JP2019117632A - 電力使用量に基づいた売上予測システムおよびその方法 - Google Patents

電力使用量に基づいた売上予測システムおよびその方法 Download PDF

Info

Publication number
JP2019117632A
JP2019117632A JP2018242410A JP2018242410A JP2019117632A JP 2019117632 A JP2019117632 A JP 2019117632A JP 2018242410 A JP2018242410 A JP 2018242410A JP 2018242410 A JP2018242410 A JP 2018242410A JP 2019117632 A JP2019117632 A JP 2019117632A
Authority
JP
Japan
Prior art keywords
shop
information
power consumption
sales
store
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2018242410A
Other languages
English (en)
Other versions
JP6753919B2 (ja
Inventor
リ，ヒョソプ
Hyoseop Lee
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Encored Tech Inc
ENCORED TECHNOLOGIES Inc
Original Assignee
Encored Tech Inc
ENCORED TECHNOLOGIES Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020180155009A external-priority patent/KR102284395B1/ko
Application filed by Encored Tech Inc, ENCORED TECHNOLOGIES Inc filed Critical Encored Tech Inc
Publication of JP2019117632A publication Critical patent/JP2019117632A/ja
Application granted granted Critical
Publication of JP6753919B2 publication Critical patent/JP6753919B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】電力使用量に基づいて商店などの売上を予測する方法およびその装置を提供する。【解決手段】売上予測装置は、電力使用量測定装置から商店の電力使用量情報を取得し、外部入力から商店明細情報および商店売上情報を取得するデータ収集部、電力使用量情報、商店明細情報および商店売上情報を機械学習する学習部、所定の商店に対応する電力使用量情報および商店明細情報を外部入力から取得する入力部、および所定の商店に対応する電力使用量情報および商店明細情報を学習部に入力し、所定の商店に対応する商店売上情報を学習部から取得する売上取得部を備える。【選択図】図１

Description

本発明は、売上予測方法および装置に関し、より詳しくは、電力使用量に基づいて商店などの売上を予測する方法および装置に関する。
金融機関は、貸出先の信用度に基づいて与信を実行する。金融機関が与信を実行するにおいて、貸出先の不渡りの可能性など債務不履行の可能性を確認できる信用分析は、金融機関の重要な管理要素である。金融機関は、貸出先の信用度を客観的に評価するために、貸出先の売上情報を含む経営財務情報を活用する。ところで、貸出先の業種の特性上、現金取引が多い理由などで金融機関が貸出先の実際の売上情報などを取得し難い場合、正確な信用度の評価が難しい。特に金融機関が少額を貸し付ける機関であり、貸出先が中小規模の事業者である場合には、少額の貸付機関が中小事業者の実際の売上情報を確保するには困難があるため、中小事業者の信用度を正確に評価し難い。
本発明は、上述した技術的問題に対応するために導き出されたものであり、本発明の目的は、従来技術における限界と短所によって発生する様々な問題点を実質的に補完できるものとして、電力使用量に基づいて商店などの売上を予測する方法およびその装置を提供することにあり、前記方法を実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体を提供することにある。
本発明の一実施形態によれば、売上予測方法は、データ収集部を介して、電力使用量測定装置から商店の電力使用量情報を取得するステップ、前記データ収集部を介して、外部入力から商店明細情報および商店売上情報を取得するステップ、学習部を介して、前記電力使用量情報、前記商店明細情報および前記商店売上情報を機械学習するステップ、入力部を介して、所定の商店に対応する識別子を外部入力から取得し、前記所定の商店に対応する前記電力使用量情報および前記商店明細情報を前記データ収集部から取得するステップ、売上取得部を介して、前記所定の商店に対応する前記電力使用量情報および前記商店明細情報を前記学習部に入力するステップ、および、売上取得部を介して、前記所定の商店に対応する前記商店売上情報を前記学習部から取得するステップを含む。
本発明の一実施形態によれば、信用予測部を介して、前記所定の商店に対応する前記商店売上情報に基づいて、前記所定の商店に対応する信用情報を推定するステップをさらに含む。
本発明の一実施形態によれば、前記電力使用量情報は、商店の電力使用量を所定の時間単位で周期的に測定したものである。
本発明の一実施形態によれば、前記商店明細情報は、商店の類型、商店の位置、商店の面積および商店で用いられる家電製品の種類を含む。
本発明の一実施形態によれば、前記機械学習するステップは、前記電力使用量情報に基づいて、所定の時間単位で商店の有効営業時間を計算するステップを含む。
本発明の一実施形態によれば、前記機械学習するステップは、前記電力使用量情報および前記商店明細情報に基づいて商店の単位面積当たりの電力使用量を計算し、前記電力使用量情報は、前記単位面積当たりの電力使用量である。
本発明の一実施形態によれば、前記機械学習するステップは、商店の類型が同一または類似した商店の前記電力使用量情報を各々の時間別に２４個の構成要素を含むベクトルに実現し、同一または類似したベクトルをクラスタリングし、各々のクラスタを代表する代表ベクトルを抽出し、前記代表ベクトルの各々に対して前記所定の時間単位で商店の前記有効営業時間を計算する。
本発明の一実施形態によれば、前記機械学習するステップは、前記電力使用量情報、前記商店明細情報、前記有効営業時間および前記商店売上情報を機械学習するステップを含む。
本発明の一実施形態によれば、前記所定の商店に対応する前記電力使用量情報に基づいて、前記学習部を介して、所定の時間単位で前記所定の商店に対応する有効営業時間を計算するステップをさらに含む。
本発明の一実施形態によれば、前記所定の商店に対応する前記電力使用量情報、前記商店明細情報および前記有効営業時間に基づいて、前記学習部を介して、前記所定の商店に対応する前記商店売上情報を予測するステップをさらに含む。
また、本発明の一実施形態によれば、前記方法を実行するためのプログラムが記録されたコンピュータ読み取り可能な記録媒体を含む。
また、本発明の一実施形態によれば、売上予測装置は、電力使用量測定装置から商店の電力使用量情報を取得し、外部入力から商店明細情報および商店売上情報を取得するデータ収集部、前記電力使用量情報、前記商店明細情報および前記商店売上情報を機械学習させる学習部、所定の商店に対応する識別子を外部入力から取得し、前記所定の商店に対応する前記電力使用量情報および前記商店明細情報を前記データ収集部から取得する入力部、および前記所定の商店に対応する前記電力使用量情報および前記商店明細情報を前記学習部に入力し、前記所定の商店に対応する前記商店売上情報を前記学習部から取得する売上取得部を含む。
本発明によれば、電力使用量に基づいて商店などの売上を予測する方法および装置を提供することによって、金融機関が実際の売上情報を確保し難い貸出先に対しても電力使用量に基づいて売上情報を予測することができ、それに応じた信用度を推定することができる。
本発明によれば、同一または類似した業種に属する商店の電力使用量情報、商店明細情報および商店売上情報を事前に売上予測装置に機械学習させ、金融機関は、売上予測装置に評価対象商店の識別子を入力することによって、評価対象商店の電力使用量情報および商店明細情報に基づいた、学習された売上情報を取得することができる。
本発明に係る売上予測装置は、電力使用量情報に基づいて商店の有効営業時間を計算するため、実際の売上情報を確保し難い貸出先に対しても、金融機関は、有効営業時間に基づいて売上情報の予測が可能であり、売上情報に応じた信用度を推定することができる。したがって、本発明によれば、金融機関の与信実行時に信用度を判断するための業務負担を軽減することができ、与信審査手続きを簡素化して費用を節減することができる。
本発明の一実施形態による売上予測装置のブロック図である。 本発明の一実施形態による有効営業時間を計算するために抽出された、電力使用量の代表ベクトルの例示図である。 本発明の一実施形態による有効営業時間を示す例示図である。 本発明の一実施形態による売上予測方法のフローチャートである。
以下では、添付図面を参照して本発明の好ましい実施形態について詳しく説明する。図面上、同一の参照符号は同一の構成要素を指し示し、各構成要素の大きさは説明の明瞭性のために誇張されてもよい。
図１は、本発明の一実施形態による売上予測装置のブロック図である。
本発明の一実施形態による売上予測装置１００は、データ収集部１１０、学習部１３０、入力部１５０および売上取得部１７０を含む。
データ収集部１１０は、電力使用量測定装置から商店の電力使用量情報を取得し、外部入力から商店明細情報および商店売上情報を取得する。電力使用量情報、商店明細情報および商店売上情報は、商店に対応する識別子に関連付けられている。外部入力は、例えば、商店のコンピュータ、又は商店の情報を管理するサーバである。
前記電力使用量情報は、商店の電力使用量を所定の時間単位で周期的に測定したものである。例えば、電力使用量測定装置は、１時間または１５分単位で周期的に商店の電力使用量を測定する。データ収集部１１０は、電力使用量測定装置が所定の時間単位で周期的に測定した商店の電力使用量情報を電力使用量測定装置から取得する。電力使用量測定装置は売上予測装置１００とは物理的に別の装置であるかまたは同一装置であってもよく、電力使用量測定装置の運営主体は電力会社などを含む様々な運営主体であってもよいことは当業者に明らかなことである。
前記商店明細情報は、商店の類型、商店の位置、商店の面積および商店で用いられる家電製品の種類を含む。商店の明細情報の取得が難しい場合、平均的な統計情報を活用することができる。例えば、商店の面積は、前記商店の類型の平均面積であってもよい。
学習部１３０は、商店売上情報がある商店に対しては、前記電力使用量情報、前記商店明細情報および前記商店売上情報を機械学習する。学習部１３０はディープラーニング（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）などのアルゴリズムを用いて機械学習を実行するが、学習部１３０が特定のアルゴリズムに制限されることなく機械学習を実行できることは当業者に明らかなことである。
学習部１３０は、前記電力使用量情報に基づいて、所定の時間単位で商店の有効営業時間を計算する。例えば、学習部１３０は、日単位または月単位で商店の有効営業時間を計算することができる。学習部１３０が前記電力使用量情報に基づいて商店の有効営業時間を計算する具体的な動作については、図２および図３を用いて詳細に後述する。学習部１３０は、前記電力使用量情報、前記商店明細情報、前記有効営業時間および前記商店売上情報を機械学習する。
入力部１５０は、所定の商店に対応する識別子を外部入力から取得し、前記識別子に基づいて、前記所定の商店に対応する前記電力使用量情報および前記商店明細情報をデータ収集部１１０から取得する。前記所定の商店は、金融機関の評価対象になる商店であってもよい。
売上取得部１７０は、前記所定の商店に対応する前記電力使用量情報および前記商店明細情報を学習部１３０に入力し、前記所定の商店に対応する前記商店売上情報を学習部１３０から取得する。具体的には、学習部１３０は、前記所定の商店に対応する前記電力使用量情報に基づいて、所定の時間単位で前記所定の商店に対応する有効営業時間を計算する。
学習部１３０は、売上予測部をさらに含むことができる。前記売上予測部は、前記所定の商店に対応する前記電力使用量情報、前記商店明細情報および前記有効営業時間に基づいて、前記所定の商店に対応する前記商店売上情報を予測する。
本発明の一実施形態による売上予測装置は、信用予測部をさらに含むことができる。信用予測部は、前記所定の商店に対応する前記商店売上情報に基づいて、前記所定の商店に対応する信用情報を推定する。
一方、本発明の他の実施形態による学習部１３０は、前記電力使用量情報および前記商店明細情報に基づいて商店の単位面積当たりの電力使用量を計算する。本実施形態による学習部１３０は、前記電力使用量情報として前記単位面積当たりの電力使用量を用いる。
図２は、本発明の一実施形態による有効営業時間を計算するために抽出された、電力使用量の代表ベクトルの例示図である。
学習部１３０は、電力使用量情報に基づいて、所定の時間単位で商店の有効営業時間を計算する。
学習部１３０は、商店の類型が同一または類似した商店の電力使用量情報を各々の時間別に２４個の構成要素を含むベクトルで示す。ベクトルの各々の構成要素
は、各々の時間別の電力使用量情報ｌ（ｔ）を１日の電力使用量ａで割った値に正規化（ｎｏｒｍａｌｉｚｅ）して表すことができる。
数式１は、時間別の電力使用量情報ｌ（ｔ）を１日の電力使用量ａで割った値に正規化したベクトルの構成要素
を得るための数式である。
ｌ（ｔ）：時間別の電力使用量情報
ａ：１日の電力使用量
：時間別の電力使用量情報を正規化したベクトル
学習部１３０は、同一または類似したベクトルをクラスタリング（Ｃｌｕｓｔｅｒｉｎｇ）する。学習部１３０はＫ−平均アルゴリズム（Ｋ−ｍｅａｎｓ ａｌｇｏｒｉｔｈｍ）などを用いてベクトルをクラスタリングするが、学習部１３０が特定のアルゴリズムに制限されることなく様々なクラスタリングアルゴリズムを利用できることは当業者に明らかなことである。
学習部１３０は、クラスタリングを実行するために前処理（Ｐｒｅｐｒｏｃｅｓｓｉｎｇ）したＫ個の代表ベクトルを含むデータベースを有する。Ｋ個の代表ベクトルは、各々のクラスタにおいて中心ベクトルを示す。学習部１３０は、時間別の電力使用量情報を正規化して示したベクトルを同一または類似したベクトルで構成されたＫ個のクラスタにクラスタリングする。学習部１３０は、時間別の電力使用量情報を正規化して示した、ｎ個のベクトルを各々のクラスタ内のベクトル間の凝集度を最大にするＫ個のクラスタに分割する。このために、具体的には、学習部１３０は、各々のクラスタ内でクラスタの中心ベクトルとの距離差の分散を最小化する方式でクラスタリングする。
数式２は、時間別の電力使用量情報を正規化して示したベクトル
をクラスタリングする数式を示す。
：時間別の電力使用量情報を正規化したベクトル
：クラスタｉの中心ベクトル
：クラスタｉ
数式２において、クラスタｉは中心ベクトル
とクラスタ内のベクトルとの距離差の分散であるＥ（ｓ、ｉ）を最小化する方式でクラスタリングして構成され、学習部１３０はＫ個のクラスタにクラスタリングする。
本発明の一実施形態によれば、学習部１３０は、Ｅ（ｓ、ｉ）が所定の閾値以下であるか否かをさらに判断することができる。この場合、学習部１３０は、Ｅ（ｓ、ｉ）が所定の閾値以下のベクトルにクラスタｉをクラスタリングすることができる。
学習部１３０は、各々のクラスタを代表する代表ベクトルを抽出する。図示された例は、電力使用量情報を２４時間単位で表した、特定のクラスタを代表する代表ベクトルを示す。
図３は、本発明の一実施形態による有効営業時間を示す例示図である。
学習部１３０は、図２に示された代表ベクトル例のような、代表ベクトルの各々に対して所定の時間単位で商店の有効営業時間を計算する。例えば、学習部１３０は、曜日別、月別、午前／午後／夕方時間別など、様々な所定の時間単位で代表ベクトルの各々に対して商店の有効営業時間を計算する。図示された例の代表ベクトルとして、学習部１３０は、１６時から２４時までの８時間の夕方有効営業時間を計算することができる。
前述した有効営業時間の計算を通じて、学習部１３０は、商店売上情報がある商店に対しては、電力使用量情報、商店明細情報、有効営業時間および商店売上情報を機械学習する。
また、学習部１３０は、金融機関の評価対象になる所定の商店に対応する電力使用量情報に基づいて、所定の時間単位で前記所定の商店に対応する有効営業時間を計算する。
学習部１３０は、前記所定の商店に対応する前記電力使用量情報を示すベクトルを生成する。学習部１３０は、前記所定の商店に対応するベクトルの各々が学習部１３０に機械学習されたクラスタのうちどのクラスタに属するかを判断して、前記所定の商店に対応するベクトルの各々に対して所定の時間単位で商店の有効営業時間を計算する。
学習部１３０は、電力使用量情報、商店明細情報および有効営業時間に基づいて、前記所定の商店に対応する前記商店売上情報を予測する。
図４は、本発明の一実施形態による売上予測方法のフローチャートである。
ステップ４１０において、売上予測装置１００は、データ収集部１１０を介して、電力使用量測定装置から商店の電力使用量情報を取得する。前記電力使用量情報は、商店の電力使用量を所定の時間単位で周期的に測定したものである。
ステップ４２０において、売上予測装置１００は、データ収集部１１０を介して、外部入力から商店明細情報および商店売上情報を取得する。前記商店明細情報は、商店の類型、商店の位置、商店の面積および商店で用いられる家電製品の種類を含む。
ステップ４３０において、売上予測装置１００は、商店売上情報がある商店に対しては、学習部１３０を介して、前記電力使用量情報、前記商店明細情報および前記商店売上情報を機械学習する。売上予測装置１００は、前記電力使用量情報に基づいて所定の時間単位で商店の有効営業時間を計算する。売上予測装置１００は、前記電力使用量情報、前記商店明細情報、前記有効営業時間および前記商店売上情報を機械学習する。
ステップ４４０において、売上予測装置１００は、入力部１５０を介して、所定の商店に対応する識別子を外部入力から取得し、前記識別子に基づいて前記所定の商店に対応する前記電力使用量情報および前記商店明細情報をデータ収集部１１０から取得する。前記所定の商店は、金融機関の評価対象になる商店であってもよい。
ステップ４５０において、売上予測装置１００は、売上取得部１７０を介して、前記所定の商店に対応する前記電力使用量情報および前記商店明細情報を学習部１３０に入力する。学習部１３０は、前記所定の商店に対応する前記電力使用量情報に基づいて、所定の時間単位で前記所定の商店に対応する有効営業時間を計算する。学習部１３０は、前記所定の商店に対応する前記電力使用量情報、前記商店明細情報および前記有効営業時間に基づいて、前記所定の商店に対応する前記商店売上情報を予測する。
ステップ４６０において、売上予測装置１００は、売上取得部１７０を介して、前記所定の商店に対応する前記商店売上情報を学習部１３０から取得する。
また、売上予測装置１００は、信用予測部を介して、前記所定の商店に対応する前記商店売上情報に基づいて、前記所定の商店に対応する信用情報を推定する。
一方、本発明の他の実施形態による学習部１３０は、前記電力使用量情報および前記商店明細情報に基づいて商店の単位面積当たりの電力使用量を計算する。本実施形態による学習部１３０は、前記電力使用量情報として前記単位面積当たりの電力使用量を用いる。
以上、本発明の好ましい実施形態が詳細に記述されているが、本発明の範囲はそれに限定されず、様々な変形および均等な他の実施形態が可能である。よって、本発明の真の技術的保護範囲は添付された特許請求の範囲によって定められなければならない。
例えば、本発明の例示的な実施形態による装置は、図示されたような装置各々のユニットにカップリングされたバス、前記バスにカップリングされた少なくとも一つのプロセッサを含むことができ、コマンド、受信されたメッセージ、または生成されたメッセージを格納するために前記バスにカップリングされ、前述したようなコマンドを実行するための少なくとも一つのプロセッサにカップリングされたメモリを含むことができる。
また、本発明に係るシステムは、コンピュータ読み取り可能な記録媒体にコンピュータ読み取り可能なコードとして実現することができる。コンピュータ読み取り可能な記録媒体は、コンピュータシステムによって読み取られるデータが格納される全ての記録装置を含む。前記コンピュータ読み取り可能な記録媒体は、マグネチック格納媒体（例えば、ＲＯＭ、フロッピーディスク、ハードディスクなど）、および光学的読取媒体（例えば、ＣＤ−ＲＯＭ、ＤＶＤなど）を含む。また、コンピュータ読み取り可能な記録媒体は、ネットワークを介して連結されたコンピュータシステムに分散され、分散方式でコンピュータ読み取り可能なコードが格納されて実行されることができる。
本発明は、売上予測方法および装置に関し、より詳しくは、電力使用量に基づいて商店などの売上を予測する方法および装置に関する。
金融機関は、貸出先の信用度に基づいて与信を実行する。金融機関が与信を実行するにおいて、貸出先の不渡りの可能性など債務不履行の可能性を確認できる信用分析は、金融機関の重要な管理要素である。金融機関は、貸出先の信用度を客観的に評価するために、貸出先の売上情報を含む経営財務情報を活用する。ところで、貸出先の業種の特性上、現金取引が多い理由などで金融機関が貸出先の実際の売上情報などを取得し難い場合、正確な信用度の評価が難しい。特に金融機関が少額を貸し付ける機関であり、貸出先が中小規模の事業者である場合には、少額の貸付機関が中小事業者の実際の売上情報を確保するには困難があるため、中小事業者の信用度を正確に評価し難い。
本発明は、上述した技術的問題に対応するために導き出されたものであり、本発明の目的は、従来技術における限界と短所によって発生する様々な問題点を実質的に補完できるものとして、電力使用量に基づいて商店などの売上を予測する方法およびその装置を提供することにあり、前記方法を実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体を提供することにある。
本研究は、2016年度産業通商資源部(MOTIE)と韓国エネルギー技術評価院(KETEP)の支援を受けて遂行した研究課題です (No. 20161210200410)。
本発明の一実施形態によれば、売上予測方法は、データ収集部を介して、電力使用量測定装置から商店の電力使用量情報を取得するステップ、前記データ収集部を介して、外部入力から商店明細情報および商店売上情報を取得するステップ、学習部を介して、前記電力使用量情報、前記商店明細情報および前記商店売上情報を機械学習するステップ、入力部を介して、所定の商店に対応する識別子を外部入力から取得し、前記所定の商店に対応する前記電力使用量情報および前記商店明細情報を前記データ収集部から取得するステップ、売上取得部を介して、前記所定の商店に対応する前記電力使用量情報および前記商店明細情報を前記学習部に入力するステップ、および、売上取得部を介して、前記所定の商店に対応する前記商店売上情報を前記学習部から取得するステップを含む。
本発明の一実施形態によれば、信用予測部を介して、前記所定の商店に対応する前記商店売上情報に基づいて、前記所定の商店に対応する信用情報を推定するステップをさらに含む。
本発明の一実施形態によれば、前記電力使用量情報は、商店の電力使用量を所定の時間単位で周期的に測定したものである。
本発明の一実施形態によれば、前記商店明細情報は、商店の類型、商店の位置、商店の面積および商店で用いられる家電製品の種類を含む。
本発明の一実施形態によれば、前記機械学習するステップは、前記電力使用量情報に基づいて、所定の時間単位で商店の有効営業時間を計算するステップを含む。
本発明の一実施形態によれば、前記機械学習するステップは、前記電力使用量情報および前記商店明細情報に基づいて商店の単位面積当たりの電力使用量を計算し、前記電力使用量情報は、前記単位面積当たりの電力使用量である。
本発明の一実施形態によれば、前記機械学習するステップは、商店の類型が同一または類似した商店の前記電力使用量情報を各々の時間別に２４個の構成要素を含むベクトルに実現し、同一または類似したベクトルをクラスタリングし、各々のクラスタを代表する代表ベクトルを抽出し、前記代表ベクトルの各々に対して前記所定の時間単位で商店の前記有効営業時間を計算する。
本発明の一実施形態によれば、前記機械学習するステップは、前記電力使用量情報、前記商店明細情報、前記有効営業時間および前記商店売上情報を機械学習するステップを含む。
本発明の一実施形態によれば、前記所定の商店に対応する前記電力使用量情報に基づいて、前記学習部を介して、所定の時間単位で前記所定の商店に対応する有効営業時間を計算するステップをさらに含む。
本発明の一実施形態によれば、前記所定の商店に対応する前記電力使用量情報、前記商店明細情報および前記有効営業時間に基づいて、前記学習部を介して、前記所定の商店に対応する前記商店売上情報を予測するステップをさらに含む。
また、本発明の一実施形態によれば、前記方法を実行するためのプログラムが記録されたコンピュータ読み取り可能な記録媒体を含む。
また、本発明の一実施形態によれば、売上予測装置は、電力使用量測定装置から商店の電力使用量情報を取得し、外部入力から商店明細情報および商店売上情報を取得するデータ収集部、前記電力使用量情報、前記商店明細情報および前記商店売上情報を機械学習させる学習部、所定の商店に対応する識別子を外部入力から取得し、前記所定の商店に対応する前記電力使用量情報および前記商店明細情報を前記データ収集部から取得する入力部、および前記所定の商店に対応する前記電力使用量情報および前記商店明細情報を前記学習部に入力し、前記所定の商店に対応する前記商店売上情報を前記学習部から取得する売上取得部を含む。
本発明によれば、電力使用量に基づいて商店などの売上を予測する方法および装置を提供することによって、金融機関が実際の売上情報を確保し難い貸出先に対しても電力使用量に基づいて売上情報を予測することができ、それに応じた信用度を推定することができる。
本発明によれば、同一または類似した業種に属する商店の電力使用量情報、商店明細情報および商店売上情報を事前に売上予測装置に機械学習させ、金融機関は、売上予測装置に評価対象商店の識別子を入力することによって、評価対象商店の電力使用量情報および商店明細情報に基づいた、学習された売上情報を取得することができる。
本発明に係る売上予測装置は、電力使用量情報に基づいて商店の有効営業時間を計算するため、実際の売上情報を確保し難い貸出先に対しても、金融機関は、有効営業時間に基づいて売上情報の予測が可能であり、売上情報に応じた信用度を推定することができる。したがって、本発明によれば、金融機関の与信実行時に信用度を判断するための業務負担を軽減することができ、与信審査手続きを簡素化して費用を節減することができる。
本発明の一実施形態による売上予測装置のブロック図である。 本発明の一実施形態による有効営業時間を計算するために抽出された、電力使用量の代表ベクトルの例示図である。 本発明の一実施形態による有効営業時間を示す例示図である。 本発明の一実施形態による売上予測方法のフローチャートである。
以下では、添付図面を参照して本発明の好ましい実施形態について詳しく説明する。図面上、同一の参照符号は同一の構成要素を指し示し、各構成要素の大きさは説明の明瞭性のために誇張されてもよい。
図１は、本発明の一実施形態による売上予測装置のブロック図である。
本発明の一実施形態による売上予測装置１００は、データ収集部１１０、学習部１３０、入力部１５０および売上取得部１７０を含む。
データ収集部１１０は、電力使用量測定装置から商店の電力使用量情報を取得し、外部入力から商店明細情報および商店売上情報を取得する。電力使用量情報、商店明細情報および商店売上情報は、商店に対応する識別子に関連付けられている。外部入力は、例えば、商店のコンピュータ、又は商店の情報を管理するサーバである。
前記電力使用量情報は、商店の電力使用量を所定の時間単位で周期的に測定したものである。例えば、電力使用量測定装置は、１時間または１５分単位で周期的に商店の電力使用量を測定する。データ収集部１１０は、電力使用量測定装置が所定の時間単位で周期的に測定した商店の電力使用量情報を電力使用量測定装置から取得する。電力使用量測定装置は売上予測装置１００とは物理的に別の装置であるかまたは同一装置であってもよく、電力使用量測定装置の運営主体は電力会社などを含む様々な運営主体であってもよいことは当業者に明らかなことである。
前記商店明細情報は、商店の類型、商店の位置、商店の面積および商店で用いられる家電製品の種類を含む。商店の明細情報の取得が難しい場合、平均的な統計情報を活用することができる。例えば、商店の面積は、前記商店の類型の平均面積であってもよい。
学習部１３０は、商店売上情報がある商店に対しては、前記電力使用量情報、前記商店明細情報および前記商店売上情報を機械学習する。学習部１３０はディープラーニング（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）などのアルゴリズムを用いて機械学習を実行するが、学習部１３０が特定のアルゴリズムに制限されることなく機械学習を実行できることは当業者に明らかなことである。
学習部１３０は、前記電力使用量情報に基づいて、所定の時間単位で商店の有効営業時間を計算する。例えば、学習部１３０は、日単位または月単位で商店の有効営業時間を計算することができる。学習部１３０が前記電力使用量情報に基づいて商店の有効営業時間を計算する具体的な動作については、図２および図３を用いて詳細に後述する。学習部１３０は、前記電力使用量情報、前記商店明細情報、前記有効営業時間および前記商店売上情報を機械学習する。
入力部１５０は、所定の商店に対応する識別子を外部入力から取得し、前記識別子に基づいて、前記所定の商店に対応する前記電力使用量情報および前記商店明細情報をデータ収集部１１０から取得する。前記所定の商店は、金融機関の評価対象になる商店であってもよい。
売上取得部１７０は、前記所定の商店に対応する前記電力使用量情報および前記商店明細情報を学習部１３０に入力し、前記所定の商店に対応する前記商店売上情報を学習部１３０から取得する。具体的には、学習部１３０は、前記所定の商店に対応する前記電力使用量情報に基づいて、所定の時間単位で前記所定の商店に対応する有効営業時間を計算する。
学習部１３０は、売上予測部をさらに含むことができる。前記売上予測部は、前記所定の商店に対応する前記電力使用量情報、前記商店明細情報および前記有効営業時間に基づいて、前記所定の商店に対応する前記商店売上情報を予測する。
本発明の一実施形態による売上予測装置は、信用予測部をさらに含むことができる。信用予測部は、前記所定の商店に対応する前記商店売上情報に基づいて、前記所定の商店に対応する信用情報を推定する。
一方、本発明の他の実施形態による学習部１３０は、前記電力使用量情報および前記商店明細情報に基づいて商店の単位面積当たりの電力使用量を計算する。本実施形態による学習部１３０は、前記電力使用量情報として前記単位面積当たりの電力使用量を用いる。
図２は、本発明の一実施形態による有効営業時間を計算するために抽出された、電力使用量の代表ベクトルの例示図である。
学習部１３０は、電力使用量情報に基づいて、所定の時間単位で商店の有効営業時間を計算する。
学習部１３０は、商店の類型が同一または類似した商店の電力使用量情報を各々の時間別に２４個の構成要素を含むベクトルで示す。ベクトルの各々の構成要素
は、各々の時間別の電力使用量情報ｌ（ｔ）を１日の電力使用量ａで割った値に正規化（ｎｏｒｍａｌｉｚｅ）して表すことができる。
数式１は、時間別の電力使用量情報ｌ（ｔ）を１日の電力使用量ａで割った値に正規化したベクトルの構成要素
を得るための数式である。
ｌ（ｔ）：時間別の電力使用量情報
ａ：１日の電力使用量
：時間別の電力使用量情報を正規化したベクトル
学習部１３０は、同一または類似したベクトルをクラスタリング（Ｃｌｕｓｔｅｒｉｎｇ）する。学習部１３０はＫ−平均アルゴリズム（Ｋ−ｍｅａｎｓ ａｌｇｏｒｉｔｈｍ）などを用いてベクトルをクラスタリングするが、学習部１３０が特定のアルゴリズムに制限されることなく様々なクラスタリングアルゴリズムを利用できることは当業者に明らかなことである。
学習部１３０は、クラスタリングを実行するために前処理（Ｐｒｅｐｒｏｃｅｓｓｉｎｇ）したＫ個の代表ベクトルを含むデータベースを有する。Ｋ個の代表ベクトルは、各々のクラスタにおいて中心ベクトルを示す。学習部１３０は、時間別の電力使用量情報を正規化して示したベクトルを同一または類似したベクトルで構成されたＫ個のクラスタにクラスタリングする。学習部１３０は、時間別の電力使用量情報を正規化して示した、ｎ個のベクトルを各々のクラスタ内のベクトル間の凝集度を最大にするＫ個のクラスタに分割する。このために、具体的には、学習部１３０は、各々のクラスタ内でクラスタの中心ベクトルとの距離差の分散を最小化する方式でクラスタリングする。
数式２は、時間別の電力使用量情報を正規化して示したベクトル
をクラスタリングする数式を示す。
：時間別の電力使用量情報を正規化したベクトル
：クラスタｉの中心ベクトル
：クラスタｉ
数式２において、クラスタｉは中心ベクトル
とクラスタ内のベクトルとの距離差の分散であるＥ（ｓ、ｉ）を最小化する方式でクラスタリングして構成され、学習部１３０はＫ個のクラスタにクラスタリングする。
本発明の一実施形態によれば、学習部１３０は、Ｅ（ｓ、ｉ）が所定の閾値以下であるか否かをさらに判断することができる。この場合、学習部１３０は、Ｅ（ｓ、ｉ）が所定の閾値以下のベクトルにクラスタｉをクラスタリングすることができる。
学習部１３０は、各々のクラスタを代表する代表ベクトルを抽出する。図示された例は、電力使用量情報を２４時間単位で表した、特定のクラスタを代表する代表ベクトルを示す。
図３は、本発明の一実施形態による有効営業時間を示す例示図である。
学習部１３０は、図２に示された代表ベクトル例のような、代表ベクトルの各々に対して所定の時間単位で商店の有効営業時間を計算する。例えば、学習部１３０は、曜日別、月別、午前／午後／夕方時間別など、様々な所定の時間単位で代表ベクトルの各々に対して商店の有効営業時間を計算する。図示された例の代表ベクトルとして、学習部１３０は、１６時から２４時までの８時間の夕方有効営業時間を計算することができる。
前述した有効営業時間の計算を通じて、学習部１３０は、商店売上情報がある商店に対しては、電力使用量情報、商店明細情報、有効営業時間および商店売上情報を機械学習する。
また、学習部１３０は、金融機関の評価対象になる所定の商店に対応する電力使用量情報に基づいて、所定の時間単位で前記所定の商店に対応する有効営業時間を計算する。
学習部１３０は、前記所定の商店に対応する前記電力使用量情報を示すベクトルを生成する。学習部１３０は、前記所定の商店に対応するベクトルの各々が学習部１３０に機械学習されたクラスタのうちどのクラスタに属するかを判断して、前記所定の商店に対応するベクトルの各々に対して所定の時間単位で商店の有効営業時間を計算する。
学習部１３０は、電力使用量情報、商店明細情報および有効営業時間に基づいて、前記所定の商店に対応する前記商店売上情報を予測する。
図４は、本発明の一実施形態による売上予測方法のフローチャートである。
ステップ４１０において、売上予測装置１００は、データ収集部１１０を介して、電力使用量測定装置から商店の電力使用量情報を取得する。前記電力使用量情報は、商店の電力使用量を所定の時間単位で周期的に測定したものである。
ステップ４２０において、売上予測装置１００は、データ収集部１１０を介して、外部入力から商店明細情報および商店売上情報を取得する。前記商店明細情報は、商店の類型、商店の位置、商店の面積および商店で用いられる家電製品の種類を含む。
ステップ４３０において、売上予測装置１００は、商店売上情報がある商店に対しては、学習部１３０を介して、前記電力使用量情報、前記商店明細情報および前記商店売上情報を機械学習する。売上予測装置１００は、前記電力使用量情報に基づいて所定の時間単位で商店の有効営業時間を計算する。売上予測装置１００は、前記電力使用量情報、前記商店明細情報、前記有効営業時間および前記商店売上情報を機械学習する。
ステップ４４０において、売上予測装置１００は、入力部１５０を介して、所定の商店に対応する識別子を外部入力から取得し、前記識別子に基づいて前記所定の商店に対応する前記電力使用量情報および前記商店明細情報をデータ収集部１１０から取得する。前記所定の商店は、金融機関の評価対象になる商店であってもよい。
ステップ４５０において、売上予測装置１００は、売上取得部１７０を介して、前記所定の商店に対応する前記電力使用量情報および前記商店明細情報を学習部１３０に入力する。学習部１３０は、前記所定の商店に対応する前記電力使用量情報に基づいて、所定の時間単位で前記所定の商店に対応する有効営業時間を計算する。学習部１３０は、前記所定の商店に対応する前記電力使用量情報、前記商店明細情報および前記有効営業時間に基づいて、前記所定の商店に対応する前記商店売上情報を予測する。
ステップ４６０において、売上予測装置１００は、売上取得部１７０を介して、前記所定の商店に対応する前記商店売上情報を学習部１３０から取得する。
また、売上予測装置１００は、信用予測部を介して、前記所定の商店に対応する前記商店売上情報に基づいて、前記所定の商店に対応する信用情報を推定する。
一方、本発明の他の実施形態による学習部１３０は、前記電力使用量情報および前記商店明細情報に基づいて商店の単位面積当たりの電力使用量を計算する。本実施形態による学習部１３０は、前記電力使用量情報として前記単位面積当たりの電力使用量を用いる。
以上、本発明の好ましい実施形態が詳細に記述されているが、本発明の範囲はそれに限定されず、様々な変形および均等な他の実施形態が可能である。よって、本発明の真の技術的保護範囲は添付された特許請求の範囲によって定められなければならない。
例えば、本発明の例示的な実施形態による装置は、図示されたような装置各々のユニットにカップリングされたバス、前記バスにカップリングされた少なくとも一つのプロセッサを含むことができ、コマンド、受信されたメッセージ、または生成されたメッセージを格納するために前記バスにカップリングされ、前述したようなコマンドを実行するための少なくとも一つのプロセッサにカップリングされたメモリを含むことができる。
また、本発明に係るシステムは、コンピュータ読み取り可能な記録媒体にコンピュータ読み取り可能なコードとして実現することができる。コンピュータ読み取り可能な記録媒体は、コンピュータシステムによって読み取られるデータが格納される全ての記録装置を含む。前記コンピュータ読み取り可能な記録媒体は、マグネチック格納媒体（例えば、ＲＯＭ、フロッピーディスク、ハードディスクなど）、および光学的読取媒体（例えば、ＣＤ−ＲＯＭ、ＤＶＤなど）を含む。また、コンピュータ読み取り可能な記録媒体は、ネットワークを介して連結されたコンピュータシステムに分散され、分散方式でコンピュータ読み取り可能なコードが格納されて実行されることができる。

Claims (12)

  1. 電力使用量測定装置から商店の電力使用量情報を取得し、外部入力から商店明細情報および商店売上情報を取得するデータ収集部、
    前記電力使用量情報、前記商店明細情報および前記商店売上情報を機械学習する学習部、
    所定の商店に対応する識別子を外部入力から取得し、前記所定の商店に対応する前記電力使用量情報および前記商店明細情報を前記データ収集部から取得する入力部、および
    前記所定の商店に対応する前記電力使用量情報および前記商店明細情報を前記学習部に入力し、前記所定の商店に対応する前記商店売上情報を前記学習部から取得する売上取得部
    を含むことを特徴とする売上予測装置。
  2. 前記所定の商店に対応する前記商店売上情報に基づいて、前記所定の商店に対応する信用情報を推定する信用予測部をさらに含むことを特徴とする、請求項１に記載の売上予測装置。
  3. 前記電力使用量情報は、商店の電力使用量を所定の時間単位で周期的に測定したものであることを特徴とする、請求項１または２に記載の売上予測装置。
  4. 前記商店明細情報は、商店の類型、商店の位置、商店の面積および商店で用いられる家電製品の種類を含むことを特徴とする、請求項１〜３のいずれか１項に記載の売上予測装置。
  5. 前記学習部は、前記電力使用量情報に基づいて、所定の時間単位で商店の有効営業時間を計算することを特徴とする、請求項１〜４のいずれか１項に記載の売上予測装置。
  6. 前記学習部は、前記電力使用量情報および前記商店明細情報に基づいて商店の単位面積当たりの電力使用量を計算し、
    前記電力使用量情報は、前記単位面積当たりの電力使用量であることを特徴とする、請求項５に記載の売上予測装置。
  7. 前記学習部は、
    商店の類型が同一または類似した商店の前記電力使用量情報を各々の時間別に２４個の構成要素を含むベクトルに実現し、
    同一または類似したベクトルをクラスタリングし、各々のクラスタを代表する代表ベクトルを抽出し、
    前記代表ベクトルの各々に対して前記所定の時間単位で商店の前記有効営業時間を計算することを特徴とする、請求項５または６に記載の売上予測装置。
  8. 前記学習部は、前記電力使用量情報、前記商店明細情報、前記有効営業時間および前記商店売上情報を機械学習することを特徴とする、請求項５〜７のいずれか１項に記載の売上予測装置。
  9. 前記学習部は、前記所定の商店に対応する前記電力使用量情報に基づいて、所定の時間単位で前記所定の商店に対応する有効営業時間を計算することを特徴とする、請求項１〜８のいずれか１項に記載の売上予測装置。
  10. 前記学習部は、前記所定の商店に対応する前記電力使用量情報、前記商店明細情報および前記有効営業時間に基づいて、前記所定の商店に対応する前記商店売上情報を予測する売上予測部をさらに含むことを特徴とする、請求項９に記載の売上予測装置。
  11. データ収集部を介して、電力使用量測定装置から商店の電力使用量情報を取得するステップ、
    前記データ収集部を介して、外部入力から商店明細情報および商店売上情報を取得するステップ、
    学習部を介して、前記電力使用量情報、前記商店明細情報および前記商店売上情報を機械学習するステップ、
    入力部を介して、所定の商店に対応する識別子を外部入力から取得し、前記所定の商店に対応する前記電力使用量情報および前記商店明細情報を前記データ収集部から取得するステップ、
    売上取得部を介して、前記所定の商店に対応する前記電力使用量情報および前記商店明細情報を前記学習部に入力するステップ、および
    売上取得部を介して、前記所定の商店に対応する前記商店売上情報を前記学習部から取得するステップ
    を含むことを特徴とする売上予測方法。
  12. 請求項１１に記載の方法を実行するためのプログラム。
JP2018242410A 2017-12-26 2018-12-26 電力使用量に基づいた売上予測システムおよびその方法 Active JP6753919B2 (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2017-0179075 2017-12-26
KR20170179075 2017-12-26
KR10-2018-0155009 2018-12-05
KR1020180155009A KR102284395B1 (ko) 2017-12-26 2018-12-05 전력 사용량 기반의 매출 예측 시스템 및 그 방법

Publications (2)

Publication Number Publication Date
JP2019117632A true JP2019117632A (ja) 2019-07-18
JP6753919B2 JP6753919B2 (ja) 2020-09-09

Family

ID=67305405

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018242410A Active JP6753919B2 (ja) 2017-12-26 2018-12-26 電力使用量に基づいた売上予測システムおよびその方法

Country Status (1)

Country Link
JP (1) JP6753919B2 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021114172A (ja) * 2020-01-20 2021-08-05 東京瓦斯株式会社 エネルギー消費量予測システム、エネルギー消費量予測支援システム、エネルギー消費量予測方法、及びプログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002329063A (ja) * 2001-05-02 2002-11-15 Clover Network Com:Kk 商品情報入力端末機及び商品情報入力プログラム
JP2012168676A (ja) * 2011-02-14 2012-09-06 Seikatsu Kyodo Kumiai Coop Sapporo 電力管理サーバ、及び電力管理プログラム
JP2015170063A (ja) * 2014-03-06 2015-09-28 大阪瓦斯株式会社 飲食店評価システム
JP2016131726A (ja) * 2015-01-20 2016-07-25 ダイコク電機株式会社 遊技場用システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002329063A (ja) * 2001-05-02 2002-11-15 Clover Network Com:Kk 商品情報入力端末機及び商品情報入力プログラム
JP2012168676A (ja) * 2011-02-14 2012-09-06 Seikatsu Kyodo Kumiai Coop Sapporo 電力管理サーバ、及び電力管理プログラム
JP2015170063A (ja) * 2014-03-06 2015-09-28 大阪瓦斯株式会社 飲食店評価システム
JP2016131726A (ja) * 2015-01-20 2016-07-25 ダイコク電機株式会社 遊技場用システム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021114172A (ja) * 2020-01-20 2021-08-05 東京瓦斯株式会社 エネルギー消費量予測システム、エネルギー消費量予測支援システム、エネルギー消費量予測方法、及びプログラム

Also Published As

Publication number Publication date
JP6753919B2 (ja) 2020-09-09

Similar Documents

Publication Publication Date Title
Pepe et al. Combining predictors for classification using the area under the receiver operating characteristic curve
Maldonado et al. Integrated framework for profit-based feature selection and SVM classification in credit scoring
US10977725B1 (en) Preventing account overdrafts and excessive credit spending
US20140006044A1 (en) System and method for preparing healthcare service bundles
US10242087B2 (en) Cluster evaluation in unsupervised learning of continuous data
WO2003096237A2 (en) Electronic data processing system and method of using an electronic data processing system for automatically determining a risk indicator value
EP2560135A1 (en) Systems and methods for data anomaly detection
US20140207524A1 (en) Systems and methods for determining consumer shopping corridors
JP2017509947A (ja) ネットワークサブジェクトの社会的関係タイプの取得
Annan et al. Determinants of tax evasion in Ghana: 1970-2010
US11783927B2 (en) Methods and systems for calculating health care treatment statistics
Teles et al. Modeling interval time series with space–time processes
US20230013086A1 (en) Systems and Methods for Using Machine Learning Models to Automatically Identify and Compensate for Recurring Charges
US20140379310A1 (en) Methods and Systems for Evaluating Predictive Models
JP2015225362A (ja) 分析装置および分析方法
CN109583729B (zh) 用于平台在线模型的数据处理方法和装置
US11182436B2 (en) Predicting locations based on transaction records
CN113837806A (zh) 产品流转量预测方法、装置、电子设备和存储介质
KR102284395B1 (ko) 전력 사용량 기반의 매출 예측 시스템 및 그 방법
WO2019147571A1 (en) System and method for quantifiable categorization of candidates for asset allocation
JP2019117632A (ja) 電力使用量に基づいた売上予測システムおよびその方法
CN110796379A (zh) 业务渠道的风险评估方法、装置、设备及存储介质
JP2014164768A (ja) 相場の変則を探知するためのシステムおよび方法
Kumar et al. Volatility spillovers between foreign exchange markets of India and China
CN111091462A (zh) 网络请求的处理方法与装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20181226

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190107

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190215

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20191025

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20191119

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200213

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200721

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200804

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200820

R150 Certificate of patent or registration of utility model

Ref document number: 6753919

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250