Recently, the rise of used cars sales is exponentially increasing more than ever. An accurate market price prediction is important for not only buyers but also dealers to get more profit in a tight race. The approaches commonly used for price prediction task and the other similar problems are linear regression analysis, decision tree or fully connected neural network. These approaches are popular due to its easy implementation; however, the low prediction accuracy
is a massive drawback. In this paper, a novel Deep Learning framework is proposed to overcome this problem. From experimental results, the relative error was found out to be 8.18% that is about 4.47% smaller than the other conventional Machine Learning techniques. The evidence indicates that our proposed framework has great advantages compared to the existing ones, as it not only gives more accurate predictions but also considers the prediction uncertainty. It is important because it assesses how much to trust the forecast produced by the model. The whole experiment is based upon real-world data of Korean used cars.
최근 중고차 판매의 증가는 기하 급수적으로 증가하고 있습니다. 정확한 시장 가격 예측은 구매자뿐만 아니라 딜러들도 타이트한 경쟁에서 더 많은 수익을 올리는 데 중요합니다. 가격 예측 작업 및 다른 유사한 문제에 일반적으로 사용되는 접근법은 선형 회귀 분석, 의사 결정 트리 또는 완전히 연결된 신경 네트워크입니다. 이러한 접근법은 쉬운 구현으로 인해 널리 사용됩니다. 그러나, 낮은 예측 정확도는 큰 결점이다. 본 논문에서는 이러한 문제를 극복하기 위해 새로운 Deep Learning 프레임 워크를 제안한다. 실험 결과로부터, 상대 오차는 다른 종래의 기계 학습 기술보다 약 4.47 % 작은 8.18 % 인 것으로 밝혀졌다. 이러한 증거는 제안 된 프레임 워크가 기존의 프레임 워크와 비교할 때 큰 장점이 있음을 나타냅니다. 더 정확한 예측을 제공 할뿐만 아니라 예측 불확실성을 고려하기 때문입니다. 이는 모델에 의해 생성 된 예측을 얼마나 신뢰할 수 있는지 평가하기 때문에 중요합니다. 전체 실험은 한국 중고차의 실제 데이터를 기반으로합니다.
