KR102586532B1

KR102586532B1 - Method, device and system for providing online sales platform service for agricultural and fishery product based on forecast of price volatility

Info

Publication number: KR102586532B1
Application number: KR1020230084638A
Authority: KR
Inventors: 권용섭
Original assignee: (주)에이치케이소아; 권용섭
Priority date: 2023-06-30
Filing date: 2023-06-30
Publication date: 2023-10-10

Abstract

According to one embodiment, a method for providing an online agricultural and marine products sales platform service based on price volatility prediction, which is performed by a device, comprises: a step of receiving a request for price volatility prediction of a first food in a first period from an administrator terminal; a step of matching a production volume by period, a weather condition by period, and a weather forecast condition, and generating a matching result; a step of predicting the price volatility of the first food; and a step of transmitting the predicted result to the administrator terminal.

Description

Method, device and system for providing online sales platform service for agricultural and marine products based on prediction of price volatility {METHOD, DEVICE AND SYSTEM FOR PROVIDING ONLINE SALES PLATFORM SERVICE FOR AGRICULTURAL AND FISHERY PRODUCT BASED ON FORECAST OF PRICE VOLATILITY}

아래 실시예들은 가격 변동성의 예측을 기반으로 농수산 식품의 온라인 판매 플랫폼 서비스를 제공하기 위한 기술에 관한 것이다.The embodiments below relate to technology for providing an online sales platform service for agricultural and fishery products based on prediction of price volatility.

농수산 식품은 계절, 기후 등의 영향으로 생산량이 기간 별로 변동될 수 있으며, 계절, 연휴 등의 영향으로 판매량이 기간 별로 변동될 수 있다.The production volume of agricultural and fisheries foods may fluctuate from period to period due to the influence of seasons, climate, etc., and sales volume may fluctuate from period to period due to the influence of seasons, holidays, etc.

즉, 농수산 식품은 기간별 생산량과 기간별 판매량이 고정되어 있지 않고 계속적으로 변동하기 때문에, 해당 식품에 대한 판매 가격을 결정하는데 어려움이 있다.In other words, because the production volume and sales volume of agricultural and fishery foods are not fixed for each period and continuously fluctuate, it is difficult to determine the sales price for the food.

이에 따라, 농수산 식품의 생산량과 판매량을 예측하고, 이를 통해, 농수산 식품의 가격 변동성을 예측하고자 하는 요구가 증대되고 있어, 이와 관련된 기술에 대한 연구가 요구된다.Accordingly, the demand for predicting the production and sales volume of agricultural and fishery foods and, through this, the price volatility of agricultural and fishery foods is increasing, and research on related technologies is required.

한국공개특허 제10-2023-0029017호Korean Patent Publication No. 10-2023-0029017 한국공개특허 제10-2023-0075678호Korean Patent Publication No. 10-2023-0075678 한국공개특허 제10-2022-0151453호Korean Patent Publication No. 10-2022-0151453 한국등록특허 제10-2199620호Korean Patent No. 10-2199620

일실시예에 따르면, 가격 변동성의 예측을 기반으로 농수산 식품의 온라인 판매 플랫폼 서비스를 제공하는 방법, 장치 및 시스템을 제공하기 위한 것을 그 목적으로 한다.According to one embodiment, the purpose is to provide a method, device, and system for providing an online sales platform service for agricultural and marine products based on prediction of price volatility.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.The object of the present invention is not limited to the object mentioned above, and other objects not mentioned can be clearly understood from the description below.

일실시예에 따르면, 장치에 의해 수행되는, 가격 변동성의 예측 기반 농수산 식품 온라인 판매 플랫폼 서비스 제공 방법에 있어서, 관리자 단말로부터 제1 기간에 제1 식품의 가격 변동성에 대한 예측 요청을 수신하는 단계; 상기 제1 식품의 생산량 정보를 기반으로, 상기 제1 식품의 기간별 생산량을 확인하고, 상기 제1 식품의 판매량 정보를 기반으로, 상기 제1 식품의 기간별 판매량을 확인하는 단계; 상기 제1 식품의 생산 지역이 제1 지역으로 확인되면, 상기 제1 지역의 기상 정보를 기반으로, 상기 제1 지역의 기간별 기상 상태와 상기 제1 기간의 기상 예측 상태를 확인하는 단계; 상기 제1 식품의 기간별 생산량, 상기 제1 지역의 기간별 기상 상태 및 상기 제1 기간의 기상 예측 상태를 매칭하여, 제1 매칭 결과를 생성하는 단계; 상기 제1 매칭 결과를 제1 인공지능 모델에 적용하여, 상기 제1 인공지능 모델의 출력을 기초로, 상기 제1 기간에 생산될 것으로 예상되는 상기 제1 식품의 생산량을 제1 생산량으로 설정하는 단계; 상기 제1 식품의 기간별 판매량, 상기 제1 지역의 기간별 기상 상태 및 상기 제1 기간의 기상 예측 상태를 매칭하여, 제2 매칭 결과를 생성하는 단계; 상기 제2 매칭 결과를 제2 인공지능 모델에 적용하여, 상기 제2 인공지능 모델의 출력을 기초로, 상기 제1 기간에 판매될 것으로 예상되는 상기 제1 식품의 판매량을 제1 판매량으로 설정하는 단계; 상기 제1 생산량에서 상기 제1 판매량을 뺀 값으로 여유 재고량을 산출하는 단계; 상기 제1 식품의 기준 가격이 제1 가격으로 설정되어 있는 것을 확인하는 단계; 상기 여유 재고량이 미리 설정된 기준 재고량 범위 내에 포함되어 있는 것으로 확인되면, 상기 제1 기간에 상기 제1 식품의 가격이 상기 제1 가격으로 유지될 것으로, 상기 제1 식품의 가격 변동성을 예측하는 단계; 상기 여유 재고량이 상기 기준 재고량 범위를 벗어나 상기 기준 재고량 범위의 최소값 보다 적은 것으로 확인되면, 100%부터 150%까지 범위 내에서 상기 여유 재고량이 적을수록 더 높은 값으로 제1 가중치를 설정하고, 상기 제1 가격 및 상기 제1 가중치를 곱한 값으로 제2 가격을 산출하고, 상기 제1 기간에 상기 제1 식품의 가격이 상기 제1 가격에서 상기 제2 가격으로 변동할 것으로, 상기 제1 식품의 가격 변동성을 예측하는 단계; 상기 여유 재고량이 상기 기준 재고량 범위를 벗어나 상기 기준 재고량 범위의 최대값 보다 많은 것으로 확인되면, 50%부터 100%까지 범위 내에서 상기 여유 재고량이 많을수록 더 낮은 값으로 제2 가중치를 설정하고, 상기 제1 가격 및 상기 제2 가중치를 곱한 값으로 제3 가격을 산출하고, 상기 제1 기간에 상기 제1 식품의 가격이 상기 제1 가격에서 상기 제3 가격으로 변동할 것으로, 상기 제1 식품의 가격 변동성을 예측하는 단계; 및 상기 제1 식품의 가격 변동성을 예측한 결과를 상기 관리자 단말로 전송하는 단계를 포함하는, 가격 변동성의 예측 기반 농수산 식품 온라인 판매 플랫폼 서비스 제공 방법이 제공된다.According to one embodiment, a method of providing an online sales platform service for agricultural and fisheries products based on price volatility prediction, performed by an apparatus, includes the steps of: receiving a request for prediction of price volatility of a first food in a first period from a manager terminal; Confirming the production volume of the first food by period based on the production volume information of the first food, and confirming the sales volume of the first food by period based on the sales volume information of the first food; When the production area of the first food is confirmed to be a first area, checking weather conditions for each period of the first area and weather forecast conditions for the first period based on weather information of the first area; Generating a first matching result by matching the production volume of the first food for each period, weather conditions for each period in the first region, and weather forecast conditions for the first period; Applying the first matching result to the first artificial intelligence model, based on the output of the first artificial intelligence model, setting the production volume of the first food expected to be produced in the first period as the first production volume step; Generating a second matching result by matching sales volume of the first food by period, weather conditions of the first region by period, and weather forecast conditions of the first period; Applying the second matching result to a second artificial intelligence model, based on the output of the second artificial intelligence model, setting the sales volume of the first food expected to be sold in the first period as the first sales volume. step; calculating a surplus inventory amount by subtracting the first sales volume from the first production volume; Confirming that the reference price of the first food is set to the first price; predicting price volatility of the first food such that the price of the first food will be maintained at the first price in the first period when it is confirmed that the spare stock amount is within a preset reference stock amount range; If it is confirmed that the free stock amount is outside the standard stock amount range and less than the minimum value of the standard stock amount range, the first weight is set to a higher value as the free stock amount is smaller within the range from 100% to 150%, and the first weight is set to a higher value. A second price is calculated as a value multiplied by 1 price and the first weight, and the price of the first food is expected to change from the first price to the second price in the first period, and the price of the first food is predicting volatility; If it is confirmed that the free stock amount is outside the standard stock amount range and is greater than the maximum value of the standard stock amount range, the second weight is set to a lower value as the free stock amount is greater within the range from 50% to 100%, and the second weight is set to a lower value. A third price is calculated by multiplying the 1 price and the second weight, and the price of the first food is expected to change from the first price to the third price in the first period, and the price of the first food is predicting volatility; A method of providing an online sales platform service for agricultural and marine products based on price volatility prediction is provided, including transmitting a result of predicting the price volatility of the first food to the manager terminal.

상기 가격 변동성의 예측 기반 농수산 식품 온라인 판매 플랫폼 서비스 제공 방법은, 상기 제1 지역의 기상 정보를 기반으로, 상기 제1 기간 동안에 상기 제1 식품의 생산에 악영향을 주는 악천후 기간이 포함되어 있는지 여부를 분석하는 단계; 상기 제1 기간 동안에 악천후 기간이 포함되어 있지 않은 것으로 확인되면, 제1 비율을 100%로 설정하는 단계; 상기 제1 기간 동안에 악천후 기간이 포함되어 있는 것으로 확인되면, 상기 제1 기간 내에서 악천후 기간을 제1-1 기간으로 설정하고, 상기 제1 기간의 일수를 제1 수치로 설정하고, 상기 제1-1 기간의 일수를 제2 수치로 설정하는 단계; 상기 제2 수치를 상기 제1 수치로 나눈 값으로 제2 비율을 산출하고, 100%와 상기 제2 비율을 더한 값으로 상기 제1 비율을 설정하는 단계; 상기 제1 기간의 일정 정보를 기반으로, 상기 제1 기간 동안에 상기 제1 식품의 판매에 호영향을 주는 대목 기간이 포함되어 있는지 여부를 분석하는 단계; 상기 제1 기간 동안에 대목 기간이 포함되어 있지 않은 것으로 확인되면, 제3 비율을 100%로 설정하는 단계; 상기 제1 기간 동안에 대목 기간이 포함되어 있는 것으로 확인되면, 상기 제1 기간 내에서 대목 기간을 제1-2 기간으로 설정하고, 상기 제1 기간의 일수를 제1 수치로 설정하고, 상기 제1-2 기간의 일수를 제3 수치로 설정하는 단계; 상기 제3 수치를 상기 제1 수치로 나눈 값으로 제4 비율을 산출하고, 100%와 상기 제4 비율을 더한 값으로 상기 제3 비율을 설정하는 단계; 및 상기 제1 비율 및 상기 제3 비율이 각각 설정되면, 상기 제1 비율 및 상기 제3 비율을 곱한 값으로 제5 비율을 산출하고, 상기 제5 비율을 상기 제1 기간에 상기 제1 식품의 가격 변동성을 조정하기 위한 가격 조정 비율로 설정하는 단계를 더 포함할 수 있다.The method of providing an agricultural and fishery food online sales platform service based on the prediction of price volatility determines, based on weather information of the first region, whether a period of bad weather adversely affecting production of the first food is included during the first period. Analyzing step; If it is determined that the first period does not include a period of inclement weather, setting the first ratio to 100%; If it is confirmed that a period of bad weather is included in the first period, the bad weather period within the first period is set as a 1-1 period, the number of days of the first period is set to a first number, and the number of days in the first period is set to a first number. -1 setting the number of days in the period to a second number; calculating a second ratio as a value obtained by dividing the second numerical value by the first numerical value, and setting the first ratio as a value obtained by adding 100% and the second ratio; Based on the schedule information of the first period, analyzing whether a period that has a positive impact on sales of the first food is included in the first period; If it is confirmed that the stock period is not included in the first period, setting a third ratio to 100%; If it is confirmed that the main period is included in the first period, the main period within the first period is set as the 1-2 period, the number of days of the first period is set to a first number, and the first period is set to a first number. -2 setting the number of days in the period to a third number; calculating a fourth ratio as a value obtained by dividing the third value by the first value, and setting the third ratio as a value obtained by adding 100% and the fourth ratio; And when the first ratio and the third ratio are respectively set, the fifth ratio is calculated as a value multiplied by the first ratio and the third ratio, and the fifth ratio is calculated as the ratio of the first food in the first period. A step of setting a price adjustment ratio to adjust price volatility may be further included.

상기 제1 기간에 상기 제1 식품의 가격이 상기 제1 가격으로 유지될 것으로, 상기 제1 식품의 가격 변동성을 예측하는 단계는, 상기 제1 가격 및 상기 제5 비율을 곱한 값으로 제4 가격을 산출하는 단계; 상기 제1 가격 및 상기 제4 가격 간의 차이를 제1 차이 가격으로 산출하는 단계; 상기 제1 차이 가격이 미리 설정된 제1 기준 가격 보다 낮은 것으로 확인되면, 상기 제1 기간에 상기 제1 식품의 가격이 상기 제1 가격으로 유지될 것으로, 상기 제1 식품의 가격 변동성을 예측하는 단계; 및 상기 제1 차이 가격이 상기 제1 기준 가격 보다 높은 것으로 확인되면, 상기 제1 기간에 상기 제1 식품의 가격이 상기 제1 가격에서 상기 제4 가격으로 변동할 것으로, 상기 제1 식품의 가격 변동성을 예측하는 단계를 포함할 수 있다.The step of predicting the price volatility of the first food such that the price of the first food will be maintained at the first price in the first period includes calculating the fourth price as a product of the first price and the fifth ratio. Calculating; calculating a difference between the first price and the fourth price as a first difference price; If the first difference price is confirmed to be lower than a preset first reference price, predicting the price volatility of the first food such that the price of the first food will be maintained at the first price in the first period. ; and if the first difference price is confirmed to be higher than the first reference price, the price of the first food product will change from the first price to the fourth price in the first period, It may include the step of predicting volatility.

상기 제1 기간에 상기 제1 식품의 가격이 상기 제1 가격에서 상기 제2 가격으로 변동할 것으로, 상기 제1 식품의 가격 변동성을 예측하는 단계는, 상기 제2 가격 및 상기 제5 비율을 곱한 값으로 제5 가격을 산출하는 단계; 상기 제2 가격 및 상기 제5 가격 간의 차이를 제2 차이 가격으로 산출하는 단계; 상기 제2 차이 가격이 미리 설정된 제2 기준 가격 보다 낮은 것으로 확인되면, 상기 제1 기간에 상기 제1 식품의 가격이 상기 제1 가격에서 상기 제2 가격으로 변동할 것으로, 상기 제1 식품의 가격 변동성을 예측하는 단계; 및 상기 제2 차이 가격이 상기 제2 기준 가격 보다 높은 것으로 확인되면, 상기 제1 기간에 상기 제1 식품의 가격이 상기 제1 가격에서 상기 제5 가격으로 변동할 것으로, 상기 제1 식품의 가격 변동성을 예측하는 단계를 포함할 수 있다.Predicting the price volatility of the first food such that the price of the first food will change from the first price to the second price in the first period includes multiplying the second price and the fifth ratio. calculating a fifth price from the value; calculating a difference between the second price and the fifth price as a second difference price; If the second difference price is confirmed to be lower than the preset second reference price, the price of the first food will change from the first price to the second price in the first period, and the price of the first food will change from the first price to the second price. predicting volatility; and if the second difference price is confirmed to be higher than the second reference price, the price of the first food product will change from the first price to the fifth price in the first period, It may include the step of predicting volatility.

상기 제1 기간에 상기 제1 식품의 가격이 상기 제1 가격에서 상기 제3 가격으로 변동할 것으로, 상기 제1 식품의 가격 변동성을 예측하는 단계는, 상기 제3 가격 및 상기 제5 비율을 곱한 값으로 제6 가격을 산출하는 단계; 상기 제3 가격 및 상기 제6 가격 간의 차이를 제3 차이 가격으로 산출하는 단계; 상기 제3 차이 가격이 미리 설정된 제3 기준 가격 보다 낮은 것으로 확인되면, 상기 제1 기간에 상기 제1 식품의 가격이 상기 제1 가격에서 상기 제3 가격으로 변동할 것으로, 상기 제1 식품의 가격 변동성을 예측하는 단계; 상기 제3 차이 가격이 상기 제3 기준 가격 보다 높은 것으로 확인되면, 상기 제1 가격 및 상기 제6 가격 간의 차이를 제4 차이 가격으로 산출하는 단계; 상기 제4 차이 가격이 상기 제3 기준 가격 보다 낮은 것으로 확인되면, 상기 제1 기간에 상기 제1 식품의 가격이 상기 제1 가격으로 유지될 것으로, 상기 제1 식품의 가격 변동성을 예측하는 단계; 및 상기 제4 차이 가격이 상기 제3 기준 가격 보다 높은 것으로 확인되면, 상기 제1 기간에 상기 제1 식품의 가격이 상기 제1 가격에서 상기 제6 가격으로 변동할 것으로, 상기 제1 식품의 가격 변동성을 예측하는 단계를 포함할 수 있다.Predicting the price volatility of the first food product such that the price of the first food product will change from the first price to the third price in the first period includes multiplying the third price and the fifth ratio. calculating a sixth price from the value; calculating the difference between the third price and the sixth price as a third difference price; If the third difference price is confirmed to be lower than the preset third reference price, the price of the first food will change from the first price to the third price in the first period, and the price of the first food will change from the first price to the third price. predicting volatility; If the third difference price is confirmed to be higher than the third reference price, calculating the difference between the first price and the sixth price as a fourth difference price; If the fourth difference price is confirmed to be lower than the third reference price, predicting price volatility of the first food such that the price of the first food will be maintained at the first price in the first period; and if the fourth difference price is confirmed to be higher than the third reference price, the price of the first food product will change from the first price to the sixth price in the first period, It may include the step of predicting volatility.

일실시예에 따르면, 농수산 식품의 생산량과 판매량을 예측하고, 생산량 및 판매량에 대한 예측 결과를 기반으로, 농수산 식품의 가격 변동성을 예측함으로써, 농수산 식품을 온라인 상에서 판매할 때, 기간 별로 판매 가격을 자동으로 결정하는데 도움을 줄 수 있는 효과가 있다.According to one embodiment, by predicting the production and sales volume of agricultural and fishery foods and predicting the price volatility of agricultural and fishery foods based on the prediction results for production and sales volume, when selling agricultural and fishery foods online, the sales price is determined by period. It has the effect of helping to make automatic decisions.

한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.Meanwhile, the effects according to the embodiments are not limited to those mentioned above, and other effects not mentioned can be clearly understood by those skilled in the art from the description below.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 식품의 생산량 및 판매량을 각각 예측하고 예측된 생산량 및 판매량을 통해 여유 재고량을 산출하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 식품의 가격 변동성을 예측하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 날씨 및 대목을 고려하여 가격 조정 비율을 설정하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 제1 기간에 제1 식품의 가격이 제1 가격으로 유지될 것으로, 제1 식품의 가격 변동성이 예측된 경우, 가격 조정 비율에 따라 제1 식품의 가격 변동성을 조정하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 제1 기간에 제1 식품의 가격이 제1 가격에서 제2 가격으로 변동할 것으로, 제1 식품의 가격 변동성이 예측된 경우, 가격 조정 비율에 따라 제1 식품의 가격 변동성을 조정하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 제1 기간에 제1 식품의 가격이 제1 가격에서 제3 가격으로 변동할 것으로, 제1 식품의 가격 변동성이 예측된 경우, 가격 조정 비율에 따라 제1 식품의 가격 변동성을 조정하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 식품의 추가 확보에 대한 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 일자별 식품의 재고 확보량에 대한 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 식품을 포장한 박스를 점검하는 과정을 설명하기 위한 순서도이다.
도 11은 일실시예에 따른 제1 박스를 불량 박스로 구분한 경우, 어느 공정에 대한 점검이 필요한 것인지에 대한 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 12는 일실시예에 따른 장치의 구성의 예시도이다.1 is a diagram schematically showing the configuration of a system according to an embodiment.
Figure 2 is a flow chart for explaining the process of predicting the production and sales volume of food and calculating spare inventory through the predicted production and sales volume according to an embodiment.
Figure 3 is a flow chart to explain the process of predicting price volatility of food according to one embodiment.
Figure 4 is a flowchart for explaining the process of setting a price adjustment ratio in consideration of weather and items according to an embodiment.
5 shows that the price of the first food will be maintained at the first price in the first period according to an embodiment, and when the price volatility of the first food is predicted, the price volatility of the first food is adjusted according to the price adjustment ratio. This is a flowchart to explain the process.
Figure 6 shows that the price of the first food will change from the first price to the second price in a first period according to an embodiment, and when the price volatility of the first food is predicted, the price of the first food is changed according to the price adjustment ratio. This is a flow chart to explain the process of adjusting price volatility.
Figure 7 shows that the price of the first food will change from the first price to the third price in the first period according to an embodiment, and when the price volatility of the first food is predicted, the price of the first food is changed according to the price adjustment ratio. This is a flow chart to explain the process of adjusting price volatility.
Figure 8 is a flow chart to explain the process of providing a notification service for securing additional food according to an embodiment.
Figure 9 is a flowchart for explaining a process for providing a notification service about the amount of food stocked by day according to an embodiment.
Figure 10 is a flowchart for explaining the process of inspecting a box packaging food according to one embodiment.
FIG. 11 is a flowchart illustrating a process for providing a notification service regarding which process requires inspection when the first box is classified as a defective box according to an embodiment.
Figure 12 is an exemplary diagram of the configuration of a device according to an embodiment.

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.Hereinafter, embodiments will be described in detail with reference to the attached drawings. However, various changes can be made to the embodiments, so the scope of the patent application is not limited or limited by these embodiments. It should be understood that all changes, equivalents, or substitutes for the embodiments are included in the scope of rights.

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.Specific structural or functional descriptions of the embodiments are disclosed for illustrative purposes only and may be modified and implemented in various forms. Accordingly, the embodiments are not limited to the specific disclosed form, and the scope of the present specification includes changes, equivalents, or substitutes included in the technical spirit.

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.Terms such as first or second may be used to describe various components, but these terms should be interpreted only for the purpose of distinguishing one component from another component. For example, a first component may be named a second component, and similarly, the second component may also be named a first component.

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.When a component is referred to as being “connected” to another component, it should be understood that it may be directly connected or connected to the other component, but that other components may exist in between.

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.The terms used in the examples are for descriptive purposes only and should not be construed as limiting. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this specification, terms such as “comprise” or “have” are intended to designate the presence of features, numbers, steps, operations, components, parts, or combinations thereof described in the specification, but are not intended to indicate the presence of one or more other features. It should be understood that this does not exclude in advance the possibility of the existence or addition of elements, numbers, steps, operations, components, parts, or combinations thereof.

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.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as generally understood by a person of ordinary skill in the technical field to which the embodiments belong. Terms defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related technology, and unless explicitly defined in the present application, should not be interpreted in an ideal or excessively formal sense. No.

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.In addition, when describing with reference to the accompanying drawings, identical components will be assigned the same reference numerals regardless of the reference numerals, and overlapping descriptions thereof will be omitted. In describing the embodiments, if it is determined that detailed descriptions of related known technologies may unnecessarily obscure the gist of the embodiments, the detailed descriptions are omitted.

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.Embodiments may be implemented in various types of products such as personal computers, laptop computers, tablet computers, smart phones, televisions, smart home appliances, intelligent vehicles, kiosks, and wearable devices.

실시예에서 인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 판매자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.In an embodiment, an artificial intelligence (AI) system is a computer system that implements human-level intelligence, and unlike existing rule-based smart systems, it is a system in which machines learn and make decisions on their own. As artificial intelligence systems are used, recognition rates improve and sellers' tastes can be more accurately understood, and existing rule-based smart systems are gradually being replaced by deep learning-based artificial intelligence systems.

인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.Artificial intelligence technology consists of machine learning and element technologies using machine learning. Machine learning is an algorithmic technology that classifies/learns the characteristics of input data on its own, and elemental technology is a technology that mimics the functions of the human brain such as cognition and judgment by utilizing machine learning algorithms such as deep learning, including linguistic understanding and visual It consists of technical areas such as understanding, reasoning/prediction, knowledge expression, and motion control.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.The various fields where artificial intelligence technology is applied are as follows. Linguistic understanding is a technology that recognizes and applies/processes human language/characters and includes natural language processing, machine translation, conversation systems, question and answer, and voice recognition/synthesis. Visual understanding is a technology that recognizes and processes objects like human vision, and includes object recognition, object tracking, image search, person recognition, scene understanding, spatial understanding, and image improvement. Inferential prediction is a technology that judges information to make logical inferences and predictions, and includes knowledge/probability-based reasoning, optimization prediction, preference-based planning, and recommendations. Knowledge expression is a technology that automatically processes human experience information into knowledge data, and includes knowledge construction (data creation/classification) and knowledge management (data utilization). Motion control is a technology that controls the autonomous driving of vehicles and the movement of robots, and includes motion control (navigation, collision, driving), operation control (behavior control), etc.

일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.Generally, in order to apply machine learning algorithms to real life, learning is performed using a trial and error method due to the nature of the basic methodology of machine learning. In particular, deep learning requires hundreds of thousands of iterations. It is impossible to execute this in an actual physical external environment, so instead, the actual physical external environment is virtually implemented on a computer and learning is performed through simulation.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.1 is a diagram schematically showing the configuration of a system according to an embodiment.

도 1을 참조하면, 일실시예에 따른 시스템은 관리자 단말(100) 및 장치(200)를 포함할 수 있다.Referring to FIG. 1, a system according to one embodiment may include an administrator terminal 100 and a device 200.

먼저, 관리자 단말(100)과 장치(200)는 통신망을 통해 연결될 수 있으며, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성되어, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.First, the administrator terminal 100 and the device 200 can be connected through a communication network, and the communication network is configured regardless of the communication mode, such as wired or wireless, so that communication between servers and between servers and terminals is performed. It can be implemented in various forms.

관리자 단말(100)은 통신 기능을 갖춘 연산 장치로 구현될 수 있으며, 예를 들면, 휴대전화기, 데스크톱 PC, 랩탑 PC, 태블릿 PC, 스마트폰 등으로 구현될 수 있으나, 이에 제한되지는 않으며, 외부 서버와 연결될 수 있는 다양한 형태의 통신 장치로 구현될 수도 있다.The manager terminal 100 may be implemented as a computing device with a communication function, for example, but is not limited to a mobile phone, desktop PC, laptop PC, tablet PC, smartphone, etc., and is not limited to external It can also be implemented as various types of communication devices that can be connected to a server.

관리자 단말(100)은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 관리자 단말(100)은 장치(200)와 유무선으로 통신하도록 구성될 수 있다.The administrator terminal 100 may be configured to perform all or part of the calculation function, storage/reference function, input/output function, and control function of a typical computer. The administrator terminal 100 may be configured to communicate with the device 200 wired or wirelessly.

관리자 단말(100)은 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 관리자 단말(100)은 웹 페이지 또는 애플리케이션을 통해 장치(200)와 연동될 수 있다.The administrator terminal 100 is connected to a web page operated by a person or organization providing services using the device 200, or an application developed and distributed by a person or organization providing services using the device 200. Can be installed. The administrator terminal 100 may be linked to the device 200 through a web page or application.

장치(200)는 장치(200)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(200)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(200)는 추론 기능을 수행하는 적어도 하나 이상의 인공지능 모델을 구비할 수 있다.The device 200 may be its own server owned by a person or organization that provides services using the device 200, a cloud server, or a p2p (peer-to-peer) set of distributed nodes. It may be possible. The device 200 may be configured to perform all or part of the calculation function, storage/reference function, input/output function, and control function of a typical computer. The device 200 may be equipped with at least one artificial intelligence model that performs an inference function.

장치(200)는 관리자 단말(100)과 유무선으로 통신하도록 구성될 수 있으며, 관리자 단말(100)의 동작을 제어하고, 관리자 단말(100)의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.The device 200 may be configured to communicate wired or wirelessly with the administrator terminal 100, control the operation of the administrator terminal 100, and control what information to display on the screen of the administrator terminal 100. .

장치(200)는 농수산 식품을 온라인으로 판매하는 플랫폼 서비스를 제공할 수 있으며, 해당 플랫폼 서비스를 제공하는 서버로 구현될 수 있다.The device 200 can provide a platform service for selling agricultural and fishery products online, and can be implemented as a server that provides the platform service.

한편, 설명의 편의를 위해 도 1에서는 관리자 단말(100) 만을 도시하였으나, 단말의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(200)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.Meanwhile, for convenience of explanation, only the manager terminal 100 is shown in FIG. 1, but the number of terminals may vary depending on the embodiment. As long as the processing capacity of the device 200 allows, the number of terminals is not particularly limited.

일실시예에 따르면, 장치(200)는 인공지능을 기반으로 식품의 생산량과 판매량을 각각 예측할 수 있다.According to one embodiment, the device 200 can predict the production and sales volume of food based on artificial intelligence.

본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.In the present invention, artificial intelligence (AI) refers to technology that imitates human learning ability, reasoning ability, perception ability, etc. and implements this with a computer, and includes concepts such as machine learning and symbolic logic. may include. Machine Learning (ML) is an algorithmic technology that classifies or learns the characteristics of input data on its own. Artificial intelligence technology is a machine learning algorithm that analyzes input data, learns the results of the analysis, and makes judgments or predictions based on the results of the learning. Additionally, technologies that mimic the functions of the human brain, such as cognition and judgment, using machine learning algorithms can also be understood as the category of artificial intelligence. For example, technical fields such as verbal understanding, visual understanding, reasoning/prediction, knowledge representation, and motion control may be included.

기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.Machine learning can refer to the process of training a neural network model using experience processing data. Machine learning can mean that computer software improves its own data processing capabilities. A neural network model is built by modeling the correlation between data, and the correlation can be expressed by a plurality of parameters. A neural network model extracts and analyzes features from given data to derive correlations between data. Repeating this process to optimize the parameters of the neural network model can be called machine learning. For example, a neural network model can learn the mapping (correlation) between input and output for data given as input-output pairs. Alternatively, a neural network model may learn the relationships by deriving regularities between given data even when only input data is given.

인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.An artificial intelligence learning model or neural network model may be designed to implement the human brain structure on a computer, and may include a plurality of network nodes with weights that simulate neurons of a human neural network. A plurality of network nodes may have a connection relationship with each other by simulating the synaptic activity of neurons in which neurons exchange signals through synapses. In an artificial intelligence learning model, multiple network nodes are located in layers of different depths and can exchange data according to convolutional connection relationships. The artificial intelligence learning model may be, for example, an artificial neural network model (Artificial Neural Network), a convolution neural network (CNN) model, etc. As an example, an artificial intelligence learning model may be machine-learned according to methods such as supervised learning, unsupervised learning, and reinforcement learning. Machine learning algorithms for performing machine learning include Decision Tree, Bayesian Network, Support Vector Machine, Artificial Neural Network, and Ada-boost. , Perceptron, Genetic Programming, Clustering, etc. can be used.

이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.Among them, CNN is a type of multilayer perceptrons designed to use minimal preprocessing. CNN consists of one or several convolution layers and general artificial neural network layers on top of them, and additionally utilizes weights and pooling layers. Thanks to this structure, CNN can fully utilize input data with a two-dimensional structure. Compared to other deep learning structures, CNN shows good performance in both video and audio fields. CNNs can also be trained via standard back propagation. CNNs have the advantage of being easier to train and using fewer parameters than other feedforward artificial neural network techniques.

컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.Convolutional networks are neural networks that contain sets of nodes with bound parameters. The increasing size of available training data and the availability of computational power, combined with algorithmic advances such as piecewise linear unit and dropout training, have led to significant improvements in many computer vision tasks. For extremely large data sets, such as those available for many tasks today, overfitting is not critical, and increasing the size of the network improves test accuracy. Optimal use of computing resources becomes a limiting factor. For this purpose, distributed, scalable implementations of deep neural networks can be used.

장치(200)는 식품의 생산량과 판매량을 예측한 결과를 이용하여, 식품의 가격 변동성을 예측하고, 식품의 가격 변동성에 대한 예측 결과를 관리자 단말(100)로 전송할 수 있으며, 이를 통해, 식품의 가격 변동성에 대한 예측을 기반으로 농수산 식품을 온라인 상에서 어떻게 판매할 것인지에 대한 판매 전략을 관리자에게 제공할 수 있다. 이와 관련된 자세한 설명은 도 2 내지 도 3을 참조하여 후술하기로 한다.The device 200 can predict the price volatility of food using the results of predicting the production and sales volume of food, and transmit the prediction result of the price volatility of food to the manager terminal 100, through which, the Based on predictions of price volatility, managers can be provided with sales strategies on how to sell agricultural and marine products online. A detailed description related to this will be described later with reference to FIGS. 2 and 3.

도 2는 일실시예에 따른 식품의 생산량 및 판매량을 각각 예측하고 예측된 생산량 및 판매량을 통해 여유 재고량을 산출하는 과정을 설명하기 위한 순서도이다.Figure 2 is a flow chart for explaining the process of predicting the production and sales volume of food and calculating spare inventory through the predicted production and sales volume according to an embodiment.

도 2를 참조하면, 먼저, S201 단계에서, 장치(200)는 관리자 단말(100)로부터 제1 기간에 제1 식품의 가격 변동성에 대한 예측 요청을 수신할 수 있다. 여기서, 제1 기간에 제1 식품의 가격 변동성에 대한 예측 요청은 제1 기간에 제1 식품의 가격이 어떻게 변동될 것인지에 대해 예측해달라고 요청하는 것이다.Referring to FIG. 2, first, in step S201, the device 200 may receive a request to predict the price volatility of the first food in the first period from the manager terminal 100. Here, a request to predict the price volatility of the first food in the first period is a request to predict how the price of the first food will change in the first period.

일실시예에 따르면, 제1 기간은 현재 시점부터 일정 기간이 지난 미래의 기간으로, 관리자의 요청에 의해 설정될 수 있고, 주, 월, 분기 등 다양한 기간을 기준으로 설정될 수 있다.According to one embodiment, the first period is a future period a certain period of time has passed from the present, and can be set at the request of an administrator, and can be set based on various periods such as weeks, months, and quarters.

일실시예에 따르면, 제1 식품은 농수산 식품 온라인 판매 플랫폼에서 판매되고 있는 식품들 중 어느 하나로, 관리자의 요청에 의해 선택될 수 있다.According to one embodiment, the first food is one of the foods sold on an agricultural, fisheries and food online sales platform, and can be selected at the request of the manager.

S202 단계에서, 장치(200)는 제1 식품의 생산량 정보를 기반으로, 제1 식품의 기간별 생산량을 확인하고, 제1 식품의 판매량 정보를 기반으로, 제1 식품의 기간별 판매량을 확인할 수 있다. 여기서, 제1 식품의 생산량 정보와 제1 식품의 판매량 정보는 장치(200)의 데이터베이스로부터 획득될 수 있다.In step S202, the device 200 may check the production volume of the first food by period based on the production volume information of the first food, and check the sales volume of the first food by period based on the sales volume information of the first food. Here, the production volume information of the first food and the sales volume information of the first food may be obtained from the database of the device 200.

즉, 장치(200)는 관리자 단말(100)로부터 제1 기간에 제1 식품의 가격 변동성에 대한 예측 요청을 수신하면, 데이터베이스에 저장된 정보를 조회하여 제1 식품의 생산량 정보와 제1 식품의 판매량 정보를 각각 획득할 수 있다. That is, when the device 200 receives a request to predict the price volatility of the first food in the first period from the manager terminal 100, the device 200 searches the information stored in the database to provide production information of the first food and sales volume of the first food. Information can be obtained individually.

일실시예에 따르면, 제1 식품의 생산량 정보는 제1 식품이 기간별로 얼마나 많이 생산되었는지 나타내는 정보로, 일, 주, 월, 분기 등 다양한 기간을 기준으로 제1 식품의 기간별로 얼마나 많이 생산되었는지를 나타내는 생산량에 대한 정보를 포함할 수 있다. 이때, 제1 식품의 생산량 정보는 미리 정해진 기간, 예를 들면, 최근 5년 이내의 생산량에 대한 정보만 포함할 수 있다. 또한, 제1 식품의 생산량 정보는 특정 지역에서 생산되고 있는 제1 식품의 생산량에 대한 정보만 포함할 수 있으며, 예를 들어, 제1 지역에서 생산되고 있는 제1 식품의 기간별 생산량에 대한 정보를 포함할 수 있다.According to one embodiment, the production information of the first food is information indicating how much of the first food was produced by period, and how much of the first food was produced by period based on various periods such as day, week, month, quarter, etc. It may include information about production volume representing . At this time, the production volume information of the first food may only include information about the production volume within a predetermined period, for example, within the last 5 years. In addition, the production information of the first food may include only information about the production volume of the first food produced in a specific region, for example, information about the production volume of the first food produced in the first region by period. It can be included.

일실시예에 따르면, 제1 식품의 판매량 정보는 제1 식품이 기간별로 얼마나 많이 판매되었는지 나타내는 정보로, 일, 주, 월, 분기 등 다양한 기간을 기준으로 제1 식품의 기간별로 얼마나 많이 판매되었는지를 나타내는 판매량에 대한 정보를 포함할 수 있다. 이때, 제1 식품의 판매량 정보는 미리 정해진 기간, 예를 들면, 최근 5년 이내의 판매량에 대한 정보만 포함할 수 있다. 또한, 제1 식품의 판매량 정보는 농수산 식품 온라인 판매 플랫폼에서 판매되고 있는 제1 식품의 판매량에 대한 정보만 포함할 수 있으며, 예를 들어, 농수산 식품 온라인 판매 플랫폼에서 판매되고 제1 식품의 기간별 판매량에 대한 정보를 포함할 수 있다.According to one embodiment, the sales volume information of the first food is information indicating how much the first food has been sold by period, and how much of the first food has been sold by period based on various periods such as day, week, month, and quarter. It may include information about sales volume representing . At this time, the sales volume information of the first food may only include information about the sales volume within a predetermined period, for example, within the last 5 years. In addition, the sales volume information of the first food may only include information about the sales volume of the first food sold on the agricultural and fisheries food online sales platform. For example, the sales volume of the first food by period and sold on the agricultural and fisheries food online sales platform. It may include information about.

S203 단계에서, 장치(200)는 제1 식품의 생산 지역이 제1 지역인 것을 확인할 수 있다. 이때, 장치(200)는 제1 식품의 식품 정보를 기초로, 제1 식품의 생산 지역이 제1 지역인 것을 확인할 수 있다. 여기서, 제1 식품의 식품 정보는 장치(200)의 데이터베이스로부터 획득될 수 있다.In step S203, the device 200 may confirm that the production area of the first food is the first area. At this time, the device 200 may confirm that the production area of the first food is the first area, based on the food information of the first food. Here, food information of the first food may be obtained from the database of the device 200.

즉, 장치(200)는 데이터베이스에 저장된 정보를 조회하여 제1 식품의 식품 정보를 획득하고, 획득된 제1 식품의 식품 정보를 기초로, 제1 식품의 생산 지역이 제1 지역인 것을 확인할 수 있다.That is, the device 200 can obtain food information of the first food by querying the information stored in the database, and confirm that the production area of the first food is the first area based on the obtained food information of the first food. there is.

일실시예에 따르면, 제1 식품의 식품 정보는 식품의 종류, 명칭, 원산지, 크기, 가격, 기준 무게, 포장 단위, 포장 방법, 보관 온도, 소비 기한 등의 식품과 관련된 정보를 포함할 수 있다.According to one embodiment, the food information of the first food may include food-related information such as type, name, country of origin, size, price, standard weight, packaging unit, packaging method, storage temperature, expiration date, etc. .

S204 단계에서, 장치(200)는 제1 지역의 기상 정보를 기반으로, 제1 지역의 기간별 기상 상태와 제1 기간의 기상 예측 상태를 확인할 수 있다. 여기서, 제1 지역의 기상 정보는 기상 정보를 관리하는 외부 서버로부터 획득될 수 있다. 이때, 제1 지역의 기간별 기상 상태는 제1 지역의 과거 기상 상태를 기간별로 나타내며, 날씨, 강수량, 풍속, 온도, 습도 등의 기상 상태로 나타낼 수 있고, 제1 기간의 기상 예측 상태는 제1 지역에서 제1 기간의 미래 기상 상태를 나타내며, 날씨, 강수량, 풍속, 온도, 습도 등의 기상 상태로 나타낼 수 있다.In step S204, the device 200 may check the weather condition for each period of the first area and the weather forecast condition for the first period based on the weather information of the first area. Here, weather information for the first region may be obtained from an external server that manages weather information. At this time, the weather conditions for each period of the first region represent the past weather conditions of the first region for each period, and can be expressed as weather conditions such as weather, precipitation, wind speed, temperature, and humidity, and the weather forecast state for the first period is the first weather condition. It represents the future weather conditions of the first period in the region and can be expressed as weather conditions such as weather, precipitation, wind speed, temperature, and humidity.

즉, 장치(200)는 제1 식품의 생산 지역이 제1 지역으로 확인되면, 기상 정보를 관리하는 외부 서버로 제1 지역의 기상 정보에 대한 제공 요청을 전송할 수 있고, 외부 서버로부터 제1 지역의 기상 정보를 획득할 수 있다.That is, when the production area of the first food is confirmed to be the first area, the device 200 may transmit a request for provision of weather information of the first area to an external server that manages weather information, and may transmit a request for provision of weather information of the first area from the external server to the first area. You can obtain weather information.

일실시예에 따르면, 제1 지역의 기상 정보는 제1 지역의 기상 상태가 기간별로 어느 상태였는지 나타내는 과거의 기상 상태를 기록한 정보와 제1 지역의 기상 상태가 기간별로 향후 어느 상태일지 나타내는 미래의 기상 상태를 예측한 정보를 포함할 수 있으며, 일, 주, 월, 분기 등 다양한 기간을 기준으로 제1 지역의 기상 상태가 어느 상태였는지를 나타내는 정보와 제1 지역의 기상 상태가 어느 상태일지를 예측하는 정보를 포함할 수 있다. 이때, 제1 지역의 기상 정보는 미리 정해진 기간 동안의 기상 정보를 포함할 수 있으며, 예를 들면, 최근 5년 이내의 기상 상태를 기록한 정보와 향후 1년 이내의 기상 상태를 예측한 정보를 포함할 수 있다.According to one embodiment, the weather information of the first region includes information recording past weather conditions indicating what the weather conditions of the first region were by period and future weather conditions indicating what the weather conditions of the first area will be by period. It may include information predicting weather conditions, and information indicating what the weather conditions were in the first region based on various periods such as daily, week, month, quarter, etc., and what the weather conditions in the first region will be. May contain predictive information. At this time, the weather information of the first region may include weather information for a predetermined period, for example, information recording weather conditions within the last 5 years and information predicting weather conditions within the next 1 year. can do.

S205 단계에서, 장치(200)는 제1 식품의 기간별 생산량, 제1 지역의 기간별 기상 상태 및 제1 기간의 기상 예측 상태를 매칭하여, 제1 매칭 결과를 생성할 수 있다.In step S205, the device 200 may generate a first matching result by matching the production volume of the first food by period, the weather condition by period of the first region, and the weather forecast state of the first period.

S206 단계에서, 장치(200)는 제1 매칭 결과를 미리 학습된 제1 인공지능 모델에 적용할 수 있다. 여기서, 제1 인공지능 모델은 특정 식품의 기간별 생산량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과를 입력 받은 후, 특정 기간에 생산될 것으로 예상되는 식품의 생산량을 예측하여 출력하는 알고리즘일 수 있다.In step S206, the device 200 may apply the first matching result to the first artificial intelligence model learned in advance. Here, the first artificial intelligence model predicts the production amount of food expected to be produced in a specific period after receiving the matching result of matching the production volume of a specific food by period, the weather condition by period in a specific region, and the weather forecast state of a specific period. It may be an algorithm that outputs.

즉, 제1 인공지능 모델은 식품의 기간별 생산량, 식품이 생산되는 지역이 기간별 기상 상태, 특정 기간의 기상 예측 상태 등을 고려하여, 특정 기간에 생산될 것으로 예상되는 식품의 생산량을 예측하여 산정할 수 있다.In other words, the first artificial intelligence model predicts and calculates the production volume of food expected to be produced in a specific period, taking into account the production volume of food by period, weather conditions in the region where food is produced, weather forecast conditions in a specific period, etc. You can.

구체적으로, 제1 인공지능 모델은 제1 식품의 기간별 생산량과 제1 지역의 기간별 기상 상태를 비교하여, 제1 지역의 기상 상태에 따라 제1 식품의 생산량이 얼마나 많은 영향을 받고 있는지 분석하고, 분석 결과를 기반으로, 제1 기간의 기상 예측 상태에 따라 제1 기간에 생산될 것으로 예상되는 제1 식품의 생산량을 예측하여 산정할 수 있다.Specifically, the first artificial intelligence model compares the production of the first food by period with the weather conditions of the first region by period, and analyzes how much the production of the first food is affected by the weather conditions of the first region, Based on the analysis results, the production volume of the first food expected to be produced in the first period can be predicted and calculated according to the weather forecast state in the first period.

예를 들어, 제1 인공지능 모델은 제1 식품의 2022년 1월 생산량, 제1 지역의 2022년 1월 기상 상태 및 2023년 1월 기상 예측 상태를 고려하여, 2023년 1월에 생산될 것으로 예상되는 제1 식품의 생산량을 예측하여 산정할 수 있다.For example, the first AI model predicts that the first food will be produced in January 2023, considering the January 2022 production volume of the first food, the January 2022 weather conditions in the first region, and the weather forecast conditions in January 2023. It can be calculated by predicting the expected production volume of the first food.

S207 단계에서, 장치(200)는 제1 인공지능 모델의 출력을 기초로, 제1 기간에 생산될 것으로 예상되는 제1 식품의 생산량을 제1 생산량으로 설정할 수 있다.In step S207, the device 200 may set the production volume of the first food expected to be produced in the first period as the first production volume, based on the output of the first artificial intelligence model.

일실시예에 따르면, 제1 인공지능 모델은 특정 식품의 기간별 생산량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과를 통해, 특정 기간에 생산될 것으로 예상되는 식품의 생산량이 얼마나 되는지 분석하도록 학습될 수 있다. 이를 통해, 제1 인공지능 모델은 식품의 기간별 생산량, 식품이 생산되는 지역이 기간별 기상 상태, 특정 기간의 기상 예측 상태 등을 고려하여, 특정 기간에 생산될 것으로 예상되는 식품의 생산량이 얼마나 되는지 분석하여 출력할 수 있다. 이를 위해, 제1 인공지능 모델은 특정 기간에 생산될 것으로 예상되는 식품의 생산량을 분석하도록 미리 학습된 상태일 수 있다.According to one embodiment, the first artificial intelligence model is the production volume of food expected to be produced in a specific period through a matching result of matching the production volume of a specific food by period, the weather condition by period in a specific region, and the weather forecast state of a specific period. It can be learned to analyze how much this is. Through this, the first artificial intelligence model analyzes how much food production is expected to be produced in a specific period, considering the production volume of food by period, weather conditions in the area where food is produced by period, and weather forecast conditions in a specific period. You can print it out. To this end, the first artificial intelligence model may be pre-trained to analyze the production amount of food expected to be produced in a specific period.

제1 인공지능 모델의 학습이 이루어지는 학습 장치는 학습된 제1 인공지능 모델을 이용하여 특정 기간에 생산될 것으로 예상되는 식품의 생산량을 예측하는 장치(200)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제1 인공지능 모델이 학습되는 과정을 설명한다.The learning device in which learning of the first artificial intelligence model is performed may be the same device as the device 200 for predicting the production amount of food expected to be produced in a specific period using the learned first artificial intelligence model, or may be a separate device. It may be. Below, the process by which the first artificial intelligence model is learned is explained.

먼저, 학습 장치는 특정 식품의 기간별 생산량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과를 기초로 입력을 생성할 수 있다.First, the learning device can generate input based on matching results that match the production volume of a specific food by period, weather conditions by period in a specific region, and weather forecast conditions of a specific period.

구체적으로, 학습 장치는 특정 식품의 기간별 생산량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과에 대해 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 매칭 결과를 제1 인공지능 모델의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.Specifically, the learning device may perform a preprocessing process on matching results that match the production volume of a specific food by period, weather conditions by period in a specific region, and weather forecast conditions of a specific period. The pre-processed matching result can be used as an input to the first artificial intelligence model, or the input can be generated through normal processing to remove unnecessary information.

다음으로, 학습 장치는 제1 인공지능 모델에 입력을 적용할 수 있다. 제1 인공지능 모델은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제1 인공지능 모델은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.Next, the learning device can apply input to the first artificial intelligence model. The first artificial intelligence model may be an artificial neural network learned according to reinforcement learning. The first artificial intelligence model may be a Q-Network, DQN (Depp Q-Network), or relational network (RL) structure suitable for outputting abstract inference through reinforcement learning.

강화 학습에 따라 학습되는 제1 인공지능 모델은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다.The first artificial intelligence model learned according to reinforcement learning can be updated and optimized by reflecting the evaluation of various rewards.

예를 들어, 제1 보상은 제1 식품의 기간별 생산량과 제1 지역의 기간별 기상 상태를 비교하여 제1 지역의 기상 상태가 제1 상태일 때 제1 식품의 생산량이 증가한 것으로 분석된 경우, 제1 지역에서 제1 기간의 기상 상태가 제1 상태일 확률이 높은 것으로 예측될수록 제1 식품의 생산량이 증가한 것으로 분석하면 보상값이 높아질 수 있으며, 제2 보상은 제1 식품의 기간별 생산량과 제1 지역의 기간별 기상 상태를 비교하여 제1 지역의 기상 상태가 제2 상태일 때 제1 식품의 생산량이 감소한 것으로 분석된 경우, 제1 지역에서 제1 기간의 기상 상태가 제2 상태일 확률이 높은 것으로 예측될수록 제1 식품의 생산량이 감소한 것으로 분석하면 보상값이 높아질 수 있다. 여기서, 제1 상태 및 제2 상태는 날씨, 강수량, 풍속, 온도, 습도 등의 기상 조건을 통해 설정될 수 있다.For example, the first compensation compares the production of the first food by period with the weather condition of the first region by period, and if it is analyzed that the production of the first food increased when the weather condition of the first region was in the first state, If it is analyzed that the production of the first food has increased as the weather condition in the first period in the region is predicted to have a higher probability of being the first condition, the compensation value can be higher, and the second compensation can be calculated based on the period-specific production of the first food and the first food. If it is analyzed that the production of the first food decreased when the weather conditions in the first region were in the second state by comparing the weather conditions by period in the region, there is a high probability that the weather conditions in the first period in the first region were in the second state. If the analysis predicts that the production of the first food decreases, the compensation value may increase. Here, the first state and the second state can be set through meteorological conditions such as weather, precipitation, wind speed, temperature, and humidity.

다음으로, 학습 장치는 제1 인공지능 모델로부터 출력을 획득할 수 있다. 제1 인공지능 모델의 출력은, 특정 기간에 생산될 것으로 예상되는 식품의 생산량에 대한 정보일 수 있다. 이때, 제1 인공지능 모델은 특정 식품의 기간별 생산량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과를 통해, 특정 기간에 생산될 것으로 예상되는 식품의 생산량을 분석하여, 특정 기간에 생산될 것으로 예상되는 식품의 생산량에 대한 정보를 출력할 수 있다.Next, the learning device may obtain an output from the first artificial intelligence model. The output of the first artificial intelligence model may be information about the production volume of food expected to be produced in a specific period. At this time, the first artificial intelligence model analyzes the production volume of food expected to be produced in a specific period through matching results that match the production volume of specific food by period, weather conditions by period in a specific region, and weather forecast conditions in a specific period, You can output information about the production volume of food expected to be produced in a specific period.

다음으로, 학습 장치는 제1 인공지능 모델의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상 내지 제2 보상 등으로 나뉠 수 있다.Next, the learning device may evaluate the output of the first artificial intelligence model and pay a reward. At this time, the evaluation of the output can be divided into first compensation, second compensation, etc.

예를 들어, 학습 장치는 제1 식품의 기간별 생산량과 제1 지역의 기간별 기상 상태를 비교하여 제1 지역의 기상 상태가 제1 상태일 때 제1 식품의 생산량이 증가한 것으로 분석된 경우, 제1 지역에서 제1 기간의 기상 상태가 제1 상태일 확률이 높을수록 제1 식품의 생산량이 증가한 것으로 분석하면 제1 보상을 많이 수여하고, 제1 식품의 기간별 생산량과 제1 지역의 기간별 기상 상태를 비교하여 제1 지역의 기상 상태가 제2 상태일 때 제1 식품의 생산량이 감소한 것으로 분석된 경우, 제1 지역에서 제1 기간의 기상 상태가 제2 상태일 확률이 높을수록 제1 식품의 생산량이 감소한 것으로 분석하면 제2 보상을 많이 수여할 수 있다.For example, the learning device compares the periodical production of the first food with the periodical weather condition of the first region, and if it is analyzed that the production of the first food increased when the weather condition of the first region was in the first state, the first region If it is analyzed that the higher the probability that the weather condition in the first period in the region is the first condition, the production of the first food increases, more first compensation is awarded, and the production of the first food by period and the weather condition by period in the first region are analyzed as In comparison, if it is analyzed that the production of the first food decreases when the weather condition in the first region is in the second state, the higher the probability that the weather condition in the first period in the first region is the second state, the higher the production of the first food. If we analyze this decrease, we can award more secondary rewards.

다음으로, 학습 장치는 평가를 기초로 제1 인공지능 모델을 갱신할 수 있다.Next, the learning device may update the first artificial intelligence model based on the evaluation.

구체적으로, 학습 장치는 제1 인공지능 모델이, 특정 기간에 생산될 것으로 예상되는 식품의 생산량을 분석하는 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 인공지능 모델을 갱신할 수 있다.Specifically, the learning device specifies the first artificial intelligence model to maximize the expected value of the sum of rewards in an environment that analyzes the amount of food expected to be produced in a specific period. The first artificial intelligence model can be updated through the process of optimizing the policy that determines the actions to be taken in the states.

예를 들어, 학습 장치는 제1 기간에 생산될 것으로 예상되는 제1 식품의 생산량을 제1 생산량으로 분석한 결과에 대해 문제가 없는 경우, 제1 생산량의 분석에 대해 문제가 없음을 나타내는 정보를 포함하는 제1 학습 데이터를 생성하고, 제1 학습 데이터를 제1 인공지능 모델에 적용하여, 제1 기간의 기상 예측 상태와 유사한 기상 예측 상태를 가지는 다른 기간에 생산될 것으로 예상되는 제1 식품의 생산량을 분석할 때 제1 생산량과 유사한 값을 가지도록, 제1 인공지능 모델을 학습시키는 과정을 통해, 제1 인공지능 모델을 갱신할 수 있다.For example, if there is no problem with the result of analyzing the production volume of the first food expected to be produced in the first period as the first production volume, the learning device provides information indicating that there is no problem with the analysis of the first production volume. Generating first learning data comprising, and applying the first learning data to the first artificial intelligence model, to produce first food expected to be produced in another period having a weather prediction state similar to that of the first period. When analyzing production volume, the first artificial intelligence model can be updated through the process of training the first artificial intelligence model to have a value similar to the first production volume.

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.Meanwhile, the process of optimizing the policy can be accomplished through estimating the maximum expected value of the sum of rewards or the maximum value of the Q-function, or estimating the minimum value of the loss function of the Q-function. Estimation of the minimum value of the loss function can be done through stochastic gradient descent (SGD), etc. The process of optimizing the policy is not limited to this, and various optimization algorithms used in reinforcement learning can be used.

학습 장치는 상술한 제1 인공지능 모델의 학습 과정을 반복함으로써, 제1 인공지능 모델을 점진적으로 갱신시킬 수 있다. 이를 통해, 학습 장치는 특정 식품의 기간별 생산량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과를 통해, 특정 기간에 생산될 것으로 예상되는 식품의 생산량을 출력하는 제1 인공지능 모델을 학습시킬 수 있다.The learning device can gradually update the first artificial intelligence model by repeating the learning process of the first artificial intelligence model described above. Through this, the learning device is a first artificial device that outputs the production volume of food expected to be produced in a specific period through matching results that match the production volume of a specific food by period, weather conditions by period in a specific region, and weather forecast conditions in a specific period. Intelligence models can be trained.

즉, 학습 장치는 특정 식품의 기간별 생산량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과를 통해, 특정 기간에 생산될 것으로 예상되는 식품의 생산량을 분석할 때, 제1 보상 내지 제2 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제1 인공지능 모델을 학습시킬 수 있다.In other words, when the learning device analyzes the production volume of food expected to be produced in a specific period through the matching result of matching the production volume of a specific food by period, the weather condition by period in a specific region, and the weather forecast state of a specific period, the first The first artificial intelligence model can be learned by adjusting the analysis standard by reflecting reinforcement learning through compensation or second compensation.

S208 단계에서, 장치(200)는 제1 식품의 기간별 판매량, 제1 지역의 기간별 기상 상태 및 제1 기간의 기상 예측 상태를 매칭하여, 제2 매칭 결과를 생성할 수 있다.In step S208, the device 200 may generate a second matching result by matching the sales volume of the first food by period, the weather condition by period of the first region, and the weather forecast state of the first period.

S209 단계에서, 장치(200)는 제2 매칭 결과를 미리 학습된 제2 인공지능 모델에 적용할 수 있다. 여기서, 제2 인공지능 모델은 특정 식품의 기간별 판매량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과를 입력 받은 후, 특정 기간에 판매될 것으로 예상되는 식품의 판매량을 예측하여 출력하는 알고리즘일 수 있다.In step S209, the device 200 may apply the second matching result to the second artificial intelligence model learned in advance. Here, the second artificial intelligence model predicts the sales volume of food expected to be sold in a specific period after receiving the matching result of matching the sales volume of a specific food by period, the weather condition by period in a specific region, and the weather forecast state of a specific period. It may be an algorithm that outputs.

즉, 제2 인공지능 모델은 식품의 기간별 판매량, 식품이 판매되는 지역이 기간별 기상 상태, 특정 기간의 기상 예측 상태 등을 고려하여, 특정 기간에 판매될 것으로 예상되는 식품의 판매량을 예측하여 산정할 수 있다.In other words, the second artificial intelligence model predicts and calculates the sales volume of food expected to be sold in a specific period, taking into account the sales volume of food by period, weather conditions in the area where food is sold, weather forecast conditions in a specific period, etc. You can.

구체적으로, 제2 인공지능 모델은 제1 식품의 기간별 판매량과 제1 지역의 기간별 기상 상태를 비교하여, 제1 지역의 기상 상태에 따라 제1 식품의 판매량이 얼마나 많은 영향을 받고 있는지 분석하고, 분석 결과를 기반으로, 제1 기간의 기상 예측 상태에 따라 제1 기간에 판매될 것으로 예상되는 제1 식품의 판매량을 예측하여 산정할 수 있다.Specifically, the second artificial intelligence model compares the sales volume of the first food by period with the weather conditions of the first region by period, and analyzes how much the sales volume of the first food is affected by the weather conditions of the first region, Based on the analysis results, the sales volume of the first food expected to be sold in the first period can be predicted and calculated according to the weather forecast state in the first period.

예를 들어, 제2 인공지능 모델은 제1 식품의 2022년 1월 판매량, 제1 지역의 2022년 1월 기상 상태 및 2023년 1월 기상 예측 상태를 고려하여, 2023년 1월에 판매될 것으로 예상되는 제1 식품의 판매량을 예측하여 산정할 수 있다.For example, the second AI model predicts that the first food will be sold in January 2023, considering the January 2022 sales volume of the first food, the January 2022 weather conditions in the first region, and the weather forecast status in January 2023. It can be calculated by predicting the expected sales volume of the first food.

S210 단계에서, 장치(200)는 제2 인공지능 모델의 출력을 기초로, 제1 기간에 판매될 것으로 예상되는 제1 식품의 판매량을 제1 판매량으로 설정할 수 있다.In step S210, the device 200 may set the sales volume of the first food expected to be sold in the first period as the first sales volume, based on the output of the second artificial intelligence model.

일실시예에 따르면, 제2 인공지능 모델은 특정 식품의 기간별 판매량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과를 통해, 특정 기간에 판매될 것으로 예상되는 식품의 판매량이 얼마나 되는지 분석하도록 학습될 수 있다. 이를 통해, 제2 인공지능 모델은 식품의 기간별 판매량, 식품이 판매되는 지역이 기간별 기상 상태, 특정 기간의 기상 예측 상태 등을 고려하여, 특정 기간에 판매될 것으로 예상되는 식품의 판매량이 얼마나 되는지 분석하여 출력할 수 있다. 이를 위해, 제2 인공지능 모델은 특정 기간에 판매될 것으로 예상되는 식품의 판매량을 분석하도록 미리 학습된 상태일 수 있다.According to one embodiment, the second artificial intelligence model is the sales volume of food expected to be sold in a specific period through a matching result of matching the sales volume of a specific food by period, the weather condition by period of a specific region, and the weather forecast state of a specific period. It can be learned to analyze how much this is. Through this, the second artificial intelligence model analyzes how much food is expected to be sold in a specific period, considering the sales volume of food by period, the weather conditions of the area where food is sold by period, and the weather forecast status of a specific period. You can print it out. To this end, the second artificial intelligence model may be pre-trained to analyze the sales volume of food expected to be sold in a specific period.

제2 인공지능 모델의 학습이 이루어지는 학습 장치는 학습된 제2 인공지능 모델을 이용하여 특정 기간에 판매될 것으로 예상되는 식품의 판매량을 예측하는 장치(200)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제2 인공지능 모델이 학습되는 과정을 설명한다.The learning device in which learning of the second artificial intelligence model is performed may be the same device as the device 200 for predicting the sales volume of food expected to be sold in a specific period using the learned second artificial intelligence model, or may be a separate device. It may be. Below, the process by which the second artificial intelligence model is learned is explained.

먼저, 학습 장치는 특정 식품의 기간별 판매량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과를 기초로 입력을 생성할 수 있다.First, the learning device can generate input based on matching results that match the sales volume of a specific food by period, weather conditions by period in a specific region, and weather forecast conditions of a specific period.

구체적으로, 학습 장치는 특정 식품의 기간별 판매량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과에 대해 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 매칭 결과를 제2 인공지능 모델의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.Specifically, the learning device may perform a preprocessing process on matching results that match the sales volume of a specific food by period, weather conditions by period in a specific region, and weather forecast conditions of a specific period. The pre-processed matching result can be used as an input to the second artificial intelligence model, or the input can be generated through normal processing to remove unnecessary information.

다음으로, 학습 장치는 제2 인공지능 모델에 입력을 적용할 수 있다. 제2 인공지능 모델은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제2 인공지능 모델은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.Next, the learning device can apply input to the second artificial intelligence model. The second artificial intelligence model may be an artificial neural network learned according to reinforcement learning. The second artificial intelligence model may be a Q-Network, DQN (Depp Q-Network), or relational network (RL) structure suitable for outputting abstract inference through reinforcement learning.

강화 학습에 따라 학습되는 제2 인공지능 모델은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다.The second artificial intelligence model learned according to reinforcement learning can be updated and optimized by reflecting the evaluation of various rewards.

예를 들어, 제3 보상은 제1 식품의 기간별 판매량과 제1 지역의 기간별 기상 상태를 비교하여 제1 지역의 기상 상태가 제3 상태일 때 제1 식품의 판매량이 증가한 것으로 분석된 경우, 제1 지역에서 제1 기간의 기상 상태가 제3 상태일 확률이 높은 것으로 예측될수록 제1 식품의 판매량이 증가한 것으로 분석하면 보상값이 높아질 수 있으며, 제4 보상은 제1 식품의 기간별 판매량과 제1 지역의 기간별 기상 상태를 비교하여 제1 지역의 기상 상태가 제4 상태일 때 제1 식품의 판매량이 감소한 것으로 분석된 경우, 제1 지역에서 제1 기간의 기상 상태가 제4 상태일 확률이 높은 것으로 예측될수록 제1 식품의 판매량이 감소한 것으로 분석하면 보상값이 높아질 수 있다. 여기서, 제3 상태 및 제4 상태는 날씨, 강수량, 풍속, 온도, 습도 등의 기상 조건을 통해 설정될 수 있다.For example, the third compensation compares the sales volume of the first food by period with the weather condition of the first region by period, and if it is analyzed that the sales volume of the first food increased when the weather condition of the first region was in the third state, The higher the probability that the weather condition in the first period in region 1 is predicted to be the third condition, the higher the compensation value can be if it is analyzed that the sales volume of the first food has increased, and the fourth compensation can be calculated by dividing the sales volume of the first food by period and the 1st food by period. By comparing the weather conditions for each period in the region, if it is analyzed that the sales volume of the first food decreased when the weather condition in the first region was in the fourth state, there is a high probability that the weather condition in the first period in the first region was in the fourth state. The more it is predicted that the sales volume of the first food decreases, the higher the compensation value can be. Here, the third state and fourth state can be set through meteorological conditions such as weather, precipitation, wind speed, temperature, and humidity.

다음으로, 학습 장치는 제2 인공지능 모델로부터 출력을 획득할 수 있다. 제2 인공지능 모델의 출력은, 특정 기간에 판매될 것으로 예상되는 식품의 판매량에 대한 정보일 수 있다. 이때, 제2 인공지능 모델은 특정 식품의 기간별 판매량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과를 통해, 특정 기간에 판매될 것으로 예상되는 식품의 판매량을 분석하여, 특정 기간에 판매될 것으로 예상되는 식품의 판매량에 대한 정보를 출력할 수 있다.Next, the learning device can obtain an output from the second artificial intelligence model. The output of the second artificial intelligence model may be information about the sales volume of food expected to be sold in a specific period. At this time, the second artificial intelligence model analyzes the sales volume of food expected to be sold in a specific period through matching results that match the sales volume of a specific food by period, weather conditions by period in a specific region, and weather forecast conditions in a specific period, You can output information about the sales volume of food expected to be sold in a specific period.

다음으로, 학습 장치는 제2 인공지능 모델의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제3 보상 내지 제4 보상 등으로 나뉠 수 있다.Next, the learning device can evaluate the output of the second artificial intelligence model and pay a reward. At this time, the evaluation of the output can be divided into third compensation, fourth compensation, etc.

예를 들어, 학습 장치는 제1 식품의 기간별 판매량과 제1 지역의 기간별 기상 상태를 비교하여 제1 지역의 기상 상태가 제3 상태일 때 제1 식품의 판매량이 증가한 것으로 분석된 경우, 제1 지역에서 제1 기간의 기상 상태가 제3 상태일 확률이 높을수록 제1 식품의 판매량이 증가한 것으로 분석하면 제3 보상을 많이 수여하고, 제1 식품의 기간별 판매량과 제1 지역의 기간별 기상 상태를 비교하여 제1 지역의 기상 상태가 제4 상태일 때 제1 식품의 판매량이 감소한 것으로 분석된 경우, 제1 지역에서 제1 기간의 기상 상태가 제4 상태일 확률이 높을수록 제1 식품의 판매량이 감소한 것으로 분석하면 제4 보상을 많이 수여할 수 있다.For example, the learning device compares the sales volume of the first food by period with the weather condition of the first region by period, and if it is analyzed that the sales volume of the first food increased when the weather state of the first region is in the third state, the first food If it is analyzed that the higher the probability that the weather condition in the first period is the third condition in the region, the sales volume of the first food increases, more third compensation is awarded, and the sales volume of the first food by period and the weather condition by period in the first region are analyzed. In comparison, if it is analyzed that the sales volume of the first food decreases when the weather condition in the first region is the fourth state, the higher the probability that the weather condition in the first period in the first region is the fourth state, the higher the sales volume of the first food. If we analyze this decrease, we can award more fourth rewards.

다음으로, 학습 장치는 평가를 기초로 제2 인공지능 모델을 갱신할 수 있다.Next, the learning device may update the second artificial intelligence model based on the evaluation.

구체적으로, 학습 장치는 제2 인공지능 모델이, 특정 기간에 판매될 것으로 예상되는 식품의 판매량을 분석하는 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 제2 인공지능 모델을 갱신할 수 있다.Specifically, the learning device specifies the second artificial intelligence model to maximize the expected value of the sum of rewards in an environment that analyzes the sales volume of food expected to be sold in a specific period. The second artificial intelligence model can be updated through the process of optimizing the policy that determines the actions to be taken in the states.

예를 들어, 학습 장치는 제1 기간에 판매될 것으로 예상되는 제1 식품의 판매량을 제1 판매량으로 분석한 결과에 대해 문제가 없는 경우, 제1 판매량의 분석에 대해 문제가 없음을 나타내는 정보를 포함하는 제1 학습 데이터를 생성하고, 제1 학습 데이터를 제2 인공지능 모델에 적용하여, 제1 기간의 기상 예측 상태와 유사한 기상 예측 상태를 가지는 다른 기간에 판매될 것으로 예상되는 제1 식품의 판매량을 분석할 때 제1 판매량과 유사한 값을 가지도록, 제2 인공지능 모델을 학습시키는 과정을 통해, 제2 인공지능 모델을 갱신할 수 있다.For example, if there is no problem with the result of analyzing the sales volume of the first food expected to be sold in the first period as the first sales volume, the learning device provides information indicating that there is no problem with the analysis of the first sales volume. Generate first learning data including, and apply the first learning data to the second artificial intelligence model to produce first food expected to be sold in another period having a weather forecast state similar to the weather forecast state of the first period. When analyzing sales volume, the second artificial intelligence model can be updated through the process of training the second artificial intelligence model to have a value similar to the first sales volume.

학습 장치는 상술한 제2 인공지능 모델의 학습 과정을 반복함으로써, 제2 인공지능 모델을 점진적으로 갱신시킬 수 있다. 이를 통해, 학습 장치는 특정 식품의 기간별 판매량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과를 통해, 특정 기간에 판매될 것으로 예상되는 식품의 판매량을 출력하는 제2 인공지능 모델을 학습시킬 수 있다.The learning device can gradually update the second artificial intelligence model by repeating the learning process of the second artificial intelligence model described above. Through this, the learning device is a second artificial device that outputs the sales volume of food expected to be sold in a specific period through matching results that match the sales volume of a specific food by period, weather conditions by period in a specific region, and weather forecast conditions of a specific period. Intelligence models can be trained.

즉, 학습 장치는 특정 식품의 기간별 판매량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과를 통해, 특정 기간에 판매될 것으로 예상되는 식품의 판매량을 분석할 때, 제3 보상 내지 제4 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제2 인공지능 모델을 학습시킬 수 있다.In other words, when the learning device analyzes the sales volume of food expected to be sold in a specific period through the matching result of matching the sales volume of a specific food by period, weather conditions by period in a specific region, and weather forecast status of a specific period, the third A second artificial intelligence model can be learned by adjusting the analysis standard by reflecting reinforcement learning through compensation or fourth compensation.

S211 단계에서, 장치(200)는 제1 생산량에서 제1 판매량을 뺀 값으로 여유 재고량을 산출할 수 있다.In step S211, the device 200 may calculate the spare inventory amount by subtracting the first sales volume from the first production volume.

도 3은 일실시예에 따른 식품의 가격 변동성을 예측하는 과정을 설명하기 위한 순서도이다.Figure 3 is a flow chart to explain the process of predicting price volatility of food according to one embodiment.

일실시예에 따르면, 도 3에 도시된 각 단계는 S211 단계 이후에 수행될 수 있다.According to one embodiment, each step shown in FIG. 3 may be performed after step S211.

도 3을 참조하면, 먼저, S301 단계에서, 장치(200)는 제1 식품의 기준 가격이 제1 가격으로 설정되어 있는 것을 확인할 수 있다. 이때, 장치(200)는 제1 식품의 식품 정보를 기초로, 제1 식품의 기준 가격이 제1 가격으로 설정되어 있는 것을 확인할 수 있다. 여기서, 제1 식품의 식품 가격은 관리자의 요청에 의해 설정될 수 있고, 미리 정해진 기간 동안 제1 식품의 평균 판매 가격으로 설정될 수도 있다.Referring to FIG. 3, first, in step S301, the device 200 can confirm that the reference price of the first food is set to the first price. At this time, the device 200 may confirm that the standard price of the first food is set to the first price based on the food information of the first food. Here, the food price of the first food may be set at the request of the manager, or may be set as the average sales price of the first food during a predetermined period.

S302 단계에서, 장치(200)는 여유 재고량이 기준 재고량 범위 내에 포함되어 있는지 여부를 확인할 수 있다. 여기서, 기준 재고량 범위는 실시예에 따라 상이하게 설정될 수 있다.In step S302, the device 200 may check whether the spare inventory amount is within the standard inventory range. Here, the standard inventory range may be set differently depending on the embodiment.

S302 단계에서 여유 재고량이 기준 재고량 범위 내에 포함되어 있는 것으로 확인되면, S303 단계에서, 장치(200)는 제1 기간에 제1 식품의 가격이 제1 가격으로 유지될 것으로, 제1 식품의 가격 변동성을 예측할 수 있다.If it is confirmed in step S302 that the spare stock amount is included within the standard inventory range, in step S303, the device 200 determines that the price of the first food will be maintained at the first price in the first period, and the price volatility of the first food can be predicted.

예를 들어, 기준 재고량 범위가 100개부터 200까지로 설정되어 있는 경우, 장치(200)는 여유 재고량이 150개로 확인되면, 제1 기간에 제1 식품의 가격이 제1 가격으로 유지될 것으로, 제1 식품의 가격 변동성을 예측할 수 있다.For example, when the standard inventory range is set from 100 to 200, the device 200 determines that if the spare inventory is confirmed to be 150, the price of the first food will be maintained at the first price in the first period, The price volatility of the first food product can be predicted.

S302 단계에서 여유 재고량이 기준 재고량 범위를 벗어나는 것으로 확인되면, S304 단계에서, 장치(200)는 여유 재고량이 기준 재고량 범위의 최소값 보다 적은지 여부를 확인할 수 있다.If it is confirmed in step S302 that the free inventory amount is outside the standard inventory range, in step S304, the device 200 may check whether the free inventory amount is less than the minimum value of the standard inventory range.

S304 단계에서 여유 재고량이 기준 재고량 범위의 최소값 보다 적은 것으로 확인되면, S305 단계에서, 장치(200)는 여유 재고량이 적을수록 더 높은 값으로 제1 가중치를 설정할 수 있다. 이때, 제1 가중치는 100%부터 150%까지 범위 내에서 설정될 수 있다.If it is confirmed in step S304 that the amount of free inventory is less than the minimum value of the standard inventory range, in step S305, the device 200 may set the first weight to a higher value as the amount of free stock decreases. At this time, the first weight can be set within a range from 100% to 150%.

예를 들어, 기준 재고량 범위가 100개부터 200까지로 설정되어 있는 경우, 장치(200)는 여유 재고량이 90개로 확인되면, 제1 가중치를 110%로 설정할 수 있고, 여유 재고량이 80개로 확인되면, 제1 가중치를 120%로 설정할 수 있다.For example, if the standard inventory range is set from 100 to 200, the device 200 can set the first weight to 110% when the free stock amount is confirmed to be 90, and when the free stock amount is confirmed to be 80. , the first weight can be set to 120%.

S306 단계에서, 장치(200)는 제1 가격 및 제1 가중치를 곱한 값으로 제2 가격을 산출할 수 있다.In step S306, the device 200 may calculate the second price as the product of the first price and the first weight.

S307 단계에서, 장치(200)는 제1 기간에 제1 식품의 가격이 제1 가격에서 제2 가격으로 변동할 것으로, 제1 식품의 가격 변동성을 예측할 수 있다.In step S307, the device 200 may predict the price volatility of the first food, such that the price of the first food will change from the first price to the second price in the first period.

즉, 장치(200)는 여유 재고량이 기준 재고량 범위를 벗어나 기준 재고량 범위의 최소값 보다 적은 것으로 확인되면, 100%부터 150%까지 범위 내에서 여유 재고량이 적을수록 더 높은 값으로 제1 가중치를 설정하고, 제1 가격 및 제1 가중치를 곱한 값으로 제2 가격을 산출하고, 제1 기간에 제1 식품의 가격이 제1 가격에서 제2 가격으로 변동할 것으로, 제1 식품의 가격 변동성을 예측함으로써, 여유 재고량이 일정 이하로 적은 경우, 제1 기간에 제1 식품의 가격이 기준 가격 보다 높은 가격으로 변동할 것으로, 제1 식품의 가격 변동성을 예측할 수 있다.That is, if the device 200 determines that the free stock amount is outside the standard stock amount range and is less than the minimum value of the standard stock amount range, the device 200 sets the first weight to a higher value as the free stock amount is smaller within the range from 100% to 150%. , calculating the second price as the product of the first price and the first weight, and predicting the price volatility of the first food such that the price of the first food will change from the first price to the second price in the first period. , if the amount of spare inventory is below a certain level, the price of the first food will fluctuate to a price higher than the reference price in the first period, and the price volatility of the first food can be predicted.

한편, S304 단계에서 여유 재고량이 기준 재고량 범위의 최소값 보다 적지 않고 많은 것으로 확인되면, 여유 재고량이 기준 재고량 범위를 벗어나 있으므로, 여유 재고량이 기준 재고량 범위의 최대값 보다 많은 것으로 확인될 수 있으며, 여유 재고량이 기준 재고량 범위의 최대값 보다 많은 것으로 확인되면, S308 단계에서, 장치(200)는 여유 재고량이 많을수록 더 낮은 값으로 제2 가중치를 설정할 수 있다. 이때, 제2 가중치는 50%부터 100%까지 범위 내에서 설정될 수 있다.On the other hand, if it is confirmed in step S304 that the free stock amount is more than the minimum value of the standard stock amount range, the free stock amount is outside the standard stock amount range, so it can be confirmed that the free stock amount is more than the maximum value of the standard stock amount range. If it is confirmed that this standard inventory amount is greater than the maximum value of the range, in step S308, the device 200 may set the second weight to a lower value as the free inventory amount increases. At this time, the second weight can be set within a range from 50% to 100%.

예를 들어, 기준 재고량 범위가 100개부터 200까지로 설정되어 있는 경우, 장치(200)는 여유 재고량이 210개로 확인되면, 제2 가중치를 90%로 설정할 수 있고, 여유 재고량이 220개로 확인되면, 제2 가중치를 80%로 설정할 수 있다.For example, if the standard inventory range is set from 100 to 200, the device 200 can set the second weight to 90% when the free stock amount is confirmed to be 210, and when the free stock amount is confirmed to be 220. , the second weight can be set to 80%.

S309 단계에서, 장치(200)는 제1 가격 및 제2 가중치를 곱한 값으로 제3 가격을 산출할 수 있다.In step S309, the device 200 may calculate the third price as the product of the first price and the second weight.

S310 단계에서, 장치(200)는 제1 기간에 제1 식품의 가격이 제1 가격에서 제3 가격으로 변동할 것으로, 제1 식품의 가격 변동성을 예측할 수 있다.In step S310, the device 200 may predict the price volatility of the first food, such that the price of the first food will change from the first price to the third price in the first period.

즉, 장치(200)는 여유 재고량이 기준 재고량 범위를 벗어나 기준 재고량 범위의 최대값 보다 많은 것으로 확인되면, 50%부터 100%까지 범위 내에서 여유 재고량이 많을수록 더 낮은 값으로 제2 가중치를 설정하고, 제1 가격 및 제2 가중치를 곱한 값으로 제3 가격을 산출하고, 제1 기간에 제1 식품의 가격이 제1 가격에서 제3 가격으로 변동할 것으로, 제1 식품의 가격 변동성을 예측함으로써, 여유 재고량이 일정 이상으로 많은 경우, 제1 기간에 제1 식품의 가격이 기준 가격 보다 낮은 가격으로 변동할 것으로, 제1 식품의 가격 변동성을 예측할 수 있다.That is, if the device 200 determines that the free stock amount is outside the standard stock amount range and is greater than the maximum value of the standard stock amount range, the device 200 sets the second weight to a lower value as the free stock amount increases within the range from 50% to 100%. , calculating the third price as the product of the first price and the second weight, and predicting the price volatility of the first food such that the price of the first food will change from the first price to the third price in the first period. , if the amount of spare inventory is greater than a certain level, the price of the first food will fluctuate to a price lower than the reference price in the first period, and the price volatility of the first food can be predicted.

S303 단계, S307 단계 및 S310 단계 중 어느 하나의 단계를 통해 제1 식품의 가격 변동성이 예측되면, S311 단계에서, 장치(200)는 제1 식품의 가격 변동성을 예측한 결과를 관리자 단말(100)로 전송할 수 있다.If the price volatility of the first food is predicted through any one of steps S303, S307, and S310, in step S311, the device 200 reports the result of predicting the price volatility of the first food to the manager terminal 100. It can be sent to .

장치(200)는 제1 기간이 시작되면, 제1 식품의 가격 변동성을 예측한 결과를 기반으로, 제1 식품의 판매 가격을 자동으로 설정할 수 있다.When the first period begins, the device 200 may automatically set the sales price of the first food based on a result of predicting the price volatility of the first food.

도 4는 일실시예에 따른 날씨 및 대목을 고려하여 가격 조정 비율을 설정하는 과정을 설명하기 위한 순서도이다.Figure 4 is a flowchart for explaining the process of setting a price adjustment ratio in consideration of weather and items according to an embodiment.

일실시예에 따르면, 도 4에 도시된 각 단계는 S211 단계 이후에 수행될 수 있다.According to one embodiment, each step shown in FIG. 4 may be performed after step S211.

도 4를 참조하면, 먼저, S401 단계에서, 장치(200)는 제1 지역의 기상 정보를 기반으로, 제1 기간 동안에 제1 식품의 생산에 악영향을 주는 악천후 기간이 포함되어 있는지 여부를 분석할 수 있다. 여기서, 악천후 기간은 폭우, 폭풍, 태풍, 우박, 폭설, 소나기 등 식품 생산 활동에 나쁜 영향을 끼치는 날씨가 예측된 기간을 의미할 수 있다.Referring to FIG. 4, first, in step S401, the device 200 analyzes whether a period of bad weather adversely affecting the production of the first food is included during the first period, based on weather information of the first region. You can. Here, the bad weather period may refer to a period in which weather that has a negative impact on food production activities, such as heavy rain, storms, typhoons, hail, heavy snow, and showers, is predicted.

예를 들어, 장치(200)는 제1 식품의 생산에 폭우가 악영향을 주는 경우, 제1 기간 동안에 날씨가 폭우로 예측된 날이 포함되어 있는지 여부를 분석할 수 있다.For example, when heavy rain has a negative effect on the production of the first food, the device 200 may analyze whether days on which the weather is predicted to be heavy rain are included in the first period.

S402 단계에서, 장치(200)는 제1 기간 동안에 제1 식품의 생산에 악영향을 주는 악천후 기간이 포함되어 있는지 여부를 분석한 결과, 제1 기간 동안에 악천후 기간이 포함되어 있는지 여부를 확인할 수 있다.In step S402, the device 200 may check whether the bad weather period that adversely affects the production of the first food is included in the first period as a result of analyzing whether the bad weather period that adversely affects the production of the first food is included.

S402 단계에서 제1 기간 동안에 악천후 기간이 포함되어 있지 않은 것으로 확인되면, S407 단계에서, 장치(200)는 제1 비율을 100%로 설정할 수 있다.If it is confirmed in step S402 that the inclement weather period is not included in the first period, in step S407, the device 200 may set the first ratio to 100%.

S402 단계에서 제1 기간 동안에 악천후 기간이 포함되어 있는 것으로 확인되면, S403 단계에서, 장치(200)는 제1 기간 내에서 악천후 기간을 제1-1 기간으로 설정할 수 있다.If it is confirmed in step S402 that the bad weather period is included in the first period, in step S403, the device 200 may set the bad weather period within the first period as the 1-1 period.

S404 단계에서, 장치(200)는 제1 기간의 일수를 제1 수치로 설정하고, 제1-1 기간의 일수를 제2 수치로 설정할 수 있다.In step S404, the device 200 may set the number of days in the first period as a first value and the number of days in the 1-1 period as a second value.

S405 단계에서, 장치(200)는 제2 수치를 제1 수치로 나눈 값으로 제2 비율을 산출할 수 있다.In step S405, the device 200 may calculate the second ratio by dividing the second value by the first value.

S406 단계에서, 장치(200)는 100%와 제2 비율을 더한 값으로 제1 비율을 설정할 수 있다.In step S406, the device 200 may set the first ratio to a value obtained by adding 100% and the second ratio.

예를 들어, 제1 기간이 6월1일부터 6월30일까지로 설정되어 있는 경우, 장치(200)는 제1 지역의 기상 정보를 기반으로, 6월1일부터 6월30일까지 예측된 날씨를 확인한 결과, 6월1일부터 6월3일까지 제1 지역의 날씨가 악천후인 것으로 확인되면, 6월1일부터 6월3일까지 제1-1 기간으로 설정할 수 있으며, 제1 기간의 일수가 30일로 확인되어 제1 수치를 30으로 설정하고, 제1-1 기간의 일수가 3일로 확인되어 제2 수치를 3으로 설정할 수 있으며, “3 / 30”을 통해 산출된 10%를 제2 비율로 산출할 수 있고, “100% + 10%”를 통해 산출된 110%를 제1 비율로 산출할 수 있다.For example, if the first period is set from June 1 to June 30, the device 200 predicts from June 1 to June 30 based on weather information in the first region. As a result of checking the weather, if it is confirmed that the weather in Region 1 is bad from June 1st to June 3rd, it can be set as Period 1-1 from June 1st to June 3rd. The number of days in the period is confirmed to be 30 days, so the first number can be set to 30, and the number of days in the 1-1 period is confirmed to be 3 days, so the second number can be set to 3, and 10% calculated through “3 / 30” can be calculated as the second ratio, and 110% calculated through “100% + 10%” can be calculated as the first ratio.

즉, 장치(200)는 악천후 기간에 식품의 생산량이 감소하기 때문에, 감소된 생산량을 고려하여 식품의 가격을 더 높은 가격으로 조정하기 위해, 악천후 기간이 길수록 제1 비율을 더 높은 값으로 설정할 수 있다.That is, the device 200 may set the first ratio to a higher value as the bad weather period is longer, in order to adjust the price of food to a higher price in consideration of the reduced production, because the production of food decreases during the bad weather period. there is.

한편, S408 단계에서, 장치(200)는 제1 기간의 일정 정보를 기반으로, 제1 기간 동안에 제1 식품의 판매에 호영향을 주는 대목 기간이 포함되어 있는지 여부를 분석할 수 있다. 여기서, 대목 기간은 공휴일, 명절, 방학, 휴가 시즌 등 식품 판매 활동에 좋은 영향을 끼치는 일정이 포함된 기간을 의미할 수 있다.Meanwhile, in step S408, the device 200 may analyze whether a period that has a positive impact on sales of the first food is included in the first period based on schedule information of the first period. Here, the main period may refer to a period that includes schedules that have a positive impact on food sales activities, such as public holidays, holidays, vacations, and vacation seasons.

예를 들어, 장치(200)는 제1 식품의 판매에 공휴일이 호영향을 주는 경우, 제1 기간 동안에 공휴일로 설정된 날이 포함되어 있는지 여부를 분석할 수 있다.For example, if a public holiday has a positive effect on sales of the first food, the device 200 may analyze whether a day set as a public holiday is included in the first period.

일실시예에 따르면, 제1 기간의 일정 정보는 장치(200)의 데이터베이스로부터 획득될 수 있으며, 날짜별로 설정되어 있는 일정과 관련된 정보를 포함할 수 있다.According to one embodiment, schedule information for the first period may be obtained from the database of the device 200 and may include information related to schedules set for each date.

즉, 장치(200)는 데이터베이스에 저장된 정보를 조회하여 제1 기간의 일정 정보를 획득하고, 획득된 제1 기간의 일정 정보를 기반으로, 제1 기간 동안에 제1 식품의 판매에 호영향을 주는 대목 기간이 포함되어 있는지 여부를 분석할 수 있다.That is, the device 200 searches the information stored in the database to obtain schedule information for the first period, and based on the obtained schedule information for the first period, provides information that positively affects sales of the first food during the first period. It is possible to analyze whether or not a period of time is included.

S409 단계에서, 장치(200)는 제1 기간 동안에 제1 식품의 판매에 호영향을 주는 대목 기간이 포함되어 있는지 여부를 분석한 결과, 제1 기간 동안에 대목 기간이 포함되어 있는지 여부를 확인할 수 있다.In step S409, the device 200 analyzes whether a period that has a positive effect on sales of the first food is included in the first period, and as a result, it can be confirmed whether the period is included in the first period. .

S409 단계에서 제1 기간 동안에 대목 기간이 포함되어 있지 않은 것으로 확인되면, S414 단계에서, 장치(200)는 제3 비율을 100%로 설정할 수 있다.If it is confirmed in step S409 that the main period is not included in the first period, the device 200 may set the third ratio to 100% in step S414.

S409 단계에서 제1 기간 동안에 대목 기간이 포함되어 있는 것으로 확인되면, S410 단계에서, 장치(200)는 제1 기간 내에서 대목 기간을 제1-2 기간으로 설정할 수 있다.If it is confirmed in step S409 that the main period is included in the first period, in step S410, the device 200 may set the main period as the 1-2 period within the first period.

S411 단계에서, 장치(200)는 제1 기간의 일수를 제1 수치로 설정하고, 제1-2 기간의 일수를 제3 수치로 설정할 수 있다.In step S411, the device 200 may set the number of days in the first period as a first value and the number of days in the 1-2 period as a third value.

S412 단계에서, 장치(200)는 제3 수치를 제1 수치로 나눈 값으로 제4 비율을 산출할 수 있다.In step S412, the device 200 may calculate the fourth ratio by dividing the third value by the first value.

S413 단계에서, 장치(200)는 100%와 제4 비율을 더한 값으로 제3 비율을 설정할 수 있다.In step S413, the device 200 may set the third ratio to the value obtained by adding 100% and the fourth ratio.

예를 들어, 제1 기간이 6월1일부터 6월30일까지로 설정되어 있는 경우, 장치(200)는 제1 기간의 일정 정보를 기반으로, 6월1일부터 6월30일까지 날짜별로 설정되어 있는 일정을 확인한 결과, 6월1일부터 6월6일까지 일정이 대목인 것으로 확인되면, 6월1일부터 6월6일까지 제1-2 기간으로 설정할 수 있으며, 제1 기간의 일수가 30일로 확인되어 제1 수치를 30으로 설정하고, 제1-2 기간의 일수가 6일로 확인되어 제3 수치를 6으로 설정할 수 있으며, “6 / 30”을 통해 산출된 20%를 제4 비율로 산출할 수 있고, “100% + 20%”를 통해 산출된 120%를 제3 비율로 산출할 수 있다.For example, if the first period is set from June 1 to June 30, the device 200 selects the dates from June 1 to June 30 based on the schedule information of the first period. As a result of checking the schedule set for each period, if it is confirmed that the schedule is from June 1 to June 6, the period from June 1 to June 6 can be set as the 1st and 2nd period, and the 1st period is The number of days in period 1-2 is confirmed to be 30 days, so the first number can be set to 30. The number of days in period 1-2 is confirmed to be 6 days, so the third number can be set to 6, and the 20% calculated through “6 / 30” is set to 30. It can be calculated as the fourth ratio, and 120% calculated through “100% + 20%” can be calculated as the third ratio.

즉, 장치(200)는 대목 기간에 식품의 판매량이 증가하기 때문에, 증가된 판매량을 고려하여 식품의 가격을 더 높은 가격으로 조정하기 위해, 대목 기간이 길수록 제3 비율을 더 높은 값으로 설정할 수 있다.That is, the device 200 may set the third ratio to a higher value as the selling period is longer, in order to adjust the price of food to a higher price in consideration of the increased sales volume, since the sales volume of food increases during the selling period. there is.

S415 단계에서, 장치(200)는 제1 비율 및 제3 비율이 각각 설정되면, 제1 비율 및 제3 비율을 곱한 값으로 제5 비율을 산출할 수 있다. 이때, 제1 비율은 S406 단계 또는 S407 단계를 통해 설정될 수 있고, 제3 비율은 S413 단계 또는 S414 단계를 통해 설정될 수 있다.In step S415, when the first ratio and the third ratio are respectively set, the device 200 may calculate the fifth ratio as a value obtained by multiplying the first ratio and the third ratio. At this time, the first ratio may be set through step S406 or S407, and the third ratio may be set through step S413 or S414.

S416 단계에서, 장치(200)는 제5 비율을 제1 기간에 제1 식품의 가격 변동성을 조정하기 위한 가격 조정 비율로 설정할 수 있다.In step S416, the device 200 may set the fifth ratio as a price adjustment ratio for adjusting the price volatility of the first food in the first period.

일실시예에 따르면, S303 단계를 통해, 제1 기간에 제1 식품의 가격이 제1 가격으로 유지될 것으로, 제1 식품의 가격 변동성이 예측된 경우, 제5 비율을 적용하여 제1 식품의 가격 변동성을 조정할 수 있다. 이와 관련된 자세한 설명은 도 5를 참조하여 후술하기로 한다.According to one embodiment, through step S303, when the price of the first food is predicted to be maintained at the first price in the first period and the price volatility of the first food is predicted, the fifth ratio is applied to determine the price of the first food. Price volatility can be adjusted. A detailed description regarding this will be provided later with reference to FIG. 5 .

일실시예에 따르면, S307 단계를 통해, 제1 기간에 제1 식품의 가격이 제1 가격에서 제2 가격으로 변동할 것으로, 제1 식품의 가격 변동성이 예측된 경우, 제5 비율을 적용하여 제1 식품의 가격 변동성을 조정할 수 있다. 이와 관련된 자세한 설명은 도 6을 참조하여 후술하기로 한다.According to one embodiment, in step S307, when the price volatility of the first food is predicted to change from the first price to the second price in the first period, the fifth ratio is applied The price volatility of the first food can be adjusted. A detailed description regarding this will be provided later with reference to FIG. 6 .

일실시예에 따르면, S310 단계를 통해, 제1 기간에 제1 식품의 가격이 제1 가격에서 제3 가격으로 변동할 것으로, 제1 식품의 가격 변동성이 예측된 경우, 제5 비율을 적용하여 제1 식품의 가격 변동성을 조정할 수 있다. 이와 관련된 자세한 설명은 도 7을 참조하여 후술하기로 한다.According to one embodiment, through step S310, when the price volatility of the first food is predicted to change from the first price to the third price in the first period, the fifth ratio is applied The price volatility of the first food can be adjusted. A detailed description regarding this will be provided later with reference to FIG. 7 .

도 5는 일실시예에 따른 제1 기간에 제1 식품의 가격이 제1 가격으로 유지될 것으로, 제1 식품의 가격 변동성이 예측된 경우, 가격 조정 비율에 따라 제1 식품의 가격 변동성을 조정하는 과정을 설명하기 위한 순서도이다.5 shows that the price of the first food will be maintained at the first price in the first period according to an embodiment, and when the price volatility of the first food is predicted, the price volatility of the first food is adjusted according to the price adjustment ratio. This is a flowchart to explain the process.

도 5를 참조하면, 먼저, S501 단계에서, 장치(200)는 제1 가격 및 제5 비율을 곱한 값으로 제4 가격을 산출할 수 있다.Referring to FIG. 5, first, in step S501, the device 200 may calculate the fourth price as the product of the first price and the fifth ratio.

S502 단계에서, 장치(200)는 제1 가격 및 제4 가격 간의 차이를 제1 차이 가격으로 산출할 수 있다.In step S502, the device 200 may calculate the difference between the first price and the fourth price as the first difference price.

예를 들어, 제1 가격이 100원이고 제5 비율이 110%인 경우, 장치(200)는 “100 X 1.1”을 통해 산출된 110원을 제4 가격으로 산출하고, “- 100”을 통해 산출된 10원을 제1 차이 가격으로 산출할 수 있다.For example, if the first price is 100 won and the fifth ratio is 110%, the device 200 calculates 110 won calculated through “100 The calculated 10 won can be calculated as the first difference price.

S503 단계에서, 장치(200)는 제1 차이 가격이 제1 기준 가격 보다 낮은지 여부를 확인할 수 있다. 여기서, 제1 기준 가격은 실시예에 따라 상이하게 설정될 수 있다.In step S503, the device 200 may check whether the first difference price is lower than the first reference price. Here, the first reference price may be set differently depending on the embodiment.

S503 단계에서 제1 차이 가격이 제1 기준 가격 보다 낮은 것으로 확인되면, S504 단계에서, 장치(200)는 제1 기간에 제1 식품의 가격이 제1 가격으로 유지될 것으로, 제1 식품의 가격 변동성을 예측할 수 있다.If the first difference price is confirmed to be lower than the first reference price in step S503, in step S504, the device 200 determines that the price of the first food will be maintained at the first price in the first period, and that the price of the first food will be maintained at the first price. Volatility can be predicted.

S503 단계에서 제1 차이 가격이 제1 기준 가격 보다 낮지 않고 높은 것으로 확인되면, S505 단계에서, 장치(200)는 제1 기간에 제1 식품의 가격이 제1 가격에서 제4 가격으로 변동할 것으로, 제1 식품의 가격 변동성을 예측할 수 있다.If it is confirmed in step S503 that the first difference price is higher than the first reference price, in step S505, the device 200 determines that the price of the first food will change from the first price to the fourth price in the first period. , the price volatility of the first food can be predicted.

도 6은 일실시예에 따른 제1 기간에 제1 식품의 가격이 제1 가격에서 제2 가격으로 변동할 것으로, 제1 식품의 가격 변동성이 예측된 경우, 가격 조정 비율에 따라 제1 식품의 가격 변동성을 조정하는 과정을 설명하기 위한 순서도이다.Figure 6 shows that the price of the first food will change from the first price to the second price in a first period according to an embodiment, and when the price volatility of the first food is predicted, the price of the first food is changed according to the price adjustment ratio. This is a flow chart to explain the process of adjusting price volatility.

도 6을 참조하면, 먼저, S601 단계에서, 장치(200)는 제2 가격 및 제5 비율을 곱한 값으로 제5 가격을 산출할 수 있다.Referring to FIG. 6, first, in step S601, the device 200 may calculate the fifth price as the product of the second price and the fifth ratio.

S602 단계에서, 장치(200)는 제2 가격 및 제5 가격 간의 차이를 제2 차이 가격으로 산출할 수 있다.In step S602, the device 200 may calculate the difference between the second price and the fifth price as the second difference price.

예를 들어, 제1 가격이 100원이고 제2 가격이 110원이고 제5 비율이 110%인 경우, 장치(200)는 “110 X 1.1”을 통해 산출된 121원을 제5 가격으로 산출하고, “21 - 110”을 통해 산출된 11원을 제2 차이 가격으로 산출할 수 있다.For example, if the first price is 100 won, the second price is 110 won, and the fifth ratio is 110%, the device 200 calculates 121 won calculated through “110 , 11 won calculated through “21 - 110” can be calculated as the second difference price.

S603 단계에서, 장치(200)는 제2 차이 가격이 제2 기준 가격 보다 낮은지 여부를 확인할 수 있다. 여기서, 제2 기준 가격은 실시예에 따라 상이하게 설정될 수 있다.In step S603, the device 200 may check whether the second difference price is lower than the second reference price. Here, the second reference price may be set differently depending on the embodiment.

S603 단계에서 제2 차이 가격이 제2 기준 가격 보다 낮은 것으로 확인되면, S604 단계에서, 장치(200)는 제1 기간에 제1 식품의 가격이 제1 가격에서 제2 가격으로 변동할 것으로, 제1 식품의 가격 변동성을 예측할 수 있다.If the second difference price is confirmed to be lower than the second reference price in step S603, in step S604, the device 200 determines that the price of the first food will change from the first price to the second price in the first period, 1 Food price volatility can be predicted.

S603 단계에서 제2 차이 가격이 제2 기준 가격 보다 낮지 않고 높은 것으로 확인되면, S605 단계에서, 장치(200)는 제1 기간에 제1 식품의 가격이 제1 가격에서 제5 가격으로 변동할 것으로, 제1 식품의 가격 변동성을 예측할 수 있다.If it is confirmed in step S603 that the second difference price is higher than the second reference price, in step S605, the device 200 determines that the price of the first food will change from the first price to the fifth price in the first period. , the price volatility of the first food can be predicted.

도 7은 일실시예에 따른 제1 기간에 제1 식품의 가격이 제1 가격에서 제3 가격으로 변동할 것으로, 제1 식품의 가격 변동성이 예측된 경우, 가격 조정 비율에 따라 제1 식품의 가격 변동성을 조정하는 과정을 설명하기 위한 순서도이다.Figure 7 shows that the price of the first food will change from the first price to the third price in the first period according to an embodiment, and when the price volatility of the first food is predicted, the price of the first food is changed according to the price adjustment ratio. This is a flow chart to explain the process of adjusting price volatility.

도 7을 참조하면, 먼저, S701 단계에서, 장치(200)는 제3 가격 및 제5 비율을 곱한 값으로 제6 가격을 산출할 수 있다.Referring to FIG. 7, first, in step S701, the device 200 may calculate the sixth price as the product of the third price and the fifth ratio.

S702 단계에서, 장치(200)는 제3 가격 및 제6 가격 간의 차이를 제3 차이 가격으로 산출할 수 있다.In step S702, the device 200 may calculate the difference between the third price and the sixth price as the third difference price.

예를 들어, 제1 가격이 100원이고 제3 가격이 90원이고 제5 비율이 110%인 경우, 장치(200)는 “90 X 1.1”을 통해 산출된 99원을 제6 가격으로 산출하고, “- 90”을 통해 산출된 9원을 제3 차이 가격으로 산출할 수 있다.For example, if the first price is 100 won, the third price is 90 won, and the fifth ratio is 110%, the device 200 calculates 99 won calculated through “90 , 9 won calculated through “-90” can be calculated as the third difference price.

S703 단계에서, 장치(200)는 제3 차이 가격이 제3 기준 가격 보다 낮은지 여부를 확인할 수 있다. 여기서, 제3 기준 가격은 실시예에 따라 상이하게 설정될 수 있다.In step S703, the device 200 may check whether the third difference price is lower than the third reference price. Here, the third reference price may be set differently depending on the embodiment.

S703 단계에서 제3 차이 가격이 제3 기준 가격 보다 낮은 것으로 확인되면, S704 단계에서, 장치(200)는 제1 기간에 제1 식품의 가격이 제1 가격에서 제3 가격으로 변동할 것으로, 제1 식품의 가격 변동성을 예측할 수 있다.If the third difference price is confirmed to be lower than the third reference price in step S703, in step S704, the device 200 determines that the price of the first food will change from the first price to the third price in the first period, 1 Food price volatility can be predicted.

S703 단계에서 제3 차이 가격이 제3 기준 가격 보다 낮지 않고 높은 것으로 확인되면, S705 단계에서, 장치(200)는 제1 가격 및 제6 가격 간의 차이를 제4 차이 가격으로 산출할 수 있다.If it is confirmed in step S703 that the third difference price is higher rather than lower than the third reference price, in step S705, the device 200 may calculate the difference between the first price and the sixth price as the fourth difference price.

예를 들어, 제1 가격이 100원이고 제3 가격이 90원이고 제5 비율이 110%인 경우, 장치(200)는 “90 X 1.1”을 통해 산출된 99원을 제6 가격으로 산출하고, “- 90”을 통해 산출된 9원을 제3 차이 가격으로 산출할 수 있으며, 제3 기준 가격이 5원으로 설정되어 있는 경우, 제3 차이 가격이 제3 기준 가격 보다 높은 것으로 확인되어, “-99”를 통해 산출된 1원을 제4 차이 가격으로 산출할 수 있다.For example, if the first price is 100 won, the third price is 90 won, and the fifth ratio is 110%, the device 200 calculates 99 won calculated through “90 , 9 won calculated through “-90” can be calculated as the third difference price, and if the third standard price is set to 5 won, the third difference price is confirmed to be higher than the third standard price, 1 won calculated through “-99” can be calculated as the fourth difference price.

S706 단계에서, 장치(200)는 제4 차이 가격이 제3 기준 가격 보다 낮은지 여부를 확인할 수 있다.In step S706, the device 200 may check whether the fourth difference price is lower than the third reference price.

S706 단계에서 제4 차이 가격이 제3 기준 가격 보다 낮은 것으로 확인되면, S707 단계에서, 장치(200)는 제1 기간에 제1 식품의 가격이 제1 가격으로 유지될 것으로, 제1 식품의 가격 변동성을 예측할 수 있다.If the fourth difference price is confirmed to be lower than the third reference price in step S706, in step S707, the device 200 determines that the price of the first food will be maintained at the first price in the first period, and that the price of the first food will be maintained at the first price. Volatility can be predicted.

S706 단계에서 제4 차이 가격이 제3 기준 가격 보다 낮지 않고 높은 것으로 확인되면, S708 단계에서, 장치(200)는 제1 기간에 제1 식품의 가격이 제1 가격에서 제6 가격으로 변동할 것으로, 제1 식품의 가격 변동성을 예측할 수 있다.If it is confirmed in step S706 that the fourth difference price is higher than the third reference price, in step S708, the device 200 determines that the price of the first food will change from the first price to the sixth price in the first period. , the price volatility of the first food can be predicted.

도 8은 일실시예에 따른 식품의 추가 확보에 대한 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.Figure 8 is a flow chart to explain the process of providing a notification service for securing additional food according to an embodiment.

일실시예에 따르면, 도 8에 도시된 각 단계는 S311 단계 이후에 수행될 수 있다.According to one embodiment, each step shown in FIG. 8 may be performed after step S311.

도 8을 참조하면, 먼저, S801 단계에서, 장치(200)는 제1 생산량이 제1 판매량 보다 적은지 여부를 확인할 수 있다.Referring to FIG. 8, first, in step S801, the device 200 may check whether the first production volume is less than the first sales volume.

S801 단계에서 제1 생산량이 제1 판매량 보다 적은 것으로 확인되면, S802 단계에서, 장치(200)는 제1 기간 동안 제1 식품을 판매할 때 제1 지역에서 생산되는 제1 식품으로 재고 확보가 충분하지 않은 것으로 판단할 수 있다.If it is determined in step S801 that the first production volume is less than the first sales volume, in step S802, the device 200 secures sufficient inventory with the first food produced in the first region when selling the first food during the first period. It can be judged that it was not done.

S803 단계에서, 장치(200)는 제1 생산량과 제1 판매량 간의 차이인 제1 차이량을 산출할 수 있다.In step S803, the device 200 may calculate a first difference amount, which is the difference between the first production volume and the first sales volume.

S804 단계에서, 장치(200)는 제1 지역 이외의 다른 지역에서 제1 차이량의 제1 식품에 대한 추가 확보가 필요한 것을 알려주는 알림 메시지를 관리자 단말(100)로 전송할 수 있다. In step S804, the device 200 may transmit a notification message to the manager terminal 100 indicating that additional securing of the first food in the first difference amount is required in a region other than the first region.

한편, S801 단계에서 제1 생산량이 제1 판매량 보다 적지 않고 많은 것으로 확인되면, S805 단계에서, 장치(200)는 제1 기간 동안 제1 식품을 판매할 때 제1 지역에서 생산되는 제1 식품으로 재고 확보가 충분한 것으로 판단할 수 있다.Meanwhile, if it is confirmed in step S801 that the first production volume is not less but more than the first sales volume, in step S805, the device 200 selects the first food produced in the first region when selling the first food during the first period. It can be judged that there is sufficient inventory.

S806 단계에서, 장치(200)는 제1 식품에 대한 추가 확보가 필요하지 않는 것을 알려주는 알림 메시지를 관리자 단말(100)로 전송할 수 있다.In step S806, the device 200 may transmit a notification message to the manager terminal 100 indicating that additional securing of the first food is not necessary.

장치(200)는 제1 식품에 대한 추가 확보가 필요하지 않는 것을 알려주는 알림 메시지를 관리자 단말(100)로 전송할 때, 제1 식품의 가격 변동성을 예측한 결과를 기반으로, 제1 생산량 내에서 제1 식품의 재고량을 일자 별로 얼마나 많이 확보해야 하는지 알려주는 알림 메시지를 더 전송할 수 있다. 이와 관련된 자세한 설명은 도 9를 참조하여 후술하기로 한다.When the device 200 transmits a notification message indicating that additional securing of the first food is not necessary to the manager terminal 100, based on the result of predicting the price volatility of the first food, within the first production volume A notification message informing the user how much stock of the first food should be secured by day can be further sent. A detailed description regarding this will be provided later with reference to FIG. 9 .

도 9는 일실시예에 따른 일자별 식품의 재고 확보량에 대한 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.Figure 9 is a flowchart for explaining a process for providing a notification service about the amount of food stocked by day according to an embodiment.

도 9를 참조하면, 먼저, S901 단계에서, 장치(200)는 제1 판매량을 제1 수치로 나눈 값으로 제1 식품의 일일 평균 판매량인 제1 수량을 산출할 수 있다.Referring to FIG. 9 , first, in step S901, the device 200 may calculate the first quantity, which is the average daily sales quantity of the first food, as the value obtained by dividing the first sales quantity by the first numerical value.

S902 단계에서, 장치(200)는 제1 식품의 가격 변동성을 예측한 결과, 제1 기간에 제1 식품의 가격이 유지될 것으로 예측된 것을 확인할 수 있다.In step S902, the device 200 may confirm that, as a result of predicting the price volatility of the first food, the price of the first food is predicted to be maintained in the first period.

즉, S303 단계를 통해, 제1 기간에 제1 식품의 가격이 제1 가격으로 유지될 것으로, 제1 식품의 가격 변동성이 예측되면, 장치(200)는 제1 기간에 제1 식품의 가격이 유지될 것으로 예측된 것을 확인할 수 있다.That is, if the price volatility of the first food is predicted to be maintained at the first price in the first period through step S303, the device 200 determines that the price of the first food in the first period will be maintained at the first price. It can be confirmed that it is predicted to be maintained.

S903 단계에서, 장치(200)는 제1 식품의 가격 변동성을 예측한 결과, 제1 기간에 제1 식품의 가격이 유지될 것으로 예측된 경우, 제1 일자에 제1 식품의 재고 확보량을 제1 수량으로 설정하고, 제2 일자에 제1 식품의 재고 확보량을 제1 수량으로 설정할 수 있다. 여기서, 제1 일자는 제1 기간의 시작일이고 제2 일자는 제1 기간 내에서 제1 일자 이후의 일자이다.In step S903, if the price of the first food is predicted to be maintained in the first period as a result of predicting the price volatility of the first food, the device 200 increases the inventory amount of the first food on the first date to the first You can set it as the quantity, and set the stock quantity of the first food on the second date as the first quantity. Here, the first date is the start date of the first period and the second date is a date after the first date within the first period.

즉, 장치(200)는 제1 식품의 가격 변동성을 예측한 결과, 제1 기간에 제1 식품의 가격이 유지될 것으로 예측된 경우, 일자 별로 일정한 수량으로 제1 식품의 재고를 확보하도록, 일자별 제1 식품의 재고 확보량을 설정할 수 있다.That is, when the price of the first food is predicted to be maintained in the first period as a result of predicting the price volatility of the first food, the device 200 secures the stock of the first food in a constant quantity for each day. You can set the inventory amount of the first food.

한편, S904 단계에서, 장치(200)는 제1 식품의 가격 변동성을 예측한 결과, 제1 기간에 제1 식품의 가격이 제6 비율 상승될 것으로 예측된 것을 확인할 수 있다. 즉, S307 단계를 통해, 제1 기간에 제1 식품의 가격이 제1 가격에서 제2 가격으로 변동할 것으로, 제1 식품의 가격 변동성이 예측되면, 장치(200)는 제1 가격 및 제2 가격을 비교하여 제6 비율을 산출하고, 제1 기간에 제1 식품의 가격이 제6 비율 상승될 것으로 예측된 것을 확인할 수 있다. 이때, 제6 비율은 “(제2 가격 - 제1 가격) / (제1 가격)”의 수식을 통해 산출될 수 있다. 예를 들어, 제1 가격이 100원이고 제2 가격이 110원인 경우, 장치(200)는 “(110 - 100) / 100)”을 통해 산출된 10%를 제6 비율로 산출할 수 있다.Meanwhile, in step S904, the device 200 may confirm that, as a result of predicting the price volatility of the first food, the price of the first food is predicted to increase by a sixth rate in the first period. That is, if the price volatility of the first food is predicted to change from the first price to the second price in the first period through step S307, the device 200 determines the first price and the second price. By comparing the prices, the sixth ratio is calculated, and it can be confirmed that the price of the first food is predicted to increase by the sixth ratio in the first period. At this time, the sixth ratio can be calculated through the formula “(second price - first price) / (first price)”. For example, if the first price is 100 won and the second price is 110 won, the device 200 may calculate 10% calculated through “(110 - 100) / 100)” as the sixth ratio.

S905 단계에서, 장치(200)는 제1 식품의 가격 변동성을 예측한 결과, 제1 기간에 제1 식품의 가격이 제6 비율 상승될 것으로 예측된 경우, 제1 수량 및 제6 비율을 곱한 값으로 제2 수량을 산출할 수 있다.In step S905, when the device 200 predicts the price volatility of the first food and predicts that the price of the first food will increase by the sixth ratio in the first period, the value obtained by multiplying the first quantity and the sixth ratio The second quantity can be calculated.

S906 단계에서, 장치(200)는 제1 수량 및 제2 수량을 더한 값으로 제3 수량을 산출하고, 제1 수량에서 제2 수량을 뺀 값으로 제4 수량을 산출할 수 있다.In step S906, the device 200 may calculate the third quantity by adding the first quantity and the second quantity, and calculate the fourth quantity by subtracting the second quantity from the first quantity.

S907 단계에서, 장치(200)는 제1 일자에 제1 식품의 재고 확보량을 제3 수량으로 설정하고, 제2 일자에 제1 식품의 재고 확보량을 제4 수량으로 설정할 수 있다. In step S907, the device 200 may set the secured stock quantity of the first food on the first date as the third quantity, and set the secured stock quantity of the first food on the second date as the fourth quantity.

예를 들어, 제1 수량이 100개이고, 제1 기간에 제1 식품의 가격이 10% 상승될 것으로 예측된 경우, 장치(200)는 “100 X 0.1”을 통해 산출된 10개를 제2 수량으로 산출하고, “+ 10”을 통해 산출된 110개를 제3 수량으로 산출하고, “- 10”을 통해 산출된 90개를 제4 수량으로 산출한 후, 제1 일자에 제1 식품의 재고 확보량을 110개로 설정하고, 제2 일자에 제1 식품의 재고 확보량을 90개로 설정할 수 있다. For example, if the first quantity is 100 and the price of the first food is predicted to rise by 10% in the first period, the device 200 uses 10 calculated through “100 , calculate 110 items calculated through “+ 10” as the third quantity, calculate 90 items calculated through “- 10” as the fourth quantity, and then stock the first food on the first date. The secured quantity can be set to 110, and the stock secured quantity of the first food on the second date can be set to 90.

즉, 장치(200)는 제1 식품의 가격 변동성을 예측한 결과, 제1 기간에 제1 식품의 가격이 상승될 것으로 예측된 경우, 빠른 일자에 더 많은 수량의 재고를 확보하고 점차적으로 더 적은 수량의 재고를 확보하도록, 일자별 제1 식품의 재고 확보량을 설정할 수 있다.That is, if the device 200 predicts the price volatility of the first food and predicts that the price of the first food will rise in the first period, the device 200 secures a larger quantity of inventory at an early date and gradually reduces the stock. In order to secure the quantity in stock, the stock quantity of the first food by date can be set.

한편, S908 단계에서, 장치(200)는 제1 식품의 가격 변동성을 예측한 결과, 제1 기간에 제1 식품의 가격이 제7 비율 하락될 것으로 예측된 것을 확인할 수 있다. 즉, S310 단계를 통해, 제1 기간에 제1 식품의 가격이 제1 가격에서 제3 가격으로 변동할 것으로, 제1 식품의 가격 변동성이 예측되면, 장치(200)는 제1 가격 및 제3 가격을 비교하여 제7 비율을 산출하고, 제1 기간에 제1 식품의 가격이 제7 비율 하락될 것으로 예측된 것을 확인할 수 있다. 이때, 제7 비율은 “(제1 가격 - 제3 가격) / (제1 가격)”의 수식을 통해 산출될 수 있다. 예를 들어, 제1 가격이 100원이고 제3 가격이 90원인 경우, 장치(200)는 “(100 - 90) / 100)”을 통해 산출된 10%를 제7 비율로 산출할 수 있다.Meanwhile, in step S908, the device 200 may confirm that, as a result of predicting the price volatility of the first food, the price of the first food is predicted to decrease by the seventh percentage in the first period. That is, if the price volatility of the first food is predicted to change from the first price to the third price in the first period through step S310, the device 200 changes the first price and the third price. By comparing the prices, the seventh ratio is calculated, and it can be confirmed that the price of the first food is predicted to fall by the seventh ratio in the first period. At this time, the 7th ratio can be calculated through the formula “(1st price - 3rd price) / (1st price)”. For example, if the first price is 100 won and the third price is 90 won, the device 200 can calculate 10% calculated through “(100 - 90) / 100)” as the seventh ratio.

S909 단계에서, 장치(200)는 제1 식품의 가격 변동성을 예측한 결과, 제1 기간에 제1 식품의 가격이 제7 비율 하락될 것으로 예측된 경우, 제1 수량 및 제7 비율을 곱한 값으로 제5 수량을 산출할 수 있다.In step S909, when the device 200 predicts the price volatility of the first food and predicts that the price of the first food will fall by the seventh ratio in the first period, the value obtained by multiplying the first quantity and the seventh ratio The fifth quantity can be calculated.

S910 단계에서, 장치(200)는 제1 수량에서 제5 수량을 뺀 값으로 제6 수량을 산출하고, 제1 수량 및 제5 수량을 더한 값으로 제7 수량을 산출할 수 있다.In step S910, the device 200 may calculate the sixth quantity by subtracting the fifth quantity from the first quantity, and calculate the seventh quantity by adding the first quantity and the fifth quantity.

S911 단계에서, 장치(200)는 제1 일자에 제1 식품의 재고 확보량을 제6 수량으로 설정하고, 제2 일자에 제1 식품의 재고 확보량을 제7 수량으로 설정할 수 있다. In step S911, the device 200 may set the secured inventory quantity of the first food on the first date to the sixth quantity, and set the secured inventory quantity of the first food to the seventh quantity on the second date.

예를 들어, 제1 수량이 100개이고, 제1 기간에 제1 식품의 가격이 10% 하락될 것으로 예측된 경우, 장치(200)는 “100 X 0.1”을 통해 산출된 10개를 제5 수량으로 산출하고, “100 - 10”을 통해 산출된 90개를 제6 수량으로 산출하고, “100 + 10”을 통해 산출된 110개를 제7 수량으로 산출한 후, 제1 일자에 제1 식품의 재고 확보량을 90개로 설정하고, 제2 일자에 제1 식품의 재고 확보량을 110개로 설정할 수 있다. For example, if the first quantity is 100 and the price of the first food is predicted to drop by 10% in the first period, the device 200 uses 10 calculated through “100 , 90 items calculated through “100 - 10” are calculated as the 6th quantity, and 110 items calculated through “100 + 10” are calculated as the 7th quantity, and then the 1st food on the 1st date. The stock quantity of can be set to 90, and the stock quantity of the first food can be set to 110 on the second date.

즉, 장치(200)는 제1 식품의 가격 변동성을 예측한 결과, 제1 기간에 제1 식품의 가격이 하락될 것으로 예측된 경우, 빠른 일자에 더 적은 수량의 재고를 확보하고 점차적으로 더 많은 수량의 재고를 확보하도록, 일자별 제1 식품의 재고 확보량을 설정할 수 있다.That is, when the device 200 predicts the price volatility of the first food and predicts that the price of the first food will fall in the first period, the device 200 secures a smaller quantity of inventory at an early date and gradually increases the price of the first food. In order to secure the quantity in stock, the stock quantity of the first food by date can be set.

S903 단계, S907 단계 및 S911 단계 중 어느 하나의 단계를 통해 일자별 제1 식품의 재고 확보량이 설정되면, S912 단계에서, 장치(200)는 일자별 제1 식품의 재고 확보량에 대한 알림 메시지를 관리자 단말(100)로 전송할 수 있다.If the stock amount of the first food by date is set through any one of steps S903, S907, and S911, in step S912, the device 200 sends a notification message about the stock amount of the first food by date to the manager terminal ( 100).

도 10은 일실시예에 따른 식품을 포장한 박스를 점검하는 과정을 설명하기 위한 순서도이다.Figure 10 is a flowchart for explaining the process of inspecting a box packaging food according to one embodiment.

도 10을 참조하면, 먼저, S1001 단계에서, 장치(200)는 제1 식품의 식품 정보를 기초로, 제1 식품의 포장 단위를 제1 개수로 확인할 수 있다. 이때, 포장 단위는 식품을 하나의 박스로 포장하는 단위로서, 묶음 판매되기 위해 설정된 개수를 의미할 수 있다.Referring to FIG. 10 , first, in step S1001, the device 200 may confirm the first number of packaging units of the first food based on the food information of the first food. At this time, the packaging unit is a unit for packaging food into one box, and may refer to the number set for bundle sale.

S1002 단계에서, 장치(200)는 중량 측정기로부터 제1 박스의 중량에 대한 정보를 수신할 수 있다. 이때, 제1 박스는 제1 식품의 포장 단위에 따라 제1 식품을 포장한 박스 중 어느 하나이다. 예를 들어, 제1 식품의 포장 단위가 5개인 경우, 제1 박스는 5개의 제1 식품을 넣고 포장한 박스이다.In step S1002, the device 200 may receive information about the weight of the first box from the weight meter. At this time, the first box is one of the boxes in which the first food is packaged according to the packaging unit of the first food. For example, when the packaging unit of the first food is 5, the first box is a box containing and packaging the 5 first foods.

구체적으로, 중량 측정기는 제1 박스에 대한 중량을 측정하여 제1 박스의 중량에 대한 정보를 생성할 수 있으며, 장치(200)는 중량 측정기에 의해 제1 박스의 중량이 측정되면, 중량 측정기로부터 제1 박스의 중량에 대한 정보를 수신할 수 있다. 이를 위해, 장치(200)는 중량 측정기와 유무선으로 통신하도록 구성될 수 있다.Specifically, the weight meter may measure the weight of the first box to generate information about the weight of the first box, and when the weight of the first box is measured by the weight meter, the device 200 receives the weight of the first box from the weight meter. Information about the weight of the first box may be received. To this end, the device 200 may be configured to communicate wired or wirelessly with a weight measuring device.

S1003 단계에서, 장치(200)는 제1 박스의 중량에 대한 정보를 기반으로, 제1 박스의 중량을 제1 중량으로 확인할 수 있다.In step S1003, the device 200 may confirm the weight of the first box as the first weight based on information about the weight of the first box.

한편, S1004 단계에서, 장치(200)는 제1 식품 하나의 기준 무게가 제1 무게인 것을 확인할 수 있다. 이때, 장치(200)는 제1 식품의 식품 정보를 기초로, 제1 식품의 기준 무게가 제1 무게로 설정되어 있는 것을 확인할 수 있다.Meanwhile, in step S1004, the device 200 may confirm that the reference weight of one first food item is the first weight. At this time, the device 200 may confirm that the reference weight of the first food is set to the first weight based on the food information of the first food.

S1005 단계에서, 장치(200)는 제1 무게 및 제1 개수를 곱한 값으로 제2 중량을 산출할 수 있다.In step S1005, the device 200 may calculate the second weight as a value obtained by multiplying the first weight and the first number.

예를 들어, 제1 무게가 10g이고 제1 개수가 5개인 경우, 장치(200)는 “10 X 5”를 통해 산출된 50g을 제2 중량으로 산출할 수 있다.For example, if the first weight is 10g and the first number is 5, the device 200 may calculate 50g calculated through “10

S1106 단계에서, 장치(200)는 제1 중량이 제2 중량 보다 무거운지 여부를 확인할 수 있다.In step S1106, the device 200 may check whether the first weight is heavier than the second weight.

S1106 단계에서 제1 중량이 제2 중량 보다 무거운 것으로 확인되면, S1007 단계에서, 장치(200)는 제1 박스를 정상 박스로 구분할 수 있다.If the first weight is confirmed to be heavier than the second weight in step S1106, the device 200 may classify the first box as a normal box in step S1007.

S1008 단계에서, 장치(200)는 제1 박스를 정상 박스로 구분한 경우, 제1 박스의 출하 가능 알림 메시지를 관리자 단말(100)로 전송할 수 있다.In step S1008, when the first box is classified as a normal box, the device 200 may transmit a notification message that the first box can be shipped to the manager terminal 100.

S1006 단계에서 제1 중량이 제2 중량 보다 무겁지 않고 가벼운 것으로 확인되면, S1009 단계에서, 장치(200)는 제1 박스를 불량 박스로 구분할 수 있다.If it is confirmed in step S1006 that the first weight is lighter than the second weight, in step S1009, the device 200 may classify the first box as a defective box.

S1010 단계에서, 장치(200)는 제1 박스를 불량 박스로 구분한 경우, 제1 박스의 재포장 필요 알림 메시지를 관리자 단말(100)로 전송할 수 있다.In step S1010, when the first box is classified as a defective box, the device 200 may transmit a notification message requiring repackaging of the first box to the manager terminal 100.

장치(200)는 제1 박스의 재포장 필요 알림 메시지를 관리자 단말(100)로 전송할 때, 어느 공정에 대한 점검이 필요한지 알려주는 알림 메시지를 더 전송할 수 있다. 이와 관련된 자세한 설명은 도 11을 참조하여 후술하기로 한다.When transmitting a notification message that the first box needs to be repackaged to the manager terminal 100, the device 200 may further transmit a notification message indicating which process requires inspection. A detailed description regarding this will be provided later with reference to FIG. 11 .

도 11은 일실시예에 따른 제1 박스를 불량 박스로 구분한 경우, 어느 공정에 대한 점검이 필요한 것인지에 대한 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.FIG. 11 is a flowchart illustrating a process for providing a notification service regarding which process requires inspection when the first box is classified as a defective box according to an embodiment.

도 11을 참조하면, 먼저, S1101 단계에서, 장치(200)는 제1 박스 내에 있는 제1 식품 각각의 무게를 확인할 수 있다.Referring to FIG. 11, first, in step S1101, the device 200 can check the weight of each first food item in the first box.

즉, 제1 박스가 포장되기 전에 제1 식품이 개별적으로 중량 측정기에 의해 중량이 측정될 수 있으며, 장치(200)는 제1 박스 내에 있는 제1 식품 각각에 대한 중량이 측정되면, 제1 박스 내에 있는 제1 식품 각각의 무게를 확인할 수 있다.That is, before the first box is packaged, the weight of the first food may be individually measured by a weigher, and the device 200 may measure the weight of each of the first foods in the first box. You can check the weight of each first food item within.

구체적으로, 중량 측정기는 제1 박스가 포장되기 전에 제1 식품이 개별적으로 측정 구간에 위치하면, 제1 식품 각각에 대한 무게를 측정하여 제1 식품 각각의 무게에 대한 정보를 생성할 수 있으며, 장치(200)는 중량 측정기에 의해 제1 박스 내에 있는 제1 식품 각각의 무게가 측정되면, 중량 측정기로부터 제1 식품 각각의 무게에 대한 정보를 수신하고, 수신된 정보를 기반으로, 제1 박스 내에 있는 제1 식품 각각의 무게를 확인할 수 있다.Specifically, when the first food is individually located in the measurement section before the first box is packaged, the weight meter can measure the weight of each first food and generate information about the weight of each first food, When the weight of each of the first foods in the first box is measured by the weigher, the device 200 receives information about the weight of each first food from the weigher, and based on the received information, the first box You can check the weight of each first food item within.

S1102 단계에서, 장치(200)는 제1 박스 내에 있는 제1 식품 각각의 무게가 확인되면, 제1 박스 내에 있는 제1 식품 각각의 무게를 통해, 제1 박스 내에 있는 제1 식품의 평균 무게를 제2 무게로 산출할 수 있다.In step S1102, when the weight of each of the first foods in the first box is confirmed, the device 200 determines the average weight of the first foods in the first box through the weight of each of the first foods in the first box. It can be calculated as the second weight.

S1103 단계에서, 장치(200)는 제1 무게가 제2 무게 보다 무거운지 여부를 확인할 수 있다.In step S1103, the device 200 may check whether the first weight is heavier than the second weight.

S1103 단계에서 제1 무게가 제2 무게 보다 무거운 것으로 확인되면, S1104 단계에서, 장치(200)는 제1 박스 내에 있는 제1 식품에 문제가 있는 것으로 판단할 수 있다.If the first weight is confirmed to be heavier than the second weight in step S1103, the device 200 may determine that there is a problem with the first food in the first box in step S1104.

S1105 단계에서, 장치(200)는 제1 박스 내에 있는 제1 식품에 문제가 있는 것으로 판단된 경우, 제1 식품의 선별 공정에 대한 점검 필요 알림 메시지를 관리자 단말(100)로 전송할 수 있다.In step S1105, if it is determined that there is a problem with the first food in the first box, the device 200 may transmit a notification message requiring inspection of the selection process of the first food to the manager terminal 100.

S1003 단계에서 제1 무게가 제2 무게 보다 무겁지 않고 가벼운 것으로 확인되면, S1106 단계에서, 장치(200)는 제1 박스 내에 있는 제1 식품에 문제가 없는 것으로 판단할 수 있다.If it is confirmed in step S1003 that the first weight is lighter and not heavier than the second weight, in step S1106, the device 200 may determine that there is no problem with the first food in the first box.

S1107 단계에서, 장치(200)는 제1 박스 내에 있는 제1 식품에 문제가 없는 것으로 판단된 경우, 제1 식품의 포장 공정에 대한 점검 필요 알림 메시지를 관리자 단말(100)로 전송할 수 있다.In step S1107, if it is determined that there is no problem with the first food in the first box, the device 200 may transmit a notification message requiring inspection of the packaging process of the first food to the manager terminal 100.

도 12는 일실시예에 따른 장치의 구성의 예시도이다.Figure 12 is an exemplary diagram of the configuration of a device according to an embodiment.

일실시예에 따른 장치(200)는 프로세서(210) 및 메모리(220)를 포함한다. 프로세서(210)는 도 1 내지 도 11을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 11을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(200)를 이용하는 자 또는 단체는 도 1 내지 도 11을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.Device 200 according to one embodiment includes a processor 210 and memory 220. The processor 210 may include at least one device described above with reference to FIGS. 1 to 11 or may perform at least one method described above with reference to FIGS. 1 to 11 . A person or organization using the device 200 may provide services related to some or all of the methods described above with reference to FIGS. 1 to 11 .

메모리(220)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(220)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.The memory 220 may store information related to the methods described above or store a program in which methods described later are implemented. Memory 220 may be volatile memory or non-volatile memory.

프로세서(210)는 프로그램을 실행하고, 장치(200)를 제어할 수 있다. 프로세서(210)에 의하여 실행되는 프로그램의 코드는 메모리(220)에 저장될 수 있다. 장치(200)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.The processor 210 can execute programs and control the device 200. The code of the program executed by the processor 210 may be stored in the memory 220. The device 200 is connected to an external device (eg, a personal computer or a network) through an input/output device (not shown) and can exchange data through wired or wireless communication.

장치(200)는 인공지능 모델을 학습시키거나, 학습된 인공지능 모델을 이용하는데 사용될 수 있다. 메모리(220)는 학습 중인 또는 학습된 인공지능 모델을 포함할 수 있다. 프로세서(210)는 메모리(220)에 저장된 인공지능 모델의 알고리즘을 학습시키거나 실행시킬 수 있다. 인공지능 모델을 학습시키는 학습 장치와 학습된 인공지능 모델을 이용하는 장치(200)는 동일할 수도 있고 개별적일 수도 있다.The device 200 may be used to learn an artificial intelligence model or use a learned artificial intelligence model. Memory 220 may include a learning or learned artificial intelligence model. The processor 210 may learn or execute the algorithm of the artificial intelligence model stored in the memory 220. The learning device that trains the artificial intelligence model and the device 200 that uses the learned artificial intelligence model may be the same or may be separate.

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.The embodiments described above may be implemented with hardware components, software components, and/or a combination of hardware components and software components. For example, the devices, methods, and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, and a field programmable gate (FPGA). It may be implemented using one or more general-purpose or special-purpose computers, such as an array, programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions. A processing device may execute an operating system (OS) and one or more software applications that run on the operating system. Additionally, a processing device may access, store, manipulate, process, and generate data in response to the execution of software. For ease of understanding, a single processing device may be described as being used; however, those skilled in the art will understand that a processing device includes multiple processing elements and/or multiple types of processing elements. It can be seen that it may include. For example, a processing device may include a plurality of processors or one processor and one controller. Additionally, other processing configurations, such as parallel processors, are possible.

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.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc., singly or in combination. Program instructions recorded on the medium may be specially designed and configured for the embodiment or may be known and available to those skilled in the art of computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. -Includes optical media (magneto-optical media) and hardware devices specifically configured to store and execute program instructions, such as ROM, RAM, flash memory, etc. Examples of program instructions include machine language code, such as that produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter, etc. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

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.Software may include a computer program, code, instructions, or a combination of one or more of these, which may configure a processing unit to operate as desired, or may be processed independently or collectively. You can command the device. Software and/or data may be used on any type of machine, component, physical device, virtual equipment, computer storage medium or device to be interpreted by or to provide instructions or data to a processing device. , or may be permanently or temporarily embodied in a transmitted signal wave. Software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.

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.Although the embodiments have been described with limited drawings as described above, those skilled in the art can apply various technical modifications and variations based on the above. For example, the described techniques are performed in a different order than the described method, and/or components of the described system, structure, device, circuit, etc. are combined or combined in a different form than the described method, or other components are used. Alternatively, appropriate results may be achieved even if substituted or substituted by an equivalent.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents of the claims also fall within the scope of the following claims.

Claims

In a method of providing an online sales platform service for agricultural and marine products based on price volatility prediction, performed by a device,
Receiving a request for prediction of price volatility of a first food in a first period from a manager terminal;
Confirming the production volume of the first food by period based on the production volume information of the first food, and confirming the sales volume of the first food by period based on the sales volume information of the first food;
When the production area of the first food is confirmed to be a first area, checking weather conditions for each period of the first area and weather forecast conditions for the first period based on weather information of the first area;
Generating a first matching result by matching the production volume of the first food for each period, weather conditions for each period in the first region, and weather forecast conditions for the first period;
Applying the first matching result to the first artificial intelligence model, based on the output of the first artificial intelligence model, setting the production volume of the first food expected to be produced in the first period as the first production volume step;
Generating a second matching result by matching sales volume of the first food by period, weather conditions of the first region by period, and weather forecast conditions of the first period;
Applying the second matching result to a second artificial intelligence model, based on the output of the second artificial intelligence model, setting the sales volume of the first food expected to be sold in the first period as the first sales volume. step;
calculating a surplus inventory amount by subtracting the first sales volume from the first production volume;
Confirming that the reference price of the first food is set to the first price;
predicting price volatility of the first food such that the price of the first food will be maintained at the first price in the first period when it is confirmed that the spare stock amount is within a preset reference stock amount range;
If it is confirmed that the free stock amount is outside the standard stock amount range and less than the minimum value of the standard stock amount range, the first weight is set to a higher value as the free stock amount is smaller within the range from 100% to 150%, and the first weight is set to a higher value. A second price is calculated as a value multiplied by 1 price and the first weight, and the price of the first food is expected to change from the first price to the second price in the first period, and the price of the first food is predicting volatility;
If it is confirmed that the free stock amount is outside the standard stock amount range and is greater than the maximum value of the standard stock amount range, the second weight is set to a lower value as the free stock amount is greater within the range from 50% to 100%, and the second weight is set to a lower value. A third price is calculated by multiplying the 1 price and the second weight, and the price of the first food is expected to change from the first price to the third price in the first period, and the price of the first food is predicting volatility; and
A step of transmitting the result of predicting the price volatility of the first food to the manager terminal,
Analyzing, based on weather information of the first region, whether a period of bad weather adversely affecting production of the first food is included during the first period;
If it is determined that the first period does not include a period of inclement weather, setting the first ratio to 100%;
If it is confirmed that a period of bad weather is included in the first period, the bad weather period within the first period is set as a 1-1 period, the number of days of the first period is set to a first number, and the number of days in the first period is set to a first number. -1 setting the number of days in the period to a second number;
calculating a second ratio as a value obtained by dividing the second numerical value by the first numerical value, and setting the first ratio as a value obtained by adding 100% and the second ratio;
Based on the schedule information of the first period, analyzing whether a period that has a positive effect on sales of the first food is included in the first period;
If it is confirmed that the stock period is not included in the first period, setting a third ratio to 100%;
If it is confirmed that the main period is included in the first period, the main period within the first period is set as the 1-2 period, the number of days of the first period is set to a first number, and the first period is set to a first number. -2 setting the number of days in the period to a third number;
calculating a fourth ratio as a value obtained by dividing the third value by the first value, and setting the third ratio as a value obtained by adding 100% and the fourth ratio; and
When the first ratio and the third ratio are respectively set, the fifth ratio is calculated by multiplying the first ratio and the third ratio, and the fifth ratio is calculated as the price of the first food in the first period. Further comprising setting a price adjustment rate to adjust volatility,
Method of providing online sales platform service for agricultural and marine products based on prediction of price volatility.

delete

According to paragraph 1,
The step of predicting the price volatility of the first food such that the price of the first food will be maintained at the first price in the first period includes,
calculating a fourth price by multiplying the first price and the fifth ratio;
calculating a difference between the first price and the fourth price as a first difference price;
If the first difference price is confirmed to be lower than a preset first reference price, predicting the price volatility of the first food such that the price of the first food will be maintained at the first price in the first period. ; and
If the first difference price is confirmed to be higher than the first reference price, the price of the first food product will change from the first price to the fourth price in the first period, such that the price volatility of the first food product Including the step of predicting,
The step of predicting the price volatility of the first food such that the price of the first food will change from the first price to the second price in the first period includes,
calculating a fifth price by multiplying the second price and the fifth ratio;
calculating a difference between the second price and the fifth price as a second difference price;
If the second difference price is confirmed to be lower than the preset second reference price, the price of the first food will change from the first price to the second price in the first period, and the price of the first food will change from the first price to the second price. predicting volatility; and
If the second difference price is confirmed to be higher than the second reference price, the price of the first food product will change from the first price to the fifth price in the first period, such that the price volatility of the first food product Including the step of predicting,
The step of predicting the price volatility of the first food such that the price of the first food will change from the first price to the third price in the first period includes,
calculating a sixth price by multiplying the third price and the fifth ratio;
calculating the difference between the third price and the sixth price as a third difference price;
If the third difference price is confirmed to be lower than the preset third reference price, the price of the first food will change from the first price to the third price in the first period, and the price of the first food will change from the first price to the third price. predicting volatility;
If the third difference price is confirmed to be higher than the third reference price, calculating the difference between the first price and the sixth price as a fourth difference price;
If the fourth difference price is confirmed to be lower than the third reference price, predicting price volatility of the first food such that the price of the first food will be maintained at the first price in the first period; and
If the fourth difference price is confirmed to be higher than the third reference price, the price of the first food product will change from the first price to the sixth price in the first period, such that the price volatility of the first food product Including the step of predicting,
Method of providing online sales platform service for agricultural and marine products based on prediction of price volatility.