KR102622271B1 - 신경망을 이용한 차량 시세 예측 방법 및 시스템 - Google Patents
신경망을 이용한 차량 시세 예측 방법 및 시스템 Download PDFInfo
- Publication number
- KR102622271B1 KR102622271B1 KR1020210074160A KR20210074160A KR102622271B1 KR 102622271 B1 KR102622271 B1 KR 102622271B1 KR 1020210074160 A KR1020210074160 A KR 1020210074160A KR 20210074160 A KR20210074160 A KR 20210074160A KR 102622271 B1 KR102622271 B1 KR 102622271B1
- Authority
- KR
- South Korea
- Prior art keywords
- vehicle
- price
- neural network
- inspection information
- mileage
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000007689 inspection Methods 0.000 claims abstract description 95
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000007423 decrease Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 10
- 230000005856 abnormality Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012790 confirmation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Operations Research (AREA)
Abstract
본 발명은 신경망을 이용한 차량의 시세 예측 방법에 관한 것으로, 본 발명에 따른 차량 시세 예측 서버에서 수행되는 신경망을 이용한 차량 시세 예측 방법에 있어서, 사용자로부터 입력 받은 차량 평가 항목별 점검 정보를 입력 받는 단계; 상기 점검 정보를 차량의 구조적 특징에 따라 배열하여 벡터화한 상태 정보로 미리 학습된 신경망에 입력하여 예측 시세를 산출하는 단계; 및 상기 산출된 예측 시세를 제공하는 단계를 포함하고, 상기 신경망은 상기 차량의 구조적 특징의 위치 관련성에 따라 연속된 상태 정보에 예측 시세가 레이블링된 학습 데이터를 이용하여 학습된 것이 바람직하다. 본 발명에 따르면 인공지능을 이용하여 차량의 점검 결과 기반의 시세를 보다 정확하게 소비자들에게 제공해 줄 수 있다.
Description
본 발명은 신경망을 이용한 차량의 시세 예측 방법에 관한 것으로, 보다 상세하게는 차량의 상태 점검 기반 시세의 증감율을 산출하는 방법에 관한 것이다.
최근 인공지능 기술의 발달로 인공지능 기술들이 다양한 분야에 적용되고 있으며, 기존의 데이터 처리 방식을 대신하여 신경망 모델을 통해 데이터에 내재된 특징들을 추출하여 부가 정보를 생성하는 방법들이 개발되어 사용되고 있다.
인공지능을 위해 이용되는 신경망 모델은 학습을 통하여 일반적인 데이터 처리에 비해 입력된 데이터 내에서 보다 빠르고, 정확하게 특징들을 검출 및 인식할 수 있다. 최근 들어 인공지능 기술은 단순히 객체를 추적하고 검출하는 것에서 벗어나 과거의 이력을 학습하고 미래의 예측이나 시계열적인 변화 정보를 반영한 현재의 특징을 도출하는 데에도 적용되고 있다.
중고 거래의 활성화와 함께 감가나 상품의 상태에 따라 가치가 고정적이지 않은 중고 제품 분야의 경우 적당한 중고 제품의 가치 산정에 대한 소비자들의 니즈가 발생하고 있으며, 이러한 가치 산출 분야에도 신경망이 적용되고 있다.
특히, 상대적으로 고가이며 다양한 변수들이 존재하는 중고차 시장에서 시세 산출에도 머신러닝 기술들이 적용되고 있다.
일예로 선행기술(한국등록특허공보 10-2218287(등록일 2021.02.16))은 머신 러닝을 통한 중고차 시세 예측 방법을 제안하고 있다. 다만 선행기술에서 제시하는 방법은 차량의 등급, 모델, 제조사 등의 조건에 따라서 별도의 학습 모델을 이용함에 따라 다양한 학습 데이터를 필요로 하게 되며, 연식 변화에 민감한 중고차의 경우 각 학습 모델에 대한 대량의 학습 데이터를 연속적으로 획득하는 것에 어려움이 있다.
따라서, 보다 실질적인 시세의 예측을 위해서는 차량의 특징을 반영하여 학습 데이터를 구성하고 시계열적인 변화를 반영할 수 있는 신경망의 개발이 필요한 실정이다.
본 발명은 인공지능을 이용하여 차량의 점검 결과 기반의 시세를 예측하는 방법을 제안하는 것을 목적으로 한다.
또한, 본 발명은 차량의 점검 정보를 차량의 구조적 위치를 반영하여 구성함으로써 위치 관계에 따른 시세 영향 정보를 신경망 모델이 학습하도록 한다.
또한, 본 발명은 차량의 자연적인 감가를 야기시키는 연식이나 주행 거리 정보 간의 상관관계를 상호 학습하도록 하여 시간적인 변수를 고려한 보다 정확한 시세 정보를 제공하도록 한다.
상기 기술적 과제를 해결하기 위한 본 발명에 따른 차량 시세 예측 서버에서 수행되는 신경망을 이용한 차량 시세 예측 방법에 있어서, 사용자로부터 입력 받은 차량 평가 항목별 점검 정보를 입력 받는 단계; 상기 점검 정보를 차량의 구조적 특징에 따라 배열하여 벡터화한 상태 정보로 미리 학습된 신경망에 입력하여 예측 시세를 산출하는 단계; 및 상기 산출된 예측 시세를 제공하는 단계를 포함하고, 상기 신경망은 상기 차량의 구조적 특징의 위치 관련성에 따라 연속된 상태 정보에 예측 시세가 레이블링된 학습 데이터를 이용하여 학습된 것이 바람직하다.
상기 신경망은 상기 학습 데이터를 동종 차량의 연식 또는 주행거리에 따른 순차 학습 데이터를 이용하여 연식 또는 주행 거리의 증감에 따른 상기 차량의 구조적 특징의 시세 영향 가중치를 학습하는 것이 바람직하다.
상기 상태 정보 내 차량의 전면부 점검 정보와 엔진룸 점검 정보는 연속하고, 측면부 점검 정보는 상기 엔진룸 정보 및 내부 점검 정보와 연속하는 것이 바람직하다.
상기 신경망은 연식에 따른 상태 정보와 주행 거리에 따른 상태 정보 별 예상 시세를 각각 학습하고 동종 차량의 연식과 주행거리의 예상 시세간의 차이를 손실로 정의하여 연식과 주행거리 간의 가중치를 학습하는 것이 바람직하다.
상기 신경망은 상기 가중치에 따라 상기 동종 차량의 서로 다른 연식 또는 주행 거리에 따른 상태 정보를 시계열적으로 정규화하여 학습하는 것이 바람직하다.
상기 신경망은 상기 차량의 상태 정보에 따른 감가율을 출력하고, 상기 산출하는 단계는 상기 출력된 상기 감가율에 상기 차량의 주행 거리 또는 연식을 반영한 기준 시세를 적용하여 예측 시세를 산출하는 것이 바람직하다.
상기 기술적 과제를 해결하기 위한 본 발명에 따른 차량 시세 예측 서버는 사용자로부터 입력 받은 차량 평가 항목별 점검 정보를 입력 받는 점검 정보 입력부; 상기 점검 정보를 차량의 구조적 특징에 따라 배열하여 벡터화한 상태 정보로 미리 학습된 신경망에 입력하여 예측 시세를 산출하는 예측 시세 산출부; 상기 산출된 예측 시세를 제공부; 및 상기 점검 정보를 차량의 연식 또는 주행 거리에 따라 정규화하여 시계열적으로 저장하는 데이터베이스를 포함하고, 상기 신경망은 상기 차량의 구조적 특징의 위치 관련성에 따라 연속된 상태 정보에 예측 시세가 레이블링된 학습 데이터를 이용하여 학습된 것이 바람직하다.
본 발명에 따르면 인공지능을 이용하여 차량의 점검 결과 기반의 시세를 보다 정확하게 소비자들에게 제공해 줄 수 있다.
또한, 소비자들은 시세를 통하여 허위매물 가능성을 판단할 수 있고, 합리적인 가격에 차량을 팔거나 구매할 수 있도록 한다.
또한, 본 발명은 차량의 상태 점검을 위한 정비사들의 편의에 따른 순차적인 점검 결과를 학습데이터로 이용하여 본연의 업무인 정비의 편의성을 높임과 함께, 신경망의 학습 효율을 높일 수 있다.
도 1은 본 발명의 일 실시예에 따른 차량 시세 예측 시스템을 나타낸 예시도이다.
도 2는 본 발명의 일 실시예에 따른 신경망을 이용한 차량 시세 예측 방법을 나타낸 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 차량 점검 예를 나타낸 예시도이다.
도 4는 본 발명의 일 실시예에 따른 차량 점검 정보의 예를 나타낸 예시도이다.
도 5는 본 발명의 일 실시예에 따른 제1 신경망 모델을 나타낸 예시도이다.
도 6은 본 발명의 일 실시예에 따른 제2 신경망 모델을 나타낸 예시도이다.
도 7은 본 발명의 일 실시예에 따른 차량의 시계열적 영향을 학습하기 위한 방법을 나타낸 예시도이다.
도 8은 본 발명의 일 실시예에 따른 차량 점검 정보의 시계열적 구성을 나타낸 예시도이다.
도 9은 본 발명의 일 실시예에 따른 차량 시세 예측 서버의 구성을 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 신경망을 이용한 차량 시세 예측 방법을 나타낸 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 차량 점검 예를 나타낸 예시도이다.
도 4는 본 발명의 일 실시예에 따른 차량 점검 정보의 예를 나타낸 예시도이다.
도 5는 본 발명의 일 실시예에 따른 제1 신경망 모델을 나타낸 예시도이다.
도 6은 본 발명의 일 실시예에 따른 제2 신경망 모델을 나타낸 예시도이다.
도 7은 본 발명의 일 실시예에 따른 차량의 시계열적 영향을 학습하기 위한 방법을 나타낸 예시도이다.
도 8은 본 발명의 일 실시예에 따른 차량 점검 정보의 시계열적 구성을 나타낸 예시도이다.
도 9은 본 발명의 일 실시예에 따른 차량 시세 예측 서버의 구성을 나타낸 블록도이다.
이하의 내용은 단지 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시 되지 않았지만 발명의 원리를 구현하고 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시 예들은 원칙적으로, 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이외같이 특별히 열거된 실시 예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.
또한, 발명을 설명함에 있어서 발명과 관련된 공지 기술에 대한 구체적인 설명이 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. 이하에는 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예에 대해 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 차량 시세 예측 시스템을 나타낸 예시도이다.
도 1을 참조하면, 차량 시세 예측 시스템(1000)는 차량 시세 예측 서버(100)와 사용자 단말기(200)로 구성될 수 있다.
사용자, 바람직하게는 차량의 점검자는 사용자 단말기(200)를 활용하여 차량의 상태를 점검하고 점검 결과를 입력할 수 있다.
차량 시세 예측 서버(100)는 입력된 점검 결과는 사용자 단말기(200)에 설치된 점검자용 어플리케이션을 통해서 수신될 수 있으며, 수신된 점검 정보를 차량의 구조적 특징에 따라 재구성 하여 위치 정보를 갖도록 벡터화하여 신경망에 입력할 수 있다.
구체적으로 점검 정보 입력부는 차량의 점검자가 입력한 점검 정보들을 수신하여 신경망의 입력을 위한 벡터 정보로 변환할 수 있다. 즉 각 항목 별 점검 결과를 범주에 따라 정규화된 수치값으로 재구성할 수 있다. 재구성된 점검 결과는 항목 별 특징에 따라 데이터 상에서 순서가 결정될 수 있다.
구체적으로 점검 정보는 차량의 구조적 특징에 따라 전면부, 후면부, 측면부, 하부 및 내부 엔진룸과 같은 분류에 따라 정렬될 수 있다.
이상의 정렬된 점검 정보는 신경망에 입력되며, 예측 시세 산출부의 신경망은 입력된 점검 정보를 기초로 시세를 예측하고 이를 소비자에게 제공해 줄 수 있다.
이하에서는 도 2를 참조하여 차량 시세 예측 서버(100)의 신경망을 이용한 차량 시세 예측 방법을 설명한다.
도 2는 본 발명의 일 실시예에 따른 신경망을 이용한 차량 시세 예측 방법을 나타낸 흐름도이다.
차량 시세 예측 서버(100)는 사용자 단말기(200)로부터 차량 평가 항목별 점검 정보를 입력 받을 수 있다(S100).
여기서, 점검 정보는 계층에 따라 구분된 항목으로 구조화될 수 있으며, 대항목은 가장 포괄적인 항목으로 외부, 내부 및 기능, 엔진룸 및 파워트레인, 휠 및 타이어, 하부 총 5가지로 구성될 수 있다.
중항목은 대항목 내 서로 구분되는 위치에 존재하는 부위나 기능을 의미할 수 있다. 소항목은 중항목 내에서 직접적인 명칭으로 불리우는 부위나 구성품을 의미하며, 실제로 점검자에 의해 점검이 이루어지는 단위일 수 있다.
즉, 각각의 소항목에 대하여 점검자는 성능 점수로서 프레임을 제외한 자동차의 외부, 실내 및 기능, 엔진 및 파워트레인, 휠 및 타이어, 하부를 외관 / 안전으로 구분해 일련의 점검 과정을 거쳐 상태에 따른 점수를 산정할 수 있다.
또한, 프레임은 이상 정도에 따라 심각도를 랭크(순위)로 구분하여 예를 들어, 가장 이상 정도가 심각한 제1 순위 초심각 프레임, 제2 순위 고심각 프레임, 제3 순위 중심각 프레임 및 제4 순위의 저심각 프레임으로 항목화할 수 있다.
초심각 프레임에는 차량을 지지하는 핵심적인 구성으로 예를 들어 대쉬 패널, 사이드멤버, 플로어 패널, 패키지 트레이가 포함될 수 있으며, 고심각 프레임에는 차량의 주행, 운전석 및 조수석 등의 공간을 지지하기 위한 휠하우스, 사이드멤버, 필러패널들이 포함될 수 있다.
중심각 프레임에는 프론트 패널, 인사이드 패널이 포함될 수 있으며, 저심각 프레임에는 리어패널, 트렁크 플로어 사이드실 패널이 포함될 수 있다.
구분된 항목에 대하여 점검자는 이상 여부를 확인하여 이상이 있거나, 또는 상세 확인이 필요한 부분에 대해서는 확인이 필요한 것으로 체크할 수 있다.
이러한 과정은 점검자의 사용자 단말기를 통해 수행될 수 있다.
구체적으로 도 3을 참조하면, 점검자는 자신의 사용자 단말기에 설치된 점검자용 어플리케이션을 이용하여 리포트(30)를 작성하게 되고, 해당 리포트는 미리 정해진 항목별 특성 타입과 데이터 타입에 따른 값으로 이상 여부에 따라 수치화된 값으로 설정될 수 있다.
예를 들어 이상이 없는 경우에 1점, 확인이 필요한 경우 0.8점, 이상 있는 경우에는 0.2 점으로 항목 별 상태 점수를 평가할 수 있다. 추가적으로 확인이 필요한 경우는 0.8점을 기준으로 부가 첨부되는 평가나 이미지 등의 자료를 통해 점수를 재 산출하는 것도 가능하다.
이때 소항목별 수치는 외관 또는 안전상의 중요도에 따른 룰베이스의 가중 평균 과정을 통해 시세 예측에 이용될 수 있다. 구체적으로 소항목 별로 수치화된 점검 정보는 중항목 별로 취합되어 중항목별 평균으로 산출될 수 있다.
중항목 별 산출된 값은 다시 차량의 외관에 대해 영향 지수와 안전에 대한 영향 지수로 구분하여 재 산출될 수 있다. 즉, 점검 상태에 외관 또는 안전에 대한 중요도에 따른 가중치를 반영하여 최종 대항목 점수로 취합될 수 있다.
이상의 최종 대항목 점수를 만점 기준의 성능 점수와 비교하여 상태에 따른 기준 대비 하락율을 산출하고, 산출된 하락율이 반영된 성능 점수를 최종 주행 거리와 연식 또는 주행 거리에 따른 차량의 잔가율에 반영함으로써 차량의 시세를 예측할 수 있다.
또한, 주행 거리를 연식 대비 비교하여 적정 수준과 미주행/과주행으로 구분하고 주행이 적정 대비 높은 경우에 주행 거리 계수를 산출하여 잔가율을 설정하는 것도 가능하다.
따라서, 과주행인 경우에는 연식 대비 시세에 주행 거리에 따른 감가 및 상태에 따른 추가적인 감가가 적용된 시세가 산출될 수 있다.
또한, 본 실시예에서는 이상의 룰베이스 방식 외에 본 실시예에 따른 차량 시세 예측 서버(100)는 항목별 점수를 차량 구조적 특징상의 위치 관계 및 연식과 주행 거리의 상관 관계를 신경망을 이용하여 학습하도록 함으로써 보다 정확하고 다양한 환경 변수에 강인한 성능을 갖도록 하는 방법을 더욱 제안한다.
이를 위해 본 실시예에서 산출된 점검 정보는 차량의 구조적인 위치에 따라 재구성될 수 있다.
구체적으로 도 4를 참조하면 점검정보(35)들은 범주형으로 차량의 전면부, 엔진룸, 측면부, 내부, 후면부, 및 하부에 따라 순차적으로 재구성될 수 있다.
즉, 차량의 전면부를 구성하는 프론트 펜더, 엔진후드, 전면유리, 헤드램프, 포그램퍼, 그릴 및 범퍼를 안전상 중요도 및 외관상 위치에 따라 순차적으로 항목화한다.
다음, 차량의 전면에 구성되는 엔진룸을 전면부 구성에 연속하여 항목화한다. 엔진룸과 관련하여 프론트 패널, 인사이드 패널, 휠 하우스, 크로스 멤버, 사이드 멤버 및 기타 엔진 오일 이나 필터 관련 기능상 항목들을 포함할 수 있다.
이어서 측면부의 경우 안전 및 외관상 구성들로 필러, 도어, 휠 타이어 및 브레이크 디스크 등과 관련된 항목들을 포함한다.
내부의 경우 시트, 대쉬보드, 등화장치, 공조장치, 및 기타 편의 장치들의 동작 여부를 항목으로 포함한다.
다음 후면부의 경우 리어 팬더, 리어램프 및 범퍼, 트렁크 내부, 후측 휠하우스를 포함하며, 마지막으로 하부에 해당하는 플로어 패널, 언더커버, 파워스티어링, 기어, DPF(Diesel Particulate Filter )장치 등의 항목을 포함한다.
이상의 구분에 따라 소항목 들은 차량의 구조적 위치에 따라 카테고리화 되며 전체적으로 전면과 엔진룸을 구성하는 펜더와 패널들의 이상에 따른 안전상의 연속적인 영향을 가중치로 학습할 수 있도록 한다.
또한, 엔진룸과 측면부의 특징으로 인사이드 패널과 사이드 실 패널 간의 이상에 따라 가중되는 안전상의 위험도, 휠하우스와 A필러의 이상에 따른 안전 및 외관상의 영향을 연관지어 학습할 수 있도록 구성할 수 있다.
추가적으로 점검정보에는 차량의 연식과 주행거리에 해당하는 수치형 정보가 포함될 수 있으며 연식과 주행거리에 따른 차량 가격의 감가율을 가중치로 학습하도록 한다.
도 5를 참조하면, 재구성된 점검정보(35)는 신경망(50)을 통해 각 정보들 간의 연결강도를 가중치로 학습할 수 있도록 한다.
따라서, 학습데이터는 점검정보와 점검정보에 따른 예상 시세를 레이블링 하여 신경망을 구성하는 내부 히든 레이어의 가중치 파라미터들을 갱신할 수 있도록 한다.
1차적으로 신경망은 완전연결레이어(Fully-connected Layer)로 구성되어 각 입력값들에 대한 가중치를 학습할 수 있다.
즉, 점검 정보에 대한 각각의 값들에 대하여 모두 가중치와 편향에 따른 연산을 수행하고 해당 값들을 최종적으로 통합함으로써 예상 시세를 산출하도록 한다. 산출된 예상 시세와 레이블링된 시세를 비교하여 오차를 역전파 하는 것을 통해 가중치를 갱신하도록 한다.
또한, 본 실시예에서는 점검 정보를 차량 구조적 위치를 고려하여 배치하였으므로 인접한 입력 간의 연결강도는 상호 연관관계를 가지고 갱신될 수 있도록 설정할 수 있다. 예를 들어 전면부의 항목에 대한 값과 엔진룸 항목에 대한 연산 가중치의 갱신 시 바이어스를 항목의 데이터 구조상 인접 여부(또는 신경망 레이어 내 노드 간 거리)에 따라 조절함으로써 연관관계의 특징을 더욱 반영시킬 수 있다.
나아가, 본 실시예에서는 연식과 주행거리를 기초로 점검 정보를 시계열적으로 구성하여 연식이나 주행 거리에 따른 시세 영향의 변화를 더욱 반영하는 것도 가능하다.
도 6을 참조하면, 본 실시예에서는 동일 또는 유사(바람직하게는 제조사의 동일 등급 모델 라인)차종의 시계열적 학습 데이터를 연식이나 주행 거리에 따라 순차적으로 입력하고 과거 시점 또는 주행 거리 순의 시세 예측 시의 연산 결과를 다음 차순의 시점이나 주행 거리의 시세 예측에 전달하도록 할 수 있다.
따라서, 신경망(50-1)은 현재 점검 정보(35)에 따른 시세 예측 뿐만 아니라 과거 시점의 다양한 항목별 점검 결과(35-1,2,3,4)들이 현재의 시세 예측에 영향을 미치는 정도를 학습할 수 있고 이를 통해 항목 중 연식에 따라 시세 변화에 영향이 큰 항목들을 추출하여 시세 예측에 반영할 수 있도록 한다.
이와 관련하여 시세 예측을 위한 신경망(50-1)은 순환 신경망(Recurrent Neural Network) 형태로 구성할 수 있으며 널리 쓰이고 있는 LSTM(Long Short-Term Memory)를 이용하여 신경망을 시계열적으로 학습 시킴으로써 다음 시세 예측에 영향을 미치는 정보와 전달하지 않을 정보를 구분하여 연산에 반영하도록 한다.
또한, 시계열적인 학습을 위해서는 규칙적인 시간에 따른 점검 정보를 동일 또는 유사한 차종에 대하여 확보할 필요가 있다. 하지만 차종에 대해서 학습에 충분한 점검 정보를 연식에 또는 주행 거리에 따라 균형적으로 획득하는 것은 어려울 수 있으므로 이러한 연식과 주행 거리를 이용하여 해당 차종의 점검 정보를 시간적으로 정규화하여 이용한다.
도 7을 참조하면, 본 실시예에서는 동일 차종의 점검 정보에 대하여 연식 또는 주행거리 만을 입력으로 신경망의 예상 시세의 출력 결과 간의 차이를 손실로 정의함으로써 오차가 최소가 되도록 학습을 수행할 수 있다. 이를 통해 특정 차종의 연식에 따른 영향과 주행 거리의 변화에 따른 영향 간의 관계를 학습할 수 있다. 학습된 연식과 주행 거리 간의 관계를 기초로 점검 정보(35)의 연식과 주행 거리를 도 8과 같이 정규화하여 시계열적으로 입력함으로써 보다 정확한 시간 변수가 반영된 시세를 신경망이 학습할 수 있도록 한다.
이하, 도 9를 참조하여 차량 시세 예측 서버(100)의 구성에 대해서 설명한다.
도 9는 본 발명의 일 실시예에 따른 차량 시세 예측 서버(100)의 구성을 나타낸 블록도이다.
도 9를 참조하면, 차량 시세 예측 서버(100)는 점검 정보 입력부(110), 예측 시세 산출부(120), 시세 제공부(130), 학습데이터 데이터베이스(140)로 구성될 수 있다.
점검 정보 입력부(110)는 점검자가 사용자 단말기, 바람직하게는 차량 점검용 단말을 이용하여 입력한 차량의 상태 정보를 입력 받는다.
점검자는 점검용 차량을 미리 결정된 항목별 상태 정보를 범주에 따라 선택할 수 있으며 선택된 상태 정보는 수치화되어 벡터 정보로서 이용될 수 있다. 추가적으로 점검자는 상태가 세부 확인이 필요한 경우 사진이나 이미지 자료를 첨부할 수 있도록 하여 상태 정보 외 직접적인 이미지 기반의 컨볼루션 연산을 통해 특징 정보를 추출하도록 하는 것도 가능하다.
점검 정보 입력부(110)는 입력된 점검 정보를 차량의 구조적 위치에 따라 순차적으로 재구성할 수 있다. 점검자의 습관이나 점검용 어플리케이션의 특징에 따라 점검 순서나 소항목의 분류 기준이 달라질 수 있으므로 이러한 값들을 정규화하기 위하여 차량의 구조적 위치를 기준으로 재 분류할 수 있다.
이상의 과정으로 재구성된 점검 정보는 신경망을 통한 예측 시세 산출에 이용된다.
예측 시세 산출부(120)는 신경망에 점검 정보를 입력하여 차량의 현재 예측 시세를 산출한다. 또는 예측 시세 대신 기준 값 대비 감가율을 예측하도록 학습된 경우 신경망은 차량의 점검 정보 기반, 연식 대비 추가적인 감가율을 산출할 수 있다.
구체적으로 신경망은 점검 정보 자체에 내재된 항목 별 상태에 따른 시세 영향 지수와 함께 구조적 위치 관계에 따라 상호 안전이나 외관에 부가적인 영향을 미치는 지를 학습하도록 하여, 차량의 유기적인 구조에 따른 안전 상 또는 외관상의 영향을 학습한다.
이와 함께 차량은 연식과 주행 거리에 따른 자연 감가가 발생하는데, 이를 시계열적인 점검 정보로 학습하도록 함으로써, 차종 별로 과거의 상태 정보 중 시간 변화에 따라 더 큰 영향을 미치는 요소들을 추출하고 이를 학습하도록 한다.
따라서, 예측 시세 산출부(120)는 차량의 상태기반 가치의 감가율을 더욱 정확하게 산출한다.
시세 제공부(130)는 이상의 과정에 따라 산출된 예측 시세를 사용자에게 제공해 줄 수 있다. 즉 신경망에서 직접적으로 산출된 예상 시세 제공해주거나 또는 감가율이 예측된 경우 자연 감가율 대비 상태 값에 따른 추가적인 감가율을 적용한 시세를 산출하여 제공하는 것도 가능하다.
나아가, 학습데이터 DB(140)는 시세 예측에 이용된 점검 정보를 추가적으로 학습에 이용하기 위해 저장 관리 할 수 있으며, 이때의 점검 정보를 이용하여 차량의 상태 정보의 조작이나 부가적인 서비스를 제공해 줄 수 있도록 한다.
본 발명에 따르면 인공지능을 이용하여 차량의 점검 결과 기반의 시세를 보다 정확하게 소비자들에게 제공해 줄 수 있다.
또한, 소비자들은 시세를 통하여 허위매물 가능성을 판단할 수 있고, 합리적인 가격에 차량을 팔거나 구매할 수 있도록 한다.
또한, 본 발명은 차량의 상태 점검을 위한 정비사들의 편의에 따른 순차적인 점검 결과를 학습데이터로 이용하여 본연의 업무인 정비의 편의성을 높임과 함께, 신경망의 학습 효율을 높일 수 있다.
나아가, 여기에 설명되는 다양한 실시예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체 내에서 구현될 수 있다.
하드웨어적인 구현에 의하면, 여기에 설명되는 실시예는 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시예들이 제어 모듈 자체로 구현될 수 있다.
소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 씌여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리 모듈에 저장되고, 제어모듈에 의해 실행될 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (8)
- 차량 시세 예측 서버에서 수행되는 신경망을 이용한 차량 시세 예측 방법에 있어서,
사용자로부터 입력 받은 차량 평가 항목별 점검 정보를 입력 받는 단계;
상기 점검 정보를 차량의 구조적 특징에 따라 배열하여 벡터화한 상태 정보로 미리 학습된 신경망에 입력하여 예측 시세를 산출하는 단계; 및
상기 산출된 예측 시세를 제공하는 단계를 포함하고,
상기 신경망은 상기 차량의 구조적 특징의 위치 관련성에 따라 연속된 상태 정보에 예측 시세가 레이블링된 학습 데이터를 이용하여 학습하되,
연식에 따른 상기 상태 정보와 주행 거리에 따른 상기 상태 정보 별 예상 시세를 각각 학습하고 동종 차량의 연식과 주행거리의 예상 시세간의 차이를 손실로 정의하여 연식과 주행거리 간의 가중치를 갱신하고,
상기 상태 정보 내 차량의 전면부 점검 정보와 엔진룸 점검 정보는 연속하고, 측면부 점검 정보는 상기 엔진룸 점검 정보 및 내부 점검 정보와 연속함에 따라 상기 연속된 점검 정보에 대한 값들의 연산을 위한 바이어스는 상호 연관관계를 가지고 갱신하는 것을 특징으로 하는 신경망을 이용한 차량 시세 예측 방법. - 제 1 항에 있어서,
상기 신경망은 상기 학습 데이터를 동종 차량의 연식 또는 주행거리에 따른 순차 학습 데이터를 이용하여 연식 또는 주행 거리의 증감에 따른 상기 차량의 구조적 특징의 시세 영향 가중치를 학습하는 것을 특징으로 하는 신경망을 이용한 차량 시세 예측 방법. - 삭제
- 삭제
- 제 2 항에 있어서,
상기 신경망은 상기 가중치에 따라 상기 동종 차량의 서로 다른 연식 또는 주행 거리에 따른 상태 정보를 시계열적으로 정규화하여 학습하는 것을 특징으로 하는 신경망을 이용한 차량 시세 예측 방법. - 제 1 항에 있어서,
상기 신경망은 상기 차량의 상태 정보에 따른 감가율을 출력하고,
상기 산출하는 단계는 상기 출력된 상기 감가율에 상기 차량의 주행 거리 또는 연식을 반영한 기준 시세를 적용하여 예측 시세를 산출하는 것을 특징으로 하는 신경망을 이용한 차량 시세 예측 방법. - 신경망을 이용한 차량 시세 예측 서버에 있어서,
사용자로부터 입력 받은 차량 평가 항목별 점검 정보를 입력 받는 점검 정보 입력부;
상기 점검 정보를 차량의 구조적 특징에 따라 배열하여 벡터화한 상태 정보로 미리 학습된 신경망에 입력하여 예측 시세를 산출하는 예측 시세 산출부;
상기 산출된 예측 시세를 제공부; 및
상기 점검 정보를 차량의 연식 또는 주행 거리에 따라 정규화하여 시계열적으로 저장하는 데이터베이스를 포함하고,
상기 신경망은 상기 차량의 구조적 특징의 위치 관련성에 따라 연속된 상태 정보에 예측 시세가 레이블링된 학습 데이터를 이용하여 학습하되,
연식에 따른 상기 상태 정보와 주행 거리에 따른 상기 상태 정보 별 예상 시세를 각각 학습하고 동종 차량의 연식과 주행거리의 예상 시세간의 차이를 손실로 정의하여 연식과 주행거리 간의 가중치를 갱신하고,
상기 상태 정보 내 차량의 전면부 점검 정보와 엔진룸 점검 정보는 연속하고, 측면부 점검 정보는 상기 엔진룸 점검 정보 및 내부 점검 정보와 연속함에 따라 상기 연속된 점검 정보에 대한 값들의 연산을 위한 바이어스는 상호 연관관계를 가지고 갱신하는 것을 특징으로 하는 신경망을 이용한 차량 시세 예측 서버. - 차량 시세 예측 서버에서 수행되는 신경망을 이용한 차량 시세 예측 방법에 있어서,
사용자로부터 입력 받은 차량 평가 항목별 점검 정보를 입력 받는 단계
상기 점검 정보를 차량의 구조적 특징에 따라 배열하여 벡터화한 상태 정보로 미리 학습된 신경망에 입력하여 예측 시세를 산출하는 단계;
상기 산출된 예측 시세를 제공하는 단계를 포함하고,
상기 신경망은 상기 차량의 구조적 특징의 위치 관련성에 따라 연속된 상태 정보에 예측 시세가 레이블링된 학습 데이터를 이용하여 학습하되,
연식에 따른 상기 상태 정보와 주행 거리에 따른 상기 상태 정보 별 예상 시세를 각각 학습하고 동종 차량의 연식과 주행거리의 예상 시세간의 차이를 손실로 정의하여 연식과 주행거리 간의 가중치를 갱신하고,
상기 상태 정보 내 차량의 전면부 점검 정보와 엔진룸 점검 정보는 연속하고, 측면부 점검 정보는 상기 엔진룸 점검 정보 및 내부 점검 정보와 연속함에 따라 상기 연속된 점검 정보에 대한 값들의 연산을 위한 바이어스는 상호 연관관계를 가지고 갱신하는 것을 특징으로 하는 신경망을 이용한 차량 시세 예측 방법을 수행하는 컴퓨터 판독가능한 기록 매체에 저장된 프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210074160A KR102622271B1 (ko) | 2021-06-08 | 2021-06-08 | 신경망을 이용한 차량 시세 예측 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210074160A KR102622271B1 (ko) | 2021-06-08 | 2021-06-08 | 신경망을 이용한 차량 시세 예측 방법 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220165479A KR20220165479A (ko) | 2022-12-15 |
| KR102622271B1 true KR102622271B1 (ko) | 2024-01-09 |
Family
ID=84439534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210074160A KR102622271B1 (ko) | 2021-06-08 | 2021-06-08 | 신경망을 이용한 차량 시세 예측 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102622271B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016004470A (ja) * | 2014-06-18 | 2016-01-12 | 株式会社デンソー | 電子診断を用いた中古車評価システム、サーバ及び中古車評価プログラム |
| KR102217684B1 (ko) * | 2020-09-07 | 2021-02-22 | 주식회사 모비노마 | 인공지능 기반 중고 차량 잔존가 산정 시스템 및 방법 |
| KR102218287B1 (ko) * | 2020-01-21 | 2021-02-22 | (주) 아톤모빌리티 | 머신 러닝을 통한 중고차 시세 예측 방법 및 시스템 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180063574A (ko) * | 2016-12-02 | 2018-06-12 | 김성국 | 머신 러닝을 이용한 중고 자동차 ｐ2ｐ 거래를 위한 중고 자동차 거래가격 결정 방법, 장치 및 컴퓨터-판독가능 매체 |
-
2021
- 2021-06-08 KR KR1020210074160A patent/KR102622271B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016004470A (ja) * | 2014-06-18 | 2016-01-12 | 株式会社デンソー | 電子診断を用いた中古車評価システム、サーバ及び中古車評価プログラム |
| KR102218287B1 (ko) * | 2020-01-21 | 2021-02-22 | (주) 아톤모빌리티 | 머신 러닝을 통한 중고차 시세 예측 방법 및 시스템 |
| KR102217684B1 (ko) * | 2020-09-07 | 2021-02-22 | 주식회사 모비노마 | 인공지능 기반 중고 차량 잔존가 산정 시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220165479A (ko) | 2022-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111353599B (zh) | 深度神经网络的正确性保持优化 | |
| CN109249937A (zh) | 驾驶辅助设计分析系统 | |
| US20180268305A1 (en) | Retrospective event verification using cognitive reasoning and analysis | |
| Vasconcelos et al. | Smartphone-based outlier detection: a complex event processing approach for driving behavior detection | |
| KR20210002018A (ko) | 뉴럴 네트워크의 글로벌 불확실성을 추정하기 위한 방법 | |
| CN110827088A (zh) | 基于大数据的用车成本预测方法、装置及存储介质 | |
| Zhao et al. | Sensor-based risk perception ability network design for drivers in snow and ice environmental freeway: a deep learning and rough sets approach | |
| Singh et al. | Do online consumer reviews help to evaluate the performance of automobile manufacturers? | |
| JP2021056983A (ja) | 車両ｃａｎ ｂｕｓ信号を利用した機械学習基盤運転者異常感知方法および装置 | |
| Gontscharov et al. | Algorithm development for minor damage identification in vehicle bodies using adaptive sensor data processing | |
| Helou et al. | The reasonable crowd: Towards evidence-based and interpretable models of driving behavior | |
| Wang et al. | SafeDrive: A new model for driving risk analysis based on crash avoidance | |
| Alalawin et al. | Forecasting vehicle's spare parts price and demand | |
| Adee et al. | Systematic modeling approach for environmental perception limitations in automated driving | |
| KR102622271B1 (ko) | 신경망을 이용한 차량 시세 예측 방법 및 시스템 | |
| Devi et al. | Logistic Multilayer Perceptron Neural Network Classification based Driving Behavior Prediction through Vehicle Motion Data | |
| Oh et al. | Development of probabilistic pedestrian fatality model for characterizing pedestrian-vehicle collisions | |
| Shatnawi et al. | Prediction of risk factors influencing severity level of traffic accidents using artificial intelligence | |
| Caballero et al. | Some statistical challenges in automated driving systems | |
| Kordes et al. | Automatic Fault Detection using Cause and Effect Rules for In-vehicle Networks. | |
| Esen et al. | Simulation-based Safety Assurance for an AVP System incorporating Learning-Enabled Components | |
| Chung | Mind, Machine, and Society: Legal and Ethical Implications of Self-Driving Cars | |
| Lakshmanan | Defect Detection and Price Estimation of Used Cars Using Deep Learning with Regression Models | |
| KR20220166449A (ko) | 신경망을 이용한 차량 매물 검증 방법 | |
| US20230153766A1 (en) | Systems and Methods of Determining Vehicle Reparability |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |