KR20210147672A - 전자장치 및 그 제어방법 - Google Patents

전자장치 및 그 제어방법 Download PDF

Info

Publication number
KR20210147672A
KR20210147672A KR1020200065250A KR20200065250A KR20210147672A KR 20210147672 A KR20210147672 A KR 20210147672A KR 1020200065250 A KR1020200065250 A KR 1020200065250A KR 20200065250 A KR20200065250 A KR 20200065250A KR 20210147672 A KR20210147672 A KR 20210147672A
Authority
KR
South Korea
Prior art keywords
objects
group
target
electronic device
processor
Prior art date
Application number
KR1020200065250A
Other languages
English (en)
Inventor
김영준
박도흠
신영태
강서영
김보강
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020200065250A priority Critical patent/KR20210147672A/ko
Priority to PCT/KR2020/017876 priority patent/WO2021241827A1/ko
Priority to US17/236,727 priority patent/US20210374624A1/en
Publication of KR20210147672A publication Critical patent/KR20210147672A/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
    • G06Q10/04—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 인터페이스부를 통하여, 복수의 대상에 대하여 시계열적으로 발생된 수량에 관한 정보를 획득하고, 복수의 대상 중에서 시계열적으로 발생된 수량의 연관성을 가지는 2이상의 대상을 각각 포함하는 복수의 그룹을 식별하고, 식별된 복수의 그룹 별로 기 정의된 예측 기준에 따른 최적값을 만족하는 각 그룹의 대상 수량을 식별하고, 식별된 대상 수량에 기초하여 각 그룹에 포함된 대상 각각의 예측 수량에 관한 정보를 출력하는 전자장치에 관한 발명이다.

Description

전자장치 및 그 제어방법 {ELECTRONICE DEVICE AND CONTROL METHOD THEREOF}
본 발명은 전자장치 및 그 제어방법에 관한 것으로서, 상세하게는, 제품의 수량을 예측하는 전자장치 및 그 제어방법에 관한 것이다.
제품을 취급하는 회사 등에서는 제품의 구매, 판매, 관리 등을 위해 제품 수량을 예측하는 경우가 많다. 실제로 다양한 부서에서 업무 목적에 따라 제품에 대한 구매 수량, 판매 수량, 재고 수량 등을 예측하고 있으며, 예측된 수량에 기초하여 사업을 수행함으로써, 수익 극대화를 위해 노력하고 있다.
그러나, 취급하는 제품의 종류가 증가하면, 이에 비례하여 수량 예측에 소요되는 데이터량, 비용 등이 증가되어, 오히려 회사 등의 수익에 부정적인 영향을 미칠 수 있다. 따라서, 제품의 종류가 증가되더라도 제품에 대한 수량 예측에 소요되는 데이터량, 비용 등을 저감할 수 있는 방안이 요구되고 있다.
본 발명의 목적은, 제품 수량의 예측 과정을 효율적으로 설계함으로써, 회사 등에서 취급하는 제품 종류가 증가되더라도 수량 예측에 소요되는 데이터량, 비용 등을 획기적으로 저감할 수 있는 전자장치 및 그 제어방법을 제공하는 것이다.
상기한 본 발명의 목적은, 인터페이스부; 및 상기 인터페이스부를 통하여, 복수의 대상에 대하여 시계열적으로 발생된 수량에 관한 정보를 획득하고, 상기 복수의 대상 중에서 상기 시계열적으로 발생된 수량의 연관성을 가지는 2이상의 대상을 각각 포함하는 복수의 그룹을 식별하고, 상기 식별된 복수의 그룹 별로 기 정의된 예측 기준에 따른 최적값을 만족하는 각 그룹의 대상 수량을 식별하고, 상기 식별된 대상 수량에 기초하여 상기 각 그룹에 포함된 대상 각각의 예측 수량에 관한 정보를 출력하는프로세서를 포함하는 전자장치에 의해 달성될 수 있다.
상기 프로세서는, 상기 시계열적으로 발생된 수량의 증감 추이가 유사한 상기 2이상의 대상이 상기 각 그룹에 포함되도록 할 수 있다.
상기 프로세서는, 상기 시계열적으로 발생된 수량 간 상관도가 제1문턱값 이상인 상기 2이상의 대상이 상기 각 그룹에 포함되도록 할 수 있다.
상기 프로세서는, 상기 복수의 대상에 대한 제품 특성의 정보를 획득하고, 상기 제품 특성의 연관성을 가지는 상기 2이상의 대상을 각각 포함하는 상기 복수의 그룹을 식별할 수 있다.
상기 프로세서는, 상기 시계열적으로 발생된 수량에 관하여 획득된 정보의 데이터량을 식별하고, 상기 식별된 데이터량이 제2문턱값 이상이면, 상기 복수의 그룹을 선택적으로 식별할 수 있다.
상기 기 정의된 예측 기준은 유전자 알고리즘에 따라 기 정의된 예측 기준을 포함할 수 있다.
상기 각 그룹에 포함된 대상 각각에 대한 예측 수량은, 상기 각 그룹에 포함된 대상 각각에 대하여 시계열적으로 발생된 수량이 차지하는 비율에 대응할 수 있다.
상기한 본 발명의 목적은, 복수의 대상에 대하여 시계열적으로 발생된 수량에 관한 정보를 획득하는 단계; 상기 복수의 대상 중에서 상기 시계열적으로 발생된 수량의 연관성을 가지는 2이상의 대상을 각각 포함하는 복수의 그룹을 식별하는 단계; 상기 식별된 복수의 그룹 별로 기 정의된 예측 기준에 따른 최적값을 만족하는 각 그룹의 대상 수량을 식별하는 단계; 및 상기 식별된 대상 수량에 기초하여 상기 각 그룹에 포함된 대상 각각의 예측 수량에 관한 정보를 출력하는 단계를 포함하는 전자장치의 제어방법에 의해서도 달성될 수 있다.
상기 복수의 그룹을 식별하는 단계는, 상기 시계열적으로 발생된 수량의 증감 추이가 유사한 상기 2이상의 대상이 상기 각 그룹에 포함되도록 하는 단계를 포함할 수 있다.
상기 복수의 그룹을 식별하는 단계는, 상기 시계열적으로 발생된 수량 간 상관도가 제1문턱값 이상인 상기 2이상의 대상이 상기 각 그룹에 포함되도록 하는 단계를 포함할 수 있다.
상기 복수의 그룹을 식별하는 단계는, 상기 복수의 대상에 대한 제품 특성의 정보를 획득하는 단계; 및 상기 제품 특성의 연관성을 가지는 상기 2이상의 대상을 각각 포함하는 상기 복수의 그룹을 식별하는 단계를 포함할 수 있다.
상기 복수의 그룹을 식별하는 단계는, 상기 시계열적으로 발생된 수량에 관하여 획득된 정보의 데이터량을 식별하는 단계; 및 상기 식별된 데이터량이 제2문턱값 이상이면, 상기 복수의 그룹을 선택적으로 식별하는 단계를 포함할 수 있다.
상기 기 정의된 예측 기준은 유전자 알고리즘에 따라 기 정의된 예측 기준을 포함할 수 있다.
상기 각 그룹에 포함된 대상 각각에 대한 예측 수량은, 상기 각 그룹에 포함된 대상 각각에 대하여 시계열적으로 발생된 수량이 차지하는 비율에 대응할 수 있다.
상기한 본 발명의 목적은, 복수의 대상에 대하여 시계열적으로 발생된 수량에 관한 정보를 획득하는 단계; 상기 복수의 대상 중에서 상기 시계열적으로 발생된 수량의 연관성을 가지는 2이상의 대상을 각각 포함하는 복수의 그룹을 식별하는 단계; 상기 식별된 복수의 그룹 별로 기 정의된 예측 기준에 따른 최적값을 만족하는 각 그룹의 대상 수량을 식별하는 단계; 및 상기 식별된 대상 수량에 기초하여 상기 각 그룹에 포함된 대상 각각의 예측 수량에 관한 정보를 출력하는 단계를 포함하는 것을 특징으로 하는 컴퓨터가 읽을 수 있는 프로그램이 기록된 기록매체에 의해서도 달성될 수 있다.
본 발명에 의하면, 제품 수량의 예측 과정을 효율적으로 설계함으로써, 회사 등에서 취급하는 제품 종류가 증가되더라도 수량 예측에 소요되는 데이터량, 비용 등을 획기적으로 저감할 수 있는 전자장치 및 그 제어방법을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 전자장치를 도시한다.
도 2는 도 1의 전자장치에 관한 구성의 일 예를 도시한다.
도 3은 도 2의 프로세서에 관한 구성의 일 예를 도시한다.
도 4는 도 1의 전자장치에 대한 제어방법의 일 예를 도시한다.
도 5는 도 4의 동작 S42와 관련하여 시계열적으로 발생된 수량의 증감 추이에 따라 그룹을 식별하는 일 예를 도시한다.
도 6은 도 4의 동작 S42와 관련하여 시계열적으로 발생된 수량 간 상관도에 따라 그룹을 식별하는 일 예를 도시한다.
도 7은 제품 특성의 연관성에 따라 그룹을 식별하는 일 예를 도시한다.
도 8은 도 4의 동작 S42와 관련하여 데이터량에 따라 복수의 그룹을 선택적으로 식별하는 제어방법의 일 예를 도시한다.
도 9는 도 4의 동작 S43과 관련하여 유전자 알고리즘을 만족하는 최적값을 도출하는 일 예를 도시한다.
도 10은 도 4의 동작 S43과 관련하여 각 대상에 대한 예측 수량을 식별하는 일 예를 도시한다.
도 11은 도 7과 관련하여 제품 특성에 따른 연관성에 기초하여 각 대상에 대한 예측 수량을 식별하는 다른 예를 도시한다.
도 12는 도 4의 동작 S41과 관련하여 시계열적으로 발생된 수량에 관한 정보를 획득하는 일 예를 도시한다.
이하에서는 첨부도면을 참조하여 본 발명에 따른 실시예들에 관해 상세히 설명한다. 이하 실시예들의 설명에서는 첨부된 도면들에 기재된 사항들을 참조하는 바, 각 도면에서 제시된 동일한 참조번호 또는 부호는 실질적으로 동일한 동작을 수행하는 구성요소를 나타낸다. 본 명세서에서의 복수의 구성 중 적어도 하나(at least one)는, 복수의 구성 전부뿐만 아니라, 복수의 구성 중 나머지를 배제한 각 하나 혹은 이들의 조합 모두를 지칭한다.
도 1은 본 발명의 일 실시예에 따른 전자장치를 도시한다. 도 1을 참조하면, 전자장치(1)는 범용 PC(Personal Computer), 서버 등으로 구현되거나, 범용 PC 및 서버가 조합된 장치로 구현될 수 있다. 다만 이에 한정되는 것은 아니므로, TV 등과 같이 디스플레이를 구비한 영상표시장치, 디스플레이를 구비하지 않는 셋탑박스 등의 영상처리장치, 냉장고, 세탁기 등의 생활가전 등으로 구현될 수 있다.
전자장치(1)는 대상 제품(이하, "대상"이라 지칭함)에 관한 대상 정보를 획득할 수 있다. 일 예로 대상 정보는 대상의 과거 또는 현재의 시계열적으로 발생된 판매량, 수요량, 공급량, 재고량 중 적어도 하나에 관한 발생 수량 정보를 포함할 수 있다. 다만 이에 한정되는 것은 아니므로, 대상 정보는 대상의 매입가격, 판매가격, 판매수익, 재고비용 등 수익비용에 관한 수익비용 정보 및 대상의 이름, 식별변호, 규격, 종류, 카테고리 등 특성 정보를 포함할 수 있다.
전자장치(1)는 대상 정보를 외부장치(2)로부터 수신할 수 있다. 외부장치(2)는 전자장치(1)에 대한 클라이언트가 될 수 있으며, 범용 PC, 서버로 구현되거나, 범용 PC 및 서버가 조합된 장치 등으로 구현될 수 있다. 일 예로 외부장치(2)는 도매상 서버, 소매상 서버 등으로 구현될 수 있다. 외부장치(2)는 대상 별 대상 정보를 입력받을 수 있으며, 입력된 SCM(Supply-Chain Management) 시스템을 통하여 전자장치(1)로 전송할 수 있다. 외부장치(2)는 대상 정보를 주기적 또는 비주기적으로 전송할 수 있으며, 전자장치(1)는 기존에 수신된 대상 정보가 있으면, 새로 수신된 대상 정보로 업데이트할 수 있다. 다만 이에 한정되는 것은 아니므로, 대상 정보는 전자장치(1)에 직접 입력된 것일 수 있다.
전자장치(1)는 획득된 대상 정보에 기초하여 대상의 수량을 예측할 수 있다. 일 예로 전자장치(1)는 대상의 발생 수량 정보에 기초하여 판매량, 수요량, 공급량, 재고량 중 적어도 하나를 예측할 수 있다. 다만 이에 한정되는 것은 아니므로, 전자장치(1)는 제품과 관련된 다양한 수량을 예측할 수 있다. 재고량의 경우를 예로 들면, 전자장치(1)는 예측된 재고량 정보를 외부장치(2)로 전송하여, 외부장치(2)로 하여금 예측 재고량에 따라 대상에 대한 최적 재고량을 유지하도록 할 수 있다. 즉, 외부장치(2)는 전자장치(1)로부터 수신된 예측 재고량에 기초하여 공급자, 도매상 등에게 대상을 주문 또는 발주함으로써, 최적의 재고량을 유지할 수 있다.
본 실시예에 따른 전자장치(1)는 복수의 대상 각각에 대한 수량을 예측할 수 있다. 이 경우 전자장치(1)는 수량 예측 단위를 대상 단위에서 그룹 단위로 변경할 수 있다. 도 1에 도시된 바와 같이 대상1 내지 대상5가 있는 경우를 가정하여 좀더 구체적으로 설명하면, 전자장치(1)는 대상1 내지 대상3을 포함하는 그룹1을 식별하고, 대상4 및 대상5를 포함하는 그룹2를 식별할 수 있다. 전자장치(1)는 그룹1에 대한 대상 수량을 식별하고, 그룹1의 대상 수량에 기초하여 그룹1에 속한 대상1 내지 대상3의 수량을 예측할 수 있다. 마찬가지로, 전자장치(1)는 그룹2에 대한 대상 수량을 식별하고, 그룹2의 대상 수량에 기초하여 그룹2에 속한 대상 4 및 대상5의 수량을 예측할 수 있다. 다만 대상 또는 그룹의 개수는, 설계 방법에 따라 다양하게 마련될 수 있으므로, 도 1에 도시된 바에 한정되지 않는다.
이와 같이 전자장치(1)는 복수의 대상에 대한 그룹화를 수행함으로써, 수량 예측 단위를 대상에서 그룹으로 변경할 수 있다. 전자장치(1)는 이러한 수량 예측 단위의 변경에 의해 수량 예측에 소요되는 데이터량, 비용 등을 획기적으로 절감할 수 있다.
도 2는 도 1의 전자장치에 관한 구성의 일 예를 도시한다. 이하에서는 도 2를 참조하여, 전자장치(1)의 구성에 관해 자세히 설명한다. 본 실시예서는 전자장치(1)가 범용 PC, 서버 등인 경우에 관해 설명하지만, 전자장치(1)는 다양한 종류의 장치로 구현될 수 있음은 앞서 설명한 바와 같으며, 본 실시예가 전자장치(1)의 구성을 한정하는 것은 아니다.
전자장치(1)는 인터페이스부(4)를 포함한다. 인터페이스부(4)는 유선 인터페이스부를 포함할 수 있다. 유선 인터페이스부는 HDMI 포트, DisplayPort, DVI 포트, 썬더볼트, 컴포지트(Composite) 비디오, 컴포넌트(Component) 비디오, 슈퍼 비디오(Super Video), SCART 등과 같이, 비디오 및/또는 오디오 전송규격에 따른 커넥터 또는 포트 등을 포함할 수 있다. 유선 인터페이스부는 USB 포트 등과 같은 범용 데이터 전송규격에 따른 커넥터 또는 포트 등을 포함할 수 있다. 유선 인터페이스부는 광 전송규격에 따라 광케이블이 연결될 수 있는 커넥터 또는 포트 등을 포함할 수 있다. 유선 인터페이스부는 외부 마이크로폰 또는 마이크로폰을 구비한 외부 오디오기기가 연결되며, 오디오기기로부터 오디오 신호를 수신 또는 입력할 수 있는 커넥터 또는 포트 등을 포함할 수 있다. 유선 인터페이스부는 헤드셋, 이어폰, 외부 스피커 등과 같은 오디오기기가 연결되며, 오디오기기로 오디오 신호를 전송 또는 출력할 수 있는 커넥터 또는 포트 등을 포함할 수 있다. 유선 인터페이스부는 이더넷 등과 같은 네트워크 전송규격에 따른 커넥터 또는 포트를 포함할 수 있다. 예컨대 유선 인터페이스부는 라우터 또는 게이트웨이에 유선 접속된 랜카드 등으로 구현될 수 있다.
유선 인터페이스부는 상기 커넥터 또는 포트를 통해 셋탑박스, 광학미디어 재생장치와 같은 외부기기, 또는 외부 디스플레이장치나, 스피커, 서버 등과 1:1 또는 1:N(N은 자연수) 방식으로 유선 접속됨으로써, 해당 외부기기로부터 비디오/오디오 신호를 수신하거나 또는 해당 외부기기에 비디오/오디오 신호를 송신한다. 유선 인터페이스부는, 비디오/오디오 신호를 각각 별개로 전송하는 커넥터 또는 포트를 포함할 수도 있다. 그리고, 본 실시예에 따르면 유선 인터페이스부는 전자장치(1)에 내장되나, 동글(Dongle) 또는 모듈(Module) 형태로 구현되어 전자장치(1)의 커넥터에 착탈될 수도 있다.
인터페이스부(4)는 무선 인터페이스부를 포함할 수 있다. 무선 인터페이스부는 통신부로서, 전자장치(1)의 구현 형태에 대응하여 다양한 방식으로 구현될 수 있다. 예를 들면 무선 인터페이스부는 통신방식으로 RF(Radio Frequency), 지그비(Zigbee), 블루투스(Bluetooth), 와이파이(Wi-Fi), UWB(Ultra-Wide Band) 및 NFC(Near Field Communication) 등 무선통신을 사용할 수 있다. 무선 인터페이스부는 와이파이 방식에 따라서 AP와 무선통신을 수행하는 무선통신모듈이나, 블루투스 등과 같은 1대 1 다이렉트 무선통신을 수행하는 무선통신모듈 등으로 구현될 수 있다. 무선 인터페이스부는 네트워크 상의 적어도 하나의 다른 서버와 무선 통신함으로써, 데이터 패킷을 송수신할 수 있다. 무선 인터페이스부는 적외선 통신규격에 따라 IR(Infrared) 신호를 송신 및/또는 수신할 수 있는 IR송신부 및/또는 IR수신부를 포함할 수 있다. 무선 인터페이스부는 IR송신부 및/또는 IR수신부를 통해 리모컨 또는 다른 외부기기로부터 리모컨신호를 수신 또는 입력하거나, 리모컨 또는 다른 외부기기로 리모컨신호를 전송 또는 출력할 수 있다. 다른 예로서, 전자장치(1)는 와이파이, 블루투스 등 다른 방식의 무선 인터페이스부를 통해 리모컨 또는 다른 외부기기와 리모컨신호를 송수신할 수 있다.
전자장치(1)는 사용자입력부(6)를 포함한다. 사용자입력부(6)는 사용자의 입력을 수행하기 위해 사용자가 조작할 수 있도록 마련된 다양한 종류의 입력 인터페이스 관련 회로를 포함한다. 사용자입력부(6)는 전자장치(1)의 종류에 따라서 여러 가지 형태의 구성이 가능하며, 예를 들면 전자장치(1)의 기계적 또는 전자적 버튼부, 터치패드, 디스플레이(7)에 설치된 터치스크린 등이 있다.
전자장치(1)는 디스플레이(7)를 포함한다. 디스플레이(7)는 화면 상에 영상을 표시할 수 있는 디스플레이 패널을 포함한다. 디스플레이 패널은 액정 방식과 같은 수광 구조 또는 OLED 방식과 같은 자발광 구조로 마련된다. 디스플레이(7)는 디스플레이 패널의 구조에 따라서 부가적인 구성을 추가로 포함할 수 있는데, 예를 들면 디스플레이 패널이 액정 방식이라면, 디스플레이(7)는 액정 디스플레이 패널과, 광을 공급하는 백라이트유닛과, 액정 디스플레이 패널의 액정을 구동시키는 패널구동기판을 포함한다. 다만, 디스플레이(7)는 전자장치(1)가 셋탑박스 등으로 구현되는 경우 생략될 수 있다.
전자장치(1)는 스피커(8)를 포함한다. 스피커(8)는 오디오 신호에 기초하여 다양한 오디오를 출력할 수 있다. 스피커(8)는 적어도 하나 이상의 스피커로 구현될 수 있다.
전자장치(1)는 마이크로폰을 포함한다. 마이크로폰은 사용자의 사용자발화를 비롯한 외부 환경의 소음, 소리 등을 수집한다. 마이크로폰은 수집된 음성 신호를 프로세서(3)에 전달한다.
한편, 사용자입력부(6), 디스플레이(7), 스피커(8) 또는 마이크로폰 중 적어도 하나는 인터페이스부(4)에 포함되도록 마련될 수 있다.
전자장치(1)는 저장부(9)를 포함한다. 저장부(9)는 디지털화된 데이터를 저장한다. 저장부(9)는 전원의 제공 유무와 무관하게 데이터를 보존할 수 있는 비휘발성 속성의 스토리지(Storage)와, 프로세서(3)에 의해 처리되기 위한 데이터가 로딩되며 전원이 제공되지 않으면 데이터를 보존할 수 없는 휘발성 속성의 메모리(Memory)를 포함한다. 스토리지에는 플래시메모리(Flash-Memory), HDD(Hard-Disc Drive), SSD(Solid-State Drive) ROM(Read Only Memory) 등이 있으며, 메모리에는 버퍼(Buffer), 램(RAM; Random Access Memory) 등이 있다. 음성 어시스턴스가 어플리케이션 등의 소프트웨어로 구현되는 경우, 저장부(9)는 음성 어시스턴스를 포함할 수 있다.
전자장치(1)는 프로세서(3)를 포함한다. 프로세서(3)는 인쇄회로기판 상에 장착되는 CPU, 칩셋, 버퍼, 회로 등으로 구현되는 하나 이상의 하드웨어 프로세서를 포함하며, 설계 방식에 따라서는 SOC(System On Chip)로 구현될 수도 있다. 프로세서(3)는 전자장치(1)가 디스플레이장치로 구현되는 경우에 디멀티플렉서, 디코더, 스케일러, 오디오 DSP(Digital Signal Processor), 앰프 등의 다양한 프로세스에 대응하는 모듈들을 포함한다. 여기서, 이러한 모듈들 중 일부 또는 전체가 SOC로 구현될 수 있다. 예를 들면 디멀티플렉서, 디코더, 스케일러 등 영상처리와 관련된 모듈이 영상처리 SOC로 구현되고, 오디오 DSP는 SOC와 별도의 칩셋으로 구현되는 것이 가능하다.
다만, 전자장치(1)의 구성은 도 2에 도시된 바에 한정되는 것은 아니므로, 설계 방법에 따라 상기한 구성 중 일부를 제외하거나, 상기한 구성 이외의 구성을 포함할 수 있다. 일 예로 전자장치(1)는 전원부, 배터리부 등을 포함할 수 있다. 전원부는 외부전원으로부터 전원을 수신하고, 상기한 각 구성에 동작전원으로 공급할 수 있다. 배터리부는 전원을 저장하고 있다가 필요 시 각 구성에 동작전원을 공급할 수 있다.
프로세서(3)는 인터페이스부(4)를 통하여, 복수의 대상에 대하여 시계열적으로 발생된 수량에 관한 정보를 획득하고, 복수의 대상 중에서 시계열적으로 발생된 수량의 연관성을 가지는 2이상의 대상을 각각 포함하는 복수의 그룹을 식별하고, 식별된 복수의 그룹 별로 기 정의된 예측 기준에 따른 최적값을 만족하는 각 그룹의 대상 수량을 식별하고, 식별된 대상 수량에 기초하여 각 그룹에 포함된 대상 각각의 예측 수량에 관한 정보를 출력하는 동작을 수행한다.
한편, 전자장치(1)의 프로세서(3)는 상기한 동작을 수행하기 위한 데이터 분석, 처리, 및 결과 정보 생성 중 적어도 일부를 규칙 기반 또는 인공지능 모델을 이용할 수 있다. 프로세서(3)는 각 동작을 위한 데이터에 대해 전처리 과정을 수행하여 인공지능 모델의 입력으로 사용하기 위해 적합한 형태로 변환할 수 있다. 인공지능 모델은 학습을 통해 만들어 질 수 있다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(Weight Values)을 갖고 있으며, 이전 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 여기서, 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론(Knowledge based Reasoning), 최적화 예측(Optimization Prediction), 선호 기반 계획(Preference-based Planning), 추천(Recommendation) 등을 포함할 수 있다.
프로세서(3)는 인공지능 알고리즘으로서 기계학습, 신경망 네트워크(Neural Network), 또는 딥러닝 알고리즘 중 적어도 하나를 이용하여 상기한 동작을 수행할 수 있다. 일 예로 프로세서(3)는 학습부 및 인식부의 기능을 함께 수행할 수 있다. 학습부는 학습된 신경망 네트워크를 생성하는 기능을 수행하고, 인식부는 학습된 신경망 네트워크를 이용하여 데이터를 인식(또는, 추론, 예측, 추정, 판단)하는 기능을 수행할 수 있다. 학습부는 신경망 네트워크를 생성하거나 갱신할 수 있다. 학습부는 신경망 네트워크를 생성하기 위해서 학습 데이터를 획득할 수 있다. 일 예로 학습부는 학습 데이터를 저장부(9)로부터 획득하거나, 외부로부터 획득할 수 있다. 학습 데이터는, 신경망 네트워크의 학습을 위해 이용되는 데이터일 수 있으며, 상기한 동작을 수행한 데이터를 학습데이터로 이용하여 신경망 네트워크를 학습시킬 수 있다.
학습부는 학습 데이터를 이용하여 신경망 네트워크를 학습시키기 전에, 획득된 학습 데이터에 대하여 전처리 작업을 수행하거나, 또는 복수 개의 학습 데이터들 중에서 학습에 이용될 데이터를 선별할 수 있다. 일 예로 학습부는 학습 데이터를 기 설정된 포맷으로 가공하거나, 필터링하거나, 또는 노이즈를 추가/제거하여 학습에 적절한 데이터의 형태로 가공할 수 있다. 학습부는 전처리된 학습 데이터를 이용하여 상기한 동작을 수행하도록 설정된 신경망 네트워크를 생성할 수 있다.
학습된 신경망 네트워크는, 복수의 신경망 네트워크(또는, 레이어)들로 구성될 수 있다. 복수의 신경망 네트워크의 노드들은 가중치를 가지며, 복수의 신경망 네트워크들은 일 신경망 네트워크의 출력 값이 다른 신경망 네트워크의 입력 값으로 이용되도록 서로 연결될 수 있다. 신경망 네트워크의 예로는, CNN(Convolutional Neural Network), DNN(Deep Neural Network), RNN(Recurrent Neural Network), RBM(Restricted Boltzmann Machine), DBN(Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 및 심층 Q-네트워크(Deep Q-Networks)과 같은 모델을 포함할 수 있다.
한편, 인식부는 상기한 동작을 수행하기 위해, 타겟 데이터를 획득할 수 있다. 타겟 데이터는 저장부(9)로부터 획득하거나, 외부로부터 획득할 수 있다. 타겟 데이터는 신경망 네트워크의 인식 대상이 되는 데이터일 수 있다. 인식부는 타겟 데이터를 학습된 신경망 네트워크에 적용하기 전에, 획득된 타겟 데이터에 대하여 전처리 작업을 수행하거나, 또는 복수 개의 타겟 데이터들 중에서 인식에 이용될 데이터를 선별할 수 있다. 일 예로 인식부는 타겟 데이터를 기 설정된 포맷으로 가공하거나, 필터링 하거나, 또는 노이즈를 추가/제거하여 인식에 적절한 데이터의 형태로 가공할 수 있다. 인식부는 전처리된 타겟 데이터를 신경망 네트워크에 적용함으로써, 신경망 네트워크로부터 출력되는 츨력값을 획득할 수 있다. 인식부는 출력값과 함께, 확률값 또는 신뢰도값을 획득할 수 있다.
도 3은 도 2의 프로세서에 관한 구성의 일 예를 도시한다. 도 3에 도시된 전처리부(31) 등과 같은 각 구성은 프로세서(3)의 하위 구성으로서, 하드웨어 또는 소프트웨어 중 적어도 하나로 구현될 수 있다. 일 예로 프로세서(3)의 서브 프로세서로 구현되거나, 프로세서(3) 또는 서브 프로세서 상에서 실행되는 프로그램으로 구현될 수 있다. 이하에서는 도 3을 참조하여 각 구성에 대해 자세히 설명한다.
프로세서(3)는 전처리부(31)를 포함한다. 전처리부(31)는 인터페이스부(4)를 통해 획득된 대상 정보에 대한 전처리를 수행할 수 있다. 전처리는 대상 정보에 대한 선별, 선택, 가공, 추정, 예측 등의 처리를 포함할 수 있다. 일 예로 전처리부(31)는 인터페이스부(4)를 통해 획득된 대상 정보에 대한 전처리를 통해 특정 대상의 대상 정보를 선택 또는 선별하거나, 미래 구간에 대한 데이터를 추정 또는 예측할 수 있다.
프로세서(3)는 그룹화부(32)를 포함한다. 그룹화부(32)는 전처리부(31)에 의해 전처리된 대상 정보에 기초하여 복수의 대상 중 적어도 2이상의 대상을 각각 포함하는 그룹을 식별하는 그룹화를 수행할 수 있다. 일 예로 그룹화부(32)는 대상 정보 간의 연관성이 있는 대상 별로 그룹화를 수행할 수 있다. 연관성은, 예컨대, 각 대상의 시계열적 발생 수량 정보 간의 연관성 또는 대상에 대한 제품 특성 정보 간의 연관성을 포함할 수 있다. 이에 대한 자세한 설명은 도 5 내지 7을 참조하여 설명하기로 한다.
프로세서(3)는 최적화부(33)를 포함한다. 최적화부(33)는 그룹화부(32)에 의해 그룹화된 복수의 그룹 각각에 대한 대상 수량을 식별할 수 있다. 각 그룹에 대한 대상 수량은 생산 단계, 유통 단계, 판매 단계 등에서 각 그룹의 최적 수량 레벨 또는 최적 수량 레벨 유지를 위한 전략을 의미할 수 있다. 최적화부(33)는 다양한 최적화 알고리즘을 사용하여 각 그룹의 대상 수량을 식별할 수 있다. 최적화 알고리즘은 도메인 휴리스틱(Domain-heuristics) 알고리즘, 차등 가중치 알고리즘 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 특히, 유전자 알고리즘을 사용하여 대상 수량을 식별하는 경우에 대해서는 도 9를 참조하여 자세히 설명하기로 한다.
프로세서(3)는 재분류부(34)를 포함한다. 재분류부(34)는 최적화부(33)에 의해 식별된 각 그룹의 대상 수량에 기초하여 각 그룹에 포함된 대상에 대한 수량을 예측할 수 있다. 일 예로 각 그룹에 포함된 각 대상의 발생 수량의 총합 대비 각 대상의 발생 수량에 비례하도록 대상에 대한 수량이 식별될 수 있다. 이에 대해서는 도 10 및 11을 참조하여 자세히 설명하기로 한다.
프로세서(3)는 시뮬레이션부(35)를 포함할 수 있다. 시뮬레이션부(35)는 재분류부(34)에 의해 식별된 각 대상에 대한 예측 수량에 기초하여, 생산 단계, 유통 단계, 판매 단계 등에서 각 대상의 최적 수량 레벨 또는 최적 수량 레벨 유지를 위한 전략을 모의로 실험해 볼 수 있다. 일 예로 각 대상의 예측 수량에 따라 각 외부장치(2)가 재고량을 유지하는 경우, 재고관리 측면에서 적절한 재고량이 되는지 모의로 실험해 볼 수 있다. 시뮬레이션부(35)는 모의 실험 결과를 데이터뿐만 아니라 표, 그래프 등과 같은 시각적 자료 등으로 획득할 수 있으며, 앞서 식별된 각 대상의 예측 수량과 함께 외부장치(2)로 전송할 수 있다.
이와 같이 프로세서(3)는 그룹화된 그룹을 마치 하나의 대상으로 간주함으로써, 예측 단위를 대상 단위에서 그룹 단위로 변경할 수 있으므로, 수량 예측을 위한 데이터량, 비용 등을 획기적으로 감소시킬 수 있다.
도 4는 도 1의 전자장치에 대한 제어방법의 일 예를 도시한다. 도 4의 각 동작은 전자장치(1)의 프로세서(3)에 의해 실행될 수 있다. 도 4에 도시된 바와 같이, 프로세서(3)는 인터페이스부(4)를 통하여, 복수의 대상에 대하여 시계열적으로 발생된 수량에 관한 정보를 획득할 수 있으며(S41), 복수의 대상 중에서 시계열적으로 발생된 수량의 연관성을 가지는 2이상의 대상을 각각 포함하는 복수의 그룹을 식별할 수 있다(S42).
프로세서(3)는 식별된 복수의 그룹 별로 기 정의된 예측 기준에 따른 최적값을 만족하는 각 그룹의 대상 수량을 식별할 수 있으며(S43), 식별된 대상 수량에 기초하여 각 그룹에 포함된 대상 각각의 예측 수량에 관한 정보를 출력하는 동작을 수행할 수 있다(S44).
이와 같이 전자장치(1)의 프로세서(3)는 그룹에 대한 대상 수량에 기초하여 대상 각각의 수량을 예측할 수 있으므로, 제품 관리를 위한 대상의 수가 많아지더라도 효율적인 제품 관리를 수행할 수 있다.
도 5는 도 4의 동작 S42와 관련하여 시계열적으로 발생된 수량의 증감 추이에 따라 그룹을 식별하는 일 예를 도시한다. 앞서 도 1을 참조하여 설명한 바와 같이, 프로세서(3)는 시계열적으로 발생된 대상의 수량에 관한 정보를 획득할 수 있다. 이하에서는 대상의 수량이 수요량인 경우를 가정하여 수요량의 증감 추이를 식별하고, 증감 추이 간 유사 여부를 판단하는 과정에 대해 자세히 설명한다.
대상1의 경우, 과거 특정 시점으로부터 1주차에 발생된 수요량이 5, 2주차에 발생된 수요량이 2, 3주차에 발생된 수요량이 4, 4주차에 발생된 수요량이 1.5, 5주차에 발생된 수요량이 5가 될 수 있다. 즉, 프로세서(3)는 대상1에 대하여 각 주차에 발생된 수요량 (5, 2, 4, 1.5, 5)에 관한 정보를 획득할 수 있다. 마찬가지로, 프로세서(3)는 각 주차 별로 대상2 내지 대상5의 시계열적 발생 수요량에 관한 정보를 획득할 수 있다.
프로세서(3)는 각 대상에 대한 발생 수요량의 정보에 기초하여 발생 수요량 간의 연관성이 있는 2이상의 대상을 식별하고, 이들을 하나의 그룹으로 분류할 수 있다. 연관성은 발생 수요량의 증감 추이 간의 유사 여부를 포함할 수 있다. 다시 도 5를 참조하면, 프로세서(3)는 대상1 내지 대상5에 대하여 각 주차에 발생된 수요량에 관한 정보에 기초하여 각 대상 별 수요량의 증감 추이(50)를 식별할 수 있으며, 증감 추이 간의 유사 여부를 식별할 수 있다. 일 예로 프로세서(3)는 대상1 내지 대상3에 대한 발생 수요량의 증감 추이가, 예컨대, W형 증감 추이로서, 서로 유사하다고 식별할 수 있다. 프로세서(3)는 W형 증감 추이를 갖는 대상1 내지 대상3을 하나의 그룹1로 분류할 수 있다. 마찬가지로, 프로세서(3)는 대상4 및 대상5에 대한 발생 수요량의 증감 추이가, 예컨대, M형 증감 추이로서, 서로 유사하다고 식별하고, 대상4 및 대상5을 그룹2로 분류할 수 있다.
이와 같이 프로세서(3)는 각 대상에 대한 시계열적 발생 수량의 증감 추이 간의 유사 여부에 기초하여 발생 수량 간의 연관성을 식별할 수 있으므로, 그룹화의 용이성 및 신속성을 향상시킬 수 있다.
도 6은 도 4의 동작 S42와 관련하여 시계열적으로 발생된 수량 간 상관도에 따라 그룹을 식별하는 일 예를 도시한다. 앞선 실시예에서는 프로세서(3)가 각 대상에 대한 시계열적 발생 수요량의 증감 추이의 유사 여부에 따라 발생 수요량 간의 연관성을 식별하는 일 예에 대해 설명하였으나, 이하에서는 도 6를 참조하여 시계열적 발생 수요량 간의 상관도에 따라 상호 연관성을 식별하는 일 예에 대해 설명한다.
도 6에 도시된 바와 같이, 프로세서(3)는 각 대상에 대한 시계열적 발생 수요량에 관한 정보(60)를 획득할 수 있다. 발생 수요량에 관한 정보(60)는, 예컨대, 과거 각 주차에 각 대상 별로 발생된 수요량에 관한 정보를 포함할 수 있다. 발생 수요량에 관한 정보(60)는 룩업 테이블의 형태를 가질 수 있지만, 이에 한정되는 것은 아니다.
프로세서(3)는 발생 수요량에 관한 정보(60)에 기초하여 각 대상의 발생 수요량 간의 상관도를 식별할 수 있다. 상관도는 발생 수요량 정보(60) 간 상관 계수를 계산함으로써 식별될 수 있으며, 상관 계수는, 피어슨 상관 계수(Pearson Correlation Coefficient), 스피어만 상관 계수(Spearman Correlation) 등에 대한 계산법을 통해 식별될 수 있다. 상관도는 상관 계수에 의해서 식별되는 것에 한정되는 것은 아니므로, 예컨대, 각 대상의 월별 수요량 비중 차이에 대한 절대값의 합 또는 제곱의 합 등에 유클리드 거리법을 적용함으로써 식별될 수 있다. 다만 이하에서는 상관 계수에 기초하여 상관도가 식별되는 일 예에 대해 자세히 설명한다.
일 예로 도 6에 도시된 바와 같이, 프로세서(3)는 1주차에 대상1의 발생 수요량 5 및 대상2의 발생 수요량 4.5 간의 상관 계수, 2주차에 대상1의 발생 수요량 5 및 대상2의 발생 수요량 4.5 간의 상관 계수 등을 식별할 수 있으며, 각 주차에서 식별된 상관 계수의 평균을 구할 수 있다. 프로세서(3)는 각 주차의 평균 상관 계수를 대상1의 발생 수요량 및 대상2의 발생 수요량 간의 상관 계수로서, 예컨대, 0.8로 식별할 수 있다. 마찬가지로, 프로세서(3)는 대상1의 발생 수요량 및 대상3의 발생 수요량 간의 상관 계수가 0.6임을 식별할 수 있으며, 나머지 대상의 발생 수요량과의 상관 계수를 식별할 수 있다. 프로세서(3)는 이와 같이 각 대상에 대한 발생 수요량 간의 상관 계수를 식별함으로써, 상관 계수에 관한 정보(61)를 획득할 수 있다.
프로세서(3)는 상관 계수 정보(61)에 기초하여 상관 계수가 소정 제1문턱값 이상인 발생 수요량 간에 대하여 상호 상관이 있다고 식별할 수 있다. 일 예로 프로세서(3)는 상관 계수가 제1문턱값 0.6 이상인 발생 수요량 간에 상관이 있다고 식별할 수 있으며, 이에 따라 상관 계수가 제1문턱값 0.6 이상인 대상1의 발생 수요량, 대상2의 발생 수요량 및 대상3의 발생 수요량 간에 상관이 있다고 식별할 수 있다. 프로세서(3)는 상관 계수에 기초하여 발생 수요량 간에 상관이 있다고 식별된 대상1 내지 대상3을 하나의 그룹, 예컨대, 그룹1로 식별할 수 있다.
이와 같이 프로세서(3)는 각 대상에 대한 발생 수량 간의 상관도에 기초하여 발생 수량 간의 연관성을 식별할 수 있으므로, 그룹화의 용이성 및 신속성을 향상시킬 수 있다.
도 7은 제품 특성의 연관성에 따라 그룹을 식별하는 일 예를 도시한다. 도 5 및 6를 참조한 실시예에서는, 프로세서(3)가 각 대상에 대하여 시계열적 발생 수요량에 기초하여 상호 연관성 여부를 식별하는 반면에, 본 실시예에서는, 프로세서(3)가 각 대상의 제품 특성에 따라 상호 연관성 여부를 판단한다.
도 7을 참조하여 좀더 구체적으로 설명하면, 프로세서(3)는 각 대상에 대한 제품 특성에 관한 정보(70)를 획득할 수 있다. 제품 특성에 관한 정보(70)는 도 1을 참조하여 설명한 바와 같이 대상 정보의 일 예로서, 외부장치(2)로부터 수신되거나, 제조 시부터 저장된 것일 수 있다. 제품 특성에 관한 정보(70)는 각 대상 별 해상도, 화면 크기, 무게, 소비전력, 용도 등에 관한 정보를 포함할 수 있다. 다만 이에 한정되는 것은 아니므로, 제품 특성에 관한 정보(70)는 각 대상에 관한 다양한 정보를 포함할 수 있다.
프로세서(3)는 제품 특성에 관한 정보(70)에 기초하여, 예컨대, 해상도가 UHD(Ultra-High　Definition)인 대상1 내지 대상3을 식별하고, 대상1 내지 대상3 간에 연관성이 있는 것으로 식별할 수 있다. 프로세서(3)는 해상도에 있어서 연관성이 있는 것으로 식별된 대상1 내지 대상3을 하나의 그룹, 예컨대, 그룹1로 분류할 수 있다. 마찬가지로, 프로세서(3)는 해상도가 QHD(Quad-High　Definition)인 대상4 및 대상5를 식별하고, 해상도에 있어서 연관성이 있는 대상4 및 대상5를 그룹2로 분류할 수 있다. 다만 설명의 편의를 위해 어느 하나의 제품 특성을 고려하는 것으로 설명하였지만, 이에 한정되는 것은 아니므로, 2이상의 제품 특성에 기초하여 대상 간의 연관성 여부를 식별할 수 있으며, 이 경우 제품 특성마다 가중치를 부여하고, 부여된 가중치를 고려하여 대상 간의 연관성 여부를 식별할 수 있다.
다른 예로 프로세서(3)는 제품 특성을 수치화할 수 있으며, 수치화된 제품 특성에 따라 각 대상 별로 다차원 벡터를 표시할 수 있다. 프로세서(3)는 다차원 벡터 간의 거리, 각도 등을 비교함으로써, 대상 간의 연관성 여부를 식별할 수 있다. 벡터 간의 거리는 유클리드 거리법 등에 의해 계산될 수 있으며, 프로세서(3)는 벡터 간의 거리가 제2문턱값 이하인 대상 간에 연관성이 있다고 식별할 수 있다.
이와 같이 프로세서(3)는 각 대상에 대한 제품 특성에 기초하여 각 대상 간의 연관성을 식별하고, 식별된 연관성에 따라 그룹화를 진행할 수 있으므로, 그룹화의 용이성 및 신속성을 향상시킬 수 있다.
도 8은 도 4의 동작 S42와 관련하여 데이터량에 따라 복수의 그룹을 선택적으로 식별하는 제어방법의 일 예를 도시한다. 도 8에 도시된 바와 같이, 프로세서(3)는 복수의 대상에 대하여 시계열적으로 발생된 수량에 관한 정보를 획득하고(S81), 획득된 정보의 데이터량을 식별할 수 있다(S82).
프로세서(3)는 획득된 정보의 데이터량이 제3문턱값 이상인지 여부를 식별할 수 있다(S83). 제3문턱값은 프로세서(3)의 데이터 처리 용량, 인터페이스부(4) 또는 통신부(5)의 데이터 송수신 용량, 저장부(9)의 데이터 저장 용량 등에 기초하여 기 설정된 데이터량을 포함할 수 있다. 다만 이에 한정되는 것은 아니므로, 다양한 기준에 따라 제3문턱값이 정해질 수 있으며, 상황에 따라 변경될 수 있다.
프로세서(3)는 획득된 정보의 데이터량이 제3문턱값 이상이면, 복수의 대상 중에서 시계열적으로 발생된 수량의 연관성을 가지는 2이상의 대상을 각각 포함하는 복수의 그룹을 식별하고(S84), 식별된 복수의 그룹 별로 기 정의된 예측 기준에 따른 최적값을 만족하는 각 그룹의 대상 수량을 식별할 수 있으며(S85), 식별된 대상 수량에 기초하여 각 그룹에 포함된 대상 각각의 예측 수량에 관한 정보를 출력하는 동작을 수행할 수 있다(S86). 반면에 프로세서(3)는 획득된 정보의 데이터량이 제3문턱값 미만이면, 각 대상 별로 기 정의된 예측 기준에 따른 최적값을 만족하는 예측 수량에 관한 정보를 출력할 수 있다(S87).
한편, 도 7을 참조하여 설명한 바와 같이, 제품 특성을 고려하는 경우, 프로세서(3)는 제품 특성에 관한 정보(70)를 획득하고, 획득된 정보에 따라 제품 특성에 따라 연관성을 가지는 2이상의 대상을 복수의 그룹으로 분류할 수 있음은 도 7을 참조하여 설명한 바와 같다. 이 경우, 프로세서(3)는 획득된 정보(70)의 데이터량을 식별할 수 있으며, 획득된 정보(70)의 데이터량이 제3문턱값 이상인지 여부에 따라 제품 특성에 따라 연관성을 가지는 2이상의 대상을 복수의 그룹으로 분류할 수 있다. 프로세서(3)는 복수의 그룹 별로 기 정의된 예측 기준에 따른 최적값을 만족하는 각 그룹의 대상 수량을 식별하고, 식별된 대상 수량에 기초하여 각 그룹에 포함된 대상 각각의 예측 수량에 관한 정보를 출력하는 동작을 수행할 수 있다. 반면에 획득된 정보(70)의 데이터량이 제3문턱값 미만이면, 프로세서(3)는 각 대상 별로 기 정의된 예측 기준에 따른 최적값을 만족하는 예측 수량에 관한 정보를 출력할 수 있다.
이와 같이 전자장치(1)의 프로세서(3)는 데이터량에 따라 예측 단위를 대상 단위로 할지 아니면 그룹 단위로 할지를 선택할 수 있으므로, 상황에 따라 능동적인 제품 관리를 수행할 수 있다.
도 9는 도 4의 동작 S43과 관련하여 유전자 알고리즘을 만족하는 최적값을 도출하는 일 예를 도시한다. 도 1을 참조하여 설명한 바와 같이, 프로세서(3)는 각 그룹에 대하여 다양한 최적화 알고리즘을 사용할 수 있으며, 해당 최적화 알고리즘에 따라 도출된 최적값을 만족하는 각 그룹에 대한 대상 수량을 식별할 수 있다. 이하에서는 최적화 알고리즘의 일 예로서 유전자 알고리즘을 사용하는 경우에 대해 자세히 설명한다.
도 9에 도시된 바와 같이, 프로세서(3)는 임의의 초기 집단을 식별할 수 있다(S91). 초기 집단은 임의의 기간인 각 주차 별(W1, W2, W3, W4) 후보 대상 수량을 포함하는 적어도 하나의 후보 대상 수량 세트로 구성될 수 있다. 일 예로 도 9에 도시된 바와 같이, 후보 대상 수량 세트1은 각 주차 별 후보 대상 수량이 각각 (20, 20, 20, 20)이고, 후보 대상 수량 세트2는 각 주차 별 후보 대상 수량이 각각 (5, 10, 15, 20)이다. 또한 후보 대상 수량 세트3은 각 주차 별 후보 대상 수량이 각각 (10, 20, 30, 20)이고, 후보 대상 수량 세트4는 각 주차 별 후보 대상 수량이 각각 (50, 0, 0, 30)이다. 각 후보 대상 수량은 다양성을 제공하기 위해 랜덤하게 선택될 수 있다.
프로세서(3)는 초기 집단에 대하여 적합도 평가를 수행할 수 있다(S92). 적합도 평가는 소정 적합도 함수를 통해 각 후보 대상 수량 세트가 최종 해 집단에 얼마나 적합한지를 평가하는 과정을 의미할 수 있다. 프로세서(3)는 적합도 함수를 적용하여 각 후보 대상 수량 세트에 대하여 적합도 점수를 부여할 수 있으며, 적합도 점수가 제4문턱값 이상인지에 따라 적합 여부를 식별할 수 있다. 만일 적합도 점수가 제4문턱값 미만이면, 프로세서(3)는 해당 후보 대상 수량 세트를 배제하고, 다시 선택된 후보 대상 수량 세트에 대해 적합도 평가를 수행할 수 있다. 이 경우 초기 집단은 새로 선택된 후보 대상 수량 세트를 포함하게 된다.
프로세서(3)는 적합도 평가를 거친 각 후보 대상 수량에 대해 선택 조작을 할 수 있다(S93). 일 예로 프로세서(3)는 적합도 점수가 높은 순으로 각 후보 대상 수량 세트를 선택할 수 있다. 다만 선택 조작은 상기한 방법에 한정되는 것은 아니므로, 룰렛 휠(Roulette Wheel), 토너먼트(Tournament), 순위(Rank) 등에 따른 다양한 선택 조작이 가능할 수 있다.
프로세서(3)는 서로 다른 후보 대상 수량 세트에 포함된 각 후보 대상 수량에 대해 대체, 치환, 교환 등을 수행하는 교배 조작을 하고(S94), 어느 하나의 후보 대상 수량 세트에 포함된 후보 대상 수량에 대해 변이를 수행하는 돌연변이 조작을 할 수 있다(S95).
프로세서(3)는 상기한 선택(S93), 교배(S93), 돌연변이(S93) 등과 같은 조작을 통해 새로운 세대(Population)를 나타내는 해 집단을 획득하고(S96), 해 집단에 대해 기 정의된 예측 기준인 종료 조건을 만족하는지 여부에 따라 최종 해를 식별할 수 있다(S97). 만일 해 집단이 종료 조건을 만족하지 못하는 경우 다시 적합도 평가(S92), 선택(S93), 교배(S93), 돌연변이(S93) 등과 같은 조작을 거치게 된다. 반면에 해 집단이 종료 조건을 만족하는 경우 해 집단이 최종 해로서, 각 그룹에 대한 최적값으로서, 대상 수량으로 식별할 수 있다.
이와 같이 전자장치(1)의 프로세서(3)는 각 그룹에 대한 대상 수량을 식별하기 위해 유전자 알고리즘을 사용할 수 있다. 따라서 각 후보 대상 수량 세트 사이에서 선택, 교배, 돌연변이 등의 조작에 의해서 상호 협력적으로 해 집단을 탐색할 수 있으므로, 단순한 병렬적 해 집단의 탐색 대비 보다 좋은 해 집단을 보장할 수 있다.
도 10은 도 4의 동작 S43과 관련하여 각 대상에 대한 예측 수량을 식별하는 일 예를 도시한다. 프로세서(3)는 각 그룹에 포함된 대상 각각에 대하여 시계열적으로 발생 수요량 간의 상대적 비중에 관한 비율 정보(100)를 획득할 수 있다. 비율 정보(100)는 외부장치(2)로부터 수신되거나, 외부장치(2)로부터 수신된 대상 정보에 기초하여 가공된 것일 수 있다.
이하에서는 도 10을 참조하여 프로세서(3)가 비율 정보(100)로서 그룹1에서 각 대상의 수요량 비중을 고려함으로써, 각 대상에 대한 예측 수요량을 식별하는 일 예에 대해 설명한다. 그룹1에 포함된 대상1, 대상2 및 대상3 각각의 수요량 비중이 47%, 33% 및 20%인 경우를 가정한다. 다만 각 대상의 수요량 비중은 설명의 편의를 위한 것이므로, 수요 환경 등에 따라 다양하게 마련될 수 있다.
프로세서(3)는 제1그룹의 대상 수요량에 대상1의 수요량 비중 47%를 곱함으로써, 대상1의 예측 수요량을 식별할 수 있다. 마찬가지로, 제1그룹의 대상 수요량에 대상2의 수요량 비중 33% 또는 대상3의 수요량 비중 20%를 각각 곱함으로써, 대상2의 예측 수요량 또는 대상3의 예측 수요량을 각각 식별할 수 있다.
이와 같이 전자장치(1)의 프로세서(3)는 각 그룹의 대상 수량 및 각 대상의 상대적 비중 간에 간단한 사칙연산만으로 각 대상에 대한 예측 수량을 식별할 수 있으므로, 예측 수량 식별에 대한 용이성 및 신속성을 향상시킬 수 있다.
도 11은 도 7과 관련하여 제품 특성에 따른 연관성에 기초하여 각 대상에 대한 예측 수량을 식별하는 다른 예를 도시한다. 도 11에 도시된 바와 같이, 1주차(W1)에서 그룹1의 수요량이 5.5인 경우를 가정한다. 다만 이는 설명의 편의를 위한 것이므로, 수요 환경 등에 따라 다양하게 마련될 수 있다. 그룹1에 포함된 대상1의 수요량 비중이 47%이면, 대상1의 예측 수요량은 2.6이 될 수 있다. 마찬가지로, 대상2의 수요량 비중 33% 또는 대상3의 수요량 비중 20%이면, 대상2의 예측 수요량 1.8 또는 대상3의 예측 수요량 1.1을 각각 식별할 수 있다. 마찬가지의 방법으로, 2주차(W2), 3주차(W3) 및 4주차(W4)에서 그룹1의 수요량이 5.0, 3.5, 4.5이면, 대상1의 예측 수요량은 2.4, 1.6 및 2.1가 되고, 대상2의 예측 수요량은 1.7, 1.2 및 1.5가 되고, 대상3의 예측 수요량은 1.0, 0.7 및 0.9가 될 수 있다.
프로세서(4)는 대상1 내지 대상3에 대해 식별된 예측 수요량에 대한 정보(111)를 외부장치(2)로 전송하여, 외부장치(2)로 하여금 예측 수요량에 따라, 예컨대, 각 대상에 대한 최적 재고량을 유지하도록 할 수 있다.
이와 같이 전자장치(1)의 프로세서(3)는 각 그룹의 대상 수량 및 각 대상의 상대적 비중 간에 간단한 사칙연산만으로 각 대상에 대한 예측 수량을 식별할 수 있으므로, 예측 수량 식별에 대한 용이성 및 신속성을 향상시킬 수 있다.
또한 제품 특성에 따른 연관성에 기초하여 각 대상에 대한 수량을 예측하면, 제품 특성 별 수량을 예측할 수 있으므로, 앞서 시계열적 발생 수량에 따른 연관성을 고려하는 경우에 비해 제품 특성 별 최적 수량 레벨 또는 최적 수량 레벨 유지를 위한 전략을 수립하기에 용이할 수 있다.
도 12는 도 4의 동작 S41과 관련하여 시계열적으로 발생된 수량에 관한 정보를 획득하는 일 예를 도시한다. 앞서 도 1을 참조하여 설명한 바와 같이, 프로세서(3)는 각 대상에 대한 대상 정보를 획득할 수 있다. 이하에서는 인터페이스부(4)를 통해 대상 정보를 획득하고, 각 대상에 대해 예측 수량에 관한 정보를 출력하는 과정에 대해 도 12를 참조하여 설명한다.
도 12에 도시된 바와 같이, 프로세서(3)는 대상 정보 입력을 위한 사용자 인터페이스(120)를 표시할 수 있다. 프로세서(3)는 사용자 인터페이스(120)를 통해, 예컨대, 대상1에 대해 시계열적으로 발생된 수량에 관한 정보를 획득할 수 있다. 시계열적 발생 수량에 관한 정보는 재고량, 수요예측값, 과거 공급량 중 적어도 하나에 관한 정보를 포함할 수 있다.
프로세서(4)는 복수의 대상에 대한 시계열적 발생 수량에 관한 정보를 획득하고, 앞서 도 1 내지 도 11을 참조하여 설명한 바와 같이, 획득된 정보의 연관성에 따라 2이상의 대상을 그룹화 하고, 각 그룹에 대한 대상 수량 및 그룹에 속한 각 대상에 대한 예측 수량을 식별할 수 있다.
프로세서(4)는, 도 12에 도시된 바와 같이, 대상1의 예측 수량에 관한 정보(121)를 디스플레이(7)에 표시할 수 있다. 예측 수량에 관한 정보(121)는 최적 재고량뿐만 아니라, 적정 공급량, 최적 보관기간 등에 관한 정보를 포함할 수 있다. 만일 외부장치(2)로 예측 수량에 관한 정보(121)를 전송하는 경우 예측 수량에 관한 정보(121)는 외부장치(2)에서 표시될 수 있다.
이와 같이 전자장치(1)의 프로세서(3)는 각 대상에 대한 예측 수량에 관한 정보(121)를 표시할 수 있으므로, 최적 재고량 등에 대해 직관적으로 확인할 수 있도록 할 수 있다.
본 문서에 개시된 다양한 실시예들은 전자장치(1)와 같은 기기(Machine)가 읽을 수 있는 저장 매체(Storage Medium)에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어로서 구현될 수 있다. 일 예로 전자장치(1)의 프로세서(3)는 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 전자장치(1)와 같은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(Non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(예컨대 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 일 예로 '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.
일 예로 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(Computer Program Product)에 포함되어 제공될 수 있다. 본 개시에 의한 컴퓨터 프로그램 제품은, 앞서 언급된 바와 같은, 프로세서에 의해 실행되는 소프트웨어의 명령어들을 포함할 수 있다. 컴퓨터 프로그램 제품은 제품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예컨대 CD-ROM)의 형태로 배포되거나, 또는 어플리케이션 스토어(예컨대 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예컨대 스마트폰들) 간에 직접, 온라인으로 배포(예컨대 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
이상, 바람직한 실시예를 통하여 본 발명에 관하여 상세히 설명하였으나, 본 발명은 이에 한정되는 것은 아니며 특허청구범위 내에서 다양하게 실시될 수 있다.
1: 전자장치
2: 외부장치

Claims (15)

  1. 전자장치에 있어서,
    인터페이스부; 및
    상기 인터페이스부를 통하여, 복수의 대상에 대하여 시계열적으로 발생된 수량에 관한 정보를 획득하고,
    상기 복수의 대상 중에서 상기 시계열적으로 발생된 수량의 연관성을 가지는 2이상의 대상을 각각 포함하는 복수의 그룹을 식별하고,
    상기 식별된 복수의 그룹 별로 기 정의된 예측 기준에 따른 최적값을 만족하는 각 그룹의 대상 수량을 식별하고,
    상기 식별된 대상 수량에 기초하여 상기 각 그룹에 포함된 대상 각각의 예측 수량에 관한 정보를 출력하는
    프로세서를 포함하는 전자장치.
  2. 제1항에 있어서,
    상기 프로세서는, 상기 시계열적으로 발생된 수량의 증감 추이가 유사한 상기 2이상의 대상이 상기 각 그룹에 포함되도록 하는 전자장치.
  3. 제1항에 있어서,
    상기 프로세서는, 상기 시계열적으로 발생된 수량 간 상관도가 제1문턱값 이상인 상기 2이상의 대상이 상기 각 그룹에 포함되도록 하는 전자장치.
  4. 제1항에 있어서,
    상기 프로세서는, 상기 복수의 대상에 대한 제품 특성의 정보를 획득하고, 상기 제품 특성의 연관성을 가지는 상기 2이상의 대상을 각각 포함하는 상기 복수의 그룹을 식별하는 전자장치.
  5. 제1항에 있어서,
    상기 프로세서는, 상기 시계열적으로 발생된 수량에 관하여 획득된 정보의 데이터량을 식별하고, 상기 식별된 데이터량이 제2문턱값 이상이면, 상기 복수의 그룹을 선택적으로 식별하는 전자장치.
  6. 제1항에 있어서,
    상기 기 정의된 예측 기준은 유전자 알고리즘에 따라 기 정의된 예측 기준을 포함하는 전자장치.
  7. 제1항에 있어서,
    상기 각 그룹에 포함된 대상 각각에 대한 예측 수량은, 상기 각 그룹에 포함된 대상 각각에 대하여 시계열적으로 발생된 수량이 차지하는 비율에 대응하는 전자장치.
  8. 전자장치의 제어방법에 있어서,
    복수의 대상에 대하여 시계열적으로 발생된 수량에 관한 정보를 획득하는 단계;
    상기 복수의 대상 중에서 상기 시계열적으로 발생된 수량의 연관성을 가지는 2이상의 대상을 각각 포함하는 복수의 그룹을 식별하는 단계;
    상기 식별된 복수의 그룹 별로 기 정의된 예측 기준에 따른 최적값을 만족하는 각 그룹의 대상 수량을 식별하는 단계; 및
    상기 식별된 대상 수량에 기초하여 상기 각 그룹에 포함된 대상 각각의 예측 수량에 관한 정보를 출력하는 단계
    를 포함하는 전자장치의 제어방법.
  9. 제8항에 있어서,
    상기 복수의 그룹을 식별하는 단계는, 상기 시계열적으로 발생된 수량의 증감 추이가 유사한 상기 2이상의 대상이 상기 각 그룹에 포함되도록 하는 단계를 포함하는 전자장치의 제어방법.
  10. 제8항에 있어서,
    상기 복수의 그룹을 식별하는 단계는, 상기 시계열적으로 발생된 수량 간 상관도가 제1문턱값 이상인 상기 2이상의 대상이 상기 각 그룹에 포함되도록 하는 단계를 포함하는 전자장치의 제어방법.
  11. 제8항에 있어서,
    상기 복수의 그룹을 식별하는 단계는,
    상기 복수의 대상에 대한 제품 특성의 정보를 획득하는 단계; 및
    상기 제품 특성의 연관성을 가지는 상기 2이상의 대상을 각각 포함하는 상기 복수의 그룹을 식별하는 단계를 포함하는 전자장치의 제어방법.
  12. 제8항에 있어서,
    상기 복수의 그룹을 식별하는 단계는,
    상기 시계열적으로 발생된 수량에 관하여 획득된 정보의 데이터량을 식별하는 단계; 및
    상기 식별된 데이터량이 제2문턱값 이상이면, 상기 복수의 그룹을 선택적으로 식별하는 단계를 포함하는 전자장치의 제어방법.
  13. 제8항에 있어서,
    상기 기 정의된 예측 기준은 유전자 알고리즘에 따라 기 정의된 예측 기준을 포함하는 전자장치의 제어방법.
  14. 제8항에 있어서,
    상기 각 그룹에 포함된 대상 각각에 대한 예측 수량은, 상기 각 그룹에 포함된 대상 각각에 대하여 시계열적으로 발생된 수량이 차지하는 비율에 대응하는 전자장치의 제어방법.
  15. 컴퓨터가 읽을 수 있는 코드로서, 전자장치의 제어방법을 수행하는 코드를 포함하는 컴퓨터 프로그램이 저장된 기록매체에 있어서, 상기 전자장치의 제어방법은,
    복수의 대상에 대하여 시계열적으로 발생된 수량에 관한 정보를 획득하는 단계;
    상기 복수의 대상 중에서 상기 시계열적으로 발생된 수량의 연관성을 가지는 2이상의 대상을 각각 포함하는 복수의 그룹을 식별하는 단계;
    상기 식별된 복수의 그룹 별로 기 정의된 예측 기준에 따른 최적값을 만족하는 각 그룹의 대상 수량을 식별하는 단계; 및
    상기 식별된 대상 수량에 기초하여 상기 각 그룹에 포함된 대상 각각의 예측 수량에 관한 정보를 출력하는 단계
    를 포함하는 것을 특징으로 하는 컴퓨터가 읽을 수 있는 프로그램이 기록된 기록매체.
KR1020200065250A 2020-05-29 2020-05-29 전자장치 및 그 제어방법 KR20210147672A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020200065250A KR20210147672A (ko) 2020-05-29 2020-05-29 전자장치 및 그 제어방법
PCT/KR2020/017876 WO2021241827A1 (ko) 2020-05-29 2020-12-08 전자장치 및 그 제어방법
US17/236,727 US20210374624A1 (en) 2020-05-29 2021-04-21 Electronic apparatus and method of controlling the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200065250A KR20210147672A (ko) 2020-05-29 2020-05-29 전자장치 및 그 제어방법

Publications (1)

Publication Number Publication Date
KR20210147672A true KR20210147672A (ko) 2021-12-07

Family

ID=78705100

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200065250A KR20210147672A (ko) 2020-05-29 2020-05-29 전자장치 및 그 제어방법

Country Status (3)

Country Link
US (1) US20210374624A1 (ko)
KR (1) KR20210147672A (ko)
WO (1) WO2021241827A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090676A (zh) * 2023-04-10 2023-05-09 武汉益模科技股份有限公司 一种基于多目标优化的aps排产方法及aps排产系统

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0744630A (ja) * 1993-06-29 1995-02-14 Hitachi Ltd 販売計画立案支援方法およびそのシステム
US20060271441A1 (en) * 2000-11-14 2006-11-30 Mueller Raymond J Method and apparatus for dynamic rule and/or offer generation
US7734495B2 (en) * 2002-04-23 2010-06-08 Kimberly-Clark Worldwide, Inc. Methods and system for allocating shelf space
JP2003346070A (ja) * 2002-05-27 2003-12-05 Matsushita Electric Works Ltd 需要量予測方法及び需要量予測システム
US7577589B2 (en) * 2002-09-25 2009-08-18 Combinenet, Inc. Method and apparatus for conducting a dynamic exchange
US20050027622A1 (en) * 2003-07-30 2005-02-03 Walker Jay S. Products and processes for vending a plurality of products via defined groups
JP4230975B2 (ja) * 2004-09-17 2009-02-25 キヤノンＩｔソリューションズ株式会社 データ予測装置及びデータ予測方法並びにプログラム
US20060277086A1 (en) * 2005-06-01 2006-12-07 University Of Maryland System and method for optimization-based production capability planning
JP4987499B2 (ja) * 2007-01-31 2012-07-25 株式会社エヌ・ティ・ティ・データ 需要予測装置、需要予測方法、及び、需要予測プログラム
US20130204659A1 (en) * 2012-02-07 2013-08-08 Caterpillar Inc. Systems and Methods for Forecasting Using Business Goals
KR102082551B1 (ko) * 2017-10-11 2020-03-03 (주)엑스바엑스 상품 공급망 자동설계 방법 및 이를 이용하는 시스템
US11210629B2 (en) * 2019-12-20 2021-12-28 Cognizant Technology Solutions India Pvt. Ltd. System and method for optimizing management of inventory data
CN113536097B (zh) * 2020-04-14 2024-03-29 华为技术有限公司 基于自动特征分组的推荐方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090676A (zh) * 2023-04-10 2023-05-09 武汉益模科技股份有限公司 一种基于多目标优化的aps排产方法及aps排产系统

Also Published As

Publication number Publication date
US20210374624A1 (en) 2021-12-02
WO2021241827A1 (ko) 2021-12-02

Similar Documents

Publication Publication Date Title
US20200135194A1 (en) Electronic device
US10726466B2 (en) System and method for recommending products to bridge gaps between desired and actual personal branding
US20180137550A1 (en) Method and apparatus for providing product information
US10984343B2 (en) Training and estimation of selection behavior of target
CN113159355A (zh) 数据预测方法、装置、物流货量预测方法、介质、设备
US11410111B1 (en) Generating predicted values based on data analysis using machine learning
US20210201146A1 (en) Computing device and operation method thereof
KR102531185B1 (ko) 온라인 광고 컨텐트 플랫폼을 제공하기 위한 시스템
WO2020004049A1 (ja) 情報処理装置、情報処理方法、およびプログラム
KR20210147672A (ko) 전자장치 및 그 제어방법
CN116910373B (zh) 房源推荐方法、装置、电子设备及存储介质
KR20210051349A (ko) 전자장치 및 그 제어방법
KR20200013164A (ko) 전자 장치, 및 전자 장치의 제어 방법
JP7005463B2 (ja) 学習装置、学習方法及びプログラム
US20230385936A1 (en) Information processing device, information processing method, and program
US20180121987A1 (en) System and Method for Enabling Personal Branding
Wu et al. An approach based on the SIR epidemic model and a genetic algorithm for optimizing product feature combinations in feature fatigue analysis
JP6686208B1 (ja) 情報処理装置、情報処理方法、及びプログラム
JP6963653B2 (ja) エンゲージメント関連性モデルのオフライン評価メトリック
JP2021077206A (ja) 学習方法、評価装置、及び評価システム
CN110674344B (zh) 生成模型及推荐影片的方法、装置、设备及存储介质
CN116911913B (zh) 一种交互结果的预测方法及装置
CN111626805B (zh) 信息展示方法和装置
US11651392B2 (en) Electronic apparatus and control method thereof
JP7218847B2 (ja) 情報処理装置、情報処理方法、およびプログラム