KR101991288B1 - 웹 ui를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템 - Google Patents

Abstract

본 발명은 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템에 관한 것이다. 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템은, 제1 학습 조건에 따라 각 매장별 기존 입점객수와 유동인구 패턴정보간 상관 관계를 학습하고, 사용자 단말로부터 위치 및 업종을 포함하는 미래입점객수 요청쿼리를 수신하면, 상기 위치 및 및 업중에 대응하는 유동인구 패턴정보를 검색하며, 학습된 상관 관계 및 검색된 유동인구 패턴정보에 기초하여 미래입점객수를 결정하는 미래입점객수 예측서버, 및 상기 제1 학습 조건을 입력하거나 상기 제1 학습 조건을 수정하여 제2 학습 조건을 생성할 수 있는 학습 조건 편집 페이지를 네트워크를 통해 연결된 사용자 단말에 제공하는 웹 UI를 포함하되, 상기 유동인구 패턴정보는 유동인구에 포함되는 각 사용자의 상품이나 서비스에 대한 요구정보, 위치, 이동방향 및 속력을 포함하는, 웹 UI를 이용하여 학습 조건을 수정할 수 있다.

Description

웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템{SYSTEM OF PREDICTING FURTURE NUMBER OF CUSTOMERS COMING INTO THE STORE CAPABLE OF EDITTING LEARNING CONDITIONS VIA WEB UI}

본 발명은 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템에 관한 것으로서, 보다 상세하게는, 다양하게 학습된 인공지능 모델의 생성을 용이하게 하는 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템에 관한 것이다.

빅 데이터에 기초하여 학습된 인공지능 모델은 사용자가 원하는 특정 결과를 상당히 높은 신뢰도로 제공할 수 있다. 이러한 기술은 인공 지능의 발달로 인해서 더욱 주목을 받고 있다. 학습된 인공지능 모델이 적용될 수 있는 분야는 매우 다양한데, 특히, 오프라인 매장의 거래와 같은 부동산 분야에 이를 적용하려는 시도가 있다.

최근 들어, 장년층들의 퇴직과 청년층들의 실업 증가로 인해 창업에 대한 관심과 열풍이 고조되고 있다. 이들은 획기적인 아이디어 기반의 스타트업을 많이 진행하기도 하지만, 요식업이나 기타 서비스업 등과 같은 일반 오프라인 매장을 운영하는 사업을 많이 시도하고 있기도 하다. 예를 들어, 많은 사람들이 프랜차이즈 음식점을 운영하는 창업을 시도하고 있다. 프랜차이즈 매장 운영은 본사에 수수료를 제공하는 단점이 있기는 하지만, 널리 알려진 브랜드 기반으로 운영하는 것이기 때문에 소비자 유치가 용이하고, 요식업이라는 업종의 특성상 소비자 범위가 매우 넓다는 이점 때문에 많은 사람들이 시도 하고 있다.

하지만, 단순 매장운영과 같은 창업이라도 그 매장을 오픈하기 위한 지역의 시장조사 또는 사전조사가 필수적이다. 목이 좋은 위치라고 하더라도, 임대료와 매장의 매출 등에 대한 객관적인 데이터를 수집하고 이를 바탕으로 이윤을 미리 예측하지 못한다면 오래가지 않아 창업이 실패할 수 있기 때문이다. 즉, 사업자의 직관적인 판단만으로 매장을 오픈할 위치와 매장의 업종 등을 설정하여 사업을 영위하기에는 많은 리스크가 따른다.

그렇기 때문에, 특정 지역에서 매장을 오픈하기 전에, 그 매장을 오픈하였을 경우의 입점객수를 예측할 수 있다면 매우 유용한 정보가 될 수 있다. 손님 한 명당 매출액인 객단가를 추정하면, 입점객수를 기반으로 예상 매출액을 추정할 수도 있게 된다. 예상 매출액에서 예상 비용을 빼면 예상 수익을 추정할 수도 있다. 그러나, 기존의 상권정보제공 서비스는 기존 매장들의 매출신고자료를 바탕으로, 각 매장들의 매출정보를 사용자에게 제공하는 형태로만 구성되어 있다. 이러한 기존 매장의 매출정보는 그 지역에서의 창업시 참고자료가 될 수 있지만, 사업자에게 확신을 줄만한 명백한 지표가 될 수는 없다. 그 지역에서 특정 업종의 매장을 오픈하였을 경우의 입점객수가 예측되어야만 사업자에게 유용한 정보를 제공할 수 있다.

이러한 문제를 해결하기 위해, 기존 매장의 매출 정보, 유동인구 정보 등과 같은 빅 데이터를 이용해 학습된 인공지능 모델이 활용될 수 있다. 그런데 빅 데이터로 학습을 하기 위해서는 학습 조건을 설정하는 명령어를 입력하여야 하는데, 네트워크를 통해서 이용 가능한 대부분의 기계 학습 장치들은 일반 사용자가 사용하기 어려운 콘솔 형태의 입출력 인터페이스를 제공하고 있다. 특히, 다양한 조건에 따라 학습된 인공지능 모델이 필요한 경우에는, 사용자가 학습 조건을 수동으로 수정해가면서 결과를 확인해야 하는 불편함이 있다.

본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 사용자가 학습 조건을 용이하게 입력할 수 있는 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템을 제공하는 것을 목적으로 한다.

본 발명의 일 실시예에 따르는 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템이 제공된다. 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템은, 제1 학습 조건에 따라 각 매장별 기존 입점객수와 유동인구 패턴정보간 상관 관계를 학습하고, 사용자 단말로부터 위치 및 업종을 포함하는 미래입점객수 요청쿼리를 수신하면, 상기 위치 및 및 업중에 대응하는 유동인구 패턴정보를 검색하며, 학습된 상관 관계 및 검색된 유동인구 패턴정보에 기초하여 미래입점객수를 결정하는 미래입점객수 예측서버, 및 상기 제1 학습 조건을 입력하거나 상기 제1 학습 조건을 수정하여 제2 학습 조건을 생성할 수 있는 학습 조건 편집 페이지를 네트워크를 통해 연결된 사용자 단말에 제공하는 웹 UI를 포함하되, 상기 유동인구 패턴정보는 유동인구에 포함되는 각 사용자의 상품이나 서비스에 대한 요구정보, 위치, 이동방향 및 속력을 포함하는, 웹 UI를 이용하여 학습 조건을 수정할 수 있다.

본 발명은 새롭게 학습된 인공지능 모델을 생성하기 위해 학습 조건을 수정할 수 있는 웹 UI를 제공함으로써, 기계 학습 장치에서 사용되는 고유한 명령어를 알 지 못하는 사용자라고 하더라도 학습 조건을 직접 수정하여 원하는 방향으로 기계 학습 장치를 학습시킬 수 있게 된다.

도 1은 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템을 예시적으로 도시한 도면이다.
도 2는 도 1의 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템에 의해 실행되는 방법을 예시적으로 도시한 도면이다.
도 3은 도 1의 장치를 이용하여 구현한 미래입점객수예측 서버의 구성에 대한 블록도이다.
도 4는 도 3의 미래입점객수예측 서버의 구성 중 인공지능 학습부의 학습 알고리즘을 나타내기 위한 개념도이다.
도 5는 미래입점객수예측정보의 바람직한 예측정확도를 설명하기 위한 그래프이다.
도 6은 미래입점객수예측 서버에 적용된 웹 UI를 예시적으로 설명하기 위한 도면이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.

이하에서 언급되는 "사용자 단말"은 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop) 등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet), LTE(Long Term Evolution) 통신 기반 단말, 스마트폰, 태블릿 PC 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, "네트워크"는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN) 또는 부가가치 통신망(Value Added Network; VAN) 등과 같은 유선 네트워크나 이동 통신망(mobile radio communication network) 또는 위성 통신망 등과 같은 모든 종류의 무선 네트워크로 구현될 수 있다.

이하, 도면을 참조하여, 본 발명의 일 실시예를 구체적으로 설명하도록 한다.

도 1은 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템을 예시적으로 도시한 도면이다.

도 1을 참조하면, 본 발명에 따른 웹 UI를 이용하여 학습된 인공지능 모델을 생성하는 시스템은, 사용자 단말(100), 미래입점객수 예측서버(200), 웹 UI(210), 유동인구정보 데이터베이스(300), 상권정보 데이터베이스(400)를 포함한다.

사용자 단말(100)은, 사용자측에 위치한 단말이다. 사용자는, 사용자 단말(100)을 통해 웹 UI(210)에 접근하여 학습 조건 또는 미래입점객수 요청쿼리를 입력할 수 있다. 또한, 사용자는, 사용자 단말(100)로 접속한 웹 UI(210)를 통해, 하나 이상의 학습 조건에 의해 인공지능 학습중이거나 인공지능 학습이 완료된 모델을 조회하거나, 하나 이상의 학습된 인공지능 모델 중 어느 하나에 의해 생성된 예측 결과를 조회할 수 있다.

미래입점객수 예측서버(200)는 학습된 인공지능 모델을 생성한다. 미래입점객수 예측서버(200)는, 미리 수집되어 저장된 하나 이상의 학습 정보, 에를 들어, 유동인구정보, 상권정보 등을, 사용자 단말(100)에 의해 설정된 학습 조건에 따라 기계 학습한다. 그 결과로 생성된 학습된 인공지능 모델은, 학습 정보들간의 상관 관계를 포함한다.

웹 UI(210)는 미래입점객수 예측서버(200)와 연동하는 GUI(Graphic User Interface)이다. 웹 UI(210)는 미래입점객수 예측서버(200) 내의 일 구성으로 구현되거나, 미래입점객수 예측서버(200)로부터 독립된 형태로 구현될 수 있다. 한편, 웹 UI(210)는 사용자 단말(210)에 설치될 수도 있다. 이하에서는, 웹 UI(210)가 네트워크에 연결된 별도의 서버상에 위치하는 것으로 가정하여, "사용자 단말(100)이 웹 UI(210)에 접속", "웹 UI(210)가 명령어를 미래입점객수 예측서버(200)에 전달" 등으로 표현한다. 하지만, 이러한 표현은, 웹 UI(210)가, 여기에 제시된 다양한 구현 예 중에서, 별도로 서버 상에 위치하는 구현 예에 한정하는 것이 아니며, 중복된 설명을 생략하기 위해 의도된 것임을 이해하여야 한다.

웹 UI(210)는, 학습 조건을 최초 입력하거나 이미 입력된 학습 조건을 수정할 수 있는 학습 조건 편집 페이지를 사용자 단말(100)에 제공한다. 학습 조건 편집 페이지는, 미래입점객수 예측서버(200)가 생성하려는 인공지능 모델에 따라 상이하게 구성될 수 있다. 인공지능 모델은, 적용 분야에 따라 상이한 학습 정보를 이용할 수 있으며, 동일한 학습 정보를 이용하더라도 학습된 인공지능 모델에 포함된 학습 정보간 상관관계가 다를 수 있다. 따라서, 모델에 입력되는 입력 데이터 및 학습된 인공지능 모델이 출력할 출력 데이터 등은 적용 분야마다 달라질 수 있으며, 적용 분야가 동일하더라도 사용자에 의해 선택 가능하도록 복수로 제공될 수 있다.

한편, 웹 UI(210)는, 입력된 학습 조건을 미래입점객수 예측서버(200)에서 실행 가능한 명령어로 변환한다. 실행 가능한 명령어는 인공지능 학습을 수행하는 서버마다 상이할 수 있다. 웹 UI(210)는, 변환된 명령어를 미래입점객수 예측서버(200)에 전달한다. 여기서, 사용자는 복수의 학습 조건을 입력할 수 있다. 복수의 학습 조건이 입력된 경우, 웹 UI(210)는 입력된 순서에 따라 또는 미리 결정된 순서(예를 들어, 학습 시간이 짧은 순서 등)에 따라 하나 이상의 변환된 명령어를 미래입점객수 예측서버(200)에 전달할 수 있다.

또한, 웹 UI(210)는 입력된 학습 조건에 따라 진행된 정도를 사용자 단말(100)에 표시한다. 복수의 학습 조건이 입력되었거나 이미 진행중인 학습이 있는 경우, 웹 UI(210)는, 미래입점객수 예측서버(200)에 학습들의 진행 정도를 질의하고 그 결과 수신한 진행 정도를 사용자 단말(100)에 표시할 수 있다. 한편, 사용자는 학습 조건에 따른 학습을 진행할 시각을 예약할 수 있다. 이에 따라, 웹 UI(210)는 예약된 시각이 되면, 입력된 학습 조건을 미래입점객수 예측서버(200)에 전달할 수 있다.

추가적으로, 웹 UI(210)는 미래입점객수 요청쿼리를 입력할 수 있는 쿼리 입력 페이지를 제공할 수 있다. 사용자는, 사용자 단말(100)을 통해 웹 UI(210)에 접속한 후, 희망하는 학습된 인공지능 모델을 선택하며, 미래입점객수 요청쿼리를 작성하여 선택된 학습된 인공지능 모델로 전달할 수 있다. 입력되거나 수정된 학습 조건과 유사하게, 학습된 인공지능 모델을 이용하기 위한 쿼리는 서버마다 및/또는 학습된 인공지능 모델마다 상이할 수 있다. 쿼리 입력 페이지는, 미래입점객수 예측서버(200) 및/또는 학습된 인공지능 모델에 공통적으로 적용될 수 있는 검색 연산자 등을 제공하거나, 미래입점객수 예측서버(200)마다 및/또는 학습된 인공지능 모델별로 특화된 검색 연산자 등을 제공할 수 있다. 여기서, 공통적으로 적용될 수 있는 검색 연산자 등이 제공되는 경우, 쿼리 입력 페이지는 사용자가 입력한 쿼리를 미래입점객수 예측서버(200) 및/또는 학습된 인공지능 모델에 특화된 쿼리로 변환할 수 있다.

도 2는 도 1의 웹 UI를 이용하여 학습된 인공지능 모델을 생성하는 시스템에 의해 실행되는 방법을 예시적으로 도시한 도면이다.

도 2를 참조하면, 사용자는, 사용자 단말(100)에 미래입점객수 요청쿼리를 입력한다(S10). 사용자는, 사용자 단말(100)을 통해 웹 UI(210)에 접속한 후 미래입점객수 요청쿼리를 입력하거나, 미래입점객수 예측서버(200)에 접속한 후 미래입점객수 요청쿼리를 입력할 수 있다. 학습된 인공지능 모델을 이용한 예측 결과는 미래입점객수 예측서버(200)에 의해 생성되지만, 이를 이용하는 방식은 다양하게 구현 가능하다. 예를 들어, 사용자는, 학습된 인공지능 모델에 직접 접속하여 미래입점객수 요청쿼리를 입력할 수도 있지만, 학습된 인공지능 모델에 입력될 미래입점객수 요청쿼리가, 임의의 웹 페이지에 포함되어 있을 수 있다. 상세하게, 부동산 정보를 제공하는 웹사이트는, 특정 매장의 미래입점객수를 예측하는 메뉴를 포함하며, 임의의 사용자가 지역 등을 선택하면, 미래입점객수 요청쿼리를 미래입점객수 예측서버(200)로 전달할 수 있다. 여기서, 웹 UI(210)는 사용자가 미래입점객수 요청쿼리를 선택할 수 있는 (서브) 메뉴를 제공하거나, 사용자가 입력한 미래입점객수 요청쿼리를 미래입점객수 예측서버(200)에 특화된 검색어 및/또는 검색 연산자로 변환하여 미래입점객수 예측서버(200)로 전달할 수 있다(S11). 미래입점객수 예측서버(200)는 미래입점객수 요청쿼리를 학습된 인공지능 모델에 입력하여 예측 결과를 생성한다(S12). 생성된 예측 결과는 사용자 단말(100)로 제공된다.

사용자는, 사용자 단말(100)로 웹 UI(210)에 접속하여 학습 조건을 수정한다(S13). 사용자 단말(100)은, 웹 UI(210)가 제공하는 학습 조건 편집 페이지를 화면에 표시한다. 사용자는, 학습 조건 편집 페이지에서 하나 이상의 학습 조건을 수정할 수 있다. 사용자가 수정할 수 있는 학습 조건은, 예를 들어, 입력 데이터, 출력 데이터, 학습 비율, 히든 레이어의 수, 액티베이션 함수의 종류, 코스트 함수의 종류 등일 수 있으나, 이에 한정되지 않는다. 학습 조건 편집 페이지의 예는 도 4에 도시되어 있으며 이하에서 설명한다.

사용자 단말(100)이 접속하면, 웹 UI(210)는 학습 조건 편집 페이지를 사용자 단말(100)에 제공한다(S14). 사용자는 학습 조건 편집 페이지 상에서 하나 이상의 학습 조건을 설정할 수 있다. 사용자가 설정한 하나 이상의 학습 조건은, 웹 UI(210)에 의해 미래입점객수 예측서버(200)에서 실행 가능한 명령어로 변환된 후 미래입점객수 예측서버(200)로 전달된다.

미래입점객수 예측서버(200)는 전달된 명령어에 의해 학습 조건을 설정한 후 기계 학습을 수행한다(S15). 학습의 진행 정도는, 주기적으로 또는 웹 UI(210)/사용자 단말(100)의 요청에 의해 제공될 수 있다.

다음으로, 웹 UI(210)는 미래입점객수 요청쿼리를 미래입점객수 예측서버(200)에 전달하고 (S16), 기계 학습 장치는, 학습된 인공지능 모델을 이용하여 예측 결과를 산출할 수 있다(S17). 여기서, 단계 S16 및 S17은 선택적으로 실행될 수 있다. 즉, 최초에 학습된 인공지능 모델과 수정된 학습 조건에 의해 학습된 인공지능 모델의 예측 결과를 비교하기 위해서, 사용자는 미래입점객수 요청쿼리를 미리 웹 UI(210)에 등록할 수 있다. 웹 UI(210)는, 수정된 학습 조건에 따라 새롭게 학습된 인공지능 모델이 생성되면, 미래입점객수 요청쿼리를 학습된 인공지능 모델에 입력하여 예측 결과를 생성할 수 있다.

한편, 사용자가 복수의 학습 조건을 입력하거나 복수의 사용자가 학습 조건을 각각 입력한 경우, 웹 UI(210)는 실행되지 않은 학습 조건이 있는지 확인한다(S18). 실행되지 않은 학습 조건이 있으면, 웹 UI(210)는 단계 S14로 되돌아가서 다음 학습 조건을 명령어로 변환한 후 미래입점객수 예측서버(200)에 전달할 수 있다.

새롭게 학습된 인공지능 모델이 생성되면, 웹 UI(210)는 이를 사용자 단말(100)에 제공하며(S19), 사용자 단말(100)은 학습된 인공지능 모델을 사용자 단말(100)을 통해 확인할 수 있다 (S20).

도 3은 도 1의 시스템을 이용하여 구현한 미래입점객수 예측시스템의 미래입점객수 예측서버의 구성에 대한 블록도이다. 여기서, 유동인구정보 데이터베이스(300)와 상권정보 데이터베이스(400)는 각각 별도로 독립된 서버로 구현될 수 있으나, 미래입점객수예측 서버(200) 내에 포함되도록 구현될 수도 있다.

먼저, 유동인구정보 데이터베이스(300)에는 유동인구 패턴에 관한 정보가 수집되어 있다. 예를 들어, 유동인구들의 요구정보(NEEDS), 이동방향, 속력, 성별, 연령대 등이 수집되어 있어, 사람들이 어느 지역을 몇 명이 어떤 방향으로 이동하고 있는지에 관한 정보를 알 수 있다.

상권정보 데이터베이스(400)에는 기존에 사업을 운영하고 있거나 운영하였던 매장들의 매출 또는 입점객수에 관한 정보가 저장되어 있다. 이는 각 매장들의 매출신고자료를 기반으로 수집된 것이다. 입점객수의 경우, 매출액에서 업종 평균 객단가로 나눈 값으로 구할 수 있다.

미래입점객수예측 서버(200)는 이러한 각 데이터베이스들(300, 400)의 정보들을 기반으로 유동인구 패턴정보와 매장의 입점객수 간의 상관관계를 인공지능 모델(또는 기계학습모델)을 통하여 학습하여 파악한다.

추후, 특정 지역에서 특정 업종의 매장을 오픈하였을 경우의 미래입점객수 요청쿼리가 사용자 단말(100)로부터 수신된 경우, 미래입점객수예측 서버(200)는 유동인구 패턴정보를 수집하고, 미리 학습된 인공지능모델을 바탕으로 그 매장의 미래 입점객수에 관한 정보를 예측하고 이를 사용자 단말(100)로 제공할 수 있다.

이하, 도 3을 참조하여, 미래입점객수예측 서버(200)의 동작에 관하여 구체적으로 설명하도록 한다.

미래입점객수예측 서버(200)는 미래입점객수 예측장치로도 호칭될 수 있는 것으로서, 유동인구 패턴정보 기반의 미래입점객수 예측방법을 수행하기 위한 프로그램(또는 애플리케이션)이 저장된 메모리와 위 프로그램을 실행하는 프로세서를 포함하여 구성될 수 있다. 여기서 프로세서는 메모리에 저장된 프로그램의 실행에 따라 다양한 기능을 수행할 수 있는데, 각 기능에 따라 프로세서에 포함되는 세부 모듈들을 유동인구 패턴정보 수집부(210), 인공지능 학습부(220), 사용자 요청 수신부(230), 유동인구 패턴정보 검색부(240), 미래입점객수 예측부(250)를 포함할 수 있다.

유동인구 패턴정보 수집부(210)는 각 위치(지역) 별로 유동인구 패턴정보를 수집한다. 여기서 유동인구란 서버에서 감지된 사용자 단말(100)을 보유한 각각의 사용자들을 모두 포함하는 의미이다. 유동인구 패턴정보는 유동인구에 포함되는 각 사용자의 이동패턴에 관한 정보로서, 각 사용자의 상품이나 서비스에 대한 요구정보, 위치(위도 및 경도), 이동방향(사용자 단말(100)의 신호가 감지된 최초의 위치와 현재 위치를 연결한 벡터 정보), 속력(벡터정보의 절대값을 사용자 단말(100)의 신호가 감지된 최초의 위치와 현재까지의 경과시간으로 나눈 값), 성별, 연령대 등 중 적어도 하나를 포함한다. 요구정보는 각 사용자들의 니즈(NEEDS)에 관한 정보를 의미하며, 예를 들어, 삼겹살, 네일아트 등과 같은 것이 될 수 있다. 유동인구 패턴정보 수집부(210)는 유동인구정보 데이터베이스(300)로부터 유동인구 패턴정보를 수집할 수 있다. 유동인구정보 데이터베이스(300)는 사용자 단말(100)의 GPS 정보 또는 사용자가 직접 자신의 단말에 입력한 정보를 기초로 위 패턴정보를 수집할 수 있다. 예를 들어, 사용자 단말(100)에 특정 애플리케이션이 설치되고, 애플리케이션의 설치 및 회원가입시 성별, 연령대가 미리 입력되고, 향후 그 사용자가 이동하면서 삼겹살에 대한 니즈를 입력한 경우, 그 사용자 단말(100)로부터 성별, 연령대, 요구정보, 사용자 단말(100)의 GPS 정보를 수집할 수 있으며, GPS 정보로부터 위치, 이동방향, 속력 등을 추출할 수 있다. 또는, 성별, 연령대의 경우 회원가입시 반드시 필요한 정보는 아니므로, 별도 옵션 항목으로 제공하고 사용자가 입력할 경우에만 수집될 수도 있다. 즉, 유동인구 패턴정보는 각 사용자 단말(100)로부터 수집되는 것으로서, 각 사용자 단말(100)의 이동정보를 수집하여 유동인구 패턴정보를 형성할 수 있다.

한편, 유동인구 패턴정보는 시간대나 기상조건(날씨, 풍속, 태양의 고도 등)을 더 포함할 수도 있다. 낮이나 밤인지 여부에 따라, 또는 비가오거나 날씨가 맑은지 여부에 따라 특정 상권에 유동하는 인구의 수나 성별, 연령대 등이 달라질 수 있기 때문이다. 기상조건의 경우, 기상청 서버(미도시) 등으로부터 수집될 수 있다.

인공지능 학습부(220)는 유동인구 패턴정보로부터 매장의 미래입점객수를 예측하기 위하여 각 매장 별 기존 입점객수와 유동인구 패턴정보 간의 상관도에 대한 기계학습을 수행한다.

인공지능 학습부(220)는 각 지역마다 매장의 입점객수와 유동인구 패턴정보를 추출하여 기계학습을 수행한다.

구체적으로, 인공지능 학습부(220)는 유동인구 패턴정보를 기초로 특정 위치에서 특정 업종의 사업을 영위하는 특정 매장에 대한 주변 유동인구 패턴정보를 각 매장 별로 추출한다. 주변 유동인구 패턴정보란 유동인구 패턴정보 중 특정 매장에 관하여 의미있는 주변 유동인구들의 패턴정보로 가공한 정보이다. 구체적으로, 주변 유동인구 패턴정보는 유동인구 패턴정보에 포함된 데이터들을 모두 포함하되, 유동인구 패턴정보에 포함되어 있는 데이터 세트들 중 위치와 이동방향 값은 특정 매장에 대한 값으로 변환된다.

먼저, 인공지능 학습부(220)는 도착지점이 특정 위치로부터 미리 설정된 반경 이내에 위치하는 유동인구 패턴정보들을 검색한다. 이어서, 검색된 유동인구 패턴정보 내에 포함된 위치값을 특정 매장의 위치와 유동인구 간의 거리에 대한 값으로 변환한다.

또한, 인공지능 학습부(220)는 유동인구의 이동방향은 특정 매장의 위치를 기준으로 상대적인 값을 갖도록 변환한다. 특정 매장의 위치를 시계의 12시 방향으로 가정하고, 유동인구의 위치를 시계의 정중앙인 것으로 가정할 때, 유동인구의 이동방향이 가리키는 시계방향을 360°로 표현한다. 예를 들어, 유동인구가 특정 매장의 위치로 향하고 있다면, 0°가 되며, 유동인구가 상기 특정 매장의 반대 방향으로 향하고 있을 때 180°가 된다.

이러한 방식으로, 인공지능 학습부(220)는 각 매장 별로 주변인구 패턴정보를 추출하고, 입점객수 간의 상관도를 분석하는 기계학습을 수행한다.

기계학습은 도 4와 같은 복수의 노드로 구성된 뉴럴 네트워크(Neural Network) 알고리즘을 통해 수행될 수 있다.

도 4의 알고리즘은 복수의 입력노드(I1~I5), 히든 레이어를 구성하는 중간노드(H1~H3), 및 출력노드(O1)를 포함하여 구성된다. 이때, 각각의 노드는 입력값에 가중치를 부여하는 연산과정을 수행한다. 입력노드(I1~I5)에는 주변인구 패턴정보에 포함되는 데이터 세트들이 입력될 수 있다. 즉, 성별(I1), 연령대(I2), 매장과 유동인구 간의 거리(I3), 매장에 대한 유동인구의 이동방향(I4), 속력(I5), 등의 값이 입력될 수 있다. 출력값은 해당 매장의 입점객수이다. 입점객수는 상권정보 데이터베이스(400)로부터 추출된 매출액으로부터 업종별 평균 객단가를 나눈 값으로 결정될 수 있다.

유동인구 패턴정보에 포함되는 데이터들 중 요구정보의 경우, 미리 설정된 테이블을 통해 요구정보에 대응하는 업종이 추출될 수 있기 때문에 기계학습의 입력값으로는 사용되지 않는다. 예를 들어, 삼겹살에 대한 유동인구의 요구정보가 검출된 경우, 테이블을 참조하여 삼겹살에 대응하는 업종으로, 삼겹살 음식점, 소고기 음식점, 숯불갈비 음식점 등과 같은 유사범위 업종까지 추출될 수 있다.

먼저, 입력노드(I1~I5)에 입력되는 값은 -1 ~ 1의 값이 될 수 있다. 예를 들어, I1 노드(성별)에는 남자의 경우 +1, 여자는 -1로 입력될 수 있다. 또한, I2노드(연령대)에는 10대는 -1, 20대는 -0.5, 30대는 0, 40대는 +0.5, 50대 이상은 +1로 입력될 수 있다. I3 노드(유동인구와 매장 간의 거리)에는 (기준거리 - 유동인구와 매장 간의 거리)/(기준거리)값이 입력될 수 있다. 예를 들어, 기준거리가 200m이고, 매장 간의 거리가 100m라면 I3에는 0.5가 입력될 수 있다. 즉, 거리가 가까울수록 높은 가중치가 입력되도록 설정된다. I4 노드(유동인구의 매장에 대한 이동방향)에는, 1] A가 180도 보다 작을 때에는 1-(A/180), 2] A가 180도 보다 크거나 같을 때에는 1-(360-A)/180이 입력될 수 있다. 여기서 A는 유동인구의 이동방향을 0~360°의 각도로 정의한 것으로서, 만약 A에 90°라면 I4노드에는 0.5가 입력된다. 즉, I4노드의 입력값이 1.0이라는 것은 매장을 향해 가고 있다는 것을 의미하며, I4노드의 입력값이 0.0이라는 것은 매장과 반대방향으로 멀어져가고 있다는 것을 의미한다. 매장과 정반대 방향으로 가는 유동인구일수록 입점객으로 이어질 가능성이 낮다는 것을 감안해 설정된 계산식이다. I5노드(속력)에는 1] v가 1km/h 보다 작은 경우에는 1이, 2] v가 1km/h보다 큰 경우에는 1/v(유동인구의 속력)가 입력될 수 있다. 예를 들어, v가 1km/h보다 작은 경우 1.0이 입력되고, 1km/h보다 큰 경우 0과 1사이의 값이 입력되는데, 속도가 빠를수록 입점객으로 이어질 가능성이 낮다는 것을 감안해 설정된 계산식이다. 다만, +, -값과 가중치의 절대값 및 각 입력노드의 계산식은 반드시 상술한 예에 한하지 않는다.

한편, 위와 같은 방식으로 입력노드(I1~I5)에 입력되는 값들이 설정된 경우, 여러 개의 (입력값 - 출력값)에 대한 세트들을 활용하여 정확한 상관도를 파악할 수 있도록 기계학습을 수행한다.

예를 들어, I1~I5에 대응하는 입력값들을 하나의 세트라고 가정하고 서로 다른 입력값을 포함하는 5 개의 세트를 정의할 때, 제 1 세트, 제 2 세트, 제 3 세트, 제 4 세트, 제 5 세트에 대한 출력값이 각각 0.1, 0.2, 0.3, 0.4, 0.5가 되었다고 가정한다. 이때, 출력값의 합은 1.5가 될 수 있다.

1.5에 대하여 보정을 거칠 수 있다. 구체적으로, 1.5는 특정 애플리케이션을 통해서 수집한 유동인구 패턴정보들을 기초로 한 값이다. 그러나, 특정 애플리케이션을 모든 국민이 이용하지는 않기 때문에, 이를 일반화하기 위한 보정작업이 필요하다. 즉, 통신사 서버로부터 수집된 특정 지역 내의 사용자 단말(100)의 개수들에 대한 정보는 거의 실제 유동인구에 가까운 정보이다. 그러므로, 1.5에 실제 유동인구 수를 특정 애플리케이션을 통해 수집된 유동인구의 수로 나눈 값을 곱할 경우, 일반화가 수행될 수 있다. 일반화가 수행된 값이 최종 입점객수 값이라 할 수 있다.

인공지능 학습부(220)는 최종 입점객수 값과 상권정보 데이터베이스(400)를 통해 추출한 입점객수 값을 비교한다. 특히, 인공지능 학습부(220)는 입점객수 예측 지역이 강남역과 같은 초밀집 상권인 경우에 최종 입점객수 값과 상권정보 데이터베이스(400)의 값을 비교할 수 있다.

한편, 각 노드와 노드 사이에는 -1 ~1의 가중치가 추가로 부여되어 연산된다. 그리고 중간노드(H1~H3)에서는 가중치가 연산된 값들의 합, 곱, 뺄셈, 나눗셈 중 적어도 하나가 수행될 수 있다.

이때, 기계학습의 알고리즘의 정확도를 높이기 위한 것과 가장 중요한 포인트는, 히든 레이어를 구성하는 중간노드(H1~H3)의 개수 및 노드와 노드 사이의 가중치 값의 크기 및 부호(+ 또는 -)이다. 여기서 중간노드(H1~H3)는 3개로 표현되었으나, 경우에 따라 다른 개수가 설정될 수도 있다.

따라서, 위 비교값의 차이가 적게 되도록 인공지능 학습부(220)는 노드와 노드 사이의 가중치 값의 크기 및 부호를 변경한다. 그리고 변경된 가중치 값을 기준으로 다시 연산을 수행하여, 최종 입점객수 값과 상권정보 데이터베이스(400)의 입점객수 값을 다시 비교한다. 이러한 방식으로 유동인구 패턴정보 기반의 결과값이 실제 상권정보 데이터베이스(400)의 값과 일치하도록 끊임없이 반복을 수행하여 노드와 노드 사이의 최적의 가중치 값을 설정한다.

한편, 노드와 노드 사이의 가중치를 처음에 어떠한 값을 놓고 시작하느냐는 알고리즘 정확도에 있어서 매우 중요한 부분을 차지한다. 만약 엉뚱한 값을 기준으로 시작할 경우, 로컬 미니멈(local minimum)에 빠져서 가중치 최적화 작업을 수행할 수 없게 된다. 즉, 도 5와 같이, 찾고자하는 값의 범위가 실제로는 글로벌 미니멈(global minimum)값을 최소값으로 가지지만, 초기값을 잘못 설정할 경우, 그 이후에 어떠한 초기값 변경을 수행하더라도 최소값이 로컬 미니멈값에만 머무르게 되는 오류가 도출될 수 있는 것이다.

따라서, 이러한 문제를 해결하기 위해 유전자 알고리즘을 활용한다.

예를 들어, 노드와 노드 사이의 가중치들에 대한 4개의 서로 다른 세트를 생성한다. 그리고 각 세트들을 가중치 초기값으로 설정하여, 상술한 가중치 최적화 과정을 반복적으로 수행한다. 이어서, 각 세트들을 통해 계산된 입점객수 값들을 비교하고 실제 입점객수 값과 가장 적은 차이를 나타내는 세트를 가중치 초기값 세트로 설정한다.

상술한 인공지능 학습 과정은, 웹 UI(210)를 통해 입력된 학습 조건에 따라 다시 수행될 수 있다. 웹 UI(210)가 제공하는 학습 조건 편집 페이지를 도시하고 있는 도 6을 참조하면, 학습 조건 편집 페이지는, 학습 작업 목록 리스트(500) 및 학습 정보 수정 페이지(570)를 포함하며, 학습 정보 수정 페이지(570)는 학습 작업 목록 리스트(500)에 표시된 학습 작업의 수정 버튼(550)을 선택하거나 학습 작업 추가 버튼(560)을 선택할 경우 표시될 수 있다.

학습 작업 목록 리스트(500)는 완료되거나 진행중인 인공지능 학습을 표시한다. 작업 ID(510)는 각 인공지능 학습을 구분하기 위해 할당된 식별 정보이고, 작업명(520)은 인공지능 학습의 작업명이고, Creator ID(530)는 인공지능 학습 조건을 설정한 사용자를 구분하기 위해 할당된 식별 정보이며, Modify date(540)는 인공지능 학습을 생성하거나 수정한 날짜이다. 제1 선택 버튼들(550)은 학습 조건을 수정(좌측 버튼), 인공지능 학습을 실행(가운데 버튼), 또는 인공지능 학습을 삭제(우측 버튼)하기 위한 버튼이다. 학습 작업 추가 버튼(560)은 새로운 인공지능 학습을 생성하기 위해 학습 조건을 입력하기 위한 버튼이다.

학습 정보 수정 페이지(570)는 실행중이거나 완료된 인공지능 학습의 학습 조건을 표시한다. 한편, 학습 작업 추가 버튼(560)을 선택한 경우, 학습 조건은 표시되지 않는다. 입력 데이터 필드(571)는, 인공지능 모델이 학습하기 위해 사용할 학습 정보를 특정하기 위한 필드이다. 출력 데이터 필드(572)는, 인공지능 모델이 학습하여 입력 데이터와의 상관 관계를 생성할 출력 정보를 특정하기 위한 필드이다. 입력대비 학습 비율 필드(573)는, 입력 데이터 중 실제로 인공지능 학습에 사용할 데이터의 비율을 특정하기 위한 필드로서, 선택되지 않고 남은 데이터는 추후 학습된 인공지능 모델을 테스트하는데 사용될 수 있다. 히든 레이어 필드(574)는, 히드 레이어의 수 및 히든 레이어를 구성하는 중간 노드의 수를 결정하기 위한 필드이다. 액티베이션 함수 필드(575)는, 노드와 노드 사이에 적용되는 함수를 특정하기 위한 필드이며, 선택 가능한 함수는, 예를 들어, ReLU, Sigmoid 등일 수 있다. 코스트 함수 필드(576)는, 루프를 돌 때마다 더 정확한 결과를 얻기 위해 가중치, 바이어스 등을 수정할 때 사용할 함수를 특정하기 위한 필드이며, 선택 가능한 함수는, 예를 들어, softmax 등일 수 있다. 러닝 비율 필드(577)는, 최종 목표값에 도달하는 속도 간격을 특정하기 위한 필드이다. 상술한 학습 조건은, 선택 가능한 많은 학습 조건 중 일부이므로, 상술한 학습 조건 이외에 다른 학습 조건이 추가되거나 상술한 학습 조건 중 일부에 추가적으로 한정을 부가하여 더욱 정밀하게 특정할 수 있다. 예를 들어, 입력 데이터는, 특정 시간대의 유동인구 패턴정보만을 이용하도록 더 정밀하게 특정될 수 있다.

웹 UI(210)는 수정된 학습 조건을 인공지능 학습부(220)에 전달하며, 인공지능 학습부(220)는 이를 실행하여 학습된 인공지능 모델을 생성한다.

이하, 인공지능 학습이 완료된 후, 사용자 단말(100)로부터 미래입점객수 요청쿼리를 수신한 경우의 동작 과정에 대하여 구체적으로 설명한다.

사용자 요청 수신부(230)는 사용자 단말(100)로부터 미래입점객수 요청쿼리를 수신할 수 있다. 사용자 단말(100)에는 미래입점객수예측 애플리케이션이 설치되어 있거나, 미래입점객수예측 웹 서버에 사용자 단말(100)이 접속해 있을 수 있다. 해당 애플리케이션이나 웹은 위치, 업종 등을 입력할 수 있는 사용자 인터페이스를 포함할 수 있다. 이러한 사용자 인터페이스 이용에 따라, 사용자 단말(100)은 위치와 업종을 포함하는 미래입점객수 요청쿼리를 미래입점객수예측 서버(200)로 전송하게 된다.

유동인구 패턴정보 검색부(240)는 요청쿼리에 포함된 위치와 업종에 대응하는 유동인구 패턴정보를 검색한다. 구체적으로, 도착지점이 상기 위치로부터 미리 설정된 반경 이내에 존재하는 유동인구 패턴정보들을 검색한다. 그리고 미리 규정된 테이블을 참조하여, 상기 업종과 대응하는 요구정보를 갖는 유동인구 패턴정보를 검색한다. 예를 들어, 강남역, 분식업에 관한 요청쿼리를 수신한 경우, 강남역으로부터 약 200m 반경 내에 도착지점이 설정된 유동인구 패턴정보들을 검색한다. 그리고, 분식업과 대응하는 요구정보를 갖는 유동인구 패턴정보들을 검색한다. 떡볶이, 순대, 튀김 등의 요구정보를 갖는 유동인구 패턴정보가 추출될 수 있을 것이다.

추가적으로, 미래입점객수 요청쿼리는 기상조건을 포함할 수도 있다. 예를 들어, 사용자가 여름, 맑은 날씨, 밤시각에 분식집의 입점객수를 알고 싶어하여 기상조건을 입력할 수도 있다. 이러한 경우, 유동인구 패턴정보 검색부(240)는 위에서 설명한 위치와 업종에 대응하는 유동인구 패턴정보들 중 요청쿼리의 기상조건에 부합하는 기상조건을 갖는 유동인구 패턴정보들을 추출할 수 있다. 그러나, 기상조건이 포함되어 있지 않은 경우, 현재 시점으로부터 소정 기간 이후의 시점까지의 평균 기상조건을 추출하고, 평균 기상조건에 부합하는 유동인구 패턴정보를 추출할 수 있다.

미래입점객수 예측부(250)는 이러한 유동인구 패턴정보를 기초로 뉴럴 네트워크 알고리즘에 기반한 연산을 수행하여 미래 입점객수를 결정하고 사용자 단말(100)로 제공한다. 이때, 뉴럴 네트워크 알고리즘은 상술한 인공지능 학습부(220)에 의해 학습된 인공지능 모델이다.

구체적으로, 미래입점객수 예측부(250)는 검색된 유동인구 패턴정보를 주변인구 패턴정보로 변환한다. 유동인구 패턴정보 중 위치, 이동방향에 대해서는 미래입점객수 요청쿼리에 포함된 위치에 대한 상대적인 값으로 변환한다. 이는 주변인구 패턴정보와 관련하여 상술한 내용과 동일하므로 구체적인 연산 방법은 생략하도록 한다. 그리고, 각 유동인구 패턴정보에 포함된 5개의 값(성별, 연령대, 매장과 유동인구 간의 거리, 매장에 대한 유동인구의 이동방향, 속력)을 입력값으로 하여 뉴럴 네트워크 알고리즘에 기반한 연산을 수행한다.

출력값이 산출되는 경우, 일반화를 위한 보정을 수행한다. 예를 들어, 각 사용자들의 휴대 단말 위치 기록을 기반으로 획득된 각 지역의 유동인구 수를 통신사 서버를 통해 획득하고, 유동인구 패턴정보를 기반으로 한 상기 위치에서의 유동인구 수와 통신사 서버를 통해 획득한 유동인구 수의 비율을 출력값에 곱함으로써, 보정을 수행한다.

이때, 보정된 출력값은 그 위치 내 그 업종에 대한 매장에 방문할 수 있는 총 유동인구의 수가 된다. 미래입점객수 예측부(250)는 그 위치에 존재하는 해당 업종의 매장 수를 판단한다. 그리고, "총 유동인구의 수 / (매장 수 +1)"과 같은 계산을 수행하여 미래 입점객수를 결정하고 사용자 단말(100)로 제공할 수 있다. 예를 들어, 상술한 예에서, 보정된 출력값으로 300이 산출되었다면, 강남역에서 분식집에 방문할 가능성이 있는 유동인구는 300명이라는 의미가 된다. 현재 강남역에 5개의 분식집이 존재하고 있다면, 1을 더 하여 300/ 6의 연산을 수행한다. 사용자가 미래에 운영할 매장의 개수로서 1을 더하여 연산을 수행하는 것이다. 그 결과 사용자가 향후 강남역에 분식집을 오픈할 경우, 약 50명의 입점객수가 발생될 수 있을 것이라는 예측결과를 제공해줄 수 있다.

추가적으로, 미래입점객수 예측부(250)는 도 6과 같은 형태의 보고서로 사용자 단말(100)에 제공할 수 있다. 보고서 내에는 입점객수 뿐만 아니라, 유동인구의 이동방향, 평균속도, 연령대, 성별에 관한 정보가 포함되어 있다. 또한, 그 지역의 유동인구의 요구정보에 관한 분포도를 제공함으로써, 어느 업종을 운영하는 것이 유리할 것인지에 관한 정보도 간접적으로 제공할 수 있다. 또한, 예상 매출값 역시 제공할 수도 있다. 예상 매출값은 미래 입점객수에 평균 구매율과 객단가를 곱함으로써 산출될 수 있다. 다만, 도 6의 그림은 일 예일 뿐이며 다른 형태의 보고서로 제공될 수도 있다.

본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.

본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100: 사용자 단말 200: 미래입점객수예측 서버
210: 웹 UI 300: 유동인구정보 DB
400: 상권정보DB

Claims (11)

1. 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템에 있어서,
   제1 학습 조건에 따라 각 매장별 기존 입점객수와 유동인구 패턴정보간 상관 관계를 학습하고, 사용자 단말로부터 위치 및 업종을 포함하는 미래입점객수 요청쿼리를 수신하면, 상기 위치 및 업종에 대응하는 유동인구 패턴정보를 검색하며, 학습된 상관 관계 및 검색된 유동인구 패턴정보에 기초하여 미래입점객수를 결정하는 미래입점객수 예측서버; 및
   상기 제1 학습 조건을 입력하거나 상기 제1 학습 조건을 수정하여 제2 학습 조건을 생성할 수 있는 학습 조건 편집 페이지를 네트워크를 통해 연결된 사용자 단말에 제공하는 웹 UI를 포함하되,
   상기 유동인구 패턴정보는 유동인구에 포함되는 각 사용자의 상품이나 서비스에 대한 요구정보, 위치, 이동방향 및 속력을 포함하며,
   상기 웹 UI는 학습 시간에 따르는 미리 결정된 순서에 따라 입력된 제 1 및 제 2 학습조건을 상기 미래입점객수 예측서버로 제공하되, 학습진행 시각이 사용자에 의해 예약된 경우 미리 입력된 학습조건을 예약된 시각에 제공하며,
   상기 제 1 또는 제 2 학습 조건은 입력 데이터 및 상기 입력 데이터 중 실제 인공지능 학습에 사용할 데이터의 비율을 특정하기 위한 필드인 입력대비 학습비율 필드에 관한 정보를 포함하며,
   상기 학습 조건 편집 페이지는 사용자 선택에 의해 특정 시간대의 유동인구 패턴정보를 입력 데이터로 활용할 수 있도록 제공되는, 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템.
   
2. 제 1 항에 있어서, 상기 웹 UI는,
   상기 제1 학습 조건 및 상기 제2 학습 조건을 상기 미래입점객수 예측서버에 의해 실행 가능한 명령어로 변환하는, 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템.
3. 제1항에 있어서, 상기 제1 학습 조건 및 상기 제2 학습 조건은,
   출력 데이터, 학습 비율, 히든 레이어의 수, 액티베이션 함수의 종류 및 코스트 함수의 종류의 조합을 더 포함하는, 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템.
4. 제3항에 있어서, 상기 제2 학습 조건은,
   상기 제1 학습 조건 중 하나 이상에 추가적으로 한정을 부가하여 생성되는, 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템.
5. 제 1 항에 있어서, 상기 웹 UI는,
   상기 미래입점객수 요청쿼리를 입력할 수 있는 쿼리 입력 페이지를 제공하는, 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템.
6. 제 1 항에 있어서, 상기 웹 UI는,
   복수의 학습 조건에 따른 인공지능 학습의 진행 정도를 모니터링하며,
   상기 복수의 학습 조건 중 어느 한 학습 조건에 따른 학습이 종료되면, 상기 미래입점객수 예측서버가 상기 복수의 학습 조건 중 실행되지 않은 학습 조건에 따른 인공지능 학습을 실행하도록 하는, 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템.
7. 제 1 항에 있어서, 상기 미래입점객수 예측서버는,
   각 위치 별 유동인구 패턴정보 및 각 매장 별 기존 입점객수에 대한 정보를 수집하는 유동인구 패턴정보 수집부; 및
   기계학습을 통하여 상기 각 매장 별 기존 입점객수와 상기 유동인구 패턴정보 간의 상관 관계를 판단하는 인공지능 학습부를 포함하는, 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템.
8. 제 7 항에 있어서, 상기 인공지능 학습부는,
   상기 유동인구 패턴정보를 기초로, 특정 위치에서 특정 업종의 사업을 영위하는 특정 매장에 대한 주변인구 패턴정보를 각 매장 별로 추출하며,
   상기 주변인구 패턴정보와 상기 특정 매장에 대한 기존 입점객수 간의 상관 관계를 기계학습을 통하여 판단하는, 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템.
9. 제8 항에 있어서, 상기 인공지능 학습부는,
   도착지점이 상기 특정 위치의 부근에 존재하는 유동인구 패턴정보를 검색하고, 상기 검색된 유동인구 패턴정보를 이용하여 상기 특정 매장과 유동인구 간의 거리, 상기 특정 매장에 대한 유동인구의 이동방향을 산출함으로써 상기 주변인구 패턴정보를 추출하는, 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템.
10. 제 8 항에 있어서, 상기 인공지능 학습부는,
    복수의 입력값으로서 상기 유동인구 패턴정보에 포함되는 유동인구의 위치, 이동방향 및 속력을 설정하고, 출력값으로서 상기 특정 매장에 대한 기존 입점객수를 설정하며, 상기 복수의 입력값으로부터 상기 출력값을 도출하기 위한 상기 복수의 입력에 대한 통합 방법 및 가중치 부여 방법을 결정함으로써 상관도를 결정하는, 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템.
11. 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템에 있어서,
    제1 학습 조건에 따라 각 매장별 기존 입점객수와 유동인구 패턴정보간 상관 관계를 학습하고, 사용자 단말로부터 위치 및 업종을 포함하는 미래입점객수 요청쿼리를 수신하면, 상기 위치 및 업종에 대응하는 유동인구 패턴정보를 검색하며, 학습된 상관 관계 및 검색된 유동인구 패턴정보에 기초하여 미래입점객수를 결정하는 미래입점객수 예측서버; 를 포함하며,
    상기 미래입점객수 예측 서버는,
    상기 제1 학습 조건을 입력하거나 상기 제1 학습 조건을 수정하여 제2 학습 조건을 생성할 수 있는 학습 조건 편집 페이지를 포함하는 웹UI를 사용자 단말에 제공하되,
    상기 유동인구 패턴정보는 유동인구에 포함되는 각 사용자의 상품이나 서비스에 대한 요구정보, 위치, 이동방향 및 속력을 포함하며,
    상기 웹 UI는 학습 시간에 따르는 미리 결정된 순서에 따라 입력된 제 1 및 제 2 학습조건을 상기 미래입점객수 예측서버로 제공하되, 학습진행 시각이 사용자에 의해 예약된 경우 미리 입력된 학습조건을 예약된 시각에 제공하며,
    상기 제 1 또는 제 2 학습 조건은 입력 데이터 및 상기 입력 데이터 중 실제 인공지능 학습에 사용할 데이터의 비율을 특정하기 위한 필드인 입력대비 학습비율 필드에 관한 정보를 포함하며,
    상기 학습 조건 편집 페이지는 사용자 선택에 의해 특정 시간대의 유동인구 패턴정보를 입력 데이터로 활용할 수 있도록 제공되는, 웹 UI를 이용하여 학습 조건을 수정할 수 있는 미래입점객수 예측 시스템.
    
    

Images