KR102530675B1 - 사용자의 거점 정보를 추출하는 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라, 컴퓨팅 장치의 프로세서에 의해 수행되는 사용자의 거점 정보를 추출하는 방법이 개시된다. 상기 방법은: 사용자와 관련된 대중교통 이용 데이터를 이용하여, 복수의 승차 지점 및 복수의 하차 지점을 인식하는 단계; 상기 복수의 승차 지점 및 상기 복수의 하차 지점에서 적어도 하나의 환승 지점을 제외한 적어도 하나의 최초 승차 지점 및 적어도 하나의 최종 하차 지점을 인식하는 단계; 및 상기 적어도 하나의 최초 승차 지점과 상기 적어도 하나의 최종 하차 지점을 비지도 학습 모델을 통해 클러스터링 하여, 적어도 두 개의 거점 그룹을 획득하는 단계;를 포함할 수 있다.

Description

사용자의 거점 정보를 추출하는 방법{METHOD FOR EXTRACTING USERS BASE LOCATION INFORMATION}

본 개시 내용은 대중교통 정보에 기반한 사용자의 거점 정보를 추출하는 방법에 관한 것으로서, 보다 구체적으로 사용자의 개인별 대충교통 이용 정보를 이용하여, 사용자의 거점 정보를 추출하는 기술에 관한 것이다.

모바일 기기들의 발전으로, 모바일 기기들은 전화, 음악이나 영화 감상, 인터넷, 게임 및 사진 촬영과 같은 다양한 서비스를 제공하고 있다. 특히, 스마트폰의 보급과 함께 사용자 개인의 위치 정보를 이용한 다양한 서비스가 제공되고 있다. 예를 들어, 사용자의 현재 위치 정보를 이용하여, 현재 위치와 관련된 정보를 제공하는 서비스가 제공되고 있다.

이러한 사용자의 현재 위치를 이용한 서비스는 사용자 단말기의 GPS 신호에 의존한다. 하지만, 사용자 단말기의 GPS 신호는 노이즈가 많으며, 지하 공간과 같은 음영 지역에서는 정확한 위치 파악이 어려워, 사용자의 정확한 위치를 파악하기 어려울 수 있다. 뿐만 아니라, 사용자의 현재 위치를 이용한 서비스는 사용자가 다른 위치로 이동하는 경우, 현재 위치에 기반하여 사용자에게 제공된 정보의 가치가 떨어질 수 있다.

따라서, 사용자의 이동 경로 또는, 최종 도착 위치를 이용한 서비스를 제공하기 위해 사용자의 거점을 예측하는 기술에 대한 수요가 당업계에 존재할 수 있다.

공개특허공보 제10-2013-0064548호

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 대중교통 정보에 기반한 사용자의 거점을 추출하는 방법을 제공하고자 하는 것이다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 컴퓨팅 장치의 프로세서에 의해 수행되는 사용자의 거점 정보를 추출하는 방법이 개시된다. 상기 방법은: 사용자와 관련된 대중교통 이용 데이터를 이용하여, 복수의 승차 지점 및 복수의 하차 지점을 인식하는 단계; 상기 복수의 승차 지점 및 상기 복수의 하차 지점에서 적어도 하나의 환승 지점을 제외한 적어도 하나의 최초 승차 지점 및 적어도 하나의 최종 하차 지점을 인식하는 단계; 및 상기 적어도 하나의 최초 승차 지점과 상기 적어도 하나의 최종 하차 지점을 비지도 학습 모델을 통해 클러스터링 하여, 적어도 두 개의 거점 그룹을 획득하는 단계;를 포함할 수 있다.

또한, 상기 비지도 학습 모델은, 상기 적어도 하나의 최초 승차 지점과 상기 적어도 하나의 최종 하차 지점 중에서 조합 가능한 지점 쌍들 각각에 대하여 거리를 산출하고, 산출된 거리들을 이용하여 밀도 기반 공간 클러스터링 기법(DBSCAN)에 따라 상기 적어도 하나의 최초 승차 지점과 상기 적어도 하나의 최종 하차 지점을 클러스터링 할 수 있다.

또한, 상기 적어도 하나의 최초 승차 지점과 상기 적어도 하나의 최종 하차 지점을 상기 비지도 학습 모델을 통해 클러스터링 하기 위해, 동일 거점 그룹에 속할 수 있는 지점들의 최소 개수 또는 동일 거점에 속하는 지점들을 결정할 때 사용되는 임계 반경 중 적어도 하나를 결정할 수 있다.

또한, 상기 적어도 두 개의 거점 그룹 각각은, 자신을 기준으로 상기 임계 반경 보다 짧은 거리 내에 존재하는 다른 지점의 개수가 상기 최소 개수 이상인 경우 지정되는 적어도 하나의 코어 지점; 및 자신을 기준으로 상기 임계 반경 보다 짧은 거리 내에 존재하는 다른 지점의 개수가 상기 최소 개수 미만이고, 상기 적어도 하나의 코어 지점 중 어느 하나로부터 상기 임계 반경 보다 짧은 거리 내에 존재하는 경우 지정되는 적어도 하나의 보더 지점;을 포함할 수 있다.

또한, 상기 적어도 두 개의 거점 그룹 중 서로 다른 거점 그룹에 포함된 코어 지점들 각각은, 상기 임계 반경보다 서로 먼 거리에 존재할 수 있다.

또한, 상기 적어도 하나의 최초 승차 지점과 상기 적어도 하나의 최종 하차 지점 중에서 노이즈 지점은 상기 적어도 두 개의 거점 그룹에 포함되지 않고, 상기 노이즈 지점은, 자신을 기준으로 상기 임계 반경 보다 짧은 거리 내에 존재하는 다른 지점의 개수가 상기 최소 개수 미만이고, 상기 적어도 하나의 코어 지점 각각으로부터 상기 임계 반경 보다 먼 거리에 존재하는 지점일 수 있다.

또한, 상기 방법은, 상기 적어도 두 개의 거점 그룹 각각에 대응하는 상기 대중교통 이용 데이터와 기 설정된 룰을 이용하여, 상기 적어도 두 개의 거점 그룹 각각에 대한 성격을 인식하는 단계; 및 상기 성격을 상기 적어도 두 개의 거점 그룹 각각에 태깅하여, 메모리에 저장하는 단계;를 더 포함할 수 있다.

또한, 상기 적어도 두 개의 거점 그룹 각각에 대응하는 상기 대중교통 이용 데이터와 기 설정된 룰을 이용하여, 상기 적어도 두 개의 거점 그룹 각각에 대한 상기 성격을 인식하는 단계는, 상기 적어도 두 개의 거점 그룹 각각에 대하여, 제 1 성격과 관련된 제 1 스코어 및 상기 제 1 성격과 다른 제 2 성격과 관련된 제 2 스코어를 산출하는 단계; 및 상기 적어도 두 개의 거점 그룹 각각의 상기 제 1 스코어의 크기와 상기 제 2 스코어의 크기에 기초하여 상기 두 개의 거점 그룹 각각에 대한 성격을 인식하는 단계;를 포함할 수 있다.

또한, 상기 적어도 두 개의 거점 그룹 각각에 대하여, 제 1 성격과 관련된 제 1 스코어 및 상기 제 1 성격과 다른 제 2 성격과 관련된 제 2 스코어를 산출하는 단계는, 상기 적어도 두 개의 거점 그룹 각각에 대한 그룹별 대중교통 이용 정보를 분석하여 상기 그룹별 대중교통 이용 정보의 최초 승차 지점, 최초 승차 시간, 최종 하차 지점 및 최종 하차 시간을 인식하는 단계; 상기 그룹별 대중교통 이용 정보의 상기 최초 승차 지점, 상기 최초 승차 시간, 상기 최종 하차 지점 및 상기 최종 하차 시간이 기 설정된 조건을 만족하는지 여부에 기초하여, 상기 적어도 두 개의 거점 그룹 각각의 제 1 스코어에 기 설정된 값을 가산하는 단계; 상기 적어도 두 개의 거점 그룹 각각에 대한 그룹별 대중교통 이용 정보를 분석하여 상기 그룹별 대중교통 이용 정보의 중간 승차 지점, 중간 승차 시간, 중간 하차 지점 및 중간 하차 시간을 인식하는 단계; 및 상기 중간 승차 지점, 상기 중간 승차 시간, 상기 중간 하차 지점 및 상기 중간 하차 시간이 기 설정된 조건을 만족하는지 여부에 기초하여, 상기 적어도 두 개의 거점 그룹 각각의 제 2 스코어에 기 설정된 값을 가산하는 단계;를 포함할 수 있다.

또한, 상기 적어도 두 개의 거점 그룹 각각의 상기 제 1 스코어의 크기와 상기 제 2 스코어의 크기에 기초하여 상기 두 개의 거점 그룹 각각에 대한 성격을 인식하는 단계는, 상기 제 1 스코어의 크기가 기 설정된 값을 초과하고 상기 제 2 스코어의 크기가 기 설정된 값을 초과하지 않는 그룹은 제 1 성격으로 인식하고, 상기 제 1 스코어의 크기가 상기 기 설정된 값을 초과하지 않고 상기 제 2 스코어의 크기가 상기 기 설정된 값을 초과하는 그룹은 제 2 성격으로 인식하고, 상기 제 1 스코어의 크기와 상기 제 2 스코어의 크기가 기 설정된 값을 초과하지 못하는 그룹은 제 3 성격으로 인식하는 단계;를 포함할 수 있다.

또한, 상기 적어도 두 개의 거점 그룹 각각의 상기 제 1 스코어의 크기와 상기 제 2 스코어의 크기에 기초하여 상기 두 개의 거점 그룹 각각에 대한 성격을 인식하는 단계는, 상기 제 1 스코어의 크기 및 상기 제 2 스코어의 크기가 동일한 미처리 그룹이 존재하는 경우, 기 설정된 성격으로 상기 미처리 그룹의 성격을 결정하는 단계;를 포함할 수 있다.

또한, 상기 사용자의 승차 지점 정보를 입력 받는 경우, 상기 승차 지점 정보가 상기 적어도 두 개의 거점 그룹 중 어느 그룹에 속하는지 여부를 인식하는 단계; 상기 승차 지점 정보가 속하는 그룹의 성격을 인식하여 거점 정보를 획득하는 단계; 및 메모리에 저장된 복수의 도착지 예측 모델 중 상기 사용자와 관련된 도착지 예측 모델에 상기 사용자의 승차 지점과 상기 거점 정보를 입력하여, 상기 사용자의 하차 데이터를 획득하는 단계;를 더 포함할 수 있다.

또한, 상기 도착지 예측 모델은, 상기 도착지 예측 모델의 학습 과정에서, 상기 사용자와 관련된 학습용 승차 데이터에 상기 사용자와 관련된 학습용 하차 데이터를 라벨링하여 생성된 학습용 데이터를 포함하는 학습 데이터 세트를 이용하여 학습될 수 있다.

또한, 상기 단계는, 상기 사용자의 하차 데이터에 포함된 하차 지점을 인식하는 단계; 상기 적어도 두 개의 거점 그룹 중 상기 하차 지점과 관련된 제 1 그룹을 인식하는 단계; 및 상기 제 1 그룹의 성격에 기초하여, 맞춤형 서비스 정보를 사용자 단말로 전송하는 단계;를 더 포함할 수 있다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 서버의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은: 사용자와 관련된 대중교통 이용 데이터를 이용하여, 복수의 승차 지점 및 복수의 하차 지점을 인식하는 단계; 상기 복수의 승차 지점 및 상기 복수의 하차 지점에서 적어도 하나의 환승 지점을 제외한 적어도 하나의 최초 승차 지점 및 적어도 하나의 최종 하차 지점을 인식하는 단계; 및 상기 적어도 하나의 최초 승차 지점과 상기 적어도 하나의 최종 하차 지점을 비지도 학습 모델을 통해 클러스터링 하여, 적어도 두 개의 거점 그룹을 획득하는 단계;를 포함할 수 있다.

본 개시에서 얻을 수 있는 기술적 해결 수단은 이상에서 언급한 해결 수단들로 제한되지 않으며, 언급하지 않은 또 다른 해결 수단들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 개시는 사용자의 대중교통 이용 정보를 이용하여 사용자의 거점 정보를 추출하고, 이를 이용해 예측된 도착지에 기반한 사용자 맞춤형 서비스를 제공할 수 있다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 다양한 양태가 구현될 수 있는 서버 및 사용자 단말을 포함하는 도착지 예측 시스템의 일례를 설명하기 위한 도면이다.
도 2는 본 개시의 몇몇 실시예에 따른 도착지 예측 기법의 일례를 설명하기 위한 흐름도이다.
도 3 및 도 4는 본 개시의 몇몇 실시예에 따른 도착지 예측 모델을 설명하기 위한 표이다.
도 5는 본 개시의 몇몇 실시예에 따른 적어도 두 개의 거점 그룹을 획득하는 방법의 일례를 설명하기 위한 흐름도이다.
도 6은 본 개시의 몇몇 실시예에 따른 적어도 두 개의 거점 그룹을 설명하기 위한 도면이다.
도 7은 본 개시의 몇몇 실시예에 따른 비지도 학습 모델이 최종 지점들을 클러스터링 하는 일례 설명하기 위한 도면이다.
도 8 및 도 9는 본 개시의 몇몇 실시예에 따른 적어도 두 개의 거점 그룹의 성격을 인식하는 방법을 설명하기 위한 도면이다.
도 10은 본 개시의 몇몇 실시예에 따른 맞춤형 서비스 정보를 사용자 단말로 전송하는 방법의 일례를 설명하기 위한 흐름도이다.
도 11은 본 개시의 몇몇 실시예에 따른 도착지 예측 모델의 사용 여부를 결정하는 방법을 설명하기 위한 흐름도이다.
도 12는 본 개시 내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 감지될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다. 구체적으로, 본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다.

또한, 다양한 양상들 및 특징들이 하나 이상의 장치들, 단말들, 서버들, 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 단말들, 서버들, 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 단말들, 서버들, 디바이스들, 컴포넌트들, 모듈들 등의 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.

본 명세서에서 사용되는 용어 "컴퓨터 프로그램", "컴포넌트", "모듈", "시스템" 등은 서로 호환가능하게 사용될 수 있으며, 그리고 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다.

또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

이하, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략한다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않는다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 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.

비록 제1, 제2 등이 다양한 소자나 구성요소들을 서술하기 위해서 사용되나, 이들 소자나 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 소자나 구성요소를 다른 소자나 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 소자나 구성요소는 본 개시의 기술적 사상 내에서 제2 소자나 구성요소 일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

더불어, 본 명세서에서 사용되는 용어 "정보" 및 "데이터"는 종종 서로 상호교환 가능하도록 사용될 수 있다.

이하의 설명에서 사용되는 구성 요소에 대한 접미사 “모듈” 및 “부”는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

본 개시의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 개시를 설명하는데 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 개시에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.

그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

본 개시내용의 청구범위에서의 단계들에 대한 권리범위는, 각 단계들에 기재된 기능 및 특징들에 의해 발생되는 것이지, 각각의 단계에서 그 순서의 선후관계를 명시하지 않는 이상, 청구범위에서의 각 단계들의 기재 순서에 영향을 받지 않는다. 예를 들어, A단계 및 B단계를 포함하는 단계로 기재된 청구범위에서, A단계가 B단계 보다 먼저 기재되었다고 하더라도, A단계가 B단계 이전에 선행되어야 한다는 것으로 권리범위가 제한되지는 않는다.

도 1은 본 개시의 다양한 양태가 구현될 수 있는 서버 및 사용자 단말을 포함하는 도착지 예측 시스템의 일례를 설명하기 위한 도면이다.

도 1을 참조하면, 본 개시의 몇몇 실시예에 따른 도착지 예측 시스템은 서버(100) 및 사용자 단말(200)을 포함할 수 있다. 추가적으로, 도착지 예측 시스템은 사용자 단말(200)과 관련된 사용자의 대중교통 이용 데이터 및 다른 사용자들의 대중교통 이용 데이터를 제공하는 외부 서버를 더 포함할 수 있다. 다만, 상술한 구성요소들은 도착지 예측 시스템을 구현하는데 있어서 필수적인 것은 아니어서, 도착지 예측 시스템은 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.

본 개시의 몇몇 실시예에 따르면, 서버(100)는 사용자 단말(200)과 관련된 사용자의 대중교통 이용 데이터를 이용하여, 사용자의 도착지를 예측하고, 예측된 도착지에 기반한 맞춤형 서비스를 제공하기 위한 서버일 수 있다. 다만, 이에 한정되는 것은 아니다.

서버(100)는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨터 시스템 또는 컴퓨터 디바이스를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

서버(100)는 프로세서(110), 통신부(120) 및 메모리(130)를 포함할 수 있다. 다만, 상술한 구성 요소들은 서버(100)를 구현하는데 있어서 필수적인 것은 아니어서, 서버(100)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다. 여기서, 각각의 구성요소들은 별개의 칩이나 모듈이나 장치로 구성될 수 있고, 하나의 장치 내에 포함될 수도 있다.

서버(100)의 프로세서(110)는 통상적으로 서버(100)의 전반적인 동작을 제어한다. 프로세서(110)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(130)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

또한, 프로세서(110)는 메모리(130)에 저장된 응용 프로그램을 구동하기 위하여, 서버(100)의 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(110)는 상기 응용 프로그램의 구동을 위하여, 서버(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.

서버(100)의 통신부(120)는 서버(100)와 사용자 단말(200) 사이, 서버(100)와 다른 사용자들 각각의 사용자 단말 사이의 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 통신부(120)는 서버(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.

본 개시의 몇몇 실시예에 따른 서버(100)의 통신부(120)는 사용자 단말(200)과 유선 또는 무선으로 통신할 수 있다. 또한, 통신부(120)는 사용자 단말(200)을 제어하기 위한 제어 데이터를 상기 사용자 단말(200)과 상호 송수신할 수 있다.

본 개시의 몇몇 실시예에 따르면, 서버(100)의 통신부(120)는 사용자 단말(200) 또는, 외부 서버로부터 사용자와 관련된 대중교통 이용 데이터를 수신할 수 있다. 이 경우, 서버(100)의 프로세서(110)는 사용자와 관련된 대중교통 이용 데이터를 이용하여, 복수의 승차 지점 및 복수의 하차 지점을 인식할 수 있다. 또한, 프로세서(110)는 복수의 승차 지점 및 복수의 하차 지점에서 적어도 하나의 환승 지점을 제외한 적어도 하나의 최초 승차 지점 및 적어도 하나의 최종 하차 지점을 인식할 수 있다. 그리고, 프로세서(110)는 적어도 하나의 최초 승차 지점과 적어도 하나의 최종 하차 지점을 비지도 학습 모델을 통해 클러스터링 하여, 적어도 두 개의 거점 그룹을 획득할 수 있다.

여기서, 본 개시의 비지도 학습 모델은 적어도 하나의 최초 승차 지점과 적어도 하나의 최종 하차 지점 중에서 조합 가능한 지점 쌍들 각각에 대하여 거리를 산출할 수 있다. 또한, 비지도 학습 모델은 산출된 거리들을 이용하여 밀도 기반 공간 클러스터링 기법에 따라 적어도 하나의 최초 승차 지점과 적어도 하나의 최종 하차 지점을 클러스터링 할 수 있다.

즉, 본 개시의 비지도 학습 모델은 DBSCAN(Density-based spatial clustering of applications with noise) 일 수 있다. 다만, 이에 한정되는 것은 아니다.

DBSCAN은 데이터가 세밀하게 몰려 데이터의 밀도가 높은 부분을 클러스터링 하는 방식이다. 예를 들어, DBSCAN은 특정 지점을 기준으로 기 설정된 반경 내에 존재하는 지점이 기 설정된 개수 이상 존재하는 경우, 하나의 그룹(클러스터)으로 인식할 수 있다. 추가적으로, DBSCAN은 클러스터의 수를 정하지 않아도 되고, 클러스터의 밀도에 따라 클러스터를 서로 연결하기 때문에, 기하학적인 모양을 갖는 클러스터도 찾을 수 있다.

한편, 프로세서(110)는 적어도 하나의 최초 승차 지점과 적어도 하나의 최종 하차 지점을 비지도 학습 모델을 통해 클러스터링 하기 위해, 동일 거점 그룹에 속할 수 있는 지점들의 최소 개수(예컨대, 3 개) 또는 동일 거점에 속하는 지점들을 결정할 때 사용되는 임계 반경(예컨대, 5km) 중 적어도 하나를 결정할 수 있다. 다만, 이에 한정되는 것은 아니고, 프로세서(110)는 통신부(120)를 통해 관리자 단말로부터 최소 개수에 대한 정보 및 임계 반경에 대한 정보 중 적어도 하나를 수신할 수 있다.

본 개시의 비지도 학습 모델은 최종 지점들(적어도 하나의 최초 승차 지점과 적어도 하나의 최종 하차 지점)을 클러스터링 하기 위해 최종 지점들 중 임의의 지점을 선택할 수 있다. 그리고, 비지도 학습 모델은 선택한 임의의 지점, 임의의 지점과 다른 최종 지점들 간의 거리, 임계 반경 및 최소 개수를 이용하여 최종 지점들을 적어도 두 개의 거점 그룹으로 클러스터링 할 수 있다.

구체적으로, 비지도 학습 모델은 임계 반경 보다 짧은 거리만큼 떨어진 위치에 존재하는 다른 최종 지점들의 개수가 최소 개수 이상인지 여부(즉, 임의의 지점을 중심으로 하는 임계 반경 내에 최종 지점들이 최소 개수 이상 존재하는지 여부)를 이용해 최종 지점들을 적어도 두 개의 거점 그룹으로 클러스터링 할 수 있다. 즉, 서버(100)의 프로세서(110)는 비지도 학습 모델을 이용하여 최종 지점들이 클러스터링 된 적어도 두 개의 거점 그룹(거점 정보)을 획득할 수 있다.

본 개시의 적어도 두 개의 거점 그룹 각각은 코어 지점 및 보더 지점을 포함할 수 있다.

여기서, 코어 지점은 최종 지점들 중에서 자신을 기준으로 임계 반경 보다 짧은 거리 내에 존재하는 다른 지점의 개수가 최소 개수 이상인 경우 지정될 수 있다.

또한, 보더 지점은 최종 지점들 중에서 자신을 기준으로 임계 반경 보다 짧은 거리 내에 존재하는 다른 지점의 개수가 최소 개수 미만이고, 적어도 하나의 코어 지점 중 어느 하나로부터 임계 반경 보다 짧은 거리 내에 존재하는 경우 지정될 수 있다.

한편, 최종 지점들 중 적어도 두 개의 거점 그룹에 포함되지 않은 지점들은 노이즈 지점으로 지정될 수 있다. 노이즈 지점은 최종 지점들 중에서 적어도 두 개의 거점 그룹에 포함되지 않고, 자신을 기준으로 임계 반경 보다 짧은 거리 내에 존재하는 다른 지점의 개수가 최소 개수 미만이고, 적어도 하나의 코어 지점 각각으로부터 임계 반경 보다 먼 거리에 존재하는 지점일 수 있다.

이하, 서버(100)의 프로세서(110)가 비지도 학습 모델을 이용해 최종 지점들을 클러스터링 하여, 적어도 두 개의 거점 그룹을 획득하는 방법에 대한 설명은 도 5 내지 도 7을 참조하여 후술한다.

한편, 서버(100)의 통신부(120)는 사용자 단말(200)로부터 승차 데이터를 수신할 수 있다. 이 경우, 서버(100)의 프로세서(110)는 도착지 예측 모델에 상기 승차 데이터를 입력하여, 사용자의 하차 데이터를 획득할 수 있다. 그리고, 프로세서(110)는 하차 데이터를 이용하여, 사용자 맞춤형 서비스 정보를 사용자 단말(200)로 전송하도록 통신부(120)를 제어할 수 있다.

여기서, 도착지 예측 모델은, 도착지 예측 모델의 학습 과정에서, 사용자와 관련된 학습용 승차 데이터에 사용자와 관련된 학습용 하차 데이터를 라벨링하여 생성된 학습용 데이터를 포함하는 학습 데이터 세트를 이용하여 학습될 수 있다. 또한, 도착지 예측 모델은 인공 신경망 또는, 뉴럴 네트워크로 구성될 수 있다.

구체적으로, 프로세서(110)는 사용자의 대중교통 이용 내역을 이용하여 학습용 승차 데이터를 획득할 수 있다. 그리고, 프로세서(110)는 학습용 승차 데이터에 상기 학습용 승차 데이터와 연관된 학습용 하차 데이터를 라벨링하여, 라벨링 데이터를 획득할 수 있다. 또한, 프로세서(110)는 학습용 승차 데이터를 도착지 예측 모델에 입력함에 따라 출력되는 하차 데이터와 라벨링 데이터를 비교하여, 오차를 도출할 수 있다. 또한, 프로세서(110)는 오차를 상기 도착지 예측 모델에 역전파하여 상기 도착지 예측 모델의 가중치를 업데이트할 수 있다.

그리고, 프로세서(110)는 상기와 같이 학습된 도착지 예측 모델에 사용자 단말(200)로부터 수신된 승차 데이터를 입력하여, 사용자가 하차할 것으로 예상되는 하차 지점과 관련된 하차 데이터를 획득할 수 있다. 그리고, 프로세서(110)는 하차 데이터를 이용하여 사용자 맞춤형 서비스를 제공할 수 있다.

따라서, 본 개시의 몇몇 실시예에 따른 서버(100)는 사용자가 대중교통을 이용할 때, 신속하게 하차 지점을 파악하고, 파악된 하차 지점과 관련된 맞춤형 서비스 정보를 사용자에게 제공할 수 있다.

본 개시의 몇몇 실시예에 따른 도착지 예측 모델은 의사 결정 트리(Decision Tree)로 형성될 수 있다. 다만, 이에 한정되는 것은 아니다.

의사 결정 트리는 데이터에 내재되어 있는 패턴을 변수의 조합으로 나타내는 예측/분류 모델을 나무의 형태로 만드는 것을 의미할 수 있다. 구체적으로, 의사 결정 트리는 상위 노드로부터 하위 노드로 트리 구조를 형성하며, 상위 노드로부터 하위 노드로 트리 구조를 형성하는 매 단계마다 분류 변수(질문)에 따라 분기될 수 있다. 그리고, 최종 하위 노드가 의사 결정 트리의 예측 값일 수 있다. 여기서, 분류 변수의 순서(즉, 상위 노드로부터 하위 노드의 순서)는 사전 설정된 알고리즘에 의해 결정될 수 있다. 예를 들어, 분류 변수는 사용자가 대중 교통에 승차 또는 하차한 요일 및 시간일 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 머신러닝과 관련된 모델은 블랙박스 모델과 화이트박스 모델로 분류할 수 있다. 여기서, 블랙박스 모델은 모델 내부에서 일어나는 프로세스를 시각화하거나, 이해하기 어려우며, 설명변수와 결과변수가 어떤 연관관계를 갖는지 파악하기 어려운 모델을 의미한다. 그리고, 화이트박스 모델은 블랙박스 모델의 반대의미로, 모델 내부에서 일어나는 프로세스를 시각화하거나, 이해하기 용이한 모델을 의미한다.

의사 결정 트리는 대표적인 화이트박스 모델로, 시각화 및 해석이 용이한 장점을 갖는다.

즉, 의사 결정 트리로 형성된 도착지 예측 모델은 도착지 예측 결과에 대한 해석이 용이할 수 있다.

따라서, 본 개시의 몇몇 실시예에 따른 서버(100)는 도착지 예측 모델이 예측한 도착지에 대한 정답 또는, 오답 분석을 통해 서비스 품질을 향상시킬 수 있다. 또한, 서버(100)는 모델 개선을 위한 방향 설정을 용이하게 할 수 있다.

추가적으로, 의사 결정 트리는 적은 양의 데이터를 이용하여 모델링이 가능하다. 따라서, 본 개시의 몇몇 실시예에 따른 서버(100)는 적은 양의 데이터를 이용하여, 도착지 예측 모델을 생성할 수 있다. 다시 말하면, 본 개시의 서버(100)는 개인이 대중교통을 이용한 적은 양의 데이터를 이용하여, 개인별 도착지 예측 모델을 생성할 수 있다. 이 경우, 본 개시의 서버(100)는 개인별 도착지 예측을 통해 개인에 특화된 맞춤형 서비스를 제공할 수 있다.

이하, 서버(100)의 프로세서(110)가 도착지 예측 모델을 이용하여 사용자의 하차 데이터를 획득하고, 사용자의 하차 데이터를 이용하여 맞춤형 서비스 정보를 사용자 단말(200)로 전송하는 방법에 대한 설명은 도 2 내지 도 11을 참조하여 후술한다.

한편, 서버(100)의 메모리(130)는 프로세서(110)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들을 임시 또는 영구 저장할 수도 있다. 메모리(130)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 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적 어도 하나의 타입의 저장매체를 포함할 수 있다. 이러한 메모리(130)는 프로세서(110)에 제어에 의하여 동작 될 수 있다.

여기에 설명되는 다양한 실시예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체 및 저장매체 내에서 구현될 수 있다.

하드웨어적인 구현에 의하면, 여기에 설명되는 실시예는 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시예들이 서버(100)의 프로세서(110) 자체로 구현될 수 있다

소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기

본 개시의 몇몇 실시예에 따르면, 사용자 단말(200)은 서버(100)가 제공하는 맞춤형 서비스를 이용하는 사용자와 관련될 수 있다. 여기서, 사용자는 대중교통을 규칙적으로 이용하는 사용자일 수 있다. 다만, 이에 한정되는 것은 아니다.

사용자 단말(200)은 예를 들어, 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), PDA(personal digital assistants), 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기(smart glass), HMD(head mounted display))를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

사용자 단말(200)은 프로세서(210), 통신부(220) 및 메모리(230)를 포함할 수 있다. 다만, 상술한 구성요소들은 사용자 단말을 구현하는데 있어서 필수적인 것은 아니어서, 사용자 단말(200)은 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다. 여기서, 각각의 구성요소들은 별개의 칩이나 모듈이나 장치로 구성될 수 있고, 하나의 장치 내에 포함될 수도 있다.

사용자 단말(200)의 프로세서(210)는 통상적으로 사용자 단말(200)의 전반적인 동작을 제어한다. 프로세서(210)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(230)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

또한, 프로세서(210)는 메모리(230)에 저장된 응용 프로그램을 구동하기 위하여, 사용자 단말(200)의 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(210)는 상기 응용 프로그램의 구동을 위하여, 사용자 단말(200)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.

사용자 단말(200)의 통신부(220)는 사용자 단말(200)과 사용자 단말(200) 사이, 사용자 단말(200)과 다른 사용자들 각각의 사용자 단말 사이의 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 통신부(220)는 사용자 단말(200)을 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.

본 개시의 몇몇 실시예에 따른 사용자 단말(200)의 통신부(220)는 사용자 단말(200)과 유선 또는 무선으로 통신할 수 있다. 또한, 통신부(220)는 사용자 단말(200)을 제어하기 위한 제어 데이터를 상기 사용자 단말(200)과 상호 송수신할 수 있다.

사용자 단말(200)의 메모리(230)는 프로세서(210)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들을 임시 또는 영구 저장할 수도 있다. 메모리(230)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 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적 어도 하나의 타입의 저장매체를 포함할 수 있다. 이러한 메모리(230)는 프로세서(210)에 제어에 의하여 동작 될 수 있다.

본 개시의 몇몇 실시예에 따르면, 사용자 단말(200)은 서버(100)에서 제공하는 사용자 맞춤형 서비스를 제공받기 위해 승차 데이터를 상기 서버(100)로 전송할 수 있다. 여기서, 승차 데이터는 카드번호에 대한 정보, 승차 시간에 대한 정보, 승차 요일에 대한 정보 및 승차 요금에 대한 정보를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

예를 들어, 이러한 사용자 단말(200)은 교통카드 기능이 내장된 스마트폰일 수 있다. 이 경우, 사용자가 대중교통 이용 요금을 지불하기 위해 구비된 교통카드 단말기에 사용자 단말(200)을 태그 했을 때, 사용자 단말(200)은 승차 데이터를 서버(100)로 전송할 수 있다. 다만, 이에 한정되는 것은 아니다.

다른 예를 들어, 사용자 단말(200)은 교통카드일 수 있다. 이 경우, 사용자가 대중교통 이용 요금을 지불하기 위해 구비된 교통카드 단말기에 교통카드를 태그 했을 때, 교통카드 단말기는 서버(100)로 승차 데이터를 전송할 수 있다. 한편, 승차 데이터를 수신한 서버(100)는 태그된 교통카드의 카드번호를 인식하여, 사용자를 인식하고, 사용자의 사용자 단말(200)로 맞춤형 서비스 정보를 전송할 수 있다. 다만, 이에 한정되는 것은 아니다.

본 개시의 몇몇 실시예들에 따른 네트워크(300)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 여기서 제시되는 네트워크(300)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시의 실시예들에 따른 네트워크(300)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(LAN: Local Area Network), 원거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.

본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

도 2는 본 개시의 몇몇 실시예에 따른 도착지 예측 기법의 일례를 설명하기 위한 흐름도이다.

도 2를 참조하면, 서버(100)의 프로세서(110)는 통신부(120)를 통해 사용자 단말(200)로부터 승차 데이터를 수신할 수 있다(S110). 여기서, 승차 데이터는 카드번호에 대한 정보, 승차 시간에 대한 정보, 승차 요일에 대한 정보 및 승차 요금에 대한 정보를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

구체적으로, 프로세서(110)는 사용자가 대중교통 이용 요금을 지불하기 위해 구비된 교통카드 단말기에 교통카드를 태그 했을 때, 사용자 단말(200)로부터 승차 데이터를 수신할 수 있다. 즉, 승차 데이터를 서버(100)로 전송하는 사용자 단말(200)은 교통카드 기능이 내장된 스마트폰 일 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 서버(100)의 프로세서(110)는 승차 데이터에 기초하여, 사용자 단말(200)의 사용자를 인식할 수 있다(S120). 구체적으로, 프로세서(110)는 승차 데이터에 포함된 카드번호를 이용하여, 사용자 단말(200)의 사용자를 인식할 수 있다. 추가로, 프로세서(110)는 승차 데이터를 전송한 사용자 단말(200)을 인식하여, 사용자 단말(200)의 사용자를 인식할 수도 있다. 다만, 이에 한정되는 것은 아니다.

서버(100)의 프로세서(110)는 메모리(130)에 저장된 복수의 거점 인식 모델 중 사용자와 관련된 거점 인식 모델을 인식할 수 있다. 그리고, 프로세서(110)는 인식된 거점 인식 모델에 승차 데이터에 포함된 승차 지점 정보를 입력하여, 승차 데이터와 관련된 거점 정보를 획득할 수 있다(S130). 여기서, 거점 정보는 승차 지점이 속한 거점 그룹에 대한 정보, 승차 지점이 속한 거점 그룹의 성격에 대한 정보를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 거점 인식 모델은 프로세서(110)를 통해 실행되는 거점 인식 모델 구축 단계들에 의해 구축될 수 있다. 구체적으로, 거점 인식 모델은 사용자의 대중교통 이용 데이터에서 최초 승차 지점 및 최종 하차 지점을 추출하고, 추출된 복수의 지점들을 클러스터링 하여 적어도 두 개의 그룹을 획득할 수 있다. 그리고, 기 설정된 룰을 이용하여, 적어도 두 개의 그룹 각각에 대한 성격을 인식할 수 있다.

이하, 서버(100)의 프로세서(110)가 사용자의 거점 정보를 획득하는 방법(또는, 거점 인식 모델을 구축하는 방법)에 대한 설명은 도 5를 참조하여 후술한다.

서버(100)의 프로세서(110)는 메모리(130)에 저장된 복수의 도착지 예측 모델 중 사용자와 관련된 도착지 예측 모델을 인식할 수 있다. 그리고, 프로세서(110)는 도착지 예측 모델에 거점 정보 및 승차 데이터를 입력하여, 사용자의 하차 데이터를 획득할 수 있다(S140). 여기서, 도착지 예측 모델에 입력되는 승차 데이터는 승차 지점 정보, 시간 정보 및 요일 정보를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

본 개시의 추가적인 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 사용자의 하차 데이터에 포함된 하차 지점을 인식할 수 있다. 그리고, 프로세서(110)는 하차 지점에 기초하여, 맞춤형 서비스 정보를 사용자 단말(200)로 전송할 수 있다. 여기서, 맞춤형 서비스 정보는, 하차 지점으로부터 기 설정된 거리 내에 존재하는 적어도 하나의 상점으로부터 수신된 광고 정보 또는 할인 정보 중 적어도 하나를 포함하는 상점 정보 또는 하차 지점을 포함하는 지역과 관련된 행정 기관으로부터 수신된 지역 정보 또는 사전 설정된 마케팅 정보 중 적어도 하나를 포함할 수 있다.

예를 들어, 서버(100)의 프로세서(110)는 하차 지점으로부터 기 설정된 거리 내에 존재하는 카페로부터 수신된 광고 정보 또는 할인 정보를 적어도 하나를 포함하는 상점 정보를 사용자 단말(200)로 전송할 수 있다. 여기서, 상점 정보는 제 1 그룹의 성격이 근무지인 경우, 하차 지점 주변의 식당에서 이용 가능한 할인 쿠폰, 하치 지점 주변의 카페에서 이용 가능한 커피 쿠폰을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

다른 예를 들어, 서버(100)의 프로세서(110)는 하차 지점을 포함하는 지역과 관련된 행정 기관인 시청으로부터 수신된 지역 정보를 사용자 단말(200)로 전송할 수 있다. 여기서, 지역 정보는 해당 지역의 감염병 발생 동향에 대한 정보, 해당 지역의 교통통제 구역 정보 및 해당 지역의 거주민 대상 설문 요청 정보 등을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

또 다른 예를 들어, 서버(100)의 프로세서(110)는 하차 지점에 대응하여, 광고주 업체 단말 또는 서버로부터 수신된 마케팅 정보를 사용자 단말(200)로 전송할 수 있다. 여기서, 마케팅 정보는 광고주가 광고하고자 하는 다양한 광고들을 포함할 수 있다. 예를 들어, 마케팅 정보는 하차 지점 주변의 부동산을 광고하는 정보일 수 있다. 다만, 이에 한정되는 것은 아니다.

도 1의 설명에서 상술한 바와 같이 도착지 예측 모델은, 도착지 예측 모델의 학습 과정에서, 사용자와 관련된 학습용 승차 데이터에 사용자와 관련된 학습용 하차 데이터를 라벨링하여 생성된 학습용 데이터를 포함하는 학습 데이터 세트를 이용하여 학습될 수 있다. 여기서, 학습용 승차 데이터는 제 1 위치 정보 및 제 1 역 정보를 포함하고, 학습용 하차 데이터는 제 2 위치 정보 및 제 2 역 정보를 포함할 수 있다.

본 개시의 몇몇 실시예에 따르면, 도착지 예측 모델은 상술한 바와 같이, 복수의 사용자 별로 서버(100)의 메모리(130)에 사전 저장될 수 있다. 즉, 본 개시의 도착지 예측 모델은 사용자 개별 모델일 수 있다.

상기와 같이 사용자 개별로 생성된 도착지 예측 모델의 학습 시간은 복수의 사용자 그룹별로 생성된 도착지 예측 모델에 비해 단축될 수 있다. 또한, 사용자 개별로 생성된 도착지 예측 모델의 크기(용량)는 복수의 사용자 그룹별로 생성된 도착지 예측 모델에 비해 작아질 수 있다. 또한, 사용자 개별로 생성된 도착지 예측 모델의 정확도는 복수의 사용자 그룹별로 생성된 도착지 예측 모델에 비해 높아질 수 있다.

이하, 사용자 개별로 생성된 도착지 예측 모델과 사용자 그룹별로 생성된 도착지 예측 모델 각각의 정확도, 크기, 학습시간 및 높은 정확도 구간 점유율에 대한 설명은 도 3 및 도 4를 참조하여 후술한다.

일반적으로, 대중교통의 종류에 따라 위치 정보는 동일하고, 역 정보가 상이한 역이 존재할 수 있다.

예를 들어, 대중교통인 지하철, 시외버스, 시내버스 및 마을버스 등과 같은 대중교통의 종류에 따라 '강남역 부근'이라는 위치 정보는 동일하고, '지하철 강남역', '시내버스 강남역'및 '마을버스 강남역'과 같이 역정보가 상이할 수 있다.

한편, 서버(100)는 위치 정보가 동일한 복수의 역들 중 사용자가 자주 이용하는 특정 역을 인식하는 경우, 사용자 맞춤형 서비스를 제공하기 용이할 수 있다.

따라서, 서버(100)의 프로세서(110)는 상기 도착지 예측 모델이 학습되기 전에, 상기 학습용 승차 데이터 중 제 1 위치 정보가 동일하고, 제 1 역 정보가 상이한 미처리 승차 데이터에서 출현 횟수가 가장 많은 제 1 최다 출현 역 정보를 인식할 수 있다. 그리고, 프로세서(110)는 미처리 승차 데이터의 제 1 역 정보를 제 1 최다 출현 역 정보로 변경할 수 있다.

또한, 프로세서(110)는 학습용 하차 데이터 중 제 2 위치 정보가 동일하고, 제 2 역 정보가 상이한 미처리 하차 데이터에서 출현 횟수가 가장 많은 제 2 최다 출현 역 정보를 인식할 수 있다. 그리고, 프로세서(110)는 미처리 하차 데이터의 제 2 역 정보를 제 2 최다 출현 역 정보로 변경할 수 있다.

여기서, 제 1 위치 정보 및 제 2 위치 정보 각각은 특정 명칭(예컨대, 강남역)을 갖도록 설정된 대중교통 역들을 포함하는 지도 상의 반경에 대한 정보일 수 있다. 또한, 제 1 역 정보는 상기 특정 명칭에 대한 정보 및 상기 특정 명칭을 갖는 대중교통의 종류에 대한 정보를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

즉, 서버(100)의 프로세서(110)는 제 1 최다 출현 역 정보 및 제 2 최다 출현 역 정보를 통해, 사용자가 자주 사용하는 역을 인식할 수 있다.

따라서, 본 개시의 몇몇 실시예에 따른 서버(100)는 사용자가 자주 사용하는 역에 기반한 맞춤형 서비스를 제공할 수 있다.

도 3 및 도 4는 본 개시의 몇몇 실시예에 따른 도착지 예측 모델을 설명하기 위한 표이다.

본 개시의 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 대중교통 데이터를 이용하여, 도착지 예측 모델을 학습시킬 수 있다.

구체적으로, 프로세서(110)는 개인별 대중교통 이용 데이터를 이용하여, 도착지 예측 모델을 학습시킬 수 있다. 또한, 프로세서(110)는 복수의 사용자 그룹별 대중교통 이용 데이터를 이용하여, 도착지 예측 모델을 학습시킬 수 있다.

도 3을 참조하면, 사용자 개인별 또는, 시간대별 사용자 그룹 각각을 대상으로 학습된 도착지 예측 모델 각각의 정확도, 크기 및 학습 시간을 나타낸 표이다.

서버(100)의 프로세서(110)는 6시간 분할 그룹, 3시간 분할 그룹 및 개인별로 도착지 예측 모델을 학습시킬 수 있다. 여기서, 6시간 분할 그룹 및 3시간 분할 그룹 각각은 이동하는 패턴이 유사한 사용자들을 그룹화 하고, 도착지 예측 모델을 생성하는데 고려된 대상일 수 있다. 예를 들어, 6시간 분할 그룹은 하루인 24시간을 04~10시, 10~16시, 16~22시 및 22~04시로 분할하고, 분할된 시간대 별로 유사한 이동 패턴을 갖는 사람용자들의 그룹일 수 있다. 또한, 3시간 분할 그룹은 하루인 24시간을 04~07시, 07~10시, 10~13시, 13~16시, 16~19시, 19~22시, 22~01시 및 01~04시 로 분할하고, 분할된 시간대 별로 유사한 이동 패턴을 갖는 사람용자들의 그룹일 수 있다. 다만, 이에 한정되는 것은 아니다.

도시된 표를 참조하면, 6시간 분할 그룹으로 학습된 도착지 예측 모델에 대하여, 정확도의 최대 값은 85.71%, 최소 값은 19.01%, 평균 값은 37.92%, 중간 값은 37.59%가 도출되었다. 또한, 3시간 분할 그룹으로 학습된 도착지 예측 모델 대하여, 정확도의 최대 값은 100%, 최소 값은 0%, 평균 값은 40.22%, 중간 값은 38.69%가 도출되었다. 그리고, 개인 별로 학습된 도착지 예측 모델에 대하여, 정확도의 최대 값은 100%, 최소 값은 0%, 평균 값은 44.2%, 중간 값은 44.44%가 도출되었다.

구체적으로, 도 4를 참조하면, 사용자 개인별 또는, 시간대별 사용자 그룹 각각을 대상으로 학습된 도착지 예측 모델 각각의 정확도 구간 별 사용자 분포수를 나타낸 표이다. 여기서, 예측 정확도의 비교대상인 총 사용자수는 약 93만명이다.

도시된 표에서 예측의 정확도가 유효하다고 판단되는 70 내지 100의 정확도를 갖는 사용자의 분포 비율을 살펴보면, 6시간 분할 그룹으로 학습된 도착지 예측 모델에 대하여, 약 93만명의 사용자들 중 70 내지 100의 정확도를 갖는 사용자는 약 9만7천명으로, 10.38%의 비율이 도출되었다. 또한, 3시간 분할 그룹으로 학습된 도착지 예측 모델에 대하여, 약 93만명의 사용자들 중 70 내지 100의 정확도를 갖는 사용자는 약 11만6천명으로, 12.3%의 비율이 도출되었다. 또한, 개인별로 학습된 도착지 예측 모델에 대하여, 약 93만명의 사용자들 중 70 내지 100의 정확도를 갖는 사용자는 약 17만2천명으로, 18.21%의 비율이 도출되었다.

즉, 본 개시의 몇몇 실시예에 따른 서버(100)의 프로세서(110)가 이용하는 개인별로 학습된 도착지 예측 모델은 다른 모델들보다 상대적으로 높은 정확도를 가지며, 유효하다고 판단되는 정확도 분포 비율 또한 다른 모델들 보다 상대적으로 크다.

다시 도 3을 참조하면, 6시간 분할 그룹으로 학습된 도착지 예측 모델에 대하여, 모델의 크기는 그룹별로 0.15G 내지 20G를 갖고(즉, 전체 그룹(1448개)의 경우, 217G 내지 2896G의 크기를 가짐), 학습 시간은 13시간이 소요된다. 반면, 개인 별로 학습된 도착지 예측 모델에 대하여, 각 개인 별 모델의 크기의 총 합은 86G이고, 각 개인별 모델의 총 학습 시간은 56분이 소요된다.

즉, 6시간 분할 그룹 또는, 3시간 분할 그룹으로 학습된 도착지 예측 모델은 긴 학습 시간과 큰 용량을 요구하여, 실시간 서비스에 적합하지 않을 수 있다. 반면, 본 개시의 몇몇 실시예에 따른 서버(100)가 이용하는 개인별로 학습된 도착지 예측 모델은 다른 모델들 보다 학습 시간이 짧고, 메모리(130)에서 상대적으로 작은 용량을 차지하기 때문에 실시간 서비스에 보다 적합할 수 있다.

도 5는 본 개시의 몇몇 실시예에 따른 적어도 두 개의 거점 그룹을 획득하는 방법의 일례를 설명하기 위한 흐름도이다. 도 6은 본 개시의 몇몇 실시예에 따른 적어도 두 개의 거점 그룹을 설명하기 위한 도면이다. 도 7은 본 개시의 몇몇 실시예에 따른 비지도 학습 모델이 최종 지점들을 클러스터링 하는 일례 설명하기 위한 도면이다.

도 5를 참조하면, 서버(100)의 프로세서(110)는 사용자와 관련된 대중교통 이용 데이터를 이용하여, 복수의 승차 지점 및 복수의 하차 지점을 인식할 수 있다(S210). 여기서, 사용자와 관련된 대중교통 이용 데이터는 승차 지점 정보, 승차 시간 정보, 승차 요일 정보, 환승 지점 정보, 환승 시간 정보, 환승 요일 정보, 하차 지점 정보, 하차 시간 정보 및 하차 요일 정보 중 적어도 하나를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

서버(100)의 프로세서(110)는 복수의 승차 지점 및 복수의 하차 지점에서 적어도 하나의 환승 지점을 제외한 적어도 하나의 최초 승차 지점 및 적어도 하나의 최종 하차 지점을 인식할 수 있다(S220). 그리고, 프로세서(110)는 적어도 하나의 최초 승차 지점과 적어도 하나의 최종 하차 지점을 비지도 학습 모델을 통해 클러스터링 하여, 적어도 두 개의 그룹을 획득할 수 있다(S230).

도 6을 참조하면, 도시된 바와 같이, 서버(100)의 프로세서(110)는 비지도 학습 모델을 이용하여, 지도(10) 상에서 최종 지점들을 클러스터링 하여, 복수 개의 거점 그룹(11~14)을 인식할 수 있다.

본 개시의 비지도 학습 모델은 적어도 하나의 최초 승차 지점과 적어도 하나의 최종 하차 지점 중에서 조합 가능한 지점 쌍들 각각에 대하여 거리를 산출할 수 있다. 또한, 비지도 학습 모델은 산출된 거리들을 이용하여 밀도 기반 공간 클러스터링 기법에 따라 적어도 하나의 최초 승차 지점과 적어도 하나의 최종 하차 지점을 클러스터링 할 수 있다.

구체적으로, 본 개시의 비지도 학습 모델은 최종 지점들 중 임의의 지점을 선택할 수 있다. 그리고, 비지도 학습 모델은 선택한 임의의 지점, 임계 반경 및 동일 거점 그룹에 속할 수 있는 최종 지점들의 최소 개수를 이용하여 최종 지점들을 적어도 두 개의 거점 그룹으로 클러스터링 할 수 있다. 여기서, 임계 반경과 최소 개수는 프로세서(110)가 결정하거나, 사전 설정되어 메모리(130)에 저장되어 있거나, 또는 통신부(120)를 통해 관리자 단말로부터 수신될 수 있다.

이하, 도 7의 각 도면을 참고하여 좀더 구체적으로 설명한다. 여기서, 도 7은 설명의 편의를 위해 하나의 거점 그룹이 클러스터링 되는 일례를 도시하였다.

먼저, 도 7의 (a)를 참조하면, 비지도 학습 모델은 최종 지점들 중 임의의 제 1 지점(21)을 선택할 수 있다. 또한, 비지도 학습 모델은 제 1 지점(21)을 기준으로 임계 반경(eps: epsilon) 보다 짧은 거리만큼 떨어진 위치에 존재하는 다른 최종 지점들의 개수가 최소 개수 이상인지 여부를 인식할 수 있다.

비지도 학습 모델은 제 1 지점(21)을 기준으로 임계 반경(eps) 보다 짧은 거리만큼 떨어진 위치에 존재하는 다른 최종 지점들(22~25)의 개수가 최소 개수(예컨대, 3개) 이상인 경우, 제 1 지점(21)을 제 1 서브 거점 그룹의 제 1 코어 지점으로 지정할 수 있다. 또한, 비지도 학습 모델은 제 1 코어 지점으로부터 임계 반경 보다 짧은 거리만큼 떨어진 위치에 존재하는 다른 최종 지점들(22~25)을 적어도 하나의 보더 지점으로 지정할 수 있다. 그리고, 비지도 학습 모델은 제 1 코어 지점 및 적어도 하나의 보더 지점을 제 1 서브 거점 그룹으로 클러스터링 할 수 있다.

한편, 비지도 학습 모델은 제 1 서브 거점 그룹에 포함된 지점들 중에서 제 1 코어 지점이 아닌 나머지 지점들 각각을 기준으로 임계 반경(eps) 보다 짧은 거리만큼 떨어진 위치에 존재하는 다른 최종 지점들의 개수가 최소 개수 이상인지 여부를 인식할 수 있다.

일례로, 도 7의 (b)를 참조하면, 비지도 학습 모델은 제 1 서브 거점 그룹에 포함된 제 2 지점(24) 또는, 제 3 지점(25)을 기준으로 임계 반경(eps) 보다 짧은 거리만큼 떨어진 위치에 존재하는 다른 최종 지점들의 개수가 2개 인 것을 인식할 수 있다. 즉, 비지도 학습 모델은 제 2 지점(24) 또는 제 3 지점(25)을 기준으로 임계 반경(eps) 보다 짧은 거리만큼 떨어진 위치에 존재하는 다른 최종 지점들의 개수가 최소 개수(예를 들어, 3 개라고 가정하면) 미만인 것을 인식할 수 있다. 이 경우, 비지도 학습 모델은 제 2 지점(24) 또는 제 3 지점(25)을 보더 지점으로 지정할 수 있다.

즉, 본 개시의 보더 지점은 최종 지점들 중에서 자신을 기준으로 임계 반경 보다 짧은 거리 내에 존재하는 다른 지점의 개수가 최소 개수 미만이고, 적어도 하나의 코어 지점 중 어느 하나로부터 임계 반경 보다 짧은 거리 내에 존재하는 경우 지정될 수 있다.

다른 일례로, 도 7의 (c)를 참조하면, 비지도 학습 모델은 제 1 서브 거점 그룹에 포함된 제 4 지점(22) 또는, 제 5 지점(23)을 기준으로 임계 반경(eps) 보다 짧은 거리만큼 떨어진 위치에 존재하는 다른 최종 지점들의 개수가 3개 인 것을 인식할 수 있다. 비지도 학습 모델은 제 4 지점(22) 또는 제 5 지점(23)을 기준으로 임계 반경(eps) 보다 짧은 거리만큼 떨어진 위치에 존재하는 다른 최종 지점들의 개수가 최소 개수(예를 들어, 3 개라고 가정하면) 이상인 것을 인식할 수 있다. 이 경우, 비지도 학습 모델은 제 4 지점(22) 또는 제 5 지점(23)을 코어 지점으로 지정할 수 있다.

구체적으로, 비지도 학습 모델은 제 4 지점(22)을 제 2 서브 거점 그룹의 제 2 코어 지점으로 지정할 수 있다. 또한, 비지도 학습 모델은 제 2 코어 지점으로부터 임계 반경 보다 짧은 거리만큼 떨어진 위치에 존재하는 다른 최종 지점들을 적어도 하나의 보더 지점으로 지정할 수 있다. 그리고, 비지도 학습 모델은 제 2 코어 지점 및 적어도 하나의 보더 지점을 제 2 서브 거점 그룹으로 클러스터링 할 수 있다.

또한, 비지도 학습 모델은 제 5 지점(23)을 제 3 서브 거점 그룹의 제 3 코어 지점으로 지정할 수 있다. 또한, 비지도 학습 모델은 제 3 코어 지점으로부터 임계 반경 보다 짧은 거리만큼 떨어진 위치에 존재하는 다른 최종 지점들을 적어도 하나의 보더 지점으로 지정할 수 있다. 그리고, 비지도 학습 모델은 제 3 코어 지점 및 적어도 하나의 보더 지점을 제 3 서브 거점 그룹으로 클러스터링 할 수 있다.

즉, 본 개시의 코어 지점은 최종 지점들 중에서 자신을 기준으로 임계 반경 보다 짧은 거리 내에 존재하는 다른 지점의 개수가 최소 개수 이상인 경우 지정될 수 있다.

본 개시의 몇몇 실시예에 따르면, 서로 공유하는 지점(코어 지점 또는 보더 지점)을 갖는 제 1 서브 거점 그룹, 제 2 서브 거점 그룹 및 제 3 서브 거점 그룹 각각은 하나의 거점 그룹으로 클러스터링 될 수 있다. 즉, 본 개시의 비지도 학습 모델은 클러스터의 밀도에 따라 클러스터를 서로 연결하기 때문에, 기하학적인 모양을 갖는 클러스터도 찾을 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 도 7의 (d)를 참조하면, 비지도 학습 모델은 노이즈 지점을 지정할 수 있다.

구체적으로, 비지도 학습 모델은 최종 지점들 중 거점 그룹에 포함되지 않은 제 6 지점(26)을 선택할 수 있다. 그리고, 비지도 학습 모델은 제 6 지점(26)을 기준으로 임계 반경(eps) 보다 짧은 거리만큼 떨어진 위치에 존재하는 다른 최종 지점들의 개수가 최소 개수 미만이라고 인식하고, 제 6 지점(26)이 적어도 하나의 코어 지점 각각으로부터 임계 반경(eps) 보다 먼 거리에 존재하는 것을 인식할 수 있다. 이 경우, 비지도 학습 모델은 제 6 지점(26)을 노이즈 지점으로 지정할 수 있다.

즉, 본 개시의 노이즈 지점은 최종 지점들 중에서 적어도 두 개의 거점 그룹에 포함되지 않고, 자신을 기준으로 임계 반경 보다 짧은 거리 내에 존재하는 다른 지점의 개수가 최소 개수 미만이고, 적어도 하나의 코어 지점 각각으로부터 임계 반경 보다 먼 거리에 존재하는 지점일 수 있다.

도 7의 (e)를 참조하면, 본 개시의 비지도 학습 모델이 클러스터링한 거점 그룹(30)의 일례를 도시한다.

상술한 바와 같이, 거점 그룹(30)은 서로 공유하는 지점(코어 지점 또는 보더 지점)을 갖는 제 1 서브 거점 그룹, 제 2 서브 거점 그룹 및 제 3 서브 거점 그룹들로 구성될 수 있다.

즉, 거점 그룹(30)은 서브 거점 그룹 각각의 적어도 하나의 코어 지점(31)과 서브 거점 그룹 각각의 적어도 하나의 보더 지점(32)을 포함할 수 있다. 한편, 비지도 학습 모델에 의해 지정된 노이즈 지점(33)은 거점 그룹(30)에 포함되지 않을 수 있다.

본 개시의 비지도 학습 모델은 상술한 방식을 통해 사용자의 승하차 지점에 기반한 적어도 두 개의 거점 그룹을 클러스터링 할 수 있다. 여기서, 적어도 두 개의 거점은 서버(100)가 사용자의 도착지를 예측하거나, 사용자 맞춤형 정보를 사용자에게 제공할 때 사용될 수 있다.

한편, 제 1 거점 그룹(11), 제 2 거점 그룹(12), 제 3 거점 그룹(13) 및 제 4 거점 그룹(14) 각각은 서버(100)에 의해 기 설정된 룰을 통해 성격이 결정될 수 있다.

다시 도 5를 참조하면, 서버(100)의 프로세서(110)는 기 설정된 룰을 이용하여, 적어도 두 개의 거점 그룹 각각에 대한 성격을 인식할 수 있다(S240).

구체적으로, 프로세서(110)는 적어도 두 개의 거점 그룹 각각에 대하여, 기 설정된 성격과 관련된 스코어를 산출할 수 있다. 그리고, 프로세서(110)는 산출된 스코어에 기초하여, 적어도 두 개의 거점 그룹 각각에 대한 성격을 인식할 수 있다.

추가적으로, 프로세서(110)는 인식된 성격을 적어도 두 개의 거점 그룹 각각에 태깅하여, 메모리(130)에 저장할 수 있다.

본 개시의 추가적인 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 적어도 두 개의 거점 그룹 각각에 대한 성격에 기초하여, 맞춤형 서비스 정보를 사용자 단말(200)로 전송할 수 있다. 여기서, 맞춤형 서비스 정보는 적어도 두 개의 거점 그룹 각각에 포함된 적어도 두 개의 특정 지점 각각으로부터 기 설정된 거리 내에 존재하는 적어도 하나의 상점으로부터 수신된 광고 정보 또는 할인 정보 중 적어도 하나를 포함하는 상점 정보 또는 적어도 두 개의 특정 지점 각각을 포함하는 지역과 관련된 행정 기관으로부터 수신된 지역 정보 또는 사전 설정된 마케팅 정보 중 적어도 하나를 포함할 수 있다.

예를 들어, 프로세서(110)는 거점 그룹의 성격이 거주지인 경우, 거주지와 관련된 맞춤형 서비스 정보를 사용자 단말(200)로 전송할 수 있다. 구체적으로, 프로세서(110)는 거주지에서 유용하게 이용될 수 있는 정보를 포함하는 맞춤형 서비스 정보를 사용자 단말(200)로 전송할 수 있다. 좀더 구체적으로, 프로세서(110)는 거주지가 위치한 행정 기관인 시청으로부터 수신된 지역 정보를 사용자 단말(200)로 전송할 수 있다. 여기서, 지역 정보는 해당 지역의 감염병 발생 동향에 대한 정보, 해당 지역의 교통통제 구역 정보 및 해당 지역의 거주민 대상 설문 요청 정보 등을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

다른 예를 들어, 프로세서(110)는 거점 그룹의 성격이 근무지인 경우, 근무지와 관련된 맞춤형 서비스 정보를 사용자 단말(200)로 전송할 수 있다. 구체적으로, 프로세서(110)는 근무지에서 유용하게 이용될 수 있는 정보를 포함하는 맞춤형 서비스 정보를 사용자 단말(200)로 전송할 수 있다. 좀더 구체적으로, 프로세서(110)는 근무지로부터 기 설정된 거리 내에 존재하는 카페로부터 수신된 광고 정보 또는 할인 정보를 적어도 하나를 포함하는 상점 정보를 사용자 단말(200)로 전송할 수 있다. 여기서, 상점 정보는 제 1 그룹의 성격이 근무지인 경우, 하차 지점 주변의 식당에서 이용 가능한 할인 쿠폰, 하치 지점 주변의 카페에서 이용 가능한 커피 쿠폰을 포함할 수 있다. 즉, 프로세서(110)는 사용자가 근무지에서 자주 이용하는 카페와 관련된 상점 정보를 포함하는 맞춤형 서비스 정보를 사용자에게 제공할 수 있다. 다만, 이에 한정되는 것은 아니다.

즉, 본 개시의 몇몇 실시예에 따른 서버(100)의 프로세서(110)는 사용자의 거점 그룹의 성격에 기초하여, 사용자가 거점 그룹에서 유용하게 이용 가능한 정보를 포함하는 맞춤형 서비스 정보를 제공할 수 있다.

이하, 본 개시의 몇몇 실시예에 따른 서버(100)의 프로세서(110)가 적어도 두 개의 그룹 각각에 대한 성격을 인식하는 방법에 대한 설명은 도 8 및 도 9를 참조하여 후술한다.

본 개시의 몇몇 실시예에 따르면, 도 2의 단계(S130)에서 상술한 바와 같이, 프로세서(110)는 인식된 거점 인식 모델에 승차 지점 정보를 입력하여, 승차 데이터와 관련된 거점 정보를 획득할 수 있다. 여기서, 거점 인식 모델은 프로세서(110)를 통해 실행되는 상술한 단계들(S210~S240)에 의해 구축 또는 실행될 수 있다.

구체적으로, 프로세서(110)는 거점 인식 모델에 승차 지점 정보를 입력한 경우, 거점 인식 모델을 통해 승차 지점 정보가 적어도 두 개의 거점 그룹 중 어느 그룹에 속하는지 여부를 인식할 수 있다. 그리고, 프로세서(110)는 승차 지점 정보가 속하는 그룹의 성격을 인식하여 거점 정보를 획득할 수 있다.

도 8 및 도 9는 본 개시의 몇몇 실시예에 따른 적어도 두 개의 거점 그룹의 성격을 인식하는 방법을 설명하기 위한 도면이다.

먼저, 도 8을 참조하면, 서버(100)의 프로세서(110)는 적어도 두 개의 거점 그룹 각각에 대하여, 제 1 성격과 관련된 제 1 스코어 및 제 1 성격과 다른 제 2 성격과 관련된 제 2 스코어를 산출할 수 있다(S310).

구체적으로, 프로세서(110)는 적어도 두 개의 거점 그룹 각각에 대한 그룹별 대중교통 이용 정보를 분석하여 그룹별 대중교통 이용 정보의 최초 승차 지점, 최초 승차 시간, 최종 하차 지점 및 최종 하차 시간을 인식할 수 있다. 그리고, 프로세서(110)는 그룹별 대중교통 이용 정보의 최초 승차 지점, 최초 승차 시간, 최종 하차 지점 및 최종 하차 시간이 기 설정된 조건을 만족하는지 여부에 기초하여, 적어도 두 개의 거점 그룹 각각의 제 1 스코어에 기 설정된 값을 가산할 수 있다.

또한, 프로세서(110)는 적어도 두 개의 거점 그룹 각각에 대한 그룹별 대중교통 이용 정보를 분석하여 그룹별 대중교통 이용 정보의 중간 승차 지점, 중간 승차 시간, 중간 하차 지점 및 중간 하차 시간을 인식할 수 있다. 그리고, 프로세서(110)는 중간 승차 지점, 중간 승차 시간, 중간 하차 지점 및 중간 하차 시간이 기 설정된 조건을 만족하는지 여부에 기초하여, 적어도 두 개의 거점 그룹 각각의 제 2 스코어에 기 설정된 값을 가산할 수 있다.

예를 들어, 서버(100)의 프로세서(110)가 적어도 두 개의 거점 그룹 각각의 스코어에 기 설정된 값을 가산하는 방법에 대하여 도 9를 참조하여 설명하면, 이하와 같다.

먼저, 도 9의 (a)를 참조하면, 서버(100)의 프로세서(110)는 특정 지점에서의 최초 승차 및 최종 하차와 관련된 정보를 이용하여 제 1 성격과 관련된 제 1 스코어를 산출할 수 있다. 여기서, 제 1 성격은 예를 들어, 거주지일 수 있다. 다만, 이에 한정되는 것은 아니다.

예를 들어, 서버(100)의 프로세서(110)는 A 그룹에 포함된 최초 승차 지점과 D 그룹에 포함된 최종 하차 지점이 동일한 경우, A 그룹 및 D 그룹의 제 1 성격과 관련된 제 1 스코어에 기 설정된 값 1을 가산할 수 있다. 이 경우, 프로세서(110)는 중간 하차 지점 및 중간 승차 지점을 포함하는 B 그룹 및 C 그룹은 무시할 수 있다. 여기서, 프로세서(110)는 A 그룹 및 D 그룹에 대하여, 동일한 조건이 3일간 만족되는 경우, A 그룹 및 D 그룹의 제 1 성격과 관련된 제 1 스코어에 기 설정된 값 1의 3배인 3을 가산할 수 있다. 또한, A 그룹 및 D 그룹은 동일한 그룹일 수 있다. 다만, 이에 한정되는 것은 아니다.

다른 예를 들어, 서버(100)의 프로세서(110)는 A 그룹 포함된 최초 승차 지점에서 승차한 후, B 그룹에 포함된 다른 지점에서 기 설정된 시간(예컨대, 4시간)동안 머문 후, A 그룹에 포함된 최초 승차 지점에서 하차하는 경우, A 그룹의 제 1 성격과 관련된 제 1 스코어에 기 설정된 값 1을 가산할 수 있다. 여기서, 프로세서(110)는 A 그룹에 대하여, 동일한 조건이 2일간 만족되는 경우, A 그룹의 제 1 성격과 관련된 제 1 스코어에 기 설정된 값 1의 2배인 2를 가산할 수 있다. 다만, 이에 한정되는 것은 아니다.

또 다른 예를 들어, 서버(100)의 프로세서(110)는 기 설정된 시각(예컨대, 오전 10시) 이전에 A 그룹에 포함된 최초 승차 지점에서 승차한 후, 기 설정된 시간(예컨대, 2시간) 이내에 B 그룹에 포함된 다른 지점에서 하차한 경우, A 그룹의 제 1 성격과 관련된 제 1 스코어에 기 설정된 값 1을 가산할 수 있다. 여기서, 프로세서(110)는 A 그룹에 대하여, 동일한 조건이 5일간 만족되는 경우, A 그룹의 제 1 성격과 관련된 제 1 스코어에 기 설정된 값 1의 5배인 5를 가산할 수 있다. 다만, 이에 한정되는 것은 아니다.

도 9의 (b)를 참조하면, 서버(100)의 프로세서(110)는 특정 지점에서의 중간 승차 및 중간 하차와 관련된 정보를 이용하여 제 2 성격과 관련된 제 2 스코어를 산출할 수 있다. 여기서, 제 2 성격은 예를 들어, 근무지일 수 있다. 다만, 이에 한정되는 것은 아니다.

예를 들어, 서버(100)의 프로세서(110)는 B 그룹에 포함된 중간 하차 지점에서 하차하고, C 그룹에 포함된 중간 승차 지점에서 승차한 시간 간격이 기 설정된 시간(예컨대, 4시간) 이상인 경우, B 그룹 및 C 그룹의 제 2 성격과 관련된 제 2 스코어에 기 설정된 값 1을 가산할 수 있다. 여기서, 프로세서(110)는 B 그룹 및 C 그룹에 대하여, 동일한 조건이 3일간 만족되는 경우, B 그룹 및 C 그룹의 기 설정된 값 1의 3배인 3을 가산할 수 있다. 또한, B 그룹 및 C 그룹은 동일한 그룹일 수 있다. 다만, 이에 한정되는 것은 아니다.

다른 예를 들어, 서버(100)의 프로세서(110)는 C 그룹에 포함된 중간 승차 지점에서 D 그룹에 포함된 최종 하차 지점 까지의 이동 시간이 기 설정된 시간(예컨대, 2시간) 이내이고, 최종 하치 지점에서의 하차 시간이 기 설정된 시각(예컨대, 오후 5시) 이후인 경우, C 그룹의 제 2 성격과 관련된 제 2 스코어에 기 설정된 값 1을 가산하고, D 그룹의 제 1 성격과 관련된 제 1 스코어에 기 설정된 값 1을 가산할 수 있다. 다만, 이에 한정되는 것은 아니다.

또 다른 예를 들어, 서버(100)의 프로세서(110)는 A 그룹에 포함된 최초 승차 지점에서 B 그룹에 포함된 중간 하차 지점 까지의 이동 시간이 기 설정된 시간(예컨대, 2시간) 이내이고, 최초 승차 지점에서의 승차 시간이 기 설정된 시각(예컨대, 오전 10시) 이전인 경우, B 그룹의 제 2 성격과 관련된 제 2 스코어에 기 설정된 값 1을 가산하고, A 그룹의 제 1 성격과 관련된 제 1 스코어에 기 설정된 값 1을 가산할 수 있다. 다만, 이에 한정되는 것은 아니다.

다시 도 8을 참조하면, 서버(100)의 프로세서(110)는 적어도 두 개의 거점 그룹 각각의 제 1 스코어의 크기와 제 2 스코어의 크기에 기초하여, 두 개의 거점 그룹 각각에 대한 성격을 인식할 수 있다(S320).

구체적으로, 프로세서(110)는 제 1 스코어의 크기가 기 설정된 값을 초과하고 제 2 스코어의 크기가 기 설정된 값을 초과하지 않는 그룹은 제 1 성격(예컨대, 거주지)으로 인식할 수 있다. 또한, 프로세서(110)는 제 1 스코어의 크기가 기 설정된 값을 초과하지 않고 제 2 스코어의 크기가 기 설정된 값을 초과하는 그룹은 제 2 성격(예컨대, 근무지)으로 인식할 수 있다. 또한, 프로세서(110)는 제 1 스코어의 크기와 제 2 스코어의 크기가 기 설정된 값을 초과하지 못하는 그룹은 제 3 성격(예컨대, 거주지 또는 근무지가 아닌 기타 거점)으로 인식할 수 있다.

한편, 프로세서(110)는 제 1 스코어의 크기 및 제 2 스코어의 크기 각각이 동일한 미처리 그룹이 존재하는 경우, 기 설정된 성격으로 미처리 그룹의 성격을 결정할 수 있다.

예를 들어, 프로세서(110)는 특정 그룹의 제 1 스코어와 제 2 스코어가 동일한 경우, 상기 특정 그룹의 성격을 거주지로 결정할 수 있다. 다른 예를 들어, 특정 그룹의 제 1 스코어와 제 2 스코어가 동일한 경우, 상기 특정 그룹의 성격을 근무지로 결정할 수 있다.

즉, 프로세서(110)는 특정 그룹에 대하여, 특정 성격과 관련된 스코어에 대하여 우선 순위를 부여할 수 있다. 다만, 이에 한정되는 것은 아니다.

다른 한편, 프로세서(110)는 제 1 스코어의 크기 및 제 2 스코어의 크기 각각이 기 설정된 값을 초과하는 미처리 그룹이 존재하는 경우, 제 1 스코어 및 제 2 스코어 중 크기가 큰 스코어를 인식할 수 있다. 그리고, 크기가 큰 스코어와 관련된 성격으로 미처리 그룹의 성격을 결정할 수도 있다. 다만, 이에 한정되는 것은 아니다.

상술한 바와 같이, 제 1 스코어 및 제 2 스코어 각각의 크기는 서버(100)의 프로세서(110)에 의해 기 설정된 값과 비교되며, 거점 그룹의 성격을 판단하기 위한 값으로 이용될 수 있다. 또한, 거점 그룹과 관련된 제 1 성격 및 제 2 성격과 상이한 제 3 성격을 판단하기 위한 제 3 스코어가 존재할 수도 있다. 다만, 이에 한정되는 것은 아니다.

따라서, 본 개시의 몇몇 실시예에 따른 서버(100)의 프로세서(110)는 서로 다른 성격 각각에 대한 스코어를 통해 적어도 두 개의 거점 그룹 각각에 대응하는 성격을 인식하여, 보다 정확하게 각 그룹의 성격을 인식할 수 있다.

또한, 프로세서(110)는 인식된 거점 그룹의 성격을 이용하여, 개인 맞춤형 서비스를 제공할 수 있다. 예를 들어, 프로세서(110)는 사용자가 하차할 것으로 예측되는 지점이 거주지이거나, 근무지인지 여부에 따라 상이한 서비스를 제공할 수 있다.

본 개시의 추가적인 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 특정 거점 그룹에 대하여, 제 3 성격(예컨대, 거주지 또는 근무지가 아닌 기타 거점)으로 인식할 수 있다.

이 경우, 프로세서(110)는 거점 그룹의 성격을 세분화하여 인식할 수 있다. 예를 들어, 제 3 성격을 갖는 거점 그룹에 대하여, 평일 거점, 주말 거점 또는, 요일 별 거점으로 인식할 수 있다.

자세한 예를 들어, 프로세서(110)는 제 3 성격을 갖는 거점 그룹에 대하여, 평일에 사용자가 자주 방문하는 거점을 평일 거점으로 인식할 수 있다. 또한, 제 3 성격을 갖는 거점 그룹에 대하여, 주말에 사용자가 자주 방문하는 거점을 주말 거점으로 인식할 수 있다. 다만, 이에 한정되는 것은 아니다.

따라서, 본 개시의 추가적인 몇몇 실시예에 따른 서버(100)의 프로세서(110)는 사용자가 방문하는 날짜(즉, 평일, 주말 또는, 요일 별)에 맞춘 맞춤형 서비스를 사용자에게 제공할 수 있다.

도 10은 본 개시의 몇몇 실시예에 따른 맞춤형 서비스 정보를 사용자 단말로 전송하는 방법의 일례를 설명하기 위한 흐름도이다.

도 10을 참조하면, 서버(100)의 프로세서(110)는 사용자의 하차 데이터에 포함된 하차 지점을 인식할 수 있다(S410).

여기서, 하차 데이터는 도 2의 단계(S140)에서 상술한 바와 같이, 프로세서(110)가 도착지 예측 모델에 거점 정보 및 승차 데이터를 입력하여 획득된 데이터일 수 있다. 또한, 하차 데이터는 하차 지점, 하차 지점을 포함하는 거점 그룹 및 거점 그룹의 성격을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

서버(100)의 프로세서(110)는 적어도 두 개의 거점 그룹 중 하차 지점과 관련된 제 1 그룹을 인식할 수 있다(S420).

여기서, 적어도 두 개의 거점 그룹은 도 3의 단계(S230)에서 상술한 바와 같이, 프로세서(110)가 적어도 하나의 최초 승차 지점과 적어도 하나의 최종 하차 지점을 비지도 학습 모델을 통해 클러스터링하여, 획득한 그룹일 수 있다.

서버(100)의 프로세서(110)는 제 1 그룹의 성격에 기초하여, 맞춤형 서비스 정보를 사용자 단말(200)로 전송하도록 통신부(120)를 제어할 수 있다. 여기서, 맞춤형 서비스 정보는 하차 지점으로부터 기 설정된 거리 내에 존재하는 적어도 하나의 상점으로부터 수신된 광고 정보 또는 할인 정보 중 적어도 하나를 포함하는 상점 정보 또는 하차 지점을 포함하는 지역과 관련된 행정 기관으로부터 수신된 지역 정보 또는 사전 설정된 마케팅 정보 중 적어도 하나를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

예를 들어, 서버(100)의 프로세서(110)는 하차 지점으로부터 기 설정된 거리 내에 존재하는 카페로부터 수신된 광고 정보 또는 할인 정보를 적어도 하나를 포함하는 상점 정보를 사용자 단말(200)로 전송할 수 있다. 여기서, 상점 정보는 제 1 그룹의 성격이 근무지인 경우, 하차 지점 주변의 식당에서 이용 가능한 할인 쿠폰, 하치 지점 주변의 카페에서 이용 가능한 커피 쿠폰을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

다른 예를 들어, 서버(100)의 프로세서(110)는 하차 지점을 포함하는 지역과 관련된 행정 기관인 시청으로부터 수신된 지역 정보를 사용자 단말(200)로 전송할 수 있다. 여기서, 지역 정보는 해당 지역의 감염병 발생 동향에 대한 정보, 해당 지역의 교통통제 구역 정보 및 해당 지역의 거주민 대상 설문 요청 정보 등을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

또 다른 예를 들어, 서버(100)의 프로세서(110)는 하차 지점에 대응하여, 광고주 업체 단말 또는 서버로부터 수신된 마케팅 정보를 사용자 단말(200)로 전송할 수 있다. 여기서, 마케팅 정보는 광고주가 광고하고자 하는 다양한 광고들을 포함할 수 있다. 예를 들어, 마케팅 정보는 하차 지점 주변의 부동산을 광고하는 정보일 수 있다. 다만, 이에 한정되는 것은 아니다.

도 11은 본 개시의 몇몇 실시예에 따른 도착지 예측 모델의 사용 여부를 결정하는 방법을 설명하기 위한 흐름도이다.

도 11을 참조하면, 서버(100)의 프로세서(110)는 기 설정된 기간(예컨대, 7일) 동안 하차 데이터를 획득할 수 있다. 그리고, 프로세서(110)는 기 설정된 기간(예컨대, 7일) 동안 사용자가 실제로 하차한 실제 하차 데이터를 획득할 수 있다(S510).

서버(100)의 프로세서(110)는 도착지 예측 모델로부터 획득된 하차 데이터와 실제 하차 데이터를 비교하여, 정확도를 산출할 수 있다(S520).

예를 들어, 프로세서(110)는 기 설정된 기간인 7일 동안 도착지 예측 모델을 통해 획득한 하차 데이터와 사용자 단말(200)로부터 수신된 실제 하차 데이터를 비교할 수 있다. 구체적으로, 프로세서(110)는 하차 데이터에 포함된 제 1 하차 지점과 실제 하차 데이터에 포함된 제 2 하차 지점이 일치한 횟수를 총 하차 횟수로 나누어 도착지 예측 모델의 정확도를 산출할 수 있다. 예를 들어, 제 1 하차 지점과 제 2 하차 지점이 일치한 횟수가 7회이고, 총 하차 횟수가 10회인 경우, 7을 10으로 나눈 0.7이 도착지 예측 모델의 정확도일 수 있다.

한편, 서버(100)의 프로세서(110)는 정확도가 기 설정된 값 미만인지 여부에 기초하여, 도착지 예측 모델의 사용 여부를 결정할 수 있다.

일례로, 서버(100)의 프로세서(110)는 정확도가 기 설정된 값 미만인 경우(S530, Yes), 사용자와 관련된 도착지 예측 모델을 사용하지 않는 것으로 결정할 수 있다. 그리고, 프로세서(110)는 도착지 예측 모델을 다시 학습시키기 위해 기 설정된 추가 학습 기간 동안 사용자의 대중교통 이용 데이터를 수집할 수 있다(S540).

그리고, 프로세서(110)는 추가 학습 기간 동안 수집된 사용자의 대중교통 이용 데이터를 이용하여, 도착지 예측 모델을 다시 학습시킬 수 있다. 또한, 프로세서(110)는 도착지 예측의 오류를 방지하기 위해 추가 학습 기간 동안, 도착지 예측과 관련된 서비스를 제공하지 않을 수 있다. 이 경우, 프로세서(110)는 대중교통 이용 데이터를 수집하기 위해, 대중교통을 이용해 달라는 요청 신호를 사용자 단말(200)로 전송할 수 있다. 다만, 이에 한정되는 것은 아니다.

다른 일례로, 서버(100)의 프로세서(110)는 정확도가 기 설정된 값 이상인 경우(S530, No), 사용자와 관련된 도착지 예측 모델을 계속 사용하는 것으로 결정할 수 있다(S550).

따라서, 본 개시의 몇몇 실시예에 따른 서버(100)는 도착지 예측 모델의 도착지 예측과 관련된 정확도를 주기적으로 관리할 수 있다. 또한, 본 개시의 서버(100)는 도착지 예측 모델의 도착지 예측과 관련된 정확도를 주기적으로 관리함으로써, 서비스 품질을 보존할 수 있다.

도 12는 본 개시 내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 본 명세서에서의 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다.

컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)―이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음―, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 예를 들어, USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 저장 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 저장 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 서버에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (15)

1. 컴퓨팅 장치의 프로세서에 의해 수행되는 사용자의 거점 정보를 추출하는 방법에 있어서,
   사용자와 관련된 대중교통 이용 데이터를 이용하여, 복수의 승차 지점 및 복수의 하차 지점을 인식하는 단계;
   상기 복수의 승차 지점 및 상기 복수의 하차 지점에서 적어도 하나의 환승 지점을 제외한 적어도 하나의 최초 승차 지점 및 적어도 하나의 최종 하차 지점을 인식하는 단계;
   상기 적어도 하나의 최초 승차 지점과 상기 적어도 하나의 최종 하차 지점을 비지도 학습 모델을 통해 클러스터링 하여, 적어도 두 개의 거점 그룹을 획득하는 단계;
   상기 적어도 두 개의 거점 그룹 각각에 대하여, 제 1 성격과 관련된 제 1 스코어 및 상기 제 1 성격과 다른 제 2 성격과 관련된 제 2 스코어를 산출하는 단계; 및
   상기 적어도 두 개의 거점 그룹 각각의 상기 제 1 스코어의 크기와 상기 제 2 스코어의 크기에 기초하여 상기 두 개의 거점 그룹 각각에 대한 성격을 인식하는 단계;
   를 포함하는,
   사용자의 거점 정보를 추출하는 방법.
   
2. 제 1 항에 있어서,
   상기 비지도 학습 모델은,
   상기 적어도 하나의 최초 승차 지점과 상기 적어도 하나의 최종 하차 지점 중에서 조합 가능한 지점 쌍들 각각에 대하여 거리를 산출하고,
   산출된 거리들을 이용하여 밀도 기반 공간 클러스터링 기법(DBSCAN)에 따라 상기 적어도 하나의 최초 승차 지점과 상기 적어도 하나의 최종 하차 지점을 클러스터링 하는,
   사용자의 거점 정보를 추출하는 방법.
   
3. 제 1 항에 있어서,
   상기 적어도 하나의 최초 승차 지점과 상기 적어도 하나의 최종 하차 지점을 상기 비지도 학습 모델을 통해 클러스터링 하기 위해, 동일 거점 그룹에 속할 수 있는 지점들의 최소 개수 또는 동일 거점에 속하는 지점들을 결정할 때 사용되는 임계 반경 중 적어도 하나를 결정하는,
   사용자의 거점 정보를 추출하는 방법.
   
4. 제 3 항에 있어서,
   상기 적어도 두 개의 거점 그룹 각각은,
   자신을 기준으로 상기 임계 반경 보다 짧은 거리 내에 존재하는 다른 지점의 개수가 상기 최소 개수 이상인 경우 지정되는 적어도 하나의 코어 지점; 및
   자신을 기준으로 상기 임계 반경 보다 짧은 거리 내에 존재하는 다른 지점의 개수가 상기 최소 개수 미만이고, 상기 적어도 하나의 코어 지점 중 어느 하나로부터 상기 임계 반경 보다 짧은 거리 내에 존재하는 경우 지정되는 적어도 하나의 보더 지점;
   을 포함하는,
   사용자의 거점 정보를 추출하는 방법.
   
5. 제 4 항에 있어서,
   상기 적어도 두 개의 거점 그룹 중 서로 다른 거점 그룹에 포함된 코어 지점들 각각은,
   상기 임계 반경보다 서로 먼 거리에 존재하는,
   사용자의 거점 정보를 추출하는 방법.
   
6. 제 4 항에 있어서,
   상기 적어도 하나의 최초 승차 지점과 상기 적어도 하나의 최종 하차 지점 중에서 노이즈 지점은 상기 적어도 두 개의 거점 그룹에 포함되지 않고,
   상기 노이즈 지점은,
   자신을 기준으로 상기 임계 반경 보다 짧은 거리 내에 존재하는 다른 지점의 개수가 상기 최소 개수 미만이고, 상기 적어도 하나의 코어 지점 각각으로부터 상기 임계 반경 보다 먼 거리에 존재하는 지점인,
   사용자의 거점 정보를 추출하는 방법.
   
7. 제 1 항에 있어서,
   상기 성격을 상기 적어도 두 개의 거점 그룹 각각에 태깅하여, 메모리에 저장하는 단계;
   를 더 포함하는,
   사용자의 거점 정보를 추출하는 방법.
   
8. 사용자의 거점 정보를 추출하는 컴퓨팅 장치로서, 상기 컴퓨팅 장치는,
   프로세서;
   통신부; 및
   메모리;
   를 포함하고,
   상기 프로세서는,
   사용자와 관련된 대중교통 이용 데이터를 이용하여, 복수의 승차 지점 및 복수의 하차 지점을 인식하고,
   상기 복수의 승차 지점 및 상기 복수의 하차 지점에서 적어도 하나의 환승 지점을 제외한 적어도 하나의 최초 승차 지점 및 적어도 하나의 최종 하차 지점을 인식하고,
   상기 적어도 하나의 최초 승차 지점과 상기 적어도 하나의 최종 하차 지점을 비지도 학습 모델을 통해 클러스터링 하여, 적어도 두 개의 거점 그룹을 획득하고,
   상기 적어도 두 개의 거점 그룹 각각에 대하여, 제 1 성격과 관련된 제 1 스코어 및 상기 제 1 성격과 다른 제 2 성격과 관련된 제 2 스코어를 산출하고, 그리고
   상기 적어도 두 개의 거점 그룹 각각의 상기 제 1 스코어의 크기와 상기 제 2 스코어의 크기에 기초하여 상기 두 개의 거점 그룹 각각에 대한 성격을 인식하는,
   사용자의 거점 정보를 컴퓨팅 장치.
   
9. 제 1 항에 있어서,
   상기 적어도 두 개의 거점 그룹 각각에 대하여, 제 1 성격과 관련된 제 1 스코어 및 상기 제 1 성격과 다른 제 2 성격과 관련된 제 2 스코어를 산출하는 단계는,
   상기 적어도 두 개의 거점 그룹 각각에 대한 그룹별 대중교통 이용 정보를 분석하여 상기 그룹별 대중교통 이용 정보의 최초 승차 지점, 최초 승차 시간, 최종 하차 지점 및 최종 하차 시간을 인식하는 단계;
   상기 그룹별 대중교통 이용 정보의 상기 최초 승차 지점, 상기 최초 승차 시간, 상기 최종 하차 지점 및 상기 최종 하차 시간이 기 설정된 조건을 만족하는지 여부에 기초하여, 상기 적어도 두 개의 거점 그룹 각각의 제 1 스코어에 기 설정된 값을 가산하는 단계;
   상기 적어도 두 개의 거점 그룹 각각에 대한 그룹별 대중교통 이용 정보를 분석하여 상기 그룹별 대중교통 이용 정보의 중간 승차 지점, 중간 승차 시간, 중간 하차 지점 및 중간 하차 시간을 인식하는 단계; 및
   상기 중간 승차 지점, 상기 중간 승차 시간, 상기 중간 하차 지점 및 상기 중간 하차 시간이 기 설정된 조건을 만족하는지 여부에 기초하여, 상기 적어도 두 개의 거점 그룹 각각의 제 2 스코어에 기 설정된 값을 가산하는 단계;
   를 포함하는,
   사용자의 거점 정보를 추출하는 방법.
   
10. 제 1 항에 있어서,
    상기 적어도 두 개의 거점 그룹 각각의 상기 제 1 스코어의 크기와 상기 제 2 스코어의 크기에 기초하여 상기 두 개의 거점 그룹 각각에 대한 성격을 인식하는 단계는,
    상기 제 1 스코어의 크기가 기 설정된 값을 초과하고 상기 제 2 스코어의 크기가 기 설정된 값을 초과하지 않는 그룹은 제 1 성격으로 인식하고, 상기 제 1 스코어의 크기가 상기 기 설정된 값을 초과하지 않고 상기 제 2 스코어의 크기가 상기 기 설정된 값을 초과하는 그룹은 제 2 성격으로 인식하고, 상기 제 1 스코어의 크기와 상기 제 2 스코어의 크기가 기 설정된 값을 초과하지 못하는 그룹은 제 3 성격으로 인식하는 단계;
    를 포함하는,
    사용자의 거점 정보를 추출하는 방법.
    
11. 제 1 항에 있어서,
    상기 적어도 두 개의 거점 그룹 각각의 상기 제 1 스코어의 크기와 상기 제 2 스코어의 크기에 기초하여 상기 두 개의 거점 그룹 각각에 대한 성격을 인식하는 단계는,
    상기 제 1 스코어의 크기 및 상기 제 2 스코어의 크기가 동일한 미처리 그룹이 존재하는 경우, 기 설정된 성격으로 상기 미처리 그룹의 성격을 결정하는 단계;
    를 포함하는,
    사용자의 거점 정보를 추출하는 방법.
    
12. 제 1 항에 있어서,
    상기 사용자의 승차 지점 정보를 입력 받는 경우, 상기 승차 지점 정보가 상기 적어도 두 개의 거점 그룹 중 어느 그룹에 속하는지 여부를 인식하는 단계;
    상기 승차 지점 정보가 속하는 그룹의 성격을 인식하여 거점 정보를 획득하는 단계; 및
    메모리에 저장된 복수의 도착지 예측 모델 중 상기 사용자와 관련된 도착지 예측 모델에 상기 사용자의 승차 지점과 상기 거점 정보를 입력하여, 상기 사용자의 하차 데이터를 획득하는 단계;
    를 더 포함하는,
    사용자의 거점 정보를 추출하는 방법.
    
13. 제 12 항에 있어서,
    상기 도착지 예측 모델은,
    상기 도착지 예측 모델의 학습 과정에서, 상기 사용자와 관련된 학습용 승차 데이터에 상기 사용자와 관련된 학습용 하차 데이터를 라벨링하여 생성된 학습용 데이터를 포함하는 학습 데이터 세트를 이용하여 학습되는,
    사용자의 거점 정보를 추출하는 방법.
    
14. 제 12 항에 있어서,
    상기 사용자의 하차 데이터에 포함된 하차 지점을 인식하는 단계;
    상기 적어도 두 개의 거점 그룹 중 상기 하차 지점과 관련된 제 1 그룹을 인식하는 단계; 및
    상기 제 1 그룹의 성격에 기초하여, 맞춤형 서비스 정보를 사용자 단말로 전송하는 단계;
    를 더 포함하는,
    사용자의 거점 정보를 추출하는 방법.
    
15. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은 서버의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은:
    사용자와 관련된 대중교통 이용 데이터를 이용하여, 복수의 승차 지점 및 복수의 하차 지점을 인식하는 단계;
    상기 복수의 승차 지점 및 상기 복수의 하차 지점에서 적어도 하나의 환승 지점을 제외한 적어도 하나의 최초 승차 지점 및 적어도 하나의 최종 하차 지점을 인식하는 단계;
    상기 적어도 하나의 최초 승차 지점과 상기 적어도 하나의 최종 하차 지점을 비지도 학습 모델을 통해 클러스터링 하여, 적어도 두 개의 거점 그룹을 획득하는 단계;
    상기 적어도 두 개의 거점 그룹 각각에 대하여, 제 1 성격과 관련된 제 1 스코어 및 상기 제 1 성격과 다른 제 2 성격과 관련된 제 2 스코어를 산출하는 단계; 및
    상기 적어도 두 개의 거점 그룹 각각의 상기 제 1 스코어의 크기와 상기 제 2 스코어의 크기에 기초하여 상기 두 개의 거점 그룹 각각에 대한 성격을 인식하는 단계;
    를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    

Images