KR20220121074A - 머신 러닝에 기반하는 수요 예측 시스템 및 수요 예측 방법 - Google Patents

머신 러닝에 기반하는 수요 예측 시스템 및 수요 예측 방법 Download PDF

Info

Publication number
KR20220121074A
KR20220121074A KR1020210025049A KR20210025049A KR20220121074A KR 20220121074 A KR20220121074 A KR 20220121074A KR 1020210025049 A KR1020210025049 A KR 1020210025049A KR 20210025049 A KR20210025049 A KR 20210025049A KR 20220121074 A KR20220121074 A KR 20220121074A
Authority
KR
South Korea
Prior art keywords
data
existing
item
model
time series
Prior art date
Application number
KR1020210025049A
Other languages
English (en)
Other versions
KR102590158B1 (ko
Inventor
정병관
조미성
진선우
이승현
Original Assignee
주식회사 그로비
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 그로비 filed Critical 주식회사 그로비
Priority to KR1020210025049A priority Critical patent/KR102590158B1/ko
Publication of KR20220121074A publication Critical patent/KR20220121074A/ko
Application granted granted Critical
Publication of KR102590158B1 publication Critical patent/KR102590158B1/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
    • 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
    • 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
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N7/005—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

본 발명은 머신 러닝에 기반하여 신규 아이템의 수요를 예측하는 수요 예측 방법을 제공한다. 수요 예측 방법은 분류 단계 및 예측 단계를 포함한다. 분류 단계는 프로세서에 의해 동작되는 딥러닝 기반 분류(classification) 모델에 신규 아이템의 고유 속성을 나타내는 정적 속성 데이터를 입력하고, 분류 모델로부터 신규 아이템이 클러스터들에 속할 확률 값들을 획득한다. 예측 단계는 프로서세에 의해 동작되는 딥러닝 기반 회귀(regression) 모델에 신규 아이템에 관한 동적 속성 데이터 및 확률 값들을 입력하고, 회귀 모델로부터 신규 아이템이 시간 구간별로 얼마나 주문될지를 예상하는 예측 데이터를 획득한다. 클러스터들은 신규 아이템보다 이전에 판매된 기존 아이템들이 시간 구간별 주문량의 유사도에 따라 클러스터링된 집합들이다.

Description

머신 러닝에 기반하는 수요 예측 시스템 및 수요 예측 방법{MACHINE LEARNING BASED DEMAND PREDICTING SYSTEM AND DEMAND PREDICTING METHOD}
본 발명은 수요 예측 방법에 관한 것으로, 좀 더 상세하게는 머신 러닝에 기반하는 수요 예측 방법에 관한 것이다.
기업은 제품에 대한 수요 예측을 통해, 생산 시스템을 효율적으로 관리하고 제품의 재고율을 최소화할 수 있다. 수요 예측이란 시장에서 소비자가 해당 제품을 구매할 가능성에 대해 파악하는 것으로써, 제품에 대한 수요를 예측하는 것은 기업에게 매우 중요한 문제이다.
근래, 머신 러닝에 대한 활용도가 높아지면서, 다양한 기업들이 머신 러닝을 이용하여 수요 예측을 시도한다. 머신 러닝에 기반하는 수요 예측 모델은 과거 데이터(historical data)에 기반하여 훈련되거나 업데이트됨으로서, 보다 정확하게 제품에 대한 수요를 예측할 수 있다. 다만, 신규 제품은 해당 제품에 대한 과거 데이터가 없으므로, 일반적인 수요 예측 모델을 이용하여 신규 제품에 대한 수요를 예측할 수 없다는 문제가 있다.
본 발명의 목적은 기존 아이템에 대한 수요에 기초하여, 신규 아이템에 대한 수요를 예측하는 머신 러닝 기반 수요 예측 방법을 제공하는 데에 있다.
본 발명의 실시 예에 따른 수요 예측 방법은 분류 단계 및 예측 단계를 포함할 수 있다. 분류 단계는 프로세서에 의해 동작되는 딥러닝 기반 분류(classification) 모델에 신규 아이템의 고유 속성을 나타내는 정적 속성 데이터를 입력하고, 분류 모델로부터 신규 아이템이 클러스터들에 속할 확률 값들을 획득할 수 있다. 예측 단계는 프로서세에 의해 동작되는 딥러닝 기반 회귀(regression) 모델에 신규 아이템에 관한 동적 속성 데이터 및 확률 값들을 입력하고, 회귀 모델로부터 신규 아이템이 시간 구간별로 얼마나 주문될지를 예상하는 예측 데이터를 획득할 수 있다. 클러스터들은 신규 아이템보다 이전에 판매된 기존 아이템들이 시간 구간별 주문량의 유사도에 따라 클러스터링된 집합들일 수 있다. 동적 속성 데이터는 신규 아이템의 외부 환경과 관련되는 요소들에 대한 정보를 포함할 수 있다. 신규 아이템의 고유 속성은 외부 환경에 따라 변하지 않을 수 있다.
본 발명의 실시 예에 따른 수요 예측 시스템은 프로세서 및 메모리를 포함할 수 있다. 프로세서는 클러스터링 유닛, 분류 모델링 유닛 및 예측 모델링 유닛을 포함할 수 있다. 메모리는 프로세서에 의해 실행 가능한 명령어들을 저장할 수 있다. 프로세서는 명령어들을 실행함으로써, 클러스터링 유닛, 분류 모델링 유닛 및 예측 모델링 유닛을 동작할 수 있다. 클러스터링 유닛은 기존 아이템들의 시간 구간별 주문량을 나타내는 시계열 데이터를 머신러닝 기반 클러스터링 모델에 입력하여, 기존 아이템들을 주문 패턴이 유사한 것끼리 클러스터링할 수 있다. 분류 모델링 유닛은 주문 정보가 없는 신규 아이템의 정적 속성 데이터를 딥러닝 기반 분류 모델에 입력하여, 신규 아이템이 기존 아이템들의 클러스터들 각각에 속할 확률 값들을 획득할 수 있다. 예측 모델링 유닛은 확률 값들을 딥러닝 기반 예측 모델에 입력하여, 신규 아이템에 대해 예측되는 시간 구간별 주문량을 획득할 수 있다.
본 발명은 머신 러닝 기반의 클러스터링 모델(clustering model), 분류 모델(classification model), 회귀 모델(regression model)을 이용하여, 기존 아이템에 대한 수요를 바탕으로 신규 아이템에 대한 수요를 예측할 수 있다.
도 1은 본 발명의 실시 예에 따른 수요 예측 시스템의 동작을 설명하기 위한 블록도이다.
도 2는 도 1의 수요 예측 시스템이 머신러닝 모델들을 훈련시키는 동작들을 설명하기 위한 흐름도이다.
도 3은 도 1의 수요 예측 시스템이 신규 아이템에 대한 주문량을 예측하는 동작들을 설명하기 위한 흐름도이다.
도 4는 도 1의 클러스터링 유닛의 동작을 설명하기 위한 개념도이다.
도 5는 도 1의 클러스터링 유닛의 동작을 설명하기 위한 흐름도이다.
도 6은 도 1의 분류 모델링 유닛의 동작을 설명하기 위한 개념도이다.
도 7은 도 1의 분류 모델링 유닛의 동작을 설명하기 위한 흐름도이다.
도 8은 도 1의 예측 모델링 유닛의 동작을 설명하기 위한 개념도이다.
도 9는 도 1의 예측 모델링 유닛의 동작을 설명하기 위한 흐름도이다.
도 10은 도 1의 수요 예측 시스템의 전반적인 동작들을 보여주는 개념도이다.
도 11은 본 발명의 실시 예에 따른 수요 예측 장치의 구성을 보여주는 블록도이다.
이하에서, 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있을 정도로, 본 발명의 실시 예들이 명확하고 상세하게 기재될 것이다.
본 발명의 실시 예에 따른 수요 예측 시스템은 머신 러닝 기반의 클러스터링 모델(clustering model), 분류 모델(classification model), 회귀 모델(regression model)을 이용하여, 기존 아이템에 대한 수요를 바탕으로 신규 아이템에 대한 수요를 예측할 수 있다. 이하 설명의 편의를 위해, 기존 아이템들의 개수는 N개인 것으로 가정된다. N은 2 이상의 양의 정수로 가정된다. 제 K 기존 아이템은 제 1 내지 제 N 기존 아이템 중 임의의 하나를 나타낸다. K는 1 이상 N 이하인 정수로 가정된다.
도 1은 본 발명의 실시 예에 따른 수요 예측 시스템의 동작을 설명하기 위한 블록도이다.
소비자(200)는 전자 장치(250)를 이용하여, 기존 아이템을 주문할 수 있다. 예로서, 전자 장치(250)는 스마트폰(smartphone), 스마트 패드(smartpad), 타블렛 PC(Tablet PC), 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등 중 하나일 수 있다. 전자 장치(250)는 기존 아이템에 대한 주문 정보를 나타내는 주문 로그(order log)를 생성할 수 있다. 주문 로그는 주문 날짜, 주문 시간, 기존 아이템 ID, 기존 아이템의 가격, 주문량에 대한 정보를 포함할 수 있다.
매장(300)은 기존 아이템 및 신규 아이템을 판매하는 곳일 수 있다. 매장(300)은 컴퓨팅 장치(350)를 이용하여, 소비자(200)의 주문을 접수할 수 있다. 컴퓨팅 장치(350)는 네트워크를 통해 전자 장치(250)와 통신할 수 있다. 컴퓨팅 장치(350)는 웹 브라우저가 탑재된 노트북, 데스크톱, 랩톱일 수 있다. 다만, 본 발명은 이에 한정되지 않고, 컴퓨팅 장치(350)는 스마트폰, 스마트 패드, 타블렛 PC와 같은 모바일 전자 장치일 수도 있다.
매장(300)은 신규 아이템을 생산 및/또는 제조할 수 있다. 신규 아이템은 기존 아이템 보다 최근에 개발된 것이다. 따라서, 신규 아이템의 주문량에 대한 정보는 신규 아이템에 대한 수요를 예측하기에 충분하지 않거나 없을 수 있다. 수요 예측 시스템(100)은 머신 러닝 기반의 클러스터링 모델(clustering model), 분류 모델(classification model), 회귀 모델(regression model)을 이용하여, 기존 아이템에 대한 수요를 바탕으로 신규 아이템에 대한 수요를 예측할 수 있다.
수요 예측 시스템(100)은 로그 저장소(110), 클러스터링 유닛(120), 분류 모델링 유닛(130), 예측 모델링 유닛(140) 및 메모리(150)를 포함할 수 있다. 수요 예측 시스템은 노트북, 데스크톱, 랩톱 등과 같은 컴퓨팅 장치 또는 스마트폰, 스마트 패드, 타블렛 PC 등과 같은 모바일 전자 장치로 구현될 수 있다.
로그 저장소(110)는 전자 장치(250) 또는 컴퓨팅 장치(350)로부터 주문 로그들을 수신할 수 있다. 예로서, 주문 로그는 주문 날짜, 주문 시간, 기존 아이템 ID, 매장 ID, 주문자 ID, 기존 아이템의 가격, 주문 수량에 대한 정보를 포함할 수 있다. 다만, 본 발명은 이에 한정되지 않고, 주문 로그는 상기 기재된 요소보다 더 많은 정보를 포함하거나, 일부 요소를 포함하지 않을 수도 있다. 로그 저장소(110)는 주문 로그들을 주문 로그가 생성된 시간에 따라 순차적으로 저장하거나, 해당 주문이 발생한 시간에 따라 순차적으로 저장할 수 있다. 즉, 로그 저장소(110) 시계열 기반 로그 저장소일 수 있다.
클러스터링 유닛(120)는 로그 저장소(110)로부터 주문 로그들을 수신할 수 있다. 클러스터링 유닛(120)는 주문 로그들에 포함된 정보를 이용하여, 아이템별 시계열 데이터를 생성할 수 있다. 아이템의 시계열 데이터는 시간 구간별 해당 아이템의 주문량이 순차적으로 나열된 데이터 집합일 수 있다. 이 때, 시계열 데이터 각각에 포함된 데이터의 개수가 상이할 수 있다. 본 명세서에서, 시계열 데이터 각각에 포함된 데이터의 개수가 상이한 것은 시계열 데이터 각각의 길이가 상이한 것으로 표현될 수도 있다.
제 1 시계열 데이터 내지 제 N 시계열 데이터는 각각 제 1 기존 아이템 내지 제 N 기존 아이템에 대한 시간 구간별 주문량을 나타낸다. 설명의 편의를 위해, 제 1 시계열 데이터의 길이가 제 2 시계열 데이터의 길이보다 긴 것으로 가정되나, 본 발명이 이에 한정되지는 않는다.
클러스터링 유닛(120)은 동적 시간 워핑(Dynamic Time Warping)을 이용하여, 제 1 시계열 데이터 내지 제 N 시계열 데이터가 동일한 길이를 갖도록, 제 1 시계열 데이터 내지 제 N 시계열 데이터 중 몇몇 시계열 데이터를 워핑할 수 있다. 예로서, 클러스터링 유닛(120)은 동적 시간 워핑을 이용하여, 제 1 시계열 데이터 및 제 2 시계열 데이터의 길이가 동일해지도록 제 2 시계열 데이터를 워핑할 수 있다. 이하 설명들에서, 워핑된 제 1 시계열 데이터 내지 워핑된 제 N 시계열 데이터 각각의 길이는 동일한 것으로 가정된다.
클러스터링 유닛(120)은 워핑된 제 1 시계열 데이터 내지 워핑된 제 N 시계열 데이터를 머신러닝 기반 클러스터링 모델에 입력할 수 있다. 클러스터링 모델은 입력된 시계열 데이터를 복수의 클러스터들로 분류하는 비지도 학습의 머신 러닝 모델일 수 있다. 클러스터는 비슷한 특성을 가진 데이터끼리의 집합을 의미한다. 클러스터링 모델은 K-평균 클러스터링, GMM(Gaussian Mixture Model), DBSCAN(Denstity Based Spatial Clustering of Applications with Noise), 계층적 클러스터링(Hierarchical clustering) 등 중 하나를 이용하여 구현될 수 있으나, 본 발명이 이에 한정되지는 않는다.
클러스터링 유닛(120)은 클러스터링 모델을 이용하여, 워핑된 제 1 시계열 데이터 내지 워핑된 제 N 시계열 데이터를 복수의 클러스터들로 분류할 수 있다. 클러스터링 모델은 워핑된 제 1 시계열 데이터 내지 워핑된 제 N 시계열 데이터가 각각 어떤 클러스터에 속하는지에 대한 정보를 출력할 수 있다. 복수의 시계열 데이터가 동일한 클러스터에 속하는 것은 복수의 시계열 데이터가 서로 유사한 주문 패턴을 나타내는 것을 의미한다. 이하 설명들에서, 클러스터링 모델의 출력 값은 워핑된 제 1 시계열 데이터 내지 워핑된 제 N 시계열 데이터가 각각 어떤 클러스터에 속하는지를 나타내는 것으로 가정된다. 클러스터링 유닛(120)은 클러스터링 모델의 출력 값에 기초하여, 제 1 기존 아이템 내지 제 N 기존 아이템도 클러스터들 중 하나로 분류할 수 있다. 클러스터링 유닛(120)은 제 K 시계열 데이터가 속한 클러스터로 제 K 기존 아이템을 분류할 수 있다. 클러스터링 유닛(120)은 제 1 기존 아이템 내지 제 N 기존 아이템이 클러스터링된 클러스터링 결과 값을 분류 모델링 유닛(130)으로 출력할 수 있다.
분류 모델링 유닛(130)은 제 1 기존 아이템 내지 제 N 기존 아이템 각각에 대한 정적 속성 정보에 기초하여, 제 1 정적 속성 데이터 내지 제 N 정적 속성 데이터를 생성할 수 있다. 제 1 기존 아이템 내지 제 N 기존 아이템 각각에 대한 정적 속성 정보는 데이터베이스 시스템(400)에 저장될 수 있다. 분류 모델링 유닛(130)은 데이터베이스 시스템(400)에서 제 1 기존 아이템 내지 제 N 기존 아이템 각각에 대한 정적 속성 정보를 불러올 수 있다. 제 K 정적 속성 데이터는 제 K 기존 아이템에 대한 정적 속성 정보를 포함할 수 있다. 제 K 정적 속성 데이터는 제 K 기존 아이템의 이름, 주재료, 조리 방법, 음식군, 보조 메뉴가 있는지 등에 대한 정보를 포함할 수 있다. K는 1 이상 N 이하의 정수이다.
분류 모델링 유닛(130)은 클러스터링 유닛(120)으로부터 클러스터링 결과 값을 수신할 수 있다. 분류 모델링 유닛(130)은 클러스터링 결과 값에 기초하여, 제 1 정적 속성 데이터 내지 제 N 정적 속성 데이터 각각에 클러스터들 중 하나를 라벨링할 수 있다. 분류 모델링 유닛(130)은 제 K 정적 속성 데이터에 제 K 시계열 데이터가 속하는 클러스터를 라벨링할 수 있다.
분류 모델링 유닛(130)은 라벨링된 제 1 정적 속성 데이터 내지 라벨링된 제 N 정적 속성 데이터를 이용하여, 딥러닝 기반 분류 모델(classification model)을 훈련시킬 수 있다. 분류 모델은 지도 학습의 딥러닝 모델이다. 분류 모델은 로지스틱 회귀법, KNN(K-Nearest Neighbor), 서포트 벡터 머신, 의사결정 트리(Decision Tree) 등 중 하나의 알고리즘을 이용하여 구현될 수 있으나, 본 발명은 이에 한정되지 않는다.
분류 모델링 유닛(130)은 신규 아이템에 대한 정적 속성 데이터를 생성할 수 있다. 분류 모델링 유닛(130)은 데이터베이스 시스템(400)에서 신규 아이템에 대한 정적 속성 정보를 검색하거나, 컴퓨팅 장치(350)로부터 신규 아이템에 대한 정적 속성 정보를 수신할 수도 있다. 분류 모델링 유닛(130)은 신규 아이템에 대한 정적 속성 데이터를 훈련된 분류 모델에 입력할 수 있다. 분류 모델은 신규 아이템이 각각의 클러스터에 속할 클러스터 확률 분포를 출력할 수 있다. 이하 설명들에서, 분류 모델의 출력 값은 신규 아이템이 각각의 클러스터에 속할 클러스터 확률 분포를 나타내는 것으로 가정된다.
예측 모델링 유닛(140)은 클러스터링 유닛(120)으로부터 클러스터링 결과 값을 수신할 수 있다. 예측 모델링 유닛(140)은 클러스터링 결과 값에 기초하여, 기존 아이템의 클러스터 확률 분포를 생성할 수 있다. 기존 아이템의 클러스터 확률 분포는 기존 아이템이 클러스터들 중 어떤 클러스터에 속하는지를 나타낼 수 있다.
예측 모델링 유닛(140)은 컴퓨팅 장치(350) 또는 데이터베이스 시스템(400)으로부터 기존 아이템의 동적 속성에 대한 정보를 수신할 수 있다. 예측 모델링 유닛(140)은 기존 아이템의 동적 속성에 대한 정보를 이용하여, 동적 속성 데이터를 생성할 수 있다. 동적 속성 데이터는 외부 환경 데이터, 매장 특성 데이터, 행위 특성 데이터를 포함할 수 있다.
예측 모델링 유닛(140)은 클러스터 확률 분포 및 동적 속성 데이터를 이용하여, 제 1 내지 제 N 예측 데이터를 생성할 수 있다. 제 K 예측 데이터는 제 K 기존 아이템의 클러스터 확률 분포 및 제 K 기존 아이템의 동적 속성 데이터를 포함할 수 있다. 예측 모델링 유닛(140)은 워핑된 제 1 내지 워핑된 제 N 시계열 데이터를 각각 제 1 내지 제 N 예측 데이터에 라벨링할 수 있다. 예측 모델링 유닛(140)은 라벨링된 제 1 내지 제 N 예측 데이터를 이용하여, 딥러닝 기반 예측 모델을 훈련시킬 수 있다.
예측 모델링 유닛(140)은 분류 모델링 유닛(130)으로부터 신규 아이템의 클러스터 확률 분포를 수신할 수 있다. 예측 모델링 유닛(140)은 컴퓨팅 장치(350) 또는 데이터베이스 시스템(400)으로부터 신규 아이템의 동적 속성에 대한 정보를 수신할 수 있다. 예측 모델링 유닛(140)은 신규 아이템의 동적 속성에 대한 정보를 이용하여, 동적 속성 데이터를 생성할 수 있다. 동적 속성 데이터는 신규 아이템의 외부 환경 데이터, 매장 특성 데이터, 행위 특성 데이터를 포함할 수 있다. 예측 모델링 유닛(140)은 신규 아이템의 클러스터 확률 분포, 동적 속성 데이터를 포함하는 예측 데이터를 생성할 수 있다. 예측 모델링 유닛(140)은 신규 아이템의 예측 데이터를 예측 모델에 입력할 수 있다. 예측 모델은 신규 아이템에 대한 시간 구간별 예측되는 주문량을 출력할 수 있다.
메모리(150)는 로그 저장소(110), 클러스터링 유닛(120), 분류 모델링 유닛(130) 및 예측 모델링 유닛(140) 각각이 동작하는데 필요한 정보를 저장할 수 있다. 또한, 메모리(150)는 로그 저장소(110), 클러스터링 유닛(120), 분류 모델링 유닛(130) 및 예측 모델링 유닛(140)의 동작 결과를 저장할 수도 있다.
본 발명의 실시 예에 따르면, 수요 예측 시스템(100)은 예측 모델의 출력 값에 기초하여, 신규 아이템에 대한 주문 패턴을 예상하거나 해석할 수 있다. 다만, 본 발명은 신규 아이템의 수요를 예측하는데 한정되지 않고, 기존 아이템에 대한 시간 구간별 주문량을 예측할 수도 있다. 수요 예측 시스템(100)은 머신러닝 기반 모델들에 신규 아이템에 대한 데이터 대신 기존 아이템에 대한 데이터를 입력함으로써, 기존 아이템에 대한 시간 구간별 주문량을 예측할 수 있다. 따라서, 수요 예측 시스템(100)을 이용하는 경우, 아이템의 최적 생산량을 결정할 수 있고, 아이템의 재고량을 효율적으로 관리할 수 있다. 따라서, 아이템을 생산하고 유통하는데 필요한 비용을 절감할 수 있다.
도 2는 도 1의 수요 예측 시스템이 머신러닝 모델들을 훈련시키는 동작들을 설명하기 위한 흐름도이다.
도 1의 수요 예측 시스템(100)은 기존 아이템에 대한 주문 정보를 이용하여 머신러닝 모델들을 훈련시키는 훈련 동작 및 훈련된 머신러닝 모델들을 이용하여 신규 아이템에 대한 주문량을 예측하는 예측 동작을 수행할 수 있다. 도 2를 참조하여서는 수요 예측 시스템(100)의 훈련 동작이 설명되고, 도 3을 참조하여서는 수요 예측 시스템(100)의 예측 동작이 설명된다.
S110 동작에서, 수요 예측 시스템(100)은 기존 아이템들의 주문 로그들을 이용하여, 기존 아이템들 각각의 시간 구간별 주문량을 나타내는 시계열 데이터를 생성할 수 있다. 수요 예측 시스템(100)은 동적 시간 워핑을 이용하여, 기존 아이템들 각각의 시계열 데이터가 동일한 길이를 갖도록 시계열 데이터를 변환할 수 있다. 기존 아이템들 각각의 시계열 데이터가 동일한 길이를 갖는 경우, 수요 예측 시스템(100)은 동적 시간 워핑을 생략할 수도 있다.
S120 동작에서, 수요 예측 시스템(100)은 기존 아이템들 각각의 시계열 데이터를 클러스터링 모델에 입력할 수 있다. 클러스터링 모델은 입력된 시계열 데이터를 클러스터링할 수 있다. 수요 예측 시스템(100)은 클러스터링된 시계열 데이터에 기초하여, 시계열 데이터에 대응하는 기존 아이템들도 클러스터링할 수 있다. 수요 예측 시스템(100)은 기존 아이템은 기존 아이템에 대응하는 시계열 데이터가 속한 클러스터로 분류할 수 있다.
S130 동작에서, 수요 예측 시스템(100)은 기존 아이템들 각각에 대한 정적 속성 데이터를 생성할 수 있다. 수요 예측 시스템(100)은 정적 속성 데이터에 대응하는 기존 아이템이 속하는 클러스터를 라벨링할 수 있다.
S140 동작에서, 수요 예측 시스템(100)은 라벨링된 정적 속성 데이터를 분류 모델에 입력하여, 분류 모델을 훈련시킬 수 있다.
S150 동작에서, 수요 예측 시스템(100)은 기존 아이템들 각각에 대한 예측 데이터를 생성할 수 있다. 기존 아이템에 대한 예측 데이터는 해당 기존 아이템의 클러스터 확률 분포, 동적 속성 데이터를 포함할 수 있다.
S160 동작에서, 수요 예측 시스템(100)은 기존 아이템들 각각에 대한 예측 데이터에 해당 기존 아이템의 주문량에 대한 시계열 데이터를 라벨링할 수 있다. 이 때, 라벨링 되는 시계열 데이터는 워핑된 시계열 데이터를 의미할 수 있다.
S170 동작에서, 수요 예측 시스템(100)은 라벨링된 예측 데이터를 예측 모델에 입력하여, 예측 모델을 훈련시킬 수 있다.
S110 동작 내지 S170 동작을 통해 훈련된 분류 모델 및 훈련된 예측 모델은, 수요 예측 시스템(100)의 예측 동작을 위해 이용될 수 있다.
도 3은 도 1의 수요 예측 시스템이 신규 아이템에 대한 주문량을 예측하는 동작들을 설명하기 위한 흐름도이다. 도 3을 참조하여서는, 도 1의 수요 예측 시스템(100)이 훈련된 머신러닝 모델들을 이용하여 신규 아이템에 대한 주문량을 예측하는 예측 동작이 설명된다.
S210 동작에서, 수요 예측 시스템(100)은 신규 아이템에 대한 정적 속성 데이터를 생성할 수 있다.
S220 동작에서, 수요 예측 시스템(100)은 훈련된 분류 모델에 신규 아이템에 대한 정적 속성 데이터를 입력할 수 있다. 분류 모델이 도 2를 참조하여 설명된 S140 동작에서 훈련된 것일 수 있다. 기존 아이템들은 도 2를 참조하여 설명된 S120 동작에서 복수의 클러스터들로 클러스터링될 수 있다. 수요 예측 시스템(100)은 훈련된 분류 모델로부터, 신규 아이템이 각각의 복수의 클러스터들에 속할 클러스터 확률 분포를 획득할 수 있다.
S230 동작에서, 수요 예측 시스템(100)은 신규 아이템의 클러스터 확률 분포 및 동적 속성 데이터를 포함하는 예측 데이터를 생성할 수 있다.
S240 동작에서, 수요 예측 시스템(100)은 훈련된 예측 모델에 신규 아이템에 대한 예측 데이터를 입력할 수 있다. 예측 모델은 도 2를 참조하여 설명된 S170 동작에서 훈련된 것일 수 있다. 수요 예측 시스템(100)은 훈련된 예측 모델로부터, 신규 아이템에 대한 시간 구간별 예측 주문량을 나타내는 시계열 데이터를 획득할 수 있다.
도 4는 도 1의 클러스터링 유닛의 동작을 설명하기 위한 개념도이다.
도 1의 클러스터링 유닛(120)은 주문 로그들을 이용하여, 기존 아이템들 각각의 시간 구간별 주문량을 나타내는 시계열 데이터를 생성할 수 있다. 복수의 시계열 데이터의 길이가 상이한 경우, 클러스터링 유닛(120)은 동적 시간 워핑을 이용하여 복수의 시계열 데이터 간의 길이가 동일하도록 복수의 시계열 데이터를 워핑할 수 있다. 구체적으로, 복수의 시계열 데이터 각각의 길이가 그 중 길이가 가장 긴 시계열 데이터의 길이와 동일하도록, 클러스터링 유닛(120)은 나머지 시계열 데이터를 워핑할 수 있다.
도 4를 참조하면, 제 1 시계열 데이터 및 제 2 시계열 데이터가 도시된다. 제 1 시계열 데이터는 시간 구간(t1~t10)에서의 시간 구간별 제 1 기존 아이템에 대한 주문량을 나타낼 수 있다. 제 2 시계열 데이터는 시간 구간(t1~t6)에서의 시간 구간별 제 2 기존 아이템에 대한 주문량을 나타낼 수 있다. 도 4를 참조하여서는, 제 1 시계열 데이터는 [1, 3, 5, 7, 6, 8, 9, 10, 8, 7]이고, 제 2 시계열 데이터는 [1, 2, 6, 5, 7, 8]인 것으로 가정된다. 이 경우, 제 2 기존 아이템은 시간 구간(t6~t10)에 주문량이 없는 것일 수 있다. 도 4의 동적 시간 워핑을 보여주는 그래프들의 X축, Y축은 각각 주문 시간, 주문량을 의미한다.
제 1 시계열 데이터의 길이는 제 2 시계열 데이터의 길이보다 길다. 제 1 시계열 데이터 및 제 2 시계열 데이터 모두 시간 구간(t1~t6)에 대응하는 데이터 값들을 갖는다. 제 1 시계열 데이터만 시간 구간(t6~t10)에 대응하는 데이터 값들을 갖고, 제 2 시계열 데이터는 시간 구간(t6~t10)에 대응하는 데이터 값을 가지지 못한다. 이 경우, 클러스터링 유닛(120)은 제 2 시계열 데이터를 워핑하여, 제 2 시계열 데이터의 길이를 제 1 시계열 데이터의 길이로 조절할 수 있다. 클러스터링 유닛(120)은 나머지 시계열 데이터에도 동적 시간 워핑을 수행할 수 있다.
클러스터링 유닛(120)은 워핑된 시계열 데이터를 클러스터링 모델에 입력할 수 있다. 워핑된 시계열 데이터 각각은 대응하는 기존 아이템에 대한 시간별 주문 패턴을 나타낼 수 있다. 예로서, 제 1 시계열 데이터는 제 1 기준 아이템에 대해 비교적 늦은 시간 구간(t6~t9)의 주문량이 이른 시간 구간(t1~t4)의 주문량보다 많다는 것을 나타낼 수 있다.
클러스터링 모델은 K-평균 클러스터링, GMM(Gaussian Mixture Model), DBSCAN(Denstity Based Spatial Clustering of Applications with Noise), 계층적 클러스터링(Hierarchical clustering) 등 중 하나를 이용하여, 워핑된 시계열 데이터를 클러스터링할 수 있다. 도 4를 참조하면, 워핑된 시계열 데이터 각각은 클러스터들(C1~C4) 중 하나로 분류될 수 있다.
클러스터링 모델은 시계열 데이터 간의 유사성에 기초하여, 워핑된 시계열 데이터를 클러스터링할 수 있다. 클러스터링 모델은 유클리디안(Euclidean) 거리 공식을 이용하여 워핑된 시계열 데이터 간의 유사성을 계산할 수 있다. 본 발명은 시계열 데이터 간의 길이가 동일한 경우에는 동적 시간 워핑을 생략할 수 있다. 이 경우에도, 클러스터링 모델은 유클리디안 거리 공식을 이용하여 시계열 데이터 간의 유사성을 계산할 수 있다. 또한, 클러스터링 모델은 워핑이 생략된 시계열 데이터를 클러스터링할 수 있다.
동일한 클러스터에 속하는 시계열 데이터는 상이한 클러스터에 속하는 시계열 데이터보다 유사한 주문 패턴을 나타낼 수 있다. 클러스터링 모델의 출력 값에 따라, 클러스터링 유닛(120)은 기존 아이템들도 클러스터링할 수 있다. 클러스터링 유닛(120)은 특정 기존 아이템을 특정 기존 아이템의 주문량을 나타내는 시계열 데이터가 속한 클러스터로 분류할 수 있다. 이하 설명들에서, 특정 아이템과 특정 아이템에 대한 정보를 나타내는 데이터와의 관계는 특정 아이템과 데이터가 대응한다고 표현된다.
도 5는 도 1의 클러스터링 유닛의 동작을 설명하기 위한 흐름도이다.
S310 동작에서, 도 1의 클러스터링 유닛(120)은 기존 아이템들 각각에 대한 주문 정보를 나타내는 주문 로그들을 수신할 수 있다. 주문 로그들 각각은 해당 기존 아이템이 주문된 시간에 대한 정보 또는 주문 로그가 생성된 시간에 대한 정보를 포함할 수 있다. 주
S320 동작에서, 클러스터링 유닛(120)은 주문 로그들에 기초하여, 기존 아이템들 각각의 시간 구간별 주문량을 나타내는 시계열 데이터를 생성할 수 있다. 이 때, 기존 아이템별로 주문 시간 또는 주문량이 상이하므로, 시계열 데이터 간의 길이가 상이할 수 있다.
S330 동작에서, 클러스터링 유닛(120)은 동적 시간 워핑을 이용하여, 상이한 길이를 갖는 시계열 데이터가 서로 동일한 길이를 갖도록 시계열 데이터를 변환할 수 있다. 구체적으로, 시계열 데이터 중 가장 긴 길이를 갖는 시계열 데이터와 동일한 길이를 갖도록 나머지 시계열 데이터가 워핑될 수 있다.
S340 동작에서, 클러스터링 유닛(120)은 머신러닝 기반 클러스터링 모델에 워핑된 시계열 데이터를 입력할 수 있다. 클러스터링 모델은 워핑된 시계열 데이터를 클러스터링할 수 있다. 워핑된 시계열 데이터는 각각 기존 아이템에 대응하므로, 워핑된 시계열 데이터가 클러스터링 되는 것은 기존 아이템들이 클러스터링된 것을 의미한다. 즉, 클러스터링 유닛(120)은 클러스터링 모델을 이용하여, 기존 아이템들을 주문 패턴에 따라 클러스터링할 수 있다.
도 6은 도 1의 분류 모델링 유닛의 동작을 설명하기 위한 개념도이다.
도 1의 분류 모델링 유닛(130)은 트레이닝 단계에서, 기존 아이템에 대한 데이터를 이용하여 분류 모델을 훈련시킬 수 있다. 분류 모델링 유닛(130)은 예측 단계에서 훈련된 분류 모델에 신규 아이템에 대한 데이터를 입력하여, 신규 아이템에 대한 클러스터 확률 분포를 예측할 수 있다.
트레이닝 단계에서, 분류 모델링 유닛(130)은 기존 아이템에 대한 정적 속성 데이터를 생성할 수 있다. 정적 속성 데이터(EXk)는 제 K 기준 아이템의 고정적인 속성에 대한 정보를 포함할 수 있다. 예로서, 정적 속성 데이터(EXk)는 제 K 기준 아이템의 이름, 주재료, 조리 방법, 음식군, 보조메뉴 여부 등에 대한 정보를 포함할 수 있다.
기준 아이템의 이름은 명령어 “item_name <string><required>:판매되는 음식의 이름”으로 정의될 수 있다. 기준 아이템의 주재료는 명령어 “main_ingredient <string><required>:음식의 주된 재료들”로 정의될 수 있다. 기준 아이템의 조리 방법은 명령어 “cooking method <enum string><required>:음식의 조리 방법”으로 정의될 수 있다. 음식의 조리 방법은 “날 것(raw)” “끓이기(boiling)” “데치기(balaching)” “찌기(steaming)” “조리기(braising)” “굽기(baking)” “튀기기(frying)” “볶기(sauteing)” 및 “절임 또는 발효(pickling)” 등 중 적어도 하나로 정의될 수 있다. 기준 아이템의 음식군은 명령어 “category <enum string><required>:음식군”으로 정의될 수 있다. 음식군 “한식(korean)” “중식(chinese)” “일식(japanese)” “양식(western)” “아시아(asiamn)” 및 “기타(else)”등 중 적어도 하나로 정의될 수 있다. 기준 아이템의 보조메뉴 여부는 콜라, 감자 튀김 등과 같이 주메뉴와 함께 추가 주문이 가능한 것들이 있는지를 나타내는 정보일 수 있다. 정적 속성 데이터를 정의하기 위한 명령어들과 관련하여서는 기준 아이템이 음식인 것으로 설명되나, 본 발명이 이에 한정되지 않는다 .
분류 모델링 유닛(130)은 정적 속성 데이터(EXk)를 피쳐 추출기에 입력할 수 있다. 피쳐 추출기는 정적 속성 데이터(EXk)로부터 피쳐들을 추출할 수 있다. 피쳐 추출기는 추출된 피쳐들을 딥러닝 모델의 입력 데이터에 적합한 형식으로 변환할 수 있다. 분류 모델은 로지스틱 회귀법, KNN(K-Nearest Neighbor), 서포트 벡터 머신, 의사결정 트리(Decision Tree) 등 중 하나의 알고리즘을 이용하여 구현될 수 있으나, 본 발명은 이에 한정되지 않는다.
분류 모델링 유닛(130)은 변환된 피쳐들(EFk)에 클러스터(Ck)를 라벨링할 수 있다. 클러스터(Ck)는 제 K 기준 아이템이 속하는 클러스터일 수 있다. 분류 모델링 유닛(130)은 라벨링된 피쳐들을 딥러닝 기반 분류 알고리즘에 입력할 수 있다. 즉, 정적 속성 데이터(EXk)는 훈련 데이터로써 이용될 수 있다. 분류 모델링 유닛(130)은 제 1 내지 제 N 정적 속성 데이터를 이용하여, 분류 알고리즘을 충분히 훈련시킬 수 있다. 충분히 훈련된 딥러닝 기반 분류 알고리즘은 예측 단계에서 이용된 딥러닝 기반 분류 모델에 적용될 수 있다.
예측 단계에서, 분류 모델링 유닛(130)은 신규 아이템에 대한 정적 속성 데이터를 생성할 수 있다. 정적 속성 데이터(NX)는 신규 아이템의 고정적인 속성에 대한 정보를 포함할 수 있다. 예로서, 정적 속성 데이터(NX)는 신규 아이템의 이름, 주재료, 조리 방법, 음식군, 보조메뉴 여부 등에 대한 정보를 포함할 수 있다. 정적 속성 데이터(NX)는 정적 속성 데이터(EXk)와 실질적으로 동일한 방법으로 정의될 수 있으며, 정적 속성 데이터(NX)에 대한 부가적인 설명은 생략된다.
분류 모델링 유닛(130)은 정적 속성 데이터(NX)를 피쳐 추출기에 입력할 수 있다. 피쳐 추출기는 정적 속성 데이터(NX)로부터 피쳐들을 추출할 수 있다. 피쳐 추출기는 추출된 피쳐들을 딥러닝 모델의 입력 데이터에 적합한 형식으로 변환할 수 있다. 분류 모델링 유닛(130)은 변환된 피쳐들(NFk)을 딥러닝 기반 분류 모델에 입력할 수 있다. 트레이닝 단계에서와 달리, 변환된 피쳐들(NFk)은 라벨링되지 않은 상태에서 딥러닝 기반 분류 모델에 입력될 수 있다. 정적 속성 데이터(NX)는 테스트 데이터로써 이용될 수 있다. 분류 모델은 변환된 피쳐들(NFk)을 입력받아, 신규 아이템이 각각의 클러스터에 속할 클러스터 확률 분포를 출력할 수 있다.
도 6을 참조하는 설명들에서, 제 1 내지 제 N 기존 아이템은 클러스터들(C1~Cm) 중 하나로 분류되는 것으로 가정된다. 본 명세서에서, 클러스터 확률 분포는 신규 아이템이 클러스터로 분류될 확률을 클러스터들(C1~Cm) 각각에 대해 나타낸 것을 의미한다. 즉, 분류 모델은 확률 값들(p1, p2, … pm)을 출력할 수 있다. 확률 값(pi)은 신규 아이템이 클러스터(Ci)에 속할 확률을 나타낸다. i는 1 이상 m 이하의 정수이다. 분류 모델은 소프트맥스 함수를 이용하여, 확률 값들(p1, p2, … pm)의 합이 1이 되도록 확률 값들(p1, p2, … pm)을 조절할 수 있다.
도 7은 도 1의 분류 모델링 유닛의 동작을 설명하기 위한 흐름도이다.
S410 동작에서, 도 1의 분류 모델링 유닛(130)은 기존 아이템들 각각에 대한 정적 속성 데이터를 생성할 수 있다. 분류 모델링 유닛(130)은 기존 아이템에 대한 정적 속성 데이터에 해당 기존 아이템이 속하는 클러스터를 라벨링할 수 있다.
S420 동작에서, 분류 모델링 유닛(130)은 딥러닝 기반 분류 모델에 라벨링된 정적 속성 데이터를 입력하여, 분류 모델을 훈련시킬 수 있다. 분류 모델링 유닛(130)은 기존 아이템들에 대한 정적 속성 데이터를 이용하여 분류 모델을 충분히 훈련시킬 수 있다.
S430 동작에서, 분류 모델링 유닛(130)은 신규 아이템에 대한 정적 속성 데이터를 생성할 수 있다. 분류 모델링 유닛(130)은 정적 속성 데이터를 딥러닝 기반 분류 모델에 입력할 수 있다.
S440 동작에서, 딥러닝 기반 분류 모델은 정적 속성 데이터를 입력 받아, 신규 아이템이 클러스에 속할 확률 분포를 출력할 수 있다. 즉, 분류 모델링 유닛(130)은 딥러닝 기반 분류 모델을 이용하여, 신규 아이템이 기존 아이템들의 클러스터들 중 어떤 클러스터에 속할지에 대한 클러스터 확률 분포를 획득할 수 있다.
도 8은 도 1의 예측 모델링 유닛의 동작을 설명하기 위한 개념도이다.
도 8을 참조하여서는, 도 1의 예측 모델링 유닛(140)이 딥러닝 기반 예측 모델을 트레이닝 하는 동작이 중점적으로 설명된다. 예측 모델링 유닛(140)은 기존 아이템들 각각에 대한 종합 데이터를 생성할 수 있다. 예측 모델링 유닛(140)은 기존 아이템들 각각에 대한 종합 데이터를 이용하여, 예측 모델을 트레이닝할 수 있다.
예측 모델링 유닛(140)은 종합 데이터를 생성하기 위한 정보를 도 1의 메모리(150) 또는 데이터베이스 시스템(400)에서 검색할 수 있다. 또한, 예측 모델링 유닛(140)은 종합 데이터를 생성하기 위한 정보를 컴퓨팅 장치(350)로부터 수신할 수 있다.
종합 데이터는 기존 아이템의 클러스터 확률 분포 및 기존 아이템에 대한 동적 속성 데이터를 포함할 수 있다. 도 1의 클러스터링 유닛(120)에서 이용되는 클러스터링 모델에 의해, 기존 아이템은 클러스터들 중 하나로 분류될 수 있다. 따라서, 클러스터 확률 분포의 확률 값들(p1 내지 pm) 중 하나만 '1'의 값을 갖고, 나머지는 '0'의 값을 가질 수 있다. 예로서, 기준 아이템이 클러스터(Ci)에 속하는 경우, 확률 값들(p1 내지 pm)중 확률 값(pi)만 '1'의 값을 갖고, 나머지는 '0'의 값을 가질 수 있다.
동적 속성 데이터는 외부 환경 데이터, 매장 특성 데이터, 및 행위 특성 데이터를 포함할 수 있다. 외부 환경 데이터는 주문 날짜의 최고 기온, 최저 기온, 강수 확률, 하늘 상태(맑음, 흐림 등) 등에 대한 날씨 정보 및 미세먼지 상태(좋음, 보통, 나쁨, 매우 나쁨) 등에 대한 대기 상태 정보 등을 포함할 수 있다. 매장 특성 데이터는 소비자의 수요 결정에 영향을 미치는 매장에 대한 정보를 나타낼 수 있다. 매장 특성 데이터는 매장의 위치, 매장에 대한 리뷰 수, 매장이 검색된 횟수, 매장이 즐겨찾기된 건수 및 매장 평균 평점 등에 대한 정보를 포함할 수 있다. 행위 특성 데이터는 소비자가 주문이라는 행위를 하는데 영향을 미치는 주요 요소에 대한 정보를 포함할 수 있다. 행위 특성 데이터는 주문 시간대, 아이템의 가격, 가격의 할인율에 대한 정보를 포함할 수 있다.
수요 예측 시스템(100)은 행위 특성 데이터의 정보를 변환할 수 있다. 수요 예측 시스템(100)은 주문 시간대, 아이템의 가격, 가격의 할인율을 조절하면서 종합 데이터를 예측 모델에 입력할 수 있다. 주문하려는 시간대, 아이템의 가격, 가격의 할인율 등 정보의 변화에 따라, 예측 모델에서 예측되는 주문 패턴이 변할 수 있다. 수요 예측 시스템(100)은 변하는 주문 패턴에 기초하여, 신규 아이템에 대한 주문량이 많도록 시간대별 가격, 할인율 등을 결정할 수 있다.
예측 모델은 DNN(Deep Nerual Network), CNN(Convolutional Neural Network) 등과 같이 회귀 문제를 해결하기 위한 네트워크 구조를 사용할 수 있다. 예측 모델은 네트워크 구조에 따라, 상이한 형태의 종합 데이터를 사용할 수 있다. 예측 모델링 유닛(140)은 예측 모델의 네트워크 구조에 따라, 종합 데이터의 형태를 결정할 수 있다.
예로서, 예측 모델이 CNN을 이용하는 경우, 예측 모델링 유닛(140)은 3차원 형태로 종합 데이터를 생성할 수 있다. 이 경우, 클러스터 확률 분포에 관한 데이터, 외부 환경 데이터, 매장 특성 데이터, 및 행위 특성 데이터 각각이 2차원 형태로 생성될 수 있다. 즉, 3차원 형태의 종합 데이터는 2차원 형태의 4개의 데이터로 구성될 수 있다.
다른 예로서, 예측 모델이 DNN을 이용하는 경우, 예측 모델링 유닛(140)은 1차원 형태로 종합 데이터를 생성할 수 있다. 이 경우, 예측 모델링 유닛(140)은 클러스터 확률 분포에 관한 데이터, 외부 환경 데이터, 매장 특성 데이터, 및 행위 특성 데이터 각각이 1차원 형태로 생성될 수 있다. 즉, 종합 데이터는 1차원 형태의 4개의 데이터로 구성될 수 있다.
예측 모델은 종합 데이터를 입력 받아, 기존 아이템에 대한 시간 구간별 주문량을 예측할 수 있다. 예측 모델은 기존 아이템에 대한 시간 구간별 예측 주문량을 시계열 데이터 형태로 출력할 수 있다. 시계열 데이터 형태인 예측 주문량의 길이는 기존 아이템의 주문량을 나타내는 시계열 데이터의 길이에 의해 결정될 수 있다.
예측 모델링 유닛(140)은 예측 모델의 출력 값을 에러 함수에 입력할 수 있다. 에러 함수는 기존 아이템의 실제 주문량에 대한 정보를 수신할 수 있다. 에러 함수는 기존 아이템의 실제 주문량과 예측 주문량을 비교할 수 있다.
예측 모델링 유닛(140)은 유클리디안 거리 공식을 이용하여, 실제 주문량과 예측 주문량 간의 거리를 계산할 수 있다. 예측 모델링 유닛(140)은 비교 결과에 기초하여, 실제 주문량과 예측 주문량 사이의 차이가 허용 범위를 초과하는 경우, 예측 모델을 업데이트할 수 있다. 예측 모델링 유닛(140)은 비교 결과에 기초하여, 실제 주문량과 예측 주문량 사이의 차이가 허용 범위 이내인 경우, 신규 아이템에 대한 주문량을 예측하기 위한 동작을 수행할 수 있다. 허용 범위는 사용자 또는 관리자가 사전에 설정해 놓은 특정 범위일 수 있으나, 이에 한정되지 않는다.
도 9는 도 1의 예측 모델링 유닛의 동작을 설명하기 위한 흐름도이다.
S510 동작에서, 도 1의 예측 모델링 유닛(140)은 기존 아이템들 각각에 대한 종합 데이터를 생성할 수 있다. 예측 모델링 유닛(140)은 기존 아이템에 대한 종합 데이터를 딥러닝 기반 예측 모델에 입력할 수 있다. 예측 모델은 종합 데이터를 이용하여, 기존 아이템에 대한 주문량을 예측할 수 있다.
S520 동작에서, 예측 모델링 유닛(140)은 실제 주문량과 예측 모델로부터 출력된 예측 주문량 사이의 거리를 계산할 수 있다. 예측 모델링 유닛(140)은 유클리드 거리 공식을 이용하여 실제 주문량과 예측 주문량 사이의 거리를 계산할 수 있다.
S530 동작에서, 예측 모델링 유닛(140)은 계산된 거리에 기초하여, 예측 모델의 예측 결과를 수용할지 여부를 판단할 수 있다. 구체적으로, 실제 주문량과 예측 주문량 사이의 거리가 허용 범위 이내인 경우, 예측 모델링 유닛(140)은 예측 결과를 수용할 수 있다. 실제 주문량과 예측 주문량 사이의 거리가 허용 범위를 초과하는 경우, 예측 모델링 유닛(140)은 예측 결과를 수용하지 않을 수 있다.
예측 결과가 수용가능하지 않은 경우, S540 동작이 수행된다. S540 동작에서, 예측 모델링 유닛(140)은 예측 모델을 업데이트할 수 있다. 구체적으로, 예측 모델의 가중치들이 업데이트될 수 있다.
예측 결과가 수용가능한 경우, S550 동작이 수행된다. S550 동작에서, 예측 모델링 유닛(140)은 신규 아이템에 대한 종합 데이터를 딥러닝 기반 예측 모델에 입력할 수 있다.
S560 동작에서, 신규 아이템에 대한 종합 데이터가 입력되는 경우, 예측 모델은 신규 아이템에 대한 시간 구간별 주문량을 예측할 수 있다. 예측 모델링 유닛(140)은 신규 아이템에 대한 시간 구간별 예측 주문량을 예측할 수 있다.
도 10은 도 1의 수요 예측 시스템의 전반적인 동작들을 보여주는 개념도이다. 도 10에 도시된 각 동작들은 도 1 내지 도 9를 참조하여 설명되었으므로, 이하 도 10에 대한 설명은 생략된다.
도 11은 본 발명의 실시 예에 따른 수요 예측 장치의 구성을 보여주는 블록도이다.
도 11에 도시된 수요 예측 장치는 도 1의 수요 예측 시스템(1000)과 실질적으로 동일한 동작들을 수행할 수 있다. 수요 예측 장치(1000)는 통신부(1100), 메모리(1200) 및 프로세서(1300)를 포함할 수 있다. 수요 예측 장치(1000)는 임베디드 보드, 스마트폰, 태블릿 PC, PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 차량 및 기타 모바일 또는 비모바일 컴퓨팅 장치로 구현될 수 있으나, 이에 제한되지 않는다.
통신부(1100)는 수요 예측 장치(1000)가 전자 장치(예로서, 도 1의 모바일 장치(250), 컴퓨팅 장치(350))와 통신을 하게 하는 하나 이상의 구성 요소를 포함할 수 있다. 통신부(1100)는, 근거리 통신부(미도시), 이동 통신부(미도시), 방송 수신부(미도시)를 포함할 수 있다. 근거리 통신부(short-range wireless communication unit)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 이동 통신부는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다. 방송 수신부는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 통신부(1100)는 방송 수신부를 포함하지 않을 수도 있다. 수요 예측 장치(1000)는 통신부(1100)를 통해 외부 장치로부터 기존 아이템에 대한 주문 로그들, 기존 아이템에 대한 속성 정보 및 신규 아이템에 대한 속성 정보를 수신할 수도 있다.
메모리(1200)는 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 수요 예측 장치(1000)로 입력되거나 수요 예측 장치(1000)로부터 출력되는 데이터를 저장할 수도 있다. 메모리(1200)는 수요 예측 장치(1000)에서 이용되는 클러스터링 모델, 분류 모델, 예측 모델을 구현하기 위한 알고리즘을 저장할 수 있다. 또한, 메모리(1200)는 기존 아이템에 대한 주문 로그들, 기존 아이템에 대한 속성 정보 및 신규 아이템에 대한 속성 정보를 저장할 수도 있다.
메모리(1200)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory), SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
프로세서(1300)는 통상적으로, 수요 예측 장치(1000)의 전반적인 동작을 제어할 수 있다. 프로세서(1300)는 메모리(1200)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 10을 참조하여 설명된 수요 예측 시스템(100)의 동작들을 수행하거나, 수요 예측 시스템(100)에 의해 제공되는 서비스들을 제공할 수 있다. 프로세서(1300)는 CPU(Central Processing Unit)로 구현될 수 있으며, GPU(Graphic Processing Unit), NPU(Neural Processing Unit) 등과 같이 머신러닝 모델을 동작하기에 최적화된 처리 장치로 구현될 수도 있다. 프로세서(1300)는 자바(Java)와 C/C++, 파이썬(python), R과 같은 언어 및 파이썬(python)을 기반으로 한 텐서플로우(tensorflow)나 케라스(Keras) 파이토치(Pytorch) 등 구현 언어를 이용하여, 도 1을 참조하여 설명된 머신러닝 및 딥러닝 기반 모델을 구현할 수도 있다.
상술된 내용은 본 발명을 실시하기 위한 구체적인 실시 예들이다. 본 발명은 상술된 실시 예들뿐만 아니라, 단순하게 설계 변경되거나 용이하게 변경할 수 있는 실시 예들 또한 포함할 것이다. 또한, 본 발명은 실시 예들을 이용하여 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다. 따라서, 본 발명의 범위는 상술된 실시 예들에 국한되어 정해져서는 안되며 후술하는 특허청구범위뿐만 아니라 이 발명의 특허청구범위와 균등한 것들에 의해 정해져야 할 것이다.

Claims (15)

  1. 프로세서에 의해 동작되는 딥러닝 기반 분류(classification) 모델에 신규 아이템의 고유 속성을 나타내는 정적 속성 데이터를 입력하고, 상기 분류 모델로부터 상기 신규 아이템이 클러스터들에 속할 확률 값들을 획득하는 분류 단계;
    상기 프로서세에 의해 동작되는 딥러닝 기반 회귀(regression) 모델에 상기 신규 아이템에 관한 동적 속성 데이터 및 상기 확률 값들을 입력하고, 상기 회귀 모델로부터 상기 신규 아이템이 시간 구간별로 얼마나 주문될지를 예상하는 예측 데이터를 획득하는 예측 단계를 포함하되,
    상기 클러스터들은 상기 신규 아이템보다 이전에 판매된 기존 아이템들이 시간 구간별 주문량의 유사도에 따라 클러스터링된 집합들이고,
    상기 동적 속성 데이터는 상기 신규 아이템의 외부 환경과 관련되는 요소들에 대한 정보를 포함하고,
    상기 신규 아이템의 상기 고유 속성은 상기 외부 환경에 따라 변하지 않는 수요 예측 방법.
  2. 제 1 항에 있어서,
    상기 프로세서에 의해 동작되는 클러스터링 모델에 상기 기존 아이템들의 시간 구간별 주문량을 나타내는 기존 시계열 데이터를 입력하고, 상기 클러스터링 모델로부터 상기 기존 시계열 데이터 중 유사한 기존 시계열 데이터끼리 묶은 클러스터들을 획득하고, 상기 기존 아이템들을 상기 클러스터들 중 하나로 분류하는 클러스터링 단계를 더 포함하되,
    상기 기존 아이템들 중 임의의 기존 아이템은 상기 임의의 기존 아이템의 시간 구간별 주문량을 나타내는 기존 시계열 데이터가 속하는 클러스터로 분류되는 수요 예측 방법.
  3. 제 2 항에 있어서,
    상기 클러스터링 모델은 K-평균 클러스터링, GMM(Gaussian Mixture Model), DBSCAN(Denstity Based Spatial Clustering of Applications with Noise), 계층적 클러스터링(Hierarchical clustering) 중 하나를 이용하여 구현되는 수요 예측 방법.
  4. 제 2 항에 있어서,
    상기 클러스터링 단계는 상기 기존 아이템들의 주문 로그들에 기초하여 상기 기존 시계열 데이터를 생성하고,
    상기 주문 로그들 각각은 기존 아이템이 주문된 날짜, 시간, 기존 아이템의 ID, 기존 아이템을 판매하는 매장 ID, 기존 아이템을 주문한 주문자 ID, 기존 아이템의 가격, 주문 수량에 대한 정보를 포함하는 수요 예측 방법.
  5. 제 2 항에 있어서,
    상기 클러스터링 단계는 동적 시간 워핑(Dynamic Time Warping) 기법을 이용하여 상기 기존 시계열 데이터가 모두 동일한 길이를 갖도록 상기 기존 시계열 데이터를 워핑하고, 상기 워핑된 기존 시계열 데이터를 이용하여 상기 기존 시계열 데이터 간의 유사도를 계산하는 수요 예측 방법.
  6. 제 2 항에 있어서,
    상기 분류 모델은 라벨링된 정적 속성 데이터에 의해 트레이닝되고,
    상기 라벨링된 정적 속성 데이터는 기존 아이템에 관한 정적 속성 데이터에 상기 클러스터들 중 상기 기존 아이템이 속하는 클러스터가 라벨링된 데이터인 수요 예측 방법.
  7. 제 6 항에 있어서,
    상기 분류 모델은 소프트맥스 함수를 이용하여 상기 확률 값들의 합이 1이 되도록 상기 확률 값들을 결정하는 수요 예측 방법.
  8. 제 6 항에 있어서,
    상기 분류 모델은 로지스틱 회귀법, KNN(K-Nearest Neighbor), 서포트 벡터 머신, 의사결정 트리(Decision Tree) 중 하나의 알고리즘을 이용하여 구현되는 지도 학습 모델인 수요 예측 방법.
  9. 제 1 항에 있어서,
    상기 신규 아이템의 상기 정적 속성 데이터는 상기 신규 아이템의 이름, 주재료, 조리 방법, 음식군, 상기 신규 아이템에 보조 메뉴가 있는지 중 적어도 하나를 나타내고,
    상기 신규 아이템의 상기 동적 속성 데이터는 외부 환경 데이터, 매장 특성 데이터 및 행위 특성 데이터를 포함하고,
    상기 외부 환경 데이터는 상기 신규 아이템의 주문량을 예측하려는 타겟 날짜의 최고 기온, 최저 기온, 강수 확률, 하늘 상태 및 미세먼지 상태 중 적어도 하나를 나타내고,
    상기 매장 특성 데이터는 상기 신규 아이템을 판매하려는 매장의 위치, 상기 매장에 대한 리뷰 수, 상기 매장이 검색된 횟수, 상기 매장이 즐겨찾기된 건수 및 상기 매장 평균 평점 중 적어도 하나를 나타내고,
    상기 행위 특성 데이터는 주문 시간대, 아이템의 가격 및 가격의 할인율 중 적어도 하나를 나타내는 수요 예측 방법.
  10. 제 9 항에 있어서,
    상기 예측 모델이 CNN(Convolution Nerual Network)에 기반하는 경우, 상기 예측 모델은 3차원 데이터를 입력받아 상기 예측 데이터를 출력하고,
    상기 3차원 데이터는 2차원 형태의 상기 확률 값들을 나타내는 데이터, 2차원 형태의 상기 외부 환경 데이터, 2차원 형태의 상기 매장 데이터 및 2차원 형태의 상기 행위 특성 데이터로 구성되는 수요 예측 방법.
  11. 제 9 항에 있어서,
    상기 예측 모델이 DNN(Deep Neural Network)에 기반하는 경우, 상기 예측 모델은 1차원 형태의 상기 확률 값들을 나타내는 데이터, 1차원 형태의 상기 외부 환경 데이터, 1차원 형태의 상기 매장 데이터 및 1차원 형태의 상기 행위 특성 데이터를 입력받아 상기 예측 데이터를 출력하는 수요 예측 방법.
  12. 제 2 항에 있어서,
    상기 예측 모델은 라벨링된 종합 데이터에 의해 트레이닝되고,
    상기 라벨링된 종합 데이터는 기존 아이템에 관한 종합 데이터에 상기 기존 아이템의 시간 구간별 주문량을 나타내는 시계열 데이터가 라벨링된 데이터이고,
    상기 종합 데이터는 상기 기존 아이템이 상기 클러스터들 각각에 속할 확률을 나타내는 확률 분포 및 상기 기존 아이템에 대한 동적 속성 데이터를 포함하는 수요 예측 방법.
  13. 분류 모델링 유닛 및 예측 모델링 유닛을 포함하는 프로세서; 및
    상기 프로세서에 의해 실행 가능한 명령어들을 저장하는 메모리를 포함하되,
    상기 프로세서는 상기 명령어들을 실행함으로써, 클러스터링 유닛, 분류 모델링 유닛 및 예측 모델링 유닛을 동작시키고,
    상기 클러스터링 유닛은 기존 아이템들의 시간 구간별 주문량을 나타내는 시계열 데이터를 머신러닝 기반 클러스터링 모델에 입력하여, 기존 아이템들을 주문 패턴이 유사한 것끼리 클러스터링하고,
    상기 분류 모델링 유닛은 주문 정보가 없는 신규 아이템의 고유한 속성에 대한 정적 속성 데이터를 딥러닝 기반 분류 모델에 입력하여, 상기 신규 아이템이 상기 기존 아이템들의 클러스터들 각각에 속할 확률 값들을 획득하고,
    상기 예측 모델링 유닛은 상기 확률 값들을 딥러닝 기반 예측 모델에 입력하여, 상기 신규 아이템에 대해 예측되는 시간 구간별 주문량을 획득하는 수요 예측 시스템.
  14. 제 13 항에 있어서,
    상기 메모리는 상기 기존 아이템들의 주문에 대한 정보를 나타내는 주문 로그들을 상기 주문이 발생한 시간에 따라 순차적으로 저장하는 로그 저장소를 포함하는 수요 예측 시스템.
  15. 제 13 항에 있어서,
    상기 분류 모델은 상기 기존 아이템들의 정적 속성 데이터에 상기 클러스터들 중 상기 기존 아이템들 각각이 속하는 클러스터가 라벨링된 데이터에 의해 훈련된 지도학습 모델이고,
    상기 예측 모델은 상기 기존 아이템들이 상기 클러스터들 각각에 포함될 확률을 나타내는 확률 분포 데이터에 상기 기존 아이템들의 시간 구간별 주문량을 나타내는 상기 시계열 데이터가 라벨링된 데이터에 의해 훈련된 지도학습 모델인 수요 예측 시스템.
KR1020210025049A 2021-02-24 2021-02-24 머신 러닝에 기반하는 수요 예측 시스템 및 수요 예측 방법 KR102590158B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210025049A KR102590158B1 (ko) 2021-02-24 2021-02-24 머신 러닝에 기반하는 수요 예측 시스템 및 수요 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210025049A KR102590158B1 (ko) 2021-02-24 2021-02-24 머신 러닝에 기반하는 수요 예측 시스템 및 수요 예측 방법

Publications (2)

Publication Number Publication Date
KR20220121074A true KR20220121074A (ko) 2022-08-31
KR102590158B1 KR102590158B1 (ko) 2023-10-17

Family

ID=83061725

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210025049A KR102590158B1 (ko) 2021-02-24 2021-02-24 머신 러닝에 기반하는 수요 예측 시스템 및 수요 예측 방법

Country Status (1)

Country Link
KR (1) KR102590158B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102577405B1 (ko) * 2022-09-20 2023-09-12 현대글로비스 주식회사 머신러닝 기반 충전소 알림 정보 제공 방법 및 이를 위한 연료 공급망 관리 시스템
CN117541200A (zh) * 2024-01-10 2024-02-09 福建亿安智能技术股份有限公司 一种基于ltc流程的项目管理方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016132683A1 (ja) * 2015-02-18 2016-08-25 日本電気株式会社 クラスタリングシステム、方法およびプログラム
KR102100449B1 (ko) * 2019-07-02 2020-05-15 나성진 화장품의 천연 원료 수요 예측 방법 및 이러한 방법을 수행하는 장치
JP2020098388A (ja) * 2018-12-17 2020-06-25 富士通株式会社 需要予測方法、需要予測プログラムおよび需要予測装置
US20200294067A1 (en) * 2019-03-15 2020-09-17 Target Brands, Inc. Time series clustering analysis for forecasting demand

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016132683A1 (ja) * 2015-02-18 2016-08-25 日本電気株式会社 クラスタリングシステム、方法およびプログラム
JP2020098388A (ja) * 2018-12-17 2020-06-25 富士通株式会社 需要予測方法、需要予測プログラムおよび需要予測装置
US20200294067A1 (en) * 2019-03-15 2020-09-17 Target Brands, Inc. Time series clustering analysis for forecasting demand
KR102100449B1 (ko) * 2019-07-02 2020-05-15 나성진 화장품의 천연 원료 수요 예측 방법 및 이러한 방법을 수행하는 장치

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102577405B1 (ko) * 2022-09-20 2023-09-12 현대글로비스 주식회사 머신러닝 기반 충전소 알림 정보 제공 방법 및 이를 위한 연료 공급망 관리 시스템
CN117541200A (zh) * 2024-01-10 2024-02-09 福建亿安智能技术股份有限公司 一种基于ltc流程的项目管理方法及系统
CN117541200B (zh) * 2024-01-10 2024-03-29 福建亿安智能技术股份有限公司 一种基于ltc流程的项目管理方法及系统

Also Published As

Publication number Publication date
KR102590158B1 (ko) 2023-10-17

Similar Documents

Publication Publication Date Title
CN113449135B (zh) 图像生成系统与方法
CN110457581B (zh) 一种资讯推荐方法、装置、电子设备及存储介质
US20230102337A1 (en) Method and apparatus for training recommendation model, computer device, and storage medium
CN111681059A (zh) 行为预测模型的训练方法及装置
CN110969516A (zh) 一种商品推荐方法及装置
KR102590158B1 (ko) 머신 러닝에 기반하는 수요 예측 시스템 및 수요 예측 방법
CN102117411B (zh) 用于构建多级别分类模型的方法和系统
CN110909182A (zh) 多媒体资源搜索方法、装置、计算机设备及存储介质
JP2024503774A (ja) 融合パラメータの特定方法及び装置、情報推奨方法及び装置、パラメータ測定モデルのトレーニング方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム
CN109410001B (zh) 一种商品推荐方法、系统、电子设备和存储介质
KR102279210B1 (ko) 항목 분류 체계를 고려한 시퀀스 간 유사도를 판단하는 전자 장치 및 그 제어 방법
CN113468414A (zh) 商品搜索方法、装置、计算机设备及存储介质
CN113011529B (zh) 文本分类模型的训练方法、装置、设备及可读存储介质
CN108389113B (zh) 一种协同过滤推荐方法和系统
CN114547307A (zh) 文本向量模型训练方法、文本匹配方法、装置及设备
US11682039B2 (en) Determining a target group based on product-specific affinity attributes and corresponding weights
Ben-Shimon et al. An ensemble method for top-N recommendations from the SVD
CN111310025B (zh) 模型训练方法、数据处理方法、装置以及相关设备
CN115545832A (zh) 商品搜索推荐方法及其装置、设备、介质
CN104715317A (zh) 处理装置和处理方法
JP2022523634A (ja) 個人向けの在庫管理のためのテキストデータの符号化
JPWO2020095357A1 (ja) 検索ニーズ評価装置、検索ニーズ評価システム、及び検索ニーズ評価方法
Li et al. Research on trend prediction of component stock in fuzzy time series based on deep forest
CN117010992A (zh) 用于多任务多场景推荐的推荐模型的训练方法和推荐方法
CN116823404A (zh) 商品组合推荐方法及其装置、设备、介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant