KR102663632B1 - 인공지능 기반의 미술품 거래의 트랜드 예측 장치 및 방법 - Google Patents

인공지능 기반의 미술품 거래의 트랜드 예측 장치 및 방법 Download PDF

Info

Publication number
KR102663632B1
KR102663632B1 KR1020220170524A KR20220170524A KR102663632B1 KR 102663632 B1 KR102663632 B1 KR 102663632B1 KR 1020220170524 A KR1020220170524 A KR 1020220170524A KR 20220170524 A KR20220170524 A KR 20220170524A KR 102663632 B1 KR102663632 B1 KR 102663632B1
Authority
KR
South Korea
Prior art keywords
information
art
trend prediction
trend
trade
Prior art date
Application number
KR1020220170524A
Other languages
English (en)
Other versions
KR20230023600A (ko
Inventor
김다산
김상수
김민석
이승경
Original Assignee
(주)위세아이텍
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 (주)위세아이텍 filed Critical (주)위세아이텍
Priority to KR1020220170524A priority Critical patent/KR102663632B1/ko
Publication of KR20230023600A publication Critical patent/KR20230023600A/ko
Application granted granted Critical
Publication of KR102663632B1 publication Critical patent/KR102663632B1/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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

미술품 거래의 트랜드를 예측하는 장치로서, 복수의 미술품 각각의 이미지, 작가 및 가격을 포함하는 미술품 정보를 수집하는 미술품 정보 수집부; 상기 복수의 미술품 각각의 거래 시점에 대응하는 경제지표 정보를 수집하는 경제지표 정보 수집부; 상기 미술품 정보 및 상기 경제지표 정보에 기초하여 상기 복수의 미술품에 대응하는 인공지능 학습데이터를 생성하는 학습데이터 생성부; 적어도 하나 이상의 인공지능 학습 알고리즘을 이용하여 상기 인공지능 학습데이터로부터 트랜드 예측 모델을 생성하는 모델 생성부; 및 상기 트랜드 예측 모델을 이용하여 사용자의 입력에 대응하는 미술품 거래의 트랜드를 예측하는 트랜드 예측부를 포함할 수 있다.

Description

인공지능 기반의 미술품 거래의 트랜드 예측 장치 및 방법{DEVICE AND METHOD FOR ARTWORK TREND DATA PREDICTION USING ARTIFICIAL INTELLIGENCE}
본원은 인공지능 기반의 미술품 거래의 트랜드 예측 장치 및 방법에 관한 것이다.
경제적인 가치를 지닌 미술품은 시대의 흐름과 유행에 따라 공통분모를 가지는 특정 작가나 작품군의 선호도가 증가하여 이에 대한 미술품 시장의 트랜드는 미술품의 가격을 결정짓는데 높은 영향을 끼치게 된다.
미술품의 가격은 구매 이후 일정기간을 보유하고 경매를 통해 재판매가 되었을 때 공급과 수요를 통해 결정되며 다양한 요인으로 인해 가격 결정에서 영향을 받는다.
미술품 시장의 트렌드 분석에 대한 미술품 거래 데이터는 해외에서 Artnet, Artprice 등에서 미술품 거래 데이터를 제공하고 있으며 국내에서도 K-artmarket, K-artprice에서 제공되고 있다. 여기서 미술품 경매 낙찰 추정가의 산정은 이해관계자의 니즈와 견해에 따라 결정되며 이로 인해 낮은 정확률의 한계는 경매의 높은 구매 수수료율과 더불어 미술품이 자산으로서 가치 손실로 이어진다.
국내외에서 단일미술품이나 작가에 대한 거래 추이 분석을 시계열로 제공하나, 데이터 제공 방식은 단순히 미술품 거래 데이터 시각화 수준에서 머무르므로, 국내외의 미술품 데이터에 관하여 부족한 정보 인해 미술품 시장 트랜드 분석에서 한계가 있다.
그러므로, 미술품 시장을 트랜드 분석에 필요한 것은 미술품의 거래 데이터뿐만 아니라 작가와 작품에 연관된 정보가 요구된다. 게다가, 정밀한 미술품 시장 트랜드 분석에서 경제 분석이 요구된다.
본원의 배경이 되는 기술은 한국특허공개공보 제10-2020-0052431호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 거래 데이터뿐만 아니라 미술품 트렌드에 영향을 주는 인자를 분석하여 수집하고 미술품 데이터를 정형화 시키는 기술 제공에 목적으로 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 부족한 미술품 거래 데이터를 미술품의 트렌드에 영향을 주는 인자를 분석하고 인공지능을 이용하여 국내외 미술품 트렌드 예측에 관한 제공에 목적으로 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들도 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시 예에 따른 미술품 거래의 트랜드를 예측하는 장치는 복수의 미술품 각각의 이미지, 작가 및 가격을 포함하는 미술품 정보를 수집하는 미술품 정보 수집부, 상기 복수의 미술품 각각의 거래 시점에 대응하는 경제지표 정보를 수집하는 경제지표 정보 수집부, 상기 미술품 정보 및 상기 경제지표 정보에 기초하여 상기 복수의 미술품에 대응하는 인공지능 학습데이터를 생성하는 학습데이터 생성부, 적어도 하나 이상의 인공지능 학습 알고리즘을 이용하여 상기 인공지능 학습데이터로부터 트랜드 예측 모델을 생성하는 모델 생성부, 상기 트랜드 예측 모델을 이용하여 사용자의 입력에 대응하는 미술품 거래의 트랜드를 예측하는 트랜드 예측부를 포함할 수 있다.
또한, 본원의 일 실시 예에 따르면, 미술품 거래의 트랜드를 예측하는 장치는 상기 사용자의 입력은 입력 시점 정보를 포함할 수 있다.
또한, 본원의 일 실시 예에 따르면, 상기 사용자의 입력은 상기 입력 시점 정보에 대응하는 입력 경제지표를 포함하되, 상기 미술품 거래의 트랜드는 상기 입력 시점 정보에 대응하는 가격의 상승 또는 하락의 추세를 포함할 수 있다.
또한, 본원의 일 실시 예에 따르면, 상기 경제지표는 소비자 심리 지수, 경제 성장율 및 물가 상승률 중 적어도 하나를 포함할 수 있다.
또한, 본원의 일 실시 예에 따르면, 상기 사용자의 입력은 입력 미술품 정보를 포함하되, 상기 트랜드 예측부는, 상기 트랜드 예측 모델을 이용하여 사용자의 입력 미술품 정보에 대응하는 가격 및 미술품 거래의 트랜드를 예측할 수 있다.
또한, 본원의 일 실시 예에 따르면, 상기 트랜드 예측부는, 상기 트랜드 예측 모델을 이용하여 사용자의 입력 작가로 상기 가격의 거래의 트랜드를 예측할 수 있다.
또한, 본원의 일 실시 예에 따르면, 상기 트랜드 예측부는 상기 트랜드 예측 모델을 이용하여 사용자의 입력 미술품 정보에 대응하는 작품군으로 분류하되, 상기 작품군으로 거래의 트랜드를 예측할 수 있다.
또한, 본원의 일 실시 예에 따르면, 상기 트랜드 예측부는 상기 트랜드 예측 모델을 이용하여 사용자의 입력 작가 정보에 대응하는 관련 작가를 분류하되, 상기 작가의 거래의 트랜드를 예측할 수 있다.
또한, 본원의 일 실시 예에 따르면, 상기 트랜드 예측부는 상기 트랜드 예측 모델을 이용하여 사용자의 입력 작가 정보에 대응하는 관련 상징성으로 분류하되, 상기 상징성에 관련된 작가의 거래의 트랜드를 예측할 수 있다.
또한, 본원의 일 실시 예에 따르면, 상기 트랜드 예측부는 상기 트랜드 예측 모델을 이용하여 사용자의 입력 작가 정보에 대응하는 관련 사조로 분류하되, 상기 사조에 관련된 미술품의 거래의 트랜드를 예측할 수 있다.
또한, 본원의 일 실시 예에 따르면, 미술품 거래의 트랜드를 예측하는 방법은 복수의 미술품 각각의 이미지, 작가 및 가격을 포함하는 미술품 정보를 수집하는 단계, 상기 복수의 미술품 각각의 거래 시점에 대응하는 경제지표 정보를 수집하는 단계, 상기 미술품 정보 및 상기 경제지표 정보에 기초하여 상기 복수의 미술품에 대응하는 인공지능 학습데이터를 생성하는 단계, 적어도 하나 이상의 인공지능 학습 알고리즘을 이용하여 상기 인공지능 학습데이터로부터 트랜드 예측 모델을 생성하는 단계, 상기 트랜드 예측 모델을 이용하여 사용자의 입력에 대응하는 미술품 거래의 트랜드를 예측하는 단계를 포함할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 본원은 미술품의 거래 트렌드를 분석하고 시각화된 대시보드 형태로 제공함으로써 국내 미술시장이 가진 정보의 비대칭을 완화할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 본원은 미술품의 타투자재 대비 정보의 획득 및 분석이 어려움으로 인해 높은 진입장벽 있는 미술품을 투자재로써 미술품의 가치를 제고하여 국내 미술품 투자에 있어 합리적인 투자를 위한 지침을 마련할 수 있다.
도 1은 본원의 일 실시예에 따른 인공지능 기반의 미술품 거래의 트랜드 예측의 개략적인 시스템이다.
도 2는 본원의 일 실시예에 따른 인공지능 기반의 미술품 거래의 트랜드 예측의 일 예다
도 3는 본원의 일 실시예에 따른 인공지능 기반의 미술품 거래의 트랜드 예측의 개략적인 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
도 1를 참조하면, 본원의 일 실시예에 따른 개략적인 인공지능 기반의 미술품 거래의 트랜드 예측 장치(100)는 트랜드 예측 모델을 이용하여 사용자의 입력에 대응하는 미술품 거래의 트랜드를 예측할 수 있다. 구체적으로, 인공지능 기반의 미술품 거래의 트랜드 예측 장치(100)는 미술품의 거래 트렌드를 분석하고 시각화된 대시보드 형태로 제공함으로써 국내 미술시장이 가진 비대칭 정보를 완화할 수 있다. 이를 통해 인공지능 기반의 미술품 거래의 트랜드 예측 장치(100)는 미술품의 타투자재 대비 정보의 획득 및 분석이 어려움으로 인해 높은 진입장벽 있는 미술품 시장에 관하여 투자재로써 미술품의 가치를 제고할 수 있다. 또한, 인공지능 기반의 미술품 거래의 트랜드 예측 장치(100)는 미술품 투자에 있어 합리적인 투자를 위한 지침을 마련할 수 있다.
도 1은 본원의 일 실시예에 따른 개략적인 인공지능 기반의 미술품 거래의 트랜드 예측 장치이다. 도 1을 참조하면, 미술품 가격 예측 장치(100)는 미술품 정보 수집부(110), 경제지표 정보 수집부(120), 학습데이터 생성부 (130), 모델 생성부(140), 트랜드 예측부(150)를 포함할 수 있다.
본원의 일 실시예에 따른 미술품 정보 수집부(110)는 복수의 미술품 각각의 이미지, 작가 및 가격을 포함하는 미술품 정보를 수집할 수 있다. 이 때, 여기서 미술품 정보는 미리 설정된 기간 내에서 수집 될 수 있다. 또한, 미술품 정보는 미술품 트랜드에 영향을 미치는 정보를 포함할 수 있다. 또한, 미술품 정보는 외부의 데이터가 업데이트가 될 때, 미술품 정보도 함께 업데이트 될 수 있다. 예를 들어, 미술품 정보는 기존의 경매 정보 이외에도 최근 경매에서 이루어진 정보도 포함할 수 있다.
미술품 정보 수집부(110)는 데이터 분석에 필요한 데이터 셋트를 추출하기 위해 사용자로부터 입력받은 특정 작가에서 적어도 작가와 특정 작가에 속하는 작품군의 작가, 특정 작가에게 팔로워한 작가, 특정 작가의 작품군, 특정 작가의 화법, 특정 작가의 상징성 중 하나를 조건으로 웹에서 검색을 하고, 검색된 모든 데이터를 수집할 수 있다.
미술품 정보 수집부(110)는 사용자가 입력한 키워드 및 옵션 값들을 기반으로 URL을 생성하고, 생성한 URL을 사용하여 적어도 웹에 게재된 작가와 특정 작가에 속하는 작품군의 작가, 특정 작가에게 팔로워한 작가, 특정 작가의 작품군, 특정 작가의 화법, 특정 작가의 상징성 중 하나를 검색할 수 있다. 이 후 검색된 기사의 목록 및 기사 본문을 포함하는 HTML 파일을 웹으로부터 가져올 수 있다. 또한, 경제지표 정보 수집부(120)는 한글 지원을 위한 인코딩을 수행하고, HTML 파일 내용 중 적어도 특정 작가에 속하는 작품군의 작가, 특정 작가에게 팔로워한 작가, 특정 작가의 작품군, 특정 작가의 화법, 특정 작가의 상징성에 해당하는 텍스트 데이터 중 하나를 추출하여, 추출된 텍스트 데이터들을 데이터베이스(미도시)에 저장할 수 있다.
미술품 정보 수집부(110)는 미술품 정보를 이용하여 복수의 미술품 각각의 가격에 영향을 주는 복수의 인자를 추출할 수 있다. 여기서 인자는 가격의 영향을 미치는 요소일 수 있다. 즉 복수의 인자는 가격의 영향을 미치는 복수의 요소일 수 있다. 예를 들어, 복수의 인자 중 하나인 작가의 경력은 높을수록 인자에 영향을 미치는 가격의 상관관계도가 높을 수 있다.
일 예로, 복수의 인자는 작가 생존 유무, 작가의 기존 미술품 개수, 미술품 공개 기간, 작가의 미술품들의 우선순위, 작가 경력, 작가의 미술품들의 가격 변화범위, 작가의 전공, 작가의 수상경력, 작가의 인지도 지수, 전시된 미술관의 등급, 관련 기사 정보, 미술품 크기 및 전시된 미술관의 방문객 정보, 작품군의 작가, 특정 작가에게 팔로워한 작가, 특정 작가의 작품군, 특정 작가의 화법, 특정 작가의 상징성, 사조 중 적어도 하나 이상을 포함할 수 있다. 복수의 인자는 가격에 영향을 줄 때, 추출 될 수 있다. 또한, 복수의 인자 각각은 가격에 영향을 높게 영향을 줄수록, 각각의 가중치 값은 올라갈 수 있다. 복수의 인자 중 대표적인 예를 들어 작가가 살아있지 못했을 경우, 미술품의 가격은 작품의 희소성으로 상승할 수 있다. 또한, 대표적인 일례로, 미술품의 가격은 통상적으로 크기에 비례하여 상승할 수 있다. 또한, 작가의 인지도는 올라갈수록 미술품의 수요의 상승으로 인해 가격이 상승할 수 있다. 또한, 미술품의 가격은 동일한 미술품의 개수가 중복적으로 존재할 경우 하락할 수 있다. 다른 복수의 인자들은 이와 비슷한 이유로 추출될 수 있다.
본원의 일 실시예에 따른 경제지표 정보 수집부(120)는 복수의 미술품 각각의 거래 시점에 대응하는 경제지표 정보를 수집할 수 있다. 여기서 경제지표 정보는 미래에 예측되는 경제지표 정보도 포함할 수 있다. 또한, 경제지표 정보는 외부의 경제지표 정보가 업데이트가 될 때, 경제지표 정보도 함께 업데이트 될 수 있다.
구체적으로 경제지표는 소비자 심리 지수, 경제 성장율 및 물가 상승률 중 적어도 하나를 포함할 수 있다. 예를 들어, 경제지표는 미술품의 거래한 날짜에 대응하는 적어도 소비자 심리 지수, 경제 성장율, 물가 상승률, 국내 GDP 지수, GDP 변화율, 소비자 동향 지수, 주요 자산 수익률 중 하나가 될 수 있다. 또한, 경제지표는 미리 설정된 기간에서 연년도 기반으로 적어도 소비자 심리 지수, 경제 성장율, 물가 상승률, 국내 GDP 지수, GDP 변화율, 소비자 동향 지수, 주요 자산 수익률 중 하나가 될 수 있다. 여기서, 주요 자산수익률은 적어도 KOPPI, 국공채, 회사채, 전국 아파트, 달러/원 환율, 미국 국채, S&P500, 미국 Junk bond, 미국 리츠 중 하나에 대한 수익률이 될 수 있다.
이 때, 복수의 인자는 소비자 심리 지수, 경제 성장율, 물가 상승률, 국내 GDP 지수, GDP 변화율, 소비자 동향 지수, 주요 자산 수익률을 포함할 수 있다.
경제지표 정보 수집부(120)는 데이터 분석에 필요한 데이터 셋트를 추출하기 위해 사용자로부터 웹에 게재된 경제지표정보에 관한 정보를 수집할 수 있다. 경제지표 정보 수집부(120)는 사용자가 입력한 키워드 및 옵션 값들을 기반으로 URL을 생성하고, 생성한 URL을 사용하여 경제지표 정보를 추출할 수 있다. 이 후 경제 정보를 포함하는 HTML 파일을 웹으로부터 가져올 수 있다. 또한, 경제지표 정보 수집부(120)는 경제지표를 추출하여 데이터베이스(미도시)에 저장할 수 있다.
또한, 경제지표 정보 수집부(120)는 데이터 분석에 필요한 데이터 셋트를 추출하기 위해 사용자로부터 입력받은 특정 키워드 및 기사 게재기간을 조건으로 수집 가능한 기사를 검색하고, 검색된 모든 기사의 텍스트 데이터를 수집할 수 있다. 경제지표 정보 수집부(120)는 사용자가 입력한 키워드 및 옵션 값들을 기반으로 URL을 생성하고, 생성한 URL을 사용하여 웹에 게재된 기사를 검색할 수 있다. 이 후 검색된 기사의 목록 및 기사 본문을 포함하는 HTML 파일을 웹으로부터 가져올 수 있다. 또한, 경제지표 정보 수집부(120)는 한글 지원을 위한 인코딩을 수행하고, HTML 파일 내용 중 기사의 제목 및 내용에 해당하는 텍스트 데이터를 추출하여, 추출된 텍스트 데이터들을 데이터베이스(미도시)에 저장할 수 있다.
학습데이터 생성부(130)는 미술품 정보 및 경제지표 정보에 기초하여 복수의 미술품에 대응하는 인공지능 학습데이터를 생성할 수 있다. 예를 들어, 학습데이터 생성부(130)는 미리 설정된 과거의 데이터의 기반의 거래 시점에서 미술품의 거래가격과 국내 GDP 지수, GDP 변화율, 소비자 동향 지수, 주요 자산 수익률 중 적어도 하나를 상관 관계를 지을 수 있다. 또한, 미래에 예측될 수 있는 미술품의 거래가격과 국내 GDP 지수, GDP 변화율, 소비자 동향 지수, 주요 자산 수익률 중 적어도 하나를 상관 관계 지을 수 있다. 또한, 학습데이터 생성부(130)는 국내 GDP 지수, GDP 변화율, 소비자 동향 지수, 주요 자산 수익률 중 적어도 하나 이상의 상관 관계를 미술품의 가격과 상관 관계를 지을 수 있다. 여기서 주요 자산수익률은 적어도 KOPPI, 국공채, 회사채, 전국 아파트, 달러/원 환율, 미국 국채, S&P500, 미국 Junk bond, 미국 리츠 중 하나에 대한 수익률이 될 수 있다.
학습데이터 생성부(130)는 미술품 정보 및 복수의 인자에 기초하여 복수의 미술품에 대응하는 인공지능 학습데이터를 생성할 수 있다. 여기서, 인공지능 학습데이터는 복수의 인자를 기반으로 한 학습데이터 일 수 있다.
학습데이터 생성부(130)는 복수의 인자 중에도 가격과 상관이 높은 인자의 경우, 상대적으로 가격과 상관이 높은 인자를 높은 중요도로 가질 수 있다. 예를 들어, 복수의 인자 중 작가 생존 유무는 작가의 기존 미술품 개수보다 높은 중요도로 부여될 수 있다. 학습데이터 생성부(130)는 복수의 인자의 중요도를 고려함으로써 보다 정확한 미술품 가격 예측 모델을 구축할 수 있다.
구체적으로, 학습데이터 생성부(130) 복수의 인자들 중 적어도 둘 이상 상호간의 중요도를 결정하고, 결정한 중요도에 기초하여 복수의 미술품에 대응하는 인공지능 학습데이터를 생성할 수 있다. 학습데이터 생성부(130)는 산출된 각 특징의 작가의 관련성을 기반으로 복수개의 특징의 순위를 산출하고, 산출된 순위를 기반으로 복수개의 특징 중 상위 미리 정해진 개수의 특징을 복수의 주요 특징으로서 선택할 수 있다. 달리 표현해, 학습데이터 생성부(130)는 복수개의 특징 중 작가와 관련성에 값이 큰 순으로 미리 정해진 개수의 특징을 복수의 주요 특징으로서 선택할 수 있다.
학습데이터 생성부(130) 복수의 인자들 각각에 양의 가중치 또는 음의 가중치를 적용하고, 적용 결과에 따라 복수의 인자들 중 적어도 둘 이상 상호간의 중요도를 결정하고, 결정한 중요도에 기초하여 복수의 미술품에 대응하는 인공지능 학습데이터를 생성할 수 있다. 예를 들어, 상관성 분포도가 가격과 인지도에서 정비례 관계를 이룰수록, 학습데이터 생성부(130)는 가중치 값을 올릴 수 있다. 이외에도 가중치의 중요도는 상관성 분포도가 비례적인 관계가 띄워진 만큼 높일 수 있다. 반대로 가중치 값은 상관성 분포도가 산재한 만큼, 낮아 질 수 있다. 이 때, 가격과 각각의 관계성을 띄는 상관성 분포도는 앞서 언급한 정비례 관계, 산재 관계 외에도 존재할 수 있다.
학습데이터 생성부(130)는 미리 설정된 복수의 인자에 기초하여 크롤링한 웹 페이지를 전처리 할 수 있다. 보다 구체적으로, 학습데이터 생성부(130)는 미리 설정된 복수의 인자에 기초하여 크롤링한 웹 페이지에 포함된 기사의 텍스트 데이터를 전처리할 수 있다. 학습데이터 생성부(130)는 미리 설정된 복수의 인자를 포함하는 기사의 텍스트 데이터와 복수의 인자를 포함하지 않는 기사의 텍스트 데이터를 분류할 수 있다. 또한, 학습데이터 생성부(130)는 미리 설정된 복수의 인자를 제외 한 기사의 텍스트 데이터에서 텍스트 요소를 제거할 수 있다.
학습데이터 생성부(130)는 전처리된 기사의 텍스트 데이터를 기반으로 데이터 분석에서 불필요한 조사, 형용사, 부사, 등을 제외한 복수의 인자와 관련된 체언을 추출할 수 있다. 본원의 일 실시예에 따르면, 학습데이터 생성부(130)는 체언 추출 과정을 통해 추출된 체언으로 구성된 단어 셋트 중 한 글자 이상의 단어를 분류하여 데이터베이스(미도시)에 저장 할 수 있다.
학습데이터 생성부(130)는 데이터베이스(미도시)에 포함된 데이터 셋에서 데이터를 선택하고 전처리를 수행할 수 있다. 학습데이터 생성부(130)는 데이터베이스(미도시)에 저장된 데이터 셋의 복수의 칼럼 중 데이터 군집화를 수행할 칼럼을 선택하여 결정할 수 있다.
학습데이터 생성부(130)는 선택된 칼럼에 복수의 인자를 포함하지 않는 데이터를 제거하는 전처리를 수행할 수 있다. 달리 말해, 학습데이터 생성부(130)는 결정된 칼럼의 데이터의 중복처리 및 Null 값(용어를 포함하지 않는 데이터)을 제거하는 전처리 과정을 수행할 수 있다.
학습데이터 생성부(130)는 형태가 완전히 일치하는 용어의 경우 군집화가 불필요하며, 공백에 해당하는 Null값(용어를 포함하지 않는 데이터) 또한 용어 군집화가 불필요한 데이터이므로, 학습데이터 생성부(130)는 Null값을 제거할 수 있다. 또한, 사용자는 필요에 따라 Null 값(용어를 포함하지 않는 데이터)을 다른 용어로 대체할 수 있다. 달리 말해, 학습데이터 생성부(130)는 사용자로부터 제공받은 대체 용어를 포함하지 않는 데이터에 입력할 수 있다.
학습데이터 생성부(130)는 분리된 형태소의 빈도와 가중치를 이용하여 군집화 할 용어를 선정할 수 있다. 또한, 학습데이터 생성부(130)는 가중치와 순위화한 빈도수를 이용하여 군집화 할 용어의 우선 순위를 결정할 수 있다. 또한, 학습데이터 생성부(130)는 순위화한 형태소와 형태소의 길이를 이용한 가중치를 이용하여 추천 용어의 우선 순위를 결정할 수 있다.
학습데이터 생성부(130)는 원본 용어의 음운을 분리하고, 음운으로 분리된 각각의 원본 용어 간의 유사도 연산을 수행할 수 있다. 학습데이터 생성부(130)는 원본 용어가 한글일 경우, 초성, 중성, 종성으로 한글 자모에 따른 음운으로 분리하고, 인공지능 기반의 알고리즘을 이용하여 유사도를 연산할 수 있다. 여기서, 학습데이터 생성부(130)는 Fuzzy Data Matching 알고리즘을 사용하여 각각의 원본 용어 간의 유사도 연산을 수행할 수 있으나, 이에 한정되는 것은 아니다. Fuzzy Data Matching 알고리즘은 편집거리(레펜슈타인, Levenshtein Distance)를 기반으로 계산된 결과값을 사용하여 데이터 간에 매칭을 수행하는 알고리즘이다.
학습데이터 생성부(130)는 사용자가 선택한 비정형 데이터 간의 유사도를 계산하여 군집화할 수 있다. 또한, 학습데이터 생성부(130)는 음운으로 분리된 용어들 간의 유사도를 계산하여 일정 유사도 값을 넘게 되면 용어들의 우선순위에 따라 복수의 인자 용어에 군집화할 수 있다. 달리 말해, 학습데이터 생성부(130)는 유사도 연산 값이 미리 설정된 임계치 이상인 원본 용어를 군집화할 수 있다. 임계치는 사용자의 편의에 따라 유사도 값의 임계치를 수정 및 변화될 수 있다.
학습데이터 생성부(130)는 미술품 정보에 포함된 텍스트를 수치화하여 제 1 특징을 생성할 수 있다. 텍스트는 미술품이나 작가와 관련된 문서일 수 있다. 예를 들어, 미리 설정된 기간에서 이중섭의 소에 관한 기사가 될 수 있다. 구체적으로, 제 1특징은 기간 건수에 비례하여 작가와 관련된 텍스트의 가중치를 결정된 것 일 수 있다. 예를 들어 가중치는 이중섭의 소에서 관련된 민족정신, 고단한 정서와 같은 키워드가 반복적으로 노출될 경우 이중섭 작가에 관한 가중치가 증가될 수 있다. 또는 키워드의 관한 가중치가 증가 될 수 있다. 다른 말로, 고단한 정서와 관련된 키워드의 가중치가 증가 될 수 있다.
텍스트 수치화는 벡터화되는 것을 의미할 수 있다. 다른 말로, 텍스는 수치화는 원핫 매트릭스(One-Hot Matrix)를 의미할 수 있다. 또한, 텍스트 수치화는 Word2Vec로 벡터화되는 것을 의미 할 수 있다. 여기서, 텍스트 수치화는 미술품 정보에 포함된 텍스트를 벡터화 된 것을 의미할 수 있다.
구체적으로, 학습데이터 생성부(130)는 추출한 단어에 대하여 텍스트 분석 알고리즘(예를 들어, TF-IDF기법)을 적용하여 각 단어를 벡터화할 수 있다. 일예로, 학습데이터 생성부(130)는 벡터 추출 패키지(예를 들어, Scikit-Learn의 feature_extraction의 서브패키지 중 하나인 feature_extraction.text)를 이용하여 주요 단어를 벡터화할 수 있다. 벡터 추출 패키지(예를 들어, Scikit-Learn의 feature_extraction의 서브패키지 중 하나인 feature_extraction.text)는 문서 전처리 클래스를 제공하며 이 클래스의 함수 중 빈도수를 기반으로 단어를 벡터화하는 함수인 텍스트 분석 함수(예를 들어, TfidfTransformer 함수)를 이용하여 주요 명사들을 벡터화할 수 있다.
학습데이터 생성부(130)는 미술품 정보에 포함된 이미지로부터 추출한 색상을 이용하여 제 2 특징을 생성할 수 있다. 여기서, 추출한 색상은 적색(R), 녹색(G), 청색(B)의 색상의 비율로 나타날 수 있다. 다른 말로, 추출한 색상은 주요 색상으로 구별되어 나타날 수 있다. 예시적으로, 청색과 녹색의 합은 청록색으로 나타날 수 있습니다. 구체적으로, 주요 색상은 적어도 빨강색, 주황색, 노랑색, 초록색, 파랑색, 남색, 보라색, 녹색, 청록색, 검정색, 회색, 자주색, 연두색, 다홍색, 주황색, 귤색, 노란연두색, 청록색, 바다색, 남보라색, 붉은보라색, 연지색 중 하나가 될 수 있다.
구체적으로, 학습데이터 생성부(130)는 미술품 정보에 포함된 이미지로부터 추출한 색상, 채도, 명도를 이용하여 제 2 특징을 생성할 수 있다. 여기서 채도는 특정한 색상의 진함의 정도를 의미할 수 있다. 다시 말해, 색상이 선명할수록 채도가 높다는 것을 의미할 수 있다. 구체적으로, HSV 공간에서 채도값은 적어도 적색(R), 녹색(G), 청색(B) 중 하나를 혼합한 최대 크기 값에서 적어도 적색(R), 녹색(G), 청색(B) 중 하나를 혼합한 최소 크기 값을 빼 적어도 적색(R), 녹색(G), 청색(B) 중 하나를 혼합한 최대 크기 값을 나눈 것을 의미할 수 있다. 또한, 여기서 명도는 밝은 정도를 의미 할 수 있다. 명도는 HSV 공간에서 적색(R), 녹색(G), 청색(B)의 합이 큰 정도를 의미할 수 있다. 예를 들어, HSV 공간에서 적색(R), 녹색(G), 청색(B)의 합이 100이면, 명도값은 검정색을 의미할 수 있다.
구체적으로, 학습데이터 생성부(130)는 미술품 정보에 포함된 이미지로부터 추출한 복수의 색상들 각각의 우선순위에 기초하여 상기 복수의 색상들 중 적어도 하나 이상의 주요 색상을 선택하고, 선택한 적어도 하나의 주요 색상에 기초하여 제 2 특징을 생성할 수 있다. 여기서 우선순위는 추출한 색상 중 미리 설정된 기간에서 적어도 색상이 평균적으로 비율이 높은 복수의 기준으로 정해질 수 있다. 일 예로, 학습데이터 생성부(130)는 미리 설정된 기간에서 평균적으로 밝은 계통의 색깔인 적어도 노랑색, 강색, 주황색, 연두색 중 하나가 적어도 어두운 계통인 검정색, 회색 보다 비율이 높을 경우 밝은 계통 색상에 가중치를 더 부여할 수 있다. 다른 말로 학습데이터 생성부(130)는 밝은 계통 색상에 중요도를 더 높일 수 있다. 또는 학습데이터 생성부(130)는 각 색상의 채도로서 평균적으로 높은 비율을 차지하는 색상의 복수의 채도에 가중치의 중요도를 다르게 할 수 있다. 또는 학습데이터 생성부(130)는 각 색상의 명도로서 평균적으로 높은 비율을 차지하는 색상의 복수의 명도에 가중치의 중요도를 다르게 할 수 있다.
학습데이터 생성부(130)는 미술품 정보에 포함된 이미지의 복수의 픽셀들 각각의 색상을 이용하여 제 2 특징을 생성할 수 있다. 또한, 복수의 픽셀은 각각 채도, 명도, 색상에 관한 정보를 포함할 수 있다. 즉, 제 2특징은 채도, 명도, 색상에 관한 특징을 포함할 수 있다.
학습데이터 생성부(130)는 미술품 정보에 포함된 이미지의 복수의 픽셀들 각각의 색상을 이용하여 제 2 특징을 생성할 수 있다. 여기서 제 2특징은 각각의 색상을 복수의 픽셀들에 관한 정보 일 수 있다. 또한 제2특징은 복수의 픽셀들에 있어서 각각 채도, 명도, 색상의 관한 정보를 포함할 수 있다.
구체적으로, 학습데이터 생성부(130)는 추출한 복수의 색상들의 히스토그램에 기초하여 우선순위를 결정하는 것일 수 있다. 여기서 히스토그램 그램은 추출한 색상을 수치화 하여 미리 설정된 기간에서 막대그래프로서 시각화하여 나타날 수 있다. 구체적으로, 추출한 색상의 히스토그램은 복수의 미술품에서 각각의 픽셀에 대응하는 색상으로 막대그래프로 통해 나타낸 그림일 수 있다.
모델 생성부(140)는 복수의 인자 중 제 1그룹에 포함된 적어도 하나의 인자에 기초하여 복수의 미술품에 대응하는 제 1인공지능 학습데이터를 생성하고, 복수의 인자 중 제 2 그룹에 포함된 적어도 하나의 인자에 기초하여 복수의 미술품에 대응하는 제 2인공지능 학습데이터를 생성할 수 있다. 예를 들어, 제1인공지능 학습데이터는 복수의 인자 중 중요도로 미리 정해진 개수로 기반으로 한 적어도 작가 생존 유무, 미술품 공개기간, 작가의 미술품들의 우선순위, 작가 경력 중 하나가 될 수 있다. 또한, 제 2인공지능 학습데이터는 복수의 인자 중 중요도로 미리 정해진 개수로 기반으로 적어도 작가 생존 유무, 전시된 미술관의 등급, 관련 기사 정보, 미술품 크기, 전시된 미술관의 방문객 정보 중 하나가 될 수 있다.
학습데이터 생성부(130)는 인공지능 학습데이터를 정규화할 수 있다. 구체적으로, 학습데이터 생성부(130)는 최대-최소 정규화(min-max normalization)를 통해 모델 별로 회귀계수 벡터 또는 특징 중요도 벡터를 정규화할 수 있다. 여기서 정규화는 벡터의 크기를 0과 1사이로 매핑할 수 있다.
모델 생성부(140)는 적어도 하나 이상의 인공지능 학습 알고리즘을 이용하여 인공지능 학습데이터로부터 트랜드 예측 모델을 생성할 수 있다. 여기서 인공지능 학습 알고리즘은 LSTM(Long-Short Term Memory) 알고리즘이 될 수 있다. LSTM 알고리즘은 딥러닝 분야에서 사용되는 인공 재귀 신경 네트워크(RNN) 아키텍처의 하나로, 피드 포워드 신경망과 달리 피드백 연결이 존재한다. 따라서, LSTM 알고리즘에 의하면 단일 데이터 포인트뿐만 아니라 전체 데이터 시퀀스에 대한 학습 및 처리를 수행할 수 있다. 또한 모델 생성부(140)는 인공지능 학습 중 과적합 발생시 Drop out을 수행할 수 있다.
모델 생성부(140)는 사용자가 WINDOW_SIZE로서 미리 정한 일정 년도를 기준으로 한 데이터로 분할하여 LSTM 알고리즘을 이용해 미술품 트랜드를 예측할 수 있다. 구체적인 예로서, 미리 정한 일정 년도는 4년차로 정했을 때 1996년도에서 2000년도 일 수 있다. 모델 생성부(140)는 1996년도에서 2000년도의 데이터를 통해 2001년도의 미술품 트랜드를 예측할 수 있다.
모델 생성부(140)는 미리 정해진 개수의 LSTM 모델에서 출력된 예측 결과값을 가지고 앙상블층을 구성할 수 있다. 모델 생성부(140)는 앙상블층에서 각각 모델의 결과값에 가중치(Weight)를 곱해서 더한 후, 평균을 계산해 최종적인 예측 결과값을 출력 할 수 있다.
모델 생성부(140)는 결정한 중요도에 기초하여 인공지능 학습데이터로부터 가격 예측 모델을 생성할 수 있다. 구체적으로 모델 생성부(140)는 트리의 각각의 노드에서 정보 획득량을 최대화하는 방향으로 가격 예측 모델을 생성할 수 있다. 즉, 복수의 모델에 각각에서 복수의 중요한 특징 순으로 정보 획득량이 최대화를 할 수 있다. 예를 들어, 제1노드는 작가의 사후가 될 수 있다. 예를 들어 살아있는 작가와 살아있지 못한 작가의 관한 노드가 될 수 있다. 제 2노드는 작가의 전공이 될 수 있다. 작가의 전공이 미술인지 아닌지에 관한 노드가 될 수 있다. 이외에의 노드들도 복수의 인자의 특징에 따라 모델이 생성 될 수 있다. 여기서 복수의 노드는 중요도를 우선 순위로 정해질 수 있다. 또한, 모델 생성부(140)는 앞선 언급한 복수의 모델을 생성함으로써 앙상블을 할 수 있다.
모델 생성부(140)는 인공지능 알고리즘을 이용하여 제 1인공지능 학습데이터로부터 제 1가격 예측 모델을 생성하되, 인공지능 알고리즘을 이용하여 제 2인공지능 학습데이터로부터 제 2 가격 예측 모델을 생성할 수 있다. 구체적으로, 모델 생성부(140)는 제 1가격 예측 모델과 제 2가격 예측 모델을 앙상블(Ensemble) 할 수 있다. 예를 들어 모델 생성부(140)는 제1가격 예측 모델의 예측값과 제 2가격의 예측 모델의 동일한 값이 중복으로 나온 값을 선택 할 수 있다. 다른 예시로, 모델 생성부(140)는 제1가격 예측 모델의 예측값과 제 2가격의 예측 모델의 평균값을 선택 할 수 있다.
이러한 LSTM 알고리즘은 시계열 데이터를 기반으로 예측을 분류, 처리 및 예측하는 데 적합하며, LSTM은 전통적인 RNN을 통한 훈련에서 발생 가능한 Vanishing Gradient 문제를 해소하는 장점이 있다.
모델 생성부(140)는 상관 관계를 지은 데이터 중 상관성이 떨어진 경우 경제지표 데이터에서 제외 할 수 있다. 예들 들어 미술품 작품의 가격은 상승세인 반해, 소비자 동향 지수는 하락세이면 모델 생성부(140)는 경제지표 데이터에서 제외할 수 있다.
모델 생성부(140)는 실제값과 예측값의 차이 제곱의 합(MSE, Mean Squared Error)를 최소로 하는 모델로 생성되며, 일반적으로 예측된 변수의 분산 비율의 비(R-square)로 모델의 성능이 측정될 수 있다.
트랜드 예측부(150)는 트랜드 예측 모델을 이용하여 사용자의 입력에 대응하는 미술품 거래의 트랜드를 예측할 수 있다. 예를 들어, 트랜드 예측부(150)는 단일색 작가 중에서 미리 설정된 수에서 인지도 있는 작가를 년차별로 나타날 수 있다. 이 때, 인지도는 가격과 비례하여 나타날 수 있다.
트랜드 예측부(150)는 사용자의 입력은 입력 시점 정보를 포함할 수 있다. 여기서 입력 시점 정보는 사용자가 관심있어 하는 입력 작품군, 입력 작가, 또는 입력 작가의 작품군이 될 수 있다.
트랜드 예측부(150)는 사용자의 입력에서 입력 미술품 정보를 포함하되, 트랜드 예측 모델을 이용하여 사용자의 입력 미술품 정보에 대응하는 가격 및 미술품 거래의 트랜드를 예측할 수 있다. 여기서 입력 미술품 정보는 적어도 색상, 상징성, 화법, 작품군이 될 수 있다.
트랜드 예측부(150)는 사용자의 입력은 입력 시점 정보에 대응하는 입력 경제지표를 포함하되, 미술품 거래의 트랜드는 입력 시점 정보에 대응하는 가격의 상승 또는 하락의 추세를 포함할 수 있다. 예를 들어, 트랜드 예측부(150)는 입력 시점 정보에 대응하는 가격의 상승 또는 하락의 추세를 먼저 예측한 후에 이에 대응하는 특정 작품군, 특정 작가, 또는 특정 작가의 작품군의 가격 및 미술품 거래의 트랜드를 예측할 수 있다.
트랜드 예측부(150)는 트랜드 예측 모델을 이용하여 사용자의 입력 작가로 가격의 거래의 트랜드를 예측할 수 있다. 예를 들어, 트랜드 예측부(150)는 X축은 년도, Y축은 입력 작가의 거래된 년도의 총 금액을 미술품 거래의 트랜드로 예측할 수 있다.
트랜드 예측부(150)는 트랜드 예측 모델을 이용하여 사용자의 입력 미술품 정보에 대응하는 작품군으로 분류하되, 작품군으로 거래의 트랜드를 예측할 수 있다. 예를 들어, 트랜드 예측부(150)는 X축은 년도, Y축은 특정 작품군의 거래된 년도의 총 금액을 미술품 거래의 트랜드로 예측할 수 있다. 또한, 트랜드 예측부(150)는 당해 년도에 원판으로서 각각의 작품군을 미술품 거래 금액의 비율로서 미술품 거래의 트랜드를 예측할 수 있다. 여기서 작품군은 적어도 통회화, 현대공예, 서예, 판화, 미디어아트, 조각, 사진, 서양화, 동양화, 골동품 중 하나가 될 수 있다.
트랜드 예측부(150)는 트랜드 예측 모델을 이용하여 사용자의 입력 작가 정보에 대응하는 관련 작가를 분류하되, 관련된 작가의 거래의 트랜드를 예측할 수 있다. 예를 들어, 트랜드 예측부(150)는 입력 작가 정보의 관련된 정보가 단일색 작가라고 하였을 때, 단일색과 관련된 복수의 작가를 미술품 거래 금액의 총금액을 Y 축으로 나타 낼 수 있다. 또한 각각의 단일색과 관련된 작가는 다른 색상으로 표기하여 나타날 수 있다.
트랜드 예측부(150)는 트랜드 예측 모델을 이용하여 사용자의 입력 작가 정보에 대응하는 관련 상징성으로 분류하되, 관련 상징성에 관련된 작가의 거래의 트랜드를 예측할 수 있다. 예를 들어, 트랜드 예측부(150)는 입력 작가 정보의 상징성이 평화와 관련된 작가라고 하였을 때, 평화와 관련된 복수의 작가를 미술품 거래 금액의 총금액을 Y 축으로 나타 낼 수 있다. 또한 각각의 평화와 관련된 작가는 다른 색상으로 표기하여 나타날 수 있다.
트랜드 예측부(150)는 트랜드 예측 모델을 이용하여 사용자의 입력 작가 정보에 대응하는 관련 사조로 분류하되, 사조에 관련된 미술품의 거래의 트랜드를 예측할 수 있다. 예를 들어, 트랜드 예측부(150)는 입력 작가 정보의 사조가 초월주의라고 하였을 때, 초월주의와 관련된 복수의 작가를 미술품 거래 금액의 총금액을 Y 축으로 나타낼 수 있다. 또한 각각의 초월주의와 관련된 작가는 다른 색상으로 표기하여 나타날 수 있다. 또한, 트랜드 예측부(150)는 당해 년도의 원판에 사조를 비율로 미술품 거래의 트랜드를 예측할 수 있다. 구체적으로, 사조는 인상주의, 야수주의, 표현주의, 입체주의, 절대주의, 구축주의, 초현실주의, 표현주의, 팝아트, 미니멀리즘, 모노파, 사실주의, 낭만주의, 신고전주의, 입체파, 다다이즘, 미래파, 키네틱아트, 대지예술, 상징주의, 아방가르드, 자연 친화가 될 수 있다.
도 2는 본원의 일 실시예에 따른 인공지능 기반의 미술품 거래의 트랜드 예측의 일 예다.
본원의 일 실시예에 따른 도 2는 트랜드 예측부(150)에서 일 예로 단색화 작가의 미술품 트랜드로 나타낼 수 있다. 구체적으로 도 2에서 단색화 미술품 트랜드의 작가는 박서보, 윤형근, 정상화가 될 수 있다.
도 3는 본원의 일 실시예에 따른 인공지능 기반의 미술품 거래의 트랜드 예측의 개략적인 흐름도이다.
단계 S11에서, 미술품 거래의 트랜드 예측 장치(100)는 복수의 미술품 각각의 이미지, 작가 및 가격을 포함하는 미술품 정보를 수집할 수 있다.
단계 S12에서, 미술품 거래의 트랜드 예측 장치(100)는 복수의 미술품 각각의 거래 시점에 대응하는 경제지표 정보를 수집할 수 있다.
단계 S13에서, 미술품 거래의 트랜드 예측 장치(100)는 미술품 정보 및 경제지표 정보에 기초하여 복수의 미술품에 대응하는 인공지능 학습데이터를 생성할 수 있다.
단계 S14에서, 미술품 거래의 트랜드 예측 장치(100)는 적어도 하나 이상의 인공지능 학습 알고리즘을 이용하여 인공지능 학습데이터로부터 트랜드 예측 모델을 생성할 수 있다.
단계 S15에서, 미술품 거래의 트랜드 예측 장치(100)는 트랜드 예측 모델을 이용하여 사용자의 입력에 대응하는 미술품 거래의 트랜드를 예측할 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
또한, 전술한 미술품 거래의 트랜드 예측 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
본원의 일 실시예에 따른 미술품 가격 예측 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 본원을 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 본원의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
100: 미술품 거래의 트랜드 예측 장치
110: 미술품 정보 수집부
120: 경제지표 정보 수집부
130: 학습데이터 생성부
140: 모델 생성부
150: 트랜드 예측부

Claims (12)

  1. 미술품 거래의 트랜드를 예측하는 장치로서,
    복수의 미술품 각각의 이미지, 작가 및 가격을 포함하는 미술품 정보를 수집하는 미술품 정보 수집부;
    상기 복수의 미술품 각각의 거래 시점에 대응하는 경제지표 정보를 수집하는 경제지표 정보 수집부;
    상기 미술품 정보 및 상기 경제지표 정보에 기초하여 상기 복수의 미술품에 대응하는 인공지능 학습데이터를 생성하는 학습데이터 생성부;
    적어도 하나 이상의 인공지능 학습 알고리즘을 이용하여 상기 인공지능 학습데이터로부터 트랜드 예측 모델을 생성하는 모델 생성부; 및
    상기 트랜드 예측 모델을 이용하여 사용자의 입력에 대응하는 미술품 거래의 트랜드를 예측하는 트랜드 예측부를 포함하되,
    상기 미술품 정보 수집부는,
    상기 미술품 정보로부터 복수의 인자 중 일부를 추출하되, 상기 일부는 상기 복수의 미술품 각각의 가격에 영향을 주는 것이고,
    상기 경제지표 정보 수집부는,
    상기 경제지표 정보로부터 상기 복수의 인자 중 나머지를 추출하고,
    상기 학습데이터 생성부는,
    상기 미술품 정보 및 경제지표로부터 추출된 복수의 인자에 기초하여 상기 복수의 미술품에 대응하는 인공지능 학습 데이터를 생성하되,
    상기 미술품 정보에 포함된 텍스트를 벡터화하여 제 1 특징을 생성하고, 상기 미술품 정보에 포함된 이미지로부터 추출한 색상, 채도, 명도를 이용하여 제 2 특징을 생성하고, 상기 제 1 특징 및 제 2 특징을 기초하여 인공지능 학습데이터를 생성하는 것인, 미술품 거래의 트랜드 예측 장치.
  2. 제 1 항에 있어서,
    상기 사용자의 입력은 입력 시점 정보를 포함하는 것인, 미술품 거래의 트랜드 예측 장치.
  3. 제 2 항에 있어서,
    상기 사용자의 입력은 상기 입력 시점 정보에 대응하는 입력 경제지표를 포함하되,
    상기 미술품 거래의 트랜드는 상기 입력 시점 정보에 대응하는 가격의 상승 또는 하락의 추세를 포함하는 것인, 미술품 거래의 트랜드 예측 장치.
  4. 제 3항에 있어서,
    상기 경제지표는 소비자 심리 지수, 경제 성장율 및 물가 상승률 중 적어도 하나를 포함하는 것인, 미술품 거래의 트랜드 예측 장치.
  5. 제 2 항에 있어서,
    상기 사용자의 입력은 입력 미술품 정보를 포함하되,
    상기 트랜드 예측부는,
    상기 트랜드 예측 모델을 이용하여 사용자의 입력 미술품 정보에 대응하는 가격 및 미술품 거래의 트랜드를 예측하는 것인, 미술품 거래의 트랜드 예측 장치.
  6. 제 1항에 있어서,
    상기 트랜드 예측부는,
    상기 트랜드 예측 모델을 이용하여 사용자의 입력 작가로 상기 가격의 거래의 트랜드를 예측하는 것인, 미술품 거래의 트랜드 예측 장치.
  7. 제 1항에 있어서,
    상기 트랜드 예측부는,
    상기 트랜드 예측 모델을 이용하여 사용자의 입력 미술품 정보에 대응하는 작품군으로 분류하되, 상기 작품군으로 거래의 트랜드를 예측하는 것인, 미술품 거래의 트랜드 예측 장치.
  8. 제 1항에 있어서,
    상기 트랜드 예측부는,
    상기 트랜드 예측 모델을 이용하여 사용자의 입력 작가 정보에 대응하는 관련 작가를 분류하되, 상기 작가의 거래의 트랜드를 예측하는 것인, 미술품 거래의 트랜드 예측 장치.
  9. 제 1항에 있어서,
    상기 트랜드 예측부는,
    상기 트랜드 예측 모델을 이용하여 사용자의 입력 작가 정보에 대응하는 관련 상징성으로 분류하되, 상기 상징성에 관련된 작가의 거래의 트랜드를 예측하는 것인, 미술품 거래의 트랜드 예측 장치.
  10. 제 1항에 있어서,
    상기 트랜드 예측부는,
    상기 트랜드 예측 모델을 이용하여 사용자의 입력 작가 정보에 대응하는 관련 사조로 분류하되, 상기 사조에 관련된 미술품의 거래의 트랜드를 예측하는 것인, 미술품 거래의 트랜드 예측 장치.
  11. 미술품 거래의 트랜드 예측 장치에 의해 수행되는 미술품 거래의 트랜드를 예측하는 방법으로서,
    복수의 미술품 각각의 이미지, 작가 및 가격을 포함하는 미술품 정보를 수집하는 단계;
    상기 복수의 미술품 각각의 거래 시점에 대응하는 경제지표 정보를 수집하는 단계;
    상기 미술품 정보 및 상기 경제지표 정보에 기초하여 상기 복수의 미술품에 대응하는 인공지능 학습데이터를 생성하는 단계;
    적어도 하나 이상의 인공지능 학습 알고리즘을 이용하여 상기 인공지능 학습데이터로부터 트랜드 예측 모델을 생성하는 단계;및
    상기 트랜드 예측 모델을 이용하여 사용자의 입력에 대응하는 미술품 거래의 트랜드를 예측하는 단계를 포함하되,
    상기 미술품 정보를 수집하는 단계는,
    상기 미술품 정보로부터 복수의 인자 중 일부를 추출하되, 상기 일부는 상기 복수의 미술품 각각의 가격에 영향을 주는 것이고,
    상기 경제지표 정보를 수집하는 단계는,
    상기 경제지표 정보로부터 상기 복수의 인자 중 나머지를 추출하고,
    상기 학습데이터를 생성하는 단계는,
    상기 미술품 정보 및 경제지표로부터 추출된 복수의 인자에 기초하여 상기 복수의 미술품에 대응하는 인공지능 학습데이터를 생성하되,
    상기 미술품 정보에 포함된 텍스트를 벡터화하여 제 1 특징을 생성하고, 상기 미술품 정보에 포함된 이미지로부터 추출한 색상, 채도, 명도를 이용하여 제 2 특징을 생성하고, 상기 제 1 특징 및 제 2 특징을 기초하여 인공지능 학습데이터를 생성하는 것인, 미술품 거래의 트랜드 예측 방법.
  12. 제11항의 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터에서 판독 가능한 기록매체.
KR1020220170524A 2021-07-29 2022-12-08 인공지능 기반의 미술품 거래의 트랜드 예측 장치 및 방법 KR102663632B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220170524A KR102663632B1 (ko) 2021-07-29 2022-12-08 인공지능 기반의 미술품 거래의 트랜드 예측 장치 및 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210100238 2021-07-29
KR1020220170524A KR102663632B1 (ko) 2021-07-29 2022-12-08 인공지능 기반의 미술품 거래의 트랜드 예측 장치 및 방법

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020210100238 Division 2021-07-29 2021-07-29

Publications (2)

Publication Number Publication Date
KR20230023600A KR20230023600A (ko) 2023-02-17
KR102663632B1 true KR102663632B1 (ko) 2024-05-09

Family

ID=85327428

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220170524A KR102663632B1 (ko) 2021-07-29 2022-12-08 인공지능 기반의 미술품 거래의 트랜드 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102663632B1 (ko)

Also Published As

Publication number Publication date
KR20230023600A (ko) 2023-02-17

Similar Documents

Publication Publication Date Title
CN111737495B (zh) 基于领域自分类的中高端人才智能推荐系统及其方法
CN109657947B (zh) 一种面向企业行业分类的异常检测方法
Bauer et al. Quantitive evaluation of Web site content and structure
US20080097937A1 (en) Distributed method for integrating data mining and text categorization techniques
CN107315738A (zh) 一种文本信息的创新度评估方法
CN110826639B (zh) 一种利用全量数据训练零样本图像分类方法
CN112925908A (zh) 一种基于Attention的图注意力网络的文本分类方法及系统
WO2020201835A1 (en) Machine learning processing pipeline optimization
CN111680506A (zh) 数据库表的外键映射方法、装置、电子设备和存储介质
CN110109902A (zh) 一种基于集成学习方法的电商平台推荐系统
CN115906842A (zh) 一种政策信息识别方法
CN116737922A (zh) 一种游客在线评论细粒度情感分析方法和系统
Christodoulou et al. Combination of topic modelling and decision tree classification for tourist destination marketing
CN110781300A (zh) 基于百度百科知识图谱的旅游资源文化特色评分算法
Haryono et al. Aspect-based sentiment analysis of financial headlines and microblogs using semantic similarity and bidirectional long short-term memory
CN114519508A (zh) 基于时序深度学习和法律文书信息的信用风险评估方法
CN116629258B (zh) 基于复杂信息项数据的司法文书的结构化分析方法及系统
CN110310012A (zh) 数据分析方法、装置、设备及计算机可读存储介质
KR102457455B1 (ko) 인공지능 기반의 미술품 가격 예측 장치 및 방법
Garbero et al. Spatial dynamics across food systems transformation in IFAD investments: a machine learning approach
KR102663632B1 (ko) 인공지능 기반의 미술품 거래의 트랜드 예측 장치 및 방법
CN116089886A (zh) 信息处理方法、装置、设备及存储介质
JP7332190B2 (ja) 機械学習基盤情報の提供方法および装置
CN109635289A (zh) 词条分类方法及审计信息抽取方法
CN111046934B (zh) 一种swift报文软条款识别方法及装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant