KR20210103834A - 머신러닝 기반의 수요량 예측 방법 및 장치 - Google Patents

머신러닝 기반의 수요량 예측 방법 및 장치 Download PDF

Info

Publication number
KR20210103834A
KR20210103834A KR1020200018496A KR20200018496A KR20210103834A KR 20210103834 A KR20210103834 A KR 20210103834A KR 1020200018496 A KR1020200018496 A KR 1020200018496A KR 20200018496 A KR20200018496 A KR 20200018496A KR 20210103834 A KR20210103834 A KR 20210103834A
Authority
KR
South Korea
Prior art keywords
demand
product
information
receiving
processor
Prior art date
Application number
KR1020200018496A
Other languages
English (en)
Inventor
고애란
윤태영
Original Assignee
연세대학교 산학협력단
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 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020200018496A priority Critical patent/KR20210103834A/ko
Publication of KR20210103834A publication Critical patent/KR20210103834A/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
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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"
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/101—Collaborative creation, e.g. joint development of products or services

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 실시예들은 프로세서, 프로세서에 의해 실행되는 프로그램을 저장하는 메모리 및 기업 데이터 베이스로부터 상품 데이터를 수신하는 데이터 수신부를 포함하는 수요량 예측 장치에 의한 수요량 예측 방법에 있어서, 상기 프로세서가 상품 정보, 매장 정보 또는 판매 정보를 적어도 하나 포함하는 상품 데이터를 입력 받는 단계, 상품 데이터를 기반으로 상품의 특징에 따른 수요량을 예측하는 단계 및 예측된 수요량과 실제 수요량을 비교하여 가중치를 재설정하여 수요량을 예측하는 단계를 포함하는 수요량 예측 방법을 제시한다.

Description

머신러닝 기반의 수요량 예측 방법 및 장치{Method and Apparatus for Demand Expectation Based on Machine Learning}
본 발명은 머신러닝 기반의 수요량 예측 방법 및 장치에 관한 것으로, 특히 패션 상품의 수요량 예측을 위한 인공지능 기반의 수요량 예측 방법 및 장치에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
패션 산업에서 재고의 보유 수준은 회사의 재무적 경영성과에 직결되는 가장 핵심적인 문제이다, 따라서, 거의 대부분의 패션 기업들은 적은 재고량을 유지하고자 하며, 원칙적으로 보유 재고의 양을 최소화할 수 있기 위해서는 생산 단계에서 최대한 정확한 수요 예측과 이에 기반한 적정의 생산 수량을 결정하고 있다.
종래의 패션 기업들은 재고를 줄이기 위해 미리 수요를 조사하여 제작하거나 경쟁사의 판매 실적 등을 기초로 제작하였으나, 잘못된 수요 예측에 의한 재고량의 상승 또는 물량 부족과 같은 문제가 있었다.
본 발명의 실시예들은 본 발명의 실시예들은 머신러닝에 기초하여 판매에 영향을 미치는 여러 요인들과 판매 결과 간의 영향(함수) 관계를 분석한 후 이를 기초로 수요(판매)를 예측하는데 발명의 주된 목적이 있다.
본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.
상기 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 수요량 예측 방법은, 프로세서, 상기 프로세서에 의해 실행되는 프로그램을 저장하는 메모리 및 기업 데이터 베이스로부터 상품 데이터를 수신하는 데이터 수신부를 포함하는 수요량 예측 장치에 의한 수요량 예측 방법에 있어서, 상기 프로세서가 상품 정보, 매장 정보 또는 판매 정보를 적어도 하나 포함하는 상품 데이터를 입력 받는 단계, 상기 상품 데이터를 기반으로 상품의 특징에 따른 수요량을 예측하는 단계 및 상기 예측된 수요량과 실제 수요량을 비교하여 가중치를 재설정하여 수요량을 예측하는 단계를 포함한다.
여기서, 상기 상품 데이터를 입력 받는 단계는 각각의 상품이 형성하는 복수의 속성 정보를 나타내는 상품 정보를 입력 받는 단계, 재고 보유량 또는 판매량을 나타내는 온라인 또는 오프라인 매장의 정보를 입력 받는 단계 및 날씨, 기온, 휴일, 소득 또는 이벤트에 따른 판매 정보를 나타내는 판매 정보를 입력 받는 단계를 포함한다.
여기서, 상기 수요량 예측 방법은 가중치를 재설정하여 예측된 수요량을 수치로 확인하도록 사용자의 단말기에 제공하는 단계를 더 포함하고, 상기 사용자의 단말기에 제공하는 단계는 상기 상품 정보에 포함되는 복수의 상품 각각의 수요량을 상기 속성 정보에 따라 각각 제공하는 것을 특징으로 한다.
이상에서 설명한 바와 같이 본 발명의 실시예들에 의하면, 본 발명은 정확한 수요 예측을 기반으로 최적의 수량을 생산함으로써 패션 기업들의 생산 비용을 감소시킬 수 있는 효과가 있다.
본 발명의 실시예들에 의하면, 본 발명은 최적의 생산에 따른 과잉 생산 방지를 통해 지구 온난화 해소, 환경 생태계의 보존 등 사회적 문제를 해결할 수 있는 효과가 있다.
여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급된다.
도 1은 본 발명의 일 실시예에 따른 수요량 예측 장치 및 방법이 수행되기 위한 구성 요소를 나타내는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 수요량 예측 방법을 나타내는 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 데이터 수신부를 통해 입력되는 상품 데이터를 나타내는 예시도이다.
도 4는 본 발명의 일 실시예에 따른 수요량 예측 장치 및 방법의 프로세서가 수행하는 수요량 예측을 위한 머신러닝의 구조를 나타내는 도면이다.
도 5는 실시예들에서 사용되기에 적합한 컴퓨팅 기기를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도이다.
이하, 본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하고, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 설명하는 실시예에 한정되는 것이 아니다. 그리고, 본 발명을 명확하게 설명하기 위하여 설명과 관계없는 부분은 생략되며, 도면의 동일한 참조부호는 동일한 부재임을 나타낸다.
및/또는 이라는 용어는 복수의 관련된 기재된 항들의 조합 또는 복수의 관련된 기재된 항들 중의 어느 항을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 발명은 인공지능 기반의 수요량 예측 방법 및 장치에 관한 것이다.
도 1은 본 발명의 일 실시예에 따른 수요량 예측 장치 및 방법이 수행되기 위한 구성 요소를 나타내는 블록도이다.
도 1을 참조하면, 수요량 예측 장치(10)는 프로세서(12), 프로세서(12)에 의해 실행되는 프로그램을 저장하는 메모리(14) 및 기업 데이터 베이스(20)로부터 상품 데이터를 수신하는 데이터 수신부(16)를 포함할 수 있으며, 프로세서(12)에 의해 수요량 예측 방법을 수행할 수 있다.
도 1의 수요량 예측 장치(10)는 단독적으로 구현될 수도 있고, 또는 다른 컴퓨팅 장치와 적어도 일부 결합된 형태로 구현될 수도 있다. 또한, 도 1의 개념은, 사용 목적과 적용되는 장치에 따라 다양한 형태로 구현될 수 있다. 즉, 전체적인 구성을 소프트웨어로 구현할 수도 있고, 또는 그 일부를 소프트웨어적으로 구현할 수 있음은 당업자에게 자명한 것이다.
기업 데이터 베이스(20)는 수요량 예측 장치(10)의 외부에 위치하는 것으로 도시하였으나 반드시 이에 한정되는 것은 아니며 수요량 예측 장치(10)의 내부에 구성되어 패션 이미지를 수요량 예측 장치(10)와 주고 받을 수 있다.
기업 데이터 베이스(20)는 수요량 예측 장치(10)를 사용하는 기업 각각이 가지고 있는 내부 데이터로, 각각의 기업의 판매 정보, 매장 정보를 포함할 수 있으며, 요일, 날씨와 같은 외부 정보를 추가로 더 포함할 수 있다.
수요량 예측 장치(10)는 패션 상품에 대한 데이터를 기반으로 수요량 예측 모델을 구축하고, 이를 통하여 차기 시즌 생산 전 생산 수량을 예측할 수 있다.
수요량 예측 장치(10)는 패션 상품 수요량 예측을 위한 인공신경망 기반 시뮬레이션 구동 알고리즘 개발함으로 판매에 영향을 미치는 변수들의 영향 정도를 분석할 수 있으며, 패션 기업을 대상으로 수요량(판매) 예측 시뮬레이션을 통해 차기 시즌 상품의 생산 전 생산 수량의 적정성을 점검할 수 있는 시뮬레이션 서비스를 제공할 수 있다.
수요량 예측 장치(10)는 머신러닝에 기조하여 판매에 영향을 미치는 여러 요인들과 판매 결과 간의 영향(함수) 관계를 분석한 후 이를 기초로 수요(판매)를 예측하는 최적화 모델을 개발한다.
수요량 예측 장치(10)는 입력 데이터(Input Data)인 패션 상품의 각 속성 값을 시뮬레이션 프로세스의 빈칸(Blank) 안에 입력하게 되면 각 요인(속성)이 판매 결과에 미치는 영향 정도 별로 최적화된 모델을 통해 예상 수요(판매)량을 수치로 확인할 수 있도록 한다.
수요량 예측 장치(10)는 패션 기업들이 다음 시즌을 위해 기획하는 각 패션 상품의 최적 생산수량 결정을 지원하는 시뮬레이션 시스템일 수 있다.
수요량 예측 장치(10)는 모델 최적화를 위해 각 변인들의 비용 최소화(Cost Minimizing)를 위한 오차 최소화 알고리즘(Gradient Descent Algorithm)의 사용과 역전파(BackPropagation)에서 그래디언트 소실(Vanishing Gradient)의 문제를 해결하기 위해 Sogmoid 함수 외 Relu 함수를 사용하며, 랜덤 포레스트(Random forest), 다변수 회귀(Multi Variable regression), 신경망(Neural Network) 알고리즘을 믹스할 수 있다.
수요량 예측 장치(10)는 수요예측 알고리즘에서 고려하지 않았던 전문가 예측치를 반영할 수 있도록 설계할 수 있으며, 알고리즘이 주는 장점을 활용하면서도 패션 산업의 특성상 질적인 정보나 산업 전문지식을 활용하여 모델의 예측 정확도를 높일 수 있다.
정확한 수요 예측에 대한 니즈는 모든 산업에서 존재하고, 최근 인공지능 기술의 혁신적인 발전으로 여러 분야의 수요 예측 정확도가 지속적으로 개선되고 있으며, 최근 패션 산업에서도 4차 산업혁명에 다른 디지털 트렌스포메이션에 대한 관심이 높아지고 있지만 대부분의 중소 패션 기업은 많은 자금과 인력이 소요되는 인공 지능의 도입과 그에 따른 비즈니스 혁신에 어려움을 겪고 있다. 이에 따라, 수요량 예측 장치(10)는 중소 패션 기업의 입장에서 빅데이터와 인공 지능에 기초하여 자사 브랜드에 주문제작(Customizing)된 알고리즘과 최적 모델의 수요(판매)량 예측 서비스를 저가의 회원료를 지불하고 사용할 수 있도록 제공할 수 있다.
따라서, 수요량 예측 장치(10)는 비즈니스 모델에 대한 시장 수요는 매우 클 것이며, 최근 경제 화두인 공유(Share)와 구독(Subscription)의 측면에서도 시대 트렌드에 적합한 모델을 제공할 수 있는 효과가 있다.
또한, 수요량 예측 장치(10)는 정확한 수요 예측을 기반으로 최적의 수량을 생산함으로써 패션 기업들의 생산 비용을 감소시킬 수 있다. 패션 산업 전체의 5%의 재고를 감소시킬 수 있다면 년간 4천억원의 생산 비용을 절감할 수 있다. 이에 따라 패션 기업의 재무 구조를 개선할 수 있는 효과가 있다.
수요량 예측 장치(10)는 최적의 생산에 따른 과잉 샌산 방지는 지구 온난화 해소, 환경 생태계의 보존 들 수치로 환산할 수 없는 사회적 문제를 해결할 수 있다.
수요량 예측 장치(10)는 최근 forecasting 알고리즘 개발에 박차를 가하고 있는 구글, 아마존으로부터 국내 패션 시장을 방어하고, 패션에 대한 취향이 비슷한 중국, 일본 등으로의 해외 시장 진출을 통한 수출 증대 효과를 기대할 수 있으며, 의류 또는 패션 산업은 진입 장벽이 상대적으로 낮아 재무 구조 개선에 따라 중소 패션 기업들의 경쟁력이 되살아나게 되면 고용 창출을 유발할 수 있는 효과가 있다.
도 2는 본 발명의 일 실시예에 따른 수요량 예측 방법을 나타내는 흐름도이다. 도 2는 도 1의 수요량 예측 장치(10)에서 수행되는 수요량 예측 방법을 설명하는 흐름도이다. 본 발명의 일 실시예에 따른 수요량 예측 방법은, 수요량 예측 장치(10)에서 시계열적으로 수행되는 하기의 단계들을 포함한다.
수요량 예측 방법은 프로세서(12), 프로세서(12)에 의해 실행되는 프로그램을 저장하는 메모리(14) 및 기업 데이터 베이스(20)로부터 상품 데이터를 수신하는 데이터 수신부(16)를 포함하는 수요량 예측 장치(10)에 의해 수행될 수 있다.
수요량 예측 방법은 프로세서(12)가 상품 정보, 매장 정보 또는 판매 정보를 적어도 하나 포함하는 상품 데이터를 입력 받는 단계(S210), 상품 데이터를 기반으로 상품의 특징에 따른 수요량을 예측하는 단계(S220) 및 예측된 수요량과 실제 수요량을 비교하여 가중치를 재설정하여 수요량을 예측하는 단계(S230)를 포함한다.
상품 정보, 매장 정보 또는 판매 정보를 적어도 하나 포함하는 상품 데이터를 입력 받는 단계(S210)는 각각의 상품이 형성하는 복수의 속성 정보를 나타내는 상품 정보를 입력 받는 단계, 재고 보유량 또는 판매량을 나타내는 온라인 또는 오프라인 매장의 정보를 입력 받는 단계 및 날씨, 기온, 휴일, 소득 또는 이벤트에 따른 판매 정보를 나타내는 판매 정보를 입력 받는 단계를 포함할 수 있다.
수요량 예측 방법은 가중치를 재설정하여 예측된 수요량을 수치로 확인하도록 사용자의 단말기에 제공하는 단계를 더 포함할 수 있다.
사용자의 단말기에 제공하는 단계는 상품 정보에 포함되는 복수의 상품 각각의 수요량을 상기 속성 정보에 따라 각각 제공할 수 있다.
도 2에서는 각각의 과정을 순차적으로 실행하는 것으로 개재하고 있으나 이는 예시적으로 설명한 것에 불과하고, 이 분야의 기술자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 2에 기재된 순서를 변경하여 실행하거나 또는 하나 이상의 과정을 병렬적으로 실행하거나 다른 과정을 추가하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이다.
도 3은 본 발명의 일 실시예에 따른 데이터 수신부를 통해 입력되는 상품 데이터를 나타내는 예시도이다.
도 3은 실제 패션 회사에서 발생된 데이터를 기반으로 상품 고유의 속성뿐만이 아니라 부가적인 속성들을 상품 외 속성으로 포함하는 상품 데이터를 나타내는 예시도이다.
본 발명의 일 실시예에 따르면, 다양한 판매 영향 요인들은 상품 속성, 상품 외 속성 및 기타 속성을 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상품 속성은 자켓, 팬츠, 스커트, 패딩, 코트, 점퍼, 가디건 등과 같은 아이템, 플레어스커트,미니스커트,롱스커트 등과 같은 서브 아이템을 포함할 수 있으며, 구체적으로 소매, 길이, 핏, 색상, 가격, 패턴 등과 같은 상품의 속성도 포함할 수 있다.
도 3은 데이터 수신부를 통해 입력되는 상품 데이터를 예시적으로 도시한 도면으로, 도시된 상품 속성에 외에 추가적인 데이터를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상품 외 속성은 등급 별 온라인 또는 오프라인 출고 매장 수, 세일, 재고 보유량 등을 포함할 수 있으며, 도 3에 예시적으로 도시된 상품 외 속성 외에 추가적인 데이터를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면, 기타 속성은 날씨, 기온, 휴일 수, 소득, 사회적 이벤트 등을 포함할 수 있으며, 도 3에 예시적으로 도시된 기타 속성 외에 추가적인 데이터를 더 포함할 수 있다.
상술한, 상품 속성, 상품 외 속성 및 기타 속성은 상품을 판매함에 있어서 영향을 줄 수 있는 정보로서, 상술한 바에 한정하지 않고 상품 판매에 영향을 줄 수 있는 요인을 추가적으로 더 반영할 수 있다.
도 4는 본 발명의 일 실시예에 따른 수요량 예측 장치 및 방법의 프로세서가 수행하는 수요량 예측을 위한 머신러닝의 구조를 나타내는 도면이다.
본 발명의 일 실시예에 따른 머신 러닝은 Multi-Layer Perception 구조일 수 있다.
새로운 패션 제품에 대해서 수요량을 예측할 때 인공신경망 기반의 모델은 기존의 기계학습기반 연구방법인 Linear Regression, Decision Trees, Random Forest, Support Vector Machines 등과 비교했을 때 적응성, 정확도에서 우수하다. 즉 인공신경망 모형은 새로운 패션 제품 수요량 예측에 있어 데이터의 크기에 상관없이 높은 정확도를 보임으로 매우 효과적인 모형이다.
수요량 예측 장치(10)는 인공신경망 중 은닉층(Hidden Layer)이라는 중간 레이어를 추가함으로써 선형 분류 판별선을 여러 개 그리는 효과를 내는 Multi-Layer Perception(MLP)을 사용한다. MLP는 많은 파라미터를 보유한다는 단점이 존재하지만, 역전파 알고리즘(Backpropagation Algorithm)을 이용하여, 수요량을 가장 잘 예측할 수 있는 최적의 가중치(Weight)와 편향(Bias)을 학습할 수 있도록 한다.
신경망을 학습하여 응용할 수 있는 분야 중 하나는 패턴 분류이다. 수요량에 있어 MLP를 적용한다면, 패턴이란 수요량을 의미한다. 유사한 특징을 가진 제품들은 인접한 영역에 분포하고, Decision Surface를 이용하여 패턴을 분류한다.
도 4의 각각의 Hidden layer(420)의 j번째 노드에 입력되는 순입력 함수값은 수학식 1과 같다.
Figure pat00001
수학식 1을 참조하면, K는 순입력 함수값을 나타낸다. 순입력 값은 해당 노드의 활성 함수(activation function)에 입력되는 함수이다. 가장 많이 쓰이는 시그모이드 함수에 적용한 활성 함수는 수학식 2와 같다.
Figure pat00002
수학식 2를 참조하면,
Figure pat00003
는 활성 함수를 나타낸다. 따라서, Hidden layer(420)의 j번째 노드의 활성 함수는 수학식 3과 같다.
Figure pat00004
수학식 3을 참조하면,
Figure pat00005
는 Hidden layer(420)의 j번째 노드의 활성 함수를 나타낸다. 수요량 예측 장치(10)는 이처럼 순입력 함수를 계산하고 시그모이드 활성화 함수(Activation function)에 의해 출력값 계산하여, 최종적으로 Output Layer(430)에서 결과값 즉 예측 수요량이 나오면 실제 수요량과 오차를 계산한 후 가중치를 업데이트하는 행위를 반복하며 학습을 수행할 수 있다.
MLP는 도 3과 같이 Input(410)과 Output(430) 사이에 하나 이상의 Hidden layer(420)가 존재하는 구조를 갖는다. 이러한 MLP는 Input(410)과 Output(430)으로 즉, 제품의 특징과 수요량으로 이루어진 데이터를 사용하여 학습한다. 역전파 알고리즘(Backpropagation Algorithm)은 학습 시 실제 수요량과 예측 수요량 사이의 오차가 최소가 되는 규칙에 따라 가중치(weight)를 조정하는 방법이다.
기본적인 역전파 알고리즘(Backpropagation Algorithm)을 통해 MLP의 가중치 변화량을 구해보면 오차함수(Loss function)는 수학식 4와 같다.
Figure pat00006
수학식 4를 참조하면, E는 오차 함수를 나타낸다. Output layer(430) 가중치의 변화량은 수학식 5와 같다.
Figure pat00007
수학식 5를 참조하면,
Figure pat00008
는 가중치의 변화량을 나타낸다. 연쇄 법칙(chian rule)을 이용하여 오차 함수 식 수학식 4에서 가중치 변화량
Figure pat00009
을 구하면 수학식 6과 같다.
Figure pat00010
수요량 예측 장치(10)는 상술한 식들에 의하여 가중치의 변화량을 구할 수 있고 이로 인해 최적의 가중치(Weight)와 편향(Bias)을 학습할 수 있다.
도 5는 실시예들에서 사용되기에 적합한 컴퓨팅 기기를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도이다.
도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 기기를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술되지 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경은 수요량 예측 장치(10)를 포함한다. 일 실시예에서, 수요량 예측 장치(10)는 타 단말기와 신호를 송수신하는 모든 형태의 컴퓨팅 기기일 수 있다.
수요량 예측 장치(10)는 적어도 하나의 프로세서(510), 컴퓨터 판독 가능한 저장매체(520) 및 통신 버스(560)를 포함한다. 프로세서(510)는 수요량 예측 장치(10)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(510)는 컴퓨터 판독 가능한 저장 매체(520)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(510)에 의해 실행되는 경우 수요량 예측 장치(10)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능한 저장 매체(520)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능한 저장 매체(520)에 저장된 프로그램(530)은 프로세서(510)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독한 가능 저장 매체(520)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 기기들, 광학 디스크 저장 기기들, 플래시 메모리 기기들, 그 밖에 수요량 예측 장치(10)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(560)는 프로세서(510), 컴퓨터 판독 가능한 저장 매체(520)를 포함하여 수요량 예측 장치(10)의 다른 다양한 컴포넌트들을 상호 연결한다.
수요량 예측 장치(10)는 또한 하나 이상의 입출력 장치(미도시)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(540) 및 하나 이상의 통신 인터페이스(550)를 포함할 수 있다. 입출력 인터페이스(540) 및 통신 인터페이스(550)는 통신 버스(560)에 연결된다. 입출력 장치(미도시)는 입출력 인터페이스(540)를 통해 수요량 예측 장치(10)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(미도시)는 수요량 예측 장치(10)를 구성하는 일 컴포넌트로서 수요량 예측 장치(10)의 내부에 포함될 수도 있고, 수요량 예측 장치(10)와는 구별되는 별개의 장치로 컴퓨팅 기기와 연결될 수도 있다.
본 실시예들에 따른 동작은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능한 매체에 기록될 수 있다. 컴퓨터 판독 가능한 매체는 실행을 위해 프로세서에 명령어를 제공하는 데 참여한 임의의 매체를 나타낸다. 컴퓨터 판독 가능한 매체는 프로그램 명령, 데이터 파일, 데이터 구조 또는 이들의 조합을 포함할 수 있다. 예를 들면, 자기 매체, 광기록 매체, 메모리 등이 있을 수 있다. 컴퓨터 프로그램은 네트워크로 연결된 컴퓨터 시스템 상에 분산되어 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 본 실시예를 구현하기 위한 기능적인(Functional) 프로그램, 코드, 및 코드 세그먼트들은 본 실시예가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있을 것이다.
본 실시예들은 본 실시예의 기술 사상을 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
10: 수요량 예측 장치

Claims (3)

  1. 프로세서, 상기 프로세서에 의해 실행되는 프로그램을 저장하는 메모리 및 기업 데이터 베이스로부터 상품 데이터를 수신하는 데이터 수신부를 포함하는 수요량 예측 장치에 의한 수요량 예측 방법에 있어서,
    상기 프로세서가,
    상품 정보, 매장 정보 또는 판매 정보를 적어도 하나 포함하는 상품 데이터를 입력 받는 단계;
    상기 상품 데이터를 기반으로 상품의 특징에 따른 수요량을 예측하는 단계; 및
    상기 예측된 수요량과 실제 수요량을 비교하여 가중치를 재설정하여 수요량을 예측하는 단계를 포함하는 수요량 예측 방법.
  2. 제1항에 있어서,
    상기 상품 데이터를 입력 받는 단계는,
    각각의 상품이 형성하는 복수의 속성 정보를 나타내는 상품 정보를 입력 받는 단계;
    재고 보유량 또는 판매량을 나타내는 온라인 또는 오프라인 매장의 정보를 입력 받는 단계; 및
    날씨, 기온, 휴일, 소득 또는 이벤트에 따른 판매 정보를 나타내는 판매 정보를 입력 받는 단계를 포함하는 수요량 예측 방법.
  3. 제2항에 있어서,
    상기 수요량 예측 방법은,
    가중치를 재설정하여 예측된 수요량을 수치로 확인하도록 사용자의 단말기에 제공하는 단계를 더 포함하고,
    상기 사용자의 단말기에 제공하는 단계는,
    상기 상품 정보에 포함되는 복수의 상품 각각의 수요량을 상기 속성 정보에 따라 각각 제공하는 것을 특징으로 하는 수요량 예측 방법.
KR1020200018496A 2020-02-14 2020-02-14 머신러닝 기반의 수요량 예측 방법 및 장치 KR20210103834A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200018496A KR20210103834A (ko) 2020-02-14 2020-02-14 머신러닝 기반의 수요량 예측 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200018496A KR20210103834A (ko) 2020-02-14 2020-02-14 머신러닝 기반의 수요량 예측 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20210103834A true KR20210103834A (ko) 2021-08-24

Family

ID=77506958

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200018496A KR20210103834A (ko) 2020-02-14 2020-02-14 머신러닝 기반의 수요량 예측 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20210103834A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102352329B1 (ko) * 2021-09-14 2022-01-17 뉴통 주식회사 인공지능 기반의 물품 주문, 물류 및 유통 서비스 제공 방법, 장치 및 시스템
KR102653142B1 (ko) * 2023-11-27 2024-04-01 주식회사 워커스하이 멀티 도메인 변수를 활용한 인공지능 모델 기반 수요 예측 및 구독 솔루션 제공 방법, 장치 및 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102352329B1 (ko) * 2021-09-14 2022-01-17 뉴통 주식회사 인공지능 기반의 물품 주문, 물류 및 유통 서비스 제공 방법, 장치 및 시스템
KR102653142B1 (ko) * 2023-11-27 2024-04-01 주식회사 워커스하이 멀티 도메인 변수를 활용한 인공지능 모델 기반 수요 예측 및 구독 솔루션 제공 방법, 장치 및 시스템

Similar Documents

Publication Publication Date Title
US20220066772A1 (en) System and Method for Code and Data Versioning in Computerized Data Modeling and Analysis
US8340995B2 (en) Method and system of using artifacts to identify elements of a component business model
Meiri et al. Using simulated annealing to optimize the feature selection problem in marketing applications
US8443351B2 (en) Parallel loops in a workflow
US11416754B1 (en) Automated cloud data and technology solution delivery using machine learning and artificial intelligence modeling
Gökkuş et al. Estimation of container traffic at seaports by using several soft computing methods: a case of Turkish Seaports
Behrens et al. A test of the joint efficiency of macroeconomic forecasts using multivariate random forests
US20210350262A1 (en) Automated decision platform
Hao et al. Manufacturing service supply-demand optimization with dual diversities for industrial internet platforms
Meng et al. Intelligent salary benchmarking for talent recruitment: A holistic matrix factorization approach
Raju et al. An approach for demand forecasting in steel industries using ensemble learning
KR20210103834A (ko) 머신러닝 기반의 수요량 예측 방법 및 장치
Makrynioti et al. Modelling machine learning algorithms on relational data with datalog
CN113837783A (zh) 时间序列模型参数优化方法、装置、计算机设备
Garnier Concurrent neural network: a model of competition between times series
CN114385121B (zh) 一种基于业务分层的软件设计建模方法及系统
Wang et al. Multi-CODP adjustment model and algorithm driven by customer requirements in dynamic environments
US20170053223A1 (en) Determining Payload Estimate
KR102653642B1 (ko) 상품 추천을 위한 방법, 컴퓨터 프로그램 및 서버
WO2022188994A1 (en) Computer-implemented methods referring to an industrial process for manufacturing a product and system for performing said methods
Pebrina et al. The Role of Accounting Information Systems in The Industrial Revolution 4. 0 Era
Xu An Intelligent Classification Method of Multisource Enterprise Financial Data Based on SAS Model
CN111784503B (zh) 一种通信征信数据的运营变现方法、系统和存储介质
US20230117893A1 (en) Machine learning techniques for environmental discovery, environmental validation, and automated knowledge repository generation
US20230351420A1 (en) Machine learning technologies to predict opportunities for special pricing agreements