KR20220132088A - Vehicle price prediction method using Word2Vec - Google Patents
Vehicle price prediction method using Word2Vec Download PDFInfo
- Publication number
- KR20220132088A KR20220132088A KR1020210036689A KR20210036689A KR20220132088A KR 20220132088 A KR20220132088 A KR 20220132088A KR 1020210036689 A KR1020210036689 A KR 1020210036689A KR 20210036689 A KR20210036689 A KR 20210036689A KR 20220132088 A KR20220132088 A KR 20220132088A
- Authority
- KR
- South Korea
- Prior art keywords
- vehicle
- information
- word2vec
- price
- element information
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 46
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000013480 data collection Methods 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000013604 expression vector Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G06Q50/30—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Traffic Control Systems (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
본 발명은 워드투벡터(Word2Vec)를 이용한 차량의 가격예측 방법에 관한 것으로, 더욱 상세하게는 차량의 가격예측을 위해서 생성된 워드투벡터(Word2Vec)들을 이용하여, 생성된 워드투벡터(Word2Vec)들을 인공지능 모델에 입력함으로써 사용자가 원하는 구매시점의 해당 차량의 가격을 예측 방법에 관한 것이다. The present invention relates to a vehicle price prediction method using word-to-vector (Word2Vec), and more particularly, to a word-to-vector (Word2Vec) generated using word-to-vector (Word2Vec) generated for vehicle price prediction. It is related to a method of predicting the price of the vehicle at the time of purchase desired by the user by inputting them into the artificial intelligence model.
최근 인터넷 등의 네트워크의 발달로 수많은 제품이나 물건 등을 인터넷 등의 통신망을 통해 거래할 수 있게 되었다. 중고 자동차의 경우에도 네트워크를 통한 거래가 가능하게 되었으며, 최근 네트워크상에서 중고 자동차의 매물을 등록하고 이를 매매하는 웹사이트들이 많이 생기고 있다. Recently, with the development of networks such as the Internet, it has become possible to transact a number of products or goods through a communication network such as the Internet. In the case of used cars, transactions through the network have become possible, and recently, there are many websites that register used cars for sale and sell them on the network.
그러나 중고 자동차 거래의 특성상 중고 자동차는 신형 자동차와 달리 일정한 가격이 결정되어 있지 않으며, 연식, 주행거리, 사고 여부, 색상 등에 따라 상이한 가격이 결정되는 특성 때문에 중고 자동차 업체의 딜러들이 제시하는 가격에 따라 매매 가격이 다르게 결정되는 불합리한 면이 존재하였다. However, due to the nature of the used car transaction, the price of a used car is not determined unlike a new car, and different prices are determined depending on the year, mileage, accident status, color, etc. There was an unreasonable aspect that the sale price was determined differently.
일반적으로 중고 자동차를 매매할 때는 오프라인의 중고 자동차 시장을 이용하여 시세를 알아 자동차를 거래하거나, 온라인의 중고 자동차 시세를 참조하여 온라인으로 중고 자동차를 구매 혹은 P2P(Peer to Peer) 거래, 즉 개인 간의 중고 자동차 및 기타 자동차 거래가 이용되고 있다. 이와 같은 P2P 거래는 중고 자동차 업체의 수수료가 절감되며, 개인간의 정보 교환을 통하여 평등한 위치에서 거래가 이루어진다는 점에서 이용률이 증가하고 있다. 그러나 이러한 방법에 의해 제공되는 중고 자동차 시세는 연식 등을 위주로 시세가 정해지고 실제 자동차의 상태를 정확히 반영하지는 못하는 문제점으로 구매자에게 표준화된 가격 정보가 제공되지 못하는 문제점이 존재하였다. In general, when buying and selling used cars, use the offline used car market to know the market price and trade cars, or buy a used car online by referring to the online used car market price, or P2P (Peer to Peer) transaction, that is, between individuals. Used cars and other car trades are being used. Such P2P transactions are increasing in terms of reducing fees for used car makers and allowing transactions to be made in an equal position through the exchange of information between individuals. However, the used car price provided by this method has a problem in that standardized price information cannot be provided to the buyer because the price is mainly determined based on the year of the car and does not accurately reflect the actual condition of the car.
최근에는 이를 보완하기 위하여 사고 정보 등을 활용하거나 운행거리 등을 추가로 반영하여 중고 자동차 시세를 결정하는 방법이 제안되었으나 이런 방법에서도 주행거리를 조작하거나 하는 사기가 많으며 자동차의 정확한 부품상태나 운행정보 등을 반영하지 못하는 문제가 있다. Recently, in order to supplement this, a method of determining the price of a used car by using accident information or additionally reflecting the mileage has been proposed. There is a problem that cannot be reflected.
하지만, 자동차에 따라 같은 연식이라 할지라도 정비에 따른 부품의 마모 정도가 다르고, 운행지역이나 시간 등이 달라 자동차의 상태도 달라지게 되는 이유로 소비자에게 자동차의 속성 정보들을 반영한 중고 자동차 시세 정보 제공이 요구되어 왔다. However, depending on the car, even if it is the same model year, the degree of wear of parts due to maintenance is different, and the condition of the car also varies due to the different operating regions and times. has been
본 발명은 전술한 문제점을 해결하기 위하여 창출된 것으로, 워드투벡터(Word2Vec)를 이용한 차량의 가격예측 방법을 제공하는 것을 그 목적으로 한다. The present invention was created to solve the above problems, and an object of the present invention is to provide a method of predicting a vehicle price using a word-to-vector (Word2Vec).
본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다. Objects of the present invention are not limited to the objects mentioned above, and other objects not mentioned will be clearly understood from the description below.
상기한 목적들을 달성하기 위하여, 본 발명의 일 실시예에 따른 워드투벡터(Word2Vec)를 이용한 차량의 가격예측 방법이 개시된다. 상기 방법은 차량의 가격예측을 위한, 입력된 차량 이미지정보로부터 적어도 하나 이상의 엘리먼트 정보들을 추출하여 수집하는 데이터 수집 단계, 수집된 엘리먼트 정보들에 기초하여, 각 엘리먼트 정보들에 대응되는 워드투벡터(Word2Vec)들을 생성하는 데이터 가공 단계 및 생성된 워드투벡터(Word2Vec)들을 이용하여, 생성된 워드투벡터(Word2Vec)들을 인공지능 모델에 입력함으로써 사용자가 원하는 구매시점의 해당 차량의 가격을 예측하는 단계를 포함할 수 있다. In order to achieve the above objects, a vehicle price prediction method using word-to-vector (Word2Vec) according to an embodiment of the present invention is disclosed. The method includes a data collection step of extracting and collecting at least one or more element information from the input vehicle image information for price prediction of a vehicle, a word-to-vector (word-to-vector) corresponding to each element information based on the collected element information Predicting the price of the vehicle at the time of purchase desired by the user by inputting the generated Word2Vec into an artificial intelligence model using the data processing step of generating Word2Vec and the generated Word2Vec may include.
또한, 본 발명의 일 실시예에 따르면, 차량 가격예측 단계 이전에, 기설정된 판단 대상차량의 엘리먼트 정보들 및 구매시점을 입력받는 단계를 더 포함할 수 있다. In addition, according to an embodiment of the present invention, before the vehicle price prediction step, the method may further include the step of receiving preset element information of the target vehicle and the purchase time.
또한, 본 발명의 일 실시예에 따르면, 인공지능 모델은 차량의 가격 예측에 필요한 각각의 엘리먼트 정보들 및 시간 경과에 따라 각각의 엘리먼트 정보들의 감가율 정보를 입력하여 학습시킨 인공지능 모델일 수 있다. Also, according to an embodiment of the present invention, the artificial intelligence model may be an artificial intelligence model trained by inputting each element information required for price prediction of a vehicle and depreciation rate information of each element information over time.
또한, 본 발명의 일 실시예에 따르면, 인공지능 모델은 입력받은 엘리먼트 정보들을 식별하고, 엘리먼트 정보들의 감가율에 따라 엘리먼트 정보들의 가중치를 결정하며, 결정된 엘리먼트 정보들의 가중치에 기초하여 판단 대상차량의 가격을 예측할 수 있다. In addition, according to an embodiment of the present invention, the artificial intelligence model identifies the input element information, determines the weight of the element information according to the depreciation rate of the element information, and determines the price of the target vehicle based on the determined weight of the element information can be predicted
또한, 본 발명의 일 실시예에 따르면, 인공지능 모델은 미래 구매 시점에 대한 정보가 입력되면, 엘리먼트 정보들의 감가율에 따라 결정된 가중치를 재조정하며, 재조정된 가중치에 기초하여, 미래 구매 시점에 판단 대상차량의 가격을 예측할 수 있다. In addition, according to an embodiment of the present invention, when information on a future purchase time is input, the artificial intelligence model readjusts the weight determined according to the depreciation rate of the element information, and based on the readjusted weight, a determination target at the future purchase time You can predict the price of a vehicle.
또한, 본 발명의 일 실시예에 따르면, 인공지능 모델은 미래 구매 시점에, 엘리먼트 정보들의 감가율이 기설정된 임계치 이상인 엘리먼트가 있는 경우, 해당 엘리먼트에 대한 가중치를 재조정하여, 재조정된 가중치에 기초하여, 미래 구매 시점에 판단 대상차량의 가격을 예측할 수 있다. In addition, according to an embodiment of the present invention, at the time of future purchase, when there is an element whose depreciation rate of element information is greater than or equal to a preset threshold, the artificial intelligence model readjusts the weight for the element based on the readjusted weight, It is possible to predict the price of the target vehicle at the time of future purchase.
또한, 본 발명의 일 실시예에 따르면, 엘리먼트 정보들은, 차량의 제조사 정보, 차량의 모델 정보, 차량의 연식 정보, 차량의 색상 정보 또는 차량의 주행 거리 정보 중 적어도 하나 이상의 정보를 포함할 수 있다. Also, according to an embodiment of the present invention, the element information may include at least one or more of information on the manufacturer information of the vehicle, the model information of the vehicle, the year of the vehicle information, the color information of the vehicle, and the mileage information of the vehicle. .
또한, 본 발명의 일 실시예에 따르면, 가중치는, 엘리먼트 정보들 중 각각의 엘리먼트에 따라 감가율이 다르게 설정되어 반영되는 것을 특징으로 할 수 있다. Further, according to an embodiment of the present invention, the weight may be reflected by setting a different depreciation rate according to each element among the element information.
또한, 본 발명의 일 실시예에 따르면, 가중치는, 서로 관련있는 엘리먼트 정보들의 경우, 관련있는 엘리먼트 정보들의 감가율중 감가율이 높은 엘리먼트 감가율을 적용하는 것을 특징으로 할 수 있다. In addition, according to an embodiment of the present invention, the weight may be characterized by applying an element depreciation rate having a high depreciation rate among depreciation rates of the related element information in the case of element information related to each other.
상기한 목적들을 달성하기 위한 구체적인 사항들은 첨부된 도면과 함께 상세하게 후술될 실시예들을 참조하면 명확해질 것이다. Specific details for achieving the above objects will become clear with reference to the embodiments to be described in detail below in conjunction with the accompanying drawings.
그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라, 서로 다른 다양한 형태로 구성될 수 있으며, 본 발명의 개시가 완전하도록 하고 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자(이하, "통상의 기술자")에게 발명의 범주를 완전하게 알려주기 위해서 제공되는 것이다. However, the present invention is not limited to the embodiments disclosed below, and may be configured in various different forms, and those of ordinary skill in the art to which the present invention pertains ( Hereinafter, "a person skilled in the art") is provided to fully inform the scope of the invention.
본 발명의 일 실시예에 의하면, 워드투벡터(Word2Vec) 모델을 이용하여 엘리먼트 정보들을 벡터화 하게 되면 수치적으로 쉽게 다를 수 있다. According to an embodiment of the present invention, when element information is vectorized using a word-to-vector (Word2Vec) model, it can be easily different numerically.
또한, 본 발명의 일 실시예에 의하면, 엘리먼트 정보들을 수치적으로 다룰 수 있어서, 엘리먼트 정보들을 벡터 연산을 통해서 차량의 가격을 예측할 수 있게 된다. In addition, according to an embodiment of the present invention, since element information can be dealt with numerically, it is possible to predict the price of a vehicle through vector operation on the element information.
또한, 본 발명의 일 실시예에 의하면, 간단한 정보를 이용하여, 차량의 가격을 정확하게 예측할 수 있게 됨으로써, 정보 비대칭으로 인한 차량간 거래시 사기 위험성도 줄일 수 있으며, 정보의 정확성으로 인해서 거래의 활성화가 기대된다. In addition, according to an embodiment of the present invention, it is possible to accurately predict the price of a vehicle using simple information, thereby reducing the risk of fraud during a vehicle-to-vehicle transaction due to information asymmetry, and activating the transaction due to the accuracy of the information. is expected
본 발명의 효과들은 상술된 효과들로 제한되지 않으며, 본 발명의 기술적 특징들에 의하여 기대되는 잠정적인 효과들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다. The effects of the present invention are not limited to the above-described effects, and potential effects expected by the technical features of the present invention will be clearly understood from the following description.
상기 언급된 본 발명 내용의 특징들이 상세하게, 보다 구체화된 설명으로, 이하의 실시예들을 참조하여 이해될 수 있도록, 실시예들 중 일부는 첨부되는 도면에서 도시된다. 또한, 도면과의 유사한 참조번호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭하는 것으로 의도된다. 그러나 첨부된 도면들은 단지 본 발명 내용의 특정한 전형적인 실시예들만을 도시하는 것일 뿐, 본 발명의 범위를 한정하는 것으로 고려되지는 않으며, 동일한 효과를 갖는 다른 실시예들이 충분히 인식될 수 있다는 점을 유의하도록 한다.
도 1은 본 발명의 일 실시예에 따른 워드투벡터(Word2Vec)를 이용한 차량의 가격예측 방법의 순서도이다.
도 2는 본 발명의 일 실시예에 따른 워드투벡터(Word2Vec)를 생성하는 엘리먼트 정보들을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 워드투벡터(Word2Vec)를 이용한 인공지능 모델의 개략도를 도시한 도면이다. BRIEF DESCRIPTION OF THE DRAWINGS In order that the above-mentioned features of the present invention may be understood in detail, with a more specific description, with reference to the following examples, some of the embodiments are shown in the accompanying drawings. Also, like reference numbers with drawings are intended to refer to the same or similar functions throughout the various aspects. It should be noted, however, that the accompanying drawings show only certain typical embodiments of the present invention and are not to be considered as limiting the scope of the present invention, and other embodiments having the same effect may be sufficiently recognized. let it do
1 is a flowchart of a vehicle price prediction method using a word-to-vector (Word2Vec) according to an embodiment of the present invention.
2 is a diagram illustrating element information for generating a word-to-vector (Word2Vec) according to an embodiment of the present invention.
3 is a diagram illustrating a schematic diagram of an artificial intelligence model using a word-to-vector (Word2Vec) according to an embodiment of the present invention.
본 발명은 다양한 변경을 가할 수 있고, 여러 가지 실시예들을 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다. Since the present invention can have various changes and can have various embodiments, specific embodiments are illustrated in the drawings and described in detail.
청구범위에 개시된 발명의 다양한 특징들은 도면 및 상세한 설명을 고려하여 더 잘 이해될 수 있을 것이다. 명세서에 개시된 장치, 방법, 제법 및 다양한 실시예들은 예시를 위해서 제공되는 것이다. 개시된 구조 및 기능상의 특징들은 통상의 기술자로 하여금 다양한 실시예들을 구체적으로 실시할 수 있도록 하기 위한 것이고, 발명의 범위를 제한하기 위한 것이 아니다. 개시된 용어 및 문장들은 개시된 발명의 다양한 특징들을 이해하기 쉽게 설명하기 위한 것이고, 발명의 범위를 제한하기 위한 것이 아니다.Various features of the invention disclosed in the claims may be better understood upon consideration of the drawings and detailed description. The apparatus, methods, preparations, and various embodiments disclosed herein are provided for purposes of illustration. The disclosed structural and functional features are intended to enable those skilled in the art to specifically practice the various embodiments, and are not intended to limit the scope of the invention. The terms and sentences disclosed are for the purpose of easy-to-understand descriptions of various features of the disclosed invention, and are not intended to limit the scope of the invention.
본 발명을 설명함에 있어서, 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우, 그 상세한 설명을 생략한다.In describing the present invention, if it is determined that a detailed description of a related known technology may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted.
이하, 본 발명의 일 실시예에 따른 워드투벡터(Word2Vec)를 이용한 차량의 가격예측 방법을 설명한다. Hereinafter, a method of predicting a vehicle price using a word-to-vector (Word2Vec) according to an embodiment of the present invention will be described.
도 1은 본 발명의 일 실시예에 따른 워드투벡터(Word2Vec)를 이용한 차량의 가격예측 방법의 순서도이고, 도 2는 본 발명의 일 실시예에 따른 워드투벡터(Word2Vec)를 생성하는 엘리먼트 정보들을 나타낸 도면이며, 도 3은 본 발명의 일 실시예에 따른 워드투벡터(Word2Vec)를 이용한 인공지능 모델의 개략도를 도시한 도면이다. 1 is a flowchart of a vehicle price prediction method using a word-to-vector (Word2Vec) according to an embodiment of the present invention. 3 is a schematic diagram of an artificial intelligence model using word-to-vector (Word2Vec) according to an embodiment of the present invention.
도 1 내지 도 3을 참조하면, 본 발명의 일 실시예에 따른 차량의 가격예측 방법(S100)은 차량의 가격예측을 위한, 입력된 차량 이미지정보로부터 적어도 하나 이상의 엘리먼트 정보들을 추출하여 수집하는 데이터 수집 단계(S101), 수집된 엘리먼트 정보들에 기초하여, 각 엘리먼트들에 대응되는 워드투벡터(Word2Vec)들을 생성하는 데이터 가공 단계(S103) 및 생성된 워드투벡터(Word2Vec)들을 이용하여, 생성된 워드투벡터(Word2Vec)들을 인공지능 모델에 입력함으로써 사용자가 원하는 구매시점의 해당 차량의 가격을 예측하는 단계(S105)를 포함할 수 있다. 1 to 3 , in the vehicle price prediction method S100 according to an embodiment of the present invention, at least one or more element information is extracted and collected from input vehicle image information for price prediction of the vehicle. Based on the collection step (S101), the collected element information, the data processing step (S103) of generating word-to-vectors (Word2Vec) corresponding to each element and the generated word-to-vector (Word2Vec) are used to generate It may include a step (S105) of predicting the price of the vehicle at the time of purchase desired by the user by inputting the word-to-vector (Word2Vec) into the artificial intelligence model.
일 실시예에서, 데이터 수집 단계(S101)는 차량의 가격예측을 위한, 입력된 차량 이미지정보로부터 다수의 엘리먼트 정보들을 추출하여 수집하는 단계일 수 있다. In one embodiment, the data collection step ( S101 ) may be a step of extracting and collecting a plurality of element information from input vehicle image information for price prediction of a vehicle.
보다 구체적으로, 엘리먼트 정보들은 차량의 가격을 예측하는데 필요한 정보로써, 차량의 제조사 정보, 차량의 모델 정보, 차량의 연식 정보, 차량의 색상 정보 또는 차량의 주행 거리 정보 등을 포함할 수 있다. 상기 예시는 본 개시를 설명하기 위한 예시일 뿐, 본 개시는 이에 제한되지 않는다. More specifically, the element information is information necessary to predict the price of the vehicle, and may include vehicle manufacturer information, vehicle model information, vehicle year information, vehicle color information, or mileage information of the vehicle. The above example is merely an example for describing the present disclosure, and the present disclosure is not limited thereto.
일 실시예에서, 데이터 가공 단계(S103)는 데이터 수집 단계(S101)에서 수집된 다수의 엘리먼트 정보들에 기초하여, 각각 엘리먼트들에 대응되는 워드투벡터(Word2Vec)들을 생성하는 단계일 수 있다. In an embodiment, the data processing step S103 may be a step of generating word-to-vectors (Word2Vec) corresponding to each element based on the plurality of element information collected in the data collection step S101.
보다 구체적으로, 데이터 가공 단계(S103)는 텍스트 기반 자동차 데이터를 숫자 벡터로 변환하는 단계이다. 본 발명은 데이터 가공 단계(S103)를 포함하여, 데이터 형식인 차량 가격을 결정하는 엘러먼트 정보들을 벡터값으로 변환하여 인공지능 모델에 입력하여 차량가격을 예측할 수 있다. More specifically, the data processing step S103 is a step of converting text-based car data into a numeric vector. In the present invention, including the data processing step (S103), it is possible to predict the vehicle price by converting the element information that determines the vehicle price, which is a data format, into a vector value and inputting it into an artificial intelligence model.
즉, 인공 지능 모델은 벡터가 신경망의 기본 데이터 형식이기 때문에 데이터 가공 단계를 포함하고 있다. In other words, AI models include data processing steps because vectors are the basic data format of neural networks.
또한, 데이터 가공 단계(S103)는 차량의 제조사 정보, 차량의 모델 정보, 차량의 연식 정보, 차량의 색상 정보 또는 차량의 주행 거리 정보 각각에 대응되는 워드투벡터(Word2Vec)들을 생성할 수 있다. 각각의 엘리먼트 정보들을 벡터화함으로써, 벡터화된 엘리먼트 정보들은 연산이 가능해지므로, 벡터화된 엘리먼트 정보들을 연산을 통해 가공을 할 수 있다. 연산을 통해 엘리먼트 정보를 가공할 수 있게 됨으로써, 정확한 데이터값이 없는 차량의 가격을 예측할 수 있게 된다. In addition, the data processing step S103 may generate word-to-vectors (Word2Vec) corresponding to each of vehicle manufacturer information, vehicle model information, vehicle year information, vehicle color information, or vehicle mileage information. By vectorizing each element information, the vectorized element information can be calculated, so that the vectorized element information can be processed through operation. By being able to process element information through calculation, it is possible to predict the price of a vehicle without an accurate data value.
또한, 엘리먼트 정보를 벡터화 함으로써 관련성이 있는 엘리먼트 정보들의 유기적인 관계도 인공지능 모델을 통해 연산을 할 수 있다. In addition, by vectorizing element information, an organic relationship between relevant element information can be calculated through an artificial intelligence model.
여기서, 워드투벡터(Word2Vec) 모델은 워드 임베딩 모델로서 예측 학습을 기반으로 하여 단어 표현 벡터에 문맥 및 단어 간 의미 유사성을 포함시킨 워드 임베딩 모델이다. Here, the word-to-vector (Word2Vec) model is a word embedding model that includes context and semantic similarity between words in a word expression vector based on predictive learning as a word embedding model.
워드투벡터(Word2Vec)는 딥 러닝(deep learning) 기법이 자연어 처리 영역에 적용되는 경우 사용되는 벡터 모델을 지칭할 수 있다. 벡터 공간에서 특정 텀(주제어)이 하나의 벡터로 표현되는 경우, 텀을 개별적으로 표현하기 위하여 자신의 텀을 나타내는 차원의 값만 ‘1’이고, 나머지 차원들의 값이 ‘0’인 희소(sparse) 벡터로서 표현될 수 있다. Word2Vec may refer to a vector model used when a deep learning technique is applied to a natural language processing area. When a specific term (subject word) is expressed as a vector in the vector space, in order to express the term individually, only the value of the dimension representing its own term is '1' and the values of the other dimensions are '0'. It can be expressed as a vector.
그러나, 이러한 경우 세상에 존재하는 모든 텀을 표현하기 위하여, 각각의 텀은 차원을 알 수 없는(또는 무한대의) 공간에 표현될 수밖에 없고, 다른 텀과의 유사도를 판단할 때 동일한 텀이 존재하는 경우에만 의미있는 값이 도출되는 문제가 발생할 수 있다. However, in this case, in order to express all terms that exist in the world, each term has to be expressed in a space whose dimensions are unknown (or infinite), and when the same term exists when judging the similarity with other terms There may be a problem that only meaningful values are derived.
이러한 문제를 해소하고자, 특정 도메인에서 발생한 모든 텀들을 분석함으로써 각각의 텀에 대한 고유 벡터를 생성하고, 고유 벡터들은 유한한 차원(예컨대, 100 차원 또는 50 차원 등)의 공간에서 표현될 수 있다. In order to solve this problem, an eigenvector for each term is generated by analyzing all terms occurring in a specific domain, and the eigenvectors can be expressed in a space of a finite dimension (eg, 100-dimensional or 50-dimensional, etc.).
이러한 고유 벡터는 워드투벡터(Word2Vec)로서 지칭될 수 있고, 워드투벡터(Word2Vec)의 값, 즉 차원들 각각의 값은 바이너리 값이 아닌 정수 또는 실수의 값을 가질 수 있고, 동일 차원의 값이 높을수록 의미적으로 유사한 것으로 간주될 수 있다. 이와 같이 텀을 워드투벡터(Word2Vec)로서 나타내는 것은 워드 임베딩(word embedding)으로 지칭될 수 있다. Such an eigenvector may be referred to as a word-to-vector (Word2Vec), and a value of the word-to-vector (Word2Vec), that is, each value of the dimensions may have a value of an integer or real number rather than a binary value, and a value of the same dimension Higher values can be regarded as semantically similar. Representing the term as a word-to-vector (Word2Vec) in this way may be referred to as word embedding.
일 실시예에서, 워드투벡터(Word2Vec)를 이용한 차량의 가격예측 방법(S100)은 차량 가격예측 단계(S105) 이전에, 기설정된 판단 대상차량의 각각의 엘리먼트 정보들 및 구매시점을 입력받는 단계를 포함할 수 있다. In one embodiment, the vehicle price prediction method (S100) using the word-to-vector (Word2Vec) includes the steps of receiving, prior to the vehicle price prediction step (S105), each element information of the predetermined determination target vehicle and the purchase time input may include.
일 실시예에서, 차량 가격예측 단계(S105)는 데이터 가공 단계(S103)에서 생성된 워드투벡터(Word2Vec)들을 이용하여, 생성된 워드투벡터(Word2Vec)들을 인공지능 모델에 입력함으로써 사용자가 원하는 구매시점의 해당 차량의 가격을 예측하는 단계일 수 있다. In one embodiment, the vehicle price prediction step S105 uses the word-to-vector generated in the data processing step S103, and inputs the generated word-to-vector (Word2Vec) to the artificial intelligence model. It may be a step of predicting the price of the corresponding vehicle at the time of purchase.
보다 구체적으로, 차량 가격 예측 단계(S105)는 입력받은 각각의 엘리먼트 정보들 및 미래의 구매 시점에 대한 정보를 이용하여 차량 가격을 예측할 수 있다. More specifically, the vehicle price prediction step ( S105 ) may predict the vehicle price by using each of the input element information and information on a future purchase time.
또한, 차량 가격 예측 단계(S105)는 입력받은 각각의 엘리먼트 정보들 및 미래의 구매 시점에 대한 정보를 벡터화된 워드투벡터를 인공지능 모델에 입력하여 출력되는 출력값을 통해 차랑의 가격을 예측하는 단계일 수 있다. In addition, the vehicle price prediction step (S105) is a step of predicting the price of a car through an output value output by inputting a word-to-vector vectorized word-to-vector of each element information received and information on a future purchase time to an artificial intelligence model. can be
여기서, 인공지능 모델은 자동차 정보의 구조화 된 데이터 세트를 일련의 수학적 벡터로 변환하는 기계 학습 알고리즘으로, 서로 다른 엘리먼트 벡터를 결합하고 비교하여 자동차 판매 가격, 구매 가격 및 일반적인 수요에 대한 예측을 할 수 있습니다. 또한, 인공지능 모델은 시계열 자동 회귀 및 이동 평균의 예측 기술에 의해 생성될 수 있다. Here, an artificial intelligence model is a machine learning algorithm that transforms a structured data set of car information into a series of mathematical vectors that can combine and compare different element vectors to make predictions about car sales price, purchase price, and general demand. there is. In addition, artificial intelligence models can be generated by time-series autoregression and predictive techniques of moving averages.
보다 구체적으로, 인공지능 모델은 차량의 가격 예측에 필요한 각각의 엘리먼트 정보들 및 시간 경과에 따라 각각의 엘리먼트 정보들의 감가율 정보를 입력하여 학습시킨 인공지능 모델일 수 있다. More specifically, the artificial intelligence model may be an artificial intelligence model trained by inputting each element information necessary for predicting the price of a vehicle and depreciation rate information of each element information over time.
또한, 인공지능 모델은, 입력받은 엘리먼트 정보들을 식별하고, 엘리먼트 정보들의 감가율에 따라 엘리먼트 정보들의 가중치를 결정하며, 결정된 엘리먼트 정보들의 가중치에 기초하여 상기 판단 대상차량의 가격을 예측할 수 있다. 차량의 엘리먼트 정보에 따라 감가되는 감가율이 다르므로 이를 반영하여 가격을 결정하기 위함이다. In addition, the artificial intelligence model may identify the input element information, determine the weight of the element information according to the depreciation rate of the element information, and predict the price of the determination target vehicle based on the determined weight of the element information. Since the depreciation rate varies according to the vehicle element information, the price is determined by reflecting this.
또한, 인공지능 모델은 미래 구매 시점에 대한 정보가 입력되면, 엘리먼트 정보들의 감가율에 따라 결정된 가중치를 재조정하며, 재조정된 가중치에 기초하여, 미래 구매 시점에 상기 판단 대상차량의 가격을 예측할 수 있다. 미래의 특정 시점에 대한 차량 가격 예측에 감가율의 변화를 재반영하기 위함이다. In addition, the artificial intelligence model readjusts the weight determined according to the depreciation rate of the element information when information on the future purchase time is input, and based on the readjusted weight, it is possible to predict the price of the vehicle to be determined at the time of future purchase. This is to reflect the change in the depreciation rate in the vehicle price prediction for a specific point in the future.
예를 들어, 본 발명은 차량 가격 결정에 필요한 엘리먼트(예컨대, 차량의 색상, 차량의 주행 거리, 차량의 연식 등)뿐만 아니라, 가상 기능(예컨대, 3 개월 판매 가격, 최근 5개월 내 수요 점수 등)을 활용하여 차량의 미래 가격을 예측할 수 있다. 상기 예시는 본 개시를 설명하기 위한 예시일 뿐, 본 개시는 이에 제한되지 않는다. For example, the present invention provides not only elements necessary for vehicle pricing (eg, color of vehicle, mileage of vehicle, year of vehicle, etc.), but also virtual functions (eg, selling price for 3 months, demand score within the last 5 months, etc.). ) can be used to predict the future price of a vehicle. The above example is merely an example for describing the present disclosure, and the present disclosure is not limited thereto.
또한, 인공지능 모델은, 미래 구매 시점에, 엘리먼트 정보들의 감가율이 기설정된 임계치 이상인 엘리먼트가 있는 경우, 해당 엘리먼트에 대한 가중치를 재조정하여, 재조정된 가중치에 기초하여, 미래 구매 시점에 상기 판단 대상차량의 가격을 예측할 수 있다. 감가율이 미리 설정해놓은 임계치를 넘은 경우는 차량 가격예측에 중요한 요소가 되므로, 이를 고려하여 반영하기 위함이다. In addition, the artificial intelligence model, at the time of future purchase, if there is an element in which the depreciation rate of element information is equal to or greater than a preset threshold, readjusts the weight for the element, and based on the readjusted weight, the determination target vehicle at the time of future purchase price can be predicted. When the depreciation rate exceeds a preset threshold, it becomes an important factor in predicting the vehicle price, so this is taken into consideration and reflected.
예를 들어, 차량의 연식이 오래 되었거나, 차량이 사고로 인해 특정 기능에 문제가 있는 경우 등의 정보는 차량 가격에 중요한 요소이므로, 임계치 이상의 경우 보통의 경우와 감가율을 다르게 반영할 수 있다. 상기 예시는 본 개시를 설명하기 위한 예시일 뿐, 본 개시는 이에 제한되지 않는다. For example, information such as a vehicle's old age or a vehicle having a problem with a specific function due to an accident is an important factor in the vehicle price. The above example is merely an example for describing the present disclosure, and the present disclosure is not limited thereto.
또한, 본 발명의 가중치는 엘리먼트 정보들 중 각각의 엘리먼트에 따라 감가율이 다르게 설정되어 반영되는 것을 특징으로 할 수 있다. 엘리먼트에 따라 감가율이 다르므로, 가중치를 두어 이를 가격 예측시 반영하기 위함이다. In addition, the weight of the present invention may be characterized in that the depreciation rate is set differently according to each element among the element information and reflected. Since the depreciation rate is different depending on the element, it is weighted to reflect this when predicting the price.
또한, 가중치는 서로 관련있는 엘리먼트 정보들의 경우, 관련있는 엘리먼트 정보들의 감가율중 감가율이 높은 엘리먼트 감가율을 적용하는 것을 특징으로 할 수 있다. 차량 가격 결정에 관련있는 엘리먼트 정보들의 경우 반영하기 위해서, 관련 있는 엘리먼트 정보의 감가율은 감가율이 높은 감가율을 선택하여 차량 가격을 예측하는데 반영할 수 있다. In addition, the weight may be characterized by applying an element depreciation rate having a high depreciation rate among depreciation rates of the related element information in the case of element information related to each other. In order to reflect the element information related to vehicle price determination, the depreciation rate of the relevant element information may be reflected in predicting the vehicle price by selecting a depreciation rate having a high depreciation rate.
또한, 워드투벡터(Word2Vec)는 벡터화되면, 실수의 값을 가지므로, 벡터화된 엘리먼트들의 연산을 통해 특정값을 도출할 수 있다. 특정값이 도출되면, 특정값이 포함된 차량을 통해 유추적으로 차량의 가격을 예측할 수 있다. Also, since the word-to-vector (Word2Vec) has a real value when vectorized, a specific value can be derived through operation of vectorized elements. When the specific value is derived, the price of the vehicle can be predicted by analogy through the vehicle including the specific value.
일 실시예에서, 차량 가격 예측 단계(S105)에서, 생성된, 각 엘리먼트들에 대응되는 워드투벡터(Word2Vec)들에 대하여 각각 기설된 보정값(가중치)을 반영하여 판단 대상차량의 가격을 예측할 수 있다. In one embodiment, in the vehicle price prediction step ( S105 ), the price of the judgment target vehicle is predicted by reflecting the respective preset correction values (weights) for the generated word-to-vectors (Word2Vec) corresponding to each element. can
보다 구체적으로, 차량 가격예측 단계(S105)는 데이터 가공 단계(S103)에서 생성된 각 엘리먼트들에 대응되는 워드투벡터(Word2Vec)들에 대하여 각 엘리먼트 정보들 중 적어도 어느 하나에 부여되는 가중치에 의해 결정되는 값을 가질 수 있다. More specifically, the vehicle price prediction step (S105) is performed by a weight assigned to at least one of each element information with respect to the word-to-vector (Word2Vec) corresponding to each element generated in the data processing step (S103). It can have a determined value.
여기서, 기설정된 보정값은, 엘리먼트 정보들 중 적어도 어느 하나에 부여되는 가중치 또는 우선순위에 따라 결정되는 값을 수 있다. Here, the preset correction value may be a value determined according to a weight or priority given to at least one of the element information.
또한, 가중치는, 엘리먼트 정보들 중 감가비율 또는 엘리먼트들의 가격에 따라 상대적으로 부여되는 것을 특징으로 할 수 있다. In addition, the weight may be characterized in that it is relatively assigned according to a depreciation ratio or a price of the elements among the element information.
예를 들어, 가중치 또는 우선순위는 차량의 2010년도 출시 모델, 차량의 10만 킬로수 이하, 무채색 색상의 차량 등 기호가 높은 모델의 경우 또는 한정판 출시 모델의 경우에 고려 대상이 될 수 있다. 상기 예시는 본 개시를 설명하기 위한 예시일 뿐, 본 개시는 이에 제한되지 않는다. For example, weights or priorities may be taken into consideration for models with high preferences, such as 2010 release models of vehicles, vehicles with less than 100,000 kms, and vehicles with achromatic colors, or limited edition models. The above example is merely an example for describing the present disclosure, and the present disclosure is not limited thereto.
상기 발명의 인공지능 모델은 미미한 양의 과거 데이터 (중고차 시장에 비교적 새로운 자동차)가있는 자동차를 상당한 양의 과거 데이터가 있는 자동차(충분한 데이터가 있는 자동차)와 일치시켜 일반 시계열 예측 모델의 기능을 확장할 수 있다. The AI model of the above invention extends the capabilities of general time-series prediction models by matching cars with insignificant amounts of historical data (cars relatively new to the used car market) with cars with significant amounts of historical data (cars with sufficient data). can do.
이상의 설명은 본 발명의 기술적 사상을 예시적으로 설명한 것에 불과한 것으로, 통상의 기술자라면 본 발명의 본질적인 특성이 벗어나지 않는 범위에서 다양한 변경 및 수정이 가능할 것이다. The above description is merely illustrative of the technical idea of the present invention, and various changes and modifications may be made by those skilled in the art without departing from the essential characteristics of the present invention.
따라서, 본 명세서에 개시된 실시예들은 본 발명의 기술적 사상을 한정하기 위한 것이 아니라, 설명하기 위한 것이고, 이러한 실시예들에 의하여 본 발명의 범위가 한정되는 것은 아니다. Accordingly, the embodiments disclosed in the present specification are not intended to limit the technical spirit of the present invention, but to illustrate, and the scope of the present invention is not limited by these embodiments.
본 발명의 보호범위는 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 이해되어야 한다. The protection scope of the present invention should be interpreted by the claims, and all technical ideas within the scope equivalent thereto should be understood to be included in the scope of the present invention.
Claims (9)
상기 수집된 엘리먼트 정보들에 기초하여, 각 엘리먼트들에 대응되는 워드투벡터(Word2Vec)들을 생성하는 데이터 가공 단계; 및
상기 생성된 워드투벡터(Word2Vec)들을 이용하여, 상기 생성된 워드투벡터(Word2Vec)들을 인공지능 모델에 입력함으로써 사용자가 원하는 구매시점의 해당 차량의 가격을 예측하는 단계를 포함하는,
워드투벡터(Word2Vec)를 이용한 차량의 가격예측 방법.
A data collection step of extracting and collecting at least one or more element information from the input vehicle image information for price prediction of a vehicle;
a data processing step of generating word-to-vectors (Word2Vec) corresponding to each element based on the collected element information; and
Using the generated word-to-vector (Word2Vec), and inputting the generated word-to-vector (Word2Vec) into an artificial intelligence model, comprising the step of predicting the price of the vehicle at the time of purchase desired by the user,
A vehicle price prediction method using Word2Vec.
상기 차량 가격예측 단계 이전에,
기설정된 판단 대상차량의 각각의 엘리먼트 정보들 및 구매시점을 입력받는 단계를 더 포함하는,
워드투벡터(Word2Vec)를 이용한 차량의 가격예측 방법.
According to claim 1,
Before the vehicle price prediction step,
Further comprising the step of receiving each element information and purchase time of the predetermined target vehicle,
A vehicle price prediction method using Word2Vec.
상기 인공지능 모델은,
차량의 가격 예측에 필요한 각각의 엘리먼트 정보들 및 시간 경과에 따라 각각의 엘리먼트 정보들의 감가율 정보를 입력하여 학습시킨 인공지능 모델인,
워드투벡터(Word2Vec)를 이용한 차량의 가격예측 방법.
According to claim 1,
The artificial intelligence model is
It is an artificial intelligence model that is learned by inputting each element information necessary for predicting the price of a vehicle and the depreciation rate information of each element information over time,
A vehicle price prediction method using Word2Vec.
상기 인공지능 모델은,
상기 입력받은 엘리먼트 정보들을 식별하고,
상기 엘리먼트 정보들의 감가율에 따라 상기 엘리먼트 정보들의 가중치를 결정하며,
상기 결정된 엘리먼트 정보들의 가중치에 기초하여 상기 판단 대상차량의 가격을 예측하는,
워드투벡터(Word2Vec)를 이용한 차량의 가격예측 방법.
3. The method of claim 2,
The artificial intelligence model is
Identifies the received element information,
Determine the weight of the element information according to the depreciation rate of the element information,
Predicting the price of the determination target vehicle based on the weight of the determined element information,
A vehicle price prediction method using Word2Vec.
상기 인공지능 모델은,
미래 구매 시점에 대한 정보가 입력되면, 상기 엘리먼트 정보들의 감가율에 따라 결정된 가중치를 재조정하며,
상기 재조정된 가중치에 기초하여, 미래 구매 시점에 상기 판단 대상차량의 가격을 예측하는,
워드투벡터(Word2Vec)를 이용한 차량의 가격예측 방법.
5. The method of claim 4,
The artificial intelligence model is
When information on future purchase time is input, the weight determined according to the depreciation rate of the element information is readjusted,
Predicting the price of the judgment target vehicle at a future purchase time based on the readjusted weight,
A vehicle price prediction method using Word2Vec.
상기 인공지능 모델은,
미래 구매 시점에, 엘리먼트 정보들의 감가율이 기설정된 임계치 이상인 엘리먼트가 있는 경우, 해당 엘리먼트에 대한 가중치를 재조정하여,
상기 재조정된 가중치에 기초하여, 미래 구매 시점에 상기 판단 대상차량의 가격을 예측하는,
워드투벡터(Word2Vec)를 이용한 차량의 가격예측 방법.
6. The method of claim 5,
The artificial intelligence model is
At the time of future purchase, if there is an element whose depreciation rate of element information is equal to or greater than a preset threshold, the weight for the element is readjusted,
Predicting the price of the judgment target vehicle at a future purchase time based on the readjusted weight,
A vehicle price prediction method using Word2Vec.
상기 엘리먼트 정보들은,
차량의 제조사 정보, 차량의 모델 정보, 차량의 연식 정보, 차량의 색상 정보 또는 차량의 주행 거리 정보 중 적어도 하나 이상의 정보를 포함하는,
워드투벡터(Word2Vec)를 이용한 차량의 가격예측 방법.
According to claim 1,
The element information is
Including at least one information of manufacturer information of the vehicle, model information of the vehicle, year information of the vehicle, color information of the vehicle, or mileage information of the vehicle,
A vehicle price prediction method using Word2Vec.
상기 가중치는,
상기 엘리먼트 정보들 중 각각의 엘리먼트에 따라 감가율이 다르게 설정되어 반영되는 것을 특징으로 하는,
워드투벡터(Word2Vec)를 이용한 차량의 가격예측 방법.
5. The method of claim 4,
The weight is
Characterized in that the depreciation rate is set differently and reflected according to each element among the element information,
A vehicle price prediction method using Word2Vec.
상기 가중치는,
서로 관련있는 엘리먼트 정보들의 경우, 관련있는 엘리먼트 정보들의 감가율중 감가율이 높은 엘리먼트 감가율을 적용하는 것을 특징으로 하는,
워드투벡터(Word2Vec)를 이용한 차량의 가격예측 방법.
5. The method of claim 4,
The weight is
In the case of element information related to each other, it is characterized in that an element depreciation rate having a high depreciation rate among depreciation rates of the related element information is applied,
A vehicle price prediction method using Word2Vec.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210036689A KR102644237B1 (en) | 2021-03-22 | 2021-03-22 | vehicle price prediction method using Word2Vec |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210036689A KR102644237B1 (en) | 2021-03-22 | 2021-03-22 | vehicle price prediction method using Word2Vec |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220132088A true KR20220132088A (en) | 2022-09-30 |
| KR102644237B1 KR102644237B1 (en) | 2024-03-07 |
Family
ID=83451426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210036689A KR102644237B1 (en) | 2021-03-22 | 2021-03-22 | vehicle price prediction method using Word2Vec |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102644237B1 (en) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101675820B1 (en) * | 2016-01-19 | 2016-11-29 | 박은양 | Used car pricing system by standard price |
| KR20190140505A (en) * | 2018-05-25 | 2019-12-20 | 권혁준 | An apparatus for calculating the price of a used product using an artificial neural network, a method therefor and computer recordable medium storing program to perform the method |
| KR20200021351A (en) * | 2018-08-20 | 2020-02-28 | (주)고팔 | System for estimating used car price and method therefor |
| KR102184836B1 (en) * | 2020-05-26 | 2020-11-30 | 엄지환 | Method and system for controlling direct trading platform of used car |
| KR102218287B1 (en) * | 2020-01-21 | 2021-02-22 | (주) 아톤모빌리티 | Method and system for a used car through machine learning |
-
2021
- 2021-03-22 KR KR1020210036689A patent/KR102644237B1/en active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101675820B1 (en) * | 2016-01-19 | 2016-11-29 | 박은양 | Used car pricing system by standard price |
| KR20190140505A (en) * | 2018-05-25 | 2019-12-20 | 권혁준 | An apparatus for calculating the price of a used product using an artificial neural network, a method therefor and computer recordable medium storing program to perform the method |
| KR20200021351A (en) * | 2018-08-20 | 2020-02-28 | (주)고팔 | System for estimating used car price and method therefor |
| KR102218287B1 (en) * | 2020-01-21 | 2021-02-22 | (주) 아톤모빌리티 | Method and system for a used car through machine learning |
| KR102184836B1 (en) * | 2020-05-26 | 2020-11-30 | 엄지환 | Method and system for controlling direct trading platform of used car |
Non-Patent Citations (1)
| Title |
|---|
| [특허문헌 1] 한국공개특허공보. 2017.04.12. 공개. |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102644237B1 (en) | 2024-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Anbalagan et al. | Classification and prediction of stock market index based on fuzzy metagraph | |
| CN111553759A (en) | Product information pushing method, device, equipment and storage medium | |
| Wijaya et al. | How to achieve value creation in digital world? the influence of IT response on value creation and customer satisfaction | |
| Mulvey | Machine learning and financial planning | |
| CN114022176A (en) | Method for predicting commodity sales on e-commerce platform and electronic equipment | |
| Rath et al. | Modern approach for loan sanctioning in banks using machine learning | |
| Dahal et al. | A comparative study on effect of news sentiment on stock price prediction with deep learning architecture | |
| Sasani et al. | TM-vector: A novel forecasting approach for market stock movement with a rich representation of twitter and market data | |
| Wimmer et al. | Leveraging vision-language models for granular market change prediction | |
| Biswas et al. | Stock Market Prediction: A Survey and Evaluation | |
| Zulkifley et al. | Stock market manipulation detection using artificial intelligence: A concise review | |
| Dhanalakshmi et al. | A Logical Investigation of Stock Market Prediction and Analysis using Supervised Machine Learning Algorithm | |
| KR20220132088A (en) | Vehicle price prediction method using Word2Vec | |
| Fiorucci et al. | Reaction trend system with GARCH quantiles as action points | |
| Vandrangi | Predicting The Insurance Claim By Each User Using Machine Learning Algorithms | |
| CN115860889A (en) | Financial loan big data management method and system based on artificial intelligence | |
| Su | Take a Big BYTE | |
| Abdullah et al. | Machine learning modeling for reconditioned car selling price prediction | |
| Dundulienė et al. | Trade risk identification and prediction using experts’ knowledge and machine learning | |
| Karthekeyan | Fuzzy neural network based extreme learning machine technique in credit risk management | |
| Timbó et al. | Approach based on linear regression for stock exchange prediction–case study of Petr4 petrobrás, Brazil | |
| CN113706195B (en) | Online consumption behavior prediction method and system based on two-stage combination | |
| Bai et al. | Using SOM-based visualization to analyze the financial performance of consumer discretionary firms | |
| Zhang et al. | A class of classification and regression methods by multiobjective programming | |
| Kumawat et al. | Design analysis and implementation of stock market forecasting system using improved soft computing technique |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) |