KR20230059318A - 유동 인구 분석 방법 및 장치 - Google Patents

Abstract

유동 인구 분석 방법 및 장치를 개시한다.
본 발명의 일 측면에 의하면, 일 지역에 대한 유동 인구를 분석하기 위한 방법에 있어서, 사용자 식별정보, 시간 구간 및 대상 지역에 관한 정보를 입력 받는 단계, 상기 대상 지역으로 접근 가능한 적어도 하나의 경로를 획득하는 단계, 예측 모델을 이용하여 상기 시간 구간에 대해 상기 사용자 식별정보보에 대응되는 사용자가 상기 적어도 하나의 경로를 이용하여 상기 대상 지역으로 이동할 확률 정보를 획득하는 단계, 및 상기 확률 정보에 기초하여 상기 대상 지역에 대한 유동 인구를 분석하는 단계를 포함하는 방법을 제공한다.

Description

유동 인구 분석 방법 및 장치{Method and Device for Analyzing Floating Populations}

본 발명의 실시예들은 유동 인구 분석 방법 및 장치, 특히 개인 정보의 침해 없이 일 지역에 대한 유동 인구를 분석하는 방법 및 장치에 관한 것이다.

이 부분에 기술된 내용은 단순히 본 발명에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.

옥외 광고란 불특정 다수의 사람들을 대상으로 옥외에 게시하는 광고물을 의미하며, 최근 전자통신 기술의 발달에 따라 디지털 사이니지(Digital signage)와 같이 소비자들에게 제품이나 서비스에 대한 다양한 정보 및 광고 데이터를 출력할 수 있는 디지털 옥외 광고가 크게 관심을 받고 있다. 또한, 기업 또는 개인사업자의 마케팅(marketing) 영역도 증가하는 추세이다.

옥외 광고나 마케팅 활동을 위해서는, 특정 지역에 대한 유동 인구가 얼마나 되는지에 대한 정보가 필요하다.

하지만, 종래의 유동 인구를 분석하는 방법은 유동 인구에 대한 자료를 수집하기 위한 절차가 까다롭다. 특히, 나이, 성별 등 개인 정보를 수집하는 경우, 더 많은 제약이 발생한다.

이하에서는, 종래의 분석 방법을 여섯 가지로 요약하여 설명한다.

첫 번째 분석 방법은 다수의 사람들이 접근할 수 있는 공공 데이터 또는 이동통신 사업자가 제공하는 분석 데이터를 활용하는 방법이다. 하지만, 공공 데이터는 나이 정보 또는 성별 정보 등 개인 정보를 포함하지 못하고, 분석 데이터는 비용이 많이 든다는 단점이 있다.

두 번째 분석 방법은 특정 지역에서 설문 및 표본 조사를 통해 유동 인구의 연령, 성별, 이동 등을 분석하는 방법이다. 하지만, 설문 및 표본 조사는 한 번 수행되는 데 인력과 시간이 많이 소요되므로, 주기적으로 수행되기 어렵다. 설문 및 표본 조사는 모든 지역에 대해 수행되기 어렵다는 문제점이 있다.

세 번째 분석 방법은 사용자가 모바일 네트워크에 접속한 기록과 사용자의 가입 정보를 분석하는 방법이다. 하지만, 사용자의 가입 정보와 네트워크 접속 기록은 이동통신 사업자 외에는 실시가 불가능하다.

네 번째 분석 방법은 모바일 애플리케이션이 지속적으로 위치 데이터를 수집하고, 수집된 위치 데이터를 사용자의 개인 정보와 조합하는 방법이다. 다만, 사용자가 모바일 애플리케이션이 위치 데이터를 수집하는 것을 허락하지 않는 경우, 네 번째 분석 방법은 수행되기 어렵다.

다섯 번째 분석 방법은 사용자의 모바일 디바이스의 인터넷 프로토콜(Internet Protocol, IP)를 수집하고, 수집한 IP에 따라 위치를 추정하며, 위치 정보를 개인 정보와 결합하는 방법이다. 하지만, IP를 활용한 위치 추정 방법은 측위 정확도가 낮으므로, 분석 결과의 신뢰도가 낮다는 문제점이 있다.

여섯 번째 분석 방법은 공용 와이파이 네트워크 또는 비콘(beacon)에 접속한 사용자들의 정보를 수집하고, 사용자의 디바이스 내에 접속 기록을 남겨두며, 추후 접속 기록과 개인 정보를 결합하는 방법이다. 하지만, 공용 와이파이 네트워크 또는 비콘을 활용한 서비스를 제공하기 어렵고, 서비스에 접속한 사용자의 기록을 수집하기 어려우며, 개인 정보 침해와 관련한 문제가 존재한다.

요약하면, 특정 지역에서 유동 인구를 분석하기 위한 자료를 수집하는 데 많은 제약이 있으며, 특히 프라이버시 침해 문제로 인해 서버가 사용자의 디바이스로부터 개인 정보를 지속적으로 수집하는 것은 더 많은 제약을 가진다.

본 발명의 실시예들은, 사용자들의 개인 정보를 직접적으로 수집하지 않고도 사용자들의 개인 정보를 기반으로 일 지역에 대한 유동 인구를 분석하기 위한 방법 및 장치를 제공하는 데 주된 목적이 있다.

본 발명의 일 측면에 의하면, 일 지역에 대한 유동 인구를 분석하기 위한 방법에 있어서, 사용자 식별정보, 시간 구간 및 대상 지역에 관한 정보를 입력 받는 단계; 상기 대상 지역으로 접근 가능한 적어도 하나의 경로를 획득하는 단계; 예측 모델을 이용하여 상기 시간 구간에 대해 상기 사용자 식별정보에 대응되는 사용자가 상기 적어도 하나의 경로를 이용하여 상기 대상 지역으로 이동할 확률 정보를 획득하는 단계; 및 상기 확률 정보에 기초하여 상기 대상 지역에 대한 유동 인구를 분석하는 단계를 포함하는 방법을 제공한다.

본 실시예의 다른 측면에 의하면, 사용자 식별정보, 시간 구간 및 대상 지역에 관한 정보를 입력 받는 입력부; 상기 대상 지역으로 접근 가능한 적어도 하나의 경로를 획득하고, 예측 모델을 이용하여 상기 시간 구간에 대해 상기 사용자 식별정보에 대응되는 사용자가 상기 적어도 하나의 경로를 이용하여 상기 대상 지역으로 이동할 확률 정보를 획득하고, 상기 확률 정보에 기초하여 상기 대상 지역에 대한 유동 인구를 분석하는 분석부를 포함하는 연산 장치를 제공한다.

이상에서 설명한 바와 같이 본 발명의 일 실시예에 의하면, 사용자들의 개인 정보를 직접적으로 수집하지 않고도 사용자들의 개인 정보를 기반으로 일 지역에 대한 유동 인구를 분석할 수 있다.

본 발명의 다른 실시예에 의하면, 사용자들의 개인 정보를 기반으로 유동 인구를 분석함으로써, 마케팅에 필요한 오디언스 타겟팅(audience targeting)을 정확하게 수행하거나, 특정 지역에 대한 상권을 정밀하게 분석할 수 있다.

도 1은 본 발명의 일 실시예에 따른 유동 인구 분석 시스템을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 예측 모델의 연합 학습을 설명하기 위해 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 분산 모델의 입출력 데이터를 예시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 유동 인구 분석 방법을 예시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 유동 인구 분석 방법을 설명하기 위한 순서도다.

이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면 상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

또한, 본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 '포함', '구비'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 '~부', '모듈' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

도 1은 본 발명의 일 실시예에 따른 유동 인구 분석 시스템을 나타낸 도면이다.

도 1을 참조하면, 유동 인구 분석 시스템은 분석 장치(100) 및 연합 학습 시스템(110)을 포함한다. 분석 장치(100)는 전자기기로서, 서버용 컴퓨터, 랩톱 컴퓨터, 스마트폰, 태블릿 PC 또는 노트북 등일 수 있다.

분석 장치(100)는 유동 인구를 분석하고자 하는 대상 지역의 유동 인구를 분석한다. 분석 장치(100)는 대상 지역 내 사람들의 개인 정보를 직접적으로 수집하지 않고도, 대상 지역 내 유동 인구의 개인 정보를 기반으로 유동 인구를 분석할 수 있다.

이를 위해, 분석 장치(100)는 대상 지역의 유동 인구를 분석하기 위해 연합 학습 시스템(110)에 의해 훈련된 예측 모델(118)을 이용한다. 예측 모델(118)은 사용자들의 엣지 디바이스에서 수집한 개인 정보를 기반으로 훈련된 분산 모델들(112, 114, 116)에 기초하여 얻어진 모델이다. 예측 모델(118)을 이용함으로써, 분석 장치(100)는 개인 정보를 직접 수집하지 않고도, 개인 정보에 기반하여 대상 지역의 유동 인구를 분석할 수 있다.

이하에서는, 분석 장치(100)가 유동 인구를 분석하는 과정을 설명한다.

분석 장치(100)는 분석하고자 하는 사용자 식별정보, 시간 구간 및 대상 지역에 관한 정보를 입력 받는다. 여기서, 사용자 식별정보는 개인 정보에 대응되는 정보로서, 나이 정보, 성별 정보, 이름 정보, 핸드폰 번호, 이메일 주소, 집주소 등 사람을 식별할 수 있는 정보를 의미한다. 분석 장치(100)는 입력부를 통해 입력 정보를 텍스트, 오디오, 이미지, 또는 비디오 등 다양한 형태로 입력 받을 수 있다.

분석 장치(100)는 대상 지역으로 접근 가능한 적어도 하나의 경로를 획득한다. 적어도 하나의 경로는 사용자에 의해 입력되거나 대상 지역에 대해 미리 설정된 것일 수 있다.

분석 장치(100)는 예측 모델(118)을 이용하여 사용자 식별정보, 시간 구간 및 적어도 하나의 경로로부터 사용자의 다음 위치를 예측한다. 구체적으로, 분석 장치(100)는 사용자 식별정보, 시간 구간 및 경로를 예측 모델(118)에 입력한다. 예측 모델(118)은 입력된 시간 구간에 대해 사용자 식별정보에 대응되는 사용자가 입력된 경로의 종료 지점에서 종료 지점의 주변 지점들로 이동할 확률들을 출력한다. 경로가 복수인 경우, 예측 모델(118)은 각 경로마다 사용자 식별정보에 대응되는 사용자가 입력된 경로의 종료 지점에서 종료 지점의 주변 지점들로 이동할 확률들을 출력한다. 여기서, 각 경로의 종료 지점의 주변 지점들 중에 대상 지역이 포함된다.

분석 장치(100)는 예측 모델(118)의 출력 결과에 기초하여 사용자 식별정보에 대응되는 사용자가 적어도 하나의 경로를 이용하여 대상 지역으로 이동할 확률 정보를 계산한다.

분석 장치(100)는 계산된 확률 정보에 기초하여 대상 지역의 유동 인구를 분석한다. 예를 들어, 분석 장치(100)는 오전 8시부터 오전 9시까지 시간 구간에 대해 30대 나이의 여자들이 미리 설정된 경로들을 통해 도심 지역으로 이동할 확률을 계산할 수 있다.

위와 같이, 분석 장치(100)는 연합 학습 시스템(110)에서 개인 정보를 기반으로 연합 학습된 예측 모델(118)을 이용함으로써, 사용자들의 개인 정보를 직접 수집하지 않고도, 개인 정보를 기반으로 대상 지역에 대한 유동 인구를 분석할 수 있다.

분석 장치(100)는 분석 정보를 구하기 위한 분석부, 또는 분석 정보를 출력하는 출력부를 포함할 수 있다.

도 2는 본 발명의 일 실시예에 따른 예측 모델의 연합 학습을 설명하기 위해 나타낸 도면이다.

도 2를 참조하면, 클라우드 서버(200) 및 복수의 엣지 디바이스(210, 212, 214)가 도시되어 있다. 연합 학습 시스템은 클라우드 서버(200) 및 복수의 엣지 디바이스(210, 212, 214)를 포함한다.

클라우드 서버(200)는 예측 모델을 생성하고, 복수의 엣지 디바이스(210, 212, 214)에 의해 업데이트된 예측 모델을 기반으로 기존의 예측 모델을 업데이트한다.

복수의 엣지 디바이스(210, 212, 214)는 개별적으로 수집한 개인 정보에 기초하여, 클라우드 서버(200)로부터 배포 받은 예측 모델을 훈련하는 사용자들의 디바이스들이다.

구체적으로, 클라우드 서버(200)는, 사용자 식별정보, 시간 구간 및 적어도 하나의 경로를 입력 받으면 시간 구간에 대해 사용자 식별 정보에 대응되는 사용자가 적어도 하나의 경로의 종료 지점으로부터 종료 지점의 주변 지점들로 이동할 확률을 출력하는 초기 예측 모델을 생성한다.

초기 예측 모델의 훈련에 이용되는 훈련 데이터는 공공의 데이터일 수 있다. 즉, 클라우드 서버(200)는 공공의 데이터를 이용하여 초기 예측 모델을 생성할 수 있다.

클라우드 서버(200)는 초기 예측 모델을 복수의 엣지 디바이스(210, 212, 214)에게 배포한다.

복수의 엣지 디바이스(210, 212, 214) 각각은 각 사용자의 개인 정보, 이동시간 및 이동경로 등을 수집하며, 수집 정보를 기반으로 예측 모델을 업데이트한다. 예를 들어, 제1 엣지 디바이스(210)는 제1 사용자의 개인 정보, 이동시간 및 이동경로를 수집하고, 수집 정보를 기반으로 초기 예측 모델을 업데이트함으로써, 훈련된 분산 모델을 생성할 수 있다. 엣지 디바이스에 의해 훈련된 분산 모델은 각 엣지 디바이스에 의해 업데이트된 예측 모델이 된다. 이때, 복수의 엣지 디바이스(210, 212, 214)가 수집하는 사용자의 개인 정보는 분석 장치가 입력 받는 사용자 식별정보에 대응되어야 한다.

각 분산 모델은 각 엣지 디바이스에 의해 수집된 개인 정보, 이동경로 및 이동시간을 입력 받으면, 이동시간에 대해 수집된 개인 정보에 대응되는 사용자가 이동경로의 종료 지점으로부터 종료 지점의 주변 지점들로 이동할 확률들을 출력하도록 훈련된다.

한편, 분산 모델 또는 예측 모델의 구조는 인공지능 모델로서, 합성곱 신경망, 순환 신경망 등 다양한 구조를 가지거나, 지도학습, 비지도학습, 강화학습 등 다양한 알고리즘을 통해 기계 학습될 수 있다. 다시 말하면, 분산 모델 또는 예측 모델의 구조 또는 훈련 방법은 어느 하나로 한정되지 않으며, 사용자 식별정보, 시간 구간 및 경로로부터 확률 값을 출력할 수 있는 모든 구조 또는 모든 훈련 방법일 수 있다. 분산 모델 또는 예측 모델이 신경망을 이용하는 경우, 확률 값은 소프트맥스(softmax) 함수가 적용된 결과 값일 수 있다.

클라우드 서버(200)는 복수의 엣지 디바이스(210, 212, 214)에 의해 훈련된 분산 모델들에 기초하여 예측 모델을 업데이트한다. 구체적으로, 클라우드 서버(200)는 훈련된 분산 모델들의 가중치 파라미터들 또는 훈련 결과 데이터를 집계(aggregation)함으로써, 예측 모델을 생성 또는 업데이트한다. 여기서, 훈련 결과 데이터는 손실 함수 값 또는 그래디언트(gradient) 등 개인 정보에 기초하여 훈련된 결과 데이터를 포함한다.

위 과정을 통해, 클라우드 서버(200)는 복수의 엣지 디바이스(210, 212, 214)로부터 개인 정보들을 직접 수집하지 않더라도, 복수의 엣지 디바이스(210, 212, 214)와의 연합 학습을 통해 복수의 엣지 디바이스(210, 212, 214)에 의해 수집된 개인 정보를 기반으로 훈련된 예측 모델을 구할 수 있다.

도 3은 본 발명의 일 실시예에 따른 분산 모델의 입출력 데이터를 예시한 도면이다.

도 3을 참조하면, 사용자의 이동경로(300), 이동 지점들(301, 302, 303, 304, 305), 및 주변 지점들(310, 311, 312, 313, 314, 315, 316)이 도시되어 있다.

본 발명의 일 실시예에 의하면, 임의의 구역을 일정한 간격을 가진 그리드로 표현할 수 있다. 다만, 이는 일 실시예에 불과하며, 이동경로를 나타낼 수 있다면 다른 방식으로 표현될 수 있다.

한편, 도 3에 시간 정보는 도시되어 있지 않으며, 사용자의 이동경로(300) 및 이동 지점들(301, 302, 303, 304, 305)은 임의의 시간 구간 동안 수집된 분산 모델의 입출력 데이터를 나타낸 것이다. 예를 들어, 도 3에 도시된 이동 정보는 오후 6시 내지 오후 8시 사이에 수집된 정보일 수 있다.

사용자의 이동경로(300)는 엣지 디바이스를 가진 사용자가 이동한 경로 이력을 나타낸다. 사용자의 이동경로(300)는 사용자의 총 이동경로 중 일부이며, 엣지 디바이스에 의해 수집된다. 이동경로(300)에 의하면, 사용자는 제1 이동 지점(301)을 시작점으로 하여 제2 이동 지점(302), 제3 이동 지점(303), 제4 이동 지점(304), 및 제5 이동 지점(305) 순서로 이동한 것으로 나타난다. 여기서, 제5 이동 지점(305)은 이동경로(300)의 종료 지점이다.

분산 모델은 경로에 대한 입력으로서, 이동경로(300)를 입력 받을 수 있다. 구체적으로, 분산 모델은 이동 지점들(301, 302, 303, 304, 305)를 입력 받을 수 있다. 분산 모델이 입력 받는 이동 지점들의 개수는 다양하게 설정될 수 있다.

이 외에, 분산 모델은 엣지 디바이스로부터 사용자의 식별정보와 시간 정보를 더 입력 받는다.

분산 모델은 입력 정보에 기초하여 사용자가 이동경로(300)의 종료 지점으로부터 주변 지점들(310, 311, 312, 313, 314, 315, 316)로 이동할 확률들을 출력한다. 다시 말하면, 분산 모델의 출력은 확률값들이다. 예를 들어, 분산 모델은 입력된 시간 구간에 대해 식별정보에 대응되는 사용자가 제5 이동 지점(305)에서 제1 주변 지점(310)으로 이동할 확률로서 40%를 출력한다. 분산 모델은 하나의 이동경로(300)에 대해 주변 지점들(310, 311, 312, 313, 314, 315, 316) 각각의 이동 확률을 출력한다.

분산 모델은 엣지 디바이스에 의해 수집되는 정보에 기초하여 업데이트된다. 다시 말하면, 업데이트 전 분산 모델에 입력된 정보와 동일한 입력 정보에 기초하더라도, 업데이트된 분산 모델에 의해 출력되는 주변 지점들(310, 311, 312, 313, 314, 315, 316)로의 이동 확률 값들은 변화할 수 있다.

복수의 이동경로들이 주어진 경우, 분산 모델은 각 이동경로의 종료 지점으로부터 주변 지점들로 이동할 확률값들을 출력한다.

본 발명의 일 실시예에 따른 분석 장치는 각 엣지 디바이스에서 훈련된 분산 모델에 기반한 예측 모델을 이용함으로써, 사용자들의 개인 정보를 직접적으로 수집하지 않아도 사용자 식별정보에 따른 예상 이동 지점을 구할 수 있다.

도 4는 본 발명의 일 실시예에 따른 유동 인구 분석 방법을 예시한 도면이다.

도 4를 참조하면, 대상 지역(400), 제1 경로(410), 제2 경로(420), 제3 경로(430) 및 제4 경로(440)가 도시되어 있다.

분석 장치는 유동 인구를 분석하고자 하는 대상 지역(400)을 입력 받는다. 또한, 분석 장치는 분석하고자 하는 사용자 식별정보와 시간 구간을 입력 받는다.

분석 장치는 대상 지역(400)에 접근 가능한 경로로서, 제1 경로(410), 제2 경로(420), 제3 경로(430) 및 제4 경로(440)를 획득한다. 여기서, 제1 경로(410), 제2 경로(420), 제3 경로(430) 및 제4 경로(440)는 사용자에 의해 입력되거나, 대상 지역(400)에 대해 미리 설정될 수 있다.

분석 장치는 예측 모델을 이용하여 각 경로에 대해 사용자가 대상 지역(400)으로 이동할 확률을 구한다.

예를 들면, 분석 장치는 사용자 식별정보, 시간 구간 및 제1 경로(410)를 예측 모델에 입력한다. 예측 모델은 사용자가 제1 경로(410)의 종료 지점인 A5 지점으로부터 주변 지점들로 이동할 확률들을 출력한다. 분석 장치는 출력된 확률들 중 A5에서 대상 지역(400)으로 이동할 확률을 획득한다. 획득된 확률은 주어진 시간 구간에 대해 사용자 식별정보에 대응되는 사용자가 제1 경로(410)를 이용하여 대상 지역(400)으로 이동할 확률을 의미한다. 도 4에서 사용자가 제1 경로(410)를 통해 대상 지역(400)을 이동할 확률은 8%이다.

분석 장치는 예측 모델을 이용하여 제1 경로(410), 제2 경로(420), 제3 경로(430) 및 제4 경로(440) 각각을 통해 대상 지역(400)으로 이동할 확률값을 구한다. 도 4에서, 제2 경로(420)에 대한 확률값은 3%, 제3 경로(430)에 대한 확률값은 12%, 제4 경로(440)에 대한 확률값은 2%이다.

분석 장치는 각 경로에 대한 확률 정보를 기반으로 대상 지역(400)에 대한 방문 확률을 계산한다. 예를 들어, 대상 지역(400)으로 접근 가능한 경로는 4개일 때, 분석 장치는 각 경로를 통한 방문 확률값으로부터 평균값을 산출함으로써 대상 지역(400)에 대한 방문 확률을 계산할 수 있다. 다만, 이는 하나의 예시일 뿐이며, 방문 확률은 평균값 외에 다른 방식으로 계산될 수 있다.

방문 확률은 사용자 식별정보에 대응되는 사용자가 해당 시간 구간에 대상 지역(400)으로 이동할 확률을 나타낸다. 예를 들어, 대상 지역(400)에 대한 방문 확률은 30대의 남자가 오전 시간에 대상 지역(400)으로 이동할 확률을 나타낸다.

분석 장치는 방문 확률 외에, 각 경로에 대한 확률 정보를 기반으로 대상 지역(400)에 대한 방문 정도를 나타내는 방문 지표를 계산할 수 있다.

분석 장치는 개인 정보 수집 없이 예측 모델을 이용하여 개인 정보에 기반한 특정 지역에 대한 유동 인구를 분석할 수 있다.

나아가, 분석 장치는 방문자 정보를 더 이용하여 대상 지역(400)에 대한 방문자 수를 추정할 수 있다.

구체적으로, 분석 장치는 복수의 경로(410, 420, 430, 440)의 시작 지점에 관한 방문자 수를 포함하는 방문자 정보를 획득한다. 방문자 정보는 방문자 식별정보 및 시간 정보를 더 포함할 수 있다. 분석 장치는 각 경로의 시작 지점에 관한 방문자 수와 각 경로를 통해 대상 지역(400)으로 이동할 확률에 기초하여, 대상 지역(400)의 예상 방문자 수를 추정할 수 있다. 예를 들어, 제1 경로(410)의 시작 지점인 A1 지점을 오전에 방문하는 30대 여자들의 수가 100명이고, 제1 경로(410)를 통해 방문하는 확률이 8%인 경우, 분석 장치는 대상 지역(400)을 오전에 방문하는 30대 여자들의 수를 100×0.08 = 8 명으로 추정할 수 있다.

도 5는 본 발명의 일 실시예에 따른 유동 인구 분석 방법을 설명하기 위한 순서도다.

도 5를 참조하면, 분석 장치는 사용자 식별정보, 시간 구간 및 대상 지역에 관한 정보를 수신한다(S500).

여기서, 사용자 식별정보는 연령 정보 또는 성별 정보 중 적어도 하나를 포함한다.

분석 장치는 대상 지역으로 접근 가능한 적어도 하나의 경로를 획득한다(S502).

여기서, 적어도 하나의 경로는 사용자에 의해 입력되거나 대상 지역에 대해 미리 설정된 것일 수 있다.

분석 장치는 예측 모델을 이용하여 시간 구간에 대해 사용자 식별정보에 대응되는 사용자가 적어도 하나의 경로를 이용하여 대상 지역으로 이동할 확률 정보를 획득한다(S504).

여기서, 예측 모델은 복수의 엣지 디바이스에 의해 수집된 정보에 기초하여 훈련된 복수의 분산 모델들로부터, 생성 또는 업데이트된 것이다. 즉, 예측 모델은 복수의 엣지 디바이스를 통해 연합 학습된다.

구체적으로, 분산 모델은 각 엣지 디바이스에 의해 수집된 개인 정보, 이동경로 및 이동시간을 입력 받으면, 이동시간에 대해 수집된 개인 정보에 대응되는 사용자가 이동경로의 종료 지점으로부터 종료 지점의 주변 지점들로 이동할 확률들을 출력하도록 훈련된다. 예측 모델은 분산 모델들이 집계된 모델이다.

분석 장치는 확률 정보에 기초하여 대상 지역에 대한 유동 인구를 분석한다(S506).

분석 장치는 확률 정보에 기초하여 주어진 시간 구간에 주어진 사용자 식별정보에 대응되는 사용자가 대상 지역으로 이동할 확률을 계산할 수 있다.

대상 지역으로 접근 가능한 경로가 복수인 경우, 분석 장치는 복수의 경로들의 개수 및 경로별 확률값에 기초하여 대상 지역에 대한 방문 확률을 계산할 수 있다.

나아가, 분석 장치는 적어도 하나의 경로의 시작 지점에 관한 방문자의 수를 포함하는 방문자 정보를 획득할 수 있다. 방문자 정보는 방문자 식별정보 및 시간 정보를 더 포함할 수 있다. 분석 장치는 방문자 정보 및 확률 정보에 기초하여 대상 지역의 예상 방문자 수를 추정할 수 있다.

도 5에서는 과정 S500 내지 과정 S506을 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 발명의 일 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것이다. 다시 말해, 본 발명의 일 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 일 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 5에 기재된 순서를 변경하여 실행하거나 과정 S500 내지 과정 S506 중 하나 이상의 과정을 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 도 5는 시계열적인 순서로 한정되는 것은 아니다.

한편, 도 5에 도시된 과정들은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 즉, 이러한 컴퓨터가 읽을 수 있는　기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등의 비일시적인(non-transitory) 매체를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

또한, 본 발명의 구성 요소들은 메모리, 프로세서, 논리 회로, 룩-업 테이블(look-up table) 등과 같은 집적 회로 구조를 사용할 수 있다. 이러한 집적 회로 구조는 하나 이상의 마이크로 프로세서 또는 다른 제어 장치의 제어를 통해 본 명세서에 기술 된 각각의 기능을 실행한다. 또한, 본 발명의 구성 요소들은 특정 논리 기능을 수행하기 위한 하나 이상의 실행 가능한 명령을 포함하고 하나 이상의 마이크로 프로세서 또는 다른 제어 장치에 의해 실행되는 프로그램 또는 코드의 일부에 의해 구체적으로 구현될 수 있다. 또한, 본 발명의 구성 요소들은 각각의 기능을 수행하는 중앙 처리 장치(CPU), 마이크로 프로세서 등을 포함하거나 이에 의해 구현될 수 있다. 또한, 본 발명의 구성 요소들은 하나 이상의 프로세서에 의해 실행되는 명령어들을 하나 이상의 메모리에 저장할 수 있다. 나아가, 본 발명의 구성 요소들은 외부 장치와 통신하기 위한 통신 모듈을 더 이용할 수 있다.

이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

100: 분석 장치
110: 연합 학습 시스템

Claims (9)

1. 일 지역에 대한 유동 인구를 분석하기 위한 방법에 있어서,
   사용자 식별정보, 시간 구간 및 대상 지역에 관한 정보를 입력 받는 단계;
   상기 대상 지역으로 접근 가능한 적어도 하나의 경로를 획득하는 단계;
   예측 모델을 이용하여 상기 시간 구간에 대해 상기 사용자 식별정보에 대응되는 사용자가 상기 적어도 하나의 경로를 이용하여 상기 대상 지역으로 이동할 확률 정보를 획득하는 단계; 및
   상기 확률 정보에 기초하여 상기 대상 지역에 대한 유동 인구를 분석하는 단계
   를 포함하는 방법.
2. 제1항에 있어서,
   상기 사용자 식별정보는,
   연령 정보 또는 성별 정보 중 적어도 하나를 포함하는 것인 방법.
3. 제1항에 있어서,
   상기 예측 모델은,
   복수의 엣지 디바이스에 의해 수집된 정보에 기초하여 훈련된 복수의 분산 모델들로부터, 생성된 것인 방법.
4. 제3항에 있어서,
   각 분산 모델은,
   각 엣지 디바이스에 의해 수집된 개인 정보, 이동경로 및 이동시간을 입력 받으면, 상기 이동시간에 대해 상기 수집된 개인 정보에 대응되는 사용자가 상기 이동경로의 종료 지점으로부터 상기 종료 지점의 주변 지점들로 이동할 확률들을 출력하도록 훈련된 것인 방법.
5. 제1항에 있어서,
   상기 유동 인구를 분석하는 단계는,
   상기 경로가 복수인 경우, 복수의 경로들의 개수 및 경로별 확률값에 기초하여 상기 대상 지역에 대한 방문 확률을 계산하는 단계
   를 포함하는 방법.
6. 제1항에 있어서,
   상기 유동 인구를 분석하는 단계는,
   상기 적어도 하나의 경로의 시작 지점에 관한 방문자의 수를 포함하는, 방문자 정보를 획득하는 단계; 및
   상기 방문자 정보 및 상기 확률 정보에 기초하여 상기 대상 지역의 예상 방문자 수를 추정하는 단계
   를 포함하는 방법.
7. 제1항에 있어서,
   상기 적어도 하나의 경로는,
   사용자에 의해 입력되거나 상기 대상 지역에 대해 미리 설정된 것인 방법.
8. 사용자 식별정보, 시간 구간 및 대상 지역에 관한 정보를 입력 받는 입력부; 및
   상기 대상 지역으로 접근 가능한 적어도 하나의 경로를 획득하고, 예측 모델을 이용하여 상기 시간 구간에 대해 상기 사용자 식별정보에 대응되는 사용자가 상기 적어도 하나의 경로를 이용하여 상기 대상 지역으로 이동할 확률 정보를 획득하고, 상기 확률 정보에 기초하여 상기 대상 지역에 대한 유동 인구를 분석하는 분석부
   를 포함하는 연산 장치.
9. 제1항 내지 제7항 중 어느 한 항의 방법을 실행하기 위한 컴퓨터 프로그램을 기록한 컴퓨터로 판독 가능한 기록매체.

Images