KR20240028653A

KR20240028653A - 영업용 번호판 시세 예측 방법 및 시스템

Info

Publication number: KR20240028653A
Application number: KR1020220106657A
Authority: KR
Inventors: 김효중; 정혜인
Original assignee: 주식회사 아이트럭
Priority date: 2022-08-25
Filing date: 2022-08-25
Publication date: 2024-03-05

Abstract

본 개시는 적어도 하나의 프로세서에 의해 수행되는 영업용 번호판 시세 예측 방법을 제공한다. 이 방법은 화물차 등록 데이터를 획득하는 단계, 획득된 화물차 등록 데이터를 기계학습 모델에 입력하여, 기계학습 모델로부터 영업용 번호판 시세를 획득하는 단계 및 획득된 영업용 번호판 시세를 출력하는 단계를 포함하고, 기계학습 모델은, 화물차 등록 현황을 기초로 생성된 학습용 데이터 세트를 이용하여 영업용 번호판 시세를 예측하도록 학습된 모델일 수 있다.

Description

영업용 번호판 시세 예측 방법 및 시스템{METHOD AND SYSTEM FOR PREDICTING COMMERCIAL LICENSE PLATE}

본 개시는 영업용 번호판 시세 예측 방법에 관한 것으로, 구체적으로, 적어도 하나의 기계학습 모델을 이용하여 영업용 번호판의 시세를 예측하는 방법 및 시스템에 관한 것이다.

중고차를 거래하는 중고차 시장은 신종 차량의 생산량 증가 및 외제 차량의 증가, 차량 진단 서비스, 경매제 도입, 차량 실명제 등으로 인하여 빠르게 성장하고 있다. 특히, 과거에는 중고차 매매단지에 전시된 중고차를 직접 보고 구입하는 오프라인 중고차 시장이 대부분이었으나, 근래에는 온라인 중고차 플랫폼을 이용하여 중고차 매물을 업로드하고, 업로드된 다양한 중고차 정보를 이용하여 중고차의 매매가 온라인 상에서 진행되고 있다.

또한, 화물차에 이용되는 영업용 번호판이 온라인 중고차 플랫폼에서 매매되고 있다. 이러한 영업용 번호판은 수요와 공급에 기초하여 시세가 결정된다. 또한, 온라인 중고차 플랫폼에서는 영업용 번호판의 현재 시세를 사용자(예컨대, 딜러/화물차주)에게 제공하기도 한다.

그런데 미래 시점에서의 영업용 번호판에 대한 시세가 예측 가능하다면, 사용자는 보다 합리적인 매매 시점을 결정할 수 있다. 예컨대, 사용자는 영업용 번호판이 높은 가격으로 상승할 것으로 예상되는 경우, 보다 많은 영업용 번호판을 선점할 수 있다.

이에 따라, 영업용 번호판에 대한 시세를 정확하게 예측하는 방법에 대한 요구(needs)가 발생하고 있다.

본 개시는 상기와 같은 문제점을 해결하기 위한 영업용 번호판 시세 예측 방법, 기록매체에 저장된 컴퓨터 프로그램 및 장치(시스템)를 제공한다.

본 개시는 방법, 장치(시스템) 및/또는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램, 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능 저장 매체를 포함한 다양한 방식으로 구현될 수 있다.

본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는 영업용 번호판 시세를 예측하는 방법은, 화물차 등록 데이터를 획득하는 단계, 획득된 화물차 등록 데이터를 기계학습 모델에 입력하여, 기계학습 모델로부터 영업용 번호판 시세를 획득하는 단계 및 획득된 영업용 번호판 시세를 출력하는 단계를 포함하고, 기계학습 모델은, 화물차 등록 현황을 기초로 생성된 학습용 데이터 세트를 이용하여 영업용 번호판 시세를 예측하도록 학습된 모델일 수 있다.

일 실시예에 따르면, 기계학습 모델은 서로 상이한 중량 범위와 연관된 복수의 예측 모델을 포함하고, 영업용 번호판 시세를 획득하는 단계는, 화물차 등록 데이터와 연관된 화물차의 중량 범위를 기초로, 복수의 예측 모델 중에서 타깃 예측 모델을 결정하는 단계 및 결정된 타깃 예측 모델로 화물차 등록 데이터를 입력하여 타깃 예측 모델로부터 영업용 번호판 시세를 획득하는 단계를 포함할 수 있다.

일 실시예에 따르면, 화물차 등록 데이터를 획득하는 단계 이전에, 영업용 번호판 시세 예측 방법은, 제1 중량 범위와 연관된 제1 학습용 데이터 세트를 이용하여, 제1 중량 범위와 연관된 제1 예측 모델을 학습시키는 단계 및 제2 중량 범위와 연관된 제2 학습용 데이터 세트를 이용하여, 제2 중량 범위와 연관된 제2 예측 모델을 학습시키는 단계를 더 포함할 수 있다.

일 실시예에 따르면, 제1 예측 모델을 학습시키는 단계는, 제1 중량 범위와 연관된 화물차들이 제1 서브 기간 동안에 등록된 등록 대수를 기초로, 등록 대수에 연관된 제1 변화 추이를 획득하는 단계, 제2 중량 범위와 연관된 화물차들이 제2 서브 기간 동안에 등록된 등록 대수를 기초로, 등록 대수에 연관된 제2 변화 추이를 획득하는 단계 및 획득된 제1 변화 추이와 제2 변화 추이를 포함하는 제1 학습용 데이터 세트를 생성하는 단계를 포함할 수 있다.

일 실시예에 따르면, 제1 예측 모델을 학습시키는 단계는, 제1 학습용 데이터 세트로부터 타깃 학습용 데이터를 결정하는 단계, 타깃 학습용 데이터를 제1 예측 모델에 입력하고, 제1 예측 모델로부터 출력 값을 획득하는 단계, 출력 값과 연관된 예측 시점에서의 번호판 거래 정보에 기초하여, 레퍼런스 값으로 획득하는 단계 및 출력 값과 획득된 레퍼런스 값 간의 손실 값을 제1 예측 모델로 피드백하는 단계를 포함할 수 있다.

일 실시예에 따르면, 화물차 등록 데이터는, 제3 기간 동안의 등록 대수 변화 추이를 포함하고, 영업용 번호판 시세를 획득하는 단계는, 제3 기간 보다 미래 시점에서의 영업용 번호판 시세를 기계학습 모델로부터 획득하는 단계를 포함할 수 있다.

일 실시예에 따르면, 기계학습 모델은 서로 상이한 모델과 연관된 복수의 예측 모델을 포함하고, 영업용 번호판 시세를 획득하는 단계는, 화물차 등록 데이터와 연관된 차종을 기초로, 복수의 예측 모델 중에서 타깃 예측 모델을 결정하는 단계 및 결정된 타깃 예측 모델로 화물차 등록 데이터를 입력하여, 타깃 예측 모델로부터 영업용 번호판 시세를 획득하는 단계를 포함할 수 있다.

일 실시예에 따르면, 기계학습 모델은 서로 상이한 중량 범위 또는 차종과 연관된 복수의 학습용 데이터 세트에 기초하여 학습되고, 복수의 학습용 데이터 세트의 각각은, 적어도 하나의 서브 기간 동안의 등록 대수 변화 추이를 포함하고, 학습 과정에서 기계학습 모델로부터 출력된 영업용 번호판 시세와 영업용 번호판의 매매 금액 간의 손실 값이 기계학습 모델로 피드백될 수 있다.

상술한 영업용 번호판 시세 예측 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공될 수 있다.

본 개시의 일 실시예에 따르면, 정보 처리 시스템은, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은, 화물차 등록 데이터를 획득하고, 획득된 화물차 등록 데이터를 기계학습 모델에 입력하여, 기계학습 모델로부터 영업용 번호판 시세를 획득하고, 획득된 영업용 번호판 시세를 출력하기 위한 명령어들을 포함하고, 기계학습 모델은, 화물차 등록 현황을 기초로 생성된 학습용 데이터 세트를 이용하여 영업용 번호판 시세를 예측하도록 학습된 모델일 수 있다.

본 개시의 일부 실시예에 따르면, 기계학습 모델을 이용하여 영업용 번호판의 시세를 정확하게 예측할 수 있고, 예측된 결과를 화물차주 및/또는 딜러에게 제공할 수 있다. 이에 따라, 화물차주 및/또는 딜러는 예측된 영업용 번호판의 시세에 기초하여, 합리적인 매매 시점을 결정할 수 있다. 예컨대, 화물차주 및/또는 딜러는 가격 상승이 예상되는 인기 차종의 영업용 번호판을 선제적으로 구입할 수 있다.

본 개시의 일부 실시예에 따르면, 서로 다른 중량 범위 또는 차종과 연관된 복수의 학습용 데이터 세트가 생성되고, 학습용 데이터 세트를 기초로 해당 중량 범위 또는 차종과 연관된 기계학습 모델이 학습될 수 있다. 이에 따라, 기계학습 모델은 보다 정확하게 영업용 번호판 시세를 예측할 수 있다.

본 개시의 일부 실시예에 따르면, 정확한 결과를 출력하기 위해 보다 객관적이고 중요한 학습 인자(factor)가 입력 데이터로서 결정되고, 이 결정된 입력 데이터를 통해서 기계학습 모델이 올바른 방향으로 학습될 수 있다.

본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자('통상의 기술자'라 함)에게 명확하게 이해될 수 있을 것이다.

본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른, 정보 처리 시스템이 적용되는 시스템 환경을 개략적으로 설명하기 위한 개요도이다.
도 2는 본 개시의 일 실시예에 따른 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 3은 본 개시의 일 실시예에 따른, 프로세서의 내부 구성을 나타내는 도면이다.
도 4는 본 개시의 일 실시예에 따른, 화물차의 영업용 번호판 시세를 예측하기 위한 기계학습 모델을 예시하는 도면이다.
도 5는 화물차 등록 추이와 연관된 제1 그래프와 영업용 번호판 시세와 연관된 제2 그래프에 대한 예시도이다.
도 6은 본 개시의 일 실시예에 따른, 기계학습 모델이 학습되는 과정을 예시하는 도면이다.
도 7은 본 개시의 일 실시예에 따른, 화물차 등록 현황의 일 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른, 중량 범위를 기초로 추출된 필요 항목의 일 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따른, 기계학습 모델이 학습되는 방법을 설명하기 위한 흐름도이다.
도 10은 본 개시의 일 실시예에 따른, 기계학습 모델에 포함된 인공신경망 모델을 예시하는 도면이다.
도 11은 본 개시의 일 실시예에 따른, 기계학습 모델을 이용하여 화물차에 대한 영업용 번호판 시세를 획득하는 방법을 설명하는 흐름도이다.

이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.

첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.

개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.

또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.

본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.

본 개시에서, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다.

또한, 이하의 실시예들에서 사용되는 제1, 제2, A, B, (a), (b) 등의 용어는 어떤 구성요소를 다른 구성요소와 구별하기 위해 사용되는 것일 뿐, 그 용어에 의해 해당 구성요소의 본질이나 차례 또는 순서 등이 한정되지는 않는다.

본 개시에서, '복수의 A 각각' 은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다.

또한, 이하의 실시예들에서, 어떤 구성요소가 다른 구성요소에 '연결', '결합' 또는 '접속'된다고 기재된 경우, 그 구성요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성요소 사이에 또 다른 구성요소가 '연결', '결합' 또는 '접속'될 수도 있다고 이해되어야 한다.

또한, 이하의 실시예들에서 사용되는 '포함한다(comprises)' 및/또는 '포함하는(comprising)'은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

이하, 본 개시의 다양한 실시예들에 대하여 첨부된 도면에 따라 상세하게 설명한다.

도 1은 본 개시의 일 실시예에 따른, 정보 처리 시스템(110)이 적용되는 시스템 환경을 개략적으로 설명하기 위한 개요도이다. 도 1에 도시된 바와 같이, 정보 처리 시스템(110)은 네트워크(130)를 통해서, 적어도 하나의 사용자 단말(120)과 통신할 수 있다.

네트워크(130)는 사용자 단말(120)과 정보 처리 시스템(110) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(130)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(130)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식만 아니라 사용자 단말(120) 사이의 근거리 무선 통신 역시 포함될 수 있다.

사용자 단말(120)은 번호판 시세 요청(122)을 정보 처리 시스템(110)으로 전송하고, 이에 대한 응답으로 영업용 번호판 시세(112)를 수신할 수 있다. 일 실시예에 따르면, 사용자 단말(120)은 화물차 중량 또는 차종을 정보 처리 시스템(110)으로 전송하고, 정보 처리 시스템(110)으로부터 화물차 중량과 연관된 영업용 번호판 시세 및/또는 차종과 연관된 영업용 번호판 시세를 수신할 수 있다. 번호판 시세(112)는 적어도 하나의 미래 시점에서의 영업용 번호판 시세를 포함할 수 있다. 추가적으로, 번호판 시세(112)는 현 시점에서의 영업용 번호판 시세를 포함할 수 있다. 사용자 단말(120)은 중고 화물차 관련 애플리케이션 또는 웹 브라우저 중 적어도 하나를 이용하여, 정보 처리 시스템(110)으로부터 영업용 번호판 시세(112)를 수신할 수 있다.

사용자 단말(120)은 화물차 딜러 또는 화물차주가 소유하고 있는 컴퓨팅 장치일 수 있다. 예컨대, 사용자 단말(120)은 휴대폰 단말, 태블릿 단말, PC 단말 등과 같이, 유선 및/또는 무선 통신이 가능하고 애플리케이션 또는 웹 브라우저 등이 설치되어 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다.

정보 처리 시스템(110)은 적어도 하나의 프로세서와 메모리를 포함하는 컴퓨팅 시스템으로서, 적어도 하나의 기계학습 모델을 이용하여 영업용 번호판 시세(112)를 예측할 수 있다. 또한, 정보 처리 시스템(110)은 영업용 번호판 시세(112)를 사용자 단말(120)로 전송할 수 있다.

일부 실시예에 따르면, 정보 처리 시스템(110)은 서로 상이한 중량 범위(또는 차종)와 연관된 복수의 예측 모델 중에서 적어도 하나를 이용하여 영업용 번호판 시세(112)를 예측할 수 있다. 여기서, 복수의 예측 모델의 각각은 독립적으로 학습된 기계학습 모델일 수 있다. 예컨대, 정보 처리 시스템(110)은 제1 중량 범위와 연관된 제1 예측 모델을 이용하여, 제1 중량 범위와 연관된 화물차의 영업용 번호판 시세를 예측할 수 있다. 다른 예로서, 정보 처리 시스템(110)은 제2 중량 범위와 연관된 제2 예측 모델을 이용하여, 제2 중량 범위와 연관된 화물차의 영업용 번호판 시세를 예측할 수 있다. 또 다른 예로서, 정보 처리 시스템(110)은 제1 차종과 연관된 제3 예측 모델을 이용하여 제1 차종의 영업용 번호판 시세를 예측할 수 있고, 제2 차종과 연관된 제4 예측 모델을 이용하여 제2 차종의 영업용 번호판 시세를 예측할 수 있다. 기계학습 모델이 학습되는 방법에 대해서는, 도 6 내지 도 9을 참조하여 자세하게 후술하기로 한다.

도 2는 본 개시의 일 실시예에 따른 정보 처리 시스템(110)의 내부 구성을 나타내는 블록도이다. 정보 처리 시스템(110)은 메모리(210), 프로세서(220), 통신 모듈(230) 및 입출력 인터페이스(240)를 포함할 수 있다. 도 2에 도시된 바와 같이, 정보 처리 시스템(110)은 통신 모듈(230)을 이용하여 네트워크를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다.

메모리(210)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(210)는 ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 정보 처리 시스템(110)에 포함될 수 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 정보 처리 시스템(110)에 설치되어 구동되는 기계학습 모델의 연산 처리, 영업용 번호판 시세를 전송 등을 위한 코드)가 저장될 수 있다. 도 2에서, 메모리(210)는 단일 메모리인 것으로 도시되었지만, 이는 설명의 편의를 위한 것일 뿐이며, 메모리(210)는 복수의 메모리를 포함할 수 있다.

이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 이러한 정보 처리 시스템(110)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(230)을 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 통신 모듈(230)을 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예를 들어, 기계학습 모델 호출, 데이터 전처리, 기계학습 모델 학습 등을 위한 프로그램 등)에 기반하여 메모리(210)에 로딩될 수 있다.

프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 모듈(230)에 의해 사용자 단말 또는 다른 외부 시스템으로 제공될 수 있다. 예를 들어, 프로세서(220)는 기계학습 모델을 이용하여 영업용 번호판 시세를 예측하고, 예측된 영업용 번호판 시세를 사용자 단말로 전송하도록 통신 모듈(230)을 제어할 수 있다.

통신 모듈(230)은 네트워크를 통해 사용자 단말과 정보 처리 시스템(110)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 정보 처리 시스템(110)이 외부 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 정보 처리 시스템(110)의 프로세서(220)의 제어에 따라 제공되는 제어 신호, 명령, 데이터 등이 통신 모듈(230)과 네트워크를 거쳐 사용자 단말 및/또는 외부 시스템의 통신 모듈을 통해 사용자 단말 및/또는 외부 시스템으로 전송될 수 있다.

또한, 정보 처리 시스템(110)의 입출력 인터페이스(240)는 정보 처리 시스템(110)과 연결되거나 정보 처리 시스템(110)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 예를 들면, 입출력 인터페이스(240)는 PCI express 인터페이스, 이더넷(ethernet) 인터페이스 중 적어도 하나를 포함할 수 있다. 도 2에서는 입출력 인터페이스(240)가 프로세서(220)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(240)가 프로세서(220)에 포함되도록 구성될 수 있다. 정보 처리 시스템(110)은 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다.

도면에 도시되지는 않았으나, 정보 처리 시스템(110)은 데이터 저장소(예컨대, 데이터베이스)를 더 포함할 수 있다. 데이터 저장소는 각 기간별 화물차 등록 현황을 저장할 수 있다. 예컨대, 데이터 저장소는 매월 화물차 등록 현황을 저장할 수 있다. 데이터 저장소는 관공서 서버(예컨대, 국토교통부 서버)로부터 제공된 화물차 등록 현황을 저장할 수 있다. 화물차 등록 현황을 구체적인 예시는 도 7을 참조하여 설명하기로 한다. 또한, 데이터 저장소는 복수의 영업용 번호판 거래 정보를 저장할 수 있다. 영업용 번호판 거래 정보는 거래 일시, 매매 금액, 화물차의 중량, 차종, 매도자 정보, 매입자 정보 등을 포함할 수 있다.

도 3은 본 개시의 일 실시예에 따른, 프로세서(220)의 내부 구성을 나타내는 도면이다. 도 3에 도시된 바와 같이, 프로세서(220)는 데이터 전처리부(310), 모델 학습부(320) 및 시세 예측부(330)를 포함할 수 있다.

데이터 전처리부(310)는 기간별 화물차 등록 현황을 전처리하여, 중량 범위 및/또는 차종에 의해 구분되는 복수의 학습용 데이터 세트를 생성할 수 있다. 일 실시예에 따르면, 데이터 전처리부(310)는 각각의 화물차 등록 현황으로부터 학습용 데이터 세트를 생성하는데 필요한 항목들(즉, 세부 데이터들)을 추출하고, 추출된 항목들을 이용하여 학습용 데이터 세트를 생성할 수 있다. 이때, 데이터 전처리부(310)는 추출 기준에 기초하여, 화물차 등록 현황으로부터 필요 항목들을 추출하고, 추출된 필요 항목들을 이용하여 중량 범위 및/또는 차종을 기초로 구분되는 복수의 학습용 데이터 세트를 생성할 수 있다. 여기서, 추출 기준은 중량 범위 및/또는 차종일 수 있고, 학습용 데이터 세트에는 복수의 학습용 데이터가 포함될 수 있다. 즉, 복수의 학습용 데이터가 학습용 데이터 세트를 구성할 수 있다.

개별 학습용 데이터에는 미리 결정된 서브 기간별 등록 대수 변화 추이가 포함될 수 있다. 여기서, 서브 기간은 분석 대상이 되는 전체 기간의 일부 기간일 수 있다. 또한, 등록 대수 변화 추이는 해당 서브 기간 동안에 월별 등록 대수의 증감률일 수 있고, 또는 서브 기간 동안의 월별 등록 대수일 수 있다. 개별 학습용 데이터에 등록 대수 변화 추이가 포함됨에 따라, 개별 학습용 데이터는 시계열 데이터 특성을 가질 수 있다.

예컨대, 데이터 전처리부(310)는 서브 기간(예컨대, n개월 동안, 여기서 n은 자연수) 동안에 1 톤 이하의 화물차에 대한 등록 대수 변화 추이를 화물차 등록 현황으로부터 추출하고, 추출된 등록 대수 변화 추이와 해당 서브 기간을 포함하는 제1 학습용 데이터를 생성하여 1 톤 이하의 중량 범위와 연관된 학습용 데이터 세트에 포함시킬 수 있다. 다른 예로서, 데이터 전처리부(310)는 서브 기간 동안에 유조차(예컨대, 유조차(항공유), 유조차(휘발유), 유조차(등유, 경유) 등)에 대한 등록 대수 변화 추이를 화물차 등록 현황으로부터 추출하고, 추출된 등록 대수 변화 추이와 서브 기간을 포함하는 제2 학습용 데이터를 생성하여, 유조차와 연관된 학습용 데이터 세트에 포함시킬 수 있다.

설명한 바와 같이, 분석 대상이 되는 전체 기간 중에서 미리 결정된 서브 기간 동안에 등록 대수의 변화 추이가 화물차 등록 현황으로부터 획득될 수 있다. 서브 기간의 길이에 기초하여, 학습용 데이터 세트의 크기가 결정될 수 있다. 예컨대, 화물차 등록 현황이 20년 동안에 등록된 화물차 등록 통계인 경우, 미리 결정된 서브 기간은 3개월일 수 있고, 이 경우, 데이터 전처리부(310)는 개별 연도와 연관되어 적어도 4개 이상의 학습용 데이터가 포함되도록, 학습용 데이터 세트를 생성할 수 있다. 이 경우, 학습용 데이터 세트에는 80개 이상의 학습용 데이터가 포함될 수 있다.

한편, 일부 서브 기간이 중첩되도록 학습용 데이터 세트가 생성될 수 있다. 예컨대, 데이터 전처리부(310)는 2000년 1월부터 3월까지의 등록 대수의 변화 추이를 포함하는 제1 학습용 데이터를 생성하고, 2000년 2월부터 4월까지 등록 대수의 변화 추이를 포함하는 제2 학습용 데이터를 생성할 수 있고, 2000년 3월부터 5월까지의 등록 대수의 변화 추이를 포함하는 제3 학습용 데이터를 생성할 수 있다. 이렇게 서브 기간이 서로 중첩되어 학습용 데이터가 생성되는 경우, 학습용 데이터 세트에는 보다 많은 개수의 데이터가 포함되고 이에 따라 기계학습 모델에 대한 학습량이 증가할 수 있다.

모델 학습부(320)는 학습용 데이터 세트를 이용하여 기계학습 모델을 학습시킨다. 일 실시예에 따르면, 모델 학습부(320)는 서로 상이한 중량 범위 및/또는 차종으로 구분되는 각 학습용 데이터 세트를 이용하여, 기계학습 모델을 학습시킬 수 있다. 예컨대, 모델 학습부(320)는 1톤 이하의 화물차의 등록 대수 추이와 연관된 학습용 데이터 세트를 이용하여 기계학습 모델을 학습시킬 수 있다. 다른 예로서, 모델 학습부(320)는 유조차의 등록 대수 추이와 연관된 학습용 데이터 세트를 이용하여 기계학습 모델을 학습시킬 수 있다.

일부 실시예에 따르면, 기계학습 모델은 복수의 예측 모델을 포함할 수 있고, 모델 학습부(320)는 기계학습 모델에 포함된 복수의 예측 모델의 각각을 개별적으로 학습시킬 수 있다. 예컨대, 기계학습 모델은 각각의 중량 범위와 상응하는 예측 모델들을 포함할 수 있다. 이 경우, 모델 학습부(320)는 서로 상이한 중량 범위와 연관된 학습용 데이터 세트를 이용하여 복수의 기계학습 모델 각각을 학습시킬 수 있다. 예컨대, 모델 학습부(320)는 제1 중량 범위와 연관된 제1 학습용 데이터 세트를 이용하여 제1 예측 모델을 학습시킬 수 있고, 제2 중량 범위와 연관된 제2 학습용 데이터 세트를 이용하여 제2 예측 모델을 학습시킬 수 있다. 이러한 경우, 제1 예측 모델은 제1 중량 범위에 포함된 중량을 가지는 화물차들의 영업용 번호판 시세를 분석하는데 특화될 수 있고, 제2 예측 모델은 제2 중량 범위에 포함된 중량을 가지는 화물차들의 영업용 번호판 시세를 분석하는데 특화될 수 있다.

다른 예로서, 기계학습 모델은 각각의 차종과 상응하는 예측 모델들을 포함할 수 있고, 모델 학습부(320)는 복수의 기계학습 모델 각각을 학습시킬 수 있다. 예컨대, 모델 학습부(320)는 제1 차종과 연관된 제3 학습용 데이터 세트를 이용하여 제3 예측 모델을 학습시킬 수 있고, 제2 차종과 연관된 제4 학습용 데이터 세트를 이용하여 제4 예측 모델을 학습시킬 수 있다. 이러한 경우, 제3 예측 모델은 제1 차종의 화물차들에 대한 영업용 번호판 시세를 분석하는데 특화될 수 있고, 제4 예측 모델은 제2 차종의 화물차들에 대한 영업용 번호판 시세를 분석하는데 특화될 수 있다.

다른 실시예에 따르면, 모델 학습부(320)는 하나의 기계학습 모델을 학습시킬 수 있다. 예컨대, 모델 학습부(320)는 하나의 기계학습 모델에 대한 학습을 수행할 수 있다. 이 경우, 모델 학습부(320)는 서로 구분되는 복수의 학습용 데이터 세트의 각각을 이용하여 기계학습 모델을 학습시킬 수 있고, 이에 따라 차종 및 중량 범위의 각각은, 기계학습 모델에서 특징(feature) 요소로서 작용할 수 있다.

일 실시예에 따르면, 모델 학습부(320)는 기계학습 모델(또는 예측 모델)로부터 출력된 영업용 번호판 시세와 레퍼런스 값 간의 손실(loss) 값을 산출하고, 산출된 손실 값을 기계학습 모델(또는 예측 모델)을 피드백(feedback)하여 기계학습 모델에 포함된 적어도 하나의 가중치를 조정할 수 있다. 여기서, 가중치는 인공신경망의 포함된 노드의 가중치일 수 있으며, 레퍼런스 값은 번호판 거래 정보에 포함된 영업용 번호판의 매매 금액에 기초하여 획득될 수 있다.

시세 예측부(330)는 기계학습 모델을 이용하여, 화물차의 영업용 번호판 시세를 예측할 수 있다. 일 실시예에 따르면, 시세 예측부(330)는 특정 기간 동안의 화물차의 등록 현황을 획득하고 획득된 화물차의 등록 현황으로부터, 기계학습 모델에 입력되는 화물차 등록 데이터를 획득할 수 있다. 여기서, 특정 기간은 n개월(여기서, n은 자연수) 전에서부터 현재 시점까지의 화물차 등록 현황일 수 있으며, 화물차 등록 데이터는 특정 중량 범위 및/또는 특정 차종에 해당하는 화물차의 등록 대수 변화 추이를 포함할 수 있다. 예컨대, 화물차 등록 데이터는 특정 중량 범위에 해당하는 화물차의 월별 등록 대수 변화 추이를 포함할 수 있다. 다른 예로서, 화물차 등록 데이터는 특정 차종에 해당하는 화물차의 월별 등록 대수 변화 추이를 포함할 수 있다.

시세 예측부(330)는 추출된 화물차 등록 데이터를 기계학습 모델로 입력하고, 기계학습 모델로부터 출력되는 영업용 번호판 시세를 획득할 수 있다. 일 실시예에 따르면, 기계학습 모델은 차종 및/또는 중량 범위와 연관된 영업용 번호판 시세를 출력할 수 있다. 예컨대, 화물차 등록 데이터가 중량 범위와 연관된 경우, 기계학습 모델은 중량 범위와 연관된 영업용 번호판 시세를 출력할 수 있다. 다른 예로서, 화물차 등록 데이터가 차종과 연관된 경우, 기계학습 모델은 해당 차종과 연관된 영업용 번호판 시세를 출력할 수 있다.

한편, 기계학습 모델은 복수의 예측 모델을 포함할 수 있다.

도 4는 본 개시의 일 실시예에 따른, 화물차의 영업용 번호판 시세를 예측하기 위한 기계학습 모델(400)을 예시하는 도면이다. 도 4에 예시된 바와 같이, 본 개시의 실시예에 따른, 기계학습 모델(400)은 복수의 예측 모델(410 내지 440)을 포함할 수 있다. 각각의 예측 모델(410 내지 440)은 개별적으로 학습된 기계학습 모델일 수 있다.

기계학습 모델(400)에 포함된 각각의 예측 모델(410 내지 440)은 서로 상이한 중량 범위 또는 차종과 연관될 수 있다. 예컨대, 제1 예측 모델(410)은 제1 중량 범위 또는 제1 차종과 연관될 수 있고, 제2 예측 모델(420)은 제2 중량 범위 또는 제2 차종과 연관될 수 있다. 다른 예로서, 제3 기계학습 모델(430)은 제3 중량 범위 또는 제3 차종과 연관될 수 있고, 제4 기계학습 모델(440)은 제4 중량 범위 또는 제4 차종과 연관될 수 있다. 일부 실시예에서, 각각의 예측 모델(410 내지 440)은 중량 범위 및 차종과 연관될 수도 있다. 예컨대, 제1 예측 모델(410)은 제1 중량 범위에 포함된 중량을 가지는 제1 차종과 연관될 수 있고, 제2 예측 모델(420)은 제2 중량 범위에 포함된 중량을 가지는 제2 차종과 연관될 수 있다.

각각의 예측 모델(410 내지 440)은 중량 범위 및/또는 차종과 연관된 학습용 데이터 세트에 기초하여 학습될 수 있다. 예컨대, 제1 예측 모델(410)은 제1 중량 범위 및/또는 제1 차종과 연관된 제1 학습 데이터 세트가 이용되어 학습될 수 있고, 제2 예측 모델(420)은 제2 중량 범위 및/또는 제2 차종과 연관된 제2 학습 데이터 세트가 이용되어 학습될 수 있다. 다른 예로서, 제3 기계학습 모델(430)은 제3 중량 범위 및/또는 제3 차종과 연관된 제3 학습 데이터 세트가 이용되어 학습될 수 있고, 제4 기계학습 모델(440)은 제4 중량 범위 및/또는 제4 차종과 연관된 제4 학습 데이터 세트가 이용되어 학습될 수 있다.

도 5는 화물차 등록 추이와 연관된 제1 그래프(510)와 영업용 번호판 시세와 연관된 제2 그래프(520)에 대한 예시도이다. 화물차 등록 추이와 연관된 제1 그래프(510)는 관공서 서버(예컨대, 국토교통부 서버)로부터 획득된 화물차 등록 현황을 기초로 생성된 그래프이다. 제1 그래프(510)는 2014년부터 2022년까지의 5톤 미만의 화물차의 등록 추이를 나타내고 있다. 제1 그래프(510)를 참조하면, 2015년부터 2018년까지 화물차의 등록이 하락으로 유지되다가, 2018년 중반을 기점으로 상승 추세로 전환되고 있음을 알 수 있다.

영업용 번호판 시세와 연관된 제2 그래프(520)는 2014년부터 2022년까지의 거래된 5톤 미만의 화물차의 영업용 번호판의 매매 금액을 기초로 생성된 그래프이다. 제2 그래프(520)에서 y축은 영업용 번호판의 가격의 변동을 나타내는 것으로서, '0'에서부터 '1' 사이의 범위에 해당하는 값을 가질 수 있다. 제2 그래프(520)를 참조하면, 대략 2016년부터 2019년까지 영업용 번호판의 시세가 하락되었으나, 2019년 중반을 기점으로 상승 추세로 전환되고 있음을 알 수 있다.

두 그래프(510, 520)를 비교하면, 화물차의 등록 추이와 영업용 번호판의 시세 추이와 시차를 두고 유사한 패턴을 보이고 있음을 알 수 있다. 즉, 화물차가 가장 많이 등록된 시점에서 일정 시간이 경과된 후에, 영업용 번호판의 가격이 최고점을 기록하고 있음을 두 그래프(510, 520)을 통해 알 수 있다. 또한, 화물차가 가장 적게 등록된 시점에서 일정 시간이 경과된 후에, 영업용 번호판의 가격이 최저점을 기록하고 있음을 두 그래프(510, 520)을 통해 알 수 있다.

이에 따라, 기간별 화물차의 등록 대수를 기초하여, 기계학습 모델이 미래 시점의 영업용 번호판 시세를 예측되도록 학습되는 경우, 기계학습 모델은 정확한 결과를 출력할 수 있다. 즉, 화물차 등록 대수의 변화 추이는 영업용 번호판 시세를 예측하는데, 객관적이고 중요한 학습 인자(factor)로서 이용될 수 있다. 본 개시에서는 화물차 등록 대수의 변화 추이를 포함하는 학습용 데이터를 기계학습 모델에 입력하여, 기계학습 모델을 학습시킬 수 있다.

이하, 기계학습 모델이 학습되는 구체적인 방법에 대해서 도 6 내지 도 9을 참조하여 설명한다.

도 6은 본 개시의 일 실시예에 따른, 기계학습 모델(650)이 학습되는 과정을 예시하는 도면이다. 도 6에 예시된 기계학습 모델(650)은 도 4의 기계학습 모델(400)에 포함되는 예측 모델들 중에서, 특정 중량 범위 또는 특정 차종과 연관된 모델일 수 있다. 다른 예로서, 기계학습 모델(650)은 복수의 모델로 구분되지 않은 단일 모델일 수도 있다. 일부 실시예에 따르면, 기계학습 모델(650)은 순환신경망(Recurrent Neural Network, RNN), LSTM(Long Short-Term Memory) 기반의 인공신경망 등을 통해서 구현될 수 있다.

일 실시예에 따르면, 월별/분기별/연도별 화물차 등록 현황(610)로부터 데이터 전처리가 수행되어, 학습용 데이터 세트(620)가 생성될 수 있다. 월별/분기별/연도별 화물차 등록 현황(610)은 해당 기간에 등록된 화물차에 대한 상세 데이터를 포함할 수 있다. 일 실시예에 따르면, 월별/분기별/연도별 화물차 등록 현황이 전처리되어, 중량 범위 및/또는 차종과 연관된 학습용 데이터 세트(620)가 생성될 수 있다. 예컨대, 미리 결정된 서브 기간별 1톤 이하의 화물차에 대한 등록 대수 변화 추이가 화물차 등록 현황으로부터 추출되고, 서브 기간별 1톤 이하 화물차의 등록 대수 변화 추이를 포함하는 학습용 데이터 세트(620)가 생성될 수 있다. 다른 예로서, 미리 결정된 서브 기간별 유조차에 대한 등록 대수 변화 추이가 화물차 등록 현황으로부터 추출되고, 서브 기간별 유조차의 등록 대수 변화 추이를 포함하는 학습용 데이터 세트(620)가 생성될 수 있다.

학습용 데이터 세트(620)에 포함된 어느 하나의 학습용 데이터가 타깃 학습용 데이터로서 결정되고, 이 결정된 학습용 데이터가 기계학습 모델(650)로 입력될 수 있다. 여기서 타깃 학습용 데이터에는 특정 서브 기간 동안에 등록 대수 변화 추이를 포함할 수 있다. 추가적으로, 타깃 학습용 데이터에는 화물차의 중량 범위 또는 차종이 포함될 수 있다.

기계학습 모델(650)은 타깃 학습용 데이터를 기초로 연산을 수행하여, 화물차에 대한 적어도 하나의 영업용 번호판 시세(630)를 출력할 수 있다. 일 실시예에서, 기계학습 모델(650)은 복수의 시점별 영업용 번호판 시세(630)를 출력할 수 있다. 일부 실시예에서, 기계학습 모델(650)은 현재 시점에서부터 미래의 특정 시점까지의 기간 동안에 화물차의 영업용 번호판 시세를 그래프 형태로서 출력할 수 있다. 이때, 기계학습 모델(650)은 각 시점별 영업용 번호판 시세를 기초로, 영업용 번호판 시세와 연관된 그래프를 생성할 수 있다.

미래 시점의 개수와 미래 시점의 기준 일시는 사전에 설정될 수 있다. 예컨대, 제1 미래 시점은 현재 날짜를 기준으로 1개월이 경과된 시점일 수 있고, 제2 미래 시점은 현재 날짜를 기준으로 3개월이 경과된 시점일 수 있고, 제3 미래 시점은 현재 날짜를 기준으로 6개월이 경과된 시점일 수 있고, 제4 미래 시점은 현재 날짜를 기준으로 1년이 경과된 시점일 수 있다.

일 실시예에 따르면, 타깃 학습용 데이터에 포함된 중량 범위 또는 차종이 식별된 후, 식별된 중량 범위 또는 차종에 해당하는 영업용 번호판의 실제 매매 금액을 기초로, 적어도 하나의 레퍼런스 값(640)이 획득될 수 있다. 학습에 이용되는 화물차 등록 현황은 과거 데이터이므로, 기계학습 모델(650)로부터 출력되는 영업용 번호판의 시세는 현 시점을 기준으로 보면 과거일 수 있다. 첨언하면, 학습 과정에서 기계학습 모델(650)로부터 출력되는 영업용 번호판 시세(630)는, 현 시점 보다는 과거일 수 있다. 즉, 기계학습 모델(650)은 제1 과거 시점과 연관된 학습용 데이터를 입력 받아, 제1 과거 시점보다는 미래인 제2 과거 시점과 연관된 영업용 번호판 시세(630)를 출력하나, 출력되는 영업용 번호판 시세(630)도 현 시점을 기준으로는 과거 시점일 수 있다.

일 실시예에서, 기계학습 모델(650)로부터 출력되는 영업용 번호판 시세(630)와 연관된 시점에서의 영업용 번호판 매매 금액이 식별되고, 식별된 매매 금액에 기초하여 레퍼런스 값(640)이 획득될 수 있다. 예컨대, 기계학습 모델(650)로부터 출력된 영업용 번호판 시세(630)가 2010년 1월과 연관된 경우, 2010년 1월에 매매된 영업용 번호판의 실제 거래 금액을 기초하여 레퍼런스 값(640)이 획득될 수 있다. 여기서, 레퍼런스 값(640)은 해당 시점과 연관된 기간 동안에 발생한 영업용 번호판의 평균 또는 중간값일 수 있다. 일 실시예에 따르면, 학습용 데이터 세트(620)와 연관된 중량 범위 또는 차종이 식별되고, 영업용 번호판 시세와 연관된 시점에서의 해당 중량 범위 또는 차종과 연관된 화물차의 영업용 번호판 매매 금액이 식별될 수 있다. 이때, 차종이 인기 차종인 경우, 매매 금액이 더 상승하도록 매매 금액에 가중치가 적용될 수 있으며, 반대로 차종이 비인기 차종인 경우, 매매 금액이 더 하락하도록 매매 금액에 가중치가 적용될 수 있다. 인기 차종 목록과 비인기 차종 목록은, 관리자에 의해서 설정될 수 있고, 거래 데이터를 기초로 자동적으로 설정될 수 있다.

동일한 시점에 해당하는 레퍼런스 값(640)과 영업용 번호판 시세(630) 간의 손실 값(loss)이 산출되어, 기계학습 모델(650)로 피드백될 수 있다. 일 실시예에서, 손실 값은 레퍼런스 값(640)과 영업용 번호판 시세(630) 간에 산술적인 차이로서 산출될 수 있다. 일부 실시예에서, 복수의 레퍼런스 값(640)이 이용되어 화물차의 영업용 번호판 시세를 나타내는 레퍼런스 그래프가 생성되고, 레퍼런스 그래프와 기계학습 모델(650)로부터 출력된 그래프 간의 일치율에 기초한 손실 값이 산출된 후, 기계학습 모델(650)로 피드백될 수 있다. 또 다른 실시예에서, 영업용 번호판 시세(630)와 레퍼런스 값(640) 간의 손실 값을 산출하기 위한 다양한 함수가 이용될 수 있다.

손실 값이 기계학습 모델(650)에 반영되면, 기계학습 모델(650)에 포함된 가중치가 조정될 수 있다. 이러한 학습은 반복적으로 수행될 수 있다. 반복적인 학습에 대한 방법은 도 9을 참조하여 후술하기로 한다.

도 7은 본 개시의 일 실시예에 따른, 화물차 등록 현황(700)의 일 예시를 나타내는 도면이다. 화물차 등록 현황(600)은 2021년 9월에 등록된 한국 자동차의 통계를 예시하고 있다. 예시된 바와 같이, 각 지역별로 등록된 중량별 화물차 등록 대수가 화물차 등록 현황(700)에 포함될 수 있다. 또한, 각 차종별 등록 대수가 화물차 등록 현황(700)에 포함될 수 있다. 이러한 화물차 등록 현황(700)에서 중량별 또는 차종별로 등록 대수가 추출될 수 있다.

도 8은 본 개시의 일 실시예에 따른, 중량 범위를 기초로 추출된 필요 항목(800)의 일 예시를 나타내는 도면이다. 도 8에 예시된 필요 항목(800)은 1톤 이하의 중량을 가지는 화물차에 대한 등록 대수를 포함하고 있다. 이렇게 중량 범위에 기초로 추출된 필요 항목(800)이 이용되어 1톤 이하의 중량을 가지는 화물차의 등록 대수 변화 추이가 획득될 수 있다.

다른 예로서, 화물차 등록 현황에서 동일한 차종을 해당하는 화물차에 대한 등록 대수가 추출되고, 이 추출된 차종의 화물차 등록 대수가 이용되어, 해당 차종에 대한 등록 대수 변화 추이가 획득될 수 있다.

도 9는 본 개시의 일 실시예에 따른, 기계학습 모델이 학습되는 방법(900)을 설명하기 위한 흐름도이다. 도 9에 도시된 방법은, 본 개시의 목적을 달성하기 위한 일 실시예일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다. 또한, 도 9에 도시된 방법은, 도 2에 도시된 정보 처리 시스템에 포함된 적어도 하나의 프로세서에 의해서 수행될 수 있다. 설명의 편의를 위해서 도 2에 도시된 정보 처리 시스템에 포함된 프로세서에 의해서, 도 9에 도시된 각 단계가 수행되는 것으로 설명하기로 한다.

도 9를 참조하면, 프로세서는 기간별(예컨대, 월별/분기별/연도별) 화물차 등록 현황을 획득할 수 있다(S910). 여기서, 각 기간은 현 시점보다 과거 시점에서의 기간일 수 있다. 프로세서는 통신 모듈을 이용하여 관공서 서버(예컨대, 국토부 서버)로부터 화물차 등록 현황을 획득할 수 있다.

그 후, 프로세서는 기간별 화물차 등록 현황으로부터 학습에 필요한 항목들(즉, 세부 데이터들)을 추출할 수 있다(S920). 예컨대, 프로세서는 화물차 등록 현황으로부터, 특정 중량 범위 또는 차종에 해당하는 화물차의 등록 대수를 필요 항목으로서 추출할 수 있다. 이에 따라, 기간별 화물차 등록 대수가 기간별 화물차 등록 현황으로부터 추출될 수 있다.

이어서, 프로세서는 추출한 항목들(즉, 기간별 등록 대수)을 이용하여 학습용 데이터 세트를 생성할 수 있다(S930). 일 실시예에 따르면, 프로세서는 추출한 기간별 등록 대수들 중에서, 미리 결정된 서브 기간(예컨대, n개월, 여기서 n은 자연수)으로 그룹핑하고, 서브 기간 동안의 월별 차량 등록 대수를 기초로, 서브 기간별 차량 등록 변화 추이를 산출한 후, 서브 기간별 차량 등록 변화 추이를 포함하는 학습용 데이터 세트를 생성할 수 있다. 추가적으로, 학습용 데이터 세트에는 중량 범위 또는 차종이 포함될 수 있다. 일 실시예에 따르면, 등록 대수 변화 추이는 해당 서브 기간 동안에 월별 등록 대수의 증감률 또는 서브 기간 동안의 월별 등록 대수를 포함할 수 있다. 예컨대, 프로세서는 제1 중량 범위와 연관된 화물차들이 제1 서브 기간 동안에 등록된 등록 대수를 기초로, 등록 대수에 관련된 제1 변화 추이를 획득하고, 제2 중량 범위와 연관된 화물차들이 제2 서브 기간 동안에 등록된 등록 대수를 기초로, 등록 대수에 관련된 제2 변화 추이를 획득한 후, 제1 변화 추이와 제2 변화 추이를 포함하는 제1 학습용 데이터 세트를 생성할 수 있다.

다음으로, 프로세서는 학습용 데이터 세트에 포함된 데이터 중에서 타깃 학습용 데이터를 결정할 수 있다(S940). 여기서, 타깃 학습용 데이터는 서브 기간 및 이 서브 기간 동안에 등록 대수 변화 추이를 포함할 수 있다.

이어서, 프로세서는 타깃 학습용 데이터를 이용하여 기계학습 모델에 대한 학습을 수행할 수 있다(S950). 기계학습 모델에 복수의 예측 모델이 포함된 경우, 프로세서는 학습용 데이터 세트로부터 중량 범위 또는 차종을 식별하고, 복수의 예측 모델 중에서 식별된 중량 범위 또는 차종과 연관된 예측 모델로 타깃 학습용 데이터를 입력하여 해당 예측 모델을 학습시킬 수 있다. 기계학습 모델(또는 예측 모델)은 타깃 학습용 데이터를 분석한 후, 이 타깃 학습 데이터의 분석 결과로서, 타깃 학습용 데이터에 포함된 서브 기간 보다 적어도 하나의 미래 시점에서의 영업용 번호판의 시세를 출력할 수 있다.

일 실시예에서, 프로세서는 학습용 데이터 세트와 연관된 중량 범위 또는 차종을 식별하고, 기계학습 모델로부터 출력된 영업용 번호판의 예측 시점을 식별할 수 있다. 학습 과정에서 기계학습 모델로부터 출력된 예측 시점은 현재 시점보다 과거 시점일 수 있다. 프로세서는 예측 시점에서 식별된 중량 범위 또는 차종에 해당하는 영업용 번호판의 매매 금액을 획득하고, 획득된 매매 금액을 기초로 레퍼런스 값(640)을 획득할 수 있다. 이때, 프로세서는 데이터 저장소에 저장된 영업용 번호판 거래 정보를 이용하여, 예측 시점에서의 중량 범위 또는 차종에 해당하는 영업용 번호판의 매매 금액을 획득할 수 있다. 여기서, 매매 금액은 해당 시점과 연관된 기간 동안에 발생한 영업용 번호판의 평균 또는 중간값일 수 있다. 동일한 시점에 해당하는 레퍼런스 값과 영업용 번호판 시세 간의 손실 값이 산출되어, 기계학습 모델로 피드백되어, 기계학습 모델에 포함된 가중치가 조정될 수 있다. 예컨대, 기계학습 모델이 제1 시점에서의 영업용 번호판의 제1 시세를 출력하고, 제2 시점에서의 영업용 번호판의 제2 시세를 출력하는 경우, 제1 시세와 제1 시점에서의 영업용 번호판의 실제 거래 금액 간의 손실 값 및 제2 시세와 제2 시점에서의 영업용 번호판의 실제 거래 금액 간의 손실 값이 기계학습 모델로 피드백될 수 있다.

그 후, 프로세서는 학습용 데이터 세트에 포함된 모든 데이터가 타깃 학습용 데이터로 결정되었는지 여부를 판정할 수 있다(S960). 다음으로, 프로세서는 학습용 데이터 세트에 포함된 데이터 중에서 아직 타깃 학습용 데이터로 결정되지 않은 데이터가 존재하면, 타깃 학습용 데이터로 결정되지 않은 학습용 데이터들 중에서 어느 하나를 타깃 학습용 데이터로 결정하여, 이 타깃 학습용 데이터를 이용하여 기계학습 모델에 대한 학습을 수행할 수 있다.

한편, 프로세서는 학습용 데이터 세트에 포함된 모든 데이터가 타깃 학습용 데이터로 결정되었으면, 이번 주기의 이포크(epoch)에서의 학습을 종료할 수 있다. 다음 주기의 이포크에서 동일할 학습용 데이터 세트가 다시 이용되어 기계학습 모델이 다시 학습될 수 있고, 또는 새로운 학습용 데이터 세트가 생성되어 기계학습 모델이 다시 학습될 수 있다.

상술한 바와 같이, 학습용 데이터 세트에 포함된 데이터를 이용하여 기계학습 모델에 대한 반복적인 학습이 진행되면, 기계학습 모델에 포함된 각 노드의 가중치는 최적의 값으로 수렴할 수 있다. 이에 따라, 기계학습 모델은 더욱 정확한 영업용 번호판 시세를 출력할 수 있다.

도 10은 본 개시의 일 실시예에 따른, 기계학습 모델에 포함된 인공신경망 모델(1000)을 예시하는 도면이다. 인공신경망 모델(1000)은, 기계학습 모델의 일 예로서, 기계학습(Machine Learning) 기술과 인지과학에서, 생물학적 신경망의 구조에 기초하여 구현된 통계학적 학습 알고리즘 또는 그 알고리즘을 실행하는 구조이다.

일 실시예에 따르면, 인공신경망 모델(1000)은, 생물학적 신경망에서와 같이 시냅스의 결합으로 네트워크를 형성한 인공 뉴런인 노드(Node)들이 시냅스의 가중치를 반복적으로 조정하여, 특정 입력에 대응한 올바른 출력과 추론된 출력 사이의 오차가 감소되도록 학습함으로써, 문제 해결 능력을 가지는 기계학습 모델을 나타낼 수 있다. 예를 들어, 인공신경망 모델(1000)은 기계학습, 딥러닝 등의 인공지능 학습법에 사용되는 임의의 확률 모델, 뉴럴 네트워크 모델 등을 포함할 수 있다.

상술한 기계학습 모델은 인공신경망 모델(1000)의 형태로 구현될 수 있다. 일 실시예에 따르면, 인공신경망 모델(1000)은 서브 기간별 등록 대수 변화 추이를 포함하는 학습용 데이터 세트를 기초로, 입력 서브 기간 보다 미래 시점의 영업용 번호판 시세를 예측하도록 학습될 수 있다.

인공신경망 모델(1000)은 다층의 노드들과 이들 사이의 연결로 구성된 다층 퍼셉트론(MLP: multilayer perceptron)으로 구현될 수 있다. 본 실시예에 따른 인공신경망 모델(1000)은 MLP, LSTM 등을 포함하는 다양한 인공신경망 모델 구조들 중의 하나를 이용하여 구현될 수 있다. 인공신경망 모델(1000)은, 외부로부터 입력 신호 또는 데이터를 수신하는 입력층, 입력 데이터에 대응한 출력 신호 또는 데이터를 출력하는 출력층, 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달하는 n개(여기서, n은 양의 정수)의 은닉층으로 구성된다.

인공신경망 모델(1000)의 입력층과 출력층에 복수의 입력변수와 대응되는 복수의 출력변수가 각각 매칭되고, 입력층, 은닉층 및 출력층에 포함된 노드들 사이의 시냅스 값이 조정됨으로써, 특정 입력에 대응한 올바른 출력이 추출될 수 있도록 학습될 수 있다. 학습용 데이터 세트에 포함된 데이터를 기초로 인공신경망 모델(1000)이 반복적으로 학습되면, 입력변수에 기초하여 계산된 출력변수와 목표 출력 간의 오차가 줄어들도록 인공신경망 모델(1000)의 노드들 사이의 시냅스 값(또는 가중치)를 조정되어, 최적의 값으로 수렴될 수 있다.

상술한 바와 같이, 기계학습 모델에 대해서 충분한 양의 학습이 수행되면, 정확한 예측 결과(즉, 영업용 번호판 시세)가 기계학습 모델을 통해서 출력될 수 있다.

도 11은 본 개시의 일 실시예에 따른, 기계학습 모델을 이용하여 화물차에 대한 영업용 번호판 시세를 획득하는 방법(1100)을 설명하는 흐름도이다. 도 11에 도시된 방법은, 본 개시의 목적을 달성하기 위한 일 실시예일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다. 또한, 도 11에 도시된 방법은, 도 2에 도시된 정보 처리 시스템에 포함된 적어도 하나의 프로세서에 의해서 수행될 수 있다. 설명의 편의를 위해서 도 2에 도시된 정보 처리 시스템에 포함된 프로세서에 의해서, 도 11에 도시된 각 단계가 수행되는 것으로 설명하기로 한다.

도 11을 참조하면, 프로세서는 화물차 등록 데이터를 획득할 수 있다(S1110). 화물차 등록 데이터는 현재 시점을 기준으로 n개월(여기서, n은 자연수) 전까지의 화물차 등록 현황으로부터 획득될 수 있다. 즉, 현재 시점보다 미래 시점의 영업용 번호판 시세를 예측하기 위해서, 프로세서는 현재 시점을 기준으로 n개월 전까지의 화물차 등록 현황을 획득하고, 획득된 화물차 등록 현황으로부터 등록 대수 변화 추이를 추출하고, 등록 기간 및 등록 대수 변화 추이를 포함하는 화물차 등록 데이터를 획득할 수 있다. 일 실시예에서, 프로세서는 특정 중량 범위 및/또는 차종을 결정하고, 특정 중량 범위 및/또는 차종에 해당하는 화물차에 대한 등록 대수 변화 추이를 화물차 등록 현황으로부터 추출할 수 있다. 일부 실시예에 따르면, 화물차 등록 데이터에는 화물차의 중량 범위 및/또는 차종이 포함될 수 있다.

그 후, 프로세서는 획득된 화물차 등록 데이터를 기계학습 모델에 입력하여, 기계학습 모델로부터 출력되는 영업용 번호판 시세를 획득할 수 있다(S1120). 일부 실시예에서, 기계학습 모델은, 서로 상이한 중량 범위 또는 차종과 연관된 복수의 예측 모델을 포함할 수 있다. 이 경우, 프로세서는 화물차 등록 데이터와 연관된 중량 범위 또는 차종을 식별하고, 복수의 예측 모델 중에서 식별된 중량 범위 또는 차종과 연관된 모델을 타깃 예측 모델로서 결정할 수 있다. 아울러, 프로세서는 화물차 등록 데이터를 타깃 예측 모델에 입력하여, 타깃 예측 모델로부터 출력되는 영업용 번호판 시세를 획득할 수 있다. 이렇게 획득된 중량 범위 및/차종에 대한 영업용 번호판 시세는 데이터 저장소에 저장될 수 있다.

그 후, 프로세서는 획득된 화물차의 영업용 번호판 시세를 출력할 수 있다(S1130). 예컨대, 프로세서는 화물차의 영업용 번호판 시세를 디스플레이 수단을 통해서 출력할 수 있다. 다른 예로서, 프로세서는 영업용 번호판 시세를 사용자 단말로 전송하여, 사용자 단말을 통해서 화물차의 영업용 번호판 시세가 출력되게 할 수 있다. 영업용 번호판 시세는 적어도 하나의 미래 시점에서의 영업용 번호판 시세를 포함될 수 있다.

일 실시예에 따르면, 정보 처리 시스템은 사용자 단말로부터 특정 차종 및/또는 중량 범위를 관련된 시세 요청을 수신할 수 있다. 이 경우, 프로세서는 수신된 차종 및/또는 중량 범위와 관련된 영업용 번호판 시세(즉, 기계학습 모델로부터 획득된 미래 시점의 번호판 시세)를 데이터 저장소로부터 추출하여 사용자 단말로 전송할 수 있다.

일 실시예에 따르면, 사용자 단말로부터 타깃 예측 시점을 수신할 수 있다. 예컨대, 정보 처리 시스템을 통해서 복수의 예측 시점 목록이 사용자 단말로 제공되고, 사용자 단말은 예측 시점 목록에 포함된 적어도 하나의 예측 시점을 선택하여 정보 처리 시스템으로 전송할 수 있다. 이 경우, 프로세서는 복수 시점에서의 화물차에 대한 영업용 번호판 시세를 기계학습 모델로부터 획득한 후, 획득된 영업용 번호판 시세들 중에서 타깃 미래 시점과 상응하는 적어도 하나의 시세를 추출하여 출력할 수 있다.

상술한 흐름도 및 상술한 설명은 일 예시일 뿐이며, 일부 실시예에서는 다르게 구현될 수 있다. 예를 들어, 일부 실시예에서는 각 단계의 순서가 바뀌거나, 일부 단계가 반복 수행되거나, 일부 단계가 생략되거나, 일부 단계가 추가될 수 있다.

상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록 수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.

하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.

따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.

펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.

소프트웨어로 구현되는 경우, 상술된 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.

예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.

소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.

이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.

본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.

110 : 정보 처리 시스템
120 : 사용자 단말
130 : 네트워크

Claims

적어도 하나의 프로세서에 의해서 수행되는, 영업용 번호판 시세를 예측하는 방법에 있어서,
화물차 등록 데이터를 획득하는 단계;
상기 획득된 화물차 등록 데이터를 기계학습 모델에 입력하여, 상기 기계학습 모델로부터 영업용 번호판 시세를 획득하는 단계; 및
상기 획득된 영업용 번호판 시세를 출력하는 단계
를 포함하고,
상기 기계학습 모델은, 화물차 등록 현황을 기초로 생성된 학습용 데이터 세트를 이용하여 영업용 번호판 시세를 예측하도록 학습된 모델인, 영업용 번호판 시세 예측 방법.
제1항에 있어서,
상기 기계학습 모델은, 서로 상이한 중량 범위와 연관된 복수의 예측 모델을 포함하고,
상기 영업용 번호판 시세를 획득하는 단계는,
상기 화물차 등록 데이터와 연관된 화물차의 중량 범위를 기초로, 복수의 예측 모델 중에서 타깃 예측 모델을 결정하는 단계; 및
상기 결정된 타깃 예측 모델로 상기 화물차 등록 데이터를 입력하여 상기 타깃 예측 모델로부터 상기 영업용 번호판 시세를 획득하는 단계
를 포함하는, 영업용 번호판 시세 예측 방법.
제2항에 있어서,
상기 화물차 등록 데이터를 획득하는 단계 이전에,
제1 중량 범위와 연관된 제1 학습용 데이터 세트를 이용하여, 상기 제1 중량 범위와 연관된 제1 예측 모델을 학습시키는 단계; 및
제2 중량 범위와 연관된 제2 학습용 데이터 세트를 이용하여, 상기 제2 중량 범위와 연관된 제2 예측 모델을 학습시키는 단계
를 더 포함하는, 영업용 번호판 시세 예측 방법.
제3항에 있어서,
상기 제1 예측 모델을 학습시키는 단계는,
상기 제1 중량 범위와 연관된 화물차들이 제1 서브 기간 동안에 등록된 등록 대수를 기초로, 등록 대수에 연관된 제1 변화 추이를 획득하는 단계;
상기 제2 중량 범위와 연관된 화물차들이 제2 서브 기간 동안에 등록된 등록 대수를 기초로, 등록 대수에 연관된 제2 변화 추이를 획득하는 단계; 및
상기 획득된 제1 변화 추이와 제2 변화 추이를 포함하는 상기 제1 학습용 데이터 세트를 생성하는 단계
를 포함하는, 영업용 번호판 시세 예측 방법.
제3항에 있어서,
상기 제1 예측 모델을 학습시키는 단계는,
상기 제1 학습용 데이터 세트로부터 타깃 학습용 데이터를 결정하는 단계;
상기 타깃 학습용 데이터를 상기 제1 예측 모델에 입력하고, 상기 제1 예측 모델로부터 출력 값을 획득하는 단계;
상기 출력 값과 연관된 예측 시점에서의 번호판 거래 정보에 기초하여, 레퍼런스 값으로 획득하는 단계; 및
상기 출력 값과 상기 획득된 레퍼런스 값 간의 손실 값을 상기 제1 예측 모델로 피드백하는 단계
를 포함하는, 영업용 번호판 시세 예측 방법.
제1항에 있어서,
상기 화물차 등록 데이터는, 소정의 기간 동안의 등록 대수 변화 추이를 포함하고,
상기 영업용 번호판 시세를 획득하는 단계는,
상기 소정의 기간 보다 미래 시점에서의 영업용 번호판 시세를 상기 기계학습 모델로부터 획득하는 단계
를 포함하는, 영업용 번호판 시세 예측 방법.
제1항에 있어서,
상기 기계학습 모델은, 서로 상이한 모델과 연관된 복수의 예측 모델을 포함하고,
상기 영업용 번호판 시세를 획득하는 단계는,
상기 화물차 등록 데이터와 연관된 차종을 기초로, 복수의 예측 모델 중에서 타깃 예측 모델을 결정하는 단계; 및
상기 결정된 타깃 예측 모델로 상기 화물차 등록 데이터를 입력하여, 상기 타깃 예측 모델로부터 상기 영업용 번호판 시세를 획득하는 단계
를 포함하는, 영업용 번호판 시세 예측 방법.
제1항에 있어서,
상기 기계학습 모델은, 서로 상이한 중량 범위 또는 차종과 연관된 복수의 학습용 데이터 세트에 기초하여 학습되고,
상기 복수의 학습용 데이터 세트의 각각은, 적어도 하나의 서브 기간 동안의 등록 대수 변화 추이를 포함하고,
학습 과정에서 상기 기계학습 모델로부터 출력된 영업용 번호판 시세와 영업용 번호판의 매매 금액 간의 손실 값이 상기 기계학습 모델로 피드백되는, 영업용 번호판 시세 예측 방법.
제1항 내지 제8항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
정보 처리 시스템으로서,
메모리; 및
상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로그램은,
화물차 등록 데이터를 획득하고,
상기 획득된 화물차 등록 데이터를 기계학습 모델에 입력하여, 상기 기계학습 모델로부터 영업용 번호판 시세를 획득하고,
상기 획득된 영업용 번호판 시세를 출력하기 위한 명령어들을 포함하고,
상기 기계학습 모델은, 화물차 등록 현황을 기초로 생성된 학습용 데이터 세트를 이용하여 영업용 번호판 시세를 예측하도록 학습된 모델인, 정보 처리 시스템.