LightGBM을 이용한 서울지역 아파트 가격 예측모형

연구 개요

연세대학교 미래캠퍼스 경영학부 '의사결정과 정보기술(캡스톤디자인)' 수업에서 수행한 연구입니다. 본 연구는 연세대학교 미래캠퍼스 LINC+사업단의 지원을 받아 진행되었으며, 결과물은 학술지에 게재되었습니다.

1. 연구 배경 및 목적

부동산은 대한민국에서 대표적인 투자 수단입니다. 아파트 가격은 사회적·경제적 요소들이 복합적으로 작용하며, 특정 아파트에 대한 수요자의 선호 요소는 무수히 많습니다.

어떤 요소가 가격 형성에 영향을 주는지 파악할 수 있다면, 부동산 개발이나 투자 의사결정 시 현장 조사로 인한 시간·비용을 크게 줄일 수 있습니다. 다양한 요소와 선호도 간의 관계를 분석하고, 이를 바탕으로 서울지역 아파트 가격 예측 모델을 구축하는 것이 본 연구의 목표입니다.

기존 프로그램들의 광범위한 예측을 더 정교하게 도출할 수 있는 모델을 만들어, 부동산 개발 종사자가 입지 분석 도구로 실제 활용할 수 있도록 하는 것을 최종 목표로 삼았습니다.

주제 선정 과정

팀 내에서는 초기에 금융(주식), 전자상거래(상품·리뷰) 등 다양한 주제를 검토했습니다. 그러나 분석 대상 산업(도메인)에 대한 깊은 이해가 분석 품질을 좌우한다는 팀 내 공통된 인식 아래, 관련 연구 자료와 데이터가 비교적 풍부하고 실생활과 밀접한 부동산 시장을 최종 분석 주제로 선정했습니다.

선행 연구 탐색 과정에서 실제 분양 대행사 종사자와의 인터뷰도 진행하여, 현업에서 실제로 가격에 영향을 미치는 변수에 대한 실무적 조언을 받아 데이터 수집 방향성을 구체화했습니다.

2. 선행 연구

부동산 가격 예측에 관한 선행 연구는 크게 LSTM 기반 시계열 모델과 Boosting 기반 모델 두 가지 흐름으로 구분됩니다.

Hyper Parameter 최적화에 관한 선행 연구도 검토했습니다.

선행 연구를 통해 머신러닝 기반 부동산 예측 방법론의 흐름을 파악하고, 본 연구에서는 Optuna 기반 베이지안 하이퍼파라미터 자동 최적화를 적용하는 방향으로 차별점을 두었습니다.

3. 연구 모형

분석 프레임워크

1단계: Data 수집
       └ 서울 아파트 실거래가 (2008.01 ~ 2017.11, 일별 데이터)
       └ 한강 인접, CBD, 공원, 학교 등 입지 변수 추가 수집 (현업 인터뷰 기반)
                ↓
2단계: 하이퍼파라미터 최적화를 통한 LightGBM 모델 구축
       └ Optuna TPE (Tree-structured Parzen Estimator) 적용
       └ TimeSeriesSplit 시계열 교차검증 (10-fold)
                ↓
3단계: 예측 결과 분석 및 활용 방안 제시
       └ RMSLE 평가 / Feature Importance 분석

LightGBM 알고리즘

LightGBM은 Gradient Boosting 계열 알고리즘입니다. XGBoost의 Level-wise(수평적) 트리 성장과 달리 Leaf-wise(수직적) 트리 성장 방식을 채택하여, 동일한 연산 자원에서 더 깊이 있는 트리를 구성합니다.

CART(Classification and Regression Tree) 앙상블 모델을 기반으로 다양한 옵션을 제공하며 커스터마이징이 용이합니다.

하이퍼파라미터 최적화 (Optuna TPE)

수동 튜닝 대신 Optuna의 Tree-structured Parzen Estimator(TPE) — 베이지안 최적화 알고리즘을 사용해 최적 하이퍼파라미터를 자동 탐색했습니다.

Optuna는 학습용 데이터를 이용하여 다음에 시도할 하이퍼파라미터 값을 결정합니다. 유망한 영역을 추정하고 해당 영역의 값을 시도한 뒤, 새로운 결과를 기반으로 더 유망한 지역을 추정하는 과정을 반복합니다. Sequential Model-based Global Optimization(SMBO) 방식에서 목적함수를 대체하는 Surrogate Model로 TPE를 활용하며, 이는 연속형뿐 아니라 범주형 및 조건형 하이퍼파라미터도 처리할 수 있다는 장점이 있습니다.

탐색 흐름: Data preprocessing → Select ML algorithm → Hyperparameter search → Select best sets → Build final model → Prediction

최적화 결과

4. 데이터셋 구성

DACON '아파트 실거래가 예측대회' 원본 데이터에, 현업 부동산 종사자 인터뷰를 통해 실제 가격에 영향을 미치는 요소를 파악하고, 입지 관련 변수 10개를 추가 수집하여 최종 14개 변수로 구성했습니다.

학습 데이터 규모: 742,286건 × 14개 피처 = 약 1,039만 데이터 포인트

데이터 전처리

• 서울시 데이터로 범위 제한 (전체 110만 → 74만 건)
• 문자열 값 레이블링
• 피처 엔지니어링: 거래일자를 year/month/day로 세분화, 건축연수(age) 파생 변수 생성
• 이상치 처리: 왜도(Skewness)·첨도(Kurtosis)가 일정 수준 이상인 피처 제거
• 타깃 변수(transaction_real_price) 로그 변환: 값의 편차를 줄이고 이상치의 영향을 완화

5. 모델 비교 결과 (RMSLE Score, 낮을수록 우수)

8가지 모델을 동일 데이터로 비교 실험했습니다. 평가 시 TimeSeriesSplit(10-fold) 시계열 교차검증을 사용하여 시간 순서를 유지하며 순차적으로 검증했습니다.

XGBoost(0.1317)가 수치상 가장 우수하지만 LightGBM을 최종 선택한 이유: LightGBM은 XGBoost 대비 학습 속도가 빠르고 메모리 효율이 높습니다. 정확도에서도 큰 차이가 없어, 우리가 처한 환경(메모리, 연산 자원)에서 최적의 성과를 낼 수 있다고 판단했습니다.

6. 변수 중요도 분석 (Feature Importance)

LightGBM 최적 모델의 변수 중요도 분석 결과입니다. 모델이 각 변수를 얼마나 자주, 얼마나 유효하게 활용했는지를 수치로 나타냅니다.

7. 결론 및 의의

핵심 발견

물리적 특성이 가장 강력한 가격 결정 요인입니다. 전용면적(1위)과 준공 경과기간(2위)이 압도적으로 높은 중요도를 보였습니다. 이는 각 아파트 샘플이 지닌 고유한 물리적 특성이 가격에 결정적인 영향을 미친다는 것을 데이터로 입증한 결과입니다.

교통 접근성이 세 번째 핵심 요인입니다. 지하철역 수(3위, 8,378)가 교육 요인(중학교 6위, 공원 5위)보다 앞서며, 아파트 입지 분석 시 교통 요소를 최우선으로 검토해야 함을 확인했습니다.

생활 편의성이 교육 환경을 앞섭니다. 공원(5위, 6,172)이 중학교(6위, 5,792)보다 높게 나타났습니다. 흔히 '학군 프리미엄'이 가장 중요하다고 여겨지지만, 데이터는 생활 편의성(공원)이 가격 형성에 더 크게 작용함을 보여줍니다. 이는 직관에 반하는 흥미로운 발견입니다.

분석 목적과 의의

변수 중요도(Feature Importance)를 통해 입지·물리적 특성의 중요성을 모델 기반으로 정량 도출했습니다. 이는 개인의 경험과 직관에 의존하던 기존 부동산 가치 평가 방식을 데이터 기반으로 전환하는 데 기여할 수 있으며, 부동산 개발 사업의 타당성 검토 및 투자 입지 분석을 위한 참고 자료로 실질적인 활용 가능성을 확인했습니다.

이를 통해 도메인 이해 기반의 데이터 분석 역량과, 모델링 결과를 비즈니스 인사이트로 연결하는 능력을 함께 기를 수 있었던 프로젝트입니다.

8. 한계 및 후행 연구 방향

현 모델은 시점 기반 가치 평가에 그칩니다. 각 아파트 샘플의 특성을 반영하여 현재 가격을 평가하는 데는 성공했지만, 시계열 데이터를 활용한 미래 가격 예측으로는 이어지지 못했습니다.

미래 가격 예측을 위해서는 각 아파트 샘플별로 충분한 시간 시퀀스 데이터가 갖춰져야 하며, LSTM·Transformer 등 시퀀스 모델의 적용이 필요합니다. 또한 서울 데이터로만 학습하여 타 지역에 대한 일반화에 한계가 있습니다.

자료

• 결과 보고서 (Google Drive)
• 발표 포스터 (Google Drive)
• 소스코드 (GitHub)