KR102484139B1 - 인공지능모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템 - Google Patents
인공지능모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR102484139B1 KR102484139B1 KR1020220103473A KR20220103473A KR102484139B1 KR 102484139 B1 KR102484139 B1 KR 102484139B1 KR 1020220103473 A KR1020220103473 A KR 1020220103473A KR 20220103473 A KR20220103473 A KR 20220103473A KR 102484139 B1 KR102484139 B1 KR 102484139B1
- Authority
- KR
- South Korea
- Prior art keywords
- driving
- time
- wheeled vehicle
- information
- user
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims description 49
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000012384 transportation and delivery Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 20
- 238000012549 training Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 13
- 239000000284 extract Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000002542 deteriorative effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000711573 Coronaviridae Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/02—Registering or indicating driving, working, idle, or waiting time only
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Technology Law (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
일실시예에 따른 장치는 미리 설정된 기간(期間) 동안 사용자가 운행하는 이륜차에 설치되어 있는 복수의 센서로부터 이륜차에 대한 운행 데이터를 획득하고, 이륜차의 운행 데이터를 기초로, 사용자의 운전 패턴 정보를 생성하고, 운전 패턴 정보를 인공지능모델을 이용하여, 사용자의 운전 등급을 생성하고, 운전 패턴 정보 및 운전 등급에 기반하여, 추천 보험 상품을 선정하고, 추천 보험 상품을 안내하는 추천 상품 안내 메시지를 사용자의 사용자 단말로 전송할 수 있다.
Description
아래 실시예들은 인공지능모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 기술에 관한 것이다.
오늘날 이륜차와 같은 교통 수단은 자동차에 비해 크기가 작고, 도로 상에서 주행범위가 다소 자유롭기 때문에 일상생활에서 많이 이용되고 있다. 또한, 코로나 바이러스로 인해 배달문화가 활성화되면서, 이륜차의 도로 주행량이 점차 증가하고 있다.
이륜차 운행이 늘어나면서, 이륜차의 교통 사고가 빈번하게 발생하고 있으며, 이에 따라, 이륜차 보험료가 높아지고 있다. 이륜차 운전자들에게 사고 발생에 대비한 보험의 제공이 절실하지만, 이륜차 보험료가 비싸기 때문에 보험 가입을 기피하고 있다. 보험사 입장에서는 이륜차 보험의 손해율이 높고, 이륜차 운전자들에 대한 운전 데이터 확보의 어려움 때문에 이륜차 운전자들에 대한 적절한 보험 상품을 제공하지 못하는 실정이다.
따라서, 이륜차 운전자의 운전 패턴 정보를 분석하여, 이륜차 운전자의 운전 패턴에 따라 보험료를 차등적으로 책정할 수 있는 기술의 구현이 요구되고 있다.
실시예들은 인공지능모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하고자 한다.
실시예들은 운전 패턴 정보를 이용하여 추천 보험 상품을 선정하고자 한다.
실시예들은 인공지능모델을 이용하여 사용자의 운전 등급을 출력하고자 한다.
일실시예에 따르면, 장치에 의해 수행되는 방법에 있어서, 미리 설정된 기간(期間) 동안 사용자가 운행하는 이륜차에 설치되어 있는 복수의 센서로부터 상기 이륜차에 대한 운행 데이터를 획득하는 단계; 상기 이륜차의 운행 데이터를 기초로, 상기 사용자의 운전 패턴 정보를 생성하는 단계; 상기 운전 패턴 정보를 인공지능모델을 이용하여, 상기 사용자의 운전 등급을 생성하는 단계; 상기 운전 패턴 정보 및 상기 운전 등급에 기반하여, 추천 보험 상품을 선정하는 단계; 및 상기 추천 보험 상품을 안내하는 추천 상품 안내 메시지를 상기 사용자의 사용자 단말로 전송하는 단계를 포함할 수 있다.
상기 사용자의 추천 보험 상품을 선정하는 단계는, 상기 운전 패턴 정보를 기초로, 상기 이륜차의 월별 운행 횟수를 추출하는 단계; 상기 추출된 월별 운행 횟수로부터 상기 이륜차의 월평균 운행 횟수를 산출하는 단계; 상기 운전 패턴 정보를 기초로, 상기 이륜차의 일별 운행 시간을 산출하는 단계; 상기 추출된 일별 운행 시간으로부터 상기 이륜차의 일평균 운행 시간을 산출하는 단계; 상기 이륜차의 월평균 운행 횟수가 미리 설정된 기준 운행 횟수 보다 적으면서, 상기 이륜차의 일평균 운행 시간이 미리 설정된 기준 운행 시간 보다 짧은 것으로 확인되면, 가장 저렴한 제1 가격으로 설정된 보험 상품을 확인하는 단계; 상기 이륜차의 월평균 운행 횟수가 상기 기준 운행 횟수 보다 적으면서, 상기 이륜차의 일평균 운행 시간이 상기 기준 운행 시간 보다 긴 것으로 확인되면, 상기 제1 가격 보다 비싼 제2 가격으로 설정된 보험 상품을 확인하는 단계; 상기 이륜차의 월평균 운행 횟수가 상기 기준 운행 횟수 보다 많으면서, 상기 이륜차의 일평균 운행 시간이 상기 기준 운행 시간 보다 짧은 것으로 확인되면, 상기 제2 가격 보다 비싼 제3 가격으로 설정된 보험 상품을 확인하는 단계; 상기 이륜차의 월평균 운행 횟수가 상기 기준 운행 횟수 보다 많으면서, 상기 이륜차의 일평균 운행 시간이 상기 기준 운행 시간 보다 긴 것으로 확인되면, 상기 제3 가격 보다 비싼 제4 가격으로 설정된 보험 상품을 확인하는 단계; 및 상기 확인된 제1 가격 내지 제4 가격에 상기 운전 등급에 따라 최종 가격을 설정하고, 상기 최종 가격으로 설정된 보험 상품을 추천 보험 상품으로 선정하는 단계를 포함할 수 있다.
상기 인공지능모델은 제1 인공신경망 및 제2 인공신경망을 포함하고, 상기 사용자의 운전 등급을 생성하는 단계는, 상기 운전 패턴 정보로부터 상기 미리 설정된 기간 동안 시간대 별 상기 이륜차의 운행된 시간의 평균 운행 시간을 산출하는 단계; 시간대 별 상기 이륜차가 운행된 시간이 상기 평균 운행 시간보다 높은 시간에 해당되는 시간을 주요 운행 시간대로 분류하는 단계; 상기 주요 운행 시간대와 미리 설정된 교통 혼잡 시간대를 비교하여, 상기 주요 운행 시간대 중 상기 교통 혼잡 시간대와 일치하는 시간을 추출하여 교통 혼잡 운행 정보를 생성하는 단계; 상기 주요 운행 시간대와 미리 설정된 야간 시간대를 비교하여, 상기 주요 운행 시간대 중 상기 야간 시간대와 일치하는 시간을 추출하여 야간 운행 정보를 생성하는 단계; 상기 운전 패턴 정보로부터, 상기 미리 설정된 기간 동안 상기 이륜차의 지역 별 운행 횟수를 추출하는 단계; 상기 지역 별 운행 횟수가 미리 설정된 기준 횟수보다 높은 것에 해당하는 지역을 주요 운행 지역으로 분류하는 단계; 상기 주요 운행 지역으로 분류된 지역의 날씨 정보를 추출하는 단계; 상기 날씨 정보와 미리 설정된 기상 악화 기준을 비교하여, 상기 기상 악화 기준과 상기 날씨 정보가 일치하는 횟수인 기상 악화 운행 횟수를 추출하는 단계; 상기 기상 악화 운행 횟수를 기초로 기상 악화 운행 정보를 생성하는 단계; 상기 교통 혼잡 운행 정보, 상기 야간 운행 정보 및 상기 기상 악화 운행 정보를 이용하여, 상기 교통 혼잡 운행 정보에 대응하는 제1 값, 상기 야간 운행 정보에 대응하는 제2 값, 상기 기상 악화 운행 정보에 대응하는 제3 값에 각각 적용되는 입력 노드들을 포함하는 제1 입력 신호를 생성하는 단계; 상기 제1 입력 신호를 상기 제1 인공신경망에 적용하여, 제1 출력 신호를 생성하는 단계; 상기 제1 출력 신호에 기초하여, 상기 사용자의 운행 환경 안전도를 생성하는 단계; 상기 운전 패턴 정보를 기초로, 상기 미리 설정된 기간 동안 급정거, 급가속, 급감속, 급유턴, 급회전, 과속 및 위험속도 지속 중 적어도 어느 하나를 포함하는 위험 운행 횟수를 추출하는 단계; 상기 위험 운행 횟수를 기초로 위험 운행 정보를 생성하는 단계; 상기 사용자 단말로부터 상기 사용자의 누적 운행 횟수 및 누적 운행 기간을 수신하여 저장하는 단계; 상기 누적 운행 횟수 및 상기 누적 운행 기간을 기초로 상기 사용자의 운전 경력 지수를 생성하는 단계; 상기 사용자 단말로부터, 상기 사용자의 나이대 정보를 획득하는 단계; 및 상기 운행 환경 안전도, 상기 위험 운행 정보, 상기 운전 경력 지수 및 상기 나이대 정보를 상기 제2 인공신경망에 입력하여, 상기 사용자의 운전 등급을 출력하는 단계를 포함할 수 있다.
상기 확인된 제1 가격 내지 제4 가격에 상기 운전 등급에 따라 최종 가격을 설정하는 단계는, 상기 운전 등급에 따라 미리 설정된 비율을 상기 확인된 제1 가격 내지 제4 가격에 적용하여 상기 최종 가격을 설정하는 단계일 수 있다.
상기 장치에 의해 수행되는 방법에 있어서, 상기 미리 설정된 기간 동안 상기 사용자가 상기 이륜차를 운행한 운행 시간을 추출하는 단계; 상기 운행 시간과 미리 설정된 기준 시간을 비교하는 단계; 상기 운행 시간이 상기 기준 시간 보다 작은 경우, 보험료 산출 시 사용되는 제1 할인 쿠폰을 발급하여 상기 사용자 단말에 전송하는 단계; 상기 운행 시간이 상기 기준 시간 보다 큰 경우, 상기 운전 패턴 정보로부터 상기 사용자의 위험 운행 횟수를 추출하여 미리 설정된 기준 위험 횟수를 비교하는 단계; 상기 위험 운행 횟수가 상기 기준 위험 횟수보다 큰 경우, 제2 할인 쿠폰을 발급하여 상기 사용자 단말로 전송하는 단계; 및 상기 위험 운행 횟수가 상기 기준 위험 횟수보다 작은 경우, 제3 할인 쿠폰을 발급하여 상기 사용자 단말로 전송하는 단계를 더 포함할 수 있다.
상기 운전 패턴 정보로부터 상기 사용자의 위험 운행 횟수를 추출하는 동작은, 상기 복수의 센서가 미리 설정된 값 이상을 센싱한 횟수를 기준으로 수행될 수 있다.
상기 사용자의 운전 등급을 생성하는 단계는, 상기 이륜차가 배달 업체에 등록된 차량인지 확인하고, 상기 확인에 기반하여, 상기 이륜차로 수행한 배달 정보를 수신하고, 상기 수신된 배달 정보를 이용하여 배달 위험 등급을 산출하고, 상기 산출된 배달 위험 등급을 상기 인공지능모델을 통해 추출한 운전 등급에 적용하여 운전 등급을 업데이트하는 단계를 더 포함하고, 상기 수신된 배달 정보를 이용하여 배달 위험 등급을 산출하는 동작은, 상기 배달 정보에 포함된 배달 경로 상의 사고 발생 빈도에 기반하여 수행될 수 있다.
상기 장치에 의해 수행되는 방법에 있어서, 상기 이륜차에 구비된 카메라를 통해 촬영된 운행 콘텐츠의 마지막 시점인 제1 시점의 영상 이미지를 제1 이미지로 추출하는 단계; 상기 제1 이미지에서 배경이 차지하고 있는 영역을 제1 영역으로 구분하고, 상기 제1 이미지에서 상기 제1 영역이 있는 부분을 분할하여 제1-1 이미지를 추출하는 단계; 상기 제1-1 이미지에 출연자가 있는 것으로 확인되면, 상기 제1-1 이미지에서 출연자가 차지하고 있는 영역을 제2 영역으로 구분하는 단계; 상기 운행 콘텐츠를 상기 제1 시점으로부터 시간상 역순으로 재생하여 분석한 결과, 제1-1 시점에 상기 제2 영역 내에 상기 출연자가 없는 것으로 확인되면, 상기 운행 콘텐츠에서 상기 제1-1 시점의 영상 이미지를 제2 이미지로 추출하는 단계; 상기 제2 이미지에서 상기 제2 영역이 있는 부분을 분할하여 제2-1 이미지를 추출하는 단계; 및 상기 제1-1 이미지에서 상기 제2 영역이 있는 부분을 상기 제2-1 이미지로 교체하는 단계를 더 포함할 수 있다.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
실시예들은 인공지능모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출할 수 있다.
실시예들은 운전 패턴 정보를 이용하여 추천 보험 상품을 선정할 수 있다.
실시예들은 인공지능모델을 이용하여 사용자의 운전 등급을 출력할 수 있다.
도 1은 일실시예에 따른 시스템의 구성을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 인공지능모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 추천 보험 상품을 선정하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 사용자의 운행 환경 안전도를 생성하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 사용자의 운전 등급을 출력하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 인공지능모델을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 할인 쿠폰을 발급하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 운전 등급을 업데이트하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 제1 시점의 영상 이미지에서 출연자를 삭제하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 출연자가 있는 영역이 다른 이미지로 교체된 제1-1 이미지를 설명하기 위한 도면이다.
도 11은 일실시예에 따른 장치의 구성의 예시도이다.
도 2는 일실시예에 따른 인공지능모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 추천 보험 상품을 선정하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 사용자의 운행 환경 안전도를 생성하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 사용자의 운전 등급을 출력하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 인공지능모델을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 할인 쿠폰을 발급하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 운전 등급을 업데이트하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 제1 시점의 영상 이미지에서 출연자를 삭제하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 출연자가 있는 영역이 다른 이미지로 교체된 제1-1 이미지를 설명하기 위한 도면이다.
도 11은 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "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 실시예가 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 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.
도 1은 일실시예에 따른 시스템의 구성을 설명하기 위한 도면이다.
먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.
사용자 단말(10)은 본 발명에 따른 이륜차(20)를 운전하는 사용자가 사용하는 단말일 수 있다. 사용자 단말(10)은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 사용자 단말(10)은 스마트폰일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.
사용자 단말(10)은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 사용자 단말(10)은 장치(30)와 유무선으로 통신하도록 구성될 수 있다.
사용자 단말(10)은 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 사용자 단말(10)은 웹 페이지 또는 애플리케이션을 통해 장치(30)와 연동될 수 있다.
사용자 단말(10)은 장치(30)에서 제공하는 웹 페이지, 애플리케이션을 등을 통해 장치(30)에 접속할 수 있다.
예를 들어, 사용자 단말(10)이 이륜차로 배달 업무를 수행하는 운전자들이 사용하는 단말일 경우, 사용자 단말(10)에는 배달 서비스를 제공하는 애플리케이션이 설치될 수 있다. 이때, 사용자 단말(10)에는 배달기사용 배달 애플리케이션이 설치될 수 있으며, 배달기사용 배달 애플리케이션은 장치(30)와 연동하여 동작할 수 있다.
청구항에 기재된 단수의 표현은 복수를 포함하는 것으로 이해될 수 있다. 예를 들어, 청구항의 사용자는 하나의 사용자 또는 둘 이상의 사용자를 지칭할 수 있다.
이륜차(20)은 사용자가 운행하는 이륜차 형태의 차량을 의미할 수 있으며, 예를 들어, 이륜차(20)는 배달 업무를 수행하는 운전자들이 운행하는 이륜차 형태의 차량일 수 있다.
이륜차(20)는 이륜차 형태의 이동수단으로, 오토바이, 스쿠터, 바이크, 자전거 등을 포함할 수 있으며, 이들 이외에도 전동식 킥보드, 전기스쿠터, 호버보드, 전동휠 등의 마이크로 모빌리티도 더 포함할 수 있다. 예를 들어, 이륜차(20)는 오토바이일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.
이륜차(20)에는 차량을 운전하는 사용자의 운전 패턴을 분석하기 위해 복수의 센서가 설치될 수 있다.
이륜차(20)에 설치되는 복수의 센서는 가속도 센서(acceleration sensor), 자이로 센서(gyroscope sensor), 기울기 센서(tilt sensor), GPS 센서(global positioning system sensor), 비전 센서(vision sensor) 등을 포함할 수 있으며, 설치되어 있는 차량의 운행이 시작된 경우, 가속, 감속, 회전, 기울기 등을 측정하여, 측정된 센싱값을 통해 운행 데이터를 생성할 수 있으며, 운행 데이터를 장치(30)로 전송할 수 있다. 이때, 운행 데이터는 이륜차(20)의 가속, 감속, 회전, 기울기 등의 운행 상태를 시간대 별로 나타내는 운행 데이터이다.
예를 들어, 이륜차(20)에는 복수의 센서가 설치되어 있으며, 이륜차(20)에 설치되어 있는 복수의 센서는 이륜차(20)가 움직이는 경우, 가속, 감속, 회전, 기울기 등을 측정하여, 측정된 센싱값을 통해 이륜차(20)에 대한 운행 데이터를 생성하고, 생성된 운행 데이터를 장치(30)로 전송할 수 있다.
복수의 센서는 운행 데이터를 실시간으로 장치(30)로 전송할 수 있고, 운행 데이터를 주기적으로 장치(30)로 전송할 수도 있다. 이를 위해, 복수의 센서는 통신 모듈을 포함할 수 있으며, 장치(30)는 이륜차(20) 각각에 장착된 센서와 무선으로 통신하도록 구성될 수 있다.
장치(30)는 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(30)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다.
장치(30)는 사용자 단말(10) 및 이륜차(20)와 유무선으로 통신하도록 구성될 수 있으며, 사용자 단말(10) 및 이륜차(20)의 동작을 제어하고, 사용자 단말(10) 및 이륜차(20)의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.
한편, 설명의 편의를 위해 도 1에서는 사용자 단말(10) 및 이륜차(20)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(30)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.
장치(30)는 인공지능모델을 이용하여 이륜차(20)의 운전 패턴 정보를 기초로 이륜차 보험료를 산출할 수 있다. 일실시예에 따르면, 장치(30) 내에는 데이터베이스가 구비될 수 있으며, 이에 한정되지 않고, 장치(30)와 별도로 데이터베이스가 구성될 수 있다. 장치(30)는 기계 학습 알고리즘의 수행을 위한 다수의 인공 신경망을 포함할 수 있다. 여기서, 인공지능모델은 제1 인공신경망(100) 및 제2 인공신경망(200)을 포함할 수 있다. 하지만, 실시예에 따라 상이하게 설정될 수 있다.
한편, 설명의 편의를 위해 도 1에서는 사용자 단말(10) 및 이륜차(20)만을 도시하였으나, 단말의 수 및 이륜차의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(30)의 처리 용량이 허용하는 한, 단말의 수 및 이륜차의 수는 특별한 제한이 없다.
도 2는 일실시예에 따른 인공지능모델을 이용하여 이륜차(20)의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 과정을 설명하기 위한 순서도이다.
도 2를 참조하면, 먼저, S201 단계에서 장치(30)는 미리 설정된 기간(期間) 동안 사용자가 운행하는 이륜차(20)에 대한 운행 데이터를 획득할 수 있다. 이때, 장치(30)는 이륜차(20)에 설치되어 있는 복수의 센서로부터 이륜차(20)에 대한 운행 데이터를 획득할 수 있다. 이때, 미리 설정된 기간은 실시예에 따라 상이하게 설정될 수 있다.
여기서, 운행 데이터는 이륜차(20)에 설치되어 있는 복수의 센서에 의해 측정된 센싱값을 의미하며, 이륜차(20)의 속도, 회전, 기울기, 위치, 시각 정보 등의 데이터를 포함할 수 있다. 이를 위해, 이륜차(20)에는 가속도 센서, 자이로 센서, 기울기 센서, GPS 센서, 비전 센서 등의 복수의 센서가 설치되어 있을 수 있으며, 이륜차(20)의 형태에 따라 복수의 센서에 대한 종류 및 위치가 변경될 수 있다. 또한, 운행 데이터는 이륜차(20)의 운행 횟수, 운행 날짜, 운행 시간 및 운행 위치 등에 대한 정보를 포함할 수 있다.
이륜차(20)에는 가속도 센서가 설치될 수 있으며, 가속도 센서는 물체의 속도의 변화(가속도)나 운동량의 변화(충격량) 등을 감지하여 측정할 수 있다. 즉, 이륜차(20)에 부착된 가속도 센서는 이륜차(20)이 움직이게 되면, 속도, 가속도, 충격 발생 여부 등을 측정하여, 측정된 센싱값을 통해 이륜차(20)의 운행 데이터를 생성할 수 있다.
이륜차(20)에는 자이로 센서가 설치될 수 있으며, 자이로 센서는 물체의 회전 운동을 감지하여 측정할 수 있다. 즉, 이륜차(20)에 부착된 자이로 센서는 이륜차(20)이 움직이게 되면, 회전 진동 정보, 측면 기울기 및 회전할 때의 각도 정보, 곡예주행 여부 및 오르막길과 내리막길 여부 등을 측정하여, 측정된 센싱값을 통해 이륜차(20)의 운행 데이터를 생성할 수 있다.
이륜차(20)에는 기울기 센서가 설치될 수 있으며, 기울기 센서는 물체의 기울기를 감지하여 측정할 수 있다. 즉, 이륜차(20)에 부착된 기울기 센서는 이륜차(20)이 움직이게 되면, 좌우 회전 기울기, 주행 중 위험운전 여부, 넘어짐 여부 등을 측정하여, 측정된 센싱값을 통해 이륜차(20)의 운행 데이터를 생성할 수 있다.
이륜차(20)에는 GPS 센서가 설치될 수 있으며, GPS 센서는 GPS 신호를 통해 물체의 위치를 감지하여 측정할 수 있다. 즉, 이륜차(20)에 부착된 GPS 센서는 이륜차(20)의 현재 위치를 측정하여, 측정된 센싱값을 통해 이륜차(20)의 운행 데이터를 생성할 수 있다.
이륜차(20)에는 비전 센서가 설치될 수 있으며, 비전 센서는 산업용 카메라를 이용하여 물체의 색상, 크기, 형태, 패턴 등을 판별할 수 있다. 즉, 이륜차(20)에 부착된 비전 센서는 전·후방 충돌, 차선 이탈, 인도 주행 및 신호위반과 같은 시각 데이터를 생성하여, 생성된 시간 데이터를 통해 이륜차(20)의 운행 데이터를 생성할 수 있다.
즉, 이륜차(20)에 설치되어 있는 복수의 센서는 이륜차(20)이 움직이게 되면, 각 센서의 기능에 따라 센싱값을 측정하여, 측정된 센싱값을 통해 이륜차(20)의 운행 데이터를 생성할 수 있으며, 장치(30)는 이륜차(20)의 운행 데이터가 생성되면, 이륜차(20)에 설치되어 있는 복수의 센서로부터 이륜차(20)에 대한 운행 데이터를 획득할 수 있다.
S202 단계에서 장치(30)는 이륜차(20)의 운행 데이터를 기초로, 사용자의 운전 패턴 정보를 생성할 수 있다.
장치(30)는 이륜차(20)의 운행 데이터를 기초로, 사용자의 운전 패턴을 분석하여, 운전 패턴 정보를 생성할 수 있다. 여기서, 운전 패턴 정보는 사용자의 운전 패턴에 대한 분석 결과를 포함할 수 있다.
S203 단계에서 장치(30)는 운전 패턴 정보를 인공지능모델을 이용하여, 사용자의 운전 등급을 생성할 수 있다. 이때, 사용자의 운전 등급을 생성하는 과정에 대한 설명은 도 4내지 도 6을 참조하여 후술하기로 한다.
S204 단계에서 장치(30)는 운전 패턴 정보 및 운전 등급에 기반하여, 추천 보험 상품을 선정할 수 있다. 추천 보험 상품을 선정하는 과정에 대한 설명은 도 3을 참조하여 후술하기로 한다.
S205 단계에서 장치(30)는 추천 보험 상품을 안내하는 추천 상품 안내 메시지를 사용자의 사용자 단말(10)로 전송할 수 있다.
도 3은 일실시예에 따른 추천 보험 상품을 선정하는 과정을 설명하기 위한 순서도이다.
도 3을 참조하면, 먼저, S301 단계에서 장치(30)는 운전 패턴 정보를 기초로, 이륜차(20)의 월별 운행 횟수를 추출할 수 있다.
예를 들어, 이륜차(20)가 배달 업무를 수행하는 사용자가 운전한 차량인 경우, 장치(30)는 사용자가 배달 업무를 수행하기 위해 이륜차(20)를 운행한 월별 운행 횟수를 산출할 수 있다.
S302 단계에서 장치(30)는 추출된 월별 운행 횟수로부터 이륜차(20)의 월평균 운행 횟수를 산출할 수 있다.
S303 단계에서 장치(30)는 운전 패턴 정보를 기초로, 이륜차(20)의 일별 운행 시간을 산출할 수 있다.
예를 들어, 이륜차(20)가 배달 업무를 수행하는 사용자가 운전한 차량인 경우, 장치(30)는 사용자가 배달 업무를 수행하기 위해 이륜차(20)를 운행한 일별 운행 시간을 확인할 수 있다.
S304 단계에서 장치(30)는 추출된 일별 운행 시간으로부터 이륜차(20)의 일평균 운행 시간을 산출할 수 있다.
S305 단계에서 장치(30)는 이륜차(20)의 월평균 운행 횟수와 미리 설정된 기준 운행 횟수를 비교할 수 있다. 이때, 기준 운행 횟수는 실시예에 따라 상이하게 설정될 수 있다.
S306 단계에서 이륜차(20)의 월평균 운행 횟수가 기준 운행 횟수 보다 적은 경우, 장치(30)는 이륜차(20)의 일평균 운행 시간과 미리 설정된 기준 운행 시간을 비교할 수 있다. 이때, 기준 운행 시간은 실시예에 따라 상이하게 설정될 수 있다.
S307 단계에서 이륜차(20)의 일평균 운행 시간이 미리 설정된 기준 운행 시간 보다 짧은 것으로 확인되면, 장치(30)는 가장 저렴한 제1 가격으로 설정된 보험 상품을 확인할 수 있다.
즉, 장치(30)는 이륜차(20)의 월평균 운행 횟수가 기준 운행 횟수 보다 적으면서, 이륜차(20)의 일평균 운행 시간이 기준 운행 시간 보다 짧은 것으로 확인되면, 가장 저렴한 제1 가격으로 설정된 보험 상품을 확인할 수 있다.
S308 단계에서 이륜차(20)의 일평균 운행 시간이 기준 운행 시간 보다 긴 것으로 확인되면, 장치(30)는 제1 가격 보다 비싼 제2 가격으로 설정된 보험 상품을 확인할 수 있다.
즉, 이륜차(20)의 월평균 운행 횟수가 기준 운행 횟수 보다 적으면서, 이륜차(20)의 일평균 운행 시간이 기준 운행 시간 보다 긴 것으로 확인되면, 제2 가격으로 설정된 보험 상품을 확인할 수 있다.
S309 단계에서 이륜차(20)의 월평균 운행 횟수가 기준 운행 횟수 보다 많은 경우, 장치(30)는 이륜차(20)의 일평균 운행 시간과 미리 설정된 기준 운행 시간을 비교할 수 있다.
S310 단계에서 이륜차(20)의 일평균 운행 시간이 기준 운행 시간 보다 짧은 것으로 확인되면, 장치(30)는 제2 가격 보다 비싼 제3 가격으로 설정된 보험 상품을 확인할 수 있다.
즉, 장치(30)는 이륜차(20)의 월평균 운행 횟수가 기준 운행 횟수 보다 많으면서, 이륜차(20)의 일평균 운행 시간이 기준 운행 시간 보다 짧은 것으로 확인되면, 제3 가격으로 설정된 보험 상품을 확인할 수 있다.
S311 단계에서 장치(30)는 이륜차(20)의 일평균 운행 시간이 기준 운행 시간 보다 긴 것으로 확인되면, 제3 가격 보다 비싼 제4 가격으로 설정된 보험 상품을 확인할 수 있다.
즉, 장치(30)는 이륜차(20)의 월평균 운행 횟수가 기준 운행 횟수 보다 많으면서, 이륜차(20)의 일평균 운행 시간이 기준 운행 시간 보다 긴 것으로 확인되면, 제4 가격으로 설정된 보험 상품을 확인할 수 있다.
S312 단계에서 장치(30)는 확인된 제1 가격 내지 제4 가격에 운전 등급에 따라 최종 가격을 설정하고, 최종 가격으로 설정된 보험 상품을 추천 보험 상품으로 선정할 수 있다.
장치(30)는 운전 등급에 따라 미리 설정된 비율을 확인된 제1 가격 내지 제4 가격에 적용하여 최종 가격을 설정할 수 있다.
일실시예에 따르면, 운전 등급이 1등급부터 5등급까지 설정된 경우, 장치(30)는 운전 등급에 따라 비율을 각각 다르게 생성하여, 확인된 보험 상품의 가격에 미리 설정된 비율을 적용하여, 보험 상품의 최종 가격을 산출할 수 있다.
예를 들어, 1등급의 비율이 1.2, 2등급의 비율이 1.1, 3등급의 비율이 1, 4등급의 비율이 0.9, 5등급의 비율이 0.8이고, 확인된 가격이 10만원이고, 사용자의 운전 등급이 4등급인 경우, 장치(30)는 보험 상품의 최종 가격을 9만원으로 산출할 수 있다.
도 4는 일실시예에 따른 사용자의 운행 환경 안전도를 생성하는 과정을 설명하기 위한 순서도이다.
도 4를 참조하면, 먼저, S401 단계에서 장치(30)는 주요 운행 시간대와 미리 설정된 교통 혼잡 시간대를 비교할 수 있다.
장치(30)는 운전 패턴 정보로부터 미리 설정된 기간 동안 시간대 별 이륜차(20)의 운행된 시간의 평균 운행 시간을 산출하고, 시간대 별 이륜차(20)가 운행된 시간이 평균 운행 시간보다 높은 시간에 해당되는 시간을 주요 운행 시간대로 분류할 수 있다.
S402 단계에서 장치(30)는 교통 혼잡 운행 정보를 생성할 수 있다. 일실시예에 따르면, 장치(30)는 주요 운행 시간대와 미리 설정된 교통 혼잡 시간대를 비교하여, 주요 운행 시간대 중 교통 혼잡 시간대와 일치하는 시간을 추출하여 교통 혼잡 운행 정보를 생성할 수 있다.
여기서, 교통 혼잡 시간대는 실시예에 따라 상이하게 설정될 수 있다. 예를 들어, 교통 혼잡 시간대는 출퇴근 시간으로 설정될 수 있다.
예를 들어, 교통 혼잡 시간대가 오전 6시부터 오전 9시까지 및 오후 5시부터 오후 8시까지로 설정되어 있고, 이륜차(20)의 주요 운행 시간대가 오전 6시부터 오전 8시까지 및 오후 7시부터 오후 9시까지인 경우, 장치(30)는 이륜차(20)의 주요 운행 시간대와 교통 혼잡 시간대의 겹치는 시간이 오전 6시부터 오전 8시까지 및 오후 7시부터 오후 8시까지로 확인되기 때문에, 이륜차(20)의 주요 운행 시간대와 교통 혼잡 시간대의 일치하는 시간을 3시간으로 추출할 수 있다.
S403 단계에서 장치(30)는 주요 운행 시간대와 미리 설정된 야간 시간대를 비교할 수 있다. 여기서, 야간 시간대는 실시예에 따라 상이하게 설정될 수 있다. 예를 들어, 야간 시간대는 일출 시간과 일몰 시간을 고려하여, 여름철에 더 짧은 시간으로 설정되고, 겨울철에 더 긴 시간으로 설정될 수 있다.
S404 단계에서 장치(30)는 야간 운행 정보를 생성할 수 있다. 일실시예에 따르면, 장치(30)는 주요 운행 시간대와 미리 설정된 야간 시간대를 비교하여, 주요 운행 시간대 중 야간 시간대와 일치하는 시간을 추출하여 야간 운행 정보를 생성할 수 있다.
예를 들어, 야간 시간대가 오후 6시부터 다음날 오전 6시까지로 설정되어 있고, 이륜차(20)의 운행 시간대가 오후 5시부터 오후 10시까지인 경우, 장치(30)는 이륜차(20)의 운행 시간대와 야간 시간대의 겹치는 시간이 오후 6시부터 오후 10시까지로 확인되기 때문에, 이륜차(20)의 운행 시간대와 야간 시간대의 겹치는 시간을 4시간으로 추출할 수 있다.
S405 단계에서 장치(30)는 날씨 정보와 미리 설정된 기상 악화 기준을 비교할 수 있다.
일실시예에 따르면, 장치(30)는 운전 패턴 정보로부터, 미리 설정된 기간 동안 이륜차(20)의 지역 별 운행 횟수를 추출하고, 지역 별 운행 횟수가 미리 설정된 기준 횟수보다 높은 것에 해당하는 지역을 주요 운행 지역으로 분류할 수 있다. 이때, 기준 횟수는 실시예에 따라 상이하게 설정될 수 있다. 장치(30)는 주요 운행 지역으로 분류된 지역의 날씨 정보를 추출할 수 있다.
여기서, 기상 악화 기준은 실시예에 따라 상이하게 설정될 수 있다. 예를 들어, 기상 악화 기준은 기상 예보를 통해 설정될 수 있으며, 비, 눈, 안개 등의 기상 악화가 예측되는 시간대를 포함할 수 있다.
S406 단계에서 장치(30)는 기상 악화 운행 정보를 생성할 수 있다.
일실시예에 따르면, 장치(30)는 날씨 정보와 미리 설정된 기상 악화 기준을 비교하여, 기상 악화 기준과 날씨 정보가 일치하는 횟수인 기상 악화 운행 횟수를 추출하고, 기상 악화 운행 횟수를 기초로 기상 악화 운행 정보를 생성할 수 있다.
S407 단계에서 장치(30)는 교통 혼잡 운행 정보, 야간 운행 정보 및 기상 악화 운행 정보를 이용하여, 제1 입력 신호를 생성할 수 있다.
이때, 제1 입력 신호는 교통 혼잡 운행 정보에 대응하는 제1 값, 야간 운행 정보에 대응하는 제2 값, 기상 악화 운행 정보에 대응하는 제3 값에 각각 적용되는 입력 노드들을 포함할 수 있다. 제1 인공신경망(100)의 제1 입력 레이어(110)는 제1 값, 제2 값 및 제3 값에 각각 적용되는 입력 노드들을 포함할 수 있다.
S408 단계에서 장치(30)는 제1 입력 신호를 제1 인공신경망(100)에 적용하여, 제1 출력 신호를 생성할 수 있다. 여기서, 제1 출력 신호는 0과 1사이의 실수인 출력 값을 포함할 수 있다. 제1 인공신경망(100)의 제1 출력 레이어(120)는 출력 값을 생성하는 출력 노드를 포함할 수 있다.
S409 단계에서 장치(30)는 제1 출력 신호에 기초하여, 사용자의 운행 환경 안전도를 생성할 수 있다.
도 5는 일실시예에 따른 사용자의 운전 등급을 출력하는 과정을 설명하기 위한 순서도이다.
도 5를 참조하면, 먼저, S501 단계에서 장치(30)는 운전 패턴 정보를 기초로, 위험 운행 횟수를 추출할 수 있다. 이때, 위험 운행 횟수는 미리 설정된 기간 동안 급정거, 급가속, 급감속, 급유턴, 급회전, 과속 및 위험속도 지속 중 적어도 어느 하나를 포함할 수 있다.
예를 들어, 장치(30)는 운전 패턴 정보를 기초로, 위험 요소가 발생한 위험 운행 횟수에 따라 안전 운전 등급을 설정하여 출력할 수 있다. 여기서, 위험 요소는 급가속, 넘어짐(좌, 우), 오르막길, 내리막길, 방지턱, 넘어짐, 충격, 급정거, 미끄러짐, 인도주행, 하수뚜껑, 위험속도, 신호위반 등을 더 포함할 수 있으며, 위험 요소 별로 센싱값에 대한 패턴이 등록되어 있어, 장치(30)는 위험 요소가 몇 번 있었는지 분석할 수 있다.
예를 들어, 사용자의 운전 패턴 정보로부터 급가속이 1회, 과속이 2회 있는 것으로 분석되면, 사용자의 위험 운행 횟수를 3회로 산출할 수 있다.
S502 단계에서 장치(30)는 위험 운행 횟수를 기초로 위험 운행 정보를 생성할 수 있다.
S503 단계에서 장치(30)는 사용자 단말(10)로부터 사용자의 누적 운행 횟수 및 누적 운행 기간을 수신하여 저장할 수 있다.
S504 단계에서 장치(30)는 누적 운행 횟수 및 누적 운행 기간을 기초로 사용자의 운전 경력 지수를 생성할 수 있다. 일실시예에 따르면, 장치(30)는 누적 운행 횟수가 많을수록, 누적 운행 기간이 길수록 운전 경력 지수를 높게 설정할 수 있다.
S505 단계에서 장치(30)는 사용자 단말(10)로부터, 사용자의 나이대 정보를 획득할 수 있다.
S506 단계에서 장치(30)는 운행 환경 안전도, 위험 운행 정보, 운전 경력 지수 및 나이대 정보를 제2 인공신경망(200)에 입력하여, 사용자의 운전 등급을 출력할 수 있다.
예를 들어, 제2 인공신경망(200)은 사용자의 안전 운전 등급이 1등급으로 선정되면, 출력값 1을 출력할 수 있으며, 사용자의 운전 등급이 2등급으로 선정되면, 출력값 2를 출력할 수 있다.
도 6은 일실시예에 따른 인공지능모델을 설명하기 위한 도면이다.
장치(30)는 운전 패턴 정보를 인공지능모델을 이용하여, 사용자의 운전 등급을 생성할 수 있다. 여기서, 인공지능모델은 제1 인공신경망(100) 및 제2 인공신경망(200)을 포함할 수 있다.
장치(30)는 교통 혼잡 운행 정보, 야간 운행 정보 및 기상 악화 운행 정보를 이용하여, 제1 입력 신호를 생성할 수 있다. 여기서, 제1 입력 신호는 교통 혼잡 운행 정보에 대응하는 제1 값, 야간 운행 정보에 대응하는 제2 값, 기상 악화 운행 정보에 대응하는 제3 값에 각각 적용되는 입력 노드들을 포함할 수 있다. 제1 인공신경망(100)의 제1 입력 레이어(110)는 제1 값, 제2 값 및 제3 값에 각각 적용되는 입력 노드들을 포함할 수 있다.
장치(30)는 제1 입력 신호를 제1 인공신경망(100)에 적용하여 제1 출력 신호를 생성할 수 있다. 여기서, 제1 출력 신호는 0과 1사이의 실수인 출력 값을 포함할 수 있다. 제1 인공신경망(100)의 제1 출력 레이어(120)는 출력 값을 생성하는 출력 노드를 포함할 수 있다.
장치(30)는 제1 출력 신호에 기초하여 사용자의 운행 환경 안전도를 생성할 수 있다.
장치(30)는 운행 환경 안전도, 위험 운행 정보, 운전 경력 지수 및 나이대 정보를 제2 인공신경망에 입력하여, 사용자의 안전 운전 등급을 출력할 수 있다.
제2 인공신경망(200)은 트레이닝 샘플들이 입력되는 제2 입력 레이어(210)와 트레이닝 출력들을 출력하는 제2 출력 레이어(220)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 운행 환경 안전도들, 위험 운행 정보들, 운전 경력 지수들 및 나이대 정보들에 기초하여 정의될 수 있다. 제2 인공신경망(200)은 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.
장치(30)는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 제2 인공신경망(200)을 학습시킬 수 있다. 장치(30)는 제2 인공신경망(200)의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.
장치(30)는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 제2 인공신경망(200) 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.
장치(30)는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 제2 인공신경망(200) 내 노드들 사이의 관계들이다. 장치(30)는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 장치(30)는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.
일실시예에 따르면, 장치(30)는 트레이닝 운행 환경 안전도들, 트레이닝 위험 운행 정보들, 트레이닝 운전 경력 지수들 및 트레이닝 나이대 정보들에 기초하여 제2 트레이닝 입력 신호들을 생성할 수 있다. 장치(30)는 제2 트레이닝 입력 신호들로부터 제2 출력 신호들을 생성할 수 있다.
일실시예에 따르면, 제2 인공신경망(200)은 트레이닝 운행 환경 안전도들, 트레이닝 위험 운행 정보들, 트레이닝 운전 경력 지수들, 트레이닝 나이대 정보들, 제2 출력 신호들 및 트레이닝 운전 등급들에 기초하여 미리 학습될 수 있다. 제2 인공신경망(200)은 제2 출력 신호들 및 트레이닝 운전 등급들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습될 수 있다.
도 7은 일실시예에 따른 할인 쿠폰을 발급하는 과정을 설명하기 위한 순서도이다.
도 7을 참조하면, 먼저, S701 단계에서 장치(30)는 미리 설정된 기간 동안 사용자가 이륜차(20)를 운행한 운행 시간을 추출할 수 있다.
S702 단계에서 장치(30)는 운행 시간과 미리 설정된 기준 시간을 비교할 수 있다. 이때, 기준 시간은 실시예에 따라 상이하게 설정될 수 있다.
S703 단계에서 장치(30)는 운행 시간이 기준 시간 보다 작은 경우, 보험료 산출 시 사용되는 제1 할인 쿠폰을 발급하여 사용자 단말(10)에 전송
S704 단계에서 운행 시간이 기준 시간 보다 큰 경우, 장치(30)는 운전 패턴 정보로부터 사용자의 위험 운행 횟수를 추출하여 미리 설정된 기준 위험 횟수를 비교할 수 있다. 이때, 기준 위험 횟수는 실시예에 따라 상이하게 설정될 수 있다.
여기서, 운전 패턴 정보로부터 사용자의 위험 운행 횟수를 추출하는 동작은, 복수의 센서가 미리 설정된 값 이상을 센싱한 횟수를 기준으로 수행될 수 있다.
S705 단계에서 장치(30)는 위험 운행 횟수가 기준 위험 횟수보다 큰 경우, 제2 할인 쿠폰을 발급하여 사용자 단말(10)로 전송할 수 있다.
즉, 운행 시간이 기준 시간 보다 크면서, 위험 운행 횟수가 기준 위험 횟수보다 큰 경우, 장치(30)는 제2 할인 쿠폰을 발급하여 사용자 단말(10)로 전송할 수 있다.
S706 단계에서 장치(30)는 위험 운행 횟수가 기준 위험 횟수보다 작은 경우, 제3 할인 쿠폰을 발급하여 사용자 단말(10)로 전송할 수 있다.
즉, 운행 시간이 기준 시간 보다 크면서, 위험 운행 횟수가 기준 위험 횟수보다 작은 경우, 장치(30)는 제3 할인 쿠폰을 발급하여 사용자 단말(10)로 전송할 수 있다.
도 8은 일실시예에 따른 운전 등급을 업데이트하는 과정을 설명하기 위한 순서도이다.
도 8을 참조하면, 먼저, S801 단계에서 장치(30)는 이륜차(20)가 배달 업체에 등록된 차량인지 확인할 수 있다.
S802 단계에서 장치(30)는 확인에 기반하여, 이륜차(20)로 수행한 배달 정보를 수신할 수 있다.
S803 단계에서 장치(30)는 수신된 배달 정보를 이용하여 배달 위험 등급을 산출할 수 있다. 이때, 배달 위험 등급을 산출하는 과정은 배달 정보에 포함된 배달 경로 상의 사고 발생 빈도에 기반하여 수행될 수 있다.
S804 단계에서 장치(30)는 산출된 배달 위험 등급을 인공지능모델을 통해 추출한 운전 등급에 적용하여 운전 등급을 업데이트할 수 있다.
도 9는 일실시예에 따른 제1 시점의 영상 이미지에서 출연자를 삭제하는 과정을 설명하기 위한 순서도이고, 도 10은 일실시예에 따른 출연자가 있는 영역이 다른 이미지로 교체된 제1-1 이미지를 설명하기 위한 도면이다.
도 9를 참조하면, 먼저 S901 단계에서, 장치(30)는 이륜차(20)에 구비된 카메라를 통해 촬영된 운행 콘텐츠의 마지막 시점인 제1 시점의 영상 이미지를 제1 이미지로 추출할 수 있다. 즉, 장치(30)는 운행 콘텐츠에서 제1 시점의 영상을 캡처하여, 캡처한 이미지를 제1 이미지로 추출할 수 있다.
S902 단계에서, 장치(30)는 제1 이미지에서 제1 영역이 있는 부분을 분할하여 제1-1 이미지를 추출할 수 있다. 장치(30)는 제1 이미지에서 배경이 차지하고 있는 영역을 제1 영역으로 구분할 수 있다.
S903 단계에서, 장치(30)는 제1-1 이미지에 출연자가 있는 것으로 인식되는지 여부를 확인할 수 있다. 즉, 장치(30)는 제1-1 이미지 상에서 배경 이외에 사람 형태의 객체가 인식되는지 여부를 확인하여, 지1-1 이미지에 출연자가 있는지 여부를 확인할 수 있다.
이때, 출연자는 운행 콘텐츠에서 촬영된 이륜차를 탑승한 인물을 의미할 수 있으나, 이에 한정되지는 않는다.
S903 단계에서 제1-1 이미지에 출연자가 있는 것으로 확인되면, S904 단계에서, 장치(30)는 제1-1 이미지에서 출연자가 차지하고 있는 영역을 제2 영역으로 구분할 수 있다. 이때, 장치(30)는 제1 이미지에서 제1 영역을 구분하는 방식과 동일한 방식을 통해, 제1-1 이미지에서 제2 영역을 구분할 수 있다.
S905 단계에서, 장치(30)는 운행 콘텐츠를 제1 시점으로부터 시간상 역순으로 재생하여 분석할 수 있다. 이때, 운행 콘텐츠가 시간상 역순으로 재생되어 분석되기 때문에, 출연자가 이동한 동선에 대해 역으로 움직이게 된다. 즉, 운행 콘텐츠가 역재생되면, 출연자가 반대로 움직이게 된다
S906 단계에서, 장치(30)는 운행 콘텐츠를 제1 시점으로부터 시간상 역순으로 재생하여 분석한 결과, 제1-1 시점에 제2 영역 내에 출연자가 없는 것을 확인할 수 있다.
즉, 운행 콘텐츠는 제1-1 시점 및 제1 시점 순으로 재생되는데, 장치(30)는 운행 콘텐츠를 제1 시점으로부터 시간상 역순으로 재생하여 제2 영역 내에 있는 출연자가 역으로 움직이는 것을 모니터링 할 수 있으며, 제2 영역 내에 있는 출연자가 제2 영역을 벗어난 것으로 확인되는 시점을 제1-1 시점으로 설정할 수 있다.
S907 단계에서, 장치(30)는 운행 콘텐츠에서 제1-1 시점의 영상 이미지를 제2 이미지로 추출할 수 있다. 즉, 장치(30)는 운행 콘텐츠에서 제1-1 시점의 영상을 캡처하여, 캡처한 이미지를 제2 이미지로 추출할 수 있다.
S908 단계에서, 장치(30)는 제2 이미지에서 제2 영역이 있는 부분을 분할하여 제2-1 이미지를 추출할 수 있다.
S909 단계에서, 장치(30)는 제1-1 이미지에서 제2 영역이 있는 부분을 제2-1 이미지로 교체할 수 있다.
즉, 도 10의 (a)에 도시된 바와 같이, 장치(30)는 제1-1 이미지(700)에 출연자가 있는 것을 확인할 수 있으며, 제1-1 이미지(700)에서 출연자가 차지하고 있는 영역을 제2 영역으로 구분할 수 있다. 이때, 장치(30)는 제2 영역이 사각형의 형태로 구분되도록, 제2 영역을 설정할 수 있다.
이후, 장치(30)는 제1-1 이미지에서 제2 영역이 있는 부분을 삭제하고, 삭제된 위치에 제2-1 이미지를 삽입하여, 제1-1 이미지와 제2-1 이미지가 결합된 제1-1 이미지를 생성할 수 있다. 즉, 제1-1 이미지에서 제2 영역이 있는 부분이 제2-1 이미지로 교체되어, 제1-1 이미지에 있었던 출연자가 삭제되고, 삭제된 자리에 배경이 추가되어, 제1-1 이미지에서는 더 이상 출연자가 인식되지 않을 수 있다.
도 11은 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(30)는 프로세서(31) 및 메모리(32)를 포함한다. 일실시예에 따른 장치(30)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 10을 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 10을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(32)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(32)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(31)는 프로그램을 실행하고, 장치(30)를 제어할 수 있다. 프로세서(31)에 의하여 실행되는 프로그램의 코드는 메모리(32)에 저장될 수 있다. 장치(30)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
Claims (3)
- 장치에 의해 수행되는 방법에 있어서,
미리 설정된 기간(期間) 동안 사용자가 운행하는 이륜차에 설치되어 있는 복수의 센서로부터 상기 이륜차에 대한 운행 데이터를 획득하는 단계;
상기 이륜차의 운행 데이터를 기초로, 상기 사용자의 운전 패턴 정보를 생성하는 단계;
상기 운전 패턴 정보를 인공지능모델을 이용하여, 상기 사용자의 운전 등급을 생성하는 단계;
상기 운전 패턴 정보 및 상기 운전 등급에 기반하여, 추천 보험 상품을 선정하는 단계; 및
상기 추천 보험 상품을 안내하는 추천 상품 안내 메시지를 상기 사용자의 사용자 단말로 전송하는 단계
를 포함하고,
상기 추천 보험 상품을 선정하는 단계는,
상기 운전 패턴 정보를 기초로, 상기 이륜차의 월별 운행 횟수를 추출하는 단계;
상기 추출된 월별 운행 횟수로부터 상기 이륜차의 월평균 운행 횟수를 산출하는 단계;'
상기 운전 패턴 정보를 기초로, 상기 이륜차의 일별 운행 시간을 산출하는 단계;
상기 추출된 일별 운행 시간으로부터 상기 이륜차의 일평균 운행 시간을 산출하는 단계;
상기 이륜차의 월평균 운행 횟수가 미리 설정된 기준 운행 횟수 보다 적으면서, 상기 이륜차의 일평균 운행 시간이 미리 설정된 기준 운행 시간 보다 짧은 것으로 확인되면, 가장 저렴한 제1 가격으로 설정된 보험 상품을 확인하는 단계;
상기 이륜차의 월평균 운행 횟수가 상기 기준 운행 횟수 보다 적으면서, 상기 이륜차의 일평균 운행 시간이 상기 기준 운행 시간 보다 긴 것으로 확인되면, 상기 제1 가격 보다 비싼 제2 가격으로 설정된 보험 상품을 확인하는 단계;
상기 이륜차의 월평균 운행 횟수가 상기 기준 운행 횟수 보다 많으면서, 상기 이륜차의 일평균 운행 시간이 상기 기준 운행 시간 보다 짧은 것으로 확인되면, 상기 제2 가격 보다 비싼 제3 가격으로 설정된 보험 상품을 확인하는 단계;
상기 이륜차의 월평균 운행 횟수가 상기 기준 운행 횟수 보다 많으면서, 상기 이륜차의 일평균 운행 시간이 상기 기준 운행 시간 보다 긴 것으로 확인되면, 상기 제3 가격 보다 비싼 제4 가격으로 설정된 보험 상품을 확인하는 단계; 및
상기 확인된 제1 가격 내지 제4 가격에 상기 운전 등급에 따라 최종 가격을 설정하고, 상기 최종 가격으로 설정된 보험 상품을 추천 보험 상품으로 선정하는 단계
를 포함하고,
상기 인공지능모델은 제1 인공신경망 및 제2 인공신경망을 포함하고,
상기 운전 등급을 생성하는 단계는,
상기 운전 패턴 정보로부터 상기 미리 설정된 기간 동안 시간대 별 상기 이륜차의 운행된 시간의 평균 운행 시간을 산출하는 단계;
시간대 별 상기 이륜차가 운행된 시간이 상기 평균 운행 시간보다 높은 시간에 해당되는 시간을 주요 운행 시간대로 분류하는 단계;
상기 주요 운행 시간대와 미리 설정된 교통 혼잡 시간대를 비교하여, 상기 주요 운행 시간대 중 상기 교통 혼잡 시간대와 일치하는 시간을 추출하여 교통 혼잡 운행 정보를 생성하는 단계;
상기 주요 운행 시간대와 미리 설정된 야간 시간대를 비교하여, 상기 주요 운행 시간대 중 상기 야간 시간대와 일치하는 시간을 추출하여 야간 운행 정보를 생성하는 단계;
상기 운전 패턴 정보로부터, 상기 미리 설정된 기간 동안 상기 이륜차의 지역 별 운행 횟수를 추출하는 단계;
상기 지역 별 운행 횟수가 미리 설정된 기준 횟수보다 높은 것에 해당하는 지역을 주요 운행 지역으로 분류하는 단계;
상기 주요 운행 지역으로 분류된 지역의 날씨 정보를 추출하는 단계;
상기 날씨 정보와 미리 설정된 기상 악화 기준을 비교하여, 상기 기상 악화 기준과 상기 날씨 정보가 일치하는 횟수인 기상 악화 운행 횟수를 추출하는 단계;
상기 기상 악화 운행 횟수를 기초로 기상 악화 운행 정보를 생성하는 단계;
상기 교통 혼잡 운행 정보, 상기 야간 운행 정보 및 상기 기상 악화 운행 정보를 이용하여, 상기 교통 혼잡 운행 정보에 대응하는 제1 값, 상기 야간 운행 정보에 대응하는 제2 값, 상기 기상 악화 운행 정보에 대응하는 제3 값에 각각 적용되는 입력 노드들을 포함하는 제1 입력 신호를 생성하는 단계;
상기 제1 입력 신호를 상기 제1 인공신경망에 적용하여, 제1 출력 신호를 생성하는 단계;
상기 제1 출력 신호에 기초하여, 상기 사용자의 운행 환경 안전도를 생성하는 단계;
상기 운전 패턴 정보를 기초로, 상기 미리 설정된 기간 동안 급정거, 급가속, 급감속, 급유턴, 급회전, 과속 및 위험속도 지속 중 적어도 어느 하나를 포함하는 위험 운행 횟수를 추출하는 단계;
상기 위험 운행 횟수를 기초로 위험 운행 정보를 생성하는 단계;
상기 사용자 단말로부터 상기 사용자의 누적 운행 횟수 및 누적 운행 기간을 수신하여 저장하는 단계;
상기 누적 운행 횟수 및 상기 누적 운행 기간을 기초로 상기 사용자의 운전 경력 지수를 생성하는 단계;
상기 사용자 단말로부터, 상기 사용자의 나이대 정보를 획득하는 단계; 및
상기 운행 환경 안전도, 상기 위험 운행 정보, 상기 운전 경력 지수 및 상기 나이대 정보를 상기 제2 인공신경망에 입력하여, 상기 사용자의 운전 등급을 출력하는 단계
를 포함하고,
상기 이륜차에 구비된 카메라를 통해 촬영된 운행 콘텐츠의 마지막 시점인 제1 시점의 영상 이미지를 제1 이미지로 추출하는 단계;
상기 제1 이미지에서 배경이 차지하고 있는 영역을 제1 영역으로 구분하고, 상기 제1 이미지에서 상기 제1 영역이 있는 부분을 분할하여 제1-1 이미지를 추출하는 단계;
상기 제1-1 이미지에 출연자가 있는 것으로 확인되면, 상기 제1-1 이미지에서 출연자가 차지하고 있는 영역을 제2 영역으로 구분하는 단계;
상기 운행 콘텐츠를 상기 제1 시점으로부터 시간상 역순으로 재생하여 분석한 결과, 제1-1 시점에 상기 제2 영역 내에 상기 출연자가 없는 것으로 확인되면, 상기 운행 콘텐츠에서 상기 제1-1 시점의 영상 이미지를 제2 이미지로 추출하는 단계;
상기 제2 이미지에서 상기 제2 영역이 있는 부분을 분할하여 제2-1 이미지를 추출하는 단계; 및
상기 제1-1 이미지에서 상기 제2 영역이 있는 부분을 상기 제2-1 이미지로 교체하는 단계
를 더 포함하는
인공지능모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법. - 삭제
- 제1항에 있어서,
상기 확인된 제1 가격 내지 제4 가격에 상기 운전 등급에 따라 최종 가격을 설정하는 단계는,
상기 운전 등급에 따라 미리 설정된 비율을 상기 확인된 제1 가격 내지 제4 가격에 적용하여 상기 최종 가격을 설정하는 단계인,
인공지능모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220103473A KR102484139B1 (ko) | 2022-08-18 | 2022-08-18 | 인공지능모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220103473A KR102484139B1 (ko) | 2022-08-18 | 2022-08-18 | 인공지능모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102484139B1 true KR102484139B1 (ko) | 2023-01-02 |
Family
ID=84925492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220103473A KR102484139B1 (ko) | 2022-08-18 | 2022-08-18 | 인공지능모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102484139B1 (ko) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080005792A (ko) * | 2006-07-10 | 2008-01-15 | (주)컨피테크 | 운전자의 운전지수를 이용하는 운전 유형 분석 시스템 및그 운전 유형 분석 방법 |
| KR20150084250A (ko) | 2014-01-13 | 2015-07-22 | 한국전자통신연구원 | 차량 센싱 장치 기반 안전운전 성향정보를 반영한 자동차 보험료 산출 방법 |
| KR20160008724A (ko) * | 2014-07-14 | 2016-01-25 | 현대자동차주식회사 | 자동차 보험상품 추천 시스템 및 방법 |
| KR20180126219A (ko) * | 2017-05-17 | 2018-11-27 | 현대자동차주식회사 | 운전 가이드 방법 및 그를 제공하는 시스템 |
| KR20190024324A (ko) * | 2017-08-31 | 2019-03-08 | 이수연 | 딥러닝을 이용한 보험 상품 제공 방법 |
| KR20190063956A (ko) | 2017-11-30 | 2019-06-10 | 황준호 | 안전한 카 쉐어링을 위한 운전평가 시스템 및 방법 |
| KR20200140514A (ko) | 2019-06-07 | 2020-12-16 | 주식회사 쿠프파이맵스 | 운행 정보에 기초한 운전자 보험 상품 제공 장치 및 방법 |
| KR20210126189A (ko) | 2020-04-09 | 2021-10-20 | 여태환 | 이륜차 운전의 ict 기반 운전자 특정 평가 분석 및 보상 플랫폼을 제공하기 위한 장치 및 방법 |
-
2022
- 2022-08-18 KR KR1020220103473A patent/KR102484139B1/ko active IP Right Grant
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080005792A (ko) * | 2006-07-10 | 2008-01-15 | (주)컨피테크 | 운전자의 운전지수를 이용하는 운전 유형 분석 시스템 및그 운전 유형 분석 방법 |
| KR20150084250A (ko) | 2014-01-13 | 2015-07-22 | 한국전자통신연구원 | 차량 센싱 장치 기반 안전운전 성향정보를 반영한 자동차 보험료 산출 방법 |
| KR20160008724A (ko) * | 2014-07-14 | 2016-01-25 | 현대자동차주식회사 | 자동차 보험상품 추천 시스템 및 방법 |
| KR20180126219A (ko) * | 2017-05-17 | 2018-11-27 | 현대자동차주식회사 | 운전 가이드 방법 및 그를 제공하는 시스템 |
| KR20190024324A (ko) * | 2017-08-31 | 2019-03-08 | 이수연 | 딥러닝을 이용한 보험 상품 제공 방법 |
| KR20190063956A (ko) | 2017-11-30 | 2019-06-10 | 황준호 | 안전한 카 쉐어링을 위한 운전평가 시스템 및 방법 |
| KR20200140514A (ko) | 2019-06-07 | 2020-12-16 | 주식회사 쿠프파이맵스 | 운행 정보에 기초한 운전자 보험 상품 제공 장치 및 방법 |
| KR20210126189A (ko) | 2020-04-09 | 2021-10-20 | 여태환 | 이륜차 운전의 ict 기반 운전자 특정 평가 분석 및 보상 플랫폼을 제공하기 위한 장치 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11714413B2 (en) | Planning autonomous motion | |
| CN109520744B (zh) | 自动驾驶车辆的驾驶性能测试方法和装置 | |
| US9868393B2 (en) | Vehicle accident avoidance system | |
| CA3061281C (en) | Verifying sensor data using embeddings | |
| US20200111169A1 (en) | Autonomous vehicle premium computation using predictive models | |
| US10883850B2 (en) | Additional security information for navigation systems | |
| US11906310B2 (en) | Map maintenance and verification | |
| US20210191394A1 (en) | Systems and methods for presenting curated autonomy-system information of a vehicle | |
| US11657318B2 (en) | Assessing ride quality for autonomous vehicles | |
| WO2016096226A1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
| US11898853B2 (en) | Map surveillance system | |
| CN111582559A (zh) | 一种到达时间的预估方法及装置 | |
| WO2021202416A1 (en) | Systems and methods for deriving planned paths for vehicles using path priors | |
| US20220161830A1 (en) | Dynamic Scene Representation | |
| US20210302171A1 (en) | Map change detection system | |
| KR102500353B1 (ko) | 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템 | |
| KR102484139B1 (ko) | 인공지능모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템 | |
| US20230048304A1 (en) | Environmentally aware prediction of human behaviors | |
| JP2023092971A (ja) | 交通状況予測装置、および、交通状況予測方法 | |
| JP2023005015A (ja) | 交通状況予測装置、および、交通状況予測方法 | |
| Curiel-Ramirez et al. | Interactive urban route evaluation system for smart electromobility | |
| EP3454269A1 (en) | Planning autonomous motion | |
| US20240028035A1 (en) | Planning autonomous motion | |
| EP4184473A1 (en) | Method for controlling a mobility system, data processing device, computer-readable medium, and system for controlling a mobility system | |
| CN117132958B (zh) | 道路要素识别方法及相关装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |