KR102455860B1 - 인공지능 모델 기반 물류창고의 예측 출고량 결정 방법 및 장치 - Google Patents

Abstract

일 개시에 의하여, 컴퓨터에 의하여 수행되는 방법에 있어서 물류 창고에 보관된 제 1 아이템의 출고 이력 정보를 획득하는 단계, 제 1 아이템의 출고 시기에 연관된 복수의 외부 요인에 대한 정보를 획득하는 단계, 제 1 인공지능 모델을 이용하여 제 1 아이템의 출고 시기에 발생한 복수의 외부 요인 각각에 대한 가중치를 산출하여 제 1 아이템의 출고에 영향을 미치는 외부 요인에 대한 관계 그래프를 생성하는 단계 및 관계 그래프를 이용하여, 시계열적 흐름에 따라 변화하는 복수의 외부 요인을 고려하여 제 1 아이템의 예측 출고량을 결정하는 단계를 포함하는, 인공지능 모델 기반 물류창고의 예측 출고량 결정 방법을 제공할 수 있다.

Description

인공지능 모델 기반 물류창고의 예측 출고량 결정 방법 및 장치{METHOD AND APPARATUS FOR DETERMINING PREDICT SHIPMENT VOLUME OF LOGISTICS ON WAREHOUSE BASED ARTIFICIAL INTELLIGENCE MODEL}

본 발명은 인공지능 모델 기반 물류창고의 예측 출고량 결정 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.

산업발전에 따라 다양한 산업방면에서 아이템의 생산량이 증가하였으며, 그에 따라 유통이 예정된 아이템들을 보관할 수 있는 물류 창고가 증가하였다. 그러나 물류 창고에 보관된 아이템의 입고량 및 출고량을 관리하지 못하는 경우 물류 창고를 효율적으로 이용할 수 없어서 손해가 발생하였다. 따라서, 물류 창고에 보관중인 아이템의 출고량을 예측함으로써 물류 창고를 효과적으로 이용할 수 있는 방법에 대한 필요성이 증가하였다.

본 발명이 해결하고자 하는 과제는 인공지능 모델 기반 물류창고의 예측 출고량 결정 방법을 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 위한 본 발명의 제 1 실시예에 따르면 물류 창고에 보관된 제 1 아이템의 출고 이력 정보를 획득하는 단계, 제 1 아이템의 출고 시기에 연관된 복수의 외부 요인에 대한 정보를 획득하는 단계, 제 1 인공지능 모델을 이용하여 제 1 아이템의 출고 시기에 발생한 복수의 외부 요인 각각에 대한 가중치를 산출하여 제 1 아이템의 출고에 영향을 미치는 외부 요인에 대한 관계 그래프를 생성하는 단계 및 관계 그래프를 이용하여, 시계열적 흐름에 따라 변화하는 복수의 외부 요인을 고려하여 제 1 아이템의 예측 출고량을 결정하는 단계를 포함하는, 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측방법을 제공할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측장치는, 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 개시된 실시 예에 따른 방법을 수행한다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 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 출고량을 예측하며, 나아가 물류창고의 매출을 예측함으로써 물류창고의 운영과 경영에 필요한 정보를 제공할 수 있는 효과가 있다.

일 개시에 의하여, 본 발명에 의하면 인공지능 모델을 통해 획득한 복수의 외부 요인들과 아이템의 출고량의 관계 그래프를 이용하여, 외부 요인을 고려한 미래의 아이템의 출고량을 예측할 수 있다. 또한, 실제 출고량과 예측 출고량의 차이를 보완하여 보다 세밀하고 정확한 예측 출고량에 대한 정보를 획득할 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 아이템별 출고량 예측 시스템을 도시한 도면이다.
도 2는 일 실시 예에 의한 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 방법을 개략적으로 설명하기 위한 도면이다.
도 3은 일 개시에 의한 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 방법을 설명하기 위한 흐름도이다.
도 4는 일 개시에 의한 아이템과 외부 요인과의 관계 그래프에 기초하여 아이템의 출고량을 예측하는 특징을 설명하기 위한 도면이다.
도 5는 일 개시에 의한 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 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.

이하에서, 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 장치(100)는 아이템 출고량 예측 장치(100)로 축약하여 설명하도록 한다.

도 1은 일 실시 예에 따른 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 시스템을 도시한 도면이다.

도 1을 참조하면, 개시된 실시 예에 따른 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측방법을 설명하기 위한 시스템 및 그 구성요소들이 개시되어 있다.

도 1에 도시된 시스템은, 물류창고(10), 아이템 출고량 예측 장치(100) 및 사용자 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.

아이템 출고량 예측 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. 아이템 출고량 예측 장치(100)는 서버, 이동식 단말, 클라우드, 전자 기기 등을 포함할 수 있으며, 본원의 인공지능을 모델을 이용한 물류창고의 아이템별 출고량 예측방법을 실행할 수 있는 모든 형태의 장치를 포함할 수 있다.

아이템 출고량 예측 장치(100)에 의하여 생성된 정보는 사용자 단말(200)에 전달될 수 있다. 예를 들어, 사용자 단말(200)은 물류창고(10)의 경영자 또는 관리자 등이 이용하는 단말을 의미할 수 있으나, 이에 제한되는 것은 아니다.

일 실시 예에서, 아이템 출고량 예측 장치(100)는 물류창고(10)에 포함된 모든 아이템 출고량을 예측할 수 있다. 일 개시에 의하여 아이템 출고량 예측 장치(100)는 물류창고(10)에 포함된 아이템간의 연관관계 및 물류창고(10) 외부의 요인으로 인한 아이템의 출고와의 연관관계에 기초하여 아이템의 예측 출고량을 결정할 수 있다.

일 실시 예에서, 아이템 출고량 예측 장치(100)는 복수개의 아이템의 출고 내역 정보에 기초한 출고량 예측을 수행할 수 있다.

일 실시 예에서, 아이템 출고량 예측 장치(100)는 물류창고(10)에 보관된 특정 품목의 일별 출고량에 대한 정보를 수집할 수 있다.

일 실시 예에서, 아이템 출고량 예측 장치(100)는 해당 품목의 일별 출고량에 대한 정보에 기초하여 미래 일 시점의 출고량을 예측할 수 있다. 예를 들어, 아이템 출고량 예측 장치(100)는 해당 품목의 출고량 변화 추이에 기초하여 미래 일 시점의 출고량을 예측하거나, 주별로 특정 요일, 월별로 특정 날짜, 분기 혹은 반기별로 특정 시점, 연간 특정 기간이나 시점 등의 출고량에 대한 정보를 수집 및 관리하며, 미래 일 시점에 대응하는 과거의 출고량 정보에 기초하여 미래 일 시점의 출고량을 예측할 수도 있다.

구체적으로, 특정 일자에 대한 출고량을 예측하고자 하는 경우, 1년 전 해당 일자의 출고량, 1달 전 해당 일자의 출고량, 1주 전 해당 요일의 출고량 등 레퍼런스가 될 수 있는 하나 이상의 과거 시점의 출고량 및 그 변화 추이에 기초하여 출고량을 예측할 수 있다.

출고량 히스토리에 기반하여 미래 일 시점의 출고량을 예측하는 방법은, 출고량 히스토리에 기반하여 획득된 학습 데이터를 이용하여 인공지능 모델을 학습시킴으로써 수행될 수 있다. 예를 들어, 인공지능 모델의 학습에는 머신러닝 기법이 이용될 수 있으나, 이에 제한되는 것은 아니다.

일 실시 예에서, 아이템 출고량 예측 장치(100)는 외부 요인에 기반하여 출고량 예측을 수행할 수 있다. 일 실시 예에서, 아이템 출고량 예측 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.

아이템 출고량 예측 장치(100)는 학습 결과에 기초하여, 미래 일 시점의 외부 요인들에 기초하여 특정 품목의 출고량을 예측할 수 있다.

아이템 출고량 예측 장치(100)는 예측된 출고량 정보에 기초하여 선제적 입고요청을 수행하는 등 재고 및 물류 관리를 위한 동작을 수행할 수 있다.

또한, 아이템 출고량 예측 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.

실시 예에 따라서, 아이템 출고량 예측 장치(100)는 물류창고(10)의 공실율 또한 예측할 수 있다.

일 실시 예에서, 아이템 출고량 예측 장치(100)는 물류창고(10)의 일별 공실율을 기록하고, 이를 이용하여 미래 일 시점의 공실율을 예측할 수 있다.

예를 들어, 아이템 출고량 예측 장치(100)는 상술한 히스토리 기반 출고량 예측방법과 유사하게, 일별 공실율의 변화 추이 및 과거 일 시점의 공실율을 레퍼런스로 하여 미래 일 시점의 공실율을 예측할 수 있다.

또한, 아이템 출고량 예측 장치(100)는 하나 이상의 다른 물류창고들(1)에 대한 정보를 수집하고, 물류창고(10)와 유사한 입지, 건축개요, 주요 보관품목을 갖는 다른 물류창고들의 공실율과 물류창고(10)의 공실율을 비교할 수 있다.

물류창고(10)와 다른 물류창고들 간의 공실율에 차이가 발생하는 경우(예를 들어, 다른 물류창고들의 공실율이 낮은 경우) 아이템 출고량 예측 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 임대료, 임대기간 및 시설 등을 포함할 수 있으나, 이에 제한되는 것은 아니다.

또한, 아이템 출고량 예측 장치(100)는 물류창고(10)의 공실율에 기반하여 물류창고(10)의 매출을 예측할 수 있다. 이 경우, 아이템 출고량 예측 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 사용자 단말(200)에 제공할 수 있다.

또한, 사용자 단말(200)에 제공되는 정보는, 물류창고(10)의 개축을 위한 정보로 활용될 수 있다.

도 2는 일 실시 예에 의한 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 방법을 개략적으로 설명하기 위한 도면이다.

일 개시에 의하여, 아이템 출고량 예측 장치(100)는 물류 창고에 보관된 복수개의 아이템 각각에 대한 출고 이력 정보와 물류 창고 외부에서 발생한 외부 요인을 이용하여, 복수개의 아이템 각각에 대한 예측 출고량 정보를 생성할 수 있다.

일 개시에 의하여 아이템 출고량 예측 장치(100)는 인공지능 모델을 이용하여 특정 시점에서의 특정 아이템의 예측 출고량 정보를 생성할 수 있다.

인공지능 모델은 물류 창고 내부에서 획득한 정보와 물류 창고 외부에서 획득한 정보를 이용하여, 미래 시점의 예측 출고량을 예측하기 위하여 학습된 것이다. 인공지능 모델은 특정 주기, 특정 이벤트, 특정한 외부 요인, 특정 아이템 등과 같이, 사용자에 의하여 미리 지정된 조건에 따라 학습조건이 달라질 수 있다.

일 개시에 의하여 아이템 출고량 예측 장치(100)는 학습된 인공지능 모델을 이용하여, 제 1 아이템의 출고 이력 정보 및 외부 요인들로부터 제 1 아이템의 소정의 시점 또는 주기에서의 제 1 아이템의 예측 출고량 정보를 생성할 수 있다.

또한, 일 개시에 의하여 아이템 출고량 예측 장치(100)는 제 1 아이템 및 제 2 아이템의 출고 이력 정보와 복수의 외부 요인을 이용하여 각각의 외부 요인들의 발생시점과 아이템들의 출고 정보를 예측하여, 제 1 아이템과 제 2 아이템이 각각의 출고에 영향을 미치는 가능성을 예측할 수 있다.

도 3은 일 개시에 의한 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 방법을 설명하기 위한 흐름도이다.

일 개시에 의하여, 블록 301에서 아이템 출고량 예측 장치(100)는 물류 창고에 보관된 제 1 아이템의 출고 이력 정보를 획득할 수 있다. 일 개시에 의하여, 출고 이력 정보는 아이템의 입고 시점부터 출고 시점까지의 히스토리 정보를 포함할 수 있다. 보다 상세하게 출고 이력 정보는 아이템의 종류, 입고 수량, 아이템의 속성, 구매자층의 속성, 입고 시기, 출고 시기, 판매 방법, 재고 수량, 프로모션 여부 등에 대한 정보를 포함할 수 있으며, 아이템의 입고 시점부터 발생한 모든 이력 정보를 포함할 수 있다.

일 개시에 의하여, 블록 302에서 아이템 출고량 예측 장치(100)는 제 1 아이템의 출고 시기에 연관된 복수의 외부 요인에 대한 정보를 획득할 수 있다.

일 개시에 의하여, 외부 요인은 물류 창고 외부에서 기인한 속성으로서, 아이템이 출고되는 시점에서 발생하는 모든 외부 요인을 포함할 수 있다. 예를 들어, 외부 요인은 계절 정보, 날씨 정보, 기온 정보, 요일 정보, 이벤트 정보, 구매 고객 정보, 판매 방식 정보 및 물류 창고의 속성 정보를 포함할 수 있으며, 그 외에도 물류 창고 주변 환경에 대한 모든 정보를 포함할 수 있음은 당업자에 자명하다.

일 개시에 의하여, 아이템 출고량 예측 장치(100)는 제 1 아이템의 출고 시점의 계절 정보, 날씨 정보, 기온 정보, 요일 정보, 이벤트 정보, 구매 고객 정보, 판매 방식 정보 및 물류 창고의 속성 정보를 포함하는 외부 요인에 대한 정보를 획득할 수 있다. 아이템 출고량 예측 장치(100)는 기상청 서버, 언론사 서버, 쇼핑몰 서버, 광고 서버, 사용자 단말, SNS 서버 등으로부터 외부 요인을 수신할 수 있으며, 물류 창고 주변에 설치된 센서 장치로부터 물류 창고 주변의 온도, 습도, 미세먼지 농도, 기압, 재난 여부 등에 대한 외부 요인을 획득할 수도 있다. 아이템 출고량 예측 장치(100)가 외부 요인을 획득하는 방법은 제한되지 않는다.

일 개시에 의하여, 블록 303에서 아이템 출고량 예측 장치(100)는 제 1 인공지능 모델을 이용하여 제 1 아이템의 출고 시점에 발생한 복수의 외부 요인 각각에 대한 가중치를 산출하여 제 1 아이템의 출고에 영향을 미치는 외부 요인에 대한 관계 그래프를 생성할 수 있다.

일 개시에 의하여 아이템 출고량 예측 장치(100)는 제 1 아이템의 출고 시점마다 발생한 외부 요인의 빈도수에 기초하여 복수의 외부 요인 각각에 대한 가중치를 부여할 수 있다. 예를 들어, 제 1 아이템이 5번 출고되는 경우에 있어서, 각각의 출고 시점에서 발생한 외부 요인 중 가장 중복되는 횟수가 높은 외부 요인의 가중치가 가장 높으며, 발생 빈도수가 낮을 수록 가중치가 낮다.

일 개시에 의하여 아이템 출고량 예측 장치(100)는 부여된 가중치에 기초하여 제 1 아이템의 출고 시점과 복수의 외부 요인과의 연관 관계를 분석하여 제 1 아이템의 예측 출고량을 결정할 수 있다. 일 개시에 의하여 아이템 출고량 예측 장치(100)는 미래 특정 시점에서의 예측 출고량을 결정할 수 있으며, 소정의 기간 단위로 예측 출고량을 결정할 수 있다.

일 개시에 의하여, 블록 304에서 아이템 출고량 예측 장치(100)는 관계 그래프를 이용하여, 시계열적 흐름에 따라 변화하는 복수의 외부 요인을 고려하여 제 1 아이템의 예측 출고량을 결정할 수 있다.

일 개시에 의하여 아이템 출고량 예측 장치(100)는 제 1 아이템의 예측 출고량에 기초하여 제 1 아이템의 입고량 및 입고시기를 결정할 수 있다.

또한, 일 개시에 의하여 아이템 출고량 예측 장치(100)는 적어도 하나의 외부 요인의 불규칙한 흐름이 발생함에 대응하여, 제 1 아이템의 입고량 및 입고시기를 수정할 수 있다. 예를 들어, 3년치의 아이템 출고 이력에 기초하여, 무더위가 시작되면 에어컨의 판매량이 증가한 것에 기초하여, 6월 내지 8월의 에어컨의 예측 출고량을 결정하였지만, 금번 년도에 다수의 태풍의 발생이 발생할 것으로 예상되는 경우, 태풍의 발생을 불규칙한 흐름으로 판단할 수 있다. 이에 따라, 에어컨 아이템의 예측 출고량을 기존 예측 출고량보다 낮게 조정할 수 있다.

일 개시에 의하여 아이템 출고량 예측 장치(100)는 제 2 인공지능 모델을 이용하여 제 1 아이템의 출고량이 임계치 이상으로 검출되는 제 1 출고 시점에서 획득한 복수의 외부 요인의 조합으로부터 제 1 이벤트를 생성할 수 있다. 여기서 제 1 이벤트는 시간의 흐름에 따라 자연적으로 발생할 수 있는 이벤트를 나타낼 수 있으며, 예를 들어, 열대야가 지속됨에 따라 에어컨의 판매가 증가하는 경우, 아이템 출고량 예측 장치(100)는 열대야에 따른 온도 및 습도 증가 이벤트를 생성할 수 있으며, 상기 이벤트가 생성되는 경우 에어컨의 예측 출고량이 증가할 수 있음을 예측할 수 있다. 여기서 임계치는 특정 아이템의 수요가 급증하는 경우를 나타내기 위한 지표로서, 아이템의 입고 수량에 따른 재고 수량, 재 주문 정보 등에 기초하여 결정될 수 있다.

예를 들어, 아이템 출고량 예측 장치(100)는 털 모자 아이템의 출고량이 임계치 이상으로 검출된 시점에서, 혹독한 추위의 겨울을 예고하는 기상 정보, 크리스마스 시즌 정보, 영화 속 털모자의 유행 등에 대한 복수의 외부 요인의 조합으로부터 “겨울-털모자 이벤트”를 생성할 수 있다.

아이템 출고량 예측 장치(100)는 제 2 인공지능 모델을 이용하여 제 1 이벤트의 발생 시점을 예측하고, 예측된 시점에서의 제 1 아이템의 입고량을 조정할 수 있다. 즉, 아이템 출고량 예측 장치(100)는 소정의 주기동안 획득한 데이터를 이용하여 제 1 아이템의 예측 출고량 및 예측 출고 시기를 결정하는 동시에, 새롭게 획득한 데이터를 이용하여 예측 출고량을 재결정하는 과정을 반복함으로써 보다 신뢰도 높은 예측 출고량을 획득할 수 있다. 예를 들어, “겨울-털모자 이벤트”에 포함된 겨울, 추위, 크리스마스 선물 등에 대한 복수의 요인에 기초하여, 12월의 털모자 입고량을 증가시킬 수 있다.

보다 상세하게는, 아이템 출고량 예측 장치(100)는 소정의 주기마다 획득한 제 1 아이템의 출고 이력 정보를 이용하여, 제 1 아이템의 예측 출고량과 실제 출고량의 차이값을 계산할 수 있다.

이때, 아이템 출고량 예측 장치(100)는 차이값에 연관된 영향을 준 복수의 외부 요인의 가중치를 재결정할 수 있다. 또한, 아이템 출고량 예측 장치(100)는 재결정된 복수의 외부 요인의 가중치에 기초하여, 제 1 아이템의 예측 출고량을 수정할 수 있다.

예를 들어, 겨울철에 털모자의 출고량이 증가할 것으로 판단하여 100개의 털모자에 대한 입고 수량을 결정하였지만, 그 해 겨울에 이상 고온 현상으로 인하여 털모자가 40개만 출고된 경우, 아이템 출고량 예측 장치(100)는 “겨울철 온도”에 따른 가중치를 재설정하고, 다음해 겨울철에 획득한 겨울 온도 예측 정보에 기초하여 털모자의 입고 수량을 재결정할 수 있다. 일 실시예에 따라, 하나의 외부 요인에 대한 가중치 재결정을 설명하였지만, 복수개의 외부 요인에 동시 적용될 수 있음은 당업자에 자명하다.

도 4는 일 개시에 의한 아이템과 외부 요인과의 관계 그래프를 이용하여 아이템의 출고량을 예측하는 특징을 설명하기 위한 도면이다.

일 개시에 의하여 아이템 출고량 예측 장치(100)는 관계 그래프를 생성하기 위하여, 제 1 아이템의 출고 시점에 발생한 복수의 외부 요인들에 대응하는 복수의 노드들을 생성할 수 있다. 이때, 제 1 아이템도 노드로 표시될 수 있다. 도 4에 도시된 관계 그래프와 같이 제 1 아이템(ex. 여행 가방)은 관계 그래프에 하나의 노드로서 표시될 수 있다. 또한, 제 1 아이템의 출고시점마다 획득한 복수의 외부 요인들이 관계 그래프의 노드로서 표시될 수 있다. 외부 요인은 요일, 태풍 날씨, 휴가, 여름, 고온다습한 날씨, 해외여행 등의 물류 창고에서 발생하는 외부 요인을 포함할 수 있다.

일 개시에 의하여 아이템 출고량 예측 장치(100)는 복수의 외부 요인 각각의 관계를 나타내기 위하여, 복수의 외부 요인 각각을 연결하는 적어도 하나의 선을 생성할 수 있다. 복수의 외부 요인은 제 1 아이템의 출고 시점에 발생한 외부 속성에 대한 모든 정보로서, 제 1 아이템의 출고 시점에 발생한 복수의 외부 요인은 직접적, 간접적 및 유기적으로 연결될 수 있다.

일 개시에 의하여 아이템 출고량 예측 장치(100)는 적어도 하나의 선의 두께를 조정하여 제 1 아이템의 출고 시점에 동시에 발생된 복수의 외부 요인 사이의 관계의 강도를 나타낼 수 있다. 예를 들어, 제 1 아이템의 출고 시점에 동시에 발생하는 외부 요인들의 경우, 두 외부 요인 사이의 연관 관계의 강도가 높다고 판단할 수 있으며 그에 따라 두 외부 요인 사이를 연결하는 선의 두께를 조정할 수 있다. 예를 들어, 여행 가방의 출고 시점에 영향을 주는 외부 요인 중 해외 여행, 여름, 휴가의 외부 요인의 빈도수가 높았다면, 여행가방-해외 여행-여름-휴가를 이어주는 선의 두께를 증가시킴으로써, 각각의 노드 간의 연관관계 강도를 높일 수 있다.

일 실시 예에서, 특정 아이템과 외부 요인 간의 연관관계를 두께뿐 아니라 다양한 형태의 선을 이용하여 표시 및 저장할 수도 있다. 예를 들어, 특정 아이템과 외부 요인 간의 연관관계를 판단하기 위한 정보가 부족한 경우(예를 들어, 수집된 사례의 수가 기 설정된 횟수 이하인 경우) 해당 아이템과 외부 요인에 해당하는 노드를 연결하는 선을 파선으로 표시할 수 있다.

다른 예로, 특정 아이템과 외부 요인 간의 연관관계가 특정한 조건 하에서 상이하게 나타나는 경우 해당 노드들 사이를 연결하는 선의 형태를 상이하게 설정할 수 있다. 예를 들어, 여행 가방의 출고 시점에 영향을 주는 외부 요인 중 해외 여행, 여름, 휴가의 외부 요인의 빈도수가 높지만, 강수량이 기 설정된 수치 이상인 경우에만 해당 외부 요인의 빈도수가 낮은 경우, 여행가방-해외 여행-여름-휴가를 이어주는 선의 형태를 물결 형태로 할 수 있다. 또한, 강수량이 기 설정된 수치 이상인 날에 해당하는 물결 형태의 필터가 저장될 수 있다. 반면, 강수량과 무관한 아이템과 외부 요인에 해당하는 노드 사이는 직선으로 연결될 수 있다.

일 실시 예에서, 아이템 출고량 예측 장치(100)는 관계 그래프에서 연관관계를 판단하고자 하는 아이템 및 하나 이상의 외부 요인에 대응하는 노드를 검색하고, 검색된 노드 간의 선의 두께에 대한 정보를 획득할 수 있다. 아이템 출고량 예측 장치(100)는 획득된 두께에 대한 정보에 기초하여 아이템과 외부 요인 간의 연관관계를 판단할 수 있다.

또한, 아이템 출고량 예측 장치(100)는 관계 그래프에서 검색된 노드 간의 선의 특징(파선 등)에 대한 정보를 획득할 수 있으며, 해당 특징에 대응하는 연관관계에 대한 정보를 획득할 수 있다.

또한, 아이템 출고량 예측 장치(100)는 강수량이 기 설정된 수치 이상인 날에 대한 아이템과 외부 요인의 연관관계를 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.

아이템 출고량 예측 장치(100)는 필터가 적용된 그래프의 선들의 상태에 기초하여, 삭제된 부분이 적은 경우 연관관계가 높은 것으로, 그리고 삭제되지 않은 부분의 두께가 클수록 연관관계가 높은 것으로 판단할 수 있다.

일 개시에 의하여 아이템 출고량 예측 장치(100)는 인공지능 모델을 통해 아이템 출고 이력 정보 및 복수의 외부 요인으로부터 아이템의 예측 출고량을 예측하거나, 아이템의 입고 수량 및 입고 시기를 결정하거나, 아이템이 보관된 물류 창고의 아이템 배치 정보를 재결정할 수 있다. 또한, 아이템의 입고 및 출고 예측에 따라 물류 창고의 매출량을 예측함으로써, 물류 창고를 효율적으로 활용할 수 있는 모니터링 정보를 결정할 수 있다.

예를 들어, 아이템 출고량 예측 장치(100)는 여름, 휴가, 고온 다습, 해외 여행을 여름철 휴가 이벤트로 결정하고, 7월초에 여행 가방의 출고량이 증가할 것이라고 예측할 수 있다. 또한, 아이템 출고량 예측 장치(100)는 아이템의 출고량이 증가할 것으로 예측되는 시점 이전의 특정 시점에 여행 가방을 얼마나 입고시킬지 여부를 결정할 수 있다.

또한, 아이템 출고량 예측 장치(100)는 아이템의 출고량이 높은 시기의 복수의 요인들을 분석하여 아이템의 예측 출고량을 결정할 수 있다. 보다 상세하게는, 아이템 출고량 예측 장치(100)는 제 1 아이템의 출고량이 가장 높은 기간을 제 1 주기를 결정할 수 있다. 여기서 제 1 주기는 사용자에 의하여 정해질 수 있으며, 또는, 제 1 아이템의 출고량이 기 정해진 임계값보다 높게 측정되는 시기로 결정할 수 있다.

아이템 출고량 예측 장치(100)는 관계 그래프를 이용하여 제 1 주기 동안 임계치 이상의 가중치로 산출된 적어도 하나의 제 1 외부 요인을 결정할 수 있다. 여기서 임계치 이상의 가중치란, 제 1 주기 동안 외부 요인이 소정의 횟수 이상으로 발생한 것을 의미하며, 임계치 이상의 가중치로 결정된 외부 요인은 제 1 주기 동안의 아이템의 높은 출고량에 큰 영향을 미치는 것으로 판단될 수 있다. 여기서 제 1 외부 요인은 적어도 하나 이상의 외부 요인을 포함할 수 있다.

또한, 아이템 출고량 예측 장치(100)는 아이템의 출고량이 낮은 시기의 복수의 요인들을 분석하여 아이템의 예측 출고량을 결정할 수 있다. 보다 상세하게는, 아이템 출고량 예측 장치(100)는 제 1 아이템의 출고량이 가장 낮은 기간을 제 2 주기를 결정할 수 있다. 여기서 제 2 주기는 사용자에 의하여 정해질 수 있으며, 또는, 제 2 아이템의 출고량이 기 정해진 임계값보다 낮게 측정되는 시기로 결정할 수 있다.

아이템 출고량 예측 장치(100)는 관계 그래프를 이용하여 제 2 주기 동안 임계치 이상의 가중치로 산출된 적어도 하나의 제 2 외부 요인을 결정할 수 있다. 여기서 임계치 이상의 가중치란, 제 2 주기 동안 외부 요인이 소정의 횟수 이상으로 발생한 것을 의미하며, 임계치 이상의 가중치로 결정된 외부 요인은 제 2 주기 동안의 아이템의 낮은 출고량에 큰 영향을 미치는 것으로 판단될 수 있다. 여기서 제 2 외부 요인은 적어도 하나 이상의 외부 요인을 포함할 수 있다.

일 개시에 의하여 아이템 출고량 예측 장치(100)는 결정된 적어도 하나의 제 1 외부 요인이 발생하는 경우 출고량이 높아지는 제 2 아이템을 결정할 수 있다. 예를 들어, 제 1 외부 요인이 발생하는 상황에서 제 2 아이템의 출고량이 높은 경우, 제 1 외부 요인은 제 1 아이템뿐 아니라, 제 2 아이템의 출고에도 영향을 미친다는 것을 알 수 있다. 예를 들어, 여행 가방의 출고량이 높아지는 시기에 가중치가 높은 외부 요인이 여름, 휴가, 해외여행이었으며, 동시에 수영용품에 관련된 출고량이 높아진 경우, 수영복을 제 2 아이템으로 결정할 수 있다.

일 개시에 의하여 아이템 출고량 예측 장치(100)는 적어도 하나의 제 1 외부 요인의 발생이 예측되는 경우, 제 1 아이템 및 제 2 아이템의 입고량을 조정할 수 있다. 따라서, 본 발명에 따르면 인공지능 모델을 이용하여 복수의 아이템의 연관관계를 분석함으로써, 복수의 외부 요인의 변화에 따른 복수개의 아이템의 예측 출고량을 결정할 수 있다.

또한, 아이템 출고량 예측 장치(100)는 제 1 아이템의 위치 정보 및 수량 정보를 이용하여, 물류 창고의 제 1 아이템 배치 정보를 생성할 수 있다. 아이템 출고량 예측 장치(100)는 물류 창고에 배치된 적어도 하나의 아이템의 배치 정보를 실시간 획득할 수 있다. 일 개시에 의하여, 아이템 출고량 예측 장치(100)는 예측 출고 시기가 빠른 아이템의 배치를 예측 출고 시기가 늦은 아이템보다 운반이 쉬운 위치에 배치할 수 있다.

또한, 아이템 출고량 예측 장치(100)는 제 1 아이템의 예측 출고량 및 예측 출고 시기를 이용하여, 물류 창고 제 1 아이템 배치 정보를 수정할 수 있다. 예를 들어, 제 1 아이템의 출고 시기가 수정되는 경우 효율적인 물류 창고 운영을 위하여 아이템의 배치를 변경할 수 있다.

도 5는 일 개시에 의한 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 장치의 구성을 나타낸 도면이다.

일 개시에 의하여 아이템 출고량 예측 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 아이템 출고량 예측 장치(100)에 포함된 프로세서(1100)는 하나 이상의 인스트럭션을 실행함으로써 본원의 방법을 수행할 수 있다.

그러나, 도 5에 도시된 구성 요소보다 많은 구성 요소에 의해 아이템 출고량 예측 장치(100)가 구현될 수도 있고, 더 적은 구성 요소에 의해 구현될 수도 있다.

프로세서(1100)는, 통상적으로 아이템 출고량 예측 장치(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1100)는, 메모리(1200)에 저장된 프로그램들을 실행함으로써, 아이템 출고량 예측 장치(100)에 포함된 다른 구성들을 전반적으로 제어할 수 있다. 또한, 프로세서(1100)는 메모리(1200)에 저장된 프로그램들을 실행함으로써, 아이템 출고량 예측 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, 아이템 출고량 예측 장치(100)로 입력되거나 아이템 출고량 예측 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 아이템별 출고량 예측방법은 기존 히스토리 및 하나 이상의 외부 요인과, 이에 따른 아이템별 출고량에 대한 정보를 포함하는 데이터를 통해 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)

1. 컴퓨터에 의하여 수행되는 방법에 있어서,
   물류 창고에 보관된 제 1 아이템의 출고 이력 정보를 획득하는 단계;
   상기 제 1 아이템의 출고 시점의 계절 정보, 날씨 정보, 기온 정보, 요일 정보, 이벤트 정보, 구매 고객 정보, 판매 방식 정보 및 물류 창고의 속성 정보를 포함하는 복수의 외부 요인에 대한 정보를 획득하는 단계;
   제 1 인공지능 모델을 이용하여 제 1 아이템의 출고 시점마다 발생한 외부 요인의 빈도수에 기초하여 복수의 외부 요인 각각에 대한 가중치를 산출하여 상기 제 1 아이템의 출고에 영향을 미치는 복수의 외부 요인에 대한 관계 그래프를 생성하는 단계; 및
   상기 관계 그래프를 이용하여 상기 제 1 아이템의 예측 출고량 및 예측 출고 시기를 결정하는 단계를 포함하며,
   상기 제 1 아이템의 예측 출고량 및 예측 출고 시기를 결정하는 단계는,
   상기 부여된 가중치에 기초하여 상기 제 1 아이템의 출고 시점과 상기 복수의 외부 요인과의 연관 관계를 분석하여 상기 제 1 아이템의 예측 출고량을 결정하는 단계;
   소정의 주기마다 획득한 상기 제 1 아이템의 출고 이력 정보를 이용하여, 상기 제 1 아이템의 예측 출고량과 실제 출고량의 차이값을 계산하는 단계;
   상기 제 1 아이템의 예측 출고량을 결정하는데 이용된 복수의 외부 요인 중 상기 차이값에 연관된 적어도 하나의 외부 요인을 선택하고, 상기 선택한 적어도 하나의 외부 요인에 대한 가중치를 재결정하는 단계;
   상기 재결정된 적어도 하나의 외부 요인의 가중치에 기초하여, 상기 제 1 아이템의 예측 출고량을 조정하는 단계; 및
   상기 제 1 아이템의 위치 정보 및 수량 정보를 이용하여, 상기 물류 창고의 제 1 아이템 배치 정보를 생성하되, 상기 제 1 아이템의 예측 출고량 및 예측 출고 시기를 이용하여, 상기 물류 창고 내에서 상기 예측 출고 시기가 빠른 아이템이 상기 예측 출고 시기가 늦은 아이템보다 상대적으로 운반이 용이한 위치에 배치되도록 상기 물류 창고 상기 제 1 아이템 배치 정보를 수정하는 단계를 포함하며,
   상기 물류 창고의 일별 공실율에 기초하여 미래 일 시점의 공실율을 예측하고, 상기 예측한 공실율을 이용하여 상기 물류 창고의 매출을 예측하는 단계; 및
   상기 물류 창고 외의 하나 이상의 다른 물류 창고들에 대한 정보 - 상기 다른 물류 창고들에 대한 정보는, 입지, 건축개요, 공실율, 주요 보관품목, 임대료, 임대기간 및 시설에 대한 정보를 포함함 - 를 수집하고, 상기 하나 이상의 다른 물류 창고들 중 상기 물류 창고의 공실율보다 낮은 공실율을 가지는 적어도 하나의 다른 물류 창고에 대한 정보와 상기 물류 창고에 대한 정보 간의 차이점을 분석하여 상기 물류 창고의 공실 원인을 분석하는 단계를 더 포함하고,
   상기 물류 창고의 매출을 예측하는 단계는,
   상기 하나 이상의 다른 물류 창고 중 상기 물류 창고와 유사한 입지 및 토지 면적을 가지는 적어도 하나의 물류 창고를 선택하고, 상기 선택한 적어도 하나의 물류 창고 중 가장 매출이 높은 물류 창고에 대한 정보와 상기 물류 창고의 정보 간의 차이점을 분석하여 사용자 단말에 제공하는 단계를 포함하고,
   상기 제 1 인공지능 모델은,
   물류 창고 내부에서 획득한 정보와 물류 창고 외부에서 획득한 정보를 이용하여 미래 시점의 예측 출고량을 예측하기 위하여 학습된 인공지능 모델이고,
   상기 제 1 인공지능 모델은 사용자에 의하여 미리 지정된 학습조건에 따라 특정 주기, 특정 이벤트, 특정한 외부 요인, 특정 아이템 중 적어도 하나의 조건에 따라 학습되는 것을 특징으로 하고,
   상기 복수의 외부 요인에 대한 정보를 획득하는 단계는,
   기상청 서버, 언론사 서버, 쇼핑몰 서버, 광고 서버, 사용자 단말, SNS 서버 중 적어도 하나의 서버로부터 상기 외부 요인을 획득하고,
   상기 물류 창고 주변에 설치된 센서 장치로부터 물류 창고 주변의 온도, 습도, 미세먼지 농도, 기압, 재난 여부 중 적어도 하나를 포함하는 외부 요인을 획득하는,
   인공지능 모델 기반 물류창고의 예측 출고량 결정 방법.
   
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 삭제
7. 삭제
8. 삭제
9. 삭제
10. 삭제

Images