KR102627498B1 - 신경망을 이용한 차량 매물 검증 방법 - Google Patents

신경망을 이용한 차량 매물 검증 방법 Download PDF

Info

Publication number
KR102627498B1
KR102627498B1 KR1020210075192A KR20210075192A KR102627498B1 KR 102627498 B1 KR102627498 B1 KR 102627498B1 KR 1020210075192 A KR1020210075192 A KR 1020210075192A KR 20210075192 A KR20210075192 A KR 20210075192A KR 102627498 B1 KR102627498 B1 KR 102627498B1
Authority
KR
South Korea
Prior art keywords
vehicle
listing
price
verification
false
Prior art date
Application number
KR1020210075192A
Other languages
English (en)
Other versions
KR20220166449A (ko
Inventor
정진태
이소형
유태량
Original Assignee
주식회사 카바조
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 카바조 filed Critical 주식회사 카바조
Priority to KR1020210075192A priority Critical patent/KR102627498B1/ko
Publication of KR20220166449A publication Critical patent/KR20220166449A/ko
Application granted granted Critical
Publication of KR102627498B1 publication Critical patent/KR102627498B1/ko

Links

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
    • G06Q30/018—Certifying business or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Operations Research (AREA)

Abstract

본 발명의 예시적인 실시예들에 따른 차량 매물 조회 서버에서 수행되는 신경망을 이용한 차량 매물 검증 방법에 있어서, 상기 신경망을 이용한 차량 매물 검증 방법은 사용자로부터 확인대상 차량의 차량 데이터 및 판매 데이터를 입력 받는 데이터 수집 단계, 상기 차량 데이터에 포함된 차량번호와 상기 차량 매물 조회 서버에 저장된 허위매물 데이터베이스를 비교하여, 상기 확인대상 차량이 허위매물에 해당하는지 여부를 검증하는 허위매물 검증 단계, 상기 판매 데이터에 포함된 판매가격이 상기 신경망을 통해 산출된 적정가격 범위에 해당하는지 여부를 검증하는 매매가격 검증 단계, 및 상기 허위매물 검증 단계의 결과 및 상기 매매가격 검증 단계의 결과를 제공하는 검증결과 제공 단계를 포함할 수 있다.

Description

신경망을 이용한 차량 매물 검증 방법{Vehicle For Sale Verification Method Using Neural Network}
본 발명은 신경망을 이용한 차량의 매물 검증 방법에 관한 것으로, 보다 상세하게는 차량 매물이 허위매물에 해당하는지 여부를 검증하고, 매매가격이 적정가격 범위에 해당하는지 여부를 검증하는 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, 소비자들의 관심을 집중시키기 위해 실제 존재하지 않는 상품을 판매상품으로 게재하는 방식의 중고차 거래 방식이 이루어지고 있으며, 이에 따라 게재된 판매상품이 허위매물인지 아니면 실제매물인지 검증하는 방법에 대한 소비자들의 니즈가 발생하고 있다. 또한, 감가나 상품의 상태에 따라 가치가 고정적이지 않은 중고 제품 분야의 경우, 적당한 중고 제품의 가치 산정에 대한 소비자들의 니즈도 발생하고 있으며, 이러한 가치 산출 분야에도 신경망이 적용되고 있다.
특히, 상대적으로 고가이며 다양한 변수들이 존재하는 중고차 시장에서 시세 산출에도 머신러닝 기술들이 적용되고 있다.
일 예로, 선행기술 1(한국등록특허공보 10-2153650(등록일 2020.09.02))은 서버기반컴퓨팅 또는 데스크톱 가상화를 이용하여 허위매물 근절 및 신속한 거래를 위한 폐쇄형 중고차 거래 중개 서비스 제공 방법을 개시하고 있다. 다만, 선행기술 1에서 제시하는 방법은 폐쇄형 중고차 거래 중개 서비스로서 불특정 다수의 소비자들이 이용할 수 없다는 불편함이 있으며, 하나의 중개 플랫폼에만 매물등록 데이터를 업로드하도록 강제하고 있으므로 중고차 거래 활성화에 실효적인 이점을 가져다 주지 못한다는 단점이 있다.
또다른 예로, 선행기술 2(한국등록특허공보 10-2218287(등록일 2021.02.16))는 머신 러닝을 통한 중고차 시세 예측 방법을 제안하고 있다. 다만, 선행기술 2에서 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 정확한 허위매물의 검증을 위해서는 차량 자체의 정보 뿐만 아니라 온라인 상의 어떤 매체를 이용하는지에 대해 함께 검토할 필요가 있으며, 실질적인 시세의 예측을 위해서는 차량의 특징을 반영하여 학습 데이터를 구성하고 시계열적인 변화를 반영할 수 있는 신경망의 개발이 필요한 실정이다.
본 발명의 다양한 과제 중 하나는, 차량 데이터와 허위매물 데이터베이스를 비교하여 확인대상 차량이 허위매물에 해당하는지 여부를 검증하는 방법을 제공하는 것이다.
또한, 본 발명의 다양한 과제 중 하나는 웹사이트 URL의 도메인 이름을 비교하여 상기 확인대상 차량이 판매되고 있는 웹사이트가 허위매물 거래 웹사이트에 해당하는지 여부를 검증하는 방법을 제공하는 것이다.
또한, 본 발명의 다양한 과제 중 하나는 인공지능을 이용하여 차량의 점검 결과 기반의 적정가격 범위를 산출한 후, 상기 확인대상 차량의 판매가격이 적정한지 여부를 검증하는 방법을 제공하는 것이다.
상기 기술적 과제를 해결하기 위한 본 발명의 예시적인 실시예들에 따른 차량 매물 조회 서버에서 수행되는 신경망을 이용한 차량 매물 검증 방법에 있어서, 상기 신경망을 이용한 차량 매물 검증 방법은 사용자로부터 확인대상 차량의 차량 데이터 및 판매 데이터를 입력 받는 데이터 수집 단계; 상기 차량 데이터에 포함된 차량번호와 상기 차량 매물 조회 서버에 저장된 허위매물 데이터베이스를 비교하여, 상기 확인대상 차량이 허위매물에 해당하는지 여부를 검증하는 허위매물 검증 단계; 상기 판매 데이터에 포함된 판매가격이 상기 신경망을 통해 산출된 적정가격 범위에 해당하는지 여부를 검증하는 매매가격 검증 단계; 및 상기 허위매물 검증 단계의 결과 및 상기 매매가격 검증 단계의 결과를 제공하는 검증결과 제공 단계;를 포함할 수 있다.
상기 판매 데이터는 상기 확인대상 차량이 판매되는 웹사이트(이하, 확인대상 웹사이트라 함)의 URL(Uniform Resource Locator)을 포함할 수 있고, 상기 허위매물 데이터베이스는 허위매물 차량이 판매되는 웹사이트(이하, 허위매물 거래 웹사이트라 함)의 URL을 포함할 수 있으며, 상기 허위매물 검증 단계는 상기 확인대상 웹사이트의 URL과 상기 허위매물 거래 웹사이트의 URL의 도메인 이름을 비교하여, 상기 확인대상 차량이 허위매물에 해당하는지 여부를 판단할 수 있다.
상기 데이터 수집 단계에서 상기 사용자로부터 상기 확인대상 웹사이트의 URL이 입력되지 않는 경우, 상기 허위매물 검증 단계는 상기 차량번호와 상기 차량 매물 조회 서버에 저장된 실제매물 데이터베이스를 비교하여, 상기 확인대상 차량이 허위매물에 해당하는지 여부를 검증할 수 있다.
상기 매매가격 검증 단계는, 상기 확인대상 차량의 상기 차량 데이터에 포함된 신차가격, 차종구분 및 연식을 수집한 후, 상기 신차가격에 연식 기반 잔가율 데이터를 적용하여 제1매매가를 산출하는 단계; 상기 확인대상 차량의 상기 차량 데이터에 포함된 주행거리를 수집한 후, 상기 제1매매가에 주행거리 기반 감가율 데이터를 적용하여 제2매매가를 산출하는 단계; 및 상기 차량 매물 조회 서버에 저장된 중고차 이력정보 조회 웹사이트를 통해 상기 확인대상 차량의 이력 데이터를 조회한 후, 상기 제2매매가에 이력 기반 감가율 데이터를 적용하여 제3매매가를 산출하는 단계를 포함할 수 있으며, 상기 매매가격 검증 단계는 상기 제3매매가를 기초로 적정가격 범위를 산출한 후, 상기 확인대상 차량의 판매가격이 상기 적정가격 범위 내에 해당하는지 여부를 검증함으로써 수행될 수 있다.
상기 적정가격 범위의 하한값은 상기 제3매매가의 90%일 수 있고, 상기 적정가격 범위의 상한값은 상기 제3매매가의 110%일 수 있으며, 상기 매매가격 검증단계는, 상기 확인대상 차량의 판매가격이 상기 하한값보다 크고 상기 상한값보다 작은 경우에 상기 적정가격 범위에 해당하는 것으로 판단할 수 있다.
상기 제1매매가는, 상기 연식 기반 잔가율 데이터에서 상기 확인대상 차량의 차종구분 및 연식에 대응되는 잔가율을 추출한 후, 상기 신차가격과 상기 잔가율을 곱연산 함으로써 산출될 수 있다.
상기 제2매매가는, 상기 제1매매가에 대해 상기 확인대상 차량의 연식을 기초로 산출된 연간 평균 주행거리에 대응하여 산정된 제1감가율을 적용하여 산출될 수 있다.
상기 이력 데이터는 상기 확인대상 차량의 특수용도이력을 포함할 수 있으며, 상기 제3매매가는 상기 제2매매가에 대해 상기 특수용도이력의 유무 및 종류에 대응하여 산정된 제2감가율을 적용하여 산출될 수 있다.
상기 이력 데이터는 상기 확인대상 차량의 사고이력을 더 포함할 수 있으며, 상기 제3매매가는 상기 제2매매가에 대해 상기 사고이력의 유무 및 종류에 대응하여 산정된 제3감가율을 더 적용하여 산출될 수 있다.
상기 매매가격 검증 단계는, 상기 확인대상 차량의 차량 평가 항목별 점검 정보를 더 수집한 후, 상기 제3매매가에 상기 차량 평가 항목별 점검 정보에 대응하여 산정된 제4감가율을 더 적용하여 제4매매가를 산출하는 단계;를 더 포함할 수 있으며, 상기 매매가격 검증 단계는, 상기 제4매매가를 기초로 적정가격 범위를 산출한 후, 상기 확인대상 차량의 판매가격이 상기 적정가격 범위 내에 해당하는지 여부를 검증함으로써 수행될 수 있다.
상기 신경망은 상기 차량의 구조적 특징의 위치 관련성에 따라 연속된 상태 정보에 예측 시세가 레이블링된 학습 데이터를 이용하여 학습될 수 있으며, 상기 제4감가율은 상기 점검 정보를 차량의 구조적 특징에 따라 배열하여 벡터화한 상태 정보로 미리 학습된 신경망에 입력하여 산정될 수 있다.
상기 허위매물 검증 단계에서 상기 확인대상 차량이 허위매물에 해당하는 것으로 판단되는 경우, 상기 매매가격 검증 단계는 수행되지 않도록 제어될 수 있으며, 상기 검증결과 제공 단계는, 상기 확인대상 차량이 허위매물에 해당하는 것으로 판단되는 경우, 상기 허위매물 검증 단계의 결과만을 제공하고 상기 매매가격 검증 단계의 결과는 제공하지 않을 수 있다.
본 발명의 예시적인 실시예들에 따른 신경망을 이용한 차량 매물 검증 방법에 따르면, 사용자로부터 입력받은 차량 데이터와 차량 매물 검증 서버에 저장된 허위매물 데이터베이스를 비교하여 확인대상 차량이 허위매물에 해당하는지 여부를 보다 정확하게 검증할 수 있다.
또한, 본 발명은 개방형 온라인 네트워크를 기반으로 허위매물 검증을 수행하므로 불특정 다수의 소비자들이 자유롭게 이용할 수 있다는 장점이 있으며, 복수 개의 중개 플랫폼에 허위매물이 등록된 경우에도 허위매물 데이터베이스에 저장된 중개 플랫폼인지 여부를 확인하여 허위매물 검증이 이루어질 수 있으므로, 확인대상 차량이 허위매물에 중고차 거래 활성화에 실효적인 이점을 가져다 줄 수 있다.
또한, 본 발명은 인공지능을 통해 확인대상 차량의 상태 점검을 위한 정비사들의 편의에 따른 순차적인 점검 결과를 학습데이터로 이용하여 적정 매매가격 범위를 산출하므로, 차량의 점검 결과 기반의 시세를 보다 정확하게 소비자들에게 제공할 수 있다. 따라서, 소비자들은 허위매물 검증 결과에 더하여, 매매가격 검증 결과에 따라 상기 확인대상 차량의 판매가격이 적정한지 여부를 더 검토할 수 있으며, 이에 따라 허위매물 검증 효과를 증대시킬 수 있고, 적정한 판매가격의 중고차 차량 매물 거래 활성화를 촉진시킬 수 있다.
도 1은 본 발명의 예시적인 실시예들에 따른 신경망을 이용한 차량 매물 검증 시스템을 나타낸 예시도이다.
도 2는 본 발명의 예시적인 실시예들에 따른 신경망을 이용한 차량 매물 검증 방법을 나타낸 흐름도이다.
도 3은 본 발명의 예시적인 실시예들에 따른 허위매물 검증 단계를 나타낸 흐름도이다.
도 4는 본 발명의 예시적인 실시예들에 따른 매매가격 검증 단계를 나타낸 흐름도이다.
도 5는 본 발명의 예시적인 실시예들에 따른 신경망을 이용한 차량 시세 예측 방법을 나타낸 흐름도이다.
이하, 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
또한, 본 발명의 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다.
도 1은 본 발명의 예시적인 실시예들에 따른 신경망을 이용한 차량 매물 검증 시스템을 나타낸 예시도이다.
도 1을 참조하면, 차량 매물 검증 시스템(1)은 차량 매물 검증 서버(100)와 사용자 단말기(200)로 구성될 수 있다.
사용자, 바람직하게는 차량 매물의 확인 요청자는 사용자 단말기(200)를 활용하여 차량 데이터(210)와 판매 데이터(220)를 입력할 수 있다.
사용자로부터 입력된 차량 데이터(210)와 판매 데이터(220)는 차량 매물 검증 서버(100)의 데이터 수집부(110)에 의해 수집된 후 차량 매물 검증 서버(100)의 데이터 저장부(120)에 저장될 수 있으며, 허위매물 검증부(130) 및 매매가격 검증부(140)를 통해 이후 설명되는 허위매물 검증 단계(S2) 및 매매가격 검증 단계(S3)에 활용될 수 있다.
차량 데이터(210)는 확인대상 차량의 차량번호, 연식, 주행거리 등 차량 자체와 관련된 정보들을 포함할 수 있으며, 판매 데이터(220)는 상기 확인대상 차량이 판매되는 웹사이트(이하, 확인대상 웹사이트라 함)의 URL, 상기 확인대상 차량의 판매가격 등 차량의 판매와 관련된 정보들을 포함할 수 있다.
차량 매물 검증 서버(100)의 데이터 저장부(120)에는 허위매물 거래 웹사이트(이하, 허위매물 웹사이트라 함)에 대한 정보가 저장된 허위매물 데이터베이스와 실제매물 거래 웹사이트(이하, 실제매물 웹사이트라 함)에 대한 정보가 저장된 실제매물 데이터베이스가 포함될 수 있다. 일 실시예에 있어서, 상기 허위매물 데이터베이스는 상기 허위매물 웹사이트의 URL(Uniform Resource Locator)을 포함할 수 있으며, 상기 실제매물 데이터베이스는 상기 실제매물 웹사이트의 URL을 포함할 수 있다.
허위매물 검증부(130) 및 매매가격 검증부(140) 각각에 의해 수행되는 허위매물 검증 단계(S2)의 결과 및 매매가격 검증 단계(S3)의 결과는 차량 매물 검증 서버(100)의 검증결과 제공부(150)를 통해 사용자에게 제공될 수 있다.
이하에서는, 도 2 내지 도 4를 참조하여 본 발명의 시적인 실시예들에 따른 신경망을 이용한 차량 매물 검증 방법을 자세히 설명하기로 한다.
도 2는 본 발명의 예시적인 실시예들에 따른 신경망을 이용한 차량 매물 검증 방법을 나타낸 흐름도이다.
도 2를 참조하면, 차량 매물 조회 서버(100)에서 수행되는 신경망을 이용한 차량 매물 검증 방법은, 사용자로부터 확인대상 차량의 차량 데이터(210) 및 판매 데이터(220)를 입력 받는 데이터 수집 단계(S1), 차량 데이터(210)에 포함된 차량번호와 차량 매물 조회 서버(100)에 저장된 상기 허위매물 데이터베이스를 비교하여, 상기 확인대상 차량이 허위매물에 해당하는지 여부를 검증하는 허위매물 검증 단계(S2), 판매 데이터(220)에 포함된 판매가격이 상기 신경망을 통해 산출된 적정가격 범위에 해당하는지 여부를 검증하는 매매가격 검증 단계(S3), 및 허위매물 검증 단계(S2)의 결과 및 매매가격 검증 단계(S4)의 결과를 제공하는 검증결과 제공 단계(S4)를 포함할 수 있다.
데이터 수집 단계(S1)는 상기 사용자로부터 상기 확인대상 차량의 차량번호, 연식 및 주행거리와, 상기 확인대상 웹사이트의 URL 및 상기 확인대상 차량의 판매가격을 입력 받음으로써 수행될 수 있다.
일 실시예에 있어서, 데이터 수집 단계(S1)에서 상기 확인대상 웹사이트의 URL이 수집된 경우, 허위매물 검증 단계(S2)는 URL 필터링을 통해, 상기 확인대상 웹사이트의 URL과 상기 허위매물 데이터베이스에 저장된 상기 허위매물 웹사이트의 URL 각각의 도메인 이름을 비교하여, 상기 확인대상 차량이 허위매물에 해당하는지 여부를 판단하는 과정(이하, URL 필터링 과정)을 포함할 수 있다. 상기 URL 필터링 과정은 도 2를 참조로 하여 자세히 후술하기로 한다.
한편, 데이터 수집 단계(S1)는 상기 사용자로부터 상기 확인대상 웹사이트의 URL을 입력 받지 않을 수도 있으며, 이 경우 허위매물 검증 단계(S2)는 상기 URL 필터링 과정을 포함하지 않을 수 있다.
도 3은 본 발명의 예시적인 실시예들에 따른 허위매물 검증 단계를 나타낸 흐름도이다.
도 3을 참조하면, 허위매물 검증 단계(S2)는 상기 확인대상 웹사이트의 URL을 입력받고(S21), 상기 허위매물 데이터베이스를 기초로 상기 URL 필터링 과정을 수행한 후(S22), 상기 확인대상 웹사이트 URL의 도메인 이름과 상기 허위매물 웹사이트 URL의 도메인 이름의 동일 여부를 판단하고(S23), 상기 확인대상 차량의 차량번호를 기초로 매물 등록 조회를 수행한 후(S24), 상기 실제매물 데이터베이스를 기초로 등록된 차량 매물을 필터링하고(S25), 상기 확인대상 차량의 차량번호와 상기 실제매물 웹사이트에 등록된 차량 매물의 차량번호의 동일 여부를 판단(S26)함으로써 수행될 수 있다.
URL 도메인 이름의 동일 여부 판단 과정(S23)에서, 상기 확인대상 웹사이트 URL의 도메인 이름과 상기 허위매물 웹사이트 URL의 도메인 이름이 서로 동일한 경우, 허위매물 검증 단계(S2)는 상기 확인대상 차량이 허위매물에 해당하는 것으로 판단할 수 있다(S28). 이와는 달리, URL 도메인 이름의 동일 여부 판단 과정(S23)에서, 상기 확인대상 웹사이트 URL의 도메인 이름과 상기 허위매물 웹사이트 URL의 도메인 이름이 서로 상이한 경우, 허위매물 검증 단계(S2)는 상기 확인대상 차량의 차량번호를 기초로 매물 등록 조회(S24)를 수행할 수 있다.
한편, 허위매물 검증 단계(S2)에서, 상기 확인대상 웹사이트의 URL을 입력받는 과정(S21)은 사용자의 선택사항에 해당할 수 있으며, 이에 따라 상기 확인대상 웹사이트의 URL을 입력받는 과정(S21)이 수행되지 않을 수도 있다. 이 경우, 허위매물 검증 단계(S2)에서, 상기 URL 필터링 과정(S22) 및 상기 URL 도메인 이름 동일 여부 판단 과정(S23)도 각각 수행되지 않을 수 있으며, 허위매물 검증 단계(S2)는 데이터 수집 단계(S1)에서 수집된 상기 확인대상 차량의 차량번호를 기초로 매물 등록 조회를 수행하고(S24), 상기 실제매물 데이터베이스를 기초로 등록된 차량 매물을 필터링한 후(S25), 상기 확인대상 차량의 차량번호와 상기 실제매물 웹사이트에 등록된 차량 매물의 차량번호의 동일 여부를 판단(S26)함으로써 수행될 수 있다.
매물 등록 조회 과정(S24)은 데이터 수집 단계(S1)에서 수집된 차량 데이터(210)의 차량 번호를 상기 실제매물 데이터베이스에 저장된 상기 실제매물 웹사이트에 매물 등록 조회함으로써 수행될 수 있으며, 차량 매물 필터링 과정(S25)은 차량 데이터(210)의 차량번호를 기초로 상기 실제매물 데이터베이스에 등록된 차량 매물을 필터링 함으로써 수행될 수 있다.
차량번호의 동일 여부 판단 과정(S26)은, 상기 확인대상 차량의 차량번호와 동일한 차량 매물이 상기 실제매물 웹사이트에 등록된 것으로 확인되면 상기 확인대상 차량이 실제매물에 해당하는 것으로 판단(S27)하고, 이와는 달리 상기 확인대상 차량의 차량번호와 동일한 차량 매물이 상기 실제매물 웹사이트에 등록되지 않은 것으로 확인되면 상기 확인대상 차량이 실제매물에 해당하지 않는 것으로 판단(S28) 즉, 허위매물에 해당하는 것으로 판단(S28)함으로써 수행될 수 있다.
일 실시예에 있어서, 허위매물 검증 단계(S2)에서 상기 확인대상 차량이 허위매물에 해당하는 것으로 판단되는 경우, 매매가격 검증 단계(S3)는 수행되지 않도록 제어될 수 있으며, 검증결과 제공 단계(S4)는 허위매물 검증 단계(S2)의 결과만을 제공하고 매매가격 검증 단계(S3)의 결과는 제공하지 않도록 제어될 수 있다.
도 4는 본 발명의 예시적인 실시예들에 따른 매매가격 검증 단계를 나타낸 흐름도이다.
도 4를 참조하면, 매매가격 검증 단계(S3)는, 상기 확인대상 차량의 차량 데이터(210)에 포함된 신차가격, 차종구분 및 연식을 수집한 후, 상기 신차가격에 데이터 저장부(120)에 저장된 연식 기반 잔가율 데이터를 적용하여 제1매매가를 산출하는 단계(S31), 차량 데이터(210)에 포함된 주행거리를 수집한 후, 상기 제1매매가에 데이터 저장부(120)에 저장된 주행거리 기반 감가율 데이터를 적용하여 제2매매가를 산출하는 단계(S32), 차량 매물 조회 서버(100)에 저장된 중고차 이력정보 조회 웹사이트를 통해 상기 확인대상 차량의 이력 데이터를 조회한 후, 상기 제2매매가에 데이터 저장부(120)에 저장된 이력 기반 감가율 데이터를 적용하여 제3매매가를 산출하는 단계(S33), 상기 확인대상 차량의 차량 평가 항목별 점검 정보 기반 감가율 데이터를 적용하여 제4매매가를 산출하는 단계(S34), 및 상기 제4매매가를 기초로 적정가격 범위를 산출(S35)한 후 상기 확인대상 차량의 판매가격이 상기 적정가격 범위 내에 해당하는지 여부를 검증하는 단계(S36)를 포함할 수 있다.
적정가격 검증 단계(S36)에서 상기 확인대상 차량의 판매가격이 적정가격 범위 내에 해당하는 것으로 판단되는 경우, 매매가격 검증 단계(S3)는 상기 확인대상 차량의 판매가격이 적정가격인 것으로 판단(S37)할 수 있다. 이와는 달리, 적정가격 검증 단계(S36)에서 상기 확인대상 차량의 판매가격이 적정가격 범위 내에 해당하지 않는 것으로 판단되는 경우, 매매가격 검증 단계(S3)는 상기 확인대상 차량의 판매가격이 부적정가격인 것으로 판단(S38)할 수 있다.
일 실시예에 있어서, 상기 적정가격 범위의 하한값은 상기 제4매매가의 90%일 수 있고, 상기 적정가격 범위의 상한값은 상기 제4매매가의 110%일 수 있으며, 매매가격 검증단계(S3)는 상기 확인대상 차량의 판매가격이 상기 하한값보다 크고 상기 상한값보다 작은 경우에 상기 적정가격 범위에 해당하는 것으로 판단할 수 있다.
다만 본 발명의 개념은 반드시 이에 한정되지 않으며, 상기 제4매매가 산출 단계(S34)는 생략될 수도 있다. 이 경우, 상기 적정가격 범위의 하한값은 상기 제3매매가의 90%일 수 있고, 상기 적정가격 범위의 상한값은 상기 제3매매가의 110%일 수 있다.
제1매매가 산출 단계(S31)에서, 상기 제1매매가는 상기 연식 기반 잔가율 데이터에서 상기 확인대상 차량의 차종구분 및 연식에 대응되는 잔가율을 추출한 후, 상기 신차가격과 상기 잔가율을 곱연산 함으로써 산출될 수 있다. 이때, 상기 연식 기반 잔가율 데이터는 아래 표 1(비영업용 차량 잔가율 예시)과 같이 산정될 수 있다.
구분 내용 연수 1년
미만		 1년 2년 3년 4년 5년 6년 7년
승용 국산 15년 0.826 0.725 0.614 0.518 0.437 0.368 0.311 0.262
외산 15년 0.842 0.729 0.605 0.500 0.412 0.340 0.281 0.232
승합 15년 0.810 0.726 0.609 0.510 0.426 0.357 0.298 0.250
화물 15년 0.761 0.671 0.597 0.510 0.426 0.357 0.298 0.250
구분 내용 연수 8년 9년 10년 11년 12년 13년 14년 15년
승용 국산 15년 0.221 0.186 0.157 0.132 0.112 0.094 0.079 0.067
외산 15년 0.172 0.142 0.117 0.097 0.080 0.066 0.054 0.050
승합 15년 0.215 0.184 0.157 0.134 0.113 0.096 0.081 0.067
화물 15년 0.229 0.200 0.172 0.149 0.128 0.110 0.098 0.086
제2매매가 산출 단계(S32)에서, 상기 제2매매가는 상기 제1매매가에 대해 상기 확인대상 차량의 연식을 기초로 산출된 연간 평균 주행거리에 대응하여 산정된 제1감가율을 적용하여 산출될 수 있다.
일 실시예에 있어서, 상기 연간 평균 주행거리가 15,000km 미만인 경우, 상기 제1감가율은 산정되지 않을 수 있다. 이와는 달리, 상기 연간 평균 주행거리가 15,000km를 초과하는 경우, 상기 제1감가율은 N%로 산정될 수 있으며, 이때 N은 양의 정수일 수 있다.
제3매매가 산출 단계(S33)에서 상기 이력 데이터는 상기 확인대상 차량의 특수용도이력 및 사고이력을 포함할 수 있으며, 상기 제3매매가는 상기 제2매매가에 대해 상기 특수용도이력의 유무와 종류에 대응하여 산정된 제2감가율 및 상기 사고이력의 유무와 종류에 대응하여 산정된 제3감가율을 적용하여 산출될 수 있다.
일 실시예에 있어서, 상기 특수용도이력이 확인되지 않는 경우 상기 제2감가율은 산정되지 않을 수 있다. 이와는 달리, 상기 특수용도이력이 영업용으로 확인되는 경우, 상기 제2감가율은 15%로 산정될 수 있으며, 상기 특수용도이력이 렌트카로 확인되는 경우, 상기 제2감가율은 13%로 산정될 수 있다.
제4매매가 산출 단계(S34)에서 차량 평가 항목별 점검 정보는 상기 확인대상 차량의 점검자로부터 수집될 수 있으며, 차량 매물 조회 서버(100)의 신경망은 입력된 점검 정보를 기초로 상기 확인대상 차량의 차량 평가 항목별 점검 정보 기반 감가율 데이터를 산출하도록 제어될 수 있다.
도 5는 본 발명의 예시적인 실시예들에 따른 신경망을 이용한 차량 평가 항목별 점검 정보 기반 감가율 데이터 산출 방법을 나타낸 흐름도이다.
도 5를 참조하면, 신경망을 이용한 차량 평가 항목별 점검 정보 기반 감가율 데이터 산출 방법은, 상기 사용자로부터 입력 받은 차량 평가 항목별 점검 정보를 입력받는 단계(S41), 상기 점검 정보를 상기 확인대상 차량의 구조적 특징에 따라 배열하여 벡터화한 상태 정보로 미리 학습된 신경망에 입력하여 차량 평가 항목별 점검 정보 기반 감가율 데이터를 산출하는 단계(S42), 및 상기 차량 평가 항목별 점검 정보 기반 감가율 데이터를 상기 제3매매가에 적용하여 제4매매가를 산출하는 단계(S43)를 포함할 수 있다.
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.
전술한 바와 같이, 본 발명의 예시적인 실시예들에 따른 신경망을 이용한 차량 매물 검증 방법에 따르면, 사용자로부터 입력받은 차량 데이터(210)와 차량 매물 검증 서버에 저장된 허위매물 데이터베이스를 비교하여 확인대상 차량이 허위매물에 해당하는지 여부를 보다 정확하게 검증할 수 있다.
또한, 본 발명은 개방형 온라인 네트워크를 기반으로 허위매물 검증(S2)을 수행하므로 불특정 다수의 소비자들이 자유롭게 이용할 수 있다는 장점이 있으며, 복수 개의 중개 플랫폼에 허위매물이 등록된 경우에도 상기 허위매물 데이터베이스에 저장된 중개 플랫폼인지 여부를 확인하여 허위매물 검증이 이루어질 수 있으므로, 확인대상 차량이 허위매물에 중고차 거래 활성화에 실효적인 이점을 가져다 줄 수 있다.
또한, 본 발명은 인공지능을 통해 확인대상 차량의 상태 점검을 위한 정비사들의 편의에 따른 순차적인 점검 결과를 학습데이터로 이용하여 적정 매매가격 범위를 산출(S34)하므로, 차량의 점검 결과 기반의 시세를 보다 정확하게 소비자들에게 제공할 수 있다. 따라서, 소비자들은 허위매물 검증 결과(S2)에 더하여, 매매가격 검증 결과(S3)에 따라 상기 확인대상 차량의 판매가격이 적정한지 여부를 더 검토할 수 있으며, 이에 따라 허위매물 검증 효과를 증대 시킬 수 있고, 적정한 판매가격의 중고차 차량 매물 거래 활성화를 촉진시킬 수 있다.
이상에서 본 발명의 다양한 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
삭제

Claims (12)

  1. 차량 매물 조회 서버에서 수행되는 신경망을 이용한 차량 매물 검증 방법에 있어서,
    사용자로부터 확인대상 차량의 차량 데이터 및 판매 데이터를 입력 받는 데이터 수집 단계;
    상기 차량 데이터에 포함된 차량번호와 상기 차량 매물 조회 서버에 저장된 허위매물 데이터베이스를 비교하여, 상기 확인대상 차량이 허위매물에 해당하는지 여부를 검증하는 허위매물 검증 단계;
    상기 판매 데이터에 포함된 판매가격이 상기 신경망을 통해 산출된 적정가격 범위에 해당하는지 여부를 검증하는 매매가격 검증 단계; 및
    상기 허위매물 검증 단계의 결과 및 상기 매매가격 검증 단계의 결과를 제공하는 검증결과 제공 단계;를 포함하며,
    상기 판매 데이터는 상기 확인대상 차량이 판매되는 확인대상 웹사이트의 URL(Uniform Resource Locator)을 포함하고, 상기 허위매물 데이터베이스는 허위매물 차량이 판매되는 허위매물 거래 웹사이트의 URL을 포함하며,
    상기 허위매물 검증 단계는 상기 확인대상 웹사이트의 URL과 상기 허위매물 거래 웹사이트의 URL의 도메인 이름을 비교하여, 상기 확인대상 차량이 허위매물에 해당하는지 여부를 판단함으로써 수행되고,
    상기 데이터 수집 단계에서 상기 사용자로부터 상기 확인대상 웹사이트의 URL이 입력되지 않는 경우, 상기 허위매물 검증 단계는 상기 차량번호와 상기 차량 매물 조회 서버에 저장된 실제매물 데이터베이스를 비교하여, 상기 확인대상 차량이 허위매물에 해당하는지 여부를 검증함으로써 수행되고,
    상기 허위매물 검증 단계에서 상기 확인대상 차량이 허위매물에 해당하는 것으로 판단되는 경우, 상기 매매가격 검증 단계는 수행되지 않도록 제어되고,
    상기 검증결과 제공 단계는, 상기 확인대상 차량이 허위매물에 해당하는 것으로 판단되는 경우, 상기 허위매물 검증 단계의 결과만을 제공하고 상기 매매가격 검증 단계의 결과는 제공하지 않는 것을 특징으로 하는 것을 특징으로 하는 것을 특징으로 하는 신경망을 이용한 차량 매물 검증 방법.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 매매가격 검증 단계는,
    상기 확인대상 차량의 상기 차량 데이터에 포함된 신차가격, 차종구분 및 연식을 수집한 후, 상기 신차가격에 연식 기반 잔가율 데이터를 적용하여 제1매매가를 산출하는 단계;
    상기 확인대상 차량의 상기 차량 데이터에 포함된 주행거리를 수집한 후, 상기 제1매매가에 주행거리 기반 감가율 데이터를 적용하여 제2매매가를 산출하는 단계; 및
    상기 차량 매물 조회 서버에 저장된 중고차 이력정보 조회 웹사이트를 통해 상기 확인대상 차량의 이력 데이터를 조회한 후, 상기 제2매매가에 이력 기반 감가율 데이터를 적용하여 제3매매가를 산출하는 단계를 포함하고,
    상기 매매가격 검증 단계는, 상기 제3매매가를 기초로 적정가격 범위를 산출한 후, 상기 확인대상 차량의 판매가격이 상기 적정가격 범위 내에 해당하는지 여부를 검증함으로써 수행되는 것을 특징으로 하는 신경망을 이용한 차량 매물 검증 방법.
  5. 제4항에 있어서,
    상기 적정가격 범위의 하한값은 상기 제3매매가의 90%이고, 상기 적정가격 범위의 상한값은 상기 제3매매가의 110%이며,
    상기 매매가격 검증단계는, 상기 확인대상 차량의 판매가격이 상기 하한값보다 크고 상기 상한값보다 작은 경우에 상기 적정가격 범위에 해당하는 것으로 판단하는 것을 특징으로 하는 신경망을 이용한 차량 매물 검증 방법.
  6. 제4항에 있어서,
    상기 제1매매가는, 상기 연식 기반 잔가율 데이터에서 상기 확인대상 차량의 차종구분 및 연식에 대응되는 잔가율을 추출한 후, 상기 신차가격과 상기 잔가율을 곱연산 함으로써 산출되는 것을 특징으로 하는 신경망을 이용한 차량 매물 검증 방법.
  7. 제6항에 있어서,
    상기 제2매매가는, 상기 제1매매가에 대해 상기 확인대상 차량의 연식을 기초로 산출된 연간 평균 주행거리에 대응하여 산정된 제1감가율을 적용하여 산출되는 것을 특징으로 하는 신경망을 이용한 차량 매물 검증 방법.
  8. 제7항에 있어서,
    상기 이력 데이터는 상기 확인대상 차량의 특수용도이력을 포함하고,
    상기 제3매매가는, 상기 제2매매가에 대해 상기 특수용도이력의 유무 및 종류에 대응하여 산정된 제2감가율을 적용하여 산출되는 것을 특징으로 하는 신경망을 이용한 차량 매물 검증 방법.
  9. 제8항에 있어서,
    상기 이력 데이터는 상기 확인대상 차량의 사고이력을 더 포함하고,
    상기 제3매매가는, 상기 제2매매가에 상기 사고이력의 유무 및 종류에 대응하여 산정된 제3감가율을 더 적용하여 산출되는 것을 특징으로 하는 신경망을 이용한 차량 매물 검증 방법.
  10. 제4항에 있어서,
    상기 매매가격 검증 단계는,
    상기 확인대상 차량의 차량 평가 항목별 점검 정보를 더 수집한 후, 상기 제3매매가에 상기 차량 평가 항목별 점검 정보에 대응하여 산정된 제4감가율을 더 적용하여 제4매매가를 산출하는 단계;를 더 포함하고,
    상기 매매가격 검증 단계는, 상기 제4매매가를 기초로 적정가격 범위를 산출한 후, 상기 확인대상 차량의 판매가격이 상기 적정가격 범위 내에 해당하는지 여부를 검증함으로써 수행되는 것을 특징으로 하는 신경망을 이용한 차량 매물 검증 방법.
  11. 제10항에 있어서,
    상기 신경망은 상기 차량의 구조적 특징의 위치 관련성에 따라 연속된 상태 정보에 예측 시세가 레이블링된 학습 데이터를 이용하여 학습되고,
    상기 제4감가율은 상기 점검 정보를 차량의 구조적 특징에 따라 배열하여 벡터화한 상태 정보로 미리 학습된 신경망에 입력하여 산정되는 것을 특징으로 하는 신경망을 이용한 차량 매물 검증 방법.
  12. 삭제
KR1020210075192A 2021-06-10 2021-06-10 신경망을 이용한 차량 매물 검증 방법 KR102627498B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210075192A KR102627498B1 (ko) 2021-06-10 2021-06-10 신경망을 이용한 차량 매물 검증 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210075192A KR102627498B1 (ko) 2021-06-10 2021-06-10 신경망을 이용한 차량 매물 검증 방법

Publications (2)

Publication Number Publication Date
KR20220166449A KR20220166449A (ko) 2022-12-19
KR102627498B1 true KR102627498B1 (ko) 2024-01-23

Family

ID=84535307

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210075192A KR102627498B1 (ko) 2021-06-10 2021-06-10 신경망을 이용한 차량 매물 검증 방법

Country Status (1)

Country Link
KR (1) KR102627498B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100832604B1 (ko) * 2000-05-30 2008-05-27 시스테무.로케이션 가부시키가이샤 차량 재판매가격 분석장치
KR101725404B1 (ko) * 2015-11-06 2017-04-11 한국인터넷진흥원 웹사이트 점검 장치 및 그 방법
KR102094867B1 (ko) * 2019-11-11 2020-05-26 김창윤 허위매물 근절 및 신속한 거래를 위한 폐쇄형 부동산 중개 서비스 제공 방법
KR102217684B1 (ko) * 2020-09-07 2021-02-22 주식회사 모비노마 인공지능 기반 중고 차량 잔존가 산정 시스템 및 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190089478A (ko) * 2018-01-23 2019-07-31 주식회사 앱실론 빅 데이터 분석에 의한 표준 잔가율을 기반으로 하는 중고차 가격 산정 시스템
KR20200021351A (ko) * 2018-08-20 2020-02-28 (주)고팔 중고차 예상가격 제공시스템 및 그 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100832604B1 (ko) * 2000-05-30 2008-05-27 시스테무.로케이션 가부시키가이샤 차량 재판매가격 분석장치
KR101725404B1 (ko) * 2015-11-06 2017-04-11 한국인터넷진흥원 웹사이트 점검 장치 및 그 방법
KR102094867B1 (ko) * 2019-11-11 2020-05-26 김창윤 허위매물 근절 및 신속한 거래를 위한 폐쇄형 부동산 중개 서비스 제공 방법
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
KR20220166449A (ko) 2022-12-19

Similar Documents

Publication Publication Date Title
US20210312567A1 (en) Automobile Monitoring Systems and Methods for Loss Reserving and Financial Reporting
Schwartz et al. Imperfect information in markets for contract terms: The examples of warranties and security interests
US20150332411A1 (en) Insurance Claims and Rate Evasion Fraud System Based Upon Vehicle History
US20220005121A1 (en) Machine learning systems and methods for analyzing emerging trends
US20150254719A1 (en) Prediction of Vehicle Transactions and Targeted Advertising Using Vehicle Telematics
US11830017B2 (en) System and method for providing a price for a vehicle
US11948161B2 (en) System and method for providing disposal recommendation for a vehicle owner
Lee et al. Using Mahalanobis–Taguchi system, logistic regression, and neural network method to evaluate purchasing audit quality
Singh et al. Do online consumer reviews help to evaluate the performance of automobile manufacturers?
US11720862B2 (en) System and method for generating maintenance actions of a vehicle based on trained machine learning of monitored vehicle data
CN110827088A (zh) 基于大数据的用车成本预测方法、装置及存储介质
US20190370896A1 (en) System and method for identifying vehicles for a purchaser from vehicle inventories
KR20210025958A (ko) 스마트기기를 통한 차량 정비소 연동 차량 관리방법 및 시스템
US11915290B2 (en) Systems and methods for determining and leveraging geography-dependent relative desirability of products
US11676164B2 (en) Methods and systems for determining prices
Singh Impact of automobile recalls on stock prices: A study in the Indian context
KR102627498B1 (ko) 신경망을 이용한 차량 매물 검증 방법
KR20220111235A (ko) 사고 성향에 기반하여 운전자를 평가하는 방법, 장치 및 프로그램
Kim et al. Trustworthy residual vehicle value prediction for auto finance
CN111523911A (zh) 一种基于汽车零部件的组配式营销系统
US20230385898A1 (en) Vehicle matching method and vehicle matching service providing server
US20230104526A1 (en) System and method for identifying vehicles for a purchaser from vehicle inventories
Cheng et al. An integrated data-driven framework for vehicle quality analysis based on maintenance record mining and Bayesian network
US20150213540A1 (en) Apparatus, methods and articles of manufacture for extracting, providing and reviewing data
Aljazea Warranty risk management for the consumer durable manufacturers

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant