KR102435891B1 - 인공지능 모델을 이용한 물류창고의 공실률 관리 방법 및 장치 - Google Patents
인공지능 모델을 이용한 물류창고의 공실률 관리 방법 및 장치 Download PDFInfo
- Publication number
- KR102435891B1 KR102435891B1 KR1020190128189A KR20190128189A KR102435891B1 KR 102435891 B1 KR102435891 B1 KR 102435891B1 KR 1020190128189 A KR1020190128189 A KR 1020190128189A KR 20190128189 A KR20190128189 A KR 20190128189A KR 102435891 B1 KR102435891 B1 KR 102435891B1
- Authority
- KR
- South Korea
- Prior art keywords
- warehouse
- information
- vacancy rate
- distribution
- vacancy
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims description 4
- 238000007726 management method Methods 0.000 claims description 99
- 230000006872 improvement Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000001556 precipitation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
컴퓨터에 의하여 수행되는 방법에 있어서, 기 정해진 주기에 따라 복수의 물류 창고의 속성 정보 및 임대 이력 정보를 획득하는 단계, 제 1 물류 창고의 임대 이력 정보로부터 제 1 물류 창고의 제 1 공실률을 산출하고, 제 1 공실률에 기초하여 예측 공실률을 결정하는 단계, 제 1 물류 창고의 속성 정보와 유사한 속성 정보를 가지며, 제 1 공실률보다 낮은 공실률을 갖는 제 2 물류 창고를 선택하는 단계 및 인공지능 모델을 이용하여 제 2 물류 창고의 속성 정보 및 임대 이력 정보로부터, 제 1 물류 창고의 예측 공실률을 개선할 수 있는 맞춤형 공실 관리 정보를 생성하는 단계를 포함하는 인공지능 모델을 이용한 물류창고의 공실률 관리 방법을 개시한다.
Description
본 발명은 인공지능 모델을 이용한 물류창고 공실률을 예측하고 관리하기 위한 방법 및 장치에 관한 것이다.
인공지능 기술은 머신러닝(Machine Learning, 기계학습) 기술을 포함하며, 머신러닝 기술 중에서도 특히 영상을 분석하는 데 널리 이용되는 딥러닝(Deep Learning) 기술을 포함한다.
딥 러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습(machine learning) 알고리즘의 집합으로 정의된다. 딥 러닝은 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야로 볼 수 있다.
어떠한 데이터가 있을 때 이를 컴퓨터가 알아들을 수 있는 형태(예를 들어 영상의 경우는 픽셀정보를 열벡터로 표현하는 등)로 표현(representation)하고 이를 학습에 적용하기 위해 많은 연구(어떻게 하면 더 좋은 표현기법을 만들고 또 어떻게 이것들을 학습할 모델을 만들지에 대한)가 진행되고 있다. 이러한 노력의 결과로 다양한 딥 러닝 기법들이 개발되었다. 딥 러닝 기법들로는 심층 신경망(Deep Neural Networks, DNN), 합성곱 신경망(Convolutional deep Neural Networks, CNN), 순환 신경망(Reccurent Neural Network, RNN) 및 심층 신뢰 신경망(Deep Belief Networks, DBN)을 예로 들 수 있다.
심층 신경망(Deep Neural Networks, DNN)은 입력 계층(input layer)과 출력 계층(output layer) 사이에 복수개의 은닉 계층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다.
이러한 인공지능 기술은 다양한 분야에 빠르게 적용되고 있으나, 그 필요성에도 불구하고 여전히 산업 현장에 적절히 적용되고 있지 못하는 경우가 많다.
유통업의 발전으로 인하여 수익률이 높은 물류 창고 임대업이 증가하고 있다. 그러나 물류 창고의 공급이 늘어남에 따라 비 선호 지역의 물류 창고 공실률도 증가하였으며 그에 따라 손해가 발생하고 있다. 따라서, 물류 창고의 공실률 및 공실원인을 분석하여 공실률을 개선할 수 있는 방법에 대한 필요성이 증가하였다.
본 발명이 해결하고자 하는 과제는 인공지능 모델을 이용한 물류창고의 공실률을 예측하고 관리하는 방법 및 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위하여 본 발명은 제 1 실시예에 의하여 컴퓨터에 의하여 수행되는 방법에 있어서, 기 정해진 주기에 따라 복수의 물류 창고의 속성 정보 및 임대 이력 정보를 획득하는 단계, 제 1 물류 창고의 임대 이력 정보로부터 제 1 물류 창고의 제 1 공실률을 산출하고, 제 1 공실률에 기초하여 예측 공실률을 결정하는 단계, 제 1 물류 창고의 속성 정보와 유사한 속성 정보를 가지며, 제 1 공실률보다 낮은 공실률을 갖는 제 2 물류 창고를 선택하는 단계 및 인공지능 모델을 이용하여 제 2 물류 창고의 속성 정보 및 임대 이력 정보로부터, 제 1 물류 창고의 예측 공실률을 개선할 수 있는 맞춤형 공실 관리 정보를 생성하는 단계를 포함하는 인공지능 모델을 이용한 물류창고의 공실률 관리 방법을 제공할 수 있다.
제 2 실시예에 의하여, 적어도 하나 이상의 인스트럭션을 저장하는 메모리 및 메모리에 저장된 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 프로세서는 하나 이상의 인스트럭션을 실행함으로써, 본원의 방법을 수행하는 인공지능 모델을 이용한 물류창고의 공실률 관리 장치를 제공할 수 있다.
제 3 실시예에 의하여, 하드웨어인 컴퓨터와 결합되어, 본 항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램을 제공할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 인공지능 모델을 이용한 물류창고의 공실률 관리 프로그램은, 하드웨어인 컴퓨터와 결합되어, 개시된 실시 예에 따른 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
개시된 실시 예에 따르면, 인공지능 모델을 이용하여 물류창고의 공실률을 예측하며, 나아가 물류창고의 매출을 예측함으로써 물류창고의 운영과 경영에 필요한 정보를 제공할 수 있는 효과가 있다.
일 개시에 의하여 본원발명은 물류 창고의 공실률을 개선할 수 있는 맞춤형 관리 정보를 제공할 수 있으며, 맞춤형 관리 정보를 이용하여 물류 창고의 매출을 높일 수 있는 방법을 도출할 수 있다.
일 개시에 의하여 본원발명에서는 물류 창고의 정보를 이용하여 물류창고의 수요자와 공급자를 매칭할 수 있는 방법을 제공할 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 일 실시 예에 따른 인공지능 모델을 이용한 물류창고의 공실률 관리 방법을 실행하기 위한 시스템을 도시한 도면이다.
도 2는 일 개시에 의한 인공지능 모델을 이용한 물류창고의 공실률 관리 방법의 흐름을 나타내는 도면이다.
도 3은 일 개시에 의하여 맞춤형 공실 관리 정보를 생성하는 특징을 상세하게 설명하기 위한 흐름도이다.
도 4는 일 개시에 의한 인공지능 모델을 이용하여 생성된 관계 그래프를 이용하여 공실률을 개선할 수 있는 맞춤형 공실 관리 정보를 생성하고 이용하는 특징을 설명하기 위한 도면이다.
도 5는 일 개시에 의한 맞춤형 공실 관리 정보를 이용하여 창고 임대 신청 정보와 물류 창고를 매칭하는 특징을 설명하기 위한 도면이다.
도 6은 일 개시에 의하여 인공지능 모델을 이용한 물류창고의 공실률 관리 장치의 구성을 나타낸 도면이다.
도 2는 일 개시에 의한 인공지능 모델을 이용한 물류창고의 공실률 관리 방법의 흐름을 나타내는 도면이다.
도 3은 일 개시에 의하여 맞춤형 공실 관리 정보를 생성하는 특징을 상세하게 설명하기 위한 흐름도이다.
도 4는 일 개시에 의한 인공지능 모델을 이용하여 생성된 관계 그래프를 이용하여 공실률을 개선할 수 있는 맞춤형 공실 관리 정보를 생성하고 이용하는 특징을 설명하기 위한 도면이다.
도 5는 일 개시에 의한 맞춤형 공실 관리 정보를 이용하여 창고 임대 신청 정보와 물류 창고를 매칭하는 특징을 설명하기 위한 도면이다.
도 6은 일 개시에 의하여 인공지능 모델을 이용한 물류창고의 공실률 관리 장치의 구성을 나타낸 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.
일 개시에 의하여 인공지능 모델을 이용한 물류창고의 공실률 관리 장치(100)는 공실률 관리 장치(100)로 축약 표기하여 설명하도록 한다.
도 1은 일 실시 예에 따른 인공지능 모델을 이용한 물류창고의 공실률 관리 방법을 실행하기 위한 시스템을 도시한 도면이다.
도 1을 참조하면, 개시된 실시 예에 따른 인공지능 모델을 이용한 물류창고의 공실률 예측방법을 설명하기 위한 시스템 및 그 구성요소들이 개시되어 있다.
도 1에 도시된 시스템은, 물류창고(10), 공실률 관리 장치(100) 및 관리자 단말(200)을 포함한다.
일 실시 예에서, 물류창고(10)가 나타내는 물류창고의 종류는 제한되지 않으며, 물류창고(10)는 물류창고(10)에 보관되는 품목의 종류, 재고, 입고 및 출고량 등의 정보를 수집하여 관리하는 관리 단말을 포함할 수 있다.
공실률 관리 장치(100)는 물류창고(10)의 관리 단말로부터 물류창고(10)에 대한 정보를 수집하고, 이에 기반하여 물류창고(10)의 관리, 운영 및 경영에 필요한 정보들을 생성할 수 있다. 공실률 관리 장치(100)는 서버, 이동식 단말, 클라우드, 전자 기기 등을 포함할 수 있으며, 본원의 인공지능을 모델을 이용한 물류창고의 공실률 예측방법을 실행할 수 있는 모든 형태의 장치를 포함할 수 있다.
일 개시에 의하여 공실률 관리 장치(100)는 물류창고(10)의 관리 단말로부터 물류창고(10)에 대한 정보를 수집하고, 이에 기반하여 물류창고(10)의 관리, 운영 및 경영에 필요한 정보들을 생성할 수 있다.
공실률 관리 장치(100)에 의하여 생성된 정보는 관리자 단말(200)에 전달될 수 있다. 예를 들어, 관리자 단말(200)은 물류창고(10)의 경영자 또는 관리자 등이 이용하는 단말을 의미할 수 있으나, 이에 제한되는 것은 아니다.
일 실시 예에서, 공실률 관리 장치(100)는 물류창고(10)의 공실률을 예측할 수 있다. 또한, 일 실시 예에서, 공실률 관리 장치(100)는 물류창고(10)의 일별 공실률을 기록하고, 이를 이용하여 미래 일 시점의 공실률을 예측할 수 있다.
예를 들어, 공실률 관리 장치(100)는 일별 공실률의 변화 추이 및 과거 일 시점의 공실률을 레퍼런스로 하여 미래 일 시점의 공실률을 예측할 수 있다.
또한, 공실률 관리 장치(100)는 하나 이상의 다른 물류창고들(1)에 대한 정보를 수집하고, 물류창고(10)와 유사한 입지, 건축개요, 주요 보관품목을 갖는 다른 물류창고들의 공실률과 물류창고(10)의 공실률을 비교할 수 있다.
물류창고(10)와 다른 물류창고들 간의 공실률에 차이가 발생하는 경우(예를 들어, 다른 물류창고들의 공실률이 낮은 경우) 공실률 관리 장치(100)는 물류창고(10)와 다른 물류창고들 간의 차이점을 분석하고, 이에 기반하여 물류창고(10)의 공실 원인을 분석할 수 있다.
예를 들어, 물류창고(10)의 공실 원인은 고속도로 진출입로와의 거리, 건축물의 준공년도, 도크, 화물용 엘리베이터, 온도조절장치 등 창고 설비, 주요 보관 품목, 사무실, 주방 등 부대시설, 임대료 및 임대기간 등을 포함할 수 있으나, 이에 제한되는 것은 아니다.
또한, 공실률 관리 장치(100)는 물류창고(10)의 공실률에 기반하여 물류창고(10)의 매출을 예측할 수 있다. 이 경우, 공실률 관리 장치(100)는 또한 물류창고(10)와 유사한 입지 및 토지 면적을 갖는 다른 물류창고 중 가장 매출이 높은 물류창고에 대한 정보를 획득하고, 물류창고(10)와의 차이점을 분석하며, 해당 정보를 관리자 단말(200)에 제공할 수 있다.
관리자 단말(200)에 제공되는 정보는, 물류창고(10)의 개축을 위한 정보로 활용될 수 있다.
실시 예에 따라서, 공실률 관리 장치(100)는 외부 요인에 기반하여 출고량 예측 또한 수행할 수 있다. 일 실시 예에서, 공실률 관리 장치(100)는 미래 일 시점의 요일, 날씨, 계절 및 해당 품목에 대한 프로모션 진행여부 등의 외부 정보를 수집하고, 각각의 외부 정보와 출고량 사이의 상관관계를 분석 및 학습할 수 있다.
공실률 관리 장치(100)는 학습 결과에 기초하여, 미래 일 시점의 외부 요인들에 기초하여 특정 품목의 출고량을 예측할 수 있다.
공실률 관리 장치(100)는 예측된 출고량 정보에 기초하여 선제적 입고요청을 수행하는 등 재고 및 물류 관리를 위한 동작을 수행할 수 있다.
또한, 공실률 관리 장치(100)는 예측된 데이터를 데이터베이스에 저장하고, 추후 해당 시점의 실제 출고량 정보를 획득하여 예측된 데이터와 비교함으로써 학습된 모델을 업데이트하기 위한 정보를 획득할 수 있다.
도 2는 일 개시에 의한 인공지능 모델을 이용한 물류창고의 공실률 관리 방법의 흐름을 나타내는 도면이다.
일 개시에 의하여 블록 201에서 공실률 관리 장치(100)는 기 정해진 주기에 따라 복수의 물류 창고의 속성 정보 및 임대 이력 정보를 획득할 수 있다.
일 개시에 의하여 블록 202에서 공실률 관리 장치(100)는 제 1 물류 창고의 임대 이력 정보로부터 제 1 물류 창고의 제 1 공실률을 산출하고, 제 1 공실률에 기초하여 예측 공실률을 결정할 수 있다.
일 개시에 의하여 블록 203에서 공실률 관리 장치(100)는 제 1 물류 창고의 속성 정보와 유사한 속성 정보를 갖으며, 제 1 공실률보다 낮은 공실률을 갖는 제 2 물류 창고를 선택할 수 있다.
일 개시에 의하여 물류 창고의 속성 정보는 물류 창고의 면적, 위치, 용도, 이용가능한 내부 시설, 외부 환경, 내부 환경, 용도, 임대 원인, 보험가입 여부, 인증 취득 여부, 제공가능한 물류 서비스 등을 포함할 수 있으나, 이에 제한되지 않는다.
일 개시에 의하여 공실률 관리 장치(100)는 제 1 물류 창고의 면적, 위치, 용도, 이용가능한 내부 시설, 외부 환경, 내부 환경, 용도, 임대 원인을 포함하는 속성 정보와 다른 물류 창고들의 속성 정보를 비교하여 속성 유사도를 판단할 수 있다.
일 개시에 의하여 공실률 관리 장치(100)는 다른 물류 창고들 중 속성 유사도가 임계치 이상에 해당하는 적어도 하나의 물류 창고를 선택할 수 있다. 여기서 임계치는, 물류 창고들의 물리적 정보의 유사도를 비교한 값 중 소정의 값 이상을 나타낸다. 물류 창고들 사이의 속성 유사도가 임계치 이상인 경우, 물류 창고들이 비슷한 입지, 사용 용도, 시설, 서비스 등을 제공할 수 있음을 나타낸다.
일 개시에 의하여 공실률 관리 장치(100)는 적어도 하나의 물류 창고의 기 정해진 주기 동안의 공실률을 분석할 수 있다. 일 개시에 의하여 공실률 관리 장치(100)는 분석된 공실률이 제 1 공실률보다 낮은 적어도 하나의 물류 창고를 제 2 물류 창고로 선택할 수 있다. 즉, 제 1 물류 창고의 유사도가 높은 다른 물류 창고들 중 제 1 물류 창고보다 임대율이 높은 물류 창고를 제 2 물류 창고로 결정할 수 있다. 일 개시에 의하여, 제 2 물류 창고는 적어도 하나의 물류 창고일 수 있다.
일 개시에 의하여 블록 204에서 공실률 관리 장치(100)는 인공지능 모델을 이용하여 제 2 물류 창고의 속성 정보 및 임대 이력 정보로부터, 제 1 물류 창고의 예측 공실률을 개선할 수 있는 맞춤형 공실 관리 정보를 생성할 수 있다.
일 개시에 의하여 공실률 관리 장치(100)는 제 1 물류 창고의 공실률을 줄이기 위한 모니터링 정보를 포함하는 맞춤형 공실 관리 정보를 생성할 수 있으며, 맞춤형 공실 관리 정보는 물류 창고의 문제점을 개선하는 정보를 제공함으로써 물류 창고의 매출을 높일 수 있는 정보를 포함할 수 있다.
일 개시에 의하여 공실률 관리 장치(100)는 제 1 물류 창고의 기간별 매출량 및 제 1 공실률의 연관관계로부터 제 1 물류 창고의 수익률 및 수익 원인을 판단하는 할 수 있다.
이때, 일 개시에 의하여 공실률 관리 장치(100)는 맞춤형 공실 관리 정보를 이용하여, 제 1 물류 창고의 수익률을 개선할 수 있는 용도 변경, 인증 획득, 보험 가입, 제공 서비스, 창고 내부 시설 추가, 창고 외부 시설 추가 등의 운영 개선 방법을 포함하는 모니터링 정보를 제공할 수 있다.
즉, 공실률 관리 장치(100)는 제 1 물류 창고의 정보를 분석하여 예측 공실률을 판단하고, 맞춤형 공실 관리 정보를 통해 예측 공실률을 줄일 수 있는 방법을 제공할 수 있어 물류 창고를 효율적으로 제공할 수 있다.
도 3은 일 개시에 의하여 맞춤형 공실 관리 정보를 생성하는 특징을 상세하게 설명하기 위한 흐름도이다.
일 개시에 의하여 블록 301에서 공실률 관리 장치(100)는 제 1 물류 창고의 속성 정보와 다른 물류 창고들의 속성 정보를 비교하여 속성 유사도를 판단할 수 있다. 일 개시에 의하여 공실률 관리 장치(100)는 물류 창고의 입지별, 용도별, 임대 기간별, 비용 등의 요인별로 속성 유사도를 판단할 수 있으며, 복합적인 요인의 조합으로부터 속성 유사도를 판단할 수 있다.
일 개시에 의하여 블록 302에서 공실률 관리 장치(100)는 속성 유사도가 임계치 이상에 해당하는 다른 물류 창고들 중 가장 매출이 높은 제 2 물류 창고의 임대 이력 정보로부터 매출 원인을 분석할 수 있다. 일 개시에 의하여 속성 유사도의 임계치는 물류 창고 사이의 물리적 조건의 유사도가 85%이상인 경우를 나타낼 수 있다. 또한, 속성 유사도의 임계치는 사용자에 의하여 정해질 수 있다.
일 개시에 의하여 블록 303에서 공실률 관리 장치(100)는 제 2 물류 창고의 매출 원인으로부터 제 1 물류 창고의 매출을 증가시킬 수 있는 맞춤형 공실 관리 정보를 생성할 수 있다. 즉, 일 개시에 의하여 공실률 관리 장치(100)는 제 1 물류 창고의 매출을 상승시키기 위한 개선 방법을 제공함으로써 공실률을 관리할 수 있다.
일 개시에 의하여 맞춤형 공실 관리 정보는 제 1 물류 창고의 수익률, 제 1 물류 창고의 전반적인 상태 분석을 통한 수익률 개선을 위한 솔루션 및 예상되는 미래 수익률에 대하여 컨설팅 정보를 포함할 수 있다.
도 4는 일 개시에 의한 인공지능 모델을 이용하여 생성된 관계 그래프를 이용하여 공실률을 개선할 수 있는 맞춤형 공실 관리 정보를 생성하고 이용하는 특징을 설명하기 위한 도면이다.
일 개시에 의하여 인공지능 모델은, 복수의 물류 창고의 속성 정보, 임대 이력 정보 및 매출 정보와 공실률과의 연관 관계를 학습된 것일 수 있다. 일 개시에 의하여 인공지능 모델은 시계열적 흐름에 따라 획득한 물류 창고의 공실률 및 매출 정보를 이용하여 재학습될 수 있다.
일 개시에 의하여 공실률 관리 장치(100)는 물류 창고의 비용 요인 정보, 임대 요인 정보 및 건물 요인 정보를 이용하여 관계 그래프를 생성할 수 있다. 일 개시에 의하여 관계 그래프는 인공지능 모델에 의하여 생성된 복수의 요인 정보와 매출의 연관관계를 나타낸 지표일 수 있다.
일 개시에 의하여 공실률 관리 장치(100)는 제 2 물류 창고의 임대료, 관리비, 시설물 사용료 및 인건비를 포함하는 비용 요인 정보, 임대 기간, 임대 용도 및 임대 면적을 포함하는 임대 요인 정보 및 내부 시설, 외부 환경 정보, 입지 정보, 건축 정보를 포함하는 건물 요인 정보를 이용하여 제 2 물류 창고의 기간별 매출에 대한 제 2 관계 그래프를 생성할 수 있다. 여기서, 제 1 관계 그래프와 제 2 관계 그래프를 생성하는 방법은 동일하다.
일 개시에 의하여 공실률 관리 장치(100)는 제 2 관계 그래프로부터 제 2 물류 창고의 기간별 매출에 영향을 미치는 요인 별로 가중치를 설정하여 기준 가중치를 생성할 수 있다.
일 개시에 의하여 공실률 관리 장치(100)는 제 2 관계 그래프와 제 1 물류 창고의 제 1 관계 그래프를 비교하여, 제 1 관계 그래프에서 기준 가중치보다 낮은 가중치를 갖는 요인을 이용하여 제 1 물류 창고의 매출을 상향시킬 수 있는 맞춤형 공실 관리 정보를 생성할 수 있다.
일 개시에 의하여 공실률 관리 장치(100)는 관계 그래프를 생성하기 위하여 물류 창고의 임대 기간 중에 발생한 복수의 요인들에 대응하는 복수의 노드들을 생성할 수 있다. 여기서, 물류 창고의 매출은 관계 그래프의 노드로서 생성될 수 있다.
일 개시에 의하여 공실률 관리 장치(100)는 복수의 요인 각각의 관계를 나타내기 위하여, 복수의 요인 각각을 연결하는 적어도 하나의 선을 생성할 수 있다. 이때, 복수의 요인 각각을 연결하는 선은 각각의 복수의 요인들이 미치는 영향력을 나타내며, 영향력은 각각의 요인들이 매출에 미치는 기준일 수 있다.
일 개시에 의하여 공실률 관리 장치(100)는 적어도 하나의 선의 두께를 조정하여 물류 창고의 임대 기간 중 매출에 영향을 주는 복수의 요인들의 연관 관계의 강도를 표시할 수 있다. 연관 관계의 강도가 크다는 것은, 물류 창고에 매출이 발생하는 경우 동시에 발생하는 확률이 높다는 것을 나타낸다.
일 실시 예에서, 특정 노드에 해당하는 요인 간의 연관관계를 선의 두께뿐 아니라 다양한 형태의 선을 이용하여 표시 및 저장할 수도 있다. 예를 들어, 특정 요인들 간의 연관관계를 판단하기 위한 정보가 부족한 경우(예를 들어, 수집된 사례의 수가 기 설정된 횟수 이하인 경우) 해당 요인에 해당하는 노드들을 연결하는 선을 파선으로 표시할 수 있다.
다른 예로, 특정 요인 간의 연관관계가 특정한 조건 하에서 상이하게 나타나는 경우 해당 노드들 사이를 연결하는 선의 형태를 상이하게 설정할 수 있다. 예를 들어, 서로 연관성이 높은 요인이지만 연간 강수량이 기 설정된 수치 이상인 지역에서만 해당 요인 간의 연관성이 낮은 경우, 해당 요인들의 노드 간을 이어주는 선의 형태를 물결 형태로 할 수 있다. 또한, 연간 강수량이 기 설정된 수치 이상인 지역에 해당하는 물결 형태의 필터가 저장될 수 있다. 반면, 연간 강수량과 무관한 요인들의 노드 사이는 직선으로 연결될 수 있다.
일 개시에 의하여 공실률 관리 장치(100)는 생성된 제 1 관계 그래프로부터 제 1 물류 창고의 임대 기간별로 매출에 영향을 주는 요인의 기여율을 분석할 수 있다. 예를 들어 공실률 관리 장치(100)는 물류 창고의 매출액이 높은 소정의 기간의 관계 그래프를 분석한 결과, 특정한 용도 및 입지가 소정의 기간 동안의 매출 기여도가 높다고 판단할 수 있다.
예를 들어, 공실률 관리 장치(100)는 관계 그래프 내부의 선의 두께에 기초하여 각 요인의 기여율을 판단할 수 있으며, 또한 선의 형태(예를 들어, 파선)에 따라서도 각 요인의 기여율을 판단할 수 있다.
또한, 공실률 관리 장치(100)는 연간 강수량이 기 설정된 수치 이상인 지역에 대한 요인들의 기여율을 획득하고자 하는 경우, 그래프에 포함된 모든 선에 대하여 기 저장된 물결 형태의 필터를 적용할 수 있다. 필터 적용을 통해, 기 저장된 물결 형태와 중첩되는 부분의 선은 삭제되거나, 색상이 흐려지거나, 두께가 감소할 수 있다. 예를 들어, 직선 형태의 선의 경우 필터의 물결 형태와 중첩되는 부분만이 삭제되어 파선 형태가 될 수 있고, 물결 형태의 선의 경우 필터의 물결 형태와 중첩되어 선 전체가 삭제될 수 있다.
공실률 관리 장치(100)는 필터가 적용된 그래프의 선들의 상태에 기초하여, 삭제된 부분이 적은 경우 기여율이 높은 것으로, 그리고 삭제되지 않은 부분의 두께가 클수록 기여율이 높은 것으로 판단할 수 있다.
도 5는 일 개시에 의한 맞춤형 공실 관리 정보를 이용하여 창고 임대 신청 정보와 물류 창고를 매칭하는 특징을 설명하기 위한 도면이다.
일 개시에 의하여 공실률 관리 장치(100)는 물류 창고의 공실률을 관리하기 위하여 물류 창고가 필요한 사용자와 물류 창고의 소유자를 매칭할 수 있다. 일 개시에 의하여 공실률 관리 장치(100)는 사용자 단말(300)로부터 물류 창고 신청을 요청받고, 복수개의 물류 창고들(1) 중 물류 창고 신청에 부합하는 물류 창고(10)를 선택하고, 선택한 물류 창고(10)에 대한 정보를 사용자 단말(300)로 전송할 수 있다. 나아가, 물류 창고(10)에 필요한 개선점을 관리자 단말(300)로 알림으로써 물류 창고(10)의 경쟁력을 높일 수 있다. 또한, 물류 창고(10)만의 장점을 정리한 정보를 사용자 단말(300)로 전송함으로써, 물류 창고의 매칭률을 높일 수 있다.
일 개시에 의하여 공실률 관리 장치(100)는 물류 창고의 속성 정보, 임대 가능 기간에 대한 정보를 이용하여 물류 창고가 필요한 사용자를 찾을 수 있다. 또한, 물류 창고의 신청 정보와 물류 창고의 정보가 완벽하게 일치하지 않는 경우, 물류 창고에 필요한 개선점을 제공함으로써 물류 창고의 공실률을 줄일 수 있는 정보를 제공할 수 있다.
일 개시에 의하여 공실률 관리 장치(100)는 물류 창고가 필요한 지역, 임대 용도, 물류 창고의 형태, 물류 창고의 면적, 희망 대여 비용, 필요한 서비스, 임대 요청 기간을 포함하는 복수개의 물류 창고 신청 정보를 획득할 수 있다. 일 개시에 의하여 공실률 관리 장치(100)는 물류 창고 매칭을 위한 어플리케이션, 웹페이지 등을 통하여 물류 창고를 요청하는 물류 창고 신청 정보를 획득할 수 있다.
일 개시에 의하여 공실률 관리 장치(100)는 복수개의 물류 창고 신청 정보 중 제 1 물류 창고의 속성 정보 및 임대 가능 기간과 매칭되는 적어도 하나의 물류 창고 신청 정보를 선택할 수 있다.
일 개시에 의하여 공실률 관리 장치(100)는 적어도 하나의 물류 창고 신청 정보 각각에 추가적으로 제공할 수 있는 제 1 물류 창고의 서비스를 분석할 수 있다. 예를 들어, 제 1 물류 창고의 정보가 사용자가 신청한 물류 청고 신청 정보와 일치율이 높지만, 제 1 물류 창고에 특정 인증이 필요한 경우 제 1 물류 창고에서 특정 인증을 획득하기 위한 방법에 대한 정보를 생성할 수 있다.
일 개시에 의하여 공실률 관리 장치(100)는 적어도 하나의 물류 창고 신청 정보를 요청한 사용자의 단말로 제 1 물류 창고에 대한 속성 정보 및 서비스 정보를 전송할 수 있다. 일 개시에 의하여 서비스 정보는 물류 창고 신청 정보에 부합하기 위하여 신청된 정보를 포함할 수 있으며, 물류 창고 신청 정보에 부합하기 위하여 기 개선된 정보를 포함할 수 있다. 또한, 서비스 정보는 다른 물류 창고에 비하여 제 1 물류 창고가 가지고 있는 장점에 대한 정보를 포함할 수 있다.
도 6은 일 개시에 의하여 인공지능 모델을 이용한 물류창고의 공실률 관리 장치의 구성을 나타낸 도면이다.
일 개시에 의하여 공실률 관리 장치(100)는 하나 이상의 인스트럭션을 저장하는 메모리(1200) 및 메모리(1200)에 저장된 하나 이상의 인스트럭션을 실행하는 프로세서(1100)를 포함할 수 있다. 일 개시에 의하여 공실률 관리 장치(100)에 포함된 프로세서(1100)는 하나 이상의 인스트럭션을 실행함으로써 본원의 방법을 수행할 수 있다.
그러나, 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 공실률 관리 장치(100)가 구현될 수도 있고, 더 적은 구성 요소에 의해 구현될 수도 있다.
프로세서(1100)는, 통상적으로 공실률 관리 장치(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1100)는, 메모리(1200)에 저장된 프로그램들을 실행함으로써, 공실률 관리 장치(100)에 포함된 다른 구성들을 전반적으로 제어할 수 있다. 또한, 프로세서(1100)는 메모리(1200)에 저장된 프로그램들을 실행함으로써, 공실률 관리 장치(100)의 기능을 수행할 수 있다. 프로세서(1100)는 적어도 하나의 프로세서를 구비할 수 있다. 프로세서(1100)는 그 기능 및 역할에 따라, 복수의 프로세서들을 포함하거나, 통합된 형태의 하나의 프로세서를 포함할 수 있다. 일 실시예에서, 프로세서(1100)는 메모리(1200)에 저장된 적어도 하나의 프로그램을 실행함으로써 알림 메시지를 제공하도록 하는 적어도 하나의 프로세서를 포함할 수 있다.
메모리(1200)는, 프로세서(1100)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 공실률 관리 장치(100)로 입력되거나 공실률 관리 장치(100)로부터 출력되는 데이터를 저장할 수도 있다.
메모리(1200)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리(1200) 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
메모리(1200)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 여기서, 복수 개의 모듈들은 하드웨어가 아닌 소프트웨어로서, 기능적으로 동작하는 모듈을 의미한다.
일 실시예에 따른 프로세서(1100)는 데이터 학습부(11001) 및 데이터 인식부(1102)를 포함할 수 있다.
데이터 학습부(1101) 및 데이터 인식부(1102) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1101) 및 데이터 인식부(1102) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
이 경우, 데이터 학습부(1101) 및 데이터 인식부(1102)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1101) 및 데이터 인식부(1102) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1101) 및 데이터 인식부(1102)는 유선 또는 무선으로 통하여, 데이터 학습부(1101)가 구축한 모델 정보를 데이터 인식부(1102)로 제공할 수도 있고, 데이터 인식부(1102)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1101)로 제공될 수도 있다.
한편, 데이터 학습부(1101) 및 데이터 인식부(1102) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1101) 및 데이터 인식부(1102) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
상술한 물류창고의 공실률 및 매출 예측방법은 기존 히스토리 및 하나 이상의 외부 요인과, 이에 따른 공실률 및 매출에 대한 정보를 포함하는 학습 데이터에 기반하여 학습된 인공지능 모델에 기반하여 수행될 수 있다. 인공지능 모델의 학습방법과, 이에 사용되는 학습 데이터의 종류는 제한되지 않는다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
Claims (10)
- 컴퓨터의 프로세서가 상기 컴퓨터의 메모리에 저장된 하나 이상의 인스트럭션을 실행함에 따라 수행되는 방법에 있어서,
상기 프로세서가, 기 정해진 주기에 따라 복수의 물류 창고의 속성 정보 및 임대 이력 정보를 획득하는 단계;
상기 프로세서가, 제 1 물류 창고의 임대 이력 정보로부터 상기 제 1 물류 창고의 제 1 공실률을 산출하고, 상기 제 1 공실률에 기초하여 예측 공실률을 결정하는 단계;
상기 프로세서가, 상기 제 1 물류 창고의 속성 정보와 유사한 속성 정보를 가지며, 상기 제 1 공실률보다 낮은 공실률을 갖는 제 2 물류 창고를 선택하는 단계; 및
상기 프로세서가, 인공지능 모델을 이용하여 상기 제 2 물류 창고의 속성 정보 및 임대 이력 정보로부터, 상기 제 1 물류 창고의 예측 공실률을 개선할 수 있는 맞춤형 공실 관리 정보를 생성하는 단계를 포함하며,
상기 맞춤형 공실 관리 정보를 생성하는 단계는,
상기 제 2 물류 창고의 임대료, 관리비, 시설물 사용료 및 인건비를 포함하는 비용 요인 정보; 임대 기간, 임대 용도 및 임대 면적을 포함하는 임대 요인 정보; 및 내부 시설, 외부 환경 정보, 입지 정보, 건축 정보를 포함하는 건물 요인 정보를 이용하여 제 2 물류 창고의 기간별 매출에 대한 제 2 관계 그래프를 생성하는 단계;
상기 제 2 관계 그래프로부터 제 2 물류 창고의 기간별 매출에 영향을 미치는 요인 별로 가중치를 설정하여 기준 가중치를 생성하는 단계; 및
상기 제 2 관계 그래프와 상기 제 1 물류 창고의 제 1 관계 그래프를 비교하여, 상기 제 1 관계 그래프에서 기준 가중치보다 낮은 가중치를 갖는 요인을 이용하여 제 1 물류 창고의 매출을 상향시킬 수 있는 맞춤형 공실 관리 정보를 생성하는 단계를 포함하는, 인공지능 모델을 이용한 물류창고의 공실률 관리 방법. - 제 1 항에 있어서,
상기 제 2 물류 창고를 선택하는 단계는,
상기 제 1 물류 창고의 면적, 위치, 용도, 이용가능한 내부 시설, 외부 환경, 내부 환경, 용도, 임대 원인을 포함하는 속성 정보와 다른 물류 창고들의 속성 정보를 비교하여 속성 유사도를 판단하는 단계;
상기 다른 물류 창고들 중 상기 속성 유사도가 임계치 이상에 해당하는 적어도 하나의 물류 창고를 선택하는 단계;
상기 적어도 하나의 물류 창고의 기 정해진 주기 동안의 공실률을 분석하는 단계; 및
상기 분석된 공실률이 상기 제 1 공실률보다 낮은 적어도 하나의 물류 창고를 제 2 물류 창고로 선택하는 단계를 포함하는, 인공지능 모델을 이용한 물류창고의 공실률 관리 방법. - 제 1 항에 있어서,
상기 제 1 물류 창고의 속성 정보와 다른 물류 창고들의 속성 정보를 비교하여 속성 유사도를 판단하는 단계;
상기 속성 유사도가 임계치 이상에 해당하는 다른 물류 창고들 중 가장 매출이 높은 제 2 물류 창고의 임대 이력 정보로부터 매출 원인을 분석하는 단계; 및
상기 제 2 물류 창고의 매출 원인으로부터 상기 제 1 물류 창고의 매출을 증가시킬 수 있는 맞춤형 공실 관리 정보를 생성하는 단계를 포함하는, 인공지능 모델을 이용한 물류창고의 공실률 관리 방법. - 제 1 항에 있어서,
상기 인공지능 모델은,
물류 창고의 속성 정보, 임대 이력 정보 및 매출 정보와 공실률과의 연관 관계를 학습한 인공지능 모델인 것을 특징으로 하며,
상기 인공지능 모델은 시계열적 흐름에 따라 획득한 제 1 물류 창고의 공실률 및 매출 정보를 이용하여 재학습되는 것을 특징으로 하는, 인공지능 모델을 이용한 물류창고의 공실률 관리 방법. - 삭제
- 제 1 항에 있어서,
상기 관계 그래프를 생성하는 단계는,
물류 창고의 임대 기간 중에 발생한 복수의 요인들에 대응하는 복수의 노드들을 생성하는 단계;
상기 복수의 요인 각각의 관계를 나타내기 위하여, 상기 복수의 요인 각각을 연결하는 적어도 하나의 선을 생성하는 단계; 및
상기 적어도 하나의 선의 두께를 조정하여 상기 복수의 요인 사이의 관계의 강도를 나타내는 단계를 포함하는, 인공지능 모델을 이용한 물류창고의 공실률 관리 방법. - 제 1 항에 있어서,
상기 제 1 물류 창고의 기간별 매출량 및 제 1 공실률의 연관관계로부터 상기 제 1 물류 창고의 수익률 및 수익 원인을 판단하는 단계; 및
상기 맞춤형 공실 관리 정보를 이용하여, 상기 제 1 물류 창고의 수익률을 개선할 수 있는 용도 변경, 인증 획득, 보험 가입, 제공 서비스, 창고 내부 시설 추가 및 창고 외부 시설 추가의 운영 개선 방법을 포함하는 모니터링 정보를 제공하는 단계를 포함하는, 인공지능 모델을 이용한 물류창고의 공실률 관리 방법. - 제 1 항에 있어서,
물류 창고가 필요한 지역, 임대 용도, 물류 창고의 형태, 물류 창고의 면적, 희망 대여 비용, 필요한 서비스, 임대 요청 기간을 포함하는 복수개의 물류 창고 신청 정보를 획득하는 단계;
상기 복수개의 물류 창고 신청 정보 중 상기 제 1 물류 창고의 속성 정보 및 임대 가능 기간과 매칭되는 적어도 하나의 물류 창고 신청 정보를 선택하는 단계;
상기 적어도 하나의 물류 창고 신청 정보 각각에 추가적으로 제공할 수 있는 제 1 물류 창고의 서비스를 분석하는 단계; 및
상기 적어도 하나의 물류 창고 신청 정보를 요청한 사용자의 단말로 상기 제 1 물류 창고에 대한 속성 정보 및 서비스 정보를 전송하는 단계를 포함하는, 인공지능 모델을 이용한 물류창고의 공실률 관리 방법. - 하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
제1 항의 방법을 수행하는, 인공지능 모델을 이용한 물류창고의 공실률 관리 장치. - 하드웨어인 컴퓨터와 결합되어, 제 1 항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220102548A KR102447160B1 (ko) | 2019-09-09 | 2022-08-17 | 물류 창고의 임대 신청에 따른 물류 창고 배정 서비스 제공 방법 및 장치 |
| KR1020220102547A KR102447159B1 (ko) | 2019-09-09 | 2022-08-17 | 물류창고의 공실률을 개선하기 위한 맞춤형 공실 관리 정보 제공 방법 및 장치 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190111793 | 2019-09-09 | ||
| KR20190111793 | 2019-09-09 |
Related Child Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220102548A Division KR102447160B1 (ko) | 2019-09-09 | 2022-08-17 | 물류 창고의 임대 신청에 따른 물류 창고 배정 서비스 제공 방법 및 장치 |
| KR1020220102547A Division KR102447159B1 (ko) | 2019-09-09 | 2022-08-17 | 물류창고의 공실률을 개선하기 위한 맞춤형 공실 관리 정보 제공 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210030182A KR20210030182A (ko) | 2021-03-17 |
| KR102435891B1 true KR102435891B1 (ko) | 2022-08-24 |
Family
ID=74090117
Family Applications (4)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190128188A KR102196554B1 (ko) | 2019-09-09 | 2019-10-16 | 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 방법 및 장치 |
| KR1020190128189A KR102435891B1 (ko) | 2019-09-09 | 2019-10-16 | 인공지능 모델을 이용한 물류창고의 공실률 관리 방법 및 장치 |
| KR1020220102548A KR102447160B1 (ko) | 2019-09-09 | 2022-08-17 | 물류 창고의 임대 신청에 따른 물류 창고 배정 서비스 제공 방법 및 장치 |
| KR1020220102547A KR102447159B1 (ko) | 2019-09-09 | 2022-08-17 | 물류창고의 공실률을 개선하기 위한 맞춤형 공실 관리 정보 제공 방법 및 장치 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190128188A KR102196554B1 (ko) | 2019-09-09 | 2019-10-16 | 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 방법 및 장치 |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220102548A KR102447160B1 (ko) | 2019-09-09 | 2022-08-17 | 물류 창고의 임대 신청에 따른 물류 창고 배정 서비스 제공 방법 및 장치 |
| KR1020220102547A KR102447159B1 (ko) | 2019-09-09 | 2022-08-17 | 물류창고의 공실률을 개선하기 위한 맞춤형 공실 관리 정보 제공 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (4) | KR102196554B1 (ko) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102455860B1 (ko) * | 2019-10-16 | 2022-10-19 | 주식회사 리코어 | 인공지능 모델 기반 물류창고의 예측 출고량 결정 방법 및 장치 |
| KR102259945B1 (ko) | 2021-03-03 | 2021-06-02 | (주)플랜아이 | 인공지능 기반의 예측을 활용하는 a/b 테스팅 시스템 및 방법 |
| CN113793088B (zh) * | 2021-03-12 | 2024-04-16 | 北京京东振世信息技术有限公司 | 信息处理方法及装置、存储介质、电子设备 |
| KR102607497B1 (ko) * | 2021-05-11 | 2023-11-30 | 우리자산관리대부 주식회사 | 로컬 물류 공간의 스마트 서칭을 통한 물류 공간 공유 시스템 |
| KR102472454B1 (ko) * | 2021-09-15 | 2022-11-30 | 주식회사 하이퍼리서치 | 상가 공실률 추정과 분석 방법 및 이를 기록한 기록매체 |
| KR102447055B1 (ko) * | 2021-09-24 | 2022-09-26 | 주식회사 슈퍼메이커즈 | 제품 수요 예측 방법 및 장치 |
| KR102340179B1 (ko) * | 2021-11-12 | 2021-12-17 | 주식회사 파스토 | 머신러닝 기반 수요예측을 이용한 피킹 로케이션 보충 서비스 제공 방법 |
| KR102461415B1 (ko) * | 2022-02-14 | 2022-11-01 | 주식회사 에이젠글로벌 | 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치 |
| KR102647892B1 (ko) * | 2022-09-14 | 2024-03-15 | 주식회사트렉시 | 인공지능 기반의 제품 발주 예측 방법 및 서버 |
| CN117455351B (zh) * | 2023-09-06 | 2024-05-17 | 广州箭头信息科技有限公司 | 基于Saas平台设备租赁仓库智能管理方法及系统 |
| CN117557199B (zh) * | 2024-01-03 | 2024-03-12 | 福州冰宇科技有限公司 | 一种基于数学模型的智慧仓储方法、系统及存储介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BR0109095A (pt) * | 2000-03-07 | 2004-06-29 | Invinity Systems Corp | Sistema e métodos para controle de inventário |
| KR101803658B1 (ko) * | 2016-09-29 | 2017-11-30 | 주식회사 태천 | 빅 데이터 및 이벤트를 기반으로 하는 상품 재고 관리 시스템 |
| KR101904327B1 (ko) * | 2016-11-11 | 2018-10-04 | 주식회사 에이치앤비라이프 | 자동예약시스템 |
| KR20190041891A (ko) * | 2017-10-13 | 2019-04-23 | 유승재 | 인공지능을 활용한 부동산 전략 제공방법 및 그 시스템 |
| KR20190057908A (ko) * | 2017-11-21 | 2019-05-29 | (주)마린소프트 | 비정형 자료를 기반으로 한 선박수주 지원 시스템 및 그 방법 |
| KR20190069770A (ko) * | 2017-12-12 | 2019-06-20 | 모젼스랩(주) | 사업계획서 분석을 통한 사업 성공 예측 시스템 |
| KR101963999B1 (ko) * | 2018-01-04 | 2019-07-31 | (주) 비지에프리테일 | 상품 저장 시스템 및 그 동작 방법 |
-
2019
- 2019-10-16 KR KR1020190128188A patent/KR102196554B1/ko active IP Right Grant
- 2019-10-16 KR KR1020190128189A patent/KR102435891B1/ko active Application Filing
-
2022
- 2022-08-17 KR KR1020220102548A patent/KR102447160B1/ko active IP Right Grant
- 2022-08-17 KR KR1020220102547A patent/KR102447159B1/ko active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR102196554B9 (ko) | 2022-09-20 |
| KR102196554B1 (ko) | 2020-12-29 |
| KR102447160B1 (ko) | 2022-09-26 |
| KR20220118986A (ko) | 2022-08-26 |
| KR102447159B1 (ko) | 2022-09-26 |
| KR20220118390A (ko) | 2022-08-25 |
| KR20210030182A (ko) | 2021-03-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102447159B1 (ko) | 물류창고의 공실률을 개선하기 위한 맞춤형 공실 관리 정보 제공 방법 및 장치 | |
| US20240127125A1 (en) | Systems and methods for model fairness | |
| US10360517B2 (en) | Distributed hyperparameter tuning system for machine learning | |
| US20180225391A1 (en) | System and method for automatic data modelling | |
| KR102455861B1 (ko) | 물류 창고의 공실율 예측 방법 및 장치 | |
| US8762299B1 (en) | Customized predictive analytical model training | |
| CN110109750B (zh) | 虚拟资源获取方法、装置、计算机设备和存储介质 | |
| US10783575B1 (en) | System, method, and computer program for deploying a prepackaged analytic intelligence module for a quote-to-cash application while protecting the privacy of customer data | |
| US20150046204A1 (en) | Custom-branded analytic applications in a multi-tenant environment | |
| KR101914620B1 (ko) | 빅데이터 및 기계학습을 이용한 자동 분개 수행 방법 및 이를 실현하는 서버 | |
| Arredondo et al. | Learning and adaptation of a policy for dynamic order acceptance in make-to-order manufacturing | |
| US20240193481A1 (en) | Methods and systems for identification and visualization of bias and fairness for machine learning models | |
| US20230034820A1 (en) | Systems and methods for managing, distributing and deploying a recursive decisioning system based on continuously updating machine learning models | |
| Carmona et al. | Applying case based reasoning for prioritizing areas of business management | |
| US20210004738A1 (en) | Use of service pattern identifier in augmentation of service catalog | |
| US20190354541A1 (en) | Enhanced mechanisms for predictive estimation in an enterprise environment | |
| Ilieva | Decision analysis for big data platform selection | |
| US11966934B2 (en) | Machine learning technologies to predict opportunities for special pricing agreements | |
| US20240355460A1 (en) | Systems and methods for improved provider processes using claim likelihood ranking | |
| US20240249201A1 (en) | Systems and methods for managing, distributing and deploying a recursive decisioning system based on continuously updating machine learning models | |
| US20240256521A1 (en) | Systems and methods for data governance as a service | |
| CN115994586A (zh) | 算法的初始化参数推荐方法、装置、电子设备和介质 | |
| CN117196295A (zh) | 项目风险预测方法、装置、电子设备及存储介质 | |
| Tian et al. | Time series imaging-based deep learning method for inventory control | |
| KR20240080200A (ko) | 인공지능 기반 패션 통합 서비스 제공 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| A107 | Divisional application of patent |