KR20190088395A - 전력 사용량 기반의 매출 예측 시스템 및 그 방법 - Google Patents

전력 사용량 기반의 매출 예측 시스템 및 그 방법 Download PDF

Info

Publication number
KR20190088395A
KR20190088395A KR1020180155009A KR20180155009A KR20190088395A KR 20190088395 A KR20190088395 A KR 20190088395A KR 1020180155009 A KR1020180155009 A KR 1020180155009A KR 20180155009 A KR20180155009 A KR 20180155009A KR 20190088395 A KR20190088395 A KR 20190088395A
Authority
KR
South Korea
Prior art keywords
store
information
power usage
unit
predetermined
Prior art date
Application number
KR1020180155009A
Other languages
English (en)
Other versions
KR102284395B1 (ko
Inventor
이효섭
Original Assignee
주식회사 인코어드 테크놀로지스
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 인코어드 테크놀로지스 filed Critical 주식회사 인코어드 테크놀로지스
Priority to JP2018242410A priority Critical patent/JP6753919B2/ja
Publication of KR20190088395A publication Critical patent/KR20190088395A/ko
Application granted granted Critical
Publication of KR102284395B1 publication Critical patent/KR102284395B1/ko

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q40/025—
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

전력 사용량 측정 장치로부터 상점의 전력 사용량 정보를 획득하고, 외부 입력으로부터 상점 명세 정보 및 상점 매출 정보를 획득하는 데이터 수집부; 상기 전력 사용량 정보, 상기 상점 명세 정보 및 상기 상점 매출 정보를 기계 학습하는 학습부; 및 소정의 상점에 대한 상기 전력 사용량 정보 및 상기 상점 명세 정보를 외부 입력으로부터 입력받는 입력부; 상기 소정의 상점에 대한 상기 전력 사용량 정보 및 상기 상점 명세 정보를 상기 학습부에 입력하고, 상기 소정의 상점에 대한 상기 상점 매출 정보를 상기 학습부로부터 획득하는 매출 획득부를 포함하는 것을 특징으로 하는 매출 예측 장치 및 그 방법이 개시되어 있다.

Description

전력 사용량 기반의 매출 예측 시스템 및 그 방법{SALES ESTIMATION SYSTEM BASED ON THE AMOUNT OF POWER USAGE AND METHOD THEREOF}
본 발명은 매출 예측 방법 및 장치에 관한 것으로서, 보다 상세하게는 전력 사용량 기반으로 상점 등의 매출을 예측하는 방법 및 장치에 관한 것이다.
금융 기관은 대출처의 신용도에 기초하여 여신을 실행한다. 금융 기관이 여신을 실행함에 있어서, 대출처의 부도 가능성 등 채무 불이행 가능성을 확인할 수 있는 신용 분석은 금융 기관의 중요한 관리 요소이다. 금융 기관은 대출처의 신용도를 객관적으로 평가하기 위하여, 대출처의 매출 정보를 포함한 경영 재무 정보를 활용한다. 그런데 대출처의 업종의 특성상 현금 거래가 많은 이유 등으로 인하여 금융 기관이 대출처의 실제 매출 정보 등을 획득하기 어려울 경우, 정확한 신용도 평가가 어렵다. 특히 금융 기관이 소액을 대출하는 기관이고 대출처가 중소규모의 사업자일 경우, 소액 대출 기관이 중소 사업자의 실제 매출 정보를 확보함에 어려움이 있으므로, 중소 사업자의 신용도를 정확하게 평가하기 어렵다.
본 발명은 상술한 기술적 문제에 대응하기 위하여 안출된 것으로, 본 발명의 목적은 종래 기술에서의 한계와 단점에 의해 발생하는 다양한 문제점을 실질적으로 보완할 수 있는 것으로, 전력 사용량 기반으로 상점 등의 매출을 예측하는 방법 및 그 장치를 제공하는데 있고, 상기 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 제공하는데 있다.
본 발명의 일 실시예에 따르면 매출 예측 방법은 데이터 수집부에 의해 전력 사용량 측정 장치로부터 상점의 전력 사용량 정보를 획득하는 단계; 상기 데이터 수집부에 의해 외부 입력으로부터 상점 명세 정보 및 상점 매출 정보를 획득하는 단계; 학습부에 의해 상기 전력 사용량 정보, 상기 상점 명세 정보 및 상기 상점 매출 정보를 기계 학습하는 단계; 입력부에 의해 소정의 상점에 대한 식별자를 외부 입력으로부터 입력받고, 상기 소정의 상점에 대한 상기 전력 사용량 정보 및 상기 상점 명세 정보를 상기 데이터 수집부로부터 입력받는 단계; 매출 획득부에 의해 상기 소정의 상점에 대한 상기 전력 사용량 정보 및 상기 상점 명세 정보를 상기 학습부에 입력하는 단계; 매출 획득부에 의해 상기 소정의 상점에 대한 상기 상점 매출 정보를 상기 학습부로부터 획득하는 단계를 포함한다.
본 발명의 일 실시예에 따르면 신용 예측부에 의해 상기 소정의 상점에 대한 상기 상점 매출 정보에 기초하여, 상기 소정의 상점에 대한 신용 정보를 추정하는 단계를 더 포함한다.
본 발명의 일 실시예에 따르면 상기 전력 사용량 정보는 상점의 전력 사용량을 소정의 시간 단위로 주기적으로 측정한 것이다.
본 발명의 일 실시예에 따르면 상기 상점 명세 정보는 상점의 유형, 상점의 위치, 상점의 면적 및 상점에서 사용되는 가전 제품 종류를 포함한다.
본 발명의 일 실시예에 따르면 상기 기계 학습하는 단계는 상기 전력 사용량 정보에 기초하여, 소정의 시간 단위로 상점의 유효 영업 시간을 계산하는 단계를 포함한다.
본 발명의 일 실시예에 따르면 상기 기계 학습하는 단계는 상기 전력 사용량 정보 및 상기 상점 명세 정보에 기초하여 상점의 단위 면적 당 전력 사용량을 계산하고; 상기 전력 사용량 정보는 상기 단위 면적 당 전력 사용량이다.
본 발명의 일 실시예에 따르면 상기 기계 학습하는 단계는 상점의 유형이 동일 또는 유사한 상점들의 상기 전력 사용량 정보를 각각의 시간 별로 24개의 구성요소를 포함하는 벡터로 구현하고; 동일 또는 유사 벡터들을 군집화하고, 각각의 군집을 대표하는 대표 벡터들을 추출하고; 상기 대표 벡터들 각각에 대해 상기 소정의 시간 단위로 상점의 상기 유효 영업 시간을 계산한다.
본 발명의 일 실시예에 따르면 상기 기계 학습하는 단계는 상기 전력 사용량 정보, 상기 상점 명세 정보, 상기 유효 영업 시간 및 상기 상점 매출 정보를 기계 학습하는 단계를 포함한다.
본 발명의 일 실시예에 따르면 상기 소정의 상점에 대한 상기 전력 사용량 정보에 기초하여, 상기 학습부에 의해 소정의 시간 단위로 상기 소정의 상점에 대한 유효 영업 시간을 계산하는 단계를 더 포함한다.
본 발명의 일 실시예에 따르면 상기 소정의 상점에 대한 상기 전력 사용량 정보, 상기 상점 명세 정보 및 상기 유효 영업 시간에 기초하여, 상기 학습부에 의해 상기 소정의 상점에 대한 상기 상점 매출 정보를 예측하는 단계를 더 포함한다.
또한, 본 발명의 일 실시예에 따르면 상기 방법을 수행하기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체를 포함한다.
또한, 본 발명의 일 실시예에 따르면 매출 예측 장치는 전력 사용량 측정 장치로부터 상점의 전력 사용량 정보를 획득하고, 외부 입력으로부터 상점 명세 정보 및 상점 매출 정보를 획득하는 데이터 수집부; 상기 전력 사용량 정보, 상기 상점 명세 정보 및 상기 상점 매출 정보를 기계 학습시키는 학습부; 및 소정의 상점에 대한 식별자를 외부 입력으로부터 입력받고, 상기 소정의 상점에 대한 상기 전력 사용량 정보 및 상기 상점 명세 정보를 상기 데이터 수집부로부터 입력받는 입력부; 및 상기 소정의 상점에 대한 상기 전력 사용량 정보 및 상기 상점 명세 정보를 상기 학습부에 입력하고, 상기 소정의 상점에 대한 상기 상점 매출 정보를 상기 학습부로부터 획득하는 매출 획득부를 포함한다.
본 발명에 따르면, 전력 사용량 기반으로 상점 등의 매출을 예측하는 방법 및 장치를 제공함으로써, 금융 기관이 실제 매출 정보를 확보하기 어려운 대출처에 대해서도, 전력 사용량 기반으로 매출 정보를 예측할 수 있고 이에 따른 신용도를 추정할 수 있다.
본 발명에 따르면, 동일 또는 유사 업종에 속하는 상점들의 전력 사용량 정보, 상점 명세 정보 및 상점 매출 정보를 사전에 매출 예측 장치에 기계 학습시키고, 금융 기관은 매출 예측 장치에 평가 대상 상점의 식별자를 입력함으로써, 평가 대상 상점의 전력 사용량 정보 및 상점 명세 정보에 기초한, 학습된 매출 정보를 획득할 수 있다.
본 발명에 따른 매출 예측 장치는 전력 사용량 정보에 기초하여 상점의 유효 영업 시간을 계산하므로, 실제 매출 정보를 확보하기 어려운 대출처에 대해서도 금융 기관은 유효 영업 시간에 기초하여 매출 정보 예측이 가능하고, 매출 정보에 따른 신용도를 추정할 수 있다. 따라서, 본 발명에 따르면 금융 기관이 여신 실행 시 신용도 판단을 위한 업무 부담을 경감할 수 있으며, 여신 심사 절차를 간소화하여 비용을 절감할 수 있다.
도 1은 본 발명의 일 실시예에 따른 매출 예측 장치의 블록도이다.
도 2는 본 발명의 일 실시예에 따른 유효 영업 시간을 계산하기 위해 추출된 , 전력 사용량의 대표 벡터 예시도이다.
도 3은 본 발명의 일 실시예에 따른 유효 영업 시간을 나타내는 예시도이다.
도 4는 본 발명의 일 실시예에 따른 매출 예측 방법의 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명한다. 도면에서 동일한 참조부호는 동일한 구성요소를 지칭하며, 도면 상에서 각 구성 요소의 크기는 설명의 명료성을 위하여 과장되어 있을 수 있다.
도 1은 본 발명의 일 실시예에 따른 매출 예측 장치의 블록도이다.
본 발명의 일 실시예에 따른 매출 예측 장치(100)는 데이터 수집부(110), 학습부(130), 입력부(150) 및 매출 획득부(170)를 포함한다.
데이터 수집부(110)는 전력 사용량 측정 장치로부터 상점의 전력 사용량 정보를 획득하고, 외부 입력으로부터 상점 명세 정보 및 상점 매출 정보를 획득한다.
상기 전력 사용량 정보는 상점의 전력 사용량을 소정의 시간 단위로 주기적으로 측정한 것이다. 예를 들어, 전력 사용량 측정 장치는 1시간 또는 15분 단위로 주기적으로 상점의 전력 사용량을 측정한다. 데이터 수집부(110)는 전력 사용량 측정 장치가 소정의 시간 단위로 주기적으로 측정한 상점의 전력 사용량 정보를 전력 사용량 측정 장치로부터 획득한다. 전력 사용량 측정 장치는 매출 예측 장치(100)와 물리적으로 별도 장치이거나 동일 장치일 수 있으며, 전력 사용량 측정 장치의 운영 주체는 전력 회사 등을 포함한 다양한 운영 주체가 될 수 있음은 당업자에게 자명하다.
상기 상점 명세 정보는 상점의 유형, 상점의 위치, 상점의 면적 및 상점에서 사용되는 가전 제품 종류를 포함한다. 상점의 명세 정보 획득이 어려운 경우, 평균적인 통계 정보가 활용될 수 있다. 예를 들어 상점의 면적은 상기 상점의 유형의 평균 면적이 될 수 있다.
학습부(130)는 상점 매출 정보가 있는 상점에 대해서는, 상기 전력 사용량 정보, 상기 상점 명세 정보 및 상기 상점 매출 정보를 기계 학습한다. 학습부(130)는 딥 러닝(Deep Learning) 등의 알고리즘을 이용하여 기계 학습을 수행하나, 학습부(130)가 특정 알고리즘으로 제한하지 않고 기계 학습을 수행할 수 있음은 당업자에게 자명하다.
학습부(130)는 상기 전력 사용량 정보에 기초하여, 소정의 시간 단위로 상점의 유효 영업 시간을 계산한다. 예를 들어, 학습부(130)는 일 또는 월 단위로 상점의 유효 영업 시간을 계산할 수 있다. 학습부(130)가 상기 전력 사용량 정보에 기초하여, 상점의 유효 영업 시간을 계산하는 구체적인 동작은 이하 도 2 및 도 3을 이용하여 상세히 후술한다. 학습부(130)는 상기 전력 사용량 정보, 상기 상점 명세 정보, 상기 유효 영업 시간 및 상기 상점 매출 정보를 기계 학습한다.
입력부(150)는 소정의 상점에 대한 식별자를 외부 입력으로부터 입력받고, 상기 식별자에 기초하여, 상기 소정의 상점에 대한 상기 전력 사용량 정보 및 상기 상점 명세 정보를 데이터 수집부(110)로부터 입력받는다. 상기 소정의 상점은 금융 기관의 평가 대상이 되는 상점일 수 있다.
매출 획득부(170)는 상기 소정의 상점에 대한 상기 전력 사용량 정보 및 상기 상점 명세 정보를 학습부(130)에 입력하고, 상기 소정의 상점에 대한 상기 상점 매출 정보를 학습부(130)로부터 획득한다. 구체적으로, 학습부(130)는 상기 소정의 상점에 대한 상기 전력 사용량 정보에 기초하여, 소정의 시간 단위로 상기 소정의 상점에 대한 유효 영업 시간을 계산한다.
학습부(130)는 매출 예측부를 더 포함할 수 있다. 상기 매출 예측부는 상기 소정의 상점에 대한 상기 전력 사용량 정보, 상기 상점 명세 정보 및 상기 유효 영업 시간에 기초하여, 상기 소정의 상점에 대한 상기 상점 매출 정보를 예측한다.
본 발명의 일 실시예에 따른 매출 예측 장치는 신용 예측부를 더 포함할 수 있다. 신용 예측부는 상기 소정의 상점에 대한 상기 상점 매출 정보에 기초하여, 상기 소정의 상점에 대한 신용 정보를 추정한다.
한편, 본 발명의 다른 실시예에 따른 학습부(130)는 상기 전력 사용량 정보 및 상기 상점 명세 정보에 기초하여 상점의 단위 면적 당 전력 사용량을 계산한다. 본 실시예에 따른 학습부(130)는 상기 전력 사용량 정보로 상기 단위 면적 당 전력 사용량을 이용한다.
도 2는 본 발명의 일 실시예에 따른 유효 영업 시간을 계산하기 위해 추출된 , 전력 사용량의 대표 벡터 예시도이다.
학습부(130)는 전력 사용량 정보에 기초하여, 소정의 시간 단위로 상점의 유효 영업 시간을 계산한다.
학습부(130)는 상점의 유형이 동일 또는 유사한 상점들의 전력 사용량 정보를 각각의 시간 별로 24개의 구성요소를 포함하는 벡터로 나타낸다. 벡터의 각각의 구성 요소는 각각의 시간 별 전력 사용량 정보를 총 하루의 전력 사용량으로 나눈 값으로 정규화(normalize)하여 나타낼 수 있다.
수학식 1은 시간별 전력 사용량 정보를 총 하루의 전력 사용량으로 나눈 값으로 정규화하여 나타낸 벡터를 수식으로 표현한다.
Figure pat00001
Figure pat00002
Figure pat00003
Figure pat00004
학습부(130)는 동일 또는 유사 벡터들을 군집화(Clustering)한다. 학습부(130)는 K-평균 알고리즘(K-means algorithm) 등을 이용하여 벡터들을 군집화하나, 학습부(130)가 특정 알고리즘에 제한되지 않고 다양한 군집화 알고리즘을 이용할 수 있음은 당업자에게 자명하다.
학습부(130)는 군집화를 수행하기 위해 전처리(Preprocessing)한 K 개의 대표 벡터를 포함하는 데이터베이스를 보유한다. K 개의 대표 벡터는 각각의 클러스터에서 중심 벡터를 나타낸다. 학습부(130)는 시간 별 전력 사용량 정보를 정규화하여 나타낸 벡터들을 동일 또는 유사한 벡터들로 구성된 K 개의 클러스터로 군집화한다. 학습부(130)는 시간 별 전력 사용량 정보를 정규화하여 나타낸, n개의 벡터들을 각각의 클러스터 내의 벡터 간 응집도를 최대로 하는 K 개의 클러스터로 분할한다. 이를 위해 구체적으로, 학습부(130)는 각각의 클러스터 내에서 클러스터의 중심 벡터와의 거리 차이의 분산을 최소화하는 방식으로 군집화한다.
수학식 2는 시간 별 전력 사용량 정보를 정규화하여 나타낸 벡터들(s(t))을 군집화하는 수식을 나타낸다.
Figure pat00005
Figure pat00006
Figure pat00007
시간 별 전력 사용량 정보를 정규화하여 나타낸 벡터
Figure pat00008
: 클러스터 i의 중심 벡터
Figure pat00009
: 클러스터 i
수학식 2에서 클러스터 i는 중심벡터
Figure pat00010
와 클러스터 내의 벡터와의 거리 차이의 분산인 E(s,i)를 최소화하는 방식으로 군집화하여 구성되며, 학습부(130)는 K 개의 클러스터로 군집화한다.
본 발명의 일 실시예에 따르면 학습부(130)는 E(s,i)가 소정의 임계값 이하인지 여부를 추가로 판단할 수 있다. 이 경우, 학습부(130)는 E(s,i)가 소정의 임계값 이하인 벡터들로 클러스터 i를 군집화할 수 있다.
학습부(130)는 각각의 군집을 대표하는 대표 벡터들을 추출한다. 도시된 예는, 전력 사용량 정보를 24시간 단위로 표현한, 특정 군집을 대표하는 대표 벡터를 도시한다.
도 3은 본 발명의 일 실시예에 따른 유효 영업 시간을 나타내는 예시도이다.
학습부(130)는 도 2에서 도시된 대표 벡터 예와 같은, 대표 벡터들 각각에 대해 소정의 시간 단위로 상점의 유효 영업 시간을 계산한다. 예를 들어, 학습부(130)는 요일별, 월별, 오전/오후/저녁 시간 별 등 다양한 소정의 시간 단위로 대표 벡터들 각각에 대해 상점의 유효 영업 시간을 계산한다. 도시된 예의 대표 벡터로 학습부(130)는 16시부터 24시까지 8시간의 저녁 유효 영업 시간을 계산할 수 있다.
전술한 유효 영업 시간 계산을 통해, 학습부(130)는 상점 매출 정보가 있는 상점에 대해서는, 전력 사용량 정보, 상점 명세 정보, 유효 영업 시간 및 상점 매출 정보를 기계 학습한다.
또한, 학습부(130)는 금융 기관의 평가 대상이 되는 소정의 상점에 대한 전력 사용량 정보에 기초하여, 소정의 시간 단위로 상기 소정의 상점에 대한 유효 영업 시간을 계산한다.
학습부(130)는 상기 소정의 상점에 대한 상기 전력 사용량 정보를 나타내는 벡터들을 생성한다. 학습부(130)는 상기 소정의 상점에 대한 벡터들 각각이 학습부(130)에 기계 학습된 군집 중 어떤 군집에 속하는지를 판단하여, 상기 소정의 상점에 대한 벡터들 각각에 대해 소정의 시간 단위로 상점의 유효 영업 시간을 계산한다.
학습부(130)는 전력 사용량 정보, 상점 명세 정보 및 유효 영업 시간에 기초하여,상기 소정의 상점에 대한 상기 상점 매출 정보를 예측한다.
도 4는 본 발명의 일 실시예에 따른 매출 예측 방법의 흐름도이다.
단계 410에서, 매출 예측 장치(100)는 데이터 수집부(110)에 의해 전력 사용량 측정 장치로부터 상점의 전력 사용량 정보를 획득한다. 상기 전력 사용량 정보는 상점의 전력 사용량을 소정의 시간 단위로 주기적으로 측정한 것이다.
단계 420에서, 매출 예측 장치(100)는 데이터 수집부(110)에 의해 외부 입력으로부터 상점 명세 정보 및 상점 매출 정보를 획득한다. 상기 상점 명세 정보는 상점의 유형, 상점의 위치, 상점의 면적 및 상점에서 사용되는 가전 제품 종류를 포함한다.
단계 430에서, 매출 예측 장치(100)는 상점 매출 정보가 있는 상점에 대해서는, 학습부(130)에 의해 상기 전력 사용량 정보, 상기 상점 명세 정보 및 상기 상점 매출 정보를 기계 학습한다. 매출 예측 장치(100)는 상기 전력 사용량 정보에 기초하여 소정의 시간 단위로 상점의 유효 영업 시간을 계산한다. 매출 예측 장치(100)는 상기 전력 사용량 정보, 상기 상점 명세 정보, 상기 유효 영업 시간 및 상기 상점 매출 정보를 기계 학습한다.
단계 440에서, 매출 예측 장치(100)는 입력부(150)에 의해 소정의 상점에 대한 식별자를 외부 입력으로부터 입력받고, 상기 식별자에 기초하여 상기 소정의 상점에 대한 상기 전력 사용량 정보 및 상기 상점 명세 정보를 데이터 수집부(110)로부터 입력받는다. 상기 소정의 상점은 금융 기관의 평가 대상이 되는 상점일 수 있다.
단계 450에서, 매출 예측 장치(100)는 매출 획득부(170)에 의해 상기 소정의 상점에 대한 상기 전력 사용량 정보 및 상기 상점 명세 정보를 학습부(130)에 입력한다. 학습부(130)는 상기 소정의 상점에 대한 상기 전력 사용량 정보에 기초하여, 소정의 시간 단위로 상기 소정의 상점에 대한 유효 영업 시간을 계산한다. 학습부(130)는 상기 소정의 상점에 대한 상기 전력 사용량 정보, 상기 상점 명세 정보 및 상기 유효 영업 시간에 기초하여, 상기 소정의 상점에 대한 상기 상점 매출 정보를 예측한다.
단계 460에서, 매출 예측 장치(100)는 매출 획득부(170)에 의해 상기 소정의 상점에 대한 상기 상점 매출 정보를 학습부(130)로부터 획득한다.
또한, 매출 예측 장치(100)는 신용 예측부에 의해 상기 소정의 상점에 대한 상기 상점 매출 정보에 기초하여, 상기 소정의 상점에 대한 신용 정보를 추정한다.
한편, 본 발명의 다른 실시예에 따른 학습부(130)는 상기 전력 사용량 정보 및 상기 상점 명세 정보에 기초하여 상점의 단위 면적 당 전력 사용량을 계산한다. 본 실시예에 따른 학습부(130)는 상기 전력 사용량 정보로 상기 단위 면적 당 전력 사용량을 이용한다.
이상에서 본 발명의 바람직한 실시예가 상세히 기술되었지만, 본 발명의 범위는 이에 한정되지 않고, 다양한 변형 및 균등한 타 실시예가 가능하다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위에 의해서 정해져야 할 것이다.
예를 들어, 본 발명의 예시적인 실시예에 따른 장치는 도시된 바와 같은 장치 각각의 유닛들에 커플링된 버스, 상기 버스에 커플링된 적어도 하나의 프로세서를 포함할 수 있고, 명령, 수신된 메시지 또는 생성된 메시지를 저장하기 위해 상기 버스에 커플링되고, 전술한 바와 같은 명령들을 수행하기 위한 적어도 하나의 프로세서에 커플링된 메모리를 포함할 수 있다.
또한, 본 발명에 따른 시스템은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 상기 컴퓨터가 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등) 및 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

Claims (21)

  1. 전력 사용량 측정 장치로부터 상점의 전력 사용량 정보를 획득하고, 외부 입력으로부터 상점 명세 정보 및 상점 매출 정보를 획득하는 데이터 수집부;
    상기 전력 사용량 정보, 상기 상점 명세 정보 및 상기 상점 매출 정보를 기계 학습하는 학습부; 및
    소정의 상점에 대한 식별자를 외부 입력으로부터 입력받고, 상기 소정의 상점에 대한 상기 전력 사용량 정보 및 상기 상점 명세 정보를 상기 데이터 수집부로부터 입력받는 입력부; 및
    상기 소정의 상점에 대한 상기 전력 사용량 정보 및 상기 상점 명세 정보를 상기 학습부에 입력하고, 상기 소정의 상점에 대한 상기 상점 매출 정보를 상기 학습부로부터 획득하는 매출 획득부를 포함하는 것을 특징으로 하는 매출 예측 장치.
  2. 제 1항에 있어서,
    상기 소정의 상점에 대한 상기 상점 매출 정보에 기초하여, 상기 소정의 상점에 대한 신용 정보를 추정하는 신용 예측부를 더 포함하는 것을 특징으로 하는 매출 예측 장치.
  3. 제 1항에 있어서,
    상기 전력 사용량 정보는 상점의 전력 사용량을 소정의 시간 단위로 주기적으로 측정한 것을 특징으로 하는 매출 예측 장치.
  4. 제 1항에 있어서,
    상기 상점 명세 정보는 상점의 유형, 상점의 위치, 상점의 면적 및 상점에서 사용되는 가전 제품 종류를 포함하는 것을 특징으로 하는 매출 예측 장치.
  5. 제 1항에 있어서,
    상기 학습부는 상기 전력 사용량 정보에 기초하여, 소정의 시간 단위로 상점의 유효 영업 시간을 계산하는 것을 특징으로 하는 매출 예측 장치.
  6. 제 5항에 있어서,
    상기 학습부는 상기 전력 사용량 정보 및 상기 상점 명세 정보에 기초하여 상점의 단위 면적 당 전력 사용량을 계산하고;
    상기 전력 사용량 정보는 상기 단위 면적 당 전력 사용량인 것을 특징으로 하는 매출 예측 장치.
  7. 제 5항에 있어서, 상기 학습부는
    상점의 유형이 동일 또는 유사한 상점들의 상기 전력 사용량 정보를 각각의 시간 별로 24개의 구성요소를 포함하는 벡터로 구현하고;
    동일 또는 유사 벡터들을 군집화하고, 각각의 군집을 대표하는 대표 벡터들을 추출하고;
    상기 대표 벡터들 각각에 대해 상기 소정의 시간 단위로 상점의 상기 유효 영업 시간을 계산하는 것을 특징으로 하는 매출 예측 장치.
  8. 제 5항에 있어서,
    상기 학습부는 상기 전력 사용량 정보, 상기 상점 명세 정보, 상기 유효 영업 시간 및 상기 상점 매출 정보를 기계 학습하는 것을 특징으로 하는 매출 예측 장치.
  9. 제 1항에 있어서,
    상기 학습부는 상기 소정의 상점에 대한 상기 전력 사용량 정보에 기초하여, 소정의 시간 단위로 상기 소정의 상점에 대한 유효 영업 시간을 계산하는 것을 특징으로 하는 매출 예측 장치.
  10. 제 9항에 있어서,
    상기 학습부는 상기 소정의 상점에 대한 상기 전력 사용량 정보, 상기 상점 명세 정보 및 상기 유효 영업 시간에 기초하여, 상기 소정의 상점에 대한 상기 상점 매출 정보를 예측하는 매출 예측부를 더 포함하는 것을 특징으로 하는 매출 예측 장치.
  11. 데이터 수집부에 의해 전력 사용량 측정 장치로부터 상점의 전력 사용량 정보를 획득하는 단계;
    상기 데이터 수집부에 의해 외부 입력으로부터 상점 명세 정보 및 상점 매출 정보를 획득하는 단계;
    학습부에 의해 상기 전력 사용량 정보, 상기 상점 명세 정보 및 상기 상점 매출 정보를 기계 학습하는 단계;
    입력부에 의해 소정의 상점에 대한 식별자를 외부 입력으로부터 입력받고, 상기 소정의 상점에 대한 상기 전력 사용량 정보 및 상기 상점 명세 정보를 상기 데이터 수집부로부터 입력받는 단계;
    매출 획득부에 의해 상기 소정의 상점에 대한 상기 전력 사용량 정보 및 상기 상점 명세 정보를 상기 학습부에 입력하는 단계; 및
    매출 획득부에 의해 상기 소정의 상점에 대한 상기 상점 매출 정보를 상기 학습부로부터 획득하는 단계를 포함하는 것을 특징으로 하는 매출 예측 방법.
  12. 제 11항에 있어서,
    신용 예측부에 의해 상기 소정의 상점에 대한 상기 상점 매출 정보에 기초하여, 상기 소정의 상점에 대한 신용 정보를 추정하는 단계를 더 포함하는 것을 특징으로 하는 매출 예측 방법.
  13. 제 11항에 있어서,
    상기 전력 사용량 정보는 상점의 전력 사용량을 소정의 시간 단위로 주기적으로 측정한 것을 특징으로 하는 매출 예측 방법.
  14. 제 11항에 있어서,
    상기 상점 명세 정보는 상점의 유형, 상점의 위치, 상점의 면적 및 상점에서 사용되는 가전 제품 종류를 포함하는 것을 특징으로 하는 매출 예측 방법.
  15. 제 11항에 있어서,
    상기 기계 학습하는 단계는 상기 전력 사용량 정보에 기초하여, 소정의 시간 단위로 상점의 유효 영업 시간을 계산하는 단계를 포함하는 것을 특징으로 하는 매출 예측 방법.
  16. 제 15항에 있어서,
    상기 기계 학습하는 단계는 상기 전력 사용량 정보 및 상기 상점 명세 정보에 기초하여 상점의 단위 면적 당 전력 사용량을 계산하고;
    상기 전력 사용량 정보는 상기 단위 면적 당 전력 사용량인 것을 특징으로 하는 매출 예측 방법.
  17. 제 15항에 있어서, 상기 기계 학습하는 단계는
    상점의 유형이 동일 또는 유사한 상점들의 상기 전력 사용량 정보를 각각의 시간 별로 24개의 구성요소를 포함하는 벡터로 구현하고;
    동일 또는 유사 벡터들을 군집화하고, 각각의 군집을 대표하는 대표 벡터들을 추출하고;
    상기 대표 벡터들 각각에 대해 상기 소정의 시간 단위로 상점의 상기 유효 영업 시간을 계산하는 것을 특징으로 하는 매출 예측 방법.
  18. 제 15항에 있어서,
    상기 기계 학습하는 단계는 상기 전력 사용량 정보, 상기 상점 명세 정보, 상기 유효 영업 시간 및 상기 상점 매출 정보를 기계 학습하는 단계를 포함하는 것을 특징으로 하는 매출 예측 방법.
  19. 제 11항에 있어서,
    상기 소정의 상점에 대한 상기 전력 사용량 정보에 기초하여, 상기 학습부에 의해 소정의 시간 단위로 상기 소정의 상점에 대한 유효 영업 시간을 계산하는 단계를 더 포함하는 것을 특징으로 하는 매출 예측 방법.
  20. 제 19항에 있어서,
    상기 소정의 상점에 대한 상기 전력 사용량 정보, 상기 상점 명세 정보 및 상기 유효 영업 시간에 기초하여, 상기 학습부에 의해 상기 소정의 상점에 대한 상기 상점 매출 정보를 예측하는 단계를 더 포함하는 것을 특징으로 하는 매출 예측 방법.
  21. 제 11항 내지 제 20항 중 어느 한 항에 의한 방법을 수행하기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체.
KR1020180155009A 2017-12-26 2018-12-05 전력 사용량 기반의 매출 예측 시스템 및 그 방법 KR102284395B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018242410A JP6753919B2 (ja) 2017-12-26 2018-12-26 電力使用量に基づいた売上予測システムおよびその方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170179075 2017-12-26
KR20170179075 2017-12-26

Publications (2)

Publication Number Publication Date
KR20190088395A true KR20190088395A (ko) 2019-07-26
KR102284395B1 KR102284395B1 (ko) 2021-08-02

Family

ID=67469944

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180155009A KR102284395B1 (ko) 2017-12-26 2018-12-05 전력 사용량 기반의 매출 예측 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102284395B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102273041B1 (ko) * 2020-07-02 2021-07-06 (주)띵스파이어 전력사용량 기반 신용평가 시스템 및 방법
WO2022163956A1 (ko) * 2021-02-01 2022-08-04 테이블매니저 주식회사 인공지능 기반 매장 수요 예측 방법 및 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140018690A (ko) 2012-08-03 2014-02-13 주식회사 우리은행 대출 서비스 제공 방법, 이를 실행하는 서버 및 이를 실행하는 시스템
KR20160080814A (ko) * 2014-12-30 2016-07-08 한국전자통신연구원 전력 소모량을 기초로 오프라인 개체의 상태를 추론하는 방법
KR20170129529A (ko) * 2016-05-17 2017-11-27 김명락 유동인구 패턴정보 기반의 미래입점객수 예측방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140018690A (ko) 2012-08-03 2014-02-13 주식회사 우리은행 대출 서비스 제공 방법, 이를 실행하는 서버 및 이를 실행하는 시스템
KR20160080814A (ko) * 2014-12-30 2016-07-08 한국전자통신연구원 전력 소모량을 기초로 오프라인 개체의 상태를 추론하는 방법
KR20170129529A (ko) * 2016-05-17 2017-11-27 김명락 유동인구 패턴정보 기반의 미래입점객수 예측방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
전자신문, ‘한전 전력사용 데이터 활용해 서울형 골목상권 분석’, https://m.etnews.com/20150605000161 (2015.06.05.)* *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102273041B1 (ko) * 2020-07-02 2021-07-06 (주)띵스파이어 전력사용량 기반 신용평가 시스템 및 방법
WO2022004955A1 (ko) * 2020-07-02 2022-01-06 (주)띵스파이어 전력사용량 기반 신용평가 시스템 및 방법
WO2022163956A1 (ko) * 2021-02-01 2022-08-04 테이블매니저 주식회사 인공지능 기반 매장 수요 예측 방법 및 시스템

Also Published As

Publication number Publication date
KR102284395B1 (ko) 2021-08-02

Similar Documents

Publication Publication Date Title
Godahewa et al. Monash time series forecasting archive
Pepe et al. Combining predictors for classification using the area under the receiver operating characteristic curve
US10095774B1 (en) Cluster evaluation in unsupervised learning of continuous data
Aytac et al. Characterization of demand for short life-cycle technology products
US20140006044A1 (en) System and method for preparing healthcare service bundles
US8781767B2 (en) Systems and methods for data anomaly detection
WO2003096237A2 (en) Electronic data processing system and method of using an electronic data processing system for automatically determining a risk indicator value
US20140379310A1 (en) Methods and Systems for Evaluating Predictive Models
US20140188778A1 (en) Computer-Implemented System for Detecting Anomaly Conditions in a Fleet of Assets and Method of Using the Same
KR20150053256A (ko) 고객 데이터 해석 시스템
US20160247173A1 (en) Predicting customer lifetime value
CN109583729B (zh) 用于平台在线模型的数据处理方法和装置
Gelper et al. Multivariate out-of-sample tests for Granger causality
KR20190088395A (ko) 전력 사용량 기반의 매출 예측 시스템 및 그 방법
Zhou et al. The risk management using limit theory of statistics on extremes on the big data era
US10678865B1 (en) Predicting locations based on transaction records
CN110796379B (zh) 业务渠道的风险评估方法、装置、设备及存储介质
JP6753919B2 (ja) 電力使用量に基づいた売上予測システムおよびその方法
CN116010228B (zh) 面向网络安全扫描的时间预估方法及装置
Suleiman et al. Bayesian logistic regression approaches to predict incorrect DRG assignment
US20130317889A1 (en) Methods for assessing transition value and devices thereof
CN114723554B (zh) 异常账户识别方法及装置
Ma et al. When is the best time to reactivate your inactive customers?
US20210372647A1 (en) Method and system for automatic detection of malfunctions/inefficient household electronic heating device
WO2023181230A1 (ja) モデル分析装置、モデル分析方法、及び、記録媒体

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant