KR20200096023A - 빅데이터를 이용한 예측 결과를 생성하는 시스템 및 방법 - Google Patents

Abstract

본 개시는 빅데이터를 이용한 예측 결과를 생성하는 시스템을 제공한다. 이 시스템은, 사용자 단말기로부터 산출 데이터를 수신하고, 외부 서버로부터 복수의 기상 정보 및 복수의 지역별 통계 정보를 수집하도록 구성된 수집 모듈, 수집된 복수의 기상 정보 및 수집된 복수의 지역별 통계 정보를 메타데이터의 구조에 맞도록 변환하여 복수의 제1 기상 정보 및 복수의 제1 지역별 통계 정보를 생성하는 제1 변환 모듈, 제1 변환 모듈에서 생성된 복수의 제1 기상 정보 및 복수의 제1 지역별 통계 정보를 그룹 코드와 매칭되도록 변환하여 복수의 제2 기상 정보 및 복수의 제2 지역별 통계 정보를 생성하는 제2 변환 모듈, 제2 변환 모듈에서 생성된 복수의 제2 기상 정보 및 복수의 제2 지역별 통계 정보에 인플레 가중치를 적용하여 복수의 제3 기상 정보 및 복수의 제3 지역별 통계 정보를 생성하는 제3 변환 모듈, 복수의 제3 기상 정보 및 복수의 제3 지역별 통계 정보와 수신된 산출 데이터의 상관 관계를 분석하여 제1 예측 결과를 생성하도록 구성된 분석 모듈, 분석 모듈에 의해 생성된 제1 예측 결과와 산출 데이터와의 상관 관계를 검증하고, 상관 관계를 통해 최종 예측 결과를 생성하도록 구성된 예측 검증 모듈, 예측 검증 모듈에 의해 생성된 최종 예측 결과를 사용자 단말기에 제공하도록 구성된 출력 모듈을 포함한다.

Description

빅데이터를 이용한 예측 결과를 생성하는 시스템 및 방법{SYSTEM AND METHOD FOR GENERATING PREDICTION RESULTS USING BIG DATA}

본 개시는 빅데이터를 이용한 예측 결과를 생성하는 시스템에 관한 것으로, 보다 상세하게는, 기상 정보 및 지역별 통계 정보를 이용하여 판매량, 공정 불량률 등과 같은 예측이 가능한 빅데이터 처리 솔루션 시스템에 관한 것이다.

빅데이터란, 디지털 환경에서 생성되는 데이터로, 수치 데이터뿐만 아니라 문자와 영상 데이터를 포함하는 방대한 규모의 데이터를 말한다. 빅데이터 환경은, 과거에 비해 데이터의 양이 폭증했고, 데이터의 종류도 다양해져서 사람들의 행동은 물론 위치정보와 SNS를 통해 생각과 의견까지 분석하고 예측할 수 있다. 이러한 빅데이터 기술은, 4차산업혁명의 핵심기술로, 정부 및 업계에서 개발 투자가 활발해지고 있으며, 정부에서는 빅데이터 분야에서 높은 성장이 기대되는 산업으로 물류 및/또는 유통산업을, 유망 분야로는 트랜드 예측 분야로 전망하고 있다. 국내 유명 프랜차이즈들은, 빅데이터를 이용한 판매량 예측으로 생산량, 공급량을 조절하여 폐기량을 감소시켜 결과적으로 손실을 절감할 수 있었다. 2016년도 기준으로 전국에 5,273개의 브랜드의 4,628개의 프랜차이즈 본부와 21만9천개의 가맹점이 있으며 빅데이터의 활용은 대형 프랜차이즈를 중심으로 실무에 적용되고 있다. 또한, 이러한 빅데이터를 이용하여 공정 불량률을 분석하는 등 다양한 용도로 활용되고 있다. 특히 빅데이터의 활용 업체는 자체적인 투자와 인력을 채용하여 자체 개발을 하여 업무에 적용하고 있다.

따라서, 본 개시에서는 편의점, 요식업 프랜차이즈의 일별, 품목별 판매량 예측, 공정 불량률 등을 위한 빅데이터 활용 솔루션과 플랫폼을 개발하여 범용 온라인 서비스를 제공하고자 한다.

본 명세서에 개시되는 실시예들은, 사용자에게 빅데이터를 이용한 예측 결과를 생성하는 시스템을 제공함으로써, 수집한 빅데이터와 품목별 산출 데이터와의 상관 관계를 분석한 결과, 날씨와 공정 불량률의 상관 관계 등을 토대로 품목별 판매량, 공정 불량률을 예측할 수 있는 빅데이터를 이용한 예측 결과를 생성하는 시스템 및 방법을 제공하고자 한다.

본 개시의 일 실시예에 따른 빅데이터를 이용한 예측 결과를 생성하는 시스템은, 사용자 단말기로부터 산출 데이터를 수신하고, 외부 서버로부터 복수의 기상 정보 및 복수의 지역별 통계 정보를 수집하도록 구성된 수집 모듈, 수집된 복수의 기상 정보 및 수집된 복수의 지역별 통계 정보를 메타데이터의 구조에 맞도록 변환하여 복수의 제1 기상 정보 및 복수의 제1 지역별 통계 정보를 생성하는 제1 변환 모듈, 제1 변환 모듈에서 생성된 복수의 제1 기상 정보 및 복수의 제1 지역별 통계 정보를 그룹 코드와 매칭되도록 변환하여 복수의 제2 기상 정보 및 복수의 제2 지역별 통계 정보를 생성하는 제2 변환 모듈, 제2 변환 모듈에서 생성된 복수의 제2 기상 정보 및 복수의 제2 지역별 통계 정보에 인플레 가중치를 적용하여 복수의 제3 기상 정보 및 복수의 제3 지역별 통계 정보를 생성하는 제3 변환 모듈, 복수의 제3 기상 정보 및 복수의 제3 지역별 통계 정보와 수신된 산출 데이터의 상관 관계를 분석하여 제1 예측 결과를 생성하도록 구성된 분석 모듈, 분석 모듈에 의해 생성된 제1 예측 결과와 산출 데이터와의 상관 관계를 검증하고, 상관 관계를 통해 최종 예측 결과를 생성하도록 구성된 예측 검증 모듈, 예측 검증 모듈에 의해 생성된 최종 예측 결과를 사용자 단말기에 제공하도록 구성된 출력 모듈을 포함할 수 있다.

또한, 본 개시의 일 실시예에 따른 빅데이터를 이용한 예측 결과를 생성하는 방법은, 사용자 단말기로부터 산출 데이터를 수신하고, 외부 서버로부터 복수의 기상 정보 및 복수의 지역별 통계 정보를 수집하는 단계, 수집된 복수의 기상 정보 및 상기 수집된 복수의 지역별 통계 정보를 메타데이터의 구조에 맞도록 변환하여 복수의 제1 기상 정보 및 복수의 제1 지역별 통계 정보를 생성하는 단계, 생성된 제1 기상 정보 및 복수의 제1 지역별 통계 정보를 그룹 코드와 매칭되도록 변환하여 복수의 제2 기상 정보 및 복수의 제2 지역별 통계 정보를 생성하는 단계, 생성된 복수의 제2 기상 정보 및 복수의 제2 지역별 통계 정보에 인플레 가중치를 적용하여 복수의 제3 기상 정보 및 복수의 제3 지역별 통계 정보를 생성하는 단계, 복수의 제3 기상 정보 및 복수의 제3 지역별 통계 정보와 상기 수신된 산출 데이터의 상관 관계를 분석하여 제1 예측 결과를 생성하는 단계, 생성된 제1 예측 결과를 상기 산출 데이터와의 상관 관계를 검증하고, 상기 상관 관계를 통해 최종 예측 결과를 생성하는 단계, 최종 예측 결과를 상기 사용자단말기에 제공하는 단계를 포함할 수 있다.

본 개시의 일 실시예에 따른 빅데이터를 이용한 예측 결과를 생성하는 시스템은, 기상 정보 및/또는 지역별 통계 정보와 판매량 및/또는 공정 불량률과의 상관관계를 분석하여 판매량 및/또는 공정 불량률을 예측함으로써 유통 기한으로 폐기되는 상품 및 식자재의 비용 문제를 해소하거나, 공장의 생산량을 조절하고 마케팅 자료로 이용하여 비용 절감 및 매출 증대의 효과를 볼 수 있다.

본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효고들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 개시의 일 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른 사용자 단말기를 이용하여 품목별 산출 데이터를 입력함에 따라 품목별 예측 결과가 출력된 시스템의 예시도이다.
도 2는 본 개시의 일 실시예에 따른 빅데이터를 이용하여 결과를 예측하기 위한 컴퓨팅 장치의 개략도이다.
도 3은 본 개시의 일 실시예에 따른 서버장치의 개략도이다.
도 4는 본 개시의 일 실시예에 따른 기상 정보 DB에서 보유하고 있는 기상 정보의 예를 나타낸 것이다.
도 5는 본 개시의 일 실시예에 따른 지역별 통계 정보 DB에서 보유하고 있는 지역별 통계 정보의 예를 나타낸 것이다.
도 6은 본 개시의 일 실시예에 따른 산출 데이터 DB에서 보유하고 있는 산출 데이터의 예를 나타낸 것이다.
도 7은 본 개시의 일 실시예에 따른 제1 예측 결과를 생성하는 인공신경망을 나타내는 구조도이다.
도 8은 본 개시의 일 실시예에 따른 제1 예측 결과를 검증하여 최종 예측 결과를 생성하는 인공신경망을 나타내는 구조도이다.
도 9는 본 개시의 일 실시예에 따른 빅데이터를 이용한 결과를 예측하는 과정을 나타내는 순서도이다.
도 10은 본 개시의 일 실시예에 따른 데이터베이스 정보를 출력하는 인터페이스 화면을 나타내는 예시도이다.
도 11은 본 개시의 일 실시예에 따른 판매 데이터 정보를 출력하는 인터페이스 화면을 나타내는 예시도이다.
도 12는 본 개시의 일 실시예에 따른 빅데이터와 판매 데이터의 상관 관계를 분석하는 인터페이스 화면을 나타내는 예시도이다.
도 13은 본 개시의 일 실시예에 따른 품목별 예측 판매량 및/또는 예측 공정 불량률을 출력하는 인터페이스 화면을 나타내는 예시도이다.

이하, 첨부된 도면을 참조하여 본 개시의 실시예들을 상세히 설명한다. 다만, 통상의 기술자는 이들 도면에 관해 여기에 주어진 상세한 설명이 예시의 목적을 위함이며, 본 개시는 이들 제한된 실시예들을 넘어 확장된다는 것을 쉽게 이해할 것이다.

첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응하는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.

도 1은 본 개시의 일 실시예에 따른 사용자 단말기를 이용하여 품목별 산출 데이터를 입력함에 따라 품목별 예측 결과가 출력된 시스템의 예시도이다. 사용자는, 사용자 단말기(110)의 인터페이스(예를 들어, 터치 디스플레이, 키보드, 마우스, 터치펜, 또는 스틸러스, 마이크로폰, 동작 인식 센서 등)를 통하여 품목별 산출 데이터를 입력하여 예측 결과의 출력을 요청할 수 있다. 예를 들어, 예측 결과의 출력은, 품목별 예측 판매량 및/또는 품목별 공정 불량률 정보와 함께 날씨 정보를 포함할 수 있다.

일 실시예에서는, 사용자는 품목별 산출 데이터를 입력하기 위해 사용자 단말기(110)의 산출 데이터 입력 화면(112)에 품목 명칭, 단위, 중량, 사용자 코드, 바코드, 판매 날짜, 판매 시간, 출고율, 공정 불량률 등의 산출 데이터를 입력할 수 있다. 산출 데이터 입력이 완료되면, 산출 데이터 입력 화면(112)은, 예측 결과 화면(114)으로 변경되고, 예측 결과가 출력될 수 있다. 예측 결과는, 사용자가 입력한 품목별 산출 데이터와 데이터베이스에 저장된 기상 정보, 지역별 통계 정보를 분석하여 생성된 정보로, 날짜 및/또는 품목별로 정렬되어 예측 결과 화면(114)에 출력될 수 있다.

도 2는 본 개시의 일 실시예에 따른 빅데이터를 이용하여 결과를 예측하기 위한 컴퓨팅 장치의 개략도이다. 도 2에 도시된 시스템은, 사용자 단말기(110)로부터 사용자가 입력한 정보를 입력 받아 통신 네트워크(210)를 이용하여 서버장치(240)로 예측 결과의 출력을 요청할 수 있다. 여기서, 사용자 단말기(110)는, 사용자로부터 품목별 산출 데이터를 수신할 수 있는 사용자 인터페이스를 구비한 적절한 단말 장치일 수 있다. 예를 들어, 단말기(110)의 사용자 인터페이스는, 터치 디스플레이, 키보드, 마우스, 터치 펜 또는 스틸러스, 마이크로폰, 동작 인식 센서 등 중의 하나 이상을 포함할 수 있으나, 이에 한정되는 것은 아니다. 한편, 단말기(110)는, 포스 단말기, 개인용 컴퓨터, 스마트폰, 태블릿 컴퓨터 등 중의 어느 하나일 수 있으나, 이에 한정되는 것은 아니다.

서버장치(240)는, 통신 네트워크(210)를 통해, 기상청 서버(220)와 통계청 서버(230)로부터 주기적으로 또는 비주기적으로(예를 들어, 실시간으로) 기상 정보 및 지역별 통계 정보를 제공받아 데이터베이스에 저장할 수 있다. 서버장치(240)는, 기상 정보 및 지역별 통계 정보를 데이터베이스에서 읽어올 수 있고, 이와 같이 읽어온 정보와 사용자가 입력한 품목별 산출 데이터에 기초하여 예측 결과를 생성할 수 있다. 여기서 서버장치(230)는, 유선 또는 무선 네트워크를 통해 다른 장치와 통신할 수 있는 컴퓨팅 장치로서, CPU(central processing unit), GPU(graphic processing unit), DSP(digital signal processor) 등 중의 어느 하나를 이용하여 연산 동작을 수행할 수 있는 컴퓨팅 장치일수 있으나, 이에 한정되는 것은 아니다. 서버장치(240)는, 예측 결과 통신 네트워크(210)를 통해 사용자 단말기(110)로 제공할 수 있으며, 이렇게 생성된 예측 결과 정보를 품목별로 정렬하여 데이터베이스에 저장할 수 있다.

도 3은 본 개시의 일 실시예에 따른 서버장치의 개략도이다. 이하에서는, 서버장치(240)의 구성요소들에 대하여 좀 더 상세히 설명한다. 도 3에 도시된 바와 같이, 서버장치(240)는, 통신 모듈(310), 프로세서(320), 데이터베이스 (340)를 포함할 수 있다. 프로세서(320)는, 수집 모듈(322), 제1 변환 모듈(324), 제2 변환 모듈(326), 제3 변환 모듈(328), 분석 모듈(330), 예측 검증 모듈(332), 출력 모듈(334)을 포함할 수 있고, 데이터베이스(340)는, 기상 정보 DB(342), 지역별 통계 정보 DB(344), 산출 데이터 DB(346)를 포함할 수 있다. 도 2에 도시된 서버장치(240)는, 도 3에 도시된 서버장치(240)의 기능 또는 구성요소들을 포함할 수 있다. 또한, 서버장치(240)의 기능 또는 구성 요소들 중에서, 앞서 상술한 도 2에서 설명된 것과 동일한 부재번호 또는 명칭을 갖는 구성요소들에 대해서는, 반복을 피하기 위해 상세한 설명을 생략할 수 있으며, 변경 또는 추가적인 부분만 설명할 수 있다.

데이터베이스(340)는, 날짜별 기온, 날씨, 미세먼지, 체감 온도 등이 분류되어 저장되는 기상 정보 DB(342), 지역별 고용률, 실업률, 음주율, 흡연률, 외국인 수, 대학생 수 등이 분류되어 저장되는 지역별 통계 정보 DB(344) 및 사용자가 입력한 품목별 산출 데이터가 분류되어 저장되는 산출 데이터 DB(346)를 포함할 수 있다. 서버장치(240)는, 기상청 서버(220) 및/또는 통계청 서버(230)로부터 주기적으로 또는 비주기적으로(예를 들어, 실시간으로) 기상 정보 및 지역별 통계 정보를 제공받아 각각 기상 정보 DB(342), 지역별 통계 정보 DB(344)에 저장할 수 있다.

서버장치(240)는, 생성된 예측 결과 정보를 통신 네트워크(210)를 통하여 단말기(110)로 제공할 수 있으며, 이렇게 생성된 예측 결과 정보를 품목별로 정렬하여 산출 데이터 DB에 저장할 수 있다. 도 3에서는, 데이터 베이스(340)가 서버장치(240)에 포함하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 구현예에 따라서 데이터베이스가 서버장치(240)외부에 별도로 존재하여 통신 네트워크(210)로 연결될 수 있다.

통신 모듈(310)은, 사용자 단말기(110)로부터 예측 결과의 출력 요청을 수신할 수 있고, 출력 요청에 응답하여 분석 모듈(330) 및/또는 예측 검증 모듈(332)에 의해 생성된 예측 결과를 사용자 단말기(110)로 전송할 수 있다. 예측 결과의 출력 요청은, 사용자가 사용자 단말기(110)를 이용하여 입력한, 사용자가 판매하고 있는 품목별 산출 데이터를 포함할 수 있다. 통신 모듈(310)은, 이러한 사용자 입력정보를 포함하는 예측 결과의 출력 요청을 프로세서(320)로 전송할 수 있다.

일 실시예에서, 사용자는, 사용자 단말기(110)를 통해 예측 결과의 출력을 요청할 수 있다. 예를 들어, 사용자가 사용자 단말기(110)를 이용하여 품목별 산출 데이터(ex 2019년 03월 02일 우유 50개, 2019년 03월 02일 도시락 20개, 2019년 03월 02일 우산 10개)를 입력하고, 예측 결과의 출력을 요청하게 되면, 통신 모듈(310)은, 품목별 산출 데이터(ex "2019년 03월 02일 우유 50개", "2019년 03월 02일 도시락 20개", "2019년 03월 02일 우산 10개")를 서버장치(240)의 프로세서(320)로 전송할 수 있다.

수집 모듈(322)은, 기상청 서버(220)와 통계청 서버(230)같은 외부 서버로부터 복수의 기상 정보 및 복수의 지역별 통계 정보를 수집하고, 사용자 단말기로부터 품목별 산출 데이터를 수신할 수 있다. 기상 정보는, 기온, 강수량, 대기오염, 온실가스, 체감온도, 자외선지수, 불쾌지수, 동파가능지수 등과 같은 정보일 수 있다. 지역별 통계 정보는, 나이대별 성별인구, 고용률, 실업률, 경제활동지수, 월세지수, 전세지수, 주택수, 사업체수, 아파트매매가격, 재정자립도, 공무원인원, 보육시설수, 음주률, 흡연율, 문화기반시설수, 자살률, 이혼율, 1인가구비율, 소년소녀가장비율, 사설학원 수, 유치원 원아수, 초등학생 수, 대학생수, 외국인수 등과 같은 정보일 수 있다. 품목별 산출 데이터는, 사용자가 사용자 단말기(110)로 입력한 정보로, 품목 명칭, 단위, 중량, 사용자 코드, 바코드, 판매 날짜, 판매 시간, 판매량, 출고율, 공정 불량률 등의 정보일 수 있다. 수집 모듈(322)에 의해 수집된 기상 정보, 지역별 통계 정보, 품목별 산출 데이터는, 기상 정보 DB(342), 지역별 통계 정보 DB(344), 산출 데이터 DB(346)에 각각 저장될 수 있다.

일 실시예에서, 수집 모듈(322)은, API 방식 또는 파일 다운로드 방식으로 기상청 서버(220)와 통계청 서버(230)에서 정보를 수집할 수 있다. 이때, 수집 모듈(322)은, 사용자가 예상 결과의 출력을 요청할 당시의 날짜를 기준으로, 그 후의 정보를 수집할 수 있다. 예를 들어, 사용자가 2019년 03월 02일에 예상 결과의 출력을 요청하였다면, 수집 모듈(322)은, 기상청 서버(220) 및/또는 통계청 서버(230)로부터 2019년 03월 02일 이후의 정보(ex 2019년 03월 03일의 날씨, 2019년 03월 02일 이후의 통계 정보)를 수집할 수 있다.

제1 변환 모듈(324)은, 수집 모듈(322)에서 수집한 기상 정보 및 지역별 통계 정보를 메타데이터의 구조에 맞도록 변환하여 제1 기상 정보 및 제1 지역별 통계 정보를 생성할 수 있다. 메타데이터는, 빅데이터와 같은 대량의 정보 중에서, 찾고 있는 정보를 효율적으로 찾아내서 이용하기 위해 또는 용이한 분석을 위해 일정한 규칙에 따라 부여되는 데이터로, 데이터를 빨리 찾기 위한 목적으로 사용될 수 있다. 제1 변환 모듈(324)은, 용이한 분석과 사용자가 원하는 특정 데이터를 쉽게 찾아낼 수 있도록 기상 정보 및 지역별 통계 정보를 메타데이터의 구조에 맞게 변환하여 제1 기상 정보 및 제1 지역별 통계 정보를 생성할 수 있다.

제2 변환 모듈(326)은, 제1 변환 모듈(324)에서 생성된 제1 기상 정보 및 제1 지역별 통계 정보를 그룹 코드와 매칭되도록 변환하여 제2 기상 정보 및 제2 지역별 통계 정보를 생성할 수 있다. 그룹 코드는, 메타데이터와 마찬가지로 빅데이터와 같은 대량의 정보 중에서, 찾고 있는 정보를 효율적으로 찾아내서 이용하기 위해 또는 용이한 분석을 위해 데이터를 그룹화하여 코드를 부여한 것으로, 빠르게 데이터를 검색할 수 있다. 제2 변환 모듈(326)은, 지역 코드, 외국인 코드와 같은 그룹 코드를 제1 기상 정보 및 제1 지역별 통계 정보와 매칭시켜 제2 기상 정보 및 제2 지역별 통계 정보를 생성할 수 있다.

일 실시예에서, 제1 변환 모듈(324) 및/또는 제2 변환 모듈(326)은, 기상 정보 및 지역별 통계 정보를 메타데이터의 구조에 맞게 변환한 후, 그룹 코드와 매칭할 수 있다. 예를 들어, 기상청 서버(220)에서 "2019년 03월 04일의 날씨는 "비", 미세먼지 농도 매우 나쁨"과 같은 정보를 수집했다면, 해당 정보를 메타데이터의 구조에 맞게 변환한 후, "2019년 03월 04일"의 날짜 코드를 매칭할 수 있다. 다른 예에서, 통계청 서버(230)에서 "서울 지역 흡연률 90%, 서울 지역 음주율 70%"와 같은 정보를 수집했다면, 해당 정보를 메타데이터의 구조에 맞게 변환한 후, "서울"의 지역 코드를 매칭할 수 있다.

제3 변환 모듈(328)은, 제2 변환 모듈(326)에서 생성한 제2 기상 정보 및 제2 지역별 통계 정보에 인플레 가중치를 적용하여 제3 기상 정보 및 제3 지역별 통계 정보를 생성할 수 있다. 인플레 가중치는, 품목의 상대적 중요도에 따라 가중치를 적용하는 것으로, 그 품목이 전체 가구의 소비지출에서 차지하는 비중에 따라 달라질 수 있다. 제2 기상 정보 및 제2 지역별 통계 정보에 인플레 가중치를 적용하여, 예측 결과를 더욱 정확히 생성 가능한 제3 기상 정보 및 제3 지역별 통계 정보를 생성할 수 있다.

일 실시예에서, 제3 변환 모듈(328)은, 제2 기상 정보 및 제2 지역별 통계 정보에 인플레 가중치를 적용할 수 있다. 예를 들어, 가중치가 2.4인 라면은, 가중치가 1.5인 소시지보다 가중치가 높기 때문에, 예측 결과는, 라면이 소시지보다 높게 산출될 수 있다.

외부 서버로부터 데이터베이스에 저장된 기상 정보 및 지역별 통계 정보는, 제1 변환 모듈(324), 제2 변환 모듈(326), 제3 변환 모듈(328)을 통해 그룹화되거나 가중치가 적용되도록 변환될 수 있다. 이때, 기상 정보 및 지역별 통계 정보는, 제1 변환 모듈(324), 제2 변환 모듈(326), 제3 변환 모듈(328) 중 적어도 하나의 변환 모듈에 의해 변환될 수 있고, 세 가지의 변환 모듈 모두를 거쳐 변환될 수 있다.

분석 모듈(330)은, 제3 변환 모듈(328)에 의해 생성된 제3 기상 정보 및 제3 지역별 통계 정보와 수집 모듈(322)을 통해 수집한 품목별 산출 데이터의 상관 관계를 분석하여 제1 예측 결과를 생성할 수 있다. 제3 기상 정보, 제3 지역별 통계 정보 및 품목별 산출 데이터는, 인공신경망의 입력층에 입력되어 제1 예측 결과를 추출하는 인공신경망이 생성될 수 있다. 예를 들어, 인공신경망은, 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning) 및 준지도 학습(Semi-supervised Learning) 중 적어도 하나를 통하여 제1 예측 결과 정보를 추출할 수 있다. 인공신경망 기반의 학습 방법을 이용하여 제3 변환 모듈(328)에서 생성한 제3 기상 정보, 제3 지역별 통계 정보와 사용자가 사용자 단말기(110)를 통해 입력한 품목별 산출 데이터를 분석하고, 이를 바탕으로 제1 예측 결과 정보를 추출할 수 있다. 인공신경망의 입력층에 입력되는 입력 변수는, 제3 기상 정보, 제3 지역별 통계 정보, 품목별 산출 데이터를 나타내는 벡터가 될 수 있다. 예를 들어, 제3 기상 정보, 제3 지역별 통계 정보, 품목별 산출 데이터의 카테고리를 각각 하나의 벡터 요소로 구성할 수 있다. 한편, 인공신경망의 출력층에서 출력되는 출력변수는, 일 실시예에 따르면, 분석 모듈(330)에 의해 분석된 품목별 예측 결과를 나타내는 제1 예측 결과 정보가 될 수 있다. 분석 모듈(330)은, 이러한 입력 변수 및 출력 변수들을 이용하여 인공신경망을 학습시킬 수 있다.

일 실시예에서, 제1 변환 모듈, 제2 변환 모듈, 제3 변환 모듈을 통해 변환이 완료된 기상 정보 및 지역별 통계 정보는 사용자가 사용자 단말기(110)를 통해 입력한 품목명, 시간대별 판매량, 날짜별 판매량과 같은 품목별 판매량 정보와 함께 제1 예측 결과를 추출하는데 사용될 수 있다.

예측 검증 모듈(332)은, 분석 모듈(330)에서 생성된 제1 예측 결과와 사용자가 사용자 단말기(110)를 통해 입력한 품목별 판매량의 상관 관계를 검증하고, 상관 관계를 통해 최종 예측 결과를 생성할 수 있다. 이때, 예측 검증 모듈(332)은, 분석 모듈(330)과 마찬가지로, 제1 예측 결과와 품목별 판매량을 인공신경망의 입력층에 입력하여 최종 예측 결과를 추출하는 인공신경망을 생성할 수 있다. 예를 들어, 인공신경망은, 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning) 및 준지도 학습(Semi-supervised Learning) 중 적어도 하나를 통하여 최종 예측 결과 정보를 추출할 수 있다. 인공신경망 기반의 학습 방법을 이용하여 분석 모듈(330)에서 생성한 제1 예측 결과와 사용자가 사용자 단말기(110)를 통해 입력한 품목별 산출 데이터를 분석하여 상관 관계를 검증하고, 이를 바탕으로 최종 예측 결과 정보를 추출할 수 있다. 인공신경망의 입력층에 입력되는 입력 변수는, 제1 예측 결과와 품목별 산출 데이터를 나타내는 벡터가 될 수 있다. 예를 들어, 제1 예측 결과와 품목별 산출 데이터의 카테고리를 각각 하나의 벡터 요소로 구성할 수 있다. 한편, 인공신경망의 출력층에서 출력되는 출력변수는, 일 실시예에 따르면, 예측 검증 모듈(332)에 의해 상관 관계가 검증된 최종 예측 결과를 나타내는 최종 예측 결과 정보가 될 수 있다. 예측 검증 모듈(332)은, 이러한 입력 변수 및 출력 변수들을 이용하여 인공신경망을 학습시킬 수 있다.

일 실시예에서, 분석 모듈(330)을 통해 추출된 제1 예측 결과와 품목별 산출 데이터는, 인공신경망의 입력층에 입력되어 상관 관계가 검증될 수 있다. 인공신경망에 의한 상관 관계 검증을 통해, 예측 검증 모듈(332)은, 검증된 최종 예측 결과를 생성할 수 있다.

다른 실시예에 따르면, 제1 예측 결과와 품목별 산출 데이터의 상관 관계를 분석하기 위해, 예측 결과를 생성하도록 구성된, 예측 및/또는 분석 시스템에 사용되는 임의의 라이브러리가 사용될 수 있다. 예를 들어, 파이썬(Python)의 텐서플로우(TensorFlow) 및/또는 판다스 라이브러리(Pandas Library)를 사용할 수 있다.

또 다른 예에서, 최종 예측 판매량의 검증을 위해, 샘플 데이터를 입력하거나, 예측 계수, 검정 수치와의 비교 분석을 통해 최종 예측 결과를 검증할 수 있다.

출력 모듈(334)은, 예측 검증 모듈(332)에서 생성된 최종 예측 결과를 출력하도록 구성될 수 있다. 여기서, 최종 예측 결과는, 사용자 단말기(110)에 제공되어 출력될 수 있는데, 품목별 정보, 상관 관계 분석 정보, 품목별 예측 결과 정보가 함께 포함되어 출력될 수 있으나, 이에 한정되는 것은 아니다.

실시 예에서, 사용자 단말기(110)는, 출력 모듈(334)을 통해 예측 결과 정보를 출력할 수 있다. 예를 들어, "날씨 - 비, 우산의 예측 판매량 - 50개, 유자차 - 20개", "미세먼지 농도 - 매우 나쁨, 마스크의 예측 판매량 - 100개, 생강차 - 10개"와 같은 판매량 관련 예측 결과를 사용자 단말기(110)에 출력할 수 있다. 다른 예에서, "날씨 - 비, 습도 - 90%, 모니터 불량률 2%", "날씨 - 비, 습도 - 80%, 비스켓 불량률 20%"와 같은 공정 불량률 관련 예측 결과를 사용자 단말기(110)에 출력할 수 있다.

도 4는 본 개시의 일 실시예에 따른 기상 정보 DB에서 보유하고 있는 기상 정보의 예를 나타낸 것이다. 기상 정보 DB는, 기상청 서버(220)에서 수집한 기상 정보를 포함할 수 있다. 기상 정보는, 날짜별 기온, 날씨, 미세먼지 농도, 체감 온도, 강수량, 대기오염, 온실가스, 자외선지수, 불쾌지수, 동파가능지수를 포함할 수 있다. 이때, 기상 정보는, 기상청 서버(220)로부터 주기적으로 또는 비주기적으로(예를 들어, 실시간으로, 사용자가 예측 결과의 출력을 요청하였을 때) 기상 정보를 제공받아 데이터베이스에 저장할 수 있다.

도 5는 본 개시의 일 실시예에 따른 지역별 통계 정보 DB에서 보유하고 있는 지역별 통계 정보의 예를 나타낸 것이다. 지역별 통계 정보 DB는, 통계청 서버(230)에서 수집한 지역별 통계 정보를 포함할 수 있다. 지역별 통계 정보는, 나이대별 성별 인구, 고용률, 실업률, 경제활동인구, 월세지수, 전세지수, 주택수, 사업체수, 아파트매매가격, 재정자립도, 공무원인원, 보육시설수, 음주률, 흡연율, 문화기반시설수, 자살률, 이혼율, 1인가구비율, 소년소녀가장비율, 사설학원 수, 유치원 원아수, 초등학생 수, 대학생 수, 외국인 수를 포함할 수 있다. 이때, 지역별 통계 정보는, 통계청 서버(230)로부터 주기적으로 또는 비주기적으로(예를 들어, 실시간으로, 사용자가 예측 결과의 출력을 요청하였을 때) 지역별 통계 정보를 제공받아 데이터베이스에 저장할 수 있다.

도 6은 본 개시의 일 실시예에 따른 산출 데이터 DB에서 보유하고 있는 산출 데이터의 예를 나타낸 것이다. 산출 데이터 DB는, 사용자가 사용자 단말기(110)를 통해 입력한 품목별 산출 데이터를 포함할 수 있다. 품목별 산출 데이터는, 품목 명칭, 단위, 중량, 사용자코드, 바코드, 판매 날짜, 판매 시간, 시간대별 판매량, 날짜별, 판매량, 지역별 판매량, 연령별 판매량, 출고율, 공정 불량률을 포함할 수 있다.

도 7은 본 개시의 일 실시예에 따른 제1 예측 결과를 추출하는 인공신경망을 나타내는 구조도이고, 도 8은 본 개시의 일 실시예에 따른 제1 예측 결과를 검증하여 최종 예측 결과를 생성하는 인공신경망을 나타내는 구조도이다. 인공신경망(700, 800)은, 머신러닝(Machine Learning) 기술과 인지과학에서, 생물학적 신경망의 구조에 기초하여 구현된 통계학적 학습 알고리즘 또는 그 알고리즘을 실행하는 구조이다. 즉, 인공신경망(700, 800)은, 생물학적 신경망에서 와 같이 시냅스의 결합으로 네트워크를 형성한 인공 뉴런인 노드(Node)들이 시냅스의 가중치를 반복적으로 조정하여, 특정 입력에 대응한 올바른 출력과 추론된 출력 사이의 오차가 감소되도록 학습함으로써, 문제 해결 능력을 가지는 머신러닝 모델을 나타낸다.

일반적으로, 인공신경망은 다층의 노드들과 이들 상이의 연결로 구성된 다층 퍼셉트론(MLP: multilayer perceptron)으로 구현된다. 본 실시예에 따른 인공신경망(700, 800)은 MLP를 포함하는 다양한 인공신경망 구조들 중의 하나를 이용하여 구현될 수 있다. 도 7 및 도 8에 도시된 바와 같이, 인공신경망(700, 800)은, 외부로부터 입력 신호 또는 데이터(710, 712, 714, 810, 812)를 수신하는 입력층(720, 820), 입력 데이터에 대응한 출력 신호 또는 데이터(750, 850)를 출력하는 출력층(740, 840), 입력층(720, 820)과 출력층(740, 840) 사이에 위치하며 입력층(720, 820)으로부터 신호를 받아 특성을 추출하여 출력층(740, 840)으로 전달하는 n개의 은닉층(730_1 내지 730_n, 830_1 내지 830_n)으로 구성된다. 여기서, 출력층(740, 840)은, 은닉층(730_1 내지 730_n, 830_1 내지 830_n)으로부터 신호를 받아 외부로 출력한다.

일반적으로, 인공신경망(700, 800)의 학습 방법에는, 교사 신호(정답)의 입력에 의해서 문제의 해결에 최적화되도록 학습하는 지도 학습(Supervised Learning)방법, 교사 신호를 필요로 하지 않는 비지도 학습(Unsupervised Learning)방법, 지도 학습과 비지도 학습을 함께 이용하는 준 지도 학습(Semi-supervised Learning)방법이 있다. 도 7 및 도 8에 도시된 빅데이터를 이용하여 결과를 예측하는 시스템은, 예측 결과를 생성하기 위하여 지도 학습(Supervised Learning)방법, 비지도 학습(Unsupervised Learning)방법, 준 지도 학습(Semi-supervised Learning)방법 중 적어도 하나 이상의 방법을 이용하여, 예측 결과를 생성하는 인공신경망(700, 800)을 학습시킬 수 있다. 이렇게 학습된 인공신경망(700, 800)은, 사용자의 예측 결과의 출력 요청에 응답하여 최종 예측 결과를 제공할 수 있다.

일 실시예에서, 도 7에 도시된 바와 같이, 제1 예측 결과를 생성할 수 있는 인공신경망(700)의 입력 변수는, 제3 변환 모듈(328)에서 변환된 제3 기상 정보, 제3 지역별 통계 정보, 품목별 산출 데이터의 카테고리를 각각 하나의 벡터 데이터요소로 구성한, 제3 기상 정보 벡터(710), 제3 지역별 통계 정보 벡터(712), 품목별 산출 데이터 벡터(714)가 될 수 있다.

예를 들어, 사용자가 사용자 단말기(110)를 통해 예측 결과의 출력을 요청하였을 때, "2019년 4월 14일 - "우산" 예측 판매량 35개"라는 제1 예측 판매량이 생성되었다고 가정하자. 이때, 제1 예측 판매량을 생성하고자 한다면, "2019년 4월 14일 - "우산" 예측 판매량 35개"와 관련된 제3 기상 정보, 제3 지역별 통계 정보, 품목별 산출 데이터와 같은 요소들에는 1의 값을 할당하고, 나머지 요소들에는 0의 값을 할당할 수 있다.

한편, 인공신경망(700)의 출력층(740)에서 출력되는 출력변수는, 분석 모듈(330)에 의해 생성된 제1 예측 결과를 나타내는 벡터가 될 수 있다. 일 실시예에 따르면, 출력변수는, 제1 예측 결과 벡터(750)로 구성될 수 있다. 이러한 출력변수는, 최종 결과를 예측하는 인공신경망(800)의 입력변수로 작용할 수 있다. 본 개시에 있어서 인공신경망 (700)의 입력변수 및 출력변수는, 이상에서 설명한 유형에 한정되지 않을 수 있다.

이와 같이 인공신경망(700)의 입력층(720)과 출력층(740)에 복수의 입력변수와 대응되는 출력변수를 각각 매칭시켜, 입력층(720), 은닉층(730_1 내지 730_n) 및 출력층(740)에 포함된 노드들 사이의 시냅스 값을 조정함으로써, 특정 입력에 대응한 올바른 출력을 추론할 수 있도록 학습할 수 있다. 이러한 학습과정을 통해, 인공신경망(700)의 입력변수에 숨겨져 있는 특성을 파악할 수 있고, 입력변수에 기초하여 계산된 출력변수와 목표 출력 간의 오차가 줄어들도록 인공신경망(700)의 노드들 사이의 시냅스 값(또는 가중치)를 조정할 수 있다. 이렇게 학습된 인공신경망(700)을 이용하여, 제1 예측 결과를 생성할 수 있다.

한편, 도 8에 도시된 인공신경망을 이용하여 최종 예측 결과를 생성하는 시스템은, 최종 예측 결과를 생성하기 위하여 지도 학습(Supervised Learning)방법, 비지도 학습(Unsupervised Learning)방법, 준 지도 학습(Semi-supervised Learning)방법 중 적어도 하나 이상의 방법을 이용하여, 최종 예측 결과를 제공하는 인공신경망(800)을 학습시킬 수 있다. 이렇게 학습된 인공신경망(800)은, 사용자의 예측 결과 출력 요청에 응답하여, 분석 모듈(330)에서 생성한 제1 예측 결과의 검증을 실행한 후 최종 예측 결과를 제공할 수 있다.

일 실시예에서는, 도 8에 도시된 바와 같이, 인공신경망(800)의 입력 변수는, 분석 모듈(330)에서 생성한 제1 예측 결과 정보와 사용자가 사용자 단말기(110)로 입력한 품목별 산출 데이터의 카테고리를 각각 하나의 벡터 데이터 요소로 구성한, 제1 예측 결과 정보 벡터(810), 품목별 산출 데이터 벡터(812)를 포함할 수 있다.

예를 들어, 사용자가 사용자 단말기(110)를 통해 예측 결과의 출력을 요청하였을 때, 분석 모듈(330)을 통해 "2019년 4월 14일 - "우산" 예측 판매량 35개"이란 제1 예측 결과가 생성되었다고 가정하자. 이때, 예측 검증 모듈(332)은, 제1 예측 결과의 상관 관계를 검증하고, 검증된 상관 관계를 통해 최종 예측 결과를 생성할 수 있다. 최종 예측 결과를 생성하기 위해 제1 예측 결과 정보, 품목별 산출 데이터와 같은 요소들에는 1의 값을 할당하고, 나머지 가이드들의 요소들에는 0의 값을 할당할 수 있다. 한편, 인공신경망(800)의 출력층(840)에서 출력되는 출력변수는, 예측 검증 모듈(332)에서 생성된 최종 예측 결과를 나타내는 벡터가 될 수 있다. 일 실시예에 따르면, 출력 변수는, 최종 예측 결과 벡터(850)로 구성될 수 있다. 본 개시에 있어서 인공신경망(800)의 입력 변수 및 출력 변수는, 이상에서 설명한 유형에 한정되지 않을 수 있다.

이와 같이 인공신경망(800)의 입력층(820)과 출력층(840)에, 복수의 입력변수와 대응되는 출력변수를 각각 매칭시켜, 입력층(820), 은닉층(830_1 내지 830_n) 및 출력층(840)에 포함된 노드들 사이의 시냅스 값을 조정함으로써, 특정 입력에 대응한 올바른 출력을 추론할 수 있도록 학습할 수 있다. 이러한 학습과정을 통해, 인공신경망(800)의 입력변수에 숨겨져 있는 특성을 파악할 수 있고, 입력변수에 기초하여 계산된 출력변수와 목표 출력 간의 오차가 줄어들도록 인공신경망(800)의 노드들 사이의 시냅스 값(또는 가중치)를 조정할 수 있다. 이렇게 학습된 인공신경망(800)을 이용하여, 최종 예측 결과를 생성할 수 있다.

도 9는 본 개시의 일 실시예에 따른 빅데이터를 이용한 결과를 예측하는 과정을 나타내는 순서도이다. 빅데이터를 이용하여 결과를 예측하는 과정은, 사용자 단말기로부터 산출 데이터를 수신하고, 외부 서버로부터 기상 정보 및 지역별 통계 정보를 수집하는 단계(S910)로 개시될 수 있다. 수집 모듈(322)은, 기상청 서버(220)와 통계청 서버(230)같은 외부 서버로부터 복수의 기상 정보 및 복수의 지역별 통계 정보를 수집하고, 사용자 단말기로부터 품목별 산출 데이터를 수신할 수 있다. 기상 정보는, 기온, 강수량, 대기오염, 온실가스, 체감온도, 자외선지수, 불쾌지수, 동파가능지수 등과 같은 정보일 수 있다. 지역별 통계 정보는, 나이대별 성별인구, 고용률, 실업률, 경제활동지수, 월세지수, 전세지수, 주택수, 사업체수, 아파트매매가격, 재정자립도, 공무원인원, 보육시설수, 음주률, 흡연율, 문화기반시설수, 자살률, 이혼율, 1인가구비율, 소년소녀가장비율, 사설학원 수, 유치원 원아수, 초등학생 수, 대학생수, 외국인수 등과 같은 정보일 수 있다. 품목별 산출 데이터는, 사용자가 사용자 단말기(110)로 입력한 정보로, 품목 명칭, 단위, 중량, 사용자 코드, 바코드, 판매 날짜, 판매 시간, 출고율, 공정 불량률 등의 정보일 수 있다. 수집 모듈(322)에 의해 수집된 기상 정보, 지역별 통계 정보, 품목별 산출 데이터는, 기상 정보 DB(342), 지역별 통계 정보 DB(344), 산출 데이터 DB(346)에 각각 저장될 수 있다.

정보 수집이 완료되면, 제1 변환 모듈(324)에 의해, 수집한 기상 정보 및 지역별 통계 정보를 메타데이터의 구조에 맞게 변환하여 제1 기상 정보 및 제1 지역별 통계 정보를 생성할 수 있다(S920). 제1 변환 모듈(324)은, 수집 모듈(322)에서 수집한 기상 정보 및 지역별 통계 정보를 메타데이터의 구조에 맞도록 변환하여 제1 기상 정보 및 제1 지역별 통계 정보를 생성할 수 있다. 메타데이터는, 빅데이터와 같은 대량의 정보 중에서, 찾고 있는 정보를 효율적으로 찾아내서 이용하기 위해 또는 용이한 분석을 위해 일정한 규칙에 따라 부여되는 데이터로, 데이터를 빨리 찾기 위한 목적으로 사용될 수 있다. 제1 변환 모듈(324)은, 용이한 분석과 사용자가 원하는 특정 데이터를 쉽게 찾아낼 수 있도록 기상 정보 및 지역별 통계 정보를 메타데이터의 구조에 맞게 변환하여 제1 기상 정보 및 제1 지역별 통계 정보를 생성할 수 있다.

그 후, 제2 변환 모듈(326)을 통해, 제1 기상 정보 및 제1 지역별 통계 정보를 그룹 코드와 매칭되도록 변환하여 제2 기상 정보 및 제2 지역별 통계 정보를 생성할 수 있다(S930). 제2 변환 모듈(326)은, 제1 변환 모듈(324)에서 생성된 제1 기상 정보 및 제1 지역별 통계 정보를 그룹 코드와 매칭되도록 변환하여 제2 기상 정보 및 제2 지역별 통계 정보를 생성할 수 있다. 그룹 코드는, 메타데이터와 마찬가지로 빅데이터와 같은 대량의 정보 중에서, 찾고 있는 정보를 효율적으로 찾아내서 이용하기 위해 또는 용이한 분석을 위해 데이터를 그룹화하여 코드를 부여한 것으로, 빠르게 데이터를 검색할 수 있다. 제2 변환 모듈(326)은, 지역 코드, 외국인 코드와 같은 그룹 코드를 제1 기상 정보 및 제1 지역별 통계 정보와 매칭시켜 제2 기상 정보 및 제2 지역별 통계 정보를 생성할 수 있다.

제2 기상 정보 및 제2 지역별 통계 정보 생성이 완료되면, 제3 변환 모듈(328)을 통해 제2 기상 정보 및 제2 지역별 통계 정보에 인플레 가중치를 적용하여 제3 기상 정보 및 제3 지역별 통계 정보를 생성할 수 있다(S940). 제3 변환 모듈(328)은, 제2 변환 모듈(326)에서 생성한 제2 기상 정보 및 제2 지역별 통계 정보에 인플레 가중치를 적용하여 제3 기상 정보 및 제3 지역별 통계 정보를 생성할 수 있다. 인플레 가중치는, 품목의 상대적 중요도에 따라 가중치를 적용하는 것으로, 그 품목이 전체 가구의 소비지출에서 차지하는 비중에 따라 달라질 수 있다. 제2 기상 정보 및 제2 지역별 통계 정보에 인플레 가중치를 적용하여, 결과를 더욱 정확히 생성 가능한 제3 기상 정보 및 제3 지역별 통계 정보를 생성할 수 있다.

제3 기상 정보 및 제3 지역별 통계 정보 생성 후 제3 기상 정보 및 제3 지역별 통계 정보와의 상관 관계를 분석하여 제1 예측 결과를 생성(S950)할 수 있다. 제1 예측 결과는, 분석 모듈(330)에서 생성될 수 있다. 분석 모듈(330)은, 제3 변환 모듈(328)에 의해 생성된 제3 기상 정보 및 제3 지역별 통계 정보와 수집 모듈(322)을 통해 수집한 품목별 산출 데이터의 상관 관계를 분석하여 제1 예측 결과를 생성할 수 있다. 제3 기상 정보, 제3 지역별 통계 정보 및 품목별 산출 데이터는, 인공신경망의 입력층에 입력되어 제1 예측 결과를 추출하는 인공신경망이 생성될 수 있다. 예를 들어, 인공신경망은, 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning) 및 준지도 학습(Semi-supervised Learning) 중 적어도 하나를 통하여 제1 예측 결과 정보를 추출할 수 있다. 인공신경망 기반의 학습 방법을 이용하여 제3 변환 모듈(328)에서 생성한 제3 기상 정보, 제3 지역별 통계 정보와 사용자가 사용자 단말기(110)를 통해 입력한 품목별 산출 데이터를 분석하고, 이를 바탕으로 제1 예측 결과 정보를 추출할 수 있다. 인공신경망의 입력층에 입력되는 입력 변수는, 제3 기상 정보, 제3 지역별 통계 정보, 품목별 산출 데이터를 나타내는 벡터가 될 수 있다. 예를 들어, 제3 기상 정보, 제3 지역별 통계 정보, 품목별 산출 데이터의 카테고리를 각각 하나의 벡터 요소로 구성할 수 있다. 한편, 인공신경망의 출력층에서 출력되는 출력변수는, 일 실시예에 따르면, 분석 모듈(330)에 의해 분석된 품목별 예측 결과를 나타내는 제1 예측 결과 정보가 될 수 있다. 분석 모듈(330)은, 이러한 입력 변수 및 출력 변수들을 이용하여 인공신경망을 학습시킬 수 있다.

그 후, 예측 검증 모듈(322)을 통해, 분석 모듈(330)에서 생성된 제1 예측 결과와 산출 데이터와의 상관관계를 검증하고, 상관관계를 통해 최종 예측 결과를 생성(S960)할 수 있다. 예측 검증 모듈(332)은, 분석 모듈(330)에서 생성된 제1 예측 결과와 사용자가 사용자 단말기(110)를 통해 입력한 품목별 판매량의 상관 관계를 검증하고, 상관 관계를 통해 최종 예측 결과를 생성할 수 있다. 이때, 예측 검증 모듈(332)은, 분석 모듈(330)과 마찬가지로, 제1 예측 결과와 품목별 판매량을 인공신경망의 입력층에 입력하여 최종 예측 결과를 추출하는 인공신경망을 생성할 수 있다. 예를 들어, 인공신경망은, 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning) 및 준지도 학습(Semi-supervised Learning) 중 적어도 하나를 통하여 최종 예측 결과 정보를 추출할 수 있다. 인공신경망 기반의 학습 방법을 이용하여 분석 모듈(330)에서 생성한 제1 예측 결과와 사용자가 사용자 단말기(110)를 통해 입력한 품목별 산출 데이터를 분석하여 상관 관계를 검증하고, 이를 바탕으로 최종 예측 결과 정보를 추출할 수 있다. 인공신경망의 입력층에 입력되는 입력 변수는, 제1 예측 결과와 품목별 산출 데이터를 나타내는 벡터가 될 수 있다. 예를 들어, 제1 예측 결과와 품목별 산출 데이터의 카테고리를 각각 하나의 벡터 요소로 구성할 수 있다. 한편, 인공신경망의 출력층에서 출력되는 출력변수는, 일 실시예에 따르면, 예측 검증 모듈(332)에 의해 상관 관계가 검증된 최종 예측 결과를 나타내는 최종 예측 결과 정보가 될 수 있다. 예측 검증 모듈(332)은, 이러한 입력 변수 및 출력 변수들을 이용하여 인공신경망을 학습시킬 수 있다.

도 10은 본 개시의 일 실시예에 따른 데이터베이스 정보를 출력하는 인터페이스 화면(1010)을 나타내는 예시도이다. 데이터베이스에는, 날짜별 기온, 날씨, 미세먼지, 체감 온도 등이 분류되어 저장되는 기상 정보 DB(342), 지역별 고용률, 실업률, 음주율, 흡연률, 외국인 수, 대학생 수 등이 분류되어 저장되는 지역별 통계 정보 DB(344) 및 사용자가 입력한 품목별 산출 데이터가 분류되어 저장되는 산출 데이터 DB(346)를 포함할 수 있다. 데이터베이스에 저장된 정보는, 기상청 서버(220) 및/또는 통계청 서버(230)로부터 주기적으로 또는 비주기적으로(예를 들어, 실시간으로) 기상 정보 및 지역별 통계 정보를 제공받아 각각 기상 정보 DB(342), 지역별 통계 정보 DB(344)에 저장될 수 있다. 각각의 데이터베이스에 저장된 정보는, 품목별, 계절별, 지역별 등으로 정렬되어 사용자가 열람할 수 있도록 제공될 수 있다.

도 11은 본 개시의 일 실시예에 따른 판매 데이터 정보를 출력하는 인터페이스 화면(1110)을 나타내는 예시도이다. 판매 데이터 정보의 출력은, 사용자가 사용자 단말기(110)를 통해 출력될 수 있다. 사용자는, 사용자 단말기(110)를 이용하여, 품목별 판매량, 날짜별 판매량, 일정 기간별 판매량과 같은 판매 데이터를 관리할 수 있다.

다른 실시 예에서, 판매 데이터 정보를 출력하는 인터페이스 화면(1110)은, 공정 불량률을 출력하는 인터페이스 화면으로 변경될 수 있다. 공정 불량률은, 기상 정보 DB에 저장 되어있는 기상 정보를 이용하여 추출될 수 있다. 예를 들어, 습도가 높은 날짜에는 습도에 영향을 받는 제품(ex 모니터, 비스켓)의 공정 불량률이 높게 산출될 수 있다.

도 12는 본 개시의 일 실시예에 따른 빅데이터와 판매 데이터의 상관 관계를 분석하는 인터페이스 화면(1210)을 나타내는 예시도이다. 사용자 단말기(110)는, 기상청 서버와 통계청 서버에서 수집한 기상 정보 및 지역별 통계 정보와 사용자가 사용자 단말기(110)를 통해 입력한 품목별 산출 데이터와의 상관 관계를 분석하여 출력할 수 있다. 예를 들어, "미세 먼지가 많은 날과 마스크"의 상관 관계, "비가 올 때와 우산"의 상관 관계를 분석하여 사용자에게 출력할 수 있다.

도 13은 본 개시의 일 실시예에 따른 품목별 예측 판매량 및/또는 예측 공정 불량률을 출력하는 인터페이스 화면을 나타내는 예시도이다. 사용자 단말기(110)는, 빅데이터를 이용한 예측 결과를 생성하는 시스템을 통해 품목별 예측 결과를 제공할 수 있다. 예를 들어, 사용자가 2019년 03월 02일에 예측 결과의 출력을 요청하였다면, 사용자 단말기(110)는, 2019년 03월 02일 이후의 예측 판매량(ex 2019년 03월 03일의 기온

, 샌드위치 예측 판매량 10개, 유자차 판매량 20개)을 출력할 수 있다. 다른 예에서, 사용자 단말기(110)는, 2019년 03월 02일 이후의 불량률(ex 2019년 03월 03일의 습도 90%, 모니터 불량률 2%)을 출력할 수 있다.

일반적으로, 본 명세서에 설명된 빅데이터를 이용한 예측 결과를 생성하는 시스템은, 무선 전화기, 셀룰러 전화기, 랩탑 컴퓨터, 무선 멀티미디어 디바이스, 무선 통신 PC (personal computer) 카드, PDA, 외부 모뎀이나 내부 모뎀, 무선 채널을 통해 통신하는 디바이스 등과 같은 다양한 타입들의 디바이스들을 나타낼 수도 있다. 디바이스는, 액세스 단말기(access terminal; AT), 액세스 유닛, 가입자 유닛, 이동국, 모바일 디바이스, 모바일 유닛, 모바일 전화기, 모바일, 원격국, 원격 단말, 원격 유닛, 유저 디바이스, 유저 장비(user equipment), 핸드헬드 디바이스 등과 같은 다양한 이름들을 가질 수도 있다. 본 명세서에 설명된 임의의 디바이스는 명령들 및 데이터를 저장하기 위한 메모리, 뿐만 아니라 하드웨어, 소프트웨어, 펌웨어, 또는 이들의 조합들을 가질 수도 있다.

본 명세서에 기술된 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본 명세서의 개시와 연계하여 설명된 다양한 예시 적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 당업자들은 더 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호교환성을 명확하게 설명하기 위해, 다양한 예시 적인 컴포넌트들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능성의 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 제약들에 따라 달라진다. 당업자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현 결정들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.

하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 명세서에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.

따라서, 본 명세서의 개시와 연계하여 설명된 다양한 예시 적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본 명세서에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안에서, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 그러한 구성의 조합으로써 구현될 수도 있다.

펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 불휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로써 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 명세서에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.

소프트웨어로 구현되면, 상기 기능들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.

예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선(DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본 명세서에서 사용된 디스크 (disk)와 디스크 (disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks) 은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.

소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시 적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 커플링 될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 컴포넌트들로써 존재할 수도 있다.

본 개시의 앞선 설명은 당업자들이 본 개시를 행하거나 이용하는 것을 가능하게 하기 위해 제공된다. 본 개시의 다양한 수정예들이 당업자들에게 쉽게 자명할 것이고, 본 명세서에 정의된 일반적인 원리들은 본 개시의 취지 또는 범위를 벗어나지 않으면서 다양한 변형예들에 적용될 수도 있다. 따라서, 본 개시는 본 명세서에 설명된 예들에 제한되도록 의도된 것이 아니고, 본 명세서에 개시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위가 부여되도록 의도된다.

비록 예시적인 구현예들이 하나 이상의 독립형 컴퓨터 시스템의 맥락에서 현재 개시된 주제의 양태들을 활용하는 것을 언급할 수도 있으나, 본 주제는 그렇게 제한되지 않고, 오히려 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 현재 개시된 주제의 양상들은 복수의 프로세싱 칩들이나 디바이스들에서 또는 그들에 걸쳐 구현될 수도 있고, 스토리지는 복수의 디바이스들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 디바이스들은 PC들, 네트워크 서버들, 및 핸드헬드 디바이스들을 포함할 수도 있다.

비록 본 주제가 구조적 특징들 및/또는 방법론적 작용들에 특정한 언어로 설명되었으나, 첨부된 청구항들에서 정의된 주제가 위에서 설명된 특정 특징들 또는 작용들로 반드시 제한되는 것은 아님이 이해될 것이다. 오히려, 위에서 설명된 특정 특징들 및 작용들은 청구항들을 구현하는 예시 적인 형태로서 설명된다.

이 명세서에서 언급된 방법은 특정 실시예들을 통하여 설명되었지만, 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽힐 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 실시예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.

본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다는 점을 알아야 할 것이다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.

110: 사용자 단말기 112: 산출 데이터 입력 화면
114: 예측 결과 화면 210: 통신 네트워크
220: 기상청 서버 230: 통계청 서버
240: 서버 장치 310: 통신 모듈
320: 프로세서 322: 수집 모듈
324: 제1 변환 모듈 326: 제2 변환 모듈
328: 제3 변환 모듈 330: 분석 모듈
332: 예측 검증 모듈 334: 출력 모듈
340: 데이터베이스 342: 기상 정보 DB
344: 지역별 통계 정보 DB 346: 산출 데이터 DB
700,800: 인공신경망 710: 제3 기상 정보 벡터
712: 제3 지역별 통계 정보 벡터 714: 품목별 산출 데이터 벡터
720, 820: 입력층
730_1 내지 730_n, 830_1 내지 830_n: 은닉층
740, 840: 출력층 750: 제1 예측 결과 벡터
810: 제1 예측 결과 벡터 812: 품목별 산출 데이터 벡터
850: 최종 예측 결과 벡터

Claims (5)

1. 빅데이터를 이용한 예측 결과를 생성하는 시스템에 있어서,
   사용자 단말기로부터 산출 데이터를 수신하고, 외부 서버로부터 복수의 기상 정보 및 복수의 지역별 통계 정보를 수집하도록 구성된 수집 모듈;
   상기 수집된 복수의 기상 정보 및 상기 수집된 복수의 지역별 통계 정보를 메타데이터의 구조에 맞도록 변환하여 복수의 제1 기상 정보 및 복수의 제1 지역별 통계 정보를 생성하는 제1 변환 모듈;
   상기 제1 변환 모듈에서 생성된 복수의 제1 기상 정보 및 복수의 제1 지역별 통계 정보를 그룹 코드와 매칭되도록 변환하여 복수의 제2 기상 정보 및 복수의 제2 지역별 통계 정보를 생성하는 제2 변환 모듈;
   상기 제2 변환 모듈에서 생성된 복수의 제2 기상 정보 및 복수의 제2 지역별 통계 정보에 인플레 가중치를 적용하여 복수의 제3 기상 정보 및 복수의 제3 지역별 통계 정보를 생성하는 제3 변환 모듈;
   상기 복수의 제3 기상 정보 및 복수의 제3 지역별 통계 정보와 상기 수신된 산출 데이터의 상관 관계를 분석하여 제1 예측 결과를 생성하도록 구성된 분석 모듈;
   상기 분석 모듈에 의해 생성된 제1 예측 결과와 상기 산출 데이터와의 상관 관계를 검증하고, 상기 상관 관계를 통해 최종 예측 결과를 생성하도록 구성된 예측 검증 모듈; 및
   상기 예측 검증 모듈에 의해 생성된 최종 예측 결과를 상기 사용자 단말기에 제공하도록 구성된 출력 모듈을 포함하는, 컴퓨팅 장치.
   
2. 제1항에 있어서,
   상기 외부 서버는,
   기상청 서버 및 통계청 서버 중 적어도 하나를 포함하고,
   상기 수집된 복수의 기상 정보는 상기 기상청 서버로부터 수신된 정보로서, 기온, 강수량, 대기오염, 온실가스, 체감온도, 자외선지수, 불쾌지수, 동파가능지수 중 적어도 하나를 포함하고,
   상기 수집된 지역별 통계 정보는, 상기 통계청 서버로부터 수신된 정보로서, 나이대별 성별 인구, 고용률, 실업률, 경제 활동인구, 월세지수, 전세지수, 주택수, 사업체수, 아파트 매매가격, 음주률, 흡연율, 1인 가구 비율 중 적어도 하나를 포함하는, 예측 결과 생성 시스템.
   
3. 제1항에 있어서,
   상기 산출 데이터는,
   물품명, 시간대별 판매량, 날짜별 판매량, 지역별 판매량, 연령별 판매량, 출고율, 공정 불량률 중 적어도 하나를 포함하는, 예측 결과 생성 시스템.
   
4. 빅데이터를 이용한 예측 결과를 생성하는 방법에 있어서,
   사용자 단말기로부터 산출 데이터를 수신하고, 외부 서버로부터 복수의 기상 정보 및 복수의 지역별 통계 정보를 수집하는 단계;
   상기 수집된 복수의 기상 정보 및 상기 수집된 복수의 지역별 통계 정보를 메타데이터의 구조에 맞도록 변환하여 복수의 제1 기상 정보 및 복수의 제1 지역별 통계 정보를 생성하는 단계;
   상기 생성된 제1 기상 정보 및 복수의 제1 지역별 통계 정보를 그룹 코드와 매칭되도록 변환하여 복수의 제2 기상 정보 및 복수의 제2 지역별 통계 정보를 생성하는 단계;
   상기 생성된 복수의 제2 기상 정보 및 복수의 제2 지역별 통계 정보에 인플레 가중치를 적용하여 복수의 제3 기상 정보 및 복수의 제3 지역별 통계 정보를 생성하는 단계;
   상기 복수의 제3 기상 정보 및 복수의 제3 지역별 통계 정보와 상기 수신된 산출 데이터의 상관 관계를 분석하여 제1 예측 결과를 생성하는 단계;
   상기 생성된 제1 예측 결과와 상기 산출 데이터와의 상관 관계를 검증하고, 상기 상관 관계를 통해 최종 예측 결과를 생성하는 단계;
   상기 최종 예측 결과를 상기 사용자단말기에 제공하는 단계를 포함하는,
   예측 결과 생성 방법.
   
5. 제4항에 있어서,
   복수의 기상 정보 및 복수의 지역별 통계 정보를 각각의 기 설정된 조건에 맞게 변환하는 단계는,
   메타데이터의 구조에 맞게 변환하는 단계;
   그룹 코드를 매칭시켜 그룹별로 구분하는 단계;
   인플레 가중치를 적용하는 단계를 포함하는, 예측 결과 생성 방법.
   
   

Images