄 요약

이 논문은 웹 스크래핑을 통해 수집한 중고 자동차 웹사이트(예: cars.com, truecar.com)의 데이터를 활용하여 기계학습을 사용한 중고 테슬라 차량 가격 예측 시스템을 제안한다. 마이크로소프트 애저 ML 스튜디오에서 부스팅된 결정 트리 회귀 모델을 구현하여 테스트된 알고리즘들 중에서 가장 낮은 RMSE(5,849.8)를 기록했으며, 실시간 예측을 위한 통합을 위해 REST API로 모델을 배포하였다.

ABSTRACT

The Tesla vehicles became very popular in the car industry as it was affordable in the consumer market and it left no carbon footprint. Due to the large decline in the stock prices of Tesla Inc. at the beginning of 2019, Tesla owners started selling their vehicles in the used car market. These used car prices depended on attributes such as the model of the vehicle, year of production, miles driven, and the battery used for the vehicle. Prices were different for a specific vehicle in different months. In this paper, it is discussed how a machine learning technique is being implemented in order to develop a second-hand Teslavehicle price prediction system. To reach this goal, different machine learning techniques such as decision trees, support vector machine (SVM), random forest, and deep learning were investigated and finally was implemented with boosted decision tree regression. I the future, it is intended to use a more sophisticated algorithm for better accuracy.

연구 동기 및 목표

• 2019년 초 주가 하락과 중고 시장 수요 증가라는 맥락에서 중고 테슬라 차량 가격 예측의 과제를 해결하기 위해.
• 모델, 연도, 배터리, 주행거리와 같은 핵심 속성을 기반으로 중고 테슬라 가격을 예측하는 데 가장 정확한 기계학습 모델을 특정하기 위해.
• 최고 성능을 보인 모델을 기반으로 실시간 가격 예측을 위한 기능성 웹 서비스 API를 개발하고 배포하기 위해.
• VIN 입력을 통해 차량을 식별하는 방식으로 예측 모델을 전체 스택 기반 MERN 애플리케이션에 통합하기 위해.

제안 방법

• import.io 웹 스크래핑 툴을 사용하여 미국 주요 중고 자동차 웹사이트(autos.com, truecar.com, autotrader.com)에서 1,600건의 중고 테슬라 차량 리스트를 수집하였다.
• 모델, 연도, 배터리, 가격, 주행거리, 날짜(시계열 변동성 고려) 등의 속성을 포함한 레이블이 부여된 데이터셋으로 데이터를 전처리 및 정제하였다.
• 다섯 가지 기계학습 기법을 평가: 딥러닝, 서포트 벡터 머신, 랜덤 포레스트, 결정 트리, 부스팅된 결정 트리 회귀.
• 테스트 세트에서 가장 낮은 제곱근 평균 제곱오차(RMSE)인 5,849.8을 기록한 부스팅된 결정 트리 회귀 모델을 선택하였다.
• 마이크로소프트 애저 머신 러닝 스튜디오에서 최종 모델을 훈련하고, 모델, 연도, 배터리, 주행거리, 날짜 등의 입력 매개변수를 포함한 RESTful 웹 서비스로 배포하였다.
• 배포된 웹 서비스를 전체 스택 기반 MERN(MongoDB, Express.js, React.js, Node.js) 애플리케이션에 통합하여, VIN을 통해 차량 정보를 추출하고 예측 가격을 획득하였다.

실험 결과

연구 질문

• RQ1 모델, 연도, 배터리, 주행거리 등의 특성 기반으로 중고 테슬라 차량의 가격을 가장 정확하게 예측하는 기계학습 알고리즘은 무엇인가?
• RQ2 시계열 변동성(예: 2019년 1월 대비 3월)은 중고 테슬라 차량 가격에 어떤 영향을 미치며, 이를 효과적으로 모델링할 수 있는가?
• RQ3 훈련된 기계학습 모델을 실시간 예측을 위한 확장 가능한 웹 서비스로 성공적으로 배포할 수 있는가?
• RQ4 VIN 기반 차량 식별 기능의 통합은 예측 시스템의 사용성과 정확도에 어떤 영향을 미치는가?

주요 결과

• 부스팅된 결정 트리 회귀 모델이 가장 낮은 RMSE 5,849.8을 기록하여 딥러닝(6,110.2) 및 서포트 벡터 머신(10,108.7) 등 다른 모델들을 압도적으로 앞섰다.
• 모델는 높은 일반화 능력을 보였으며, API 테스트를 통해 포스트맨(Postman)을 활용한 검증 결과 예측값과 실제 가격 간의 밀도 있는 일치를 보였다.
• 웹 서비스 API는 성공적으로 배포되고 테스트되었으며, JSON 형식으로 정확한 예측 결과를 반환하였다. 예를 들어, 19,000마일 주행한 2017년형 모델 X의 예측 가격은 $81,789.66로 확인되었다.
• 최종적으로 MERN 스택 기반으로 구축된 시스템은 VIN 데이터를 수신하여 차량 속성을 추출하고, 배포된 기계학습 모델을 통해 실시간 가격 예측을 성공적으로 제공하였다.
• 연구 결과 시계열 요소(판매 월 등)가 중고 테슬라 가격에 상당한 영향을 미치며, 정확한 예측을 위해 이 요소를 특성으로 포함시켜야 한다고 확인되었다.
• 이 시스템의 아키텍처는 향후 추가 데이터 소스 또는 더 정교한 모델과의 통합을 통해 확장성과 정확도 향상을 가능하게 한다.