KR101736114B1 - System and Method For Calculating Index of Summer Laundry Purchasing Power - Google Patents
System and Method For Calculating Index of Summer Laundry Purchasing Power Download PDFInfo
- Publication number
- KR101736114B1 KR101736114B1 KR1020160043081A KR20160043081A KR101736114B1 KR 101736114 B1 KR101736114 B1 KR 101736114B1 KR 1020160043081 A KR1020160043081 A KR 1020160043081A KR 20160043081 A KR20160043081 A KR 20160043081A KR 101736114 B1 KR101736114 B1 KR 101736114B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- degrees
- temperature
- purchasing power
- power index
- Prior art date
Links
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Abstract
Description
본 발명은 여름철 의류 구매력 지수 산정 시스템 및 방법에 관한 것으로, 장기계절정보를 이용한 의류 구매력 지수를 산출하고, 이를 이용하여 여름철 기간 동안의 의류 수요를 예측하며 이에 대응할 수 있도록 한다.BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a system and method for calculating a clothing purchasing power index in summer, Index, and use it to predict and respond to clothing demand during the summer months.
날씨란 비, 구름, 바람 및 기온 따위가 나타나는 기상 상태를 의미한다. 이러한 날씨는 다방면에서 인류의 삶 및 산업과 밀접하게 연관되어 있다. 예를 들면, 지역적 날씨 특성에 따라, 의식주에 차이가 있는 것이 대표적이다. Weather means weather conditions in which rain, clouds, wind, and temperature are present. This weather is closely related to human life and industry in many aspects. For example, there is a difference in food and shelf depending on the regional weather characteristics.
최근에는 이러한 날씨를 산업과 직접적으로 접목시켜 경영을 하는 사례가 늘고 있다. 바로, 날씨경영(Weather Management)이다. 날씨경영은 기상 데이터와 매출을 분석하여 수요를 예측하고 이에 따른 생산관리에 반영하는 마케팅 기법으로, 그 중요성은 이미 날씨경영 인증 제도를 통해 부각되고 있다.Recently, there has been an increasing number of cases in which the management of such weather is directly linked with the industry. It is weather management. Weather management is a marketing technique that analyzes weather data and sales, predicts demand, and reflects it in production management accordingly. Its importance has already been highlighted through the weather management certification system.
이러한 날씨경영이 유용하게 쓰일 수 있는 산업중 하나가 의류산업이다. 2006년 및 2007년에 미국 의류업체들은 온도 상승으로 인한 기상 변화를 잘 예측하지 못하여, 수십억 달러의 매출 피해를 입었다. 이 후, 의류업체들은 날씨경영을 이용하여 주문물량, 재고량, 판매시기, 생산시기 및 계절별 상품기획을 결정해 매출의 증대를 꾀하고 있다. 하지만, 이러한 날씨경영은 주관적인 판단에 의해 행해질 뿐, 객관적으로 지수화하여 판단하지 못하는 문제가 있으며, 장기적인 정보를 활용하지 못하고, 단기적인 정보를 활용하는 문제가 있다.One of the industries where weather management can be useful is the clothing industry. In 2006 and 2007, US apparel companies suffered billions of dollars in sales damage because they could not predict the weather changes due to the temperature rise. After that, apparel companies are trying to increase sales by determining the order quantity, inventory quantity, sales period, production period and seasonal product plan using weather management. However, such weather management is performed by subjective judgment, there is a problem that it can not be objectively indexed and judged, and there is a problem that it does not utilize long-term information and utilizes short-term information.
본 발명의 목적은 여름철 장기계절예보 정보를 활용하여 의류 구매력 지수를 산출하고, 이에 따른 의류 구매력 및 기간을 예측하는 의류 구매력 지수 산정 시스템 및 그 방법을 제공하는 것이다.An object of the present invention is to provide a clothing purchasing power index calculating system and a method thereof for calculating a clothes purchasing power index using summer long-term season forecast information, and for predicting clothing purchasing power and duration.
상술한 목적을 달성하기 위해 본 발명은 기상 상태를 예측하는 기상 예측부 및 기상 예측부에서 예측한 기상 정보를 추출하여, 의류 구매력 지수를 산출하는 의류 구매력 지수 산출부를 포함한다.In order to accomplish the above object, the present invention includes a weather forecasting unit for predicting a weather condition, and a clothing purchasing power index calculating unit for extracting weather forecast information predicted by a weather forecasting unit and calculating a clothing purchasing power index.
의류 구매력 지수 산출부는 기준 온도를 설정하여, 기준 온도에 따라 성장기, 성수기 및 쇠퇴기로 구간화하는 것을 특징으로 한다.The apparel purchasing power index calculating unit sets a reference temperature and divides the growing period, the peak season and the decay period according to the reference temperature.
기준 온도는 성장기의 시작이 4도, 성수기의 시작은 17도, 쇠퇴기의 시작은 최고 기온점, 쇠퇴기의 끝은 21도인 것을 특징으로 한다.The reference temperature is characterized by the beginning of the growth period at 4 °, the beginning of the peak season at 17 °, the beginning of the decline at the highest temperature point, and the end of the decline at 21 °.
기상 예측부는, 경계자료를 생성 및 시간차를 둔 초기자료를 획득하고, 모델링부의 입력 자료로 쓰도록 모델격자에 맞게 재격자화하는 전처리부와 전처리부에서 재격자한 경계자료 및 초기자료를 입력받아 모델적분을 수행하는 모델링부와 모델링부에서 모델화된 자료를 이용하여 변수를 추출하고, 이를 시각화 하는 후처리부를 포함한다.The meteorological forecasting unit generates the boundary data and obtains the initial data with the time difference. The preprocessing unit recalibrates the model grid to use as the input data of the modeling unit. The preprocessing unit receives the boundary data and the initial data, A modeling unit for performing integration, and a post-processing unit for extracting variables using data modeled by the modeling unit and visualizing the extracted variables.
전처리부는 해수면 온도 및 해빙자료를 최근값과 평년값으로 비교하여 경계자료를 생성하는 경계자료 생성 모듈과 대기의 초기 상태를 알려주는 초기자료를 시간차를 두고 획득하는 초기자료 획득 모듈 및 경계자료, 초기자료가 모델링부의 격자와 일치하도록 변환하는 자료 재격자화 모듈을 포함한다.The preprocessing unit is composed of a boundary data generation module which compares the sea surface temperature and sea ice data with the latest value and the normal value and generates the boundary data, and the initial data acquiring module and the boundary data, the initial data To match the lattice of the modeling portion.
모델링부는 자료 재격자화 모듈에서 변환된 자료를 입력받아 시간차를 둔 초기 자료에 따라 각각 적분 연산하는 적분 연산 모듈 및 적분 연산 모듈에서 각각 적분 연산된 자료의 평균을 산출하는 평균 산출 모듈을 포함한다.The modeling unit includes an averaging module for inputting the converted data from the data recursive magnetization module and an averaging module for calculating the average of the integrally calculated data in each of the integrating operation module and the integrating operation module, respectively, according to the initial data having the time difference.
후처리부는 모델링부에서 산출된 자료의 평균을 변수화하여 변수별로 자료를 추출하는 변수 추출 모듈 및 변수를 이용하여 예측되는 값을 시각화하는 시각화 모듈을 포함한다.The post-processing unit includes a variable extraction module for extracting data for each variable by parameterizing the average of the data calculated by the modeling unit, and a visualization module for visualizing the predicted value using the variable.
의류 구매력 지수 산출부는 의류 구매력 지수를 산출하고, 산출된 의류 구매력 지수를 이용하여 의류의 판매량을 예측하는 판매량 예측 모듈을 포함한다.The apparel purchasing power index calculating unit includes a selling amount predicting module for calculating a clothes purchasing power index and predicting a sales amount of clothes using the calculated apparel purchasing power index.
의류 구매력 지수 산출부에서 산출한 의류 구매력 지수는The apparel purchasing power index calculated by the apparel purchasing power index calculating section
의류 구매력 지수의 월별 상기 가중치는 
기상 예측부에서 기상을 예측하는 기상 예측 단계 및 기상 예측 단계에서 예측한 기상 정보를 추출하여, 의류 구매력 지수 산출부에서 의류 구매력 지수를 산출하는 의류 구매력 지수 산출 단계를 포함한다.A weather forecasting step of predicting the weather in the weather forecasting part, and a clothing purchasing power index calculating step of extracting the weather information predicted in the weather forecasting step and calculating the clothing purchasing power index in the clothing purchasing power index calculating part.
의류 구매력 지수 산출 단계는 기준 온도를 설정하여, 기준 온도에 따라 성장기, 성수기 및 쇠퇴기로 구간화하는 것을 특징으로 한다.The apparel purchasing power index calculating step is characterized by setting a reference temperature and dividing the growing period, the peak season and the decay period according to the reference temperature.
기준 온도는 성장기의 시작이 4도, 성수기의 시작은 17도, 쇠퇴기의 시작은 최고 기온점, 쇠퇴기의 끝은 21도인 것을 특징으로 한다.The reference temperature is characterized by the beginning of the growth period at 4 °, the beginning of the peak season at 17 °, the beginning of the decline at the highest temperature point, and the end of the decline at 21 °.
기상 예측 단계는, 전처리부에서 경계자료를 생성 및 시간차를 둔 초기자료를 획득하고, 모델링부의 입력 자료로 쓰도록 모델격자에 맞게 재격자화 하는 전처리 단계와 전처리 단계에서 재격자한 경계자료 및 초기자료를 입력받아 모델링부에서 모델적분을 수행하는 모델링 단계와 모델링 단계에서 모델화된 자료를 이용하여 후처리부에서 변수를 추출하고, 이를 시각화하는 후처리 단계를 포함한다.The weather forecasting stage consists of a preprocessing step in which the preprocessing unit generates boundary data and acquires initial data with a time difference, recomputes the data to be used as input data of the modeling unit, and preprocessing step in the preprocessing step. And a post-processing step of extracting variables from the post-processing unit using the modeled data in the modeling step and visualizing the extracted variables in the post-processing unit.
경계자료 생성 모듈에서 해수면 온도 및 해빙자료를 최근값과 평년값으로 비교하여 경계자료를 생성하는 경계자료 생성 단계와 초기자료 획득 모듈에서 대기의 초기 상태를 알려주는 초기자료를 시간차를 두고 획득하는 초기자료 획득 단계 및경계자료, 초기자료가 모델링 단계의 격자와 일치하도록 자료 재격자화 모듈에서 변환하는 자료 재격자화 단계를 포함한다.In the boundary data generation module, the boundary data generation step for generating the boundary data by comparing the sea surface temperature and the sea ice data with the latest value and the normal value, and the initial data for acquiring the initial data indicating the initial state of the atmosphere in the initial data acquisition module Acquisition phase and boundary data, and data recursiveization that transforms the initial data into the data recomputation module to match the lattice of the modeling phase.
모델링 단계는, 자료 재격자화 단계에서 변환된 자료를 입력받아 시간차를 둔 초기 자료에 따라 적분 연산 모듈에서 각각 적분 연산하는 적분 연산 단계 및The modeling step includes an integration operation step of integrating the data converted in the data recursive step and integrating the data according to the initial data having a time difference,
적분 연산 단계에서 각각 적분 연산된 자료의 평균을 평균 산출 모듈에서 산출하는 평균 산출 단계를 포함한다.And an average calculation step of calculating an average of data integrated and calculated in the integration operation step in an average calculation module.
후처리 단계는, 모델링 단계에서 산출된 자료의 평균을 변수 추출 모듈에서 변수화하여 변수별로 자료를 추출하는 변수 추출 단계 및 시각화 모듈에서 상기 변수를 이용하여 예측되는 값을 시각화하는 시각화 단계를 포함한다.The post-processing step includes a variable extraction step of extracting data for each variable by parameterizing an average of the data calculated in the modeling step in the variable extraction module, and a visualization step of visualizing the predicted value using the variable in the visualization module.
의류 구매력 지수 산출 단계는 의류 구매력 지수를 산출하고, 산출된 의류 구매력 지수를 이용하여 판매량 예측 모듈에서 의류의 판매량을 예측하는 판매량 예측 단계를 포함한다. The apparel purchasing power index calculating step includes calculating a clothes purchasing power index and predicting a sales amount of clothes in the sales forecasting module using the calculated apparel purchasing power index.
의류 구매력 지수 산출 단계에서 산출한 의류 구매력 지수는The apparel purchasing power index calculated at the stage of calculating the apparel purchasing power index
의류 구매력 지수의 월별 가중치는 
본 발명은 여름철 장기계절정보를 이용하여 의류 구매력 지수를 산출하고, 이를 이용하여 의류 구매력 및 기간을 예측한다. 이에 따라, 예측되는 의류 구매력 및 기간을 이용하여, 생산량을 유동적이고, 맞춤형으로 지원할 수 있는 의류 구매력 지수 산정 시스템 및 그 방법을 제공할 수 있다.The present invention calculates the apparel purchasing power index using summer long term seasonal information, and predicts the apparel purchasing power and duration using the index. Accordingly, it is possible to provide a system for calculating the apparel purchasing power index and a method for supporting the production amount in a flexible and customized manner using the predicted apparel purchasing power and period.
도 1은 본 발명에 따른 여름철 의류 구매력 지수 산정 시스템의 개념도.
도 2 및 도 3은 본 발명에 따른 앙상블 기법의 개념도.
도 4는 본 발명에 따른 서울과 부산의 여름철 의류 구매력 그래프.
도 5는 특정 기업의 여름철 일반 품목 매출량과 기온자료 그래프.
도 6은 특정 기업의 여름철 일반 품목 매출량과 기온자료에 따른 판매 구간 산출 그래프.
도 7은 특정 기간에 기준온도를 적용한 구간 예측 그래프.
도 8은 예측 그래프와 특정 기업의 판매량 비교 그래프.
도 9는 산출한 판매구간과 실제 기온의 특성 비교 그래프.
도 10 내지 도 12는 본 발명에 따른 여름철 의류 구매력 지수의 적용도.
도 13은 본 발명에 따른 여름철 의류 구매력 지수 산정 방법의 순서도.1 is a conceptual diagram of a system for calculating the apparel purchasing power index in summer according to the present invention.
2 and 3 are conceptual diagrams of an ensemble technique according to the present invention.
FIG. 4 is a graph of clothing purchasing power of summer in Seoul and Busan according to the present invention.
FIG. 5 is a graph showing annual sales and temperature data of a general company in summer.
FIG. 6 is a graph showing a sales section output based on sales data and temperature data of a general company during the summer season.
FIG. 7 is a graph of an interval prediction applying a reference temperature in a specific period. FIG.
FIG. 8 is a graph comparing predicted graphs and sales volume of a specific company.
9 is a graph comparing the characteristics of the sales section and the actual temperature, which are calculated.
10 to 12 are diagrams illustrating application of the summer apparel purchasing power index according to the present invention.
FIG. 13 is a flow chart of a method for calculating the apparel purchasing power index in summer according to the present invention.
이하, 도면을 참조하여 본 발명의 실시예를 상세히 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 도면상의 동일 부호는 동일한 요소를 지칭한다.It will be apparent to those skilled in the art that the present invention may be embodied in many different forms and should not be construed as limited to the embodiments set forth herein. Rather, these embodiments are provided so that this disclosure will be thorough and complete, It is provided to let you know. Like reference numerals refer to like elements throughout.
도 1은 본 발명에 따른 여름철 의류 구매력 지수 산정 시스템의 블록도이다.1 is a block diagram of a summer apparel purchasing power index calculation system according to the present invention.
본 발명에 따른 여름철 의류 구매력 지수 산정 시스템은 도 1에 도시된 바와 같이, 기상 예측부와(100), 기상 예측부(100)에서 예측된 기상 정보를 기반으로 의류 구매력 지수를 연산하는 의류 구매력 지수 산출부(200)를 포함한다.As shown in FIG. 1, a summer apparel purchasing power index calculating system according to the present invention includes a
기상 예측부(100)는 의류 구매력 지수를 산출하고자 하는 기간의 기상 정보를 예측한다. 이를 위해서 기상 예측부는 전처리부(110)와 모델링부(120) 및 후처리부(130)를 포함한다.The
전처리부(110)는 경계자료를 생성 및 초기자료를 획득하고, 모델링부(120)의 입력 자료로 쓰도록 모델격자에 맞게 재격자화한다. 따라서, 전처리부(110)는 경계자료 생성 모듈(111)과 초기자료 획득 모듈(112) 및 자료 재격자화 모듈(113)을 포함한다.The preprocessing
경계자료 생성 모듈(111)은 해수면 온도 및 해빙자료를 최근값과 평년값으로 비교하여 경계자료를 생성한다. The boundary data generation module 111 generates the boundary data by comparing the sea surface temperature and the sea ice data with the latest value and the normal value.
본 발명의 실시에서는 예보를 위해 전 지구 모델(이하 GME, Operational Global Model(GM) and the regional model for central Europe(E))를 이용하였다. GME는 고가의 슈퍼컴퓨터에 비해 HPC(High Performance Computing) 환경에서 효율성이 높은 Isocahedral-Hexagonal Grid의 격자체계를 가진 NWP(Numerical Weather Prediction)이다.For the purposes of the present invention, a global model (GME) and a regional model for central Europe (E) were used for forecasting. GME is Numerical Weather Prediction (NWP) with Isochedral-Hexagonal Grid grid system that is more efficient in high performance computing (HPC) environment than expensive supercomputer.
GME는 대기모델(AGCM, Atomospheric General Circulation Model)이므로, 해양의 상태를 고려해주기 위한 경계자료가 필요하다. 여기서 경계자료는 해수면 온도(SST, Sea Surface Temperature) 및 해빙(Sea Ice)이다. 본 실시예에서는 해수면온도 자료로 NOAA OI(National Oceanic and Atmospheric Administration Optimum Interpolation)의 주간 해수면 온도를 이용하였으며, 해빙 자료로 ECMWF(European Centre for Medium Range Weather Forecasts)의 자료를 이용하였다. Because GME is an Atmospheric General Circulation Model (AGCM), boundary data are needed to account for the state of the ocean. The boundary data are sea surface temperature (SST) and sea ice. In this example, the NOAA OI (National Oceanic and Atmospheric Administration Optimum Interpolation) daytime sea surface temperature was used as the sea surface temperature data, and the ECMWF (European Center for Medium Range Weather Forecasts) data was used for sea ice data.
경계자료로 사용되는 해수면 온도와 해빙 자료의 정보는 아래 표 1과 같다.The sea surface temperature and sea ice data used as boundary data are shown in Table 1 below.
(Lon/Lat)Grid Number
(Lon / Lat)
(National Oceanic and Atmospheric Administration Optimum Interpolation)NOAA OI
(National Oceanic and Atmospheric Administration Optimum Interpolation)
(European Centre for Medium Range Weather Forecasts)ECMWF
(European Center for Medium Range Weather Forecasts)
또한, 최근의 해수면 온도와 해빙 자료 값에 대한 해당 해의 특성을 나타내려면, 기준이 되는 자료가 필요하다. 따라서, 그 기준 자료로 과거 30년 동안의 평균값을 이용한다. 즉, 해수면 온도와 해빙 자료에 해당하는 각각의 평년값 자료가 필요하다. 아래의 표는 평년값 자료의 정보이다.In addition, reference data are needed to show the characteristics of the solution for the recent sea surface temperature and sea ice data. Therefore, we use the average of the past 30 years as the reference data. That is, each normal value data corresponding to sea surface temperature and sea ice data is required. The table below is the information of the normal value data.
(Lon/lat)Grid Number
(Lon / lat)
위 표에 기재된 바와 같이, 본 실시예에서 해수면 온도의 평년값 자료 격자수는 경/위도 360x180이고, 해빙 자료의 평년값 자료 격자수는 경/위도 144x73이다. 또한, 평년값 자료의 기간은 1971년부터 2000년이며, 일 별로 30년간의 평균 자료를 이용한다. As shown in the above table, in the present embodiment, the number of data lattices of the normal value of the sea surface temperature is 360x180, and the number of data lattices of the sea ice data is 144x73. In addition, the period of the annual data is from 1971 to 2000, and the average data for 30 years is used.
따라서, 경계자료 생성 모듈(111)은 해수면 온도와 해빙 자료의 최근값과 평년값 차를 구한다. 여기서 해수면 온도는 해수면 온도 차에 해당하는 아노말리를 구하고, 해빙 자료는 북반구와 남반구의 각각 평년값 대비 해빙 면적 비율을 계산한 값을 산출한다. 이렇게 산출된 값의 차이 정도의 지 속유무 혹은 추세의 변화유무에 대한 경계조건을 고려하여 최종적으로 모델링에 입력될 경계 자료를 생성한다.Therefore, the boundary data generation module 111 obtains the difference between the recent values and the normal values of sea surface temperature and sea ice data. Here, anomalies corresponding to the sea surface temperature difference are obtained, and the sea ice data are calculated by calculating the sea ice area ratio of the northern hemisphere and the southern hemisphere, respectively. Finally, the boundary data to be input to the modeling is generated considering the boundary conditions of the difference in the calculated values or whether there is a change in trend or not.
초기자료 획득 모듈(112)은 대기의 초기상태를 알려주는 초기 자료를 획득한다. 본 실시예에서는 ECMWF에서 제공하는 ECA(The European Climate Assessment) Datasheet를 사용하였다. The initial data acquisition module 112 acquires initial data indicating the initial state of the atmosphere. In this embodiment, the European Climate Assessment (ECA) datasheet provided by ECMWF is used.
자료 재격자화 모듈(113)은 생성된 경계자료 및 획득된 초기자료가 모델링부(120)에 입력될 수 있도록, 격자에 맞도록 변환한다.The data recursive magnetization module 113 transforms the generated boundary data and the obtained initial data so as to fit into the grid so that the initial data can be input to the
본 실시예에서의 격자 변환은 GME에 포함되어있는 IFS2GME 프로그램을 이용하여 초기자료인 IFS(Integrate Forecastion System of the European Centre for Medium Range Weather Forecasts, Reading, UK)를 수평, 수직에 대하여 내삽하여 GME 격자에 맞도록 변환하였다. 여기서 IFS는 MARS(The Meteorological Archival and Retreival System)을 통해 받은 ECA 자료를 의미한다. In the present embodiment, the IFS2GME program included in the GME is used to interpolate the initial data, IFS (Integrate Forecasting System of the European Center for Medium Range Weather Forecasts, Reading, UK) Respectively. IFS means ECA data received through MARS (The Meteorological Archival and Retreival System).
도 2 및 도 3은 본 발명에 따른 앙상블 기법의 개념도이다. 도 2 내지 도 3을 참조하여, 모델링부(120)에서의 실시에 대해 설명한다.2 and 3 are conceptual diagrams of an ensemble technique according to the present invention. The implementation in the
모델링부(120)는 전처리부(110)에서 재격자한 경계자료 및 초기자료를 입력받아 모델적분을 수행하여 모델화한다. 이를 위해서, 적분 연산 모듈(121)과 평균 산출 모듈(122)을 포함한다.The
적분 연산 모듈(121)은 자료 재격자화 모듈(113)에서 변환된, 시간차를 둔 복수의 초기자료를 각각 연산한다. 이렇게 시간차를 둔 자료를 각각 연산하는 이유는, 입력되는 초기자료가 일회성이기 때문에 예측기간이 길어질수록 불확실성이 점차 커지게 되어, 이러한 불확실성을 줄이기 위함이다. 이러한 기법을 시간 지연 앙상블 기법(Time-Lagged Ensemble Method)이라 한다. 다시 말해서, 시간 지연 앙상블 기법이란 시간차를 둔 복수의 초기자료를 이용하여, 각각의 초기자료에 대해 복수 회 모델적분을 수행하고, 이를 종합적으로 이용하는 것이다.The integral calculation module 121 calculates a plurality of initial data, each having a time difference, converted by the data recursive module 113. The reason for calculating each of the time difference data is to reduce the uncertainty as the initial data input is one-time, and the uncertainty becomes larger as the prediction period becomes longer. This technique is called a time-lagged ensemble method. In other words, the time lag ensemble technique uses plural initial data with time difference, performs model integration multiple times for each initial data, and comprehensively uses it.
평균 산출 모듈(122)은 적분 연산 모듈에서 복수 회 수행된 모델적분 값의 평균을 산출하여 최종적으로 모델링을 한다. 모델적분 값의 평균을 사용하여, 일회성 모델적분의 결과가 가지는 불확실성을 줄여 그 정확도를 제고시킨다. 본 실시예에서는 매 계절마다 하루 간격으로 10일치의 초기자료를 사용하여 10개의 앙상블 멤버를 구성하여 10회의 앙상블 기법을 적용하였다.The average calculation module 122 calculates the average of the model integration values performed a plurality of times in the integration operation module and finally performs modeling. Using the mean of the model integrals, the uncertainty of the results of the one-off model integration is reduced to improve its accuracy. In this embodiment, 10 ensemble members are constructed using 10 sets of initial data every day for every season, and ten ensembles are applied.
후처리부(130)는 모델링부(120)에서 모델화된 자료를 이용하여 변수를 추출하고, 이를 시각화한다. 이를 위해서, 변수 추출 모듈(131) 및 시각화 모듈(132)을 포함한다.The
변수 추출 모듈(131)은 원하는 목적에 맞도록 특성에 맞는 변수를 추출한다. The parameter extracting module 131 extracts a parameter suitable for the desired purpose.
시각화 모듈(132)은 원하는 목적에 맞도록 결과가 시각적으로 나타날 수 있도록 결과 값을 시각화하여 나타낸다.The visualization module 132 visualizes and displays the results so that the results can be visually displayed to suit the desired purpose.
위의 기상 예측부의 실시에 의해, 최종적으로 후처리부(130)의 변수 추출 모듈(131)에서 생성된 변수를 이용하여 여름철 의류의 구매력을 예측하는 의류 구매력 지수 산출부(200)를 포함한다.And a clothing purchasing power index calculating unit 200 for predicting the purchasing power of the summer clothes by using the variables generated by the variable extracting module 131 of the
의류 구매력 지수 산출부(200)는, 기상 예측부(100)의 최종부인 후처리부(130)에서, 변수 추출 모듈(131)에 의해 추출된 변수를 이용하여 여름철 의류를 구매할 수 있는 지수인 의류 구매력 지수를 산출한다.The clothing purchasing power index calculating unit 200 calculates the clothing purchasing power index 200 based on the variables extracted by the parameter extracting module 131 in the
의류 제품의 수요는 계절이 시작하는 달인 계절의 초월에 가장 많기 때문에, 월별 차등 가중 기법을 사용하여 수요를 예측하고, 의류 제품 생산량을 결정할 수 있다.Demand for apparel products is the most prevalent of the seasons, which is the beginning of the season, so you can use monthly differential weighting techniques to predict demand and determine apparel product output.
이하는 여름철 의류 구매력 지수 산출에 대해 기술한 것으로, 의류 구매력 지수는 아래의 수학식 1에 의해 산출된다.The following describes the calculation of the apparel purchasing power index in summer, and the apparel purchasing power index is calculated by the following equation (1).
여기서,
본 실시에서 22도를 기준으로 삼은 이유는, 여름의 초월인 6월에는 20도 이상으로 온도가 상승하게 되어, 말월인 8월까지 25도 이상을 유지한다. 따라서 20도에서 25도 사이의 온도 값을 기준으로 하면, 여름의 시작에 대한 시기를 가늠할 수 있다. 따라서, 그 중간값에 해당하는 22도를 기준 온도로 한다.The reason for using 22 degrees as the standard in this embodiment is that the temperature rises to 20 degrees or more in June, which is the transcendence of summer, and it is maintained at 25 degrees or more until August, the end of the month. Therefore, when the temperature is between 20 ° C and 25 ° C, it is possible to determine the timing of the start of summer. Therefore, 22 degrees corresponding to the intermediate value is set as the reference temperature.
본 실시를 검증하기 위해 2015년 4월 여름철 계절 예보 결과와, 이를 이용하여 서울과 부산의 여름철 의류 구매력 지수를 계산하였다. In order to verify the implementation, we calculated the summer season forecast for April, 2015, and the summer purchasing power index of Seoul and Busan in summer.
도 4는 본 발명에 따른 서울과 부산의 여름철 의류 구매력 그래프이다.FIG. 4 is a graph of clothing purchasing power of summer in Seoul and Busan in accordance with the present invention.
도 4를 참조하면, 2015년 서울의 여름철 의류 구매력 지수는 109.59이며, 2015년 부산의 여름철 의류 구매력은 111.68로, 부산이 서울보다 높음을 알 수 있다. 하지만, 위의 지수로는 해당 구간의 의류 구매량은 다른 구간에 비해 증감할 것에 관한 정보만 알 수 있기에, 추가 분석을 통해 상세한 관계를 도출한다.Referring to FIG. 4, it can be seen that the purchasing power index of summer clothes in Seoul is 109.59 in summer 2015, and the purchasing power of clothes in summer is 111.68 in Busan in 2015 and that in Busan is higher than that in Seoul. However, since the above index shows only the information on the increase / decrease of the clothing purchase amount of the corresponding section compared to the other sections, the additional relationship is derived from the additional analysis.
도 5는 특정 기업의 여름철 일반 품목 매출량과 기온자료 그래프이고, 도 6은 특정 기업의 여름철 일반 품목 매출량과 기온자료에 따른 판매 구간 산출 그래프이다.FIG. 5 is a graph showing sales data and temperature data of a general company during the summer season, and FIG.
도 5를 참조하면, 2013년도 특정 의류 기업의 여름철 일반 품목 판매량과 기온 자료를 시계열적으로 나타난 것을 알 수 있다. 막대는 일별 판매량, 검은색 점선은 판매량의 7일 이동 평균 값, 분홍색 꺾은선은 전국 평균기온의 일별 자료, 적색 실선은 기온 자료의 7일 평균이다. Referring to FIG. 5, it can be seen that the sales amount and the temperature data of the general merchandise during the summer of 2013 are shown in a time series. The bar is the daily sales volume, the black dotted line is the 7-day moving average of the sales volume, the pink line is the daily data of the national average temperature, and the red solid line is the 7-day average of the temperature data.
이를 통해, 판매 특성을 기준으로 수요곡선을 만들어 구간을 도 6과 같이 나타낸다.Thus, the demand curve is created based on the sales characteristics, and the section is shown in FIG.
도 6을 참조하면, 판매량이 증가하는 성장기, 판매량이 안정적으로 많은 성수기, 판매가 줄어드는 쇠퇴기로 구분하였으며, 판매 구간의 경계가 되는 시점의 날짜와, 해당 날짜의 7일 이동 평균값은 아래 표와 같다. 또한, 아래 표에서는 판매구간의 기준 온도를 제시한다.Referring to FIG. 6, the growth period in which the sales volume increases, the peak sales period in which the sales volume is stable, and the decline in sales decrease are classified. The date at the boundary of the sales section and the 7 day moving average value of the sales section are shown in the table below. In addition, the following table shows the reference temperature for the sales section.
위와 같이 선정된 판매구간의 기준온도를, 2014년 기상 자료에 적용해보았다.The reference temperature of the sales section selected above is applied to the weather data of 2014.
도 7은 특정 기간에 기준온도를 적용한 구간 예측 그래프이다.FIG. 7 is a graph of an interval prediction applying a reference temperature in a specific period.
도 7을 참조하면, 분홍색 꺾은선 그래프는 일 평균기온, 적색 실선은 7일 이동 평균이다. 이러한 그래프에, 위의 표에서 설명한 판매구간의 기준온도를 적용하여, 판매 구간의 시작과 끝 날짜로 수요시기를 예측하면, 그 경계가 되는 날짜는 아래와 같다.Referring to FIG. 7, the pink line graph shows the daily average temperature, and the red solid line shows the 7-day moving average. In this graph, when the reference temperature of the sales section described in the above table is applied and the demand time is predicted by the start and end date of the sales section, the date of the boundary is as follows.
이렇게 예측된 판매구간과, 실제 특정 기업의 판매량과 비교를 해보았다.We have compared the forecasted sales interval with actual sales of specific companies.
도 8은 예측 그래프와 특정 기업의 판매량을 비교하는 그래프이며, 도 9는 산출한 판매구간과 실제 기온의 특성을 비교하는 그래프이다.FIG. 8 is a graph comparing forecasted graphs with sales volume of a specific company, and FIG. 9 is a graph comparing characteristics of actual sales temperatures with actual sales temperatures.
도 8 및 도 9를 참조하면, 예측한 판매구간의 성장기, 성숙기 및 쇠퇴기가 특정 기업의 판매량과 매칭이 되는 것을 알 수 있다. 여기서, 기상자료를 통해 예측할 수 있는 판매구간과 실제 기온의 특성을 살펴보면, 특정 기업의 여름철 일반 의류 품목의 판매는 2014년이 2013년보다 약 2주 빨랐다. 이는 2014년 3월의 기온이 2014년보다 3 내지 4도 가량 높았기 때문이다. 또한, 2013년의 성수기가 2014년의 성수기보다 5일 일찍 시작하고, 8일 늦게 끝나는데, 이는 6월 초부터 9월 초까지의 2013년 기온이 2014년보다 높았으며, 8월이 유난히 높았기 때문이다. 또한, 2014년 8월 초에 최고기온을 보이고 급격히 하락세를 보인 반면, 2013년 8월은 중순에 최고기온을 보이고 8월 말까지도 전국평균기온이 25도 이상으로 높았다. 이를 통해 알 수 있듯이, 2013년 8월은 2014년보다 더운 해에 해당하는데, 전국의 평균 기온은 27.3도로 평년보다 2.2도나 높다. 또한, 2013년의 9월 초순에는 기온이 급격히 하강하여 갑자기 추워졌지만, 1주일 뒤에 다시 기온이 올라감을 알 수 있다. Referring to FIGS. 8 and 9, it can be seen that the growth period, maturity period and decay period of the predicted sales interval are matched with sales amounts of specific companies. Here, the sales section and the actual temperature characteristics predicted by the weather data show that sales of general apparel items in summer by certain companies were about two weeks earlier than in 2013 by 2014. This is because the temperature in March 2014 was about 3 to 4 degrees higher than in 2014. In addition, the peak season of 2013 begins five days earlier than the peak season of 2014, and ends late on the eighth day, which is higher than in 2014 from the beginning of June to the beginning of September 2013, and August was exceptionally high Because. In addition, the highest temperature in early August 2014 showed a sharp decline, while in August 2013, the highest temperature in the middle of the year, and the average temperature in the nation was more than 25 degrees by the end of August. As you can see, August 2013 is hotter than 2014, with an average temperature of 27.3 in the country and 2.2 degrees higher than normal. Also, in early September of 2013, the temperature dropped sharply and suddenly became cold, but the temperature rose again after a week.
이렇게 전반적으로 기온이 높던 2013년이었기 때문에, 쇠퇴기가 2014년보다 길었고, 일주일 늦게 끝났다. 따라서, 기온의 특성이 판매량과 높은 상관성을 보이는 것을 알 수 있다.Because the overall temperature was so high in 2013, the decline was longer than in 2014 and ended a week later. Therefore, it can be seen that the characteristic of the temperature has a high correlation with the sales amount.
따라서, 본 발명을 반영하면 의류 기업들은 향후 여름철 의류 구매력 지수를 통해 여름철 의류 판매량 시기 및 수요를 예측할 수 있다.Accordingly, when the present invention is reflected, apparel companies can predict the timing and demand of apparel sales volume in summer through the apparel purchasing power index in the coming summer.
도 10 내지 도 12에 나타난 바와 같이, GME의 해상도는 40km로 매우 고해상도이므로, 도시별로 기온 예측 값을 추출할 수 있기 때문에, 도시별로 기온 예측 값을 추출할 수 있다. 또한, 이와 같이 도시별로 의류 판매 시기를 예측하여 나타낼 수 있으며, 도시별로의 비교를 통해 맞춤형 날씨 경영이 가능하다.As shown in FIGS. 10 to 12, since the resolution of the GME is very high, that is, 40 km, the predicted value of the temperature can be extracted for each city, so that the predicted value of the temperature can be extracted for each city. In addition, it is possible to predict and indicate the clothing sales period by city, and customized weather management can be performed by comparing each city.
또한, 본 발명은 의류의 판매량을 예측하는 판매량 예측 모듈(210)을 포함한다. 이는, 계절의 길이 등을 파악하여 의류가 판매 가능한 기간과 온도에 따른 옷의 두께 등을 고려하여 이에 상응하는 판매량을 예측한다. The present invention also includes a sales volume forecast module 210 for predicting sales volume of garments. It estimates the sales amount corresponding to the period in which the clothes can be sold and the thickness of the clothes depending on the temperature by grasping the length of the season and the like.
다음은 전술된 여름철 의류 구매력 지수 산정 방법에 대해 도면을 참조하여 설명한다. 후술될 내용 중 전술된 본 발명에 따른 여름철 의류 구매력 지수 산정 시스템의 설명과 중복되는 내용은 생략하거나 간략히 설명한다.Next, a description will be given of a method for calculating the summation of the clothing purchasing power index in the summer by referring to the drawings. Hereinafter, duplicate contents of the description of the summer apparel purchasing power index calculation system according to the present invention will be omitted or briefly explained.
도 13은 본 발명에 따른 의류 구매력 지수 산정 방법의 순서도이다.13 is a flowchart of a method for calculating the apparel purchasing power index according to the present invention.
도 13을 참조하면, 본 발명은 전처리부(100)에서 경계자료를 생성 및 초기자료를 획득하고, 모델링부(120)의 입력 자료로 쓰도록 모델격자에 맞게 재격자화하는 전처리 단계를 포함한다. Referring to FIG. 13, the present invention includes a preprocessing step of generating the boundary data in the
전처리 단계는, 경계자료 생성 단계(S1-1)와 초기자료 획득 단계(S1-2), 자료 재격자화 단계(S1-3)를 포함한다. 여기서, 경계자료 생성 단계(S1-1)와 초기자료 획득 단계(S1-2)는 동시에 수행되며 생성 및 획득이 된 자료를 자료 재격자화 단계(S1-3)에서 모델링 단계의 격자와 일치하도록 변환한다.The preprocessing step includes a boundary data generation step (S1-1), an initial data acquisition step (S1-2), and a data recapturing step (S1-3). Here, the boundary data generation step (S1-1) and the initial data acquisition step (S1-2) are performed at the same time, and the generated and acquired data are converted to match the grid of the modeling step in the data recursive step (S1-3) do.
모델링 단계는, 전처리 단계에서 재격자한 경계자료 및 초기자료를 입력받아 모델링부에서 모델적분을 수행한다.In the modeling step, the modeling unit performs the model integration by receiving the boundary data and the initial data that are re-grided in the preprocessing step.
모델링 단계는 재격자화 단계에서 변환된 자료를 입력받은 후, 시간차를 둔 초기 자료로 각각 적분 연산 모듈에서 적분 연산하는 적분 연산 단계(S2-1)와, 각각 적분 연산된 자료의 평균을 산출하는 평균 산출 단계(S2-2)를 포함한다.The modeling step is an initialization step (S2-1) of integrating the data obtained from the recursive magnetization step in the integration operation module, and averaging step And a calculating step S2-2.
후처리 단계는, 모델링 단계에서 모델화된 자료를 이용하여 후처리부에서 변수를 추출하고, 이를 시각화한다.In the post-processing step, variables are extracted from the post-processing unit using the modeled data in the modeling step, and visualized.
후처리 단계는, 모델링 단계에서 산출된 자료의 평균을 변수 추출 모듈에서 변수화하여 추출하는 변수 추출 단계(S3-1)와, 시각화 모듈에서 변수를 이용하여 예측되는 값을 시각화하는 시각화 단계(S3-2)를 포함한다.The post-processing step includes a variable extracting step (S3-1) of extracting an average of the data calculated in the modeling step in the variable extracting module, a visualizing step (S3-3) of visualizing the predicted value using the variable in the visualizing module, 2).
의류 구매력 지수 산출 단계(S4-1)는, 의류 구매력 지수를 산출하고, 산출된 의류 구매력 지수를 이용하여 판매량 예측 모듈에서 의류의 판매량을 예측하는 판매량 예측 단계(S4-2)를 포함한다.The apparel purchasing power index calculating step S4-1 includes a sales amount predicting step S4-2 of calculating a clothes purchasing power index and predicting a sales amount of clothes in the sales forecasting module using the calculated apparel purchasing power index.
산출된 의류 구매력 지수는 위에서 설명한 수학식 1 및 수학식 2와 동일하여 설명을 생략한다.The calculated apparel purchasing power index is the same as Equation 1 and
이상에서는 도면 및 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 본 발명의 기술적 사상으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.It will be apparent to those skilled in the art that various modifications and variations can be made in the present invention without departing from the spirit and scope of the invention as defined in the appended claims. You will understand.
100 : 기상 예측부 110 : 전처리부
111 : 경계자료 생성 모듈 112 : 초기자료 획득 모듈
113 : 자료 재격자화 모듈 120 : 모델링부
121 : 적분 연산 모듈 122 : 평균 산출 모듈
130 : 후처리부 131 : 변수 추출 모듈
132 : 시각화 모듈 200 : 의류 구매력 지수 산출부
210 : 판매량 예측 모듈 S1-1 : 경계자료 생성 단계
S1-2 : 초기자료 획득 단계 S1-3 : 자료 재격자화 단계
S2-1 : 적분 연산 단계 S2-2 : 평균 산출 단계
S3-1 : 변수 추출 단계 S3-2 : 시각화 단계
S4-1 : 의류 구매력 지수 산출 단계
S4-2 : 판매량 예측 단계100: meteorological prediction unit 110: preprocessing unit
111: boundary data generation module 112: initial data acquisition module
113: data recursive magnetization module 120: modeling section
121: integral calculation module 122: average calculation module
130: post-processing unit 131: variable extraction module
132: visualization module 200: apparel purchasing power index calculating section
210: Sales forecast module S1-1: Creation of boundary data
S1-2: Initial data acquisition phase S1-3: Data recallization phase
S2-1: integral calculation step S2-2: average calculation step
S3-1: Variable extraction step S3-2: Visualization step
S4-1: Calculation of apparel purchasing power index
S4-2: Sales volume prediction step
Claims (20)
상기 기상 예측부에서 예측한 기상 정보를 추출하여, 의류 구매력 지수를 산출하는 의류 구매력 지수 산출부;를 포함하고,
상기 기상 예측부는,
경계자료를 생성 및 시간차를 둔 초기자료를 획득하고, 모델링부의 입력 자료로 쓰도록 모델격자에 맞게 재격자화하는 전처리부;
상기 전처리부에서 재격자한 상기 경계자료 및 상기 초기자료를 입력받아 모델적분을 수행하는 모델링부; 및
상기 모델링부에서 모델화된 자료를 이용하여 변수를 추출하고, 이를 시각화 하는 후처리부; 를 포함하고,
상기 전처리부는
해수면 온도 및 해빙자료를 최근값과 평년값으로 비교하여 경계자료를 생성하는 경계자료 생성 모듈;
대기의 초기 상태를 알려주는 초기자료를 시간차를 두고 획득하는 초기자료 획득 모듈; 및
상기 경계자료, 상기 초기자료가 상기 모델링부의 격자와 일치하도록 변환하는 자료 재격자화 모듈;을 포함하는 여름철 의류 구매력 지수 산정 시스템.A meteorological prediction unit for predicting a meteorological condition; And
And a clothing purchasing power index calculating unit for extracting the weather information predicted by the weather forecasting unit and calculating a clothes purchasing power index,
The gas-
A preprocessing unit for generating boundary data and obtaining initial data having a time difference, and re-encoding the data to be used as input data for the modeling unit;
A modeling unit configured to perform model integration by receiving the boundary data and the initial data re-grided by the preprocessing unit; And
A post-processing unit for extracting variables using the modeled data by the modeling unit and visualizing the extracted variables; Lt; / RTI >
The pre-
A boundary data generation module for generating boundary data by comparing the sea surface temperature and sea ice data with the latest value and the normal sea level;
An initial data acquisition module that acquires the initial data indicating the initial state of the atmosphere with a time difference; And
And a data recalling module for converting the boundary data and the initial data to match the lattice of the modeling unit.
상기 의류 구매력 지수 산출부는 기준 온도를 설정하여, 기준 온도에 따라 성장기, 성수기 및 쇠퇴기로 구간화하는 것을 특징으로 하는 여름철 의류 구매력 지수 산정 시스템.The method according to claim 1,
Wherein the apparel purchasing power index calculating unit sets the reference temperature, and divides the growing period, the peak season and the decay period according to the reference temperature.
상기 기준 온도는 성장기의 시작이 4도, 성수기의 시작은 17도, 쇠퇴기의 시작은 최고 기온점, 쇠퇴기의 끝은 21도인 것을 특징으로 하는 여름철 의류 구매력 산정 시스템.3. The method of claim 2,
Wherein the reference temperature is at the beginning of the growth period of 4 degrees, at the beginning of the peak period at 17 degrees, at the beginning of the decline period at the highest temperature point, and at the end of the decline period at 21 degrees.
상기 모델링부는
상기 자료 재격자화 모듈에서 변환된 자료를 입력받아 시간차를 둔 초기 자료에 따라 각각 적분 연산하는 적분 연산 모듈; 및
상기 적분 연산 모듈에서 각각 적분 연산된 자료의 평균을 산출하는 평균 산출 모듈;을 포함하는 여름철 의류 구매력 지수 산정 시스템.The method according to claim 1,
The modeling unit
An integration operation module for receiving the transformed data from the data recursive magnetization module and integrating the data according to the initial data having a time difference; And
And an average calculation module for calculating an average of data integrated and calculated by the integral calculation module, respectively.
상기 후처리부는
상기 모델링부에서 산출된 자료의 평균을 변수화하여 변수별로 자료를 추출하는 변수 추출 모듈; 및
상기 변수를 이용하여 예측되는 값을 시각화하는 시각화 모듈;을 포함하는 여름철 의류 구매력 지수 산정 시스템.The method according to claim 6,
The post-
A variable extraction module for extracting data for each variable by parameterizing an average of the data calculated by the modeling unit; And
And a visualization module for visualizing a predicted value using the variable.
상기 의류 구매력 지수 산출부는
의류 구매력 지수를 산출하고, 산출된 상기 의류 구매력 지수를 이용하여 의류의 판매량을 예측하는 판매량 예측 모듈을 포함하는 여름철 의류 구매력 지수 산정 시스템.8. The method of claim 7,
The clothing purchasing power index calculating unit
Calculating a clothing purchasing power index, and estimating a sales amount of the clothes using the calculated clothing purchasing power index.
상기 의류 구매력 지수 산출부에서 산출한 의류 구매력 지수는
The apparel purchasing power index calculated by the apparel purchasing power index calculating unit
상기 의류 구매력 지수의 월별 상기 가중치는
The weighted monthly weight of the apparel purchasing power index
상기 기상 예측 단계에서 예측한 기상 정보를 추출하여, 의류 구매력 지수 산출부에서 의류 구매력 지수를 산출하는 의류 구매력 지수 산출 단계;를 포함하고,
상기 기상 예측 단계는,
전처리부에서 경계자료를 생성 및 시간차를 둔 초기자료를 획득하고, 모델링부의 입력 자료로 쓰도록 모델격자에 맞게 재격자화 하는 전처리 단계;
상기 전처리 단계에서 재격자한 상기 경계자료 및 상기 초기자료를 입력받아 모델링부에서 모델적분을 수행하는 모델링 단계; 및
상기 모델링 단계에서 모델화된 자료를 이용하여 후처리부에서 변수를 추출하고, 이를 시각화하는 후처리 단계;를 포함하고,
상기 전처리 단계는
경계자료 생성 모듈에서 해수면 온도 및 해빙자료를 최근값과 평년값으로 비교하여 경계자료를 생성하는 경계자료 생성 단계;
초기자료 획득 모듈에서 대기의 초기 상태를 알려주는 초기자료를 시간차를 두고 획득하는 초기자료 획득 단계; 및
상기 경계자료, 상기 초기자료가 상기 모델링 단계의 격자와 일치하도록 자료 재격자화 모듈에서 변환하는 자료 재격자화 단계;를 포함하는 여름철 의류 구매력 지수 산정 방법.A meteorological prediction step of predicting a meteorological phenomenon in a meteorological prediction unit; And
And a clothing purchasing power index calculating step of extracting the weather information predicted in the weather forecasting step and calculating a clothes purchasing power index in the clothing purchasing power index calculating unit,
The weather forecasting step includes:
The preprocessing step is to preprocess the boundary data in the preprocessing part and acquire the initial data with time difference, and recompose it to the model grid so as to use it as the input data of the modeling part.
A modeling step of receiving the boundary data and the initial data re-grided in the pre-processing step and performing model integration in the modeling unit; And
And a post-processing step of extracting variables from the post-processing unit using the modeled data in the modeling step and visualizing the extracted variables,
The pre-
A boundary data generation step of generating boundary data by comparing the sea surface temperature and sea ice data with the latest value and the normal value in the boundary data generation module;
An initial data acquisition step of acquiring the initial data informing the initial state of the atmosphere at an initial time acquisition module with a time difference; And
Wherein the boundary data and the initial data are transformed by a data recursive module so that they match the grid of the modeling step.
상기 의류 구매력 지수 산출 단계는 기준 온도를 설정하여, 기준 온도에 따라 성장기, 성수기 및 쇠퇴기로 구간화하는 것을 특징으로 하는 여름철 의류 구매력 산정 방법.12. The method of claim 11,
Wherein the step of calculating the apparel purchasing power index comprises setting a reference temperature and dividing the growing period, the peak season and the decay period according to the reference temperature.
상기 기준 온도는 성장기의 시작이 4도, 성수기의 시작은 17도, 쇠퇴기의 시작은 최고 기온점, 쇠퇴기의 끝은 21도인 것을 특징으로 하는 여름철 의류 구매력 산정 방법.13. The method of claim 12,
Wherein the reference temperature is at a temperature of 4 degrees at the beginning of the growth period, at 17 degrees at the beginning of the peak season, at the highest temperature point at the beginning of the decline period, and at 21 degrees at the end of the decline period.
상기 모델링 단계는,
상기 자료 재격자화 단계에서 변환된 자료를 입력받아 시간차를 둔 초기 자료에 따라 적분 연산 모듈에서 각각 적분 연산하는 적분 연산 단계; 및
상기 적분 연산 단계에서 각각 적분 연산된 자료의 평균을 평균 산출 모듈에서 산출하는 평균 산출 단계;를 포함하는 여름철 의류 구매력 지수 산정 방법.12. The method of claim 11,
In the modeling step,
An integration operation step of integrating the data converted in the data recalling step and performing an integration operation on the initial data with time difference, respectively; And
And an average calculating step of calculating an average of data integrated and calculated in the integrating step in an average calculating module.
상기 후처리 단계는,
상기 모델링 단계에서 산출된 자료의 평균을 변수 추출 모듈에서 변수화하여, 변수별로 자료를 추출하는 변수 추출 단계; 및
시각화 모듈에서 상기 변수를 이용하여 예측되는 값을 시각화하는 시각화 단계;를 포함하는 여름철 의류 구매력 지수 산정 방법.17. The method of claim 16,
The post-
A variable extracting step of extracting data for each variable by parameterizing an average of data calculated in the modeling step in a variable extraction module; And
And visualizing the predicted value using the variable in the visualization module.
상기 의류 구매력 지수 산출 단계는
의류 구매력 지수를 산출하고, 산출된 상기 의류 구매력 지수를 이용하여 판매량 예측 모듈에서 의류의 판매량을 예측하는 판매량 예측 단계를 포함하는 여름철 의류 구매력 지수 산정 방법.18. The method of claim 17,
The clothes purchasing power index calculating step
Calculating a clothing purchasing power index, and predicting a sales amount of clothes in a sales amount forecasting module using the calculated clothing purchasing power index.
상기 의류 구매력 지수 산출 단계에서 산출한 의류 구매력 지수는
The clothes purchasing power index calculated at the step of calculating the clothes purchasing power index
상기 의류 구매력 지수의 월별 상기 가중치는
The weighted monthly weight of the apparel purchasing power index
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160043081A KR101736114B1 (en) | 2016-04-07 | 2016-04-07 | System and Method For Calculating Index of Summer Laundry Purchasing Power |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160043081A KR101736114B1 (en) | 2016-04-07 | 2016-04-07 | System and Method For Calculating Index of Summer Laundry Purchasing Power |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101736114B1 true KR101736114B1 (en) | 2017-05-17 |
Family
ID=59048316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160043081A KR101736114B1 (en) | 2016-04-07 | 2016-04-07 | System and Method For Calculating Index of Summer Laundry Purchasing Power |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101736114B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101978846B1 (en) * | 2018-02-28 | 2019-05-16 | 울산과학기술원 | Method and apparatus for predicting diffusion pattern of volcanic ash based on rate of time change |
| KR20220030003A (en) * | 2020-09-02 | 2022-03-10 | 이현정 | Method for predicting demand using visual schema of product and system thereof |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004326411A (en) * | 2003-04-24 | 2004-11-18 | Life Business Weather:Kk | Power demand forecasting device and system |
| KR101594148B1 (en) | 2015-02-26 | 2016-02-15 | (주)휴먼플래닛 | Visulalization and analysis system of input/output data using efdc model |
-
2016
- 2016-04-07 KR KR1020160043081A patent/KR101736114B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004326411A (en) * | 2003-04-24 | 2004-11-18 | Life Business Weather:Kk | Power demand forecasting device and system |
| KR101594148B1 (en) | 2015-02-26 | 2016-02-15 | (주)휴먼플래닛 | Visulalization and analysis system of input/output data using efdc model |
Non-Patent Citations (1)
| Title |
|---|
| [카탈로그]동향·연구보고서/2012.03./기상정보를 활용한 계절상품 매출 증대 방안 연구* |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101978846B1 (en) * | 2018-02-28 | 2019-05-16 | 울산과학기술원 | Method and apparatus for predicting diffusion pattern of volcanic ash based on rate of time change |
| KR20220030003A (en) * | 2020-09-02 | 2022-03-10 | 이현정 | Method for predicting demand using visual schema of product and system thereof |
| KR102412461B1 (en) * | 2020-09-02 | 2022-06-22 | 이현정 | Method for predicting demand using visual schema of product and system thereof |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | ClimateAP: An application for dynamic local downscaling of historical and future climate data in Asia Pacific | |
| Vu et al. | A variance inflation factor and backward elimination based robust regression model for forecasting monthly electricity demand using climatic variables | |
| Lindsay et al. | Evaluation of seven different atmospheric reanalysis products in the Arctic | |
| Mukherjee et al. | Climate sensitivity of end-use electricity consumption in the built environment: an application to the state of Florida, United States | |
| Azari et al. | Climate change impacts on streamflow and sediment yield in the North of Iran | |
| Schauberger et al. | Global evaluation of a semiempirical model for yield anomalies and application to within‐season yield forecasting | |
| Kirono et al. | Identification of best predictors for forecasting seasonal rainfall and runoff in Australia | |
| Jones et al. | Historical SAM variability. Part I: Century-length seasonal reconstructions | |
| Tait et al. | Spatial interpolation of daily potential evapotranspiration for New Zealand using a spline model | |
| KR101092380B1 (en) | Estimating method using ensemble average based on the regional climate model performance | |
| Vu et al. | Hydro-meteorological drought assessment under climate change impact over the Vu Gia–Thu Bon river basin, Vietnam | |
| Chen et al. | The role of household level electricity data in improving estimates of the impacts of climate on building electricity use | |
| Meidani et al. | Long-lead streamflow forecasting in the southwest of Iran by sea surface temperature of the Mediterranean Sea | |
| Tanarhte et al. | Heat wave characteristics in the eastern Mediterranean and Middle East using extreme value theory | |
| Cheng et al. | Possible impacts of climate change on wind gusts under downscaled future climate conditions over Ontario, Canada | |
| Chawsheen et al. | Seasonal time-series modeling and forecasting of monthly mean temperature for decision making in the Kurdistan Region of Iraq | |
| CA2996731A1 (en) | Methods and systems for energy use normalization and forecasting | |
| KR101736114B1 (en) | System and Method For Calculating Index of Summer Laundry Purchasing Power | |
| Dang et al. | Future high-and low-flow estimations for Central Vietnam: a hydro-meteorological modelling chain approach | |
| Koenig et al. | The MSG global instability indices product and its use as a nowcasting tool | |
| KR20190109773A (en) | Apparatus and method for predicting electric power demand based on regional characteristics | |
| Ansari et al. | Spatio-temporal evolution of wet–dry event features and their transition across the Upper Jhelum Basin (UJB) in South Asia | |
| Lopes et al. | Improved ECMWF forecasts of direct normal irradiance: A tool for better operational strategies in concentrating solar power plants | |
| Bajamgnigni Gbambie et al. | Added value of alternative information in interpolated precipitation datasets for hydrology | |
| Flantua et al. | Application of GIS and logistic regression to fossil pollen data in modelling present and past spatial distribution of the Colombian savanna |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |