[논문 리뷰] Sub-City Real Estate Price Index Forecasting at Weekly Horizons Using Satellite Radar and News Sentiment

Baris Arat, Hasan Fehmi Ates외 1명|arXiv (Cornell University)|2026. 02. 20.

Housing Market and Economics인용 수 0

한 줄 요약

논문은 트랜잭션 이력, Sentinel-1 SAR 반사도, 뉴스 감정, 그리고 거시경제 맥락을 결합하여 두바이의 도시 하위 주 단위 주간 가격 지수를 예측하는 다중모달 프레임워크를 구축하고, 감정 및 SAR이 장기 예측 accuracy를 향상시킨다.

ABSTRACT

Reliable real estate price indicators are typically published at city level and low frequency, limiting their use for neighborhood-scale monitoring and long-horizon planning. We study whether sub-city price indices can be forecasted at weekly frequency by combining physical development signals from satellite radar with market narratives from news text. Using over 350,000 transactions from Dubai Land Department (2015-2025), we construct weekly price indices for 19 sub-city regions and evaluate forecasts from 2 to 34 weeks ahead. Our framework fuses regional transaction history with Sentinel-1 SAR backscatter, news sentiment combining lexical tone and semantic embeddings, and macroeconomic context. Results are strongly horizon dependent: at horizons up to 10 weeks, price history alone matches multimodal configurations, but beyond 14 weeks sentiment and SAR become critical. At long horizons (26-34 weeks), the full multimodal model reduces mean absolute error from 4.48 to 2.93 (35% reduction), with gains statistically significant across regions. Nonparametric learners consistently outperform deep architectures in this data regime. These findings establish benchmarks for weekly sub-city index forecasting and demonstrate that remote sensing and news sentiment materially improve predictability at strategically relevant horizons.

연구 동기 및 목표

• 도시 수준의 저주파 인덱스와 이웃 규모 모니터링 간의 정보 격차를 해결한다.
• 2015–2025년 사이 두바이의 19개 지역에 대해 2–34주 수평선에서 주간 하위 도시 가격 지수를 예측한다.
• ABLATION을 통해 각 모달리티(가격, 거래 수, 감정, SAR, 이자율, 글로벌 맥 context)의 기여를 평가한다.
• 장기-하이브리드 다중모달 하위 도시 인덱스 예측에 대한 벤치마크를 설정하고 학습 모델을 비교한다.

제안 방법

• 2015–2025년 사이 19개 지역의 350k건 이상 두바이 토지부(Department) 거래로부터 주간 하위 도시 가격 지수를 구성한다.
• 지역 거래 이력, GDELT 기반 뉴스 감정, Sentinel-1 SAR 반사도, 인터뱅크 금리 및 거시 맥락의 4가지 신호를 융합한다.
• 감정을 어휘적 어조와 의미 임베딩(Sentence-BERT와 PCA)으로 표현하고 SAR 특성을 지연 주간 통계(0,4,8,12,20주)와 맞춘다.
• 롤링 시계열 교차 검증을 사용하여 9개의 수평선(2–34주)을 평가하고 기본 모델(Naive, ARIMA)과 여러 학습기(Ridge, Random Forest, XGBoost, KNN, LSTM)를 비교한다.
• 모달리티 추가에 따른 Friedman 및 Wilcoxon 검정으로 통계적 유의성을 평가하고 각 모달리티 추가에 대해 Bonferroni 보정을 적용한다.

실험 결과

연구 질문

• RQ1 다중모달 신호(거래, SAR, 감정, 거시 맥 context)를 사용하여 주간 하위 도시 가격 지수를 최대 34주까지 정확하게 예측할 수 있는가?
• RQ2 감정 및 SAR가 가격 이력보다 예측 정확도에 의미 있게 기여하는 수평선은 어디인가?
• RQ3 어떤 모델링 접근법과 모달리티가 장기-하이즈온 성능과 지역 간 안정성을 최상으로 보여주는가?

주요 결과

• 전체 다중모달 모델은 장기 예측(26–34주)에서 가격만 사용한 베이스라인 대비 MAE를 약 35% 감소시킨다(2.93으로 감소, KNN의 경우 4.48에서), RF 및 XGBoost에서도 유사한 상승이 나타난다.
• 가격 이력만으로는 약 10–14주까지 다중모달 모델과 대등하지만, 그 이후에는 감정과 SAR가 정확도에 결정적 영향을 준다.
• 비모수학적 학습기(KNN, Random Forest)는 이 데이터 구간에서 딥 아키텍처(LSTM)보다 더 우수하다.
• 감정은 의미 임베딩과 SAR 피처가 어휘적 감정 및 광학 지표를 넘어 상호 보완적 정보를 제공한다.
• 모달리티 기여는 지역 간에 장기 수평선에서統계적으로 유의하며, 모델 계열에 따라 기여하는 모달리티가 다르다.