KR20210114136A - Order prediction method and apparatus - Google Patents
Order prediction method and apparatus Download PDFInfo
- Publication number
- KR20210114136A KR20210114136A KR1020200029396A KR20200029396A KR20210114136A KR 20210114136 A KR20210114136 A KR 20210114136A KR 1020200029396 A KR1020200029396 A KR 1020200029396A KR 20200029396 A KR20200029396 A KR 20200029396A KR 20210114136 A KR20210114136 A KR 20210114136A
- Authority
- KR
- South Korea
- Prior art keywords
- order
- data
- past
- user
- energy
- Prior art date
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
- 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
- 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
- G06Q10/06—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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Abstract
Description
본 발명은 에너지 사용량을 기반으로 사용자의 주문을 예측하는 기술에 관한 것이다.The present invention relates to a technology for predicting a user's order based on energy usage.
최근 1인 가구의 증가와 배달 기술의 발달로 배달 음식 관련 시장 및 배달 어플리케이션 시장도 급속한 성장을 이루었다. 이에 따라 사용자는 스마트폰을 사용해 업종별, 점포별 비교를 통해 합리적인 소비를 할 수 있다. 이러한 상황에서 배달 주문을 분석하고 예측하는 연구들이 진행되고 있다. With the recent increase in single-person households and the development of delivery technology, the delivery food-related market and delivery application market have also achieved rapid growth. Accordingly, users can use smartphones to make reasonable consumption through comparisons by industry and store. In this situation, studies to analyze and predict delivery orders are being conducted.
그러나 대부분의 연구는 집단에 관한 성향을 예측하는 것으로서, 개별 사용자의 주문 패턴이나 예측에 관한 연구는 부족한 실정이다. 예를 들어, 시간과 날씨라는 변수만을 고려하여 시간대별 배달 주문 이용건수를 예측하거나, 업종별 모형을 세워 각 업종별 배달 주문 이용건수를 예측하는 등 통계 값에 치중되어 있다. However, most of the research is to predict the propensity for the group, and the research on the order pattern or prediction of individual users is insufficient. For example, it is focused on statistical values, such as predicting the number of delivery orders used by time zone, or predicting the number of delivery orders used by each industry by establishing a model for each industry in consideration of only variables such as time and weather.
또한, 사용자 별 에너지 사용량을 기반으로 하는 생활 패턴을 변수로 사용하는 연구도 부족하다. 에너지 사용량을 실시간으로 계측하고 통신망을 통해 계량 정보를 제공할 수 있는 디지털 전자식 계량기인 스마트 미터의 보급이 활성화되지 않았기 때문이다. In addition, studies using life patterns based on energy consumption per user as a variable are also lacking. This is because the spread of smart meters, which are digital electronic meters that measure energy consumption in real time and provide metering information through communication networks, has not been activated.
스마트 미터를 사용하면, 사용자의 전력, 수도, 가스 등의 실시간 에너지 사용량을 네트워크 통신 기능을 이용하여 손쉽게 얻을 수 있다. 이로부터 실시간 에너지 사용량을 고려하여 사용자의 배달 주문을 예측할 수 있다.By using a smart meter, users can easily obtain real-time energy usage, such as power, water, and gas, by using the network communication function. From this, it is possible to predict the user's delivery order taking into account real-time energy usage.
해결하고자 하는 과제는 사용자의 에너지 사용량과 과거의 주문 데이터, 그리고 환경 데이터를 기반으로 사용자의 주문 패턴을 추출하고, 미래의 주문을 예측하는 방법 및 장치를 제공하는 것이다. The task to be solved is to provide a method and apparatus for extracting a user's order pattern based on the user's energy usage, past order data, and environmental data, and predicting future orders.
한 실시 예에 따른 주문 예측 방법이 개시된다. 상기 방법은 사용자의 과거 주문 데이터에 기초하여, 과거 주문 시점의 과거 환경 데이터를 수집하되, 상기 환경 데이터는 날씨, 시간 및 이벤트에 관한 정보를 포함하는 단계, 상기 과거 주문 시점의 상기 사용자의 에너지 사용량을 포함하는 과거 에너지 데이터를 수집하는 단계, 상기 과거 환경 데이터와 상기 과거 에너지 데이터에 상기 과거 주문 데이터를 태깅하여 학습 데이터를 생성하고, 상기 학습 데이터를 이용하여 주문 패턴 모델을 학습시키는 단계, 그리고 상기 주문 패턴 모델에 현재 환경 데이터와 현재 에너지 데이터를 입력하여 상기 사용자의 주문을 예측하는 단계를 포함한다.An order prediction method according to an embodiment is disclosed. The method is based on the user's past order data, collecting past environmental data at the time of the past order, wherein the environmental data includes information about weather, time and event, the user's energy usage at the time of the past order Collecting past energy data including, generating learning data by tagging the past order data to the past environmental data and the past energy data, and training an order pattern model using the learning data, and the and predicting the user's order by inputting current environmental data and current energy data into the order pattern model.
본 발명에 따르면 배달 어플리케이션 업체는 각 사용자의 주문을 개별적, 실시간으로 예측할 수 있으므로, 사용자의 상황에 따라 맞춤형 서비스를 제공하여 매출을 향상시킬 수 있고, 사용자는 맞춤형 서비스를 제공받아 합리적인 소비를 할 수 있다.According to the present invention, since the delivery application company can predict each user's order individually and in real time, it is possible to improve sales by providing customized services according to the user's situation, and the user can make reasonable consumption by receiving the customized service. have.
또한 본 발명에 따르면 스마트 미터의 보급에 따라 각 사용자의 에너지 사용량 측정이 원활해지고, 신기술을 활용한 에너지 시장(Behind The Meter, BTM)의 성장 추세에 맞는 서비스를 제공할 수 있다.In addition, according to the present invention, according to the spread of the smart meter, each user's energy usage measurement becomes smooth, and a service that meets the growth trend of the energy market (Behind The Meter, BTM) utilizing new technology can be provided.
도 1은 한 실시 예에 따른 주문 예측 장치의 구성도이다.
도 2는 한 실시 예에 따른 주문 패턴 모델의 학습 방법의 설명도이다.
도 3은 한 실시 예에 따른 주문을 예측하는 방법의 흐름도이다.
도 4는 한 실시 예에 따른 주문 예측 결과에 따라 부가서비스를 제공하는 방법의 설명도이다.
도 5는 한 실시 예에 따른 주문 예측 결과에 따라 부가서비스를 제공하는 방법의 예시도이다.
도 6은 한 실시 예에 따른 컴퓨터 시스템을 나타내는 도면이다.1 is a block diagram of an order prediction apparatus according to an embodiment.
2 is an explanatory diagram of a learning method of an order pattern model according to an embodiment.
3 is a flowchart of a method for predicting an order according to an embodiment.
4 is an explanatory diagram of a method of providing an additional service according to an order prediction result according to an embodiment.
5 is an exemplary diagram of a method of providing an additional service according to an order prediction result according to an embodiment.
6 is a diagram illustrating a computer system according to an embodiment.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, with reference to the accompanying drawings, embodiments of the present invention will be described in detail so that those of ordinary skill in the art to which the present invention pertains can easily implement them. However, the present invention may be embodied in various different forms and is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.
사용자는 모바일 단말의 배달 또는 주문 어플리케이션을 이용하여 원하는 장소의 원하는 메뉴 또는 서비스를 주문할 수 있다. 본 발명은 사용자의 주문과 주문 시점의 사용자의 에너지 사용량, 환경 정보의 관계를 패턴으로 도출하여, 미래의 주문을 예측하는 것이다. A user may order a desired menu or service at a desired place by using a delivery or ordering application of the mobile terminal. The present invention predicts a future order by deriving the relationship between the user's order, the user's energy usage at the time of the order, and environmental information as a pattern.
본 발명에서는 사용자의 가정에 에너지 사용을 측정하기 위한 스마트 미터가 설치되어 있거나 또는 별도의 에너지 관리 서버로부터 사용자의 에너지 사용량을 얻을 수 있는 상황을 가정한다. In the present invention, it is assumed that a smart meter for measuring energy use is installed in the user's home or the user's energy usage can be obtained from a separate energy management server.
도 1은 한 실시 예에 따른 주문 예측 장치의 구성도이다. 1 is a block diagram of an order prediction apparatus according to an embodiment.
도 1을 참고하면, 주문 예측 장치(1000)는 사용자의 주문에 영향을 미치는 날씨, 시간, 이벤트 등의 환경 데이터와 에너지 사용량을 포함하는 에너지 데이터 및 과거의 주문 데이터를 이용하여 주문 패턴을 학습하고, 미래의 주문을 예측한다. Referring to FIG. 1 , the
주문 예측 장치(1000)는 데이터 저장부(100), 데이터 분석부(200), 환경 데이터 수집부(300), 에너지 데이터 수집부(400), 주문 패턴 학습부(500) 그리고 주문 예측부(600)를 포함한다. The
설명을 위해, 데이터 저장부(100), 데이터 분석부(200), 환경 데이터 수집부(300), 에너지 데이터 수집부(400), 주문 패턴 학습부(500) 그리고 주문 예측부(600)로 명명하여 부르나, 이들은 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치이다. 여기서, 데이터 저장부(100), 데이터 분석부(200), 환경 데이터 수집부(300), 에너지 데이터 수집부(400), 주문 패턴 학습부(500) 그리고 주문 예측부(600)는 하나의 컴퓨팅 장치에 구현되거나, 별도의 컴퓨팅 장치에 분산 구현될 수 있다. 별도의 컴퓨팅 장치에 분산 구현된 경우, 데이터 저장부(100), 데이터 분석부(200), 환경 데이터 수집부(300), 에너지 데이터 수집부(400), 주문 패턴 학습부(500) 그리고 주문 예측부(600)는 통신 인터페이스를 통해 서로 통신할 수 있다. 컴퓨팅 장치는 본 발명을 수행하도록 작성된 소프트웨어 프로그램을 실행할 수 있는 장치이면 충분하고, 예를 들면, 서버, 랩탑 컴퓨터 등일 수 있다. For explanation, the
데이터 저장부(100), 데이터 분석부(200), 환경 데이터 수집부(300), 에너지 데이터 수집부(400), 주문 패턴 학습부(500) 그리고 주문 예측부(600) 각각은 하나의 인공지능 모델일 수 있고, 복수의 인공지능 모델로 구현될 수도 있다. 주문 예측 장치(1000) 또는 주문 패턴 모델(510)은 하나의 인공지능 모델일 수 있고, 복수의 인공지능 모델로 구현될 수도 있다. 이에 따라, 상술한 구성들에 대응하는 하나 또는 복수의 인공지능 모델은 하나 또는 복수의 컴퓨팅 장치에 의해 구현될 수 있다.Each of the
데이터 저장부(100)는 과거의 사용자가 주문한 데이터, 주문 시점의 환경 데이터, 주문 시점의 에너지 데이터를 저장한다.The
과거 주문 데이터는 사용자의 모바일 단말에 설치된 주문 어플리케이션으로부터 수집할 수 있다. 예를 들어 주문 시 사용자가 사용한 어플리케이션의 종류, 주문 시간, 주문을 원하는 식당, 메뉴, 개수, 주문 시 별도로 작성한 추가 사항들을 포함할 수 있다.Past order data may be collected from an order application installed in the user's mobile terminal. For example, the type of application used by the user when placing an order, order time, restaurant desired to order, menu, number, and additional items separately written when placing an order may be included.
과거 환경 데이터는 주문에 영향을 줄 수 있는 환경 요소를 포함한다. 구체적으로, 주문하는 시점에 진행된 스포츠 경기, 게임 경기, 공연, 방송 프로그램 등 엔터테인먼트 요소와 주문할 때의 날씨, 요일 정보를 포함할 수 있다. Historical environmental data includes environmental factors that may affect ordering. Specifically, it may include entertainment elements such as sports events, game games, performances, and broadcast programs conducted at the time of ordering, and weather and day information at the time of ordering.
예를 들어 과거 환경 데이터는 과거 주문 시점에 스포츠 경기, 게임 경기가 진행되었는지 또는 드라마가 방영되는 시간대에 해당하는지를 포함할 수 있다. 또한 과거 주문이 발생한 시점이 주간인지 야간인지, 어느 요일인지, 어느 계절인지에 대한 정보와 주문 시점의 기온, 습도, 운량, 강수량 등의 날씨 정보를 포함할 수 있다. For example, the past environmental data may include whether a sports event or a game event was performed at the time of the past order, or whether a drama was aired. In addition, it may include information on whether the past order is daytime or nighttime, which day of the week, which season it is, and weather information such as temperature, humidity, cloudiness, and precipitation at the time of the order.
과거 에너지 데이터는 주문 시점의 사용자의 전기 사용량, 수도 사용량, 가스 사용량 등을 포함한다. 이는 사용자의 가정에 설치된 스마트 미터 또는 별도의 에너지 관리 서버(미 도시)로부터 얻은 것일 수 있다.The historical energy data includes the user's electricity usage, water usage, gas usage, etc. at the time of ordering. This may be obtained from a smart meter installed in the user's home or a separate energy management server (not shown).
데이터 분석부(200)는 데이터 저장부(100)의 데이터들을 전처리하거나 가공한다. 예를 들어 과거 환경 데이터와 과거 에너지 데이터에 과거 주문 데이터를 태깅하여 주문 패턴 모델(510)을 학습시키기 위한 학습 데이터를 생성할 수 있다.The data analysis unit 200 pre-processes or processes the data of the
환경 데이터 수집부(300)는 날씨, 시간, 이벤트 등의 정보를 수집한다. 정보의 출처는 어느 하나로 제한되지 않으며, 수집된 정보는 데이터 저장부(100)에 기록될 수 있다.The environment
에너지 데이터 수집부(400)는 에너지 사용량을 수집한다. 이는 스마트 미터 또는 에너지 관리 서버를 통해 실시간으로 얻은 것일 수 있다. 수집된 에너지 데이터는 데이터 저장부(100)에 기록될 수 있다. 따라서 수집된 데이터의 양이 증가함에 따라 주문 예측 장치(1000)의 정확도가 향상될 수 있다.The energy
주문 패턴 학습부(500)는 데이터 분석부(200)에서 과거 주문 데이터, 과거 환경 데이터, 과거 에너지 데이터로 생성된 학습 데이터를 기반으로 기계학습을 통해 주문 패턴 모델(510)을 학습시킨다. 즉 소비자의 배달 주문 패턴을 추출한다. The order
주문 패턴 모델(510)은 인공 신경망으로 구현될 수 있으며, 신경망 모델은 어느 하나로 한정되지 않는다. 예를 들어 인공 신경망(Artificial Neural Network, ANN), 선형 회귀(Linear Regression), 순환 신경망(Recurrent Neural Network, RNN) 또는 장단기 메모리(Long Short-Term Memory, LSTM)로 구현될 수 있다.The
주문 패턴 모델(510)의 구조 및 주문 패턴 학습부(500)가 주문 패턴 모델(510)을 학습시키는 과정은 도 2를 통해 자세히 설명한다.The structure of the
주문 예측부(600)는 최종적으로 학습된 주문 패턴 모델(510)에, 현재 날씨, 현재 시간, 현재 이벤트와 같은 현재 환경 데이터와, 현재 에너지 데이터를 입력 파라미터로 하여 사용자의 주문을 예측한다. The
출력되는 예측 값은 숫자로 표시될 수 있으며, 숫자에 주문 장소 및 메뉴가 태깅될 수 있다. 예를 들어 주문 패턴 모델(510)의 예측 값이 '00'일 경우는 중국 음식, '01'일 경우는 치킨, '10'일 경우는 족발, '11'일 경우 기타상품으로 해석할 수 있다. The output prediction value may be displayed as a number, and an order place and a menu may be tagged with the number. For example, if the predicted value of the
주문 패턴 모델(510)은 복수의 예측 값과 함께 각 예측 값의 확률을 출력할 수 있다. 예를 들어 중국 음식을 주문할 확률이 70%, 치킨을 주문할 확률이 30%라고 출력하거나 치킨 또는 족발을 주문할 확률이 80%라고 출력할 수 있다.The
도 2는 한 실시 예에 따른 주문 패턴 모델의 학습 방법의 설명도이다. 2 is an explanatory diagram of a learning method of an order pattern model according to an embodiment.
도 2를 참고하면, 주문 패턴 모델(510)은 인공 신경망과 회귀(Regression) 모듈의 결합으로 구현될 수 있다. Referring to FIG. 2 , the
인공 신경망은 인공 뉴런으로 구성된 복수의 노드들을 포함한다. 인공 뉴런들은 가중치들과 비선형 활성함수(Activation Function)로 구현될 수 있다. The artificial neural network includes a plurality of nodes composed of artificial neurons. Artificial neurons may be implemented with weights and a non-linear activation function.
인공 신경망의 출력단은 회귀(Regression) 모듈을 포함하며, 회귀 모듈은 신경망의 내부 값을 주문 패턴이라는 출력 값으로 변환한다. 주문 패턴은 주문을 원하는 식당 등의 장소, 메뉴, 메뉴의 개수 등을 포함할 수 있다.The output stage of the artificial neural network includes a regression module, and the regression module converts an internal value of the neural network into an output value called an order pattern. The order pattern may include a place such as a restaurant where an order is desired, a menu, the number of menus, and the like.
주문 패턴 학습부(500)는 과거 날씨, 과거 시간, 과거 이벤트를 입력 파라미터로 하여 주문 정보를 예측하고, 이에 태깅된 과거 주문 데이터와 예측된 주문 정보와의 차이를 계산한다. 차이가 주문 패턴 모델(510)에 반영되도록 인공 신경망의 출력단부터 가중치 값을 조절하며 학습을 진행한다. 이를 역전파(Backpropagation) 알고리즘이라고 한다.The order
도 3은 한 실시 예에 따른 주문을 예측하는 방법의 흐름도이고, 도 4는 한 실시 예에 따른 주문 예측 결과에 따라 부가서비스를 제공하는 방법의 설명도이고, 도 5는 한 실시 예에 따른 주문 예측 결과에 따라 부가서비스를 제공하는 방법의 예시도이다.3 is a flowchart of a method of predicting an order according to an embodiment, FIG. 4 is an explanatory diagram of a method of providing an additional service according to an order prediction result according to an embodiment, and FIG. 5 is an order according to an embodiment It is an exemplary diagram of a method of providing an additional service according to a prediction result.
도 3 내지 도 5를 함께 참고하면, 주문 예측 장치(1000)는 날씨, 시간, 이벤트 등의 환경 데이터와 에너지 데이터를 수집한다(S110).3 to 5 together, the
주문 예측 장치(1000)는 수집한 데이터에 주문 데이터를 태깅하여 학습 데이터를 생성한다(S120).The
주문 예측 장치(1000)는 생성된 학습 데이터로 주문 패턴 모델(510)을 학습시킨다(S130).The
주문 예측 장치(1000)는 현재 시점의 날씨, 시간, 이벤트 등의 환경 데이터와 사용자의 에너지 사용량을 수집한다(S140). 예를 들어 도 5를 참고하면, 주문 예측 장치(1000)는 현재 시각이 저녁 6시이고, 기온은 22도이고 맑다는 기상 정보를 수집할 수 있다. 그리고 저녁 6시 30분에 야구 경기가 시작한다는 정보를 수집할 수 있다. 또한 사용자A, 사용자B, 사용자C의 현재 시점의 에너지 사용량을 수집할 수 있다. The
주문 예측 장치(1000)는 학습된 주문 패턴 모델(510)을 이용하여, 사용자의 주문을 예측한다(S150). 위의 예에서, 사용자A는 해당 사용자의 주소지 근처의 식당에서 치킨을 주문할 것으로 예측하고, 사용자B는 야구 경기가 진행되는 근처의 식당에서 중국 음식을 주문할 것으로 예측하고, 사용자C는 주문을 하지 않을 것으로 예측할 수 있다. The
주문 예측 장치(1000)는 사용자 별 부가서비스의 제공을 위해 주문 예측 결과를 부가서비스 제공 서버로 전달한다(S160). 위의 예에서, 부가서비스 제공 장치(2000)는 주문할 것으로 예측된 사용자A와 사용자B에 각 메뉴에 맞는 쿠폰을 발행하여 구매 욕구를 촉진시킬 수 있다. 쿠폰은 각 사용자의 모바일 단말에 설치된 배달 또는 주문 어플리케이션을 통해 발행될 수 있다.The
도 6은 본 발명의 실시 예에 따른 컴퓨터 시스템(700)을 나타내는 도면이다. 6 is a diagram illustrating a
본 발명의 실시 예에 따른 주문 예측 장치(1000)는 도 6과 같은 컴퓨터 시스템(700)으로 구현될 수 있다. 그리고 주문 예측 장치(1000)의 각 구성 요소도 도 6과 같은 컴퓨터 시스템(700)으로 구현될 수 있다. The
컴퓨터 시스템(700)은 버스(760)를 통해 통신하는 프로세서(710), 메모리(720), 사용자 인터페이스 입력 장치(740), 사용자 인터페이스 출력 장치(750), 그리고 저장 장치(730) 중 적어도 하나를 포함할 수 있다. The
프로세서(710)는 중앙 처리 장치(central processing unit, CPU)이거나, 또는 메모리(720) 또는 저장 장치(730)에 저장된 명령을 실행하는 반도체 장치일 수 있다. 프로세서(710)는 상기 도 1 내지 도 5에서 설명한 기능들 및 방법을 구현하도록 구성될 수 있다. The
메모리(720) 및 저장 장치(730)는 다양한 형태의 휘발성 또는 비 휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(720)는 ROM(read only memory)(721) 및 RAM(random access memory)(722)를 포함할 수 있다. 본 발명의 실시 예에서 메모리(720)는 프로세서(710)의 내부 또는 외부에 위치할 수 있고, 메모리(720)는 이미 알려진 다양한 수단을 통해 프로세서(710)와 연결될 수 있다.The
본 발명에 따르면 배달 어플리케이션 업체는 각 사용자의 주문을 개별적, 실시간으로 예측할 수 있으므로, 사용자의 상황에 따라 맞춤형 서비스를 제공하여 매출을 향상시킬 수 있고, 사용자는 맞춤형 서비스를 제공받아 합리적인 소비를 할 수 있다.According to the present invention, since the delivery application company can predict each user's order individually and in real time, it is possible to improve sales by providing customized services according to the user's situation, and the user can make reasonable consumption by receiving the customized service. have.
또한 본 발명에 따르면 스마트 미터의 보급에 따라 각 사용자의 에너지 사용량 측정이 원활해지고, 신기술을 활용한 에너지 시장(Behind The Meter, BTM)의 성장 추세에 맞는 서비스를 제공할 수 있다.In addition, according to the present invention, according to the spread of the smart meter, each user's energy usage measurement becomes smooth, and a service that meets the growth trend of the energy market (Behind The Meter, BTM) utilizing new technology can be provided.
이상에서 설명한 본 발명의 실시 예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.The embodiment of the present invention described above is not implemented only through the apparatus and method, but may be implemented through a program for realizing a function corresponding to the configuration of the embodiment of the present invention or a recording medium in which the program is recorded.
이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.Although the embodiments of the present invention have been described in detail above, the scope of the present invention is not limited thereto, and various modifications and improved forms of the present invention are also provided by those skilled in the art using the basic concept of the present invention as defined in the following claims. is within the scope of the right.
Claims (1)
상기 과거 주문 시점의 상기 사용자의 에너지 사용량을 포함하는 과거 에너지 데이터를 수집하는 단계,
상기 과거 환경 데이터와 상기 과거 에너지 데이터에 상기 과거 주문 데이터를 태깅하여 학습 데이터를 생성하고, 상기 학습 데이터를 이용하여 주문 패턴 모델을 학습시키는 단계, 그리고
상기 주문 패턴 모델에 현재 환경 데이터와 현재 에너지 데이터를 입력하여 상기 사용자의 주문을 예측하는 단계
를 포함하는 주문 예측 방법.Based on the user's past order data, collecting past environmental data at the time of a past order, wherein the environmental data includes information about weather, time, and events;
collecting past energy data including the user's energy usage at the time of the past order;
generating learning data by tagging the past order data to the past environmental data and the past energy data, and learning an order pattern model using the learning data; and
Predicting the user's order by inputting current environmental data and current energy data to the order pattern model
An order forecasting method that includes.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200029396A KR20210114136A (en) | 2020-03-10 | 2020-03-10 | Order prediction method and apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200029396A KR20210114136A (en) | 2020-03-10 | 2020-03-10 | Order prediction method and apparatus |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20210114136A true KR20210114136A (en) | 2021-09-23 |
Family
ID=77926365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200029396A KR20210114136A (en) | 2020-03-10 | 2020-03-10 | Order prediction method and apparatus |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20210114136A (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102429716B1 (en) * | 2022-01-28 | 2022-08-08 | 주식회사 스마트캐스트 | Building energy management system using sales data |
KR102465733B1 (en) * | 2022-01-28 | 2022-11-14 | 주식회사 스마트캐스트 | A system for predicting store energy consumption and providing customer recommendation service based on unit energy consumption analysis by menu |
-
2020
- 2020-03-10 KR KR1020200029396A patent/KR20210114136A/en not_active Application Discontinuation
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102429716B1 (en) * | 2022-01-28 | 2022-08-08 | 주식회사 스마트캐스트 | Building energy management system using sales data |
KR102465733B1 (en) * | 2022-01-28 | 2022-11-14 | 주식회사 스마트캐스트 | A system for predicting store energy consumption and providing customer recommendation service based on unit energy consumption analysis by menu |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11036189B2 (en) | Energy disaggregation techniques for low resolution whole-house energy consumption data | |
Himeur et al. | A novel approach for detecting anomalous energy consumption based on micro-moments and deep neural networks | |
Savi et al. | Short-term energy consumption forecasting at the edge: A federated learning approach | |
Zhang et al. | Forecasting residential energy consumption: Single household perspective | |
US7693670B2 (en) | Cognitive electric power meter | |
Wang et al. | Ensemble learning for load forecasting | |
Selakov et al. | Hybrid PSO–SVM method for short-term load forecasting during periods with significant temperature variations in city of Burbank | |
Llanos et al. | Load profile generator and load forecasting for a renewable based microgrid using self organizing maps and neural networks | |
Jawad et al. | Machine learning based cost effective electricity load forecasting model using correlated meteorological parameters | |
Rodríguez Fernández et al. | Using the Big Data generated by the Smart Home to improve energy efficiency management | |
Chadoulos et al. | Mobile apps meet the smart energy grid: A survey on consumer engagement and machine learning applications | |
KR20210114136A (en) | Order prediction method and apparatus | |
US20210334914A1 (en) | System and method for determining power production in an electrical power grid | |
Deng et al. | Unified quantile regression deep neural network with time-cognition for probabilistic residential load forecasting | |
Liao et al. | Short-term load forecasting with dense average network | |
Hartmann et al. | Suspicious electric consumption detection based on multi-profiling using live machine learning | |
Wang et al. | Analysis of solar generation and weather data in smart grid with simultaneous inference of nonlinear time series | |
Naware et al. | Weather classification-based load and solar insolation forecasting for residential applications with LSTM neural networks | |
Jozi et al. | Contextual learning for energy forecasting in buildings | |
Prakash et al. | A machine learning approach-based power theft detection using GRF optimization | |
CN111512326A (en) | Energy plan communication control system and method based on load shape analysis | |
Mansouri et al. | Weather sensitive short term load forecasting using dynamic mode decomposition with control | |
Caliano et al. | Consumption based-only load forecasting for individual households in nanogrids: A case study | |
CN115018212A (en) | Power generation water consumption prediction analysis method and system and cloud platform | |
Thangavel et al. | Forecasting energy demand using conditional random field and convolution neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E601 | Decision to refuse application |