KR102500353B1 - 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템 - Google Patents

인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템 Download PDF

Info

Publication number
KR102500353B1
KR102500353B1 KR1020220010037A KR20220010037A KR102500353B1 KR 102500353 B1 KR102500353 B1 KR 102500353B1 KR 1020220010037 A KR1020220010037 A KR 1020220010037A KR 20220010037 A KR20220010037 A KR 20220010037A KR 102500353 B1 KR102500353 B1 KR 102500353B1
Authority
KR
South Korea
Prior art keywords
vehicle
driving
user
insurance product
insurance
Prior art date
Application number
KR1020220010037A
Other languages
English (en)
Inventor
하성용
Original Assignee
하성용
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 하성용 filed Critical 하성용
Priority to KR1020220010037A priority Critical patent/KR102500353B1/ko
Priority to KR1020220068729A priority patent/KR20230114159A/ko
Application granted granted Critical
Publication of KR102500353B1 publication Critical patent/KR102500353B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

일실시예에 따르면, 장치에 의해 수행되는, 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법에 있어서, 제1 사용자가 사용하는 이륜차로 제1 차량이 등록되어 있는 경우, 상기 제1 차량에 설치되어 있는 복수의 센서로부터 상기 제1 차량에 대한 운행 데이터를 획득하는 단계; 상기 제1 차량의 운행 데이터를 기초로, 상기 제1 사용자의 운전 패턴을 분석하여, 제1 운전 패턴 정보를 생성하는 단계; 상기 제1 운전 패턴 정보를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 사용자의 안전 운전 등급을 설정하는 단계; 상기 제1 사용자의 안전 운전 등급이 제1 등급으로 설정되면, 상기 제1 등급에 설정되어 있는 제1 가중치를 확인하는 단계; 및 이륜차 보험에 대한 기본 보험료가 제1 금액으로 책정되어 있는 경우, 상기 제1 금액에 상기 제1 가중치를 적용한 제2 금액을 상기 제1 사용자의 보험료로 산출하는 단계를 포함하는, 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법이 제공된다.

Description

인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템{METHOD, APPARATUS AND SYSTEM FOR CALCULATING INSURANCE PREMIUMS FOR TWO-WHEELED VEHICLES BASED ON DRIVING PATTERN INFORMATION OF TWO-WHEELED VEHICLES USING AN ARTIFICIAL INTELLIGENCE MODEL}
아래 실시예들은 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 분석하고, 운행 패턴 정보를 기초로 이륜차의 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.
대한민국 공개특허 제10-2020-0140514호(2020.12.16 공개) 대한민국 공개특허 제10-2021-0126189호(2021.10.20 공개) 대한민국 공개특허 제10-2015-0084250호(2015.07.22 공개) 대한민국 공개특허 제10-2019-0063956호(2019.06.10 공개)
일실시예에 따르면, 제1 사용자가 사용하는 이륜차로 제1 차량이 등록되어 있는 경우, 제1 차량에 설치되어 있는 복수의 센서로부터 제1 차량에 대한 운행 데이터를 획득하고, 제1 차량의 운행 데이터를 기초로, 제1 사용자의 운전 패턴을 분석하여, 제1 운전 패턴 정보를 생성하고, 제1 운전 패턴 정보를 제1 인공 신경망에 적용하여, 제1 인공 신경망의 출력을 기초로, 제1 사용자의 안전 운전 등급을 설정하고, 제1 사용자의 안전 운전 등급이 제1 등급으로 설정되면, 제1 등급에 설정되어 있는 제1 가중치를 확인하고, 이륜차 보험에 대한 기본 보험료가 제1 금액으로 책정되어 있는 경우, 제1 금액에 제1 가중치를 적용한 제2 금액을 상기 제1 사용자의 보험료로 산출하는, 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템을 제공하는 것을 그 목적으로 한다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확히 이해될 수 있을 것이다.
일실시예에 따르면, 장치에 의해 수행되는, 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법에 있어서, 제1 사용자가 사용하는 이륜차로 제1 차량이 등록되어 있는 경우, 상기 제1 차량에 설치되어 있는 복수의 센서로부터 상기 제1 차량에 대한 운행 데이터를 획득하는 단계; 상기 제1 차량의 운행 데이터를 기초로, 상기 제1 사용자의 운전 패턴을 분석하여, 제1 운전 패턴 정보를 생성하는 단계; 상기 제1 운전 패턴 정보를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 사용자의 안전 운전 등급을 설정하는 단계; 상기 제1 사용자의 안전 운전 등급이 제1 등급으로 설정되면, 상기 제1 등급에 설정되어 있는 제1 가중치를 확인하는 단계; 및 이륜차 보험에 대한 기본 보험료가 제1 금액으로 책정되어 있는 경우, 상기 제1 금액에 상기 제1 가중치를 적용한 제2 금액을 상기 제1 사용자의 보험료로 산출하는 단계를 포함하는, 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법이 제공된다.
삭제
삭제
상기 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법은, 상기 제1 운전 패턴 정보를 생성하는 단계 이후, 상기 제1 운전 패턴 정보를 기초로, 월별로 상기 제1 차량이 운행된 일자를 확인하여, 상기 제1 차량의 평균 운행 횟수를 산출하는 단계; 상기 제1 운전 패턴 정보를 기초로, 일별로 상기 제1 차량이 운행된 시간을 확인하여, 상기 제1 차량의 평균 운행 시간을 산출하는 단계; 상기 제1 차량의 평균 운행 횟수가 미리 설정된 기준 운행 횟수 보다 적으면서, 상기 제1 차량의 평균 운행 시간이 미리 설정된 기준 운행 시간 보다 짧은 것으로 확인되면, 가장 저렴한 가격으로 설정된 제1 보험 상품을 상기 제1 사용자의 추천 보험 상품으로 선정하는 단계; 상기 제1 차량의 평균 운행 횟수가 상기 기준 운행 횟수 보다 적으면서, 상기 제1 차량의 평균 운행 시간이 상기 기준 운행 시간 보다 긴 것으로 확인되면, 상기 제1 보험 상품 보다 비싼 가격으로 설정된 제2 보험 상품을 상기 제1 사용자의 추천 보험 상품으로 선정하는 단계; 상기 제1 차량의 평균 운행 횟수가 상기 기준 운행 횟수 보다 많으면서, 상기 제1 차량의 평균 운행 시간이 상기 기준 운행 시간 보다 짧은 것으로 확인되면, 상기 제2 보험 상품 보다 비싼 가격으로 설정된 제3 보험 상품을 상기 제1 사용자의 추천 보험 상품으로 선정하는 단계; 상기 제1 차량의 평균 운행 횟수가 상기 기준 운행 횟수 보다 많으면서, 상기 제1 차량의 평균 운행 시간이 상기 기준 운행 시간 보다 긴 것으로 확인되면, 상기 제3 보험 상품 보다 비싼 가격으로 설정된 제4 보험 상품을 상기 제1 사용자의 추천 보험 상품으로 선정하는 단계; 및 상기 제1 사용자의 추천 보험 상품이 선정되면, 상기 제1 사용자가 사용하는 제1 사용자 단말로 상기 제1 사용자의 추천 보험 상품에 대한 안내 메시지를 전송하는 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.
일실시예에 따르면, 제1 사용자가 사용하는 이륜차로 제1 차량이 등록되어 있는 경우, 제1 차량에 설치되어 있는 복수의 센서로부터 제1 차량에 대한 운행 데이터를 획득하고, 제1 차량의 운행 데이터를 기초로, 제1 사용자의 운전 패턴을 분석하여, 제1 운전 패턴 정보를 생성하고, 제1 운전 패턴 정보를 제1 인공 신경망에 적용하여, 제1 인공 신경망의 출력을 기초로, 제1 사용자의 안전 운전 등급을 설정하고, 제1 사용자의 안전 운전 등급이 제1 등급으로 설정되면, 제1 등급에 설정되어 있는 제1 가중치를 확인하고, 이륜차 보험에 대한 기본 보험료가 제1 금액으로 책정되어 있는 경우, 제1 금액에 제1 가중치를 적용한 제2 금액을 상기 제1 사용자의 보험료로 산출함으로써, 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 차등적으로 책정할 수 있는 효과가 있다.
한편, 실시예들에 따른 효과는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 제1 사용자의 추천 보험 상품을 선정하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 제1 차량의 운행 데이터를 획득하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 위험 요소 별로 위험 점수를 산출하여 제1 운전자의 안전 운전 점수를 갱신하는 과정을 설명하기 위한 순서이다.
도 10은 일실시예에 따른 안전 운전 점수를 갱신하여 운전 패턴 정보를 업데이트하는 과정을 설명하기 위한 순서도이다.
도 11은 일실시예에 따른 보험 상품의 조회수에 따라 보험 상품의 이미지를 분할하여 표시하는 과정을 설명하기 위한 순서도이다.
도 12는 일실시예에 따른 제1 인공 신경망의 학습을 설명하기 위한 도면이다.
도 13은 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.
도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 복수의 사용자 단말(10), 복수의 차량(20) 및 장치(30)를 포함할 수 있다.
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.
복수의 사용자 단말(10)은 이륜차를 운전하는 운전자들이 사용하는 단말기로, 제1 사용자가 사용하는 제1 사용자 단말(11), 제2 사용자가 사용하는 제2 사용자 단말(12) 등을 포함할 수 있다. 예를 들어, 복수의 사용자 단말(10)은 이륜차로 배달 업무를 수행하는 운전자들이 사용하는 단말일 수 있다.
복수의 사용자 단말(10) 각각은 스마트폰 같은 모바일 기기일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.
복수의 사용자 단말(10) 각각은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 복수의 사용자 단말(10)은 장치(30)와 무선을 통해 통신하도록 구성될 수 있다.
이하에서는 설명의 편의상, 제1 사용자 단말(11)의 동작을 위주로 설명하지만, 제1 사용자 단말(11) 등의 다른 사용자 단말에서 제1 사용자 단말(11)의 동작을 대신 수행할 수 있는 것은 물론이다.
복수의 사용자 단말(10) 각각은 장치(30)에서 제공하는 웹페이지, 애플리케이션 등을 통해 장치(30)로 접속할 수 있다.
예를 들어, 복수의 사용자 단말(10)이 이륜차로 배달 업무를 수행하는 운전자들이 사용하는 단말일 경우, 복수의 사용자 단말(10) 각각에는 배달 서비스를 제공하는 애플리케이션이 설치될 수 있다. 이때, 복수의 사용자 단말(10) 각각에는 배달기사용 배달 애플리케이션이 설치될 수 있으며, 배달기사용 배달 애플리케이션은 장치(30)와 연동하여 동작할 수 있다.
복수의 차량(20)은 복수의 사용자가 운행하는 이륜차 형태의 차량으로, 제1 사용자가 운행하는 제1 차량(21), 제2 사용자가 운행하는 제2 차량(22) 등을 포함할 수 있다.
예를 들어, 복수의 차량(20)은 배달 업무를 수행하는 운전자들이 운행하는 이륜차 형태의 차량일 수 있다.
복수의 차량(20) 각각은 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, 제1 차량(21), 제2 차량(22) 등은 오토바이일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.
복수의 차량(20) 각각에는 차량을 운전하는 사용자의 운전 패턴을 분석하기 위해 복수의 센서가 설치될 수 있다.
복수의 차량(20) 각각에 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 이륜차의 가속, 감속, 회전, 기울기 등의 운행 상태를 시간대 별로 나타내는 운행 데이터이다.
예를 들어, 제1 차량(21)에는 복수의 센서가 설치되어 있으며, 제1 차량(21)에 설치되어 있는 복수의 센서는 제1 차량(21)이 움직이는 경우, 가속, 감속, 회전, 기울기 등을 측정하여, 측정된 센싱값을 통해 제1 차량(21)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 복수의 차량(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 복수의 사용자 단말(10)과 무선으로 통신하도록 구성될 수 있고, 복수의 차량(20)에 설치되어 있는 센서와 무선으로 통신하도록 구성될 수 있다.
장치(30)는 복수의 차량(20)에 설치되어 있는 센서로부터 운행 데이터를 획득하여, 획득된 운행 데이터를 기초로, 복수의 차량(20)들에 대한 운전 패턴을 분석하는 서버로 구현될 수 있다.
일실시예에 따르면, 장치(30)는 이륜차 운전에 특화된 운전 패턴을 분석하여, 이륜차를 운전하는 사용자의 운전 패턴을 분석할 수 있으며, 운전 패턴에 대한 분석 결과를 통해 사용자 맞춤형의 보험료를 책정할 수 있다.
즉, 운행 데이터 획득, 운행 패턴 분석, 안전 운전 등급 설정 등과 같은 일련의 과정에 따라, 사용자 맞춤형 보험료의 보험료를 책정하여, 책정된 보험료에 대한 알림 서비스가 제공될 수 있으므로, 장치(30)는 차량을 운전하는 사용자의 운전 패턴을 분석하여, 운전 과정에서 발생하는 사고 발생 가능성을 지표화하고, 이를 반영하여 사용자 맞춤형의 보험료를 산출할 수 있다.
한편, 설명의 편의를 위해 도 1에서는 복수의 사용자 단말(10) 중 제1 사용자 단말(11) 및 제2 사용자 단말(12)만을 도시하고, 복수의 차량(20) 중 제1 차량(21) 및 제2 차량(22)만을 도시하였으나, 단말들의 수 및 차량들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(30)의 처리 용량이 허용하는 한, 단말들의 수 및 차량들의 수는 특별한 제한이 없다.
도 2는 일실시예에 따른 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 과정을 설명하기 위한 순서도이다.
도 2를 참조하면, 먼저, S201 단계에서 장치(30)는 제1 사용자 정보를 통해 제1 사용자가 사용하는 이륜차로 등록되어 있는 제1 차량(21)을 확인할 수 있다. 여기서, 제1 사용자 정보는 제1 사용자의 이름, 나이 성별, 연락처 등의 개인 정보, 운전 경력, 사고 경력 등의 운행 정보, 제1 사용자가 소유한 제1 차량(21)의 종류, 번호, 연식 등의 차량 정보를 포함할 수 있다. 이를 위해, 장치(30)의 데이터베이스에는 사용자 별로 구분되어 있는 복수의 사용자 정보가 저장되어 있으며, 장치(30)는 데이터베이스로부터 제1 사용자 정보를 획득한 후, 제1 사용자 정보를 기초로, 제1 사용자가 사용하는 이륜차가 제1 차량(21)인 것을 확인할 수 있다.
S202 단계에서, 장치(30)는 제1 사용자가 사용하는 이륜차로 제1 차량(21)이 등록되어 있는 경우, 제1 차량(21)에 설치되어 있는 복수의 센서로부터 제1 차량(21)에 대한 운행 데이터를 획득할 수 있다. 여기서, 제1 차량(21)의 운행 데이터는 제1 차량(21)에 설치되어 있는 복수의 센서에 의해 측정된 센싱값을 의미하며, 제1 차량(21)의 속도, 회전, 기울기, 위치, 시각 정보 등의 데이터를 포함할 수 있다. 이를 위해, 제1 차량(21)에는 가속도 센서, 자이로 센서, 기울기 센서, GPS 센서, 비전 센서 등의 복수의 센서가 설치되어 있을 수 있으며, 제1 차량(21)의 형태에 따라 복수의 센서에 대한 종류 및 위치가 변경될 수 있다.
제1 차량(21)에는 가속도 센서가 설치될 수 있으며, 가속도 센서는 물체의 속도의 변화(가속도)나 운동량의 변화(충격량) 등을 감지하여 측정할 수 있다. 즉, 제1 차량(21)에 부착된 가속도 센서는 제1 차량(21)이 움직이게 되면, 속도, 가속도, 충격 발생 여부 등을 측정하여, 측정된 센싱값을 통해 제1 차량(21)의 운행 데이터를 생성할 수 있다.
제1 차량(21)에는 자이로 센서가 설치될 수 있으며, 자이로 센서는 물체의 회전 운동을 감지하여 측정할 수 있다. 즉, 제1 차량(21)에 부착된 자이로 센서는 제1 차량(21)이 움직이게 되면, 회전 진동 정보, 측면 기울기 및 회전할 때의 각도 정보, 곡예주행 여부 및 오르막길과 내리막길 여부 등을 측정하여, 측정된 센싱값을 통해 제1 차량(21)의 운행 데이터를 생성할 수 있다.
제1 차량(21)에는 기울기 센서가 설치될 수 있으며, 기울기 센서는 물체의 기울기를 감지하여 측정할 수 있다. 즉, 제1 차량(21)에 부착된 기울기 센서는 제1 차량(21)이 움직이게 되면, 좌우 회전 기울기, 주행 중 위험운전 여부, 넘어짐 여부 등을 측정하여, 측정된 센싱값을 통해 제1 차량(21)의 운행 데이터를 생성할 수 있다.
제1 차량(21)에는 GPS 센서가 설치될 수 있으며, GPS 센서는 GPS 신호를 통해 물체의 위치를 감지하여 측정할 수 있다. 즉, 제1 차량(21)에 부착된 GPS 센서는 제1 차량(21)의 현재 위치를 측정하여, 측정된 센싱값을 통해 제1 차량(21)의 운행 데이터를 생성할 수 있다.
제1 차량(21)에는 비전 센서가 설치될 수 있으며, 비전 센서는 산업용 카메라를 이용하여 물체의 색상, 크기, 형태, 패턴 등을 판별할 수 있다. 즉, 제1 차량(21)에 부착된 비전 센서는 전·후방 충돌, 차선 이탈, 인도 주행 및 신호위반과 같은 시각 데이터를 생성하여, 생성된 시간 데이터를 통해 제1 차량(21)의 운행 데이터를 생성할 수 있다.
즉, 제1 차량(21)에 설치되어 있는 복수의 센서는 제1 차량(21)이 움직이게 되면, 각 센서의 기능에 따라 센싱값을 측정하여, 측정된 센싱값을 통해 제1 차량(21)의 운행 데이터를 생성할 수 있으며, 장치(30)는 제1 차량(21)의 운행 데이터가 생성되면, 제1 차량(21)에 설치되어 있는 복수의 센서로부터 제1 차량(21)에 대한 운행 데이터를 획득할 수 있다.
S203 단계에서, 장치(30)는 제1 차량(21)의 운행 데이터를 기초로, 제1 사용자의 운전 패턴을 분석하여, 제1 운전 패턴 정보를 생성할 수 있다. 여기서, 제1 운전 패턴 정보는 제1 사용자의 운전 패턴에 대한 분석 결과를 포함할 수 있다.
장치(30)는 제1 기간 동안 획득된 제1 차량(21)의 운행 데이터를 기초로, 제1 사용자의 운전 패턴을 분석하여, 제1 운전 패턴 정보를 생성할 수 있다. 여기서, 제1 기간은 실시예에 따라 상이하게 설정될 수 있다.
예를 들어, 장치(30)는 하루 동안 획득된 제1 차량(21)의 운행 데이터를 기초로, 하루 동안 제1 사용자가 운전을 어떻게 수행하였는지에 대한 운전 패턴을 분석하여, 하루 동안 제1 사용자의 운전 패턴을 나타내는 제1 운전 패턴 정보를 생성할 수 있다.
S204 단계에서, 장치(30)는 제1 운전 패턴 정보를 제1 인공 신경망에 적용할 수 있다.
일실시예에 따르면, 제1 인공 신경망은 운전 패턴 정보를 입력 받은 후, 운전 패턴에 따라 안전 운전 등급을 출력하는 알고리즘일 수 있다. 예를 들어, 제1 인공 신경망은 제1 운전 패턴 정보를 기초로, 제1 사용자의 운전 패턴에 위험 요소가 몇 번 있었는지 분석하여, 위험 요소가 발생한 위험 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 포함할 수 있으며, 위험 요소 별로 센싱값에 대한 패턴이 등록되어 있어, 제1 인공 신경망은 운전 패턴에서 어느 위험 요소가 몇 번 있었는지 분석할 수 있다.
예를 들어, 제1 인공 신경망은 제1 운전 패턴 정보를 입력 받은 경우, 제1 운전 패턴 정보를 기초로, 제1 사용자의 운전 패턴에 위험 요소가 있는지를 분석한 결과, 제1 사용자의 운전 패턴에 급가속이 1회, 넘어짐이 2회 있는 것으로 분석되면, 제1 사용자의 위험 횟수를 3회로 산출할 수 있다.
일실시예에 따르면, 제1 인공 신경망은 위험 요소 판단 알고리즘을 포함하여 구성될 수 있으며, 위험 요소 판단 알고리즘은 급차선 변경 판단 알고리즘, 급회전 과속 판단 알고리즘, 급가속 및 급정지 판단 알고리즘, 급유턴 판단 알고리즘 등을 포함할 수 있다.
즉, 제1 인공 신경망은 제1 사용자의 운전 패턴에서 제1 사용자가 위험 운전을 몇 번 했는지 판단하여, 제1 사용자의 위험 횟수를 산출하고, 산출된 위험 횟수를 이용하여 제1 사용자의 안전 운전 등급을 선정할 수 있다. 이때, 제1 인공 신경망은 위험 횟수가 많을수록 더 낮은 등급으로 안전 운전 등급을 선정하고, 위험 횟수가 적을수록 더 높은 등급으로 안전 운전 등급을 선정할 수 있다. 예를 들어, 제1 인공 신경망은 제1 사용자의 위험 횟수가 10회로 산출되면, 제1 사용자의 안전 운전 등급을 4등급으로 선정하고, 제1 사용자의 위험 횟수가 0회로 산출되면, 제1 사용자의 안전 운전 등급을 1등급으로 선정할 수 있다.
제1 인공 신경망은 운전 패턴을 통해 안전 운전 등급이 선정되면, 선정된 안전 운전 등급을 지시하는 출력값을 출력할 수 있다. 예를 들어, 제1 인공 신경망은 제1 사용자의 안전 운전 등급이 1등급으로 선정되면, 출력값 1을 출력할 수 있으며, 제1 사용자의 운전 등급이 2등급으로 선정되면, 출력값 2를 출력할 수 있다.
제1 인공 신경망은 운전 패턴 정보를 통해 안전 운전 등급을 선정하여 추출하도록 학습될 수 있다. 이러한 제1 인공 신경망은 도 12를 참조하여 후술되는 방법을 통해 학습될 수 있다.
S205 단계에서, 장치(30)는 제1 인공 신경망의 출력을 기초로, 제1 사용자의 안전 운전 등급을 설정할 수 있다.
예를 들어, 장치(30)는 제1 인공 신경망의 출력을 확인한 결과, 출력값이 1인 경우, 제1 사용자의 안전 운전 등급을 1등급으로 설정하고, 출력값이 2인 경우, 제1 사용자의 안전 운전 등급을 2등급으로 설정할 수 있다.
S206 단계에서, 장치(30)는 제1 사용자의 안전 운전 등급이 제1 등급으로 설정되면, 제1 등급에 설정되어 있는 제1 가중치를 확인할 수 있다. 이를 위해, 안전 운전 등급 별로 가중치가 설정되어 있으며, 안전 운전 등급이 높을수록 더 낮은 값의 가중치가 설정될 수 있다. 예를 들어, 안전 운전 등급은 1등급, 2등급 및 3등급으로 구분되어 있는데, 1등급에는 가중치 0.9가 설정되어 있고, 제2 등급에는 가중치 1.0이 설정되어 있으며, 3등급에는 가중치 1.1이 설정되어 있다. 따라서, 장치(30)는 제1 사용자의 안전 운전 등급이 1등급으로 설정되면, 1등급에 설정되어 있는 가중치인 0.9를 제1 가중치로 확인할 수 있으며, 제1 사용자의 안전 운전 등급이 2등급으로 설정되면, 2등급에 설정되어 있는 가중치인 1.0을 제1 가중치로 확인할 수 있으며, 제1 사용자의 안전 운전 등급이 3등급으로 설정되면, 3등급에 설정되어 있는 가중치인 1.1을 제1 가중치로 확인할 수 있다.
S207 단계에서, 장치(30)는 이륜차 보험에 대한 기본 보험료가 제1 금액으로 책정되어 있는 경우, 제1 금액에 제1 가중치를 적용한 제2 금액을 제1 사용자의 보험료로 산출할 수 있다. 여기서, 이륜차 보험에 대한 기본 보험료는 제1 사용자 정보를 통해 자동으로 책정될 수 있다.
예를 들어, 제1 사용자 정보를 통해 제1 사용자의 나이, 운전 경력, 사고 경력 등이 확인되어, 제1 사용자의 이륜차 보험에 대한 기본 보험료가 10,000으로 책정된 경우, 장치(30)는 제1 사용자의 안전 운전 등급이 1등급으로 확인되면, 1등급에 설정되어 있는 가중치인 0.9를 확인하고, 기본 보험료에 가중치를 적용하여, 9,000원을 제1 사용자의 보험료로 산출할 수 있다.
즉, 장치(30)는 제1 사용자의 안전 운전 등급에 따라 설정된 가중치를 기본 보험료에 적용하여, 제1 사용자의 보험료를 산출할 수 있다.
S208 단계에서, 장치(30)는 제2 금액이 제1 사용자의 보험료로 산출되면, 제2 금액에 대한 안내 메시지를 제1 사용자 단말(11)로 전송할 수 있다. 여기서, 제2 금액에 대한 안내 메시지는 제1 사용자의 보험료로 제2 금액이 산출된 것을 알려주는 안내 메시지로, 제1 사용자 단말(11)의 화면에 표시될 수 있다.
예를 들어, 장치(30)는 오늘 하루 동안에 제1 사용자의 운전 패턴을 분석하여, 제1 사용자의 운전 패턴을 기초로, 제1 사용자의 일일 보험료를 산출할 수 있으며, 제1 사용자의 일일 보험료에 대한 안내 메시지를 제1 사용자 단말(11)로 전송할 수 있다.
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
도 7은 일실시예에 따른 제1 사용자의 추천 보험 상품을 선정하는 과정을 설명하기 위한 순서도이다.
도 7을 참조하면, 먼저, S701 단계에서, 장치(30)는 제1 운전 패턴 정보를 기초로, 월별로 제1 차량(21)이 운행된 일자를 확인할 수 있다. 예를 들어, 제1 차량(21)이 배달 업무를 수행하는 제1 사용자가 운전한 차량인 경우, 장치(30)는 제1 사용자가 배달 업무를 수행하기 위해 제1 차량(21)을 운행한 일자를 확인할 수 있다.
즉, 장치(30)는 제1 운전 패턴 정보를 기초로, 한 달 동안 제1 차량(21)이 어느 일에 운행되었는지에 대한 운전 패턴을 분석하여, 한 달 동안 제1 차량(21)이 운행된 일자를 운행 횟수로 확인할 수 있다.
S702 단계에서, 장치(30)는 미리 설정된 기간 동안에 월별로 제1 차량(21)이 운행된 일자가 확인되면, 월별 운행 일자를 통해 제1 차량(21)의 평균 운행 횟수를 산출할 수 있다.
예를 들어, 제1 차량(21)이 월별로 운행된 일자를 확인한 결과, 1월의 운행 횟수가 10회, 2월의 운행 횟수가 18회, 3월의 운행 횟수가 14회로 확인된 경우, 장치(30)는 제1 차량(21)의 평균 운행 횟수를 14회로 산출할 수 있다.
S703 단계에서, 장치(30)는 제1 운전 패턴 정보를 기초로, 일별로 제1 차량(21)이 운행된 시간을 확인할 수 있다. 예를 들어, 제1 차량(21)이 배달 업무를 수행하는 제1 사용자가 운전한 차량인 경우, 장치(30)는 제1 사용자가 배달 업무를 수행하기 위해 제1 차량(21)을 운행한 시간을 확인할 수 있다.
즉, 장치(30)는 제1 운전 패턴 정보를 기초로, 하루 동안 제1 차량(21)의 얼마나 운행되었는지에 대한 운전 패턴을 분석하여, 하루 동안 제1 차량(21)의 운행 시간을 확인할 수 있다.
S704 단계에서, 장치(30)는 미리 설정된 기간 동안에 일별로 제1 차량(21)이 운행된 시간이 확인되면, 일별 운행 시간을 통해 제1 차량(21)의 평균 운행 시간을 산출할 수 있다.
예를 들어, 제1 차량(21)이 일별로 운행된 시간을 확인한 결과, 첫째 날의 운행 시간이 6시간, 둘째 날의 운행 시간이 4시간, 셋째 날 운행 시간이 11시간으로 확인된 경우, 장치(30)는 제1 차량(21)의 평균 운행 시간을 7시간으로 산출할 수 있다.
S705 단계에서, 장치(30)는 제1 차량(21)의 평균 운행 횟수가 기준 운행 횟수 보다 적은 지 여부를 확인할 수 있다. 여기서, 기준 운행 횟수는 실시예에 따라 상이하게 설정될 수 있다.
S705 단계에서 제1 차량(21)의 평균 운행 횟수가 기준 운행 횟수 보다 적은 것으로 확인되면, S706 단계에서, 장치(30)는 제1 차량(21)의 평균 운행 시간이 기준 운행 시간 보다 짧은 지 여부를 확인할 수 있다. 여기서, 기준 운행 시간은 실시예에 따라 상이하게 설정될 수 있다.
S706 단계에서 제1 차량(21)의 평균 운행 시간이 기준 운행 시간 보다 짧은 것으로 확인되면, S707 단계에서, 장치(30)는 제1 보험 상품을 제1 사용자의 추천 보험 상품으로 선정할 수 있다. 여기서, 제1 보험 상품은 이륜차를 위한 보험 상품 중 가장 저렴한 가격으로 설정된 보험 상품으로, 보험 혜택이 가장 적으면서 보험비가 가장 저렴함 가격으로 설계된 보험 상품일 수 있다.
즉, 제1 차량(21)의 평균 운행 횟수가 기준 운행 횟수 보다 적으면서, 제1 차량(21)의 평균 운행 시간이 기준 운행 시간 보다 짧은 것으로 확인되면, 장치(30)는 가장 저렴한 가격으로 설정된 제1 보험 상품을 제1 사용자의 추천 보험 상품으로 선정할 수 있다.
S706 단계에서 제1 차량(21)의 평균 운행 시간이 기준 운행 시간 보다 긴 것으로 확인되면, S708 단계에서, 장치(30)는 제2 보험 상품을 제1 사용자의 추천 보험 상품으로 선정할 수 있다. 여기서, 제2 보험 상품은 이륜차를 위한 보험 상품 중 제1 보험 상품 보다 비싼 가격으로 설정된 보험 상품으로, 보험 혜택이 제1 보험 상품 보다 많으면서 보험비가 제1 보험 상품 보다 비싼 가격으로 설계된 보험 상품일 수 있다.
즉, 제1 차량(21)의 평균 운행 횟수가 기준 운행 횟수 보다 적으면서, 제1 차량(21)의 평균 운행 시간이 기준 운행 시간 보다 긴 것으로 확인되면, 장치(30)는 제1 보험 상품보다 비싼 가격으로 설정된 제2 보험 상품을 제1 사용자의 추천 보험 상품으로 선정할 수 있다.
한편, S705 단계에서 제1 차량(21)의 평균 운행 횟수가 기준 운행 횟수 보다 많은 것으로 확인되면, S709 단계에서, 장치(30)는 제1 차량(21)의 평균 운행 시간이 기준 운행 시간 보다 짧은 지 여부를 확인할 수 있다.
S709 단계에서 제1 차량(21)의 평균 운행 시간이 기준 운행 시간 보다 짧은 것으로 확인되면, S710 단계에서, 장치(30)는 제3 보험 상품을 제1 사용자의 추천 보험 상품으로 선정할 수 있다. 여기서, 제3 보험 상품은 이륜차를 위한 보험 상품 중 제2 보험 상품 보다 비싼 가격으로 설정된 보험 상품으로, 보험 혜택이 제2 보험 상품 보다 많으면서 보험비가 제2 보험 상품 보다 비싼 가격으로 설계된 보험 상품일 수 있다.
즉, 제1 차량(21)의 평균 운행 횟수가 기준 운행 횟수 보다 많으면서, 제1 차량(21)의 평균 운행 시간이 기준 운행 시간 보다 짧은 것으로 확인되면, 장치(30)는 제2 보험 상품보다 비싼 가격으로 설정된 제3 보험 상품을 제1 사용자의 추천 보험 상품으로 선정할 수 있다.
S709 단계에서 제1 차량(21)의 평균 운행 시간이 기준 운행 시간 보다 긴 것으로 확인되면, S711 단계에서, 장치(30)는 제4 보험 상품을 제1 사용자의 추천 보험 상품으로 선정할 수 있다. 여기서, 제4 보험 상품은 이륜차를 위한 보험 상품 중 가장 비싼 가격으로 설정된 보험 상품으로, 보험 혜택이 가장 많으면서 보험비가 가장 비싼 가격으로 설계된 보험 상품일 수 있다.
즉, 제1 차량(21)의 평균 운행 횟수가 기준 운행 횟수 보다 많으면서, 제1 차량(21)의 평균 운행 시간이 기준 운행 시간 보다 긴 것으로 확인되면, 장치(30)는 제3 보험 상품보다 비싼 가격으로 설정된 제4 보험 상품을 제1 사용자의 추천 보험 상품으로 선정할 수 있다.
S712 단계에서, 장치(30)는 제1 사용자의 추천 보험 상품이 선정되면, 제1 사용자의 추천 보험 상품에 대한 안내 메시지를 제1 사용자 단말(11)로 전송할 수 있다. 여기서, 추천 보험 상품에 대한 안내 메시지는 제1 사용자의 추천 보험 상품으로 선정된 보험 상품을 알려주는 안내 메시지로, 제1 사용자의 추천 보험 상품에 대한 안내 메시지가 제1 사용자 단말(11)의 화면에 표시될 때, 추천 보험 상품의 상품명, 혜택, 보험비 등에 대한 정보가 같이 표시될 수 있다.
도 8은 일실시예에 따른 제1 차량의 운행 데이터를 획득하는 과정을 설명하기 위한 순서도이다.
도 8을 참조하면, 먼저, S801 단계에서, 장치(30)는 제1 차량(21)의 상태를 확인할 수 있다. 이때, 장치(30)는 제1 차량(21)에 설치된 복수의 센서와의 통신을 시도하여, 통신에 성공하면, 제1 차량(21)의 상태를 시동이 걸린 상태로 확인하고, 통신에 실패하면, 제1 차량(21)의 상태를 시동이 걸리지 않은 상태로 확인할 수 있다.
S802 단계에서, 장치(30)는 제1 차량(21)의 상태를 확인한 결과, 제1 차량(21)의 상태가 시동이 걸린 상태인지 여부를 확인할 수 있다.
S802 단계에서 제1 차량(21)에 시동이 걸린 것으로 확인되면, S803 단계에서, 장치(30)는 제1 차량(21)의 위치 정보를 획득하여, 제1 차량(21)의 현재 위치인 제1 지점을 확인할 수 있다. 이때, 장치(30)는 제1 차량(21)에 부착된 GPS 센서를 통해 제1 차량(21)의 위치 정보를 획득할 수 있고, 제1 사용자 단말(11)의 위치 정보를 제1 차량(21)의 위치 정보로 획득할 수도 있다.
S802 단계에서, 제1 차량(21)에 시동이 걸리지 않은 것으로 확인되면, 장치(30)는 S801 단계로 되돌아가, 제1 차량(21)의 상태를 다시 확인할 수 있다.
S804 단계에서, 장치(30)는 제1 차량의 현재 위치인 제1 지점이 확인되면, 제1 차량(21)의 운행이 시작되었는지 여부를 확인할 수 있다. 이때, 장치(30)는 제1 차량(21)이 제1 지점에서 다른 지점으로 이동한 것이 확인되면, 제1 차량(21)의 운행이 시작된 것으로 파악할 수 있다.
S804 단계에서 제1 차량(21)의 운행이 시작된 것으로 확인되면, S805 단계에서, 장치(30)는 제1 차량(21)이 운행되는 동안에 측정된 제1 차량(21)의 운행 데이터를 제1 차량(21)에 설치된 복수의 센서로부터 획득할 수 있다.
즉, 제1 사용자가 제1 지점부터 제1 차량(21)을 운행한 경우, 제1 차량(21)에 설치된 복수의 센서는 제1 차량(21)이 운행되는 동안 가속, 감속, 회전, 기울기 등을 측정하여, 제1 차량(21)의 운행 데이터를 생성할 수 있으며, 장치(30)는 복수의 센서로부터 제1 차량(21)의 운행 데이터를 획득할 수 있다.
S804 단계에서 제1 차량(21)의 운행이 시작되지 않은 것으로 확인되면, 장치(30)는 S801 단계로 되돌아가, 제1 차량(21)의 상태를 다시 확인할 수 있다.
S806 단계에서, 장치(30)는 제1 차량(21)이 운행되어 제1 차량(21)이 운행 데이터가 획득되고 있는 경우, 제1 차량(21)의 위치를 추적할 수 있다. 이때, 장치(30)는 제1 차량(21)에 부착된 GPS 센서로부터 제1 차량(21)의 위치 정보를 주기적으로 획득하여, 제1 차량(21)의 위치를 추적할 수 있다.
S807 단계에서, 장치(30)는 제1 차량(21)의 위치를 추적한 결과, 제1 차량(21)의 운행이 종료되었는지 여부를 확인할 수 있다. 이때, 장치(30)는 제1 차량(21)이 특정 지점에서 미리 설정된 기간 동안 이동하지 않는 것으로 확인되면, 제1 차량(21)의 운행이 종료된 것으로 파악할 수 있다.
S807 단계에서 제1 차량(21)의 운행이 종료된 것으로 확인되면, S808 단계에서, 장치(30)는 제1 차량(21)의 위치 정보를 획득하여, 제1 차량(21)의 현재 위치인 제2 지점을 확인할 수 있다. 이때, 장치(30)는 제1 차량(21)의 위치를 추적한 결과, 제2 지점에서 일정 기간 동안 이동하지 않는 것으로 확인되면, 제1 차량(21)의 운행이 종료된 지점인 제2 지점을 확인할 수 있다.
S807 단계에서 제1 차량(21)의 운행이 종료되지 않은 것으로 확인되면, 장치(30)는 S806 단계로 되돌아가, 제1 차량(21)의 위치를 다시 추적할 수 있다.
S809 단계에서, 장치(30)는 제2 지점이 확인되면, 제1 지점에서 제2 지점까지 이동하는 동안에 측정된 제1 차량(21)의 운행 데이터를 제1 운행 데이터로 설정할 수 있다.
즉, 제1 사용자가 제1 차량(21)을 이용하여 제1 지점에서 제2 지점까지 이동한 경우, 제1 차량(21)에 부착된 복수의 센서는 제1 차량(21)이 제1 지점에서 제2 지점까지 이동하는 동안 제1 차량(21)의 운행 상태를 측정하여 제1 차량(21)의 운행 데이터를 생성할 수 있으며, 장치(30)는 제1 차량(21)에 부착된 복수의 센서로부터 제1 차량(21)의 운행 데이터를 획득하여, 제1 차량(21)이 제1 지점에서 제2 지점까지 이동하는 동안 측정된 제1 차량(21)의 운행 데이터를 제1 운행 데이터로 설정할 수 있다. 여기서, 제1 운행 데이터는 제1 지점에서 제2 지점까지 제1 차량(21)이 운행되는 동안 제1 차량(21)의 가속, 감속, 회전, 기울기 등의 운행 상태를 시간대 별로 측정된 운행 데이터이다.
도 9는 일실시예에 따른 위험 요소 별로 위험 점수를 산출하여 제1 운전자의 안전 운전 점수를 갱신하는 과정을 설명하기 위한 순서이다.
도 9를 참조하면, 먼저, S901 단계에서, 장치(30)는 제1 운전 데이터를 기초로, 제1 차량(21)이 제1 지점에서 제2 지점까지 이동하는 동안에, 제1 위험 요소의 위험 상황이 있는지 여부를 분석할 수 있다. 여기서, 제1 위험 요소는 급가속, 넘어짐(좌, 우), 오르막길, 내리막길, 방지턱, 넘어짐, 충격, 급정거, 미끄러짐, 인도주행, 하수뚜껑, 위험속도 및 신호위반 중 어느 하나일 수 있으며, 장치(30)는 제1 차량(21)이 제1 지점에서 제2 지점까지 이동하는 동안에 제1 위험 요소로 인한 위험 상황이 있는지 여부를 분석할 수 있다.
S902 단계에서 제1 위험 요소로 인한 위험 상황이 있는 것으로 확인되면, S903 단계에서, 장치(30)는 제1 지점에서 제2 지점까지 이동하는 동안에, 제1 위험 요소로 인한 위험 상황이 발생한 횟수인 제1 위험 횟수를 확인할 수 있다. 여기서, 제1 위험 횟수는 제1 지점에서 제2 지점까지 이동하는 동안 제1 위험 요소로 인해 위험하다고 판단된 위험 상황의 횟수를 의미할 수 있다.
S904 단계에서, 장치(30)는 제1 위험 요소에 설정되어 있는 위험 점수 부과 기준을 이용하여, 제1 위험 횟수를 기반으로 제1 위험 점수를 산출할 수 있다. 여기서, 제1 위험 요소에 설정되어 있는 위험 점수 부과 기준은 실시예에 따라 상이하게 설정될 수 있다.
예를 들어, 제1 위험 횟수가 3회로 확인되고, 제1 위험 요소에 설정되어 있는 위험 점수 부과 기준이 횟수 당 5점으로 설정되어 있는 경우, 장치(30)는 제1 위험 점수를 15점으로 산출할 수 있다.
S902 단계에서 제1 위험 요소로 인한 위험 상황이 없는 것으로 판단되면, S905 단계에서, 장치(30)는 제1 위험 점수를 0점으로 산출할 수 있다.
한편, S906 단계에서, 장치(30)는 제1 운전 데이터를 기초로, 제1 지점에서 제2 지점까지 이동하는 동안에, 제2 위험 요소의 위험 상황이 있는지 여부를 분석할 수 있다.
여기서, 제2 위험 요소는 급가속, 넘어짐(좌, 우), 오르막길, 내리막길, 방지턱, 넘어짐, 충격, 급정거, 미끄러짐, 인도주행, 하수뚜껑, 위험속도 및 신호위반 중 어느 하나일 수 있으며, 장치(30)는 제1 차량(21)이 제1 지점에서 제2 지점까지 이동하는 동안에 제2 위험 요소로 인한 위험 상황이 있는지 여부를 분석할 수 있다.
S907 단계에서, 제2 위험 요소로 인한 위험 상황이 있는 것으로 확인되면, S908 단계에서, 장치(30)는 제1 지점에서 제2 지점까지 이동하는 동안에, 제2 위험 요소로 인한 위험 상황이 발생한 횟수인 제2 위험 횟수를 확인할 수 있다. 여기서, 제2 위험 횟수는 제1 지점에서 제2 지점까지 이동하는 동안 제2 위험 요소로 인해 위험하다고 판단된 위험 상황의 횟수를 의미할 수 있다.
S909 단계에서, 장치(30)는 제2 위험 요소에 설정되어 있는 위험 점수 부과 기준을 이용하여, 제2 위험 횟수를 기반으로 제2 위험 점수를 산출할 수 있다. 여기서, 제2 위험 요소에 설정되어 있는 위험 점수 부과 기준은 실시예에 따라 상이하게 설정될 수 있다.
예를 들어, 제2 위험 횟수가 1회로 확인되고, 제2 위험 요소에 설정되어 있는 위험 점수 부과 기준이 횟수 당 7점으로 설정되어 있는 경우, 장치(30)는 제2 위험 점수를 7점으로 산출할 수 있다.
S907 단계에서 제2 위험 요소로 인한 위험 상황이 없는 것으로 판단되면, S910 단계에서, 장치(30)는 제2 위험 점수를 0점으로 산출할 수 있다.
S904 단계 또는 S905 단계를 통해 제1 위험 점수가 산출되고, S909 단계 또는 S910 단계를 통해 제2 위험 점수가 산출되면, S911 단계에서, 장치(30)는 제1 위험 점수 및 제2 위험 점수를 기반으로, 제1 사용자의 안전 운전 점수를 갱신할 수 있다. 이와 관련된 자세한 설명은 도 10을 참조하여 후술하기로 한다.
도 10은 일실시예에 따른 안전 운전 점수를 갱신하여 운전 패턴 정보를 업데이트하는 과정을 설명하기 위한 순서도이다.
도 10를 참조하면, 먼저, S1001 단계에서, 장치(30)는 제1 차량의 운행 데이터를 기초로, 제1 사용자의 안전 운전 점수가 산출되어 있는 경우, 제1 사용자의 안전 운전 점수를 획득할 수 있다. 이때, 장치(30)는 제1 위험 점수 및 제2 위험 점수가 각각 산출되어 있는 경우, 제1 위험 점수 및 제2 위험 점수도 각각 획득할 수 있다.
S1002 단계에서, 장치(30)는 제1 위험 점수가 0점 보다 큰지 여부를 확인할 수 있다.
S1002 단계에서 제1 위험 점수가 0점 보다 큰 것으로 확인되면, S1003 단계에서, 장치(30)는 제2 위험 점수가 0점 보다 큰지 여부를 확인할 수 있다.
S1003 단계에서 제2 위험 점수가 0점 보다 큰 것으로 확인되면, S1005 단계에서, 장치(30)는 S1001 단계에서 획득된 제1 사용자의 안전 운전 점수에서, 제1 위험 점수 및 제2 위험 점수를 합산한 값을 차감하여, 제1 사용자의 안전 운전 점수를 갱신할 수 있다.
즉, 장치(30)는 제1 위험 점수 및 제2 위험 점수가 0점 보다 큰 것으로 확인되면, 제1 사용자의 안전 운전 점수에서 제1 위험 점수 및 제2 위험 점수를 합산한 값을 차감하여, 제1 사용자의 안전 운전 점수를 갱신할 수 있다.
예를 들어, 제1 사용자의 안전 운전 점수가 90점, 제1 위험 점수가 15점, 제2 위험 점수가 7점인 경우, 제1 위험 점수와 제2 위험 점수를 합산한 값으로 22점을 산출할 수 있으며, 제1 사용자의 안전 운전 점수에서 제1 위험 점수와 제2 위험 점수를 합산한 값을 차감한 값인 68점을 산출하여, 제1 사용자의 안전 운전 점수를 68점으로 갱신할 수 있다.
한편, S1003 단계에서 제2 위험 점수가 0점인 것으로 확인되면, S1006 단계에서, 장치(30)는 S1001 단계에서 획득된 제1 사용자의 안전 운전 점수에서, 제1 위험 점수를 차감하여, 제1 사용자의 안전 운전 점수를 갱신할 수 있다.
즉, 장치(30)는 제1 위험 점수가 0점 보다 크고 제2 위험 점수가 0점으로 확인되면, 제1 사용자의 안전 운전 점수에서 제1 위험 점수를 차감하여, 제1 사용자의 안전 운전 점수를 갱신할 수 있다.
예를 들어, 제1 위험 점수가 15점, 제2 위험 점수가 0점이고, 제1 사용자의 안전 운전 점수가 90점으로 확인되면, 장치(30)는 제1 사용자의 안전 운전 점수에서 제1 위험 점수를 차감한 값인 75점을 산출하여, 제1 사용자의 안전 운전 점수를 75점으로 갱신할 수 있다.
한편, S1002 단계에서 제1 위험 점수가 0점인 것으로 확인되면, S1004 단계에서, 장치(30)는 제2 위험 점수가 0점 보다 큰지 여부를 확인할 수 있다.
S1004 단계에서 제2 위험 점수가 0점 보다 큰 것으로 확인되면, S1007 단계에서, 장치(30)는 S1001 단계에서 획득된 제1 사용자의 안전 운전 점수에서, 제2 위험 점수를 차감하여, 제1 사용자의 안전 운전 점수를 갱신할 수 있다.
즉, 장치(30)는 제1 위험 점수가 0점이고 제2 위험 점수가 0점 보다 큰 것으로 확인되면, 제1 사용자의 안전 운전 점수에서 제2 위험 점수를 차감하여, 제1 사용자의 안전 운전 점수를 갱신할 수 있다.
예를 들어, 제1 위험 점수가 0점, 제2 위험 점수가 7점이고, 제1 사용자의 안전 운전 점수가 90점으로 확인되면, 장치(30)는 제1 사용자의 안전 운전 점수에서 제2 위험 점수를 차감한 값인 83점을 산출하여, 제1 사용자의 안전 운전 점수를 83점으로 갱신할 수 있다.
한편, S1004 단계에서 제2 위험 점수가 0점인 것으로 확인되면, S1008 단계에서, 장치(30)는 제1 지점에서 제2 지점까지 이동한 이동 거리를 기반으로 제1 보상 점수를 설정할 수 있다.
예를 들어, 장치(30)는 제1 지점에서 제2 지점까지 이동한 이동 거리가 2km인 경우, 제1 보상 점수를 20점으로 설정하고, 제1 지점에서 제2 지점까지 이동한 이동 거리가 3km인 경우, 제1 보상 점수를 30점으로 설정할 수 있다.
S1009 단계에서, 장치(30)는 S1001 단계에서 획득된 제1 사용자의 안전 운전 점수에 제1 보상 점수를 가산하여, 제1 사용자의 안전 운전 점수를 갱신할 수 있다.
즉, 장치(30)는 제1 위험 점수 및 제2 점수가 0점으로 확인되면, 제1 지점에서 제2 지점까지 이동한 이동 거리를 기반으로 제1 보상 점수를 설정하고, 제1 사용자의 안전 운전 점수에 제1 보상 점수를 가산하여, 제1 사용자의 안전 운전 점수를 갱신할 수 있다.
예를 들어, 제1 보상 점수가 30점이고, 제1 사용자의 안전 운전 점수가 90점이면, 제1 사용자의 안전 운전 점수에 제1 보상 점수를 가산한 값인 120점을 제1 사용자의 안전 운전 점수로 갱신할 수 있다.
S1010 단계에서, 장치(30)는 제1 사용자의 안전 운전 점수를 기초로, 제1 운전 패턴 정보를 업데이트할 수 있다.
도 11은 일실시예에 따른 보험 상품의 조회수에 따라 보험 상품의 이미지를 분할하여 표시하는 과정을 설명하기 위한 순서도이다.
도 11을 참조하면, 먼저, S1101 단계에서, 장치(30)는 제1 보험 상품에 대한 조회 요청이 수신된 횟수를 확인하여, 제1 보험 상품의 조회 수를 산정할 수 있다.
구체적으로, 장치(30)는 복수의 사용자 단말(10)로부터 보험 상품에 대한 정보를 제공하는 웹 사이트의 접속 요청이 수신되면, 복수의 사용자 단말(10)이 웹 사이트에 접속되도록 처리하고, 복수의 사용자 단말(10)이 웹 사이트에 접속하면, 웹 사이트의 홈 페이지를 복수의 사용자 단말(10)로 제공하여, 홈 페이지가 복수의 사용자 단말(10) 각각의 화면에 표시되도록 제어할 수 있다.
이후, 장치(30)는 복수의 사용자 단말(10) 각각의 화면에 표시된 홈 페이지 상에서 제1 보험 상품의 대표 이미지가 선택되면, 복수의 사용자 단말(10)로부터 제1 보험 상품에 대한 조회 요청을 수신할 수 있다. 여기서, 제1 보험 상품에 대한 조회 요청은 제1 보험 상품에 대한 상세 정보를 조회하는 것에 대한 요청일 수 있다.
장치(30)는 복수의 사용자 단말(10)로부터 제1 보험 상품에 대한 조회 요청이 수신되면, 제1 보험 상품에 대한 조회 요청에 따라, 제1 보험 상품의 조회 정보를 갱신할 수 있다. 여기서, 제1 보험 상품의 조회 정보는 제1 보험 상품을 조회한 횟수인 제1 보험 상품의 조회 수에 대한 정보를 포함할 수 있다. 장치(30)는 보험 상품 별로 조회 정보를 데이터베이스에 저장하여 관리할 수 있다.
장치(30)는 제1 보험 상품의 조회 정보를 갱신하는데 있어, 복수의 사용자 단말(10)로부터 제1 보험 상품에 대한 조회 요청이 수신된 횟수를 확인하여, 제1 보험 상품의 조회 수를 산정할 수 있다.
예를 들어, 장치(30)는 제1 보험 상품의 조회 수가 0인 상태에서, 미리 설정된 기간 이내에 제1 사용자 단말(11) 및 제2 사용자 단말(12)로부터 제1 보험 상품에 대한 조회 요청이 각각 수신되면, 제1 보험 상품에 대한 조회 요청이 수신된 횟수를 2회로 확인하여, 제1 보험 상품의 조회 수를 0에서 2로 변경하여 산정할 수 있다.
또한, 장치(30)는 제1 보험 상품의 조회 수가 0인 상태에서, 제1 사용자 단말(11)로부터 제1 보험 상품에 대한 조회 요청이 수신되면, 제1 보험 상품의 조회 수를 0에서 1로 변경하여 산정할 수 있으며, 제1 보험 상품의 조회 수가 1인 상태에서, 제2 사용자 단말(12)로부터 제1 보험 상품에 대한 조회 요청이 수신되면, 제1 보험 상품의 조회 수를 1에서 2로 변경하여 산정할 수 있다.
장치(30)는 제1 보험 상품의 조회 수를 산정하는 방식과 동일하게, 복수의 보험 상품 각각의 조회 수를 산정할 수 있으며, 제2 보험 상품의 조회 수, 제3 보험 상품의 조회 수 등을 각각 산정할 수 있다.
S1102 단계에서, 장치(30)는 제2 보험 상품에 대한 조회 요청이 수신된 횟수를 확인하여, 제2 보험 상품의 조회 수를 산정할 수 있다.
S1103 단계에서, 장치(30)는 제1 보험 상품의 조회 수와 제2 보험 상품의 조회 수를 합한 값으로, 총합 조회 수를 산출할 수 있다.
예를 들어, 제1 보험 상품의 조회 수가 45이고, 제2 보험 상품의 조회 수가 55인 경우, 총합 조회 수를 100으로 산출할 수 있다.
S1104 단계에서, 장치(30)는 제1 보험 상품의 조회 수를 총합 조회 수로 나눈 값으로, 제1 비율을 산출할 수 있다.
예를 들어, 장치(30)는 제1 보험 상품의 조회 수가 45이고, 총합 조회 수가 100인 경우, 제1 비율을 45%로 산출할 수 있다.
S1105 단계에서, 장치(30)는 제1 비율로 제1 영역의 크기를 설정할 수 있다. 여기서, 제1 영역은 제1 보험 상품의 요약 정보가 표시되는 영역이다.
S1106 단계에서, 장치(30)는 제2 보험 상품의 조회 수를 총합 조회 수로 나눈 값으로, 제2 비율을 산출할 수 있다.
예를 들어, 장치(30)는 제2 보험 상품의 조회 수가 55이고, 총합 조회 수가 100인 경우, 제2 비율을 55%로 산출할 수 있다.
S1107 단계에서, 장치(30)는 제2 비율로 제2 영역의 크기를 설정할 수 있다. 여기서, 제2 영역은 제2 보험 상품의 요약 정보가 표시되는 영역이다.
S1108 단계에서, 장치(30)는 제1 비율을 통해 제1 영역의 크기가 설정되고 제2 비율을 통해 제2 영역의 크기가 설정되면, 제1 영역 및 제2 영역으로 구성된 제1 웹 페이지를 제1 사용자 단말(11)로 제공하여, 제1 보험 상품의 요약 정보 및 제2 보험 상품의 요약 정보가 제1 사용자 단말(11)의 화면에서 분할되어 표시하도록 제어할 수 있다. 여기서, 제1 보험 상품의 요약 정보는 제1 보험 상품의 상세 정보로 연결되는 링크를 포함할 수 있으며, 제2 보험 상품의 요약 정보는 제2 보험 상품의 상세 정보로 연결되는 링크를 포함할 수 있다.
장치(30)는 제1 보험 상품의 요약 정보 및 제2 보험 상품의 요약 정보가 제1 사용자 단말(11)의 화면에서 분할되어 표시될 때, 제1 보험 상품이 제1 사용자의 추천 보험 상품으로 선정된 경우, 제1 보험 상품의 요약 정보가 제1 색으로 표시되고, 제2 보험 상품의 요약 정보가 제2 색으로 표시되도록, 제1 사용자 단말(11)의 동작을 제어할 수 있다.
또한, 장치(30)는 제1 보험 상품의 요약 정보 및 제2 보험 상품의 요약 정보가 제1 사용자 단말(11)의 화면에서 분할되어 표시될 때, 제2 보험 상품이 제1 사용자의 추천 보험 상품으로 선정된 경우, 제2 보험 상품의 요약 정보가 제1 색으로 표시되고, 제1 보험 상품의 요약 정보가 제2 색으로 표시되도록, 제1 사용자 단말(11)의 동작을 제어할 수 있다.
도 12는 일실시예에 따른 제1 인공 신경망의 학습을 설명하기 위한 도면이다.
일실시예에 따르면, 제1 인공 신경망은 운전 패턴 정보를 입력 받은 후, 운전 패턴에 따라 안전 운전 등급을 출력하는 알고리즘일 수 있다. 제1 인공 신경망의 학습이 이루어지는 장치(30)는 학습된 제1 인공 신경망을 이용하여 사용자의 안전 운전 등급을 분석하는 장치(30)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제1 인공 신경망이 학습되는 과정을 설명한다.
먼저, S1201 단계에서, 장치(30)는 사용자의 운전 패턴 정보를 기초로 입력을 생성할 수 있다.
구체적으로, 장치(30)는 사용자의 운전 패턴 정보를 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 사용자의 운전 패턴 정보를 제1 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.
S1202 단계에서, 장치(30)는 제1 인공 신경망에 입력을 적용할 수 있다. 제1 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제1 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다. 강화 학습에 따라 학습되는 제1 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다.
강화 학습에 따라 학습되는 제1 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 사용자의 운전 패턴을 통해 확인된 위험 횟수가 많을수록 더 낮은 등급을 안전 운전 등급으로 선정하면 보상값이 높아질 수 있으며, 제2 보상은 사용자의 운전 패턴을 통해 확인된 위험 횟수가 적을수록 더 높은 등급을 안전 운전 등급으로 선정하면 보상값이 높아질 수 있다.
S1203 단계에서, 장치(30)는 제1 인공 신경망으로부터 출력을 획득할 수 있다. 제1 인공 신경망의 출력은 사용자의 운전 패턴에 위험 요소가 발생한 위험 횟수에 따라 선정된 안전 운전 등급에 대한 정보를 포함할 수 있다.
제1 인공 신경망은 사용자의 운전 패턴에 대한 분석을 통해, 운전 패턴에서 위험 운전을 몇 번 했는지 판단하여 위험 횟수를 산출하고, 위험 횟수에 따라 안전 운전 등급을 선정하여, 선정된 안전 운전 등급을 지시하는 출력값을 출력할 수 있다.
S1204 단계에서, 장치(30)는 제1 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상, 제2 보상 등으로 나뉠 수 있다.
구체적으로, 장치(30)는 사용자의 운전 패턴을 통해 확인된 위험 횟수가 많을수록 더 낮은 등급을 안전 운전 등급으로 선정하면 제1 보상을 많이 수여하고, 사용자의 운전 패턴을 통해 확인된 위험 횟수가 적을수록 더 높은 등급을 안전 운전 등급으로 선정하면 제2 보상을 많이 수여할 수 있다.
S1205 단계에서, 장치(30)는 평가를 기초로 제1 인공 신경망을 갱신할 수 있다.
구체적으로, 장치(30)는 제1 인공 신경망이 사용자의 운전 패턴을 통해, 사용자의 안전 운전 등급을 선정하여 추출하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제1 인공 신경망을 갱신할 수 있다.
한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.
장치(30)는 상기와 같은 제1 인공 신경망의 학습 과정을 반복함으로써, 제1 인공 신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 장치(30)는 사용자의 운전 패턴에 대한 분석 결과를 통해, 사용자의 안전 운전 등급을 출력하는 제1 인공 신경망을 학습시킬 수 있다.
즉, 장치(30)는 사용자의 운전 패턴에 대한 분석 결과를 통해 사용자의 안전 운전 등급을 추출할 때, 제1 보상, 제2 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제1 인공 신경망을 학습시킬 수 있다.
도 13은 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. 프로세서(31)는 도 1 내지 도 12을 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 12을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 장치(30)를 이용하는 자 또는 단체는 도 1 내지 도 12를 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 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.
장치(30)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(32)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(31)는 메모리(32)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(30)와 학습된 인공 신경망을 이용하는 장치(30)는 동일할 수도 있고 개별적일 수도 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)

  1. 장치에 의해 수행되는, 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법에 있어서,
    제1 사용자가 사용하는 이륜차로 제1 차량이 등록되어 있는 경우, 상기 제1 차량에 설치되어 있는 복수의 센서로부터 상기 제1 차량에 대한 운행 데이터를 획득하는 단계;
    제1 기간 동안 획득된 상기 제1 차량의 운행 데이터를 기초로, 상기 제1 사용자의 운전 패턴을 분석하는 단계;
    상기 제1 기간 동안 상기 제1 사용자의 운전 패턴을 나타내는 제1 운전 패턴 정보를 생성하는 단계;
    상기 제1 운전 패턴 정보를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 사용자의 안전 운전 등급을 설정하는 단계;
    상기 제1 사용자의 안전 운전 등급이 제1 등급으로 설정되면, 상기 제1 등급에 설정되어 있는 제1 가중치를 확인하는 단계;
    이륜차 보험에 대한 기본 보험료가 제1 금액으로 책정되어 있는 경우, 상기 제1 금액에 상기 제1 가중치를 적용한 제2 금액을 상기 제1 사용자의 보험료로 산출하는 단계;
    상기 제1 운전 패턴 정보를 기초로, 월별로 상기 제1 차량이 운행된 일자를 확인하는 단계;
    상기 제1 차량이 운행된 일자가 월별로 확인되면, 상기 제1 차량의 월별 운행 일자를 통해 상기 제1 차량의 평균 운행 횟수를 산출하는 단계;
    상기 제1 운전 패턴 정보를 기초로, 일별로 상기 제1 차량이 운행된 시간을 확인하는 단계;
    상기 제1 차량이 운행된 시간이 일별로 확인되면, 상기 제1 차량의 일별 운행 시간을 통해 상기 제1 차량의 평균 운행 시간을 산출하는 단계;
    상기 제1 차량의 평균 운행 횟수가 미리 설정된 기준 운행 횟수 보다 적으면서, 상기 제1 차량의 평균 운행 시간이 미리 설정된 기준 운행 시간 보다 짧은 것으로 확인되면, 가장 저렴한 가격으로 설정된 제1 보험 상품을 상기 제1 사용자의 추천 보험 상품으로 선정하는 단계;
    상기 제1 차량의 평균 운행 횟수가 상기 기준 운행 횟수 보다 적으면서, 상기 제1 차량의 평균 운행 시간이 상기 기준 운행 시간 보다 긴 것으로 확인되면, 상기 제1 보험 상품 보다 비싼 가격으로 설정된 제2 보험 상품을 상기 제1 사용자의 추천 보험 상품으로 선정하는 단계;
    상기 제1 차량의 평균 운행 횟수가 상기 기준 운행 횟수 보다 많으면서, 상기 제1 차량의 평균 운행 시간이 상기 기준 운행 시간 보다 짧은 것으로 확인되면, 상기 제2 보험 상품 보다 비싼 가격으로 설정된 제3 보험 상품을 상기 제1 사용자의 추천 보험 상품으로 선정하는 단계;
    상기 제1 차량의 평균 운행 횟수가 상기 기준 운행 횟수 보다 많으면서, 상기 제1 차량의 평균 운행 시간이 상기 기준 운행 시간 보다 긴 것으로 확인되면, 상기 제3 보험 상품 보다 비싼 가격으로 설정된 제4 보험 상품을 상기 제1 사용자의 추천 보험 상품으로 선정하는 단계; 및
    상기 제1 사용자의 추천 보험 상품이 선정되면, 상기 제1 사용자가 사용하는 제1 사용자 단말로 상기 제1 사용자의 추천 보험 상품에 대한 안내 메시지를 전송하는 단계를 포함하는,
    인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법.
  2. 삭제
  3. 삭제
KR1020220010037A 2022-01-24 2022-01-24 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템 KR102500353B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220010037A KR102500353B1 (ko) 2022-01-24 2022-01-24 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템
KR1020220068729A KR20230114159A (ko) 2022-01-24 2022-06-07 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220010037A KR102500353B1 (ko) 2022-01-24 2022-01-24 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220068729A Division KR20230114159A (ko) 2022-01-24 2022-06-07 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템

Publications (1)

Publication Number Publication Date
KR102500353B1 true KR102500353B1 (ko) 2023-02-14

Family

ID=85220964

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020220010037A KR102500353B1 (ko) 2022-01-24 2022-01-24 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템
KR1020220068729A KR20230114159A (ko) 2022-01-24 2022-06-07 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020220068729A KR20230114159A (ko) 2022-01-24 2022-06-07 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템

Country Status (1)

Country Link
KR (2) KR102500353B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102537058B1 (ko) 2023-02-22 2023-05-30 주식회사 티큐정보시스템즈 인공지능 모델 기반 보상 처리 및 과실 비율 시뮬레이션을 위한 그래픽 유저 인터페이스(gui) 제공 방법, 장치 및 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008077676A (ja) * 2007-11-12 2008-04-03 Equos Research Co Ltd 旅行保険受付装置
KR20150084250A (ko) 2014-01-13 2015-07-22 한국전자통신연구원 차량 센싱 장치 기반 안전운전 성향정보를 반영한 자동차 보험료 산출 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008077676A (ja) * 2007-11-12 2008-04-03 Equos Research Co Ltd 旅行保険受付装置
KR20150084250A (ko) 2014-01-13 2015-07-22 한국전자통신연구원 차량 센싱 장치 기반 안전운전 성향정보를 반영한 자동차 보험료 산출 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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102537058B1 (ko) 2023-02-22 2023-05-30 주식회사 티큐정보시스템즈 인공지능 모델 기반 보상 처리 및 과실 비율 시뮬레이션을 위한 그래픽 유저 인터페이스(gui) 제공 방법, 장치 및 시스템

Also Published As

Publication number Publication date
KR20230114159A (ko) 2023-08-01

Similar Documents

Publication Publication Date Title
JP6842574B2 (ja) 自律車両運転イベントに応答して乗車者フィードバックを取得するシステムおよび方法
US20230005074A1 (en) Blockchain controlled multi-carrier auction system for usage-based auto insurance
US9868393B2 (en) Vehicle accident avoidance system
KR102436962B1 (ko) 운송 장치에 구비된 전자 장치 및 이의 제어 방법
US10272921B2 (en) Enriched connected car analysis services
US20200111169A1 (en) Autonomous vehicle premium computation using predictive models
CN111164661A (zh) 使用感测设备监控车辆操作风险
US10037030B2 (en) Directing movement of self-driving vehicles in a delineated vehicular area
US20220187087A1 (en) Systems and methods for predicting fuel consumption efficiency
JP2020522798A (ja) 運動データに基づいて運転挙動を認識するデバイスおよび方法
CN108255170A (zh) 动态地调整自动驾驶车辆的速度控制率的方法
US20230013561A1 (en) Systems and methods for reducing carbon emissions by recommending one or more alternative forms of transportation
US20240027206A1 (en) Transportation route error detection and adjustment
JP6012643B2 (ja) 車両用運転支援装置、サーバ、車両運転支援システム、および、車両用運転支援プログラム
US11361388B1 (en) Blockchain systems and methods for managing usage-based contracts
CN109213144A (zh) 人机接口（hmi）架构
KR102500353B1 (ko) 인공지능 모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템
Abdelrahman et al. Crowdsensing-based personalized dynamic route planning for smart vehicles
US20230399023A1 (en) Vehicle Driving Intention Prediction Method, Apparatus, and Terminal, and Storage Medium
US20230169547A1 (en) Systems and methods for generating user offerings responsive to telematics data
JP6697998B2 (ja) 移動体保険料算出方法、移動体保険料算出装置、移動体保険料算出プログラム及び移動体
KR102273657B1 (ko) 지능형 5g 무선 네트워크 기반의 원격 차량주행 에이전트 시스템
JP7117775B2 (ja) 情報処理装置、情報処理システム、情報処理方法、及びプログラム
KR102484139B1 (ko) 인공지능모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템
EP3859650A1 (en) Information processing device, information processing method, and non-transitory storage medium storing program

Legal Events

Date Code Title Description
GRNT Written decision to grant