KR102344383B1 - 인공지능 기반 매장 수요 예측 방법 및 시스템 - Google Patents

인공지능 기반 매장 수요 예측 방법 및 시스템 Download PDF

Info

Publication number
KR102344383B1
KR102344383B1 KR1020210013936A KR20210013936A KR102344383B1 KR 102344383 B1 KR102344383 B1 KR 102344383B1 KR 1020210013936 A KR1020210013936 A KR 1020210013936A KR 20210013936 A KR20210013936 A KR 20210013936A KR 102344383 B1 KR102344383 B1 KR 102344383B1
Authority
KR
South Korea
Prior art keywords
store
data
sales data
neural network
artificial neural
Prior art date
Application number
KR1020210013936A
Other languages
English (en)
Inventor
최훈민
Original Assignee
테이블매니저 주식회사
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
Application filed by 테이블매니저 주식회사 filed Critical 테이블매니저 주식회사
Priority to KR1020210013936A priority Critical patent/KR102344383B1/ko
Priority to PCT/KR2021/009022 priority patent/WO2022163956A1/ko
Priority to KR1020210185650A priority patent/KR102453582B1/ko
Priority to KR1020210185658A priority patent/KR20220111180A/ko
Priority to KR1020210185653A priority patent/KR20220111179A/ko
Priority to KR1020210186223A priority patent/KR20220111182A/ko
Priority to KR1020210185662A priority patent/KR20220111181A/ko
Application granted granted Critical
Publication of KR102344383B1 publication Critical patent/KR102344383B1/ko
Priority to US17/818,213 priority patent/US20220398610A1/en

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

매장의 수요 예측 시스템의 동작 방법은, 데이터베이스로부터 상기 매장의 일자별 고객들의 예약 내역 정보 및 방문 내역 정보를 포함하는 매장의 기존 매출 데이터를 획득하는 단계; 상기 매장의 기존 매출 데이터를 전처리(preprocessing)하는 단계; 상기 전처리된 매장의 기존 매출 데이터를 학습한 미리 설정된 복수의 알고리즘들을 이용하여 복수의 매장 수요 예측 모델들을 생성하는 단계; 복수의 매장 수요 예측 모델들 각각의 평가 결과를 기초로 매장 수요 예측 모델을 결정하는 단계; 및 결정된 상기 매장 수요 예측 모델을 이용하여, 상기 매장의 수요를 예측하는 단계를 포함할 수 있다.

Description

인공지능 기반 매장 수요 예측 방법 및 시스템{METHOD FOR ANALYZING LOYALTY OF THE CUSTOMER TO STORE BASED ON ARTIFICIAL INTELLIGENCE AND SYSTEM THEREOF}
본 발명은 매장의 수요 예측 방법에 관한 것으로, 보다 상세하게는 인공 신경망을 이용하여, 기존 고객들의 매장 방문 내역 및 매출 내역을 기초로 매장의 수요를 예측하는 방법 및 시스템에 관한 것이다.
66만개에 이르는 음식점 가운데 종사자 수가 5명 미만인 소규모 음식점이 56만 9000개로 86.5%를 차지하는 것으로 나타난다. 따라서 음식점 대부분이 영세 자영업자인 외식업 매장은 매장 관리를 위한 체계적인 시스템을 갖추지 못해 치열한 경쟁과 급변하는 환경 등과 같은 외부적 요인에 취약한 상황이다.
영세업자에 의해 운영되는 매장의 폐업률을 감소시키기 위해서는, 매장의 관리자에게 과학적인 고객 분석 및 매출 예측 정보를 제공함으로써 내부적 역량을 강 화하는 데에 기여할 수 있다. 또한, 과학적인 고객 분석 및 매출 예측 정보를 제공함으로써 매장에 대한 외부적 요인을 효과적으로 대처할 수 있도록 하는 데에 기여할 수 있다.
이에, 과학적인 고객 분석 및 매출 예측 정보를 제공함으로써, 매장을 방문하는 고객들을 관리하는 방법의 필요성이 대두되고 있다. 본 발명은 이와 관련된 것이다.
본 발명은 상기 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 일자별 특성, 일자별 예약 내역을 기반으로 향후 매장의 수요를 예측하는 모델을 생성하고, 생성한 모델을 이용하여, 매장의 수요를 예측하는 매장 수요 예측 방법 및 시스템을 제공하는 것이다.
본 발명을 통해 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 매장의 수요 예측 시스템의 동작 방법은, 데이터베이스로부터 상기 매장의 일자별 고객들의 예약 내역 정보 및 방문 내역 정보를 포함하는 매장의 기존 매출 데이터를 획득하는 단계; 상기 매장의 기존 매출 데이터를 전처리(preprocessing)하는 단계; 상기 전처리된 매장의 기존 매출 데이터를 학습한 미리 설정된 복수의 알고리즘들을 이용하여 복수의 매장 수요 예측 모델들을 생성하는 단계; 복수의 매장 수요 예측 모델들 각각의 평가 결과를 기초로 매장 수요 예측 모델을 결정하는 단계; 및 결정된 상기 매장 수요 예측 모델을 이용하여, 상기 매장의 수요를 예측하는 단계를 포함할 수 있다.
여기서, 상기 미리 설정된 복수의 알고리즘들 각각에 상기 생성된 매장 수요 예측 모델들 각각의 초모수(hyperparameter)를 할당하는 단계를 더 포함할 수 있다.
여기서, 상기 복수의 매장 수요 예측 모델들을 생성하는 단계는, 상기 매장의 기존 매출 데이터 중에서 모델 수립 데이터를 추출하는 단계; 상기 미리 설정된 복수의 알고리즘들을 이용하여 상기 모델 수립 데이터를 학습한 모델들을 생성하는 단계; 및 상기 기존 매출 데이터 중에서 상기 모델 수립 데이터를 제외한 데이터인 테스트 데이터를 이용하여, 상기 모델들을 검증하는 단계를 포함할 수 있다.
여기서, 상기 복수의 매장 수요 예측 모델들을 생성하는 단계는, 상기 매장의 기존 매출 데이터 각각의 레이블 데이터를 기초로 미리 설정된 비율에 따라 상기 매장의 기존 매출 데이터를 분류하는 단계를 더 포함하고, 상기 매장의 기존 매출 데이터 중에서 모델 수립 데이터를 추출하는 단계는, 상기 미리 설정된 비율에 따라서 분류된 기존 매출 데이터 중에서 상기 모델 수립 데이터를 추출하는 것을 특징으로 할 수 있다.
여기서, 상기 매장 수요 예측 모델을 생성하는 단계는, 상기 예약 내역 정보 및 상기 방문 내역 정보 각각을 제1 인공 신경망에 입력하는 단계; 상기 예약 내역 정보 및 상기 방문 내역 정보를 제외한 상기 매장의 기존 매출 데이터를 제2 인공 신경망에 입력하는 단계; 및 상기 제1 인공 신경망의 출력 값들 및 상기 제2 인공 신경망의 출력 값들을 병합하는 단계를 더 포함하고, 상기 병합된 상기 제1 인공 신경망의 출력 값들 및 상기 제2 인공 신경망의 출력 값들을 기초로 매장 수요 예측 모델을 정의할 수 있다.
여기서, 상기 매장의 기존 매출 데이터는, 상기 매장의 업종 정보, 규모 정보, 지역 정보 중 적어도 하나를 지시하는 정보를 더 포함할 수 있다.
여기서, 동작 방법은, 매장의 매출 데이터를 상기 데이터베이스에 업데이트하는 단계; 상기 업데이트된 매장의 매출 데이터를 이용하여, 상기 매장 수요 예측 모델의 적합성 여부를 검토하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따른 매장의 수요 예측 시스템의 서버는, 적어도 하나의 프로그램이 저장된 메모리; 상기 적어도 하나의 프로그램 명령을 수행하는 프로세서; 및 네트워크와 연결되어 통신을 수행하는 송수신 장치를 포함하고, 상기 적어도 하나의 프로그램 명령은, 데이터베이스로부터 상기 매장의 일자별 고객들의 예약 내역 정보 및 방문 내역 정보를 포함하는 매장의 기존 매출 데이터를 획득하고; 상기 매장의 기존 매출 데이터를 전처리(preprocessing)하고; 상기 전처리된 매장의 기존 매출 데이터를 학습한 미리 설정된 복수의 알고리즘들을 이용하여 복수의 매장 수요 예측 모델들을 생성하고; 복수의 매장 수요 예측 모델들 각각의 평가 결과를 기초로 매장 수요 예측 모델을 결정하고; 그리고 결정된 상기 매장 수요 예측 모델을 이용하여, 상기 매장의 수요를 예측하도록 실행될 수 있다.
여기서, 상기 적어도 하나의 프로그램 명령은, 상기 미리 설정된 복수의 알고리즘들 각각에 상기 생성된 매장 수요 예측 모델들 각각의 초모수(hyperparameter)를 할당하도록 더 실행될 수 있다.
여기서, 상기 적어도 하나의 프로그램 명령은, 상기 복수의 매장 수요 예측 모델들을 생성하도록 실행됨에 있어, 상기 매장의 기존 매출 데이터 중에서 모델 수립 데이터를 추출하고; 상기 미리 설정된 복수의 알고리즘들을 이용하여 상기 모델 수립 데이터를 학습한 모델들을 생성하고; 그리고 상기 기존 매출 데이터 중에서 상기 모델 수립 데이터를 제외한 데이터인 테스트 데이터를 이용하여, 상기 모델들을 검증하도록 실행될 수 있다.
여기서, 상기 적어도 하나의 프로그램 명령은, 상기 복수의 매장 수요 예측 모델들을 생성하도록 실행됨에 있어, 상기 매장의 기존 매출 데이터 각각의 레이블 데이터를 기초로 미리 설정된 비율에 따라 상기 매장의 기존 매출 데이터를 분류하도록 더 실행되고, 상기 매장의 기존 매출 데이터 중에서 모델 수립 데이터를 추출하도록 실행됨에 있어, 상기 미리 설정된 비율에 따라서 분류된 기존 매출 데이터 중에서 상기 모델 수립 데이터를 추출하는 것을 특징으로 할 수 있다.
여기서, 상기 적어도 하나의 프로그램 명령은, 상기 매장 수요 예측 모델을 생성하도록 실행됨에 있어, 상기 예약 내역 정보 및 상기 방문 내역 정보 각각을 제1 인공 신경망에 입력하고; 상기 예약 내역 정보 및 상기 방문 내역 정보를 제외한 상기 매장의 기존 매출 데이터를 제2 인공 신경망에 입력하고; 그리고 상기 제1 인공 신경망의 출력 값들 및 상기 제2 인공 신경망의 출력 값들을 병합하도록 더 실행되고, 상기 병합된 상기 제1 인공 신경망의 출력 값들 및 상기 제2 인공 신경망의 출력 값들을 기초로 매장 수요 예측 모델을 정의하는 것을 특징으로 할 수 있다.
여기서, 상기 매장의 기존 매출 데이터는, 상기 매장의 업종 정보, 규모 정보, 지역 정보 중 적어도 하나를 지시하는 정보를 더 포함할 수 있다.
여기서, 상기 적어도 하나의 프로그램 명령은, 매장의 매출 데이터를 상기 데이터베이스에 업데이트하고; 그리고 상기 업데이트된 매장의 매출 데이터를 이용하여, 상기 매장 수요 예측 모델의 적합성 여부를 검토하도록 더 실행될 수 있다.
상술한 본 개시의 양태들은 본 개시의 바람직한 실시 예들 중 일부에 불과하며, 본 개시의 기술적 특징들이 반영된 다양한 실시 예들이 당해 기술분야의 통상적인 지식을 가진 자에 의해 이하 상술할 본 개시의 상세한 설명을 기반으로 도출되고 이해될 수 있다.
본 발명의 실시예에 따르면, 매장 수요 예측 시스템은 일자별 특성, 일자별 예약 내역을 기반으로 향후 매장의 수요를 예측함으로써, 과학적인 고객 분석 및 매출 예측 정보를 제공할 수 있다.
본 발명의 실시예에 따르면, 매장 수요 예측 시스템은 복수의 알고리즘들을 이용하여 복수의 매장 수요 예측 모델을 생성하고, 생성한 복수의 매장 수요 예측 모델들 각각을 평가함으로써, 보다 정확한 수요 예측 모델을 이용하여 고객 분석 및 매출 예측 정보를 제공할 수 있다.
본 발명을 통해 얻을 수 있는 효과는 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 매장 수요 예측 시스템의 구성의 실시예를 도시한 개념도이다.
도 2는 매장 수요 예측 시스템을 구성하는 디바이스의 구성의 실시예를 도시한 블록도이다.
도 3은 매장 수요 예측 시스템의 디바이스에 포함된 인공 신경망의 실시예를 도시한 개념도이다.
도 4는 매장 수요 예측 시스템의 인공지능 아키텍처 일 실시예를 도시한 개념도이다.
도 5는 매장 수요 예측 시스템의 매장 수요 예측 방법의 일 실시예를 도시한 흐름도이다.
도 6은 매장 수요 예측 시스템의 모델 수립 데이터 및 테스트 데이터를 이용한 수요 예측 모델의 생성 방법의 일 실시예를 도시한 흐름도이다.
도 7은 매장 수요 예측 시스템의 매장 수요 예측 모델의 생성 방법의 일 실시예를 도시한 흐름도이다.
도 8은 매장 수요 예측 시스템의 매장 수요 예측 모델 평가 방법의 일 실시예를 도시한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
본 발명에 따른 실시예들이 적용되는 매장 수요 예측 시스템이 설명될 것이다. 본 발명에 따른 실시예들이 적용되는 매장 수요 예측 시스템은 아래 설명된 내용에 한정되지 않으며, 본 발명에 따른 실시예들은 다양한 통신 시스템에 적용될 수 있다.
도 1은 매장 수요 예측 시스템의 구성의 실시예를 도시한 개념도이다.
도 1을 참조하면, 매장 수요 예측 시스템은 매장들 각각의 고객들을 관리하고, 매장의 수요를 예측하기 위한 매장 수요 예측 서버(110)와 네트워크(120)를 통해 매장 수요 예측 서버(110)와 연결되는 매장 관리 단말(130)을 포함할 수 있다.
매장 수요 예측 서버(110)는 각각의 매장의 고객들의 매장 방문 내역 정보, 매장 매출 내역 정보 등의 고객 관련 정보를 관리하고, 매장의 수요를 예측하기 위한 서비스를 제공하기 위해 필요한 정보들을 저장할 수 있다. 매장 수요 예측 서버(110)는 고객들의 매장에 대한 수요 예측 모델을 생성하는 알고리즘 및 매장 수요 예측 모델 등을 포함하는 정보들을 미리 저장할 수 있다.
네트워크(120)는 매장 수요 예측 서버(110)와 매장 관리 단말(130) 상호 간의 정보를 교환하기 위한 연결 구조를 의미할 수 있다. 네트워크(120)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE(long term evolution), VoLTE(voice over LTE), 5G NR(new radio) Wi-Fi(wireless-fidelity), 블루투스(Bluetooth), NFC, RFID (radio frequency identification) 홈 네트워크(home network), IoT(internet of things) 등을 포함할 수 있다.
매장 관리 단말(130)은 네트워크(120)를 통해 매장 수요 예측 서버(110)와 연결될 수 있다. 그리고 매장 관리 단말(130)은 컴퓨터, 태블릿, 스마트폰과 같은 사용자 장치(user equipment)를 포함할 수 있다. 매장 관리 단말(130)은 매장 수요 예측 서버(110)로부터 고객의 관리를 위한 서비스를 통해 제공되는 정보를 수신할 수 있다. 매장 수요 예측 서버(110)로부터 수신한 정보는 매장의 수요 예측 결과 데이터 등을 포함할 수 있다.
매장 관리 단말(130)은 수신한 매장의 수요 예측 결과 데이터 등을 출력 장치를 통해 디스플레이할 수 있다. 그리고 매장 관리 단말(130)은 사용자로부터 입력받은 정보를 기초로 매장 수요 예측 서버(110)로부터 제공받은 서비스에 대해 피드백할 수 있다.
도 1의 매장 수요 예측 서버(110), 매장 관리 단말(130)는 디바이스로 지칭될 수 있으며, 디바이스의 구성은 아래에 설명하는 바와 같을 수 있다.
도 2는 매장 수요 예측 시스템을 구성하는 디바이스의 구성의 실시예를 도시한 블록도이다.
매장 수요 예측 서버에 포함된 디바이스(200)는, 적어도 하나의 프로세서(210) 및 적어도 하나의 프로세서(210)가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(220)를 포함할 수 있다.
여기서 적어도 하나의 프로세서(210)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(220) 및 저장 장치(260) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(220)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중에서 적어도 하나로 구성될 수 있다.
또한, 매장 수요 예측 서버에 포함된 디바이스(200)는, 무선 네트워크를 통해 통신을 수행하는 송수신 장치(transceiver)(230)를 포함할 수 있다. 또한, 매장 수요 예측 서버에 포함된 디바이스(200)는 입력 인터페이스 장치(240), 출력 인터페이스 장치(250), 저장 장치(260) 등을 더 포함할 수 있다. 매장 수요 예측 서버에 포함된 디바이스(200)에 포함된 각각의 구성 요소들은 버스(bus)(270)에 의해 연결되어 서로 통신을 수행할 수 있다.
또한 매장 수요 예측 서버에 포함된 디바이스(200)는 인공 신경망을 구현/구동하기 위한 하드웨어적인 구성요소 또는 소프트웨어적인 구성요소들을 더 포함할 수 있다. 예를 들어, 하드웨어적인 구성요소들은 NPU(neural processer unit) 등을 포함할 수 있다. 예를 들어, 소프트웨어적인 구성요소들은 프레임워크(framework), 커널(kernel) 또는 장치 드라이버(device driver), 미들웨어(middleware), 어플리케이션 프로그래밍 인터페이스(application programming interface, API), 어플리케이션 프로그램(또는 어플리케이션) 등을 포함할 수 있다. 디바이스에 의해 구현되는 인공 신경망은 아래에 설명하는 바와 같다.
도 3은 매장 수요 예측 시스템의 디바이스에 포함된 인공 신경망의 실시예를 도시한 개념도이다.
도 3을 참조하면, 인공 신경망은 입력 레이어(IL), 복수의 히든 레이어들(HL1, HL2, ..., HLn) 및 출력 레이어(OL)를 포함할 수 있다.
입력 레이어(IL)는 i(i는 자연수)개의 입력 노드들(x1, x2, ..., xi)을 포함할 수 있다. 그리고, 길이가 i인 벡터 입력 데이터가 입력 노드에 입력될 수 있다.
복수의 히든 레이어들(HL1, HL2, ..., HLn)은 n(n은 자연수)개의 히든 레이어들을 포함하며, 히든 노드들(h11, h12, h13, ..., h1m, h21, h22, h23, ..., h2m, hn1, hn2, hn3, ..., hnm)을 포함할 수 있다. 예를 들어, 히든 레이어(HL1)는 m(m은 자연수)개의 히든 노드들(h11, h12, h13, ..., h1m)을 포함할 수 있고, 히든 레이어(HL2)는 m개의 히든 노드들(h21, h22, h23, ..., h2m)을 포함할 수 있으며, 히든 레이어(HLn)는 m개의 히든 노드들(hn1, hn2, hn3, ..., hnm)을 포함할 수 있다.
출력 레이어(OL)는 분류할 클래스에 대응하는 j(j는 자연수)개의 출력 노드들(y1, y2, ..., yj)을 포함할 수 있고, 입력 데이터에 대하여 각 클래스 별로 결과(예를 들어, 점수 또는 class score)를 출력할 수 있다. 출력 레이어(OL)는 전연결(fully connected) 레이어라고 부를 수 있다.
도 3에 도시된 인공 신경망은 두 개의 노드들 사이에 직선으로 도시된 노드들 간의 연결(branch)과, 연결되는 노드들 간의 가중치(weight) 값들을 포함할 수 있다. 여기서, 하나의 레이어 내의 노드들은 서로 연결이 되지 않을 수 있고, 서로 다른 레이어들에 포함되는 노드들은 완전하게 혹은 부분적으로 연결될 수 있다.
도 3의 각 노드(예를 들어, h11)는 이전 노드(예를 들어, x1)의 출력을 입력 받아 연산할 수 있고, 연산 결과를 이후 노드(예를 들어, h21)에게 전달할 수 있다. 여기서, 노드들 각각은 입력된 값을 특정 함수(예를 들어, 비선형 함수)에 적용하여 출력할 값을 연산할 수 있다.
일반적으로 인공 신경망의 구조는 미리 결정되어 있으며, 노드들 간의 연결에 따른 가중치들은 이미 어떤 클래스에 속할지 정답이 알려진 데이터를 이용하여 적절한 값을 산정할 수 있다. 이미 정답이 알려진 데이터를 '학습 데이터'라고 지칭하고, 가중치를 결정하는 과정을 '학습'이라고 지칭할 수 있다. 또한, 독립적으로 학습이 가능한 구조와 가중치의 묶음을 '모델'이라고 지칭할 수 있다.
즉, 도 2에 도시된 서버 등의 디바이스는 도 3에 도시된 인공 신경망을 이용하여, 시스템에서 지원하는 동작들을 수행할 수 있다. 매장 수요 예측 시스템에 포함된 서버 및 매장 관리 단말들이 실행하는 알고리즘 및 동작들은 아래에 설명하는 바와 같을 수 있다.
도 4는 매장 수요 예측 시스템의 인공지능 아키텍처 일 실시예를 도시한 개념도이다.
도 4를 참조하면, 매장 수요 예측 시스템의 인공지능 아키텍처는, 클라우드 컴퓨팅 솔루션, VPC(virtual private cloud)를 포함하는 가상 컴퓨팅 머신, 데이터베이스, 데이터 수집 및 처리 엔진 등을 포함할 수 있다. 매장 수요 예측 시스템의 인공지능 아키텍처의 구성들 및 구성들 각각의 동작 흐름은 아래에 설명하는 바와 같을 수 있다.
인공지능 아키텍처의 이벤트 신호 발생부는 지정된 시간에 신호를 생성하고, 구체적으로, 매일 지정된 시간(예를 들어, 오전 7시)에 클라우드 컴퓨팅 솔루션을 호출한다. 클라우드 컴퓨팅 솔루션은 인스턴스 제어부(instance-controller)로서의 기능을 수행할 수 있다.
클라우드 컴퓨팅 솔루션은 가상 컴퓨팅 머신을 부팅시킬 수 있다. 여기서, 가상 컴퓨팅 머신은 클라우드 상에서 실행되는 컴퓨팅 머신으로, EC2 인스턴스 등과 같은 컴퓨팅 머신일 수 있다. 가상 컴퓨팅 머신은 등록된 시작 프로그램을 실행한다. 구체적으로, 가상 컴퓨팅 머신은 실행 쉘 스크립트 파일(start.sh) 중, 엔진 시작 스크립트(start.py)를 실행한다. 엔진 시작 스크립트의 옵션은 아래에 설명하는 바와 같다.
업데이트(updated): 엔진 시작 스크립트에 옵션이 없는 경우, 가상 컴퓨팅 머신은 엔진 시작 스크립트의 코드를 최신버전으로 업데이트하고 updated 옵션을 부여한 후에, 엔진 시작 스크립트를 다시 실행한다. 엔진 시작 스크립트를 처음 실행하는 경우, 업데이트 옵션은 엔진 시작 스크립트에 부여되지 않을 수 있다.
전처리(preprocess): 엔진 시작 스크립트에 전처리 옵션이 부여된 경우, 가상 컴퓨팅 머신은 임시 날씨데이터 및 기타 엔진 데이터 저장소와 예약, 매장 데이터를 저장하는 데이터베이스로부터 학습에 필요한 전날까지의 데이터를 불러오고, 전처리 작업을 실행함으로써, 불러온 데이터를 학습 데이터로 가공 가능한 형태로 변환할 수 있다.
모델 타입(model_type)=(LightGBM|XGBoost|Dense): 가상 컴퓨팅 머신은 엔진 시작 스크립트에 부여된 모델 타입 옵션에 기초하여, 머신 러닝 엔진(예를 들어, TMEngine)으로 학습시킬 모델을 선택한다.
레이블(label): 가상 컴퓨팅 머신은 학습 후 데이터 수집 및 처리 엔진과 같은 예측 결과 데이터 저장소에 저장된 하루 전 레이블 데이터를 업데이트하고, 엔진 시작 스크립트에 레이블 옵션을 부여한다. 일반적으로 마지막에 실행하는 스크립트에 레이블 옵션이 부여된다.
강제 시작(forced_start): 엔진 시작 스크립트에 강제 시작 옵션이 부여된 경우, 가상 컴퓨팅 머신은 미리 설정된 유지 시간(예를 들어, MAINTENANCE_TIME) 경과 후에도, 엔진 시작 스크립트를 실행할 수 있다.
셧다운(shutdown): 엔진 시작 스크립트에 셧다운 옵션이 부여된 경우, 가상 컴퓨팅 머신은 학습 종료 후 가상 컴퓨팅 머신을 종료한다. 일반적으로 마지막으로 실행되는 스크립트에 셧다운 옵션이 부여된다.
낫업데이트(not_update): 엔진 시작 스크립트에 낫업데이트 옵션이 부여된 경우, 가상 컴퓨팅 머신은 학습 종료 후 예측 결과 생성한 데이터를 데이터 수집 및 처리 엔진에 업로드하지 않을 수 있다.
엔진 시작 스크립트(start.py)는 머신 러닝 엔진(예를 들어, TMEngine)을 실행시킨다. 머신 러닝 엔진은 데이터의 학습을 수행한다.
머신 러닝 엔진은 전처리 동작을 수행함으로써, 학습 데이터를 업데이트하고, 파이선 환경에서 사용 가능한 형태인 데이터 셋으로 변환할 수 있다. 머신 러닝 엔진은 변환된 데이터 셋을 기초로 학습용 데이터인 입력 데이터 및 레이블(label) 데이터를 생성할 수 있다
머신 러닝 엔진은 학습 데이터 중에서 검증(validation)을 위한 데이터를 분류할 수 있다. 구체적으로, 머신 러닝 엔진은 학습 데이터를 트레이닝 데이터와 검증 데이터로 구분하고, 통상적으로 트레이닝 데이터와 검증 데이터의 비율은 9 : 1일 수 있다. 여기서, 모델 학습 과정에서 적절한 평가를 위해, 트레이닝 데이터와 검증 데이터의 데이터 구성은 서로 유사한 것이 바람직하다. 머신 러닝 엔진은 레이블 데이터의 통계적 분포를 분석하고, 분석 결과를 반영함으로써, 특정 값을 기준으로 특정 비율로 분할되는 지점을 찾는다.
머신 러닝 엔진은 모델을 정의하고 학습한다. 모델을 구성하는 알고리즘의 종류는 실행 옵션에 따라 달라질 수 있다. 여기서, 모델을 구성하는 알고리즘은 XGBoost 알고리즘, LightBGM 알고리즘, 딥러닝 알고리즘을 포함할 수 있다. 그리고 딥러닝 알고리즘은 DNN(deep neural network) 기반 알고리즘, CNN(convolutional neural network) 기반 알고리즘, RNN(recurrent neural network) 기반 알고리즘, 및 LSTM(long short term memory) 기반 알고리즘 등을 포함할 수 있다.
머신 러닝 엔진은 모델을 통해 미리 준비된 예측용 입력 데이터를 기초로 예측 값을 생성한다. 머신 러닝 엔진은 모델 정보, 예측 세팅, 예측 대상 입력 데이터 및 예측 값 등을 저장한다.
가상 컴퓨팅 머신은 예측 결과 데이터를 분산 검색 엔진에 저장한다. 그리고 가상 컴퓨팅 머신은 예측 결과 데이터를 시각화 도구에 연동함으로써, 예측 결과 데이터 및/또는 엔진 로그 등을 시각화하고, 예측 결과 데이터 및/또는 엔진 로그의 분석 결과를 출력할 수 있다.
가상 컴퓨팅 머신은 엔진 로그를 분석할 수 있으며, 엔진 로그의 분석 결과를 기초로 시스템의 장애 발생 여부를 감지할 수 있다. 시스템의 장애 발생을 감지한 경우, 가상 컴퓨팅 머신은 분산 검색 엔진에 저장된 데이터를 참조하여 알림 신호를 생성하는 서비스를 통해 메세지를 전송한다. 관리자는 수신한 메시지를 기초로 대응 작업 등의 진행을 요청할 수 있다.
가상 컴퓨팅 머신을 포함하는 매장 수요 예측 시스템의 매장 수요 예측 방법은 아래에 설명하는 바와 같다.
도 5는 매장 수요 예측 시스템의 매장 수요 예측 방법의 일 실시예를 도시한 흐름도이다.
S501 단계에서, 서버는 데이터베이스로부터 매장의 일자별 고객들의 예약 내역 정보 및 방문 내역 정보를 포함하는 매장의 기존 매출 데이터를 획득할 수 있다. 기존 매출 데이터는 매장의 수요 예측을 위한 입력 데이터일 수 있다. 매장의 기존 매출 데이터는 일자별 특성 정보를 포함할 수 있으며, 일자별 특성 정보는 날짜, 날씨, 휴일/공휴일 여부를 포함할 수 있다.
S503 단계에서, 서버는 매장의 기존 매출 데이터의 각각의 정보들을 전처리(preprocessing)할 수 있다. 서버는 각각의 정보의 특성에 따라서 미리 정의된 기준으로 각각의 정보들을 전처리할 수 있으며, 정보들 각각은 아래와 같이 전처리될 수 있다.
날짜 데이터는 연도, 월, 일, 요일을 지시하도록 전처리될 수 있으며, 주말 여부, 공휴일 여부 및/또는 휴일 여부를 지시하도록 전처리될 수 있다. 날씨 데이터는 특정 날짜의 계절, 기온, 강수 여부 등을 지시하도록 전처리될 수 있다.
예약 데이터는 고객들의 매장 방문 예약 정보를 포함하고, 서버는 고객들의 매장 방문 예약 정보를 일정 시구간 단위(예를 들어, 주 단위)로 구분되도록 전처리될 수 있다. 예를 들어, 서버는 예약 데이터를 34일 내지 28일 전의 예약 수, 27일 내지 21일 전의 예약 수, 20일 내지 14일 전의 예약 수, 13일 내지 7일 전의 예약 수 및 당일 예약 수로 구분할 수 있다.
서버는 매장의 규모를 지시하도록 매장의 기존 매출 데이터를 전처리할 수 있다. 서버는 예측 시점 이전의 일정 장기 기간(예를 들어, 3개월 간)의 평균 일간 예약 수를 산출할 수 있고, 예측 시점 이전의 일정 단기 기간(예를 들어, 1개월 간)의 평균 일간 예약 수를 산출할 수 있으며, 예측 시점 전월의 평균 방문자 수를 산출함으로써, 매장의 기존 매출 데이터를 전처리할 수 있다.
그리고 서버는 매장의 주문 수 및 테이블 수를 산출함으로써, 매장의 기존 매출 데이터를 전처리할 수 있다. 또한 서버는 매장의 규모 정보 뿐만 아니라 업종 정보 및/또는 지역 정보를 지시하도록 매장의 기존 매출 데이터를 전처리할 수 있다.
서버는 고객들의 매장 방문 경향성을 지시하도록 매장의 기존 매출 데이터를 전처리할 수 있다. 서버는 매장의 총 예약 수와 워크인 예약 수를 기초로 워크인 비율을 산출할 수 있다. 그리고 서버는 매장의 총 예약 정보를 요일별로 분류함으로써, 요일 별 예약 수를 산출함으로써, 매장의 기존 매출 데이터를 전처리할 수 있다.
S505 단계에서, 서버는 미리 설정된 복수의 알고리즘들을 이용하여, 전처리된 매장의 기존 매출 데이터의 각각의 정보들을 학습하고, 복수의 매장 수요 예측 모델들을 생성할 수 있다. 매장의 기존 매출 데이터는 수요 예측 모델 생성 및 평가 과정에서의 용도에 따라, 모델의 학습을 위한 트레이닝 데이터(training data)와 모델의 평가를 위한 테스트 데이터(testing data)로 구분될 수 있다. 그리고 트레이닝 데이터는 모델을 수립하기 위한 데이터인 모델 수립 데이터 및 모델의 적합성을 검증하기 위한 검증 데이터(validation data)로 구분될 수 있다.
서버는 서로 다른 복수의 알고리즘들을 이용하여 매장의 기존 매출 데이터 중 적어도 일부(예를 들어, 모델 수립 데이터)를 학습할 수 있으며, 이외의 데이터(예를 들어, 검증 데이터)를 이용하여 학습 결과의 적합성을 판단할 수 있다. 여기서, 기존 매출 데이터 중에서 학습을 수행하기 위해 사용되는 모델 수립 데이터를 추출하는 방법, 추출된 모델 수립 데이터를 이용하여 학습을 수행하는 방법은 아래에 설명하는 바와 같다.
도 6은 매장 수요 예측 시스템의 모델 수립 데이터 및 검증 데이터를 이용한 수요 예측 모델의 생성 방법의 일 실시예를 도시한 흐름도이다.
S601 단계에서, 서버는 레이블 데이터를 기초로 매장의 기존 매출 데이터를 미리 설정된 비율에 따라 분류할 수 있다. 구체적으로 서버는 매장의 기존 매출 데이터 중에서 트레이닝 데이터 각각의 레이블 데이터를 기초로 트레이닝 데이터를 미리 설정된 비율에 따라 분류할 수 있다. 여기서, 레이블 데이터는 일별 매장의 예약 수를 지시할 수 있다. 즉, 서버는 레이블 데이터의 분포도를 분석하고, 분포도를 기초로 매장의 기존 매출 데이터를 분류할 수 있다.
예를 들어, 20 이하인 레이블 데이터를 가지는 표본이 80%이고, 20 초과인 레이블 데이터를 가지는 표본이 20%인 경우, 서버는 레이블 데이터를 기준으로 매장의 기존 매출 데이터를 두 개의 그룹으로 분류할 수 있다. 여기서, 제1 그룹은 20 이하인 레이블 데이터를 포함하는 데이터 그룹이고, 제2 그룹은 20 초과인 레이블 데이터를 포함하는 데이터 그룹일 수 있다.
S603 단계에서, 서버는 미리 설정된 비율에 따라서, 매장의 기존 매출 데이터 중에서 모델 수립 데이터를 추출할 수 있다. 예를 들어 서버는 매장의 모델 수립 데이터의 80%를 제1 그룹에서 추출하고, 20%를 제2 그룹에서 추출할 수 있다. 그리고 모델 수립 데이터를 제외한 기존 매출 데이터는 검증 데이터일 수 있다. 따라서, 서버는 모델 수립 데이터와 검증 데이터의 레이블 분포도를 유사하게 설정할 수 있다.
S605 단계에서, 서버는 매장의 기존 매출 데이터 중에서 모델 수립 데이터를 학습한 모델을 생성할 수 있다. 서버는 서로 다른 알고리즘들을 이용하여 모델 수립 데이터를 학습함으로써 복수의 수요 예측 모델을 생성할 수 있다. 여기서, 복수의 알고리즘들은 XGBoost 알고리즘, LightBGM 알고리즘, 딥러닝 알고리즘, 선형 회귀 (Linear Regression) 알고리즘, SVM(Support Vector Machine) 알고리즘, 결정 트리(Decision Tree) 알고리즘, 및 랜덤 포레스트(Random Forest) 알고리즘 등을 포함할 수 있다. 그리고 딥러닝 알고리즘은 DNN 기반 딥러닝 알고리즘, CNN 기반 알고리즘, LSTM 기반 알고리즘 등을 포함할 수 있다.
서버는 복수의 수요 예측 모델들을 생성하고, 복수의 모델들의 예측치의 평균을 산출함으로써, 예측 값의 정확도를 향상시킬 수 있다. 또는 서버는 복수의 수요 예측 모델들 각각의 정확도를 비교하고, 가장 높은 정확도를 가지는 하나의 모델을 이용하여 예측치를 산출함으로써, 예측 값의 정확도를 향상시킬 수 있다.
S607 단계에서, 서버는 매장의 기존 매출 데이터 중에서 모델 수립 데이터를 제외한 데이터인 검증 데이터를 이용하여, 생성한 수요 예측 모델을 검증할 수 있다. 여기서, 서버는 K-폴드 크로스 검증(K-fold cross validation) 알고리즘을 이용하여 수요 예측 모델의 적합성 여부를 검증할 수 있다. 서버는 검증 데이터를 이용한 검증 결과, 생성한 수요 예측 모델의 정확도를 산출할 수 있다.
서버는 모델 수립 데이터를 학습하고, 수요 예측 모델을 생성함에 있어, 복수의 모델들을 이용하여 하나의 수요 예측 모델을 생성할 수 있다. 서버의 복수의 모델들 중 하나인 매장 수요 예측 모델의 생성 동작은 아래의 설명하는 바와 같다.
도 7은 매장 수요 예측 시스템의 매장 수요 예측 모델의 생성 방법의 일 실시예를 도시한 흐름도이다.
서버는 매장의 예약 내역 정보, 방문 내역 정보, 날짜 정보, 날씨 정보, 매장의 규모 정보, 업종 정보 및/또는 지역 정보 중 적어도 하나의 정보를 포함하는 매장의 기존 매출 데이터를 기초로 학습을 수행할 수 있다. 특히 서버는 매장의 기존 매출 데이터 중에서, 트레이닝 데이터의 일부인 모델 수립 데이터를 학습함으로써, 매장의 수요 예측 모델을 생성할 수 있다.
S701 단계에서, 서버는 예약 내역 정보 및 방문 내역 정보를 제1 인공 신경망에 입력할 수 있다. 예약 내역 정보 중에서 일간 예약 수 정보를 제1 인공 신경망에 입력할 수 있으며, 방문 내역 정보 중에서 방문 인원 수 정보를 제1 인공 신경망에 입력할 수 있다. 여기서, 제1 인공 신경망은 CNN, DNN, RNN 중 하나에 기반한 인공 신경망일 수 있다.
예를 들어, 제1 인공 신경망이 CNN에 기반한 인공 신경망인 경우, 서버는 일간 예약 수 정보를 입력받아 일차원 합성 곱 연산을 수행하고, 합성 곱 연산 수행 결과 산출된 값을 활성화 함수에 입력하여 최종 출력치를 산출할 수 있다. 여기서, 활성화 함수는 MaxPooling 함수, Softmax 함수, ReLu 함수 중 하나 이상의 함수일 수 있다.
S703 단계에서, 서버는 예약 내역 정보 및 방문 내역 정보를 제외한 매장의 기존 매출 데이터를 제2 인공 신경망에 입력할 수 있다. 여기서, 예약 내역 정보 및 방문 내역 정보를 제외한 매장의 기존 매출 데이터는 날짜 정보, 날씨 정보, 매장의 주문 수 및 테이블 수를 비롯한 매장 규모 정보, 매장의 업종 및 지역 정보 중 적어도 하나의 정보를 포함할 수 있다. 그리고 제2 인공 신경망은 DNN, CNN, RNN 중 하나의 인공 신경망일 수 있다. 그리고 제2 인공 신경망은 제1 인공 신경망과 별개의 인공 신경망일 수 있으나, 이에 한정되지는 아니한다.
예를 들어, 제2 인공 신경망이 DNN에 기반한 인공 신경망인 경우, 서버는 날짜 관련 데이터 및 시간 관련 데이터를 덴스 레이어에 입력하고, 덴스 레이어의 출력 값을 활성화 함수에 입력하여 최종 출력치를 산출할 수 있다. 여기서, 활성화 함수는 MaxPooling 함수, Softmax 함수, ReLu 함수 중 하나 이상의 함수일 수 있다.
S705 단계에서, 서버는 제1 인공 신경망의 출력 값 및 제2 인공 신경망의 출력 값을 병합할 수 있다. 즉, 서버는 인공 신경망들 각각에 입력 결과 출력된 예약 수 정보, 방문 인원 정보, 날짜 정보, 날씨 정보, 매장의 규모 정보, 업종 정보 및/또는 지역 정보 중 적어도 일부의 정보들을 병합할 수 있다. 예약 수 정보, 방문 인원 정보, 날짜 정보, 날씨 정보, 매장의 규모 정보, 업종 정보 및/또는 지역 정보 중 적어도 일부의 정보들을 병합한 결과 생성된 데이터는 병합 데이터로 지칭된다.
S707 단계에서, 서버는 제1 인공 신경망의 출력 값 및 상기 제2 인공 신경망의 출력 값을 기초로 매장 수요 예측 모델을 정의할 수 있다. 서버는 병합 데이터를 인공 신경망을 기반으로 한 모델에 입력함으로써, 병합 데이터를 기초로 매장 수요 예측 모델을 정의할 수 있다.
여기서, 인공 신경망은 DNN, CNN, RNN 중 하나의 인공 신경망일 수 있다. 예를 들어, 제2 인공 신경망이 DNN에 기반한 인공 신경망인 경우, 매장 수요 예측 모델은 입력 받은 병합 데이터를 덴스 레이어에 입력하고, 덴스 레이어의 출력 값을 활성화 함수에 입력하여 최종 출력치를 산출할 수 있다. 여기서, 활성화 함수는 MaxPooling 함수, Softmax 함수, ReLu 함수 중 하나 이상의 함수일 수 있다.
서버는 하나 이상의 정보를 포함하는 매장의 기존 매출 데이터를 매장 수요 예측 모델에게 학습시킬 수 있다. 그리고 서버는 학습을 완료한 매장 수요 예측 모델을 이용하여 매장의 수요를 예측할 수 있다.
다시 도 5를 참조하면, S507 단계에서, 서버는 복수의 매장 수요 예측 모델들 각각을 생성하기 위해 사용한 복수의 알고리즘들 각각에 초모수 설정치를 할당할 수 있다. 초모수는 모델에서의 학습 기준이 되는 변수를 의미하며, 은닉층의 개수, 노드의 개수, 활성화 함수, 최적화 방법, 테스트 회수(epoch), 배치(batch), 드랍아웃(dropout) 중 적어도 하나를 포함할 수 있다. 서버는 모델을 생성하기 위해 미리 정의한 최적의 초모수의 설정치를 사용한 알고리즘에 할당할 수 있다. 그리고 서버는 하나의 라이브러리 상에서 모델을 생성하기 위한 알고리즘들에 각각의 초모수들의 설정치를 저장할 수 있다. 따라서 서버는 학습 동작을 수행함에 있어, 복수의 알고리즘들을 용이하게 전환할 수 있다.
S509 단계에서, 서버는 복수의 매장 수요 예측 모델들 각각을 평가할 수 있으며, 평가 결과를 기초로 매장 수요 예측 모델을 결정할 수 있다. 구체적으로 서버는 매장의 기존 데이터 중에서 트레이닝 데이터를 제외한 테스트 데이터를 이용하여 복수의 매장 수요 예측 모델들 각각의 평가 지표를 산출할 수 있다. 복수의 매장 수요 예측 모델들 각각을 평가하기 위한 평가 지표들을 산출하고, 평가 지표를 기초로 복수의 매장 수요 예측 모델들 각각을 평가하는 서버의 동작은 아래에 설명하는 바와 같다.
도 8은 매장 수요 예측 시스템의 매장 수요 예측 모델 평가 방법의 일 실시예를 도시한 도면이다.
서버는 매장의 예약 내역 정보, 방문 내역 정보, 날짜 정보, 날씨 정보, 매장의 규모 정보, 업종 정보 및/또는 지역 정보 중 적어도 하나의 정보를 포함하는 매장의 기존 매출 데이터를 매장 수요 예측 모델을 평가할 수 있다. 특히 서버는 매장의 기존 매출 데이터 중에서, 테스트 데이터를 매장의 수요 예측 모델에 입력함으로써, 예측 값을 산출할 수 있고, 산출된 예측 값과 실제 레이블 데이터의 비교 결과를 기초로 매장 수요 예측 모델을 평가할 수 있다.
S801 단계에서, 서버는 매장 수요 예측 모델들 각각의 평가 지표들을 산출할 수 있다. 평가 지표들은 매장 수요 예측 모델의 오류 값을 기초로 산출될 수 있다. 평가 지표들은 MAE(mean absolute error), MAPE(mean absolute percentage error)를 포함할 수 있다.
서버는 수학식 1의 연산을 수행함으로써, 매장 수요 예측 모델의 MAE를 산출할 수 있다.
Figure 112021012632371-pat00001
수힉식 1에서, yi는 모델을 통한 매장 수요의 예측 값을 지시하고, xi는 매장의 테스트 데이터의 레이블 데이터 값을 지시한다. n은 테스트 데이터 전체의 개수를 지시할 수 있다.
그리고, 서버는 수학식 2의 연산을 수행함으로써, 매장 수요 예측 모델의 MAPE를 산출할 수 있다.
Figure 112021012632371-pat00002
수학식 2에서, At는 실제 매장의 수요 값을 지시하고, Ft는 모델을 통한 매장 수요의 예측 값을 지시한다. n은 테스트 데이터 전체의 개수를 지시할 수 있다.
S803 단계에서, 서버는 매장 수요 예측 모델들 각각의 평가 지표들의 분포를 산출할 수 있다. 서버는 예측 데이터들 각각의 평균 오차율의 최대 값인 max_APE(max average percentage error) 및 MAPE를 기초로 max_APE와 MAPE 간의 이변수 정규 분포를 산출할 수 있다. 따라서, 서버는 max_APE와 MAPE의 2차원 정규 분포를 산출할 수 있다. 서버는 max_APE 및 MAPE의 정규 분포를 산출함에 있어, MAE, 피어슨 계수, SSE 중 적어도 하나를 더 반영함으로써, max_APE와 MAPE의 2차원 정규 분포를 산출할 수 있다.
S805 단계에서, 서버는 매장 수요 예측 모델들 각각의 평가 지표들 간의 PCA(principal component analysis) 벡터를 추출할 수 있다. 서버는 max_APE와 MAPE의 2차원 정규 분포를 기초로 PCA 벡터를 추출할 수 있다.
S807 단계에서, 서버는 매장 수요 예측 모델들 각각의 평가 지표들의 분포 및 PCA 벡터를 기초로 매장 수요 예측 모델의 정확성을 산출할 수 있다. 서버는 max_APE 및 MAPE의 분포를 산출할 수 있다. 여기서, 산출되는 분포는 max_APE 및 MAPE의 유클리디언 거리의 분포일 수 있다. 서버는 산출된 분포의 비대칭도, 평균, 중간 값 및 표준 편차 중 적어도 하나의 값을 기초로 매장 수요 예측 모델에 의한 안정성, 정확성 및/또는 신뢰성을 평가할 수 있다. 그리고 서버는 PCA 벡터의 크기 및 방향을 기초로 수요 예측 모델에 의한 안정성 등을 평가할 수 있다.
다시 도 5를 참조하면, S509 단계에서, 서버는 결정된 매장 수요 예측 모델을 이용하여, 매장의 수요를 예측할 수 있다. 서버는 데이터베이스로부터 매장의 수요 예측을 위한 입력 데이터를 획득할 수 있으며, 획득한 입력 데이터를 결정된 매장 수요 예측 모델에 입력함으로써, 매장의 수요를 예측할 수 있다.
서버는 매장의 매출 데이터를 주기적으로 데이터베이스에 업데이트할 수 있다. 그리고 서버는 업데이트된 매장의 매출 데이터를 이용하여, 매장 수요 예측 모델의 적합성 여부를 지속적으로 검토할 수 있다. 업데이트된 매장의 매출 데이터를 이용한 미리 설정된 값 이상의 정확도가 산출된 경우, 서버는 매장의 수요 예측 모델을 유지할 수 있다. 반면, 업데이트된 매장의 매출 데이터를 이용한 테스트 결과, 업데이트된 매장의 매출 데이터를 이용한 미리 설정된 값 미만의 정확도가 산출된 경우, 서버는 매장의 수요 예측 모델의 초모수를 조정(hyperparameter tuning)할 수 있다.
일 실시예에 따르면, 서버는 특정 시간에 매장의 수요를 예측하는 동작을 실행할 수 있다. 서버는 미리 지정된 시간에 매장의 수요를 예측하고, 예측 결과를 저장할 수 있다. 여기서, 미리 지정된 시간은 매장의 개시 시간 이전의 시간일 수 있다. 서버의 관리자는 서버에 의해 산출된 예측 결과를 확인할 수 있으며, 예측 결과가 정상인 경우, 매장의 관리자 단말에게 예측 결과 데이터를 제공할 수 있다. 따라서, 서버는 입력 값을 획득하는 데에 걸리는 시간과 모델의 예측 시간을 줄일 수 있다.
본 발명에 따른 방법들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능 매체의 예에는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함한다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (14)

  1. 매장의 수요 예측 시스템의 동작 방법에 있어서,
    데이터베이스로부터 상기 매장의 일자별 고객들의 예약 내역 정보 및 방문 내역 정보를 포함하는 매장의 기존 매출 데이터를 획득하는 단계;
    상기 매장의 기존 매출 데이터를 전처리(preprocessing)하는 단계;
    상기 매장의 기존 매출 데이터 각각의 레이블 데이터를 기초로 상기 매장의 기존 매출 데이터를 서로 다른 그룹으로 분류하는 단계;
    미리 설정된 비율에 따라 상기 서로 다른 그룹들 각각의 기존 매출 데이터 중에서 모델 수립 데이터를 추출하는 단계;
    상기 모델 수립 데이터를 학습한 미리 설정된 복수의 알고리즘들을 이용하여 복수의 매장 수요 예측 모델들을 생성하는 단계;
    복수의 매장 수요 예측 모델들 각각의 평가 결과를 기초로 매장 수요 예측 모델을 결정하는 단계; 및
    결정된 상기 매장 수요 예측 모델을 이용하여, 상기 매장의 수요를 예측하는 단계를 포함하고,
    상기 매장 수요 예측 모델을 생성하는 단계는,
    상기 모델 수립 데이터 중에서, 상기 예약 내역 정보 및 상기 방문 내역 정보 각각을 제1 인공 신경망에 입력하는 단계;
    상기 모델 수립 데이터 중에서, 상기 예약 내역 정보 및 상기 방문 내역 정보를 제외한 상기 매장의 기존 매출 데이터를 제2 인공 신경망에 입력하는 단계; 및
    상기 제1 인공 신경망의 출력 값들 및 상기 제2 인공 신경망의 출력 값들을 병합하는 단계를 더 포함하고,
    복수의 매장 수요 예측 모델들 각각은 상기 병합된 상기 제1 인공 신경망의 출력 값들 및 상기 제2 인공 신경망의 출력 값들을 기초로 정의되고,
    상기 미리 설정된 비율은 상기 서로 다른 그룹의 데이터 량 분포에 상응하는, 동작 방법.
  2. 청구항 1에 있어서,
    상기 미리 설정된 복수의 알고리즘들 각각에 상기 생성된 매장 수요 예측 모델들 각각의 초모수(hyperparameter)를 할당하는 단계를 더 포함하는, 동작 방법.
  3. 청구항 1에 있어서,
    상기 복수의 매장 수요 예측 모델들을 생성하는 단계는,
    상기 기존 매출 데이터 중에서 상기 모델 수립 데이터를 제외한 데이터인 검증 데이터를 이용하여, 상기 모델들을 검증하는 단계를 포함하는, 동작 방법.
  4. 삭제
  5. 청구항 1에 있어서,
    상기 매장의 기존 매출 데이터는,
    상기 매장의 업종 정보, 규모 정보, 지역 정보 중 적어도 하나를 지시하는 정보를 더 포함하는, 동작 방법.
  6. 청구항 1에 있어서,
    매장의 매출 데이터를 상기 데이터베이스에 업데이트하는 단계;
    상기 업데이트된 매장의 매출 데이터를 이용하여, 상기 매장 수요 예측 모델의 적합성 여부를 검토하는 단계를 더 포함하는, 동작 방법.
  7. 매장의 수요 예측 시스템의 동작 방법에 있어서,
    데이터베이스로부터 상기 매장의 일자별 고객들의 예약 내역 정보 및 방문 내역 정보를 포함하는 매장의 기존 매출 데이터를 획득하는 단계;
    상기 매장의 기존 매출 데이터를 전처리(preprocessing)하는 단계;
    상기 매장의 기존 매출 데이터 각각의 레이블 데이터를 기초로 상기 매장의 기존 매출 데이터를 서로 다른 그룹으로 분류하는 단계;
    미리 설정된 비율에 따라 상기 서로 다른 그룹들 각각의 기존 매출 데이터 중에서 모델 수립 데이터를 추출하는 단계;
    상기 모델 수립 데이터 중에서, 상기 예약 내역 정보 및 상기 방문 내역 정보 각각을 제1 인공 신경망에 입력하는 단계;
    상기 모델 수립 데이터 중에서, 상기 예약 내역 정보 및 상기 방문 내역 정보를 제외한 상기 매장의 기존 매출 데이터를 제2 인공 신경망에 입력하는 단계;
    상기 제1 인공 신경망의 출력 값들 및 상기 제2 인공 신경망의 출력 값들을 병합하는 단계;
    상기 모델 수립 데이터를 학습한 미리 설정된 복수의 알고리즘들을 이용하여, 병합된 상기 제1 인공 신경망의 출력 값들 및 상기 제2 인공 신경망의 출력 값들을 기초로 정의되는 복수의 매장 수요 예측 모델들을 생성하는 단계;
    복수의 매장 수요 예측 모델들 각각의 MAPE(mean absolute percentage error) 및 예측 데이터들 각각의 평균 오차율의 최대치를 포함하는 평가 지표를 산출하는 단계;
    상기 MAPE 및 상기 평균 오차율의 최대치를 기초로 이변수 정규 분포를 산출하는 단계;
    상기 이변수 정규 분포를 기초로 상기 복수의 매장 수요 예측 모델들 각각의 평가 지표들 간의 PCA(principal component　analysis) 벡터를 추출하는 단계;
    복수의 매장 수요 예측 모델들의 상기 평가 지표들의 분포 및 상기 평가 지표들 간의 PCA 벡터를 기초로, 매장 수요 예측 모델을 결정하는 단계; 및
    결정된 상기 매장 수요 예측 모델을 이용하여, 상기 매장의 수요를 예측하는 단계를 포함하는, 동작 방법.
  8. 매장의 수요 예측 시스템의 서버로서,
    적어도 하나의 프로그램 명령이 저장된 메모리;
    상기 적어도 하나의 프로그램 명령을 수행하는 프로세서; 및
    네트워크와 연결되어 통신을 수행하는 송수신 장치를 포함하고,
    상기 적어도 하나의 프로그램 명령은,
    데이터베이스로부터 상기 매장의 일자별 고객들의 예약 내역 정보 및 방문 내역 정보를 포함하는 매장의 기존 매출 데이터를 획득하고;
    상기 매장의 기존 매출 데이터를 전처리(preprocessing)하고;
    상기 매장의 기존 매출 데이터 각각의 레이블 데이터를 기초로 상기 매장의 기존 매출 데이터를 서로 다른 그룹으로 분류하고;
    미리 설정된 비율에 따라 상기 서로 다른 그룹들 각각의 기존 매출 데이터 중에서 모델 수립 데이터를 추출하고;
    상기 모델 수립 데이터를 학습한 미리 설정된 복수의 알고리즘들을 이용하여 복수의 매장 수요 예측 모델들을 생성하고;
    복수의 매장 수요 예측 모델들 각각의 평가 결과를 기초로 매장 수요 예측 모델을 결정하고; 그리고
    결정된 상기 매장 수요 예측 모델을 이용하여, 상기 매장의 수요를 예측하도록 실행되고,
    상기 매장 수요 예측 모델을 생성하도록 실행됨에 있어,
    상기 모델 수립 데이터 중에서, 상기 예약 내역 정보 및 상기 방문 내역 정보 각각을 제1 인공 신경망에 입력하고;
    상기 모델 수립 데이터 중에서, 상기 예약 내역 정보 및 상기 방문 내역 정보를 제외한 상기 매장의 기존 매출 데이터를 제2 인공 신경망에 입력하고; 그리고
    상기 제1 인공 신경망의 출력 값들 및 상기 제2 인공 신경망의 출력 값들을 병합하도록 더 실행되고,
    복수의 매장 수요 예측 모델들 각각은 상기 병합된 상기 제1 인공 신경망의 출력 값들 및 상기 제2 인공 신경망의 출력 값들을 기초로 정의되고,
    상기 미리 설정된 비율은 상기 서로 다른 그룹의 데이터 량 분포에 상응하는, 서버.
  9. 청구항 8에 있어서,
    상기 적어도 하나의 프로그램 명령은,
    상기 미리 설정된 복수의 알고리즘들 각각에 상기 생성된 매장 수요 예측 모델들 각각의 초모수(hyperparameter)를 할당하도록 더 실행되는, 서버.
  10. 청구항 8에 있어서,
    상기 적어도 하나의 프로그램 명령은,
    상기 복수의 매장 수요 예측 모델들을 생성하도록 실행됨에 있어,
    상기 기존 매출 데이터 중에서 상기 모델 수립 데이터를 제외한 데이터인 검증 데이터를 이용하여, 상기 모델들을 검증하도록 실행되는, 서버.
  11. 삭제
  12. 삭제
  13. 청구항 8에 있어서,
    상기 매장의 기존 매출 데이터는,
    상기 매장의 업종 정보, 규모 정보, 지역 정보 중 적어도 하나를 지시하는 정보를 더 포함하는, 서버.
  14. 청구항 8에 있어서,
    상기 적어도 하나의 프로그램 명령은,
    매장의 매출 데이터를 상기 데이터베이스에 업데이트하고; 그리고
    상기 업데이트된 매장의 매출 데이터를 이용하여, 상기 매장 수요 예측 모델의 적합성 여부를 검토하도록 더 실행되는, 서버.
KR1020210013936A 2021-02-01 2021-02-01 인공지능 기반 매장 수요 예측 방법 및 시스템 KR102344383B1 (ko)

Priority Applications (8)

Application Number Priority Date Filing Date Title
KR1020210013936A KR102344383B1 (ko) 2021-02-01 2021-02-01 인공지능 기반 매장 수요 예측 방법 및 시스템
PCT/KR2021/009022 WO2022163956A1 (ko) 2021-02-01 2021-07-14 인공지능 기반 매장 수요 예측 방법 및 시스템
KR1020210185650A KR102453582B1 (ko) 2021-02-01 2021-12-23 Ai 수요 예측 방법 및 시스템
KR1020210185658A KR20220111180A (ko) 2021-02-01 2021-12-23 매장 수요 예측 모델의 하이퍼파라미터를 조절하는 기법
KR1020210185653A KR20220111179A (ko) 2021-02-01 2021-12-23 매장 수요 예측 모델을 결정하는 기법
KR1020210186223A KR20220111182A (ko) 2021-02-01 2021-12-23 Ai 수요 예측 방법 및 시스템
KR1020210185662A KR20220111181A (ko) 2021-02-01 2021-12-23 매장 수요 예측 모델을 학습시키는 기법
US17/818,213 US20220398610A1 (en) 2021-02-01 2022-08-08 Method of forecasting store demand based on artificial intelligence and system therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210013936A KR102344383B1 (ko) 2021-02-01 2021-02-01 인공지능 기반 매장 수요 예측 방법 및 시스템

Related Child Applications (5)

Application Number Title Priority Date Filing Date
KR1020210186223A Division KR20220111182A (ko) 2021-02-01 2021-12-23 Ai 수요 예측 방법 및 시스템
KR1020210185650A Division KR102453582B1 (ko) 2021-02-01 2021-12-23 Ai 수요 예측 방법 및 시스템
KR1020210185658A Division KR20220111180A (ko) 2021-02-01 2021-12-23 매장 수요 예측 모델의 하이퍼파라미터를 조절하는 기법
KR1020210185653A Division KR20220111179A (ko) 2021-02-01 2021-12-23 매장 수요 예측 모델을 결정하는 기법
KR1020210185662A Division KR20220111181A (ko) 2021-02-01 2021-12-23 매장 수요 예측 모델을 학습시키는 기법

Publications (1)

Publication Number Publication Date
KR102344383B1 true KR102344383B1 (ko) 2021-12-29

Family

ID=79176586

Family Applications (6)

Application Number Title Priority Date Filing Date
KR1020210013936A KR102344383B1 (ko) 2021-02-01 2021-02-01 인공지능 기반 매장 수요 예측 방법 및 시스템
KR1020210185653A KR20220111179A (ko) 2021-02-01 2021-12-23 매장 수요 예측 모델을 결정하는 기법
KR1020210185650A KR102453582B1 (ko) 2021-02-01 2021-12-23 Ai 수요 예측 방법 및 시스템
KR1020210185658A KR20220111180A (ko) 2021-02-01 2021-12-23 매장 수요 예측 모델의 하이퍼파라미터를 조절하는 기법
KR1020210186223A KR20220111182A (ko) 2021-02-01 2021-12-23 Ai 수요 예측 방법 및 시스템
KR1020210185662A KR20220111181A (ko) 2021-02-01 2021-12-23 매장 수요 예측 모델을 학습시키는 기법

Family Applications After (5)

Application Number Title Priority Date Filing Date
KR1020210185653A KR20220111179A (ko) 2021-02-01 2021-12-23 매장 수요 예측 모델을 결정하는 기법
KR1020210185650A KR102453582B1 (ko) 2021-02-01 2021-12-23 Ai 수요 예측 방법 및 시스템
KR1020210185658A KR20220111180A (ko) 2021-02-01 2021-12-23 매장 수요 예측 모델의 하이퍼파라미터를 조절하는 기법
KR1020210186223A KR20220111182A (ko) 2021-02-01 2021-12-23 Ai 수요 예측 방법 및 시스템
KR1020210185662A KR20220111181A (ko) 2021-02-01 2021-12-23 매장 수요 예측 모델을 학습시키는 기법

Country Status (3)

Country Link
US (1) US20220398610A1 (ko)
KR (6) KR102344383B1 (ko)
WO (1) WO2022163956A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117435191A (zh) * 2023-12-20 2024-01-23 杭银消费金融股份有限公司 一种基于客制化需求的程序处理方法和装置

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102561611B1 (ko) * 2023-04-20 2023-08-01 주식회사 예담우 뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치
KR102646888B1 (ko) * 2023-10-12 2024-03-12 (주)오아시스비즈니스 딥러닝 기반의 예측 모델을 이용하여 매장에 대한 수익을 예측하고 예측된 정보를 활용하는 전자 장치 및 이의 방법
KR102633434B1 (ko) * 2023-10-18 2024-02-06 주식회사 넥스트페이먼츠 오프라인 상점 데이터 및 ai 딥러닝 알고리즘을 이용하여 프랜차이즈의 마케팅을 기획하는 방법 및 시스템
KR102653142B1 (ko) 2023-11-27 2024-04-01 주식회사 워커스하이 멀티 도메인 변수를 활용한 인공지능 모델 기반 수요 예측 및 구독 솔루션 제공 방법, 장치 및 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010077329A (ko) * 2000-02-02 2001-08-17 이상원 통신망을 통한 대여 시스템
KR100986624B1 (ko) * 2009-04-28 2010-10-08 (주)오픈메이트 셀 통계 기법을 이용한 매출 예측 및 예측 상권 생성 방법과 그 시스템
KR20200131549A (ko) * 2019-05-14 2020-11-24 카페24 주식회사 인공지능 모델을 이용한 상품 판매량 예측 방법, 장치 및 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6736530B2 (ja) * 2017-09-13 2020-08-05 ヤフー株式会社 予測装置、予測方法、及び予測プログラム
KR102284395B1 (ko) * 2017-12-26 2021-08-02 주식회사 인코어드 테크놀로지스 전력 사용량 기반의 매출 예측 시스템 및 그 방법
KR20200111948A (ko) * 2019-03-20 2020-10-05 삼성전자주식회사 인공 신경망을 처리하는 방법 및 이를 위한 전자 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010077329A (ko) * 2000-02-02 2001-08-17 이상원 통신망을 통한 대여 시스템
KR100986624B1 (ko) * 2009-04-28 2010-10-08 (주)오픈메이트 셀 통계 기법을 이용한 매출 예측 및 예측 상권 생성 방법과 그 시스템
KR20200131549A (ko) * 2019-05-14 2020-11-24 카페24 주식회사 인공지능 모델을 이용한 상품 판매량 예측 방법, 장치 및 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117435191A (zh) * 2023-12-20 2024-01-23 杭银消费金融股份有限公司 一种基于客制化需求的程序处理方法和装置
CN117435191B (zh) * 2023-12-20 2024-03-26 杭银消费金融股份有限公司 一种基于客制化需求的程序处理方法和装置

Also Published As

Publication number Publication date
KR102453582B1 (ko) 2022-10-14
KR20220111179A (ko) 2022-08-09
WO2022163956A1 (ko) 2022-08-04
KR20220111180A (ko) 2022-08-09
KR20220111181A (ko) 2022-08-09
KR20220111182A (ko) 2022-08-09
US20220398610A1 (en) 2022-12-15
KR20220111178A (ko) 2022-08-09

Similar Documents

Publication Publication Date Title
KR102344383B1 (ko) 인공지능 기반 매장 수요 예측 방법 및 시스템
US11893466B2 (en) Systems and methods for model fairness
US10755196B2 (en) Determining retraining of predictive models
US11468379B2 (en) Automated evaluation of project acceleration
US11645572B2 (en) Meta-automated machine learning with improved multi-armed bandit algorithm for selecting and tuning a machine learning algorithm
US11836582B2 (en) System and method of machine learning based deviation prediction and interconnected-metrics derivation for action recommendations
US11366806B2 (en) Automated feature generation for machine learning application
KR102330423B1 (ko) 이미지 인식 딥러닝 알고리즘을 이용한 온라인 부도 예측 시스템
US20170147955A1 (en) Enterprise resource management tools
KR102294125B1 (ko) 인공지능을 적용한 제품 수요 예측 방법 및 시스템
US11631031B2 (en) Automated model generation platform for recursive model building
CN111899059A (zh) 一种基于区块链的航司收益管理动态定价方法
KR102554135B1 (ko) 매장의 수요 예측을 기반으로 한 상품 할인권 제공 방법 및 시스템
US20210027234A1 (en) Systems and methods for analyzing user projects
Rizzo et al. Uncertainty-bounded reinforcement learning for revenue optimization in air cargo: a prescriptive learning approach
CN114548463A (zh) 线路信息预测方法、装置、计算机设备和存储介质
KR102526133B1 (ko) 패션 상품의 수요 예측을 위한 시스템 및 동작 방법
CN110852854A (zh) 一种量化收益模型的生成方法和风险控制策略的评价方法
Sison et al. Survey of Machine Learning and Deep Learning Techniques for Travel Demand Forecasting
US20240013068A1 (en) Stable prescriptive policy construction
KR102499800B1 (ko) 설문지를 활용한 인공지능 기반 고객 맞춤 에스테틱 큐레이션 시스템, 장치 및 방법
Bezerra et al. Spatial forecasting of online food delivery demand
US20230114013A1 (en) Enhanced machine learning pipelines with multiple objectives and tradeoffs
Barreira Filho A data-driven approach for fleet allocation in logistics operations
CN117993545A (zh) 包裹到达时间预测方法、装置、计算设备及存储介质

Legal Events

Date Code Title Description
A107 Divisional application of patent
GRNT Written decision to grant