KR102586873B1 - 대상 차량의 시세를 결정하는 방법 및 이를 수행하는 장치 - Google Patents

대상 차량의 시세를 결정하는 방법 및 이를 수행하는 장치 Download PDF

Info

Publication number
KR102586873B1
KR102586873B1 KR1020210024961A KR20210024961A KR102586873B1 KR 102586873 B1 KR102586873 B1 KR 102586873B1 KR 1020210024961 A KR1020210024961 A KR 1020210024961A KR 20210024961 A KR20210024961 A KR 20210024961A KR 102586873 B1 KR102586873 B1 KR 102586873B1
Authority
KR
South Korea
Prior art keywords
target vehicle
keyword
data
keywords
electronic device
Prior art date
Application number
KR1020210024961A
Other languages
English (en)
Other versions
KR20220121291A (ko
Inventor
최조셉성필
임준
이현복
전민수
Original Assignee
주식회사 더트라이브
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 더트라이브 filed Critical 주식회사 더트라이브
Priority to KR1020210024961A priority Critical patent/KR102586873B1/ko
Publication of KR20220121291A publication Critical patent/KR20220121291A/ko
Application granted granted Critical
Publication of KR102586873B1 publication Critical patent/KR102586873B1/ko

Links

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
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9532—Query formulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • G06F16/9566—URL specific, e.g. using aliases, detecting broken or misspelled links
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

본 개시는 전자 장치가 대상 차량의 시세를 결정하는 방법 및 이를 수행하는 전자 장치에 관한 것이다. 일 실시 예에 의하면 전자 장치가 대상 차량의 시세를 결정하는 방법은 상기 전자 장치와 연결된 제1 서버로부터 상기 대상 차량과 관련된 키워드 데이터를 획득하는 단계; 상기 전자 장치와 연결된 제2 서버로부터 상기 대상 차량과 관련된 시세 데이터를 획득하는 단계; 상기 획득된 키워드 데이터 및 상기 획득된 시세 데이터에 기초하여 상기 키워드 데이터 내 적어도 하나의 키워드들의 강도를 결정하고, 상기 결정된 적어도 하나의 키워드들의 강도에 따른 감가 금액을 출력하는 인공 지능 모델을 이용하여 상기 대상 차량의 감가 금액 결정하는 단계; 및 상기 결정된 대상 차량의 감가 금액에 기초하여 상기 대상 차량의 미래 시세를 결정하는 단계; 를 포함할 수 있다.

Description

대상 차량의 시세를 결정하는 방법 및 이를 수행하는 장치 {APPARATUS AND METHOD DETERMINING VEHICLE PRICE}
본 개시는 대상 차량의 시세를 결정하는 방법 및 이를 수행하는 전자 장치에 관한 것이다. 보다 상세하게는 인공 지능 모델을 이용하여 대상 차량의 시세를 예측 및 결정하는 방법에 관한 것이다.
국내 자동차 중고 시장은 신차 거래 대수 대비 급격하게 성장하고 있으며, 이에 따라 자동차의 중고 시세를 정확하게 예측하기 위한 기술에 대한 수요 역시 증가하고 있다.
그러나, 중고차 시장은 이러한 시장의 양적 성장에 비하여 시세 예측을 하기 위한 인프라를 갖추지 못하고 있으며, 이로 인하여 체계적인 기준 없이 중개업자 에 의해 불명확한 산출 기준에 따라 시세가 정해지는 한계가 있다.
따라서, 대상 차량의 시세를 객관적이고 정확하게 예측하기 위한 기술 개발이 요구되고 있다.
한국공개특허 제2020-0069126호
일 실시 예에 의하면 전자 장치가 대상 차량의 시세를 결정하는 방법 및 이를 수행하는 전자 장치가 제공될 수 있다.
보다 상세하게는 인공 지능 모델을 이용하여 대상 차량과 관련된 키워드 분석을 기반으로 대상 차량의 시세를 결정하는 방법 및 이를 수행하는 전자 장치가 제공될 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 일 실시 예에 의하면, 전자 장치가 대상 차량의 시세를 결정하는 방법은 상기 전자 장치와 연결된 제1 서버로부터 상기 대상 차량과 관련된 키워드 데이터를 획득하는 단계; 상기 전자 장치와 연결된 제2 서버로부터 상기 대상 차량과 관련된 시세 데이터를 획득하는 단계; 상기 획득된 키워드 데이터 및 상기 획득된 시세 데이터에 기초하여 상기 키워드 데이터 내 적어도 하나의 키워드들의 강도를 결정하고, 상기 결정된 적어도 하나의 키워드들의 강도에 따른 감가 금액을 출력하는 인공 지능 모델을 이용하여 상기 대상 차량의 감가 금액 결정하는 단계; 및 상기 결정된 대상 차량의 감가 금액에 기초하여 상기 대상 차량의 미래 시세를 결정하는 단계; 를 포함할 수 있다.
상술한 기술적 과제를 달성하기 위한 또 다른 실시 예에 의하면, 대상 차량의 시세를 결정하는 전자 장치는 네트워크 인터페이스; 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 전자 장치와 연결된 제1 서버로부터 상기 대상 차량과 관련된 키워드 데이터를 획득하고, 상기 전자 장치와 연결된 제2 서버로부터 상기 대상 차량과 관련된 시세 데이터를 획득하고, 상기 획득된 키워드 데이터 및 상기 획득된 시세 데이터에 기초하여 상기 키워드 데이터 내 적어도 하나의 키워드들의 강도를 결정하고, 상기 결정된 적어도 하나의 키워드들의 강도에 따른 감가 금액을 출력하는 인공 지능 모델을 이용하여 상기 대상 차량의 감가 금액 결정하고, 상기 결정된 대상 차량의 감가 금액에 기초하여 상기 대상 차량의 미래 시세를 결정할 수 있다.
상술한 기술적 과제를 달성하기 위한 또 다른 실시 예에 의하면, 전자 장치가 대상 차량의 시세를 결정하는 방법에 있어서, 상기 전자 장치와 연결된 제1 서버로부터 상기 대상 차량과 관련된 키워드 데이터를 획득하는 단계; 상기 전자 장치와 연결된 제2 서버로부터 상기 대상 차량과 관련된 시세 데이터를 획득하는 단계; 상기 획득된 키워드 데이터 및 상기 획득된 시세 데이터에 기초하여 상기 키워드 데이터 내 적어도 하나의 키워드들의 강도를 결정하고, 상기 결정된 적어도 하나의 키워드들의 강도에 따른 감가 금액을 출력하는 인공 지능 모델을 이용하여 상기 대상 차량의 감가 금액 결정하는 단계; 및 상기 결정된 대상 차량의 감가 금액에 기초하여 상기 대상 차량의 미래 시세를 결정하는 단계; 를 포함하는, 방법을 수행하도록 하는 프로그램이 저장된 컴퓨터로 읽을 수 있는 기록 매체가 제공될 수 있다.
일 실시 예에 의하면 인공 지능 모델을 이용하여 자동차 감가에 영향을 키워드 분석을 통하여, 자동차 시세를 정확하게 예측할 수 있다.
도 1은 일 실시 예에 따라 전자 장치가 대상 차량의 시세를 결정하는 과정을 개략적으로 설명하기 위한 도면이다.
도 2는 또 다른 실시 예에 따라 전자 장치가 대상 차량의 시세를 결정하는 과정을 설명하기 위한 도면이다.
도 3은 일 실시 예에 따른 전자 장치가 대상 차량의 시세를 결정하는 방법의 흐름도이다.
도 4는 일 실시 예에 따라 전자 장치가 전자 장치와 연결된 서버로부터 키워드 데이터를 획득하는 과정을 구체적으로 설명하기 위한 도면이다.
도 5는 일 실시 예에 따라 전자 장치가 키워드 데이터 내의 키워드 빈도수를 분석하는 과정을 설명하기 위한 도면이다.
도 6은 일 실시 예에 따라 전자 장치가 키워드 빈도수에 따른 분석 결과를 전자 장치의 화면상에 출력하는 예시를 설명하기 위한 도면이다.
도 7은 일 실시 예에 따른 전자 장치의 블록도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.
본 개시에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 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.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 일 실시 예에 따라 전자 장치가 대상 차량의 시세를 결정하는 과정을 개략적으로 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)는 대상 차량의 시세를 결정하는 방법을 수행할 수 있다. 예를 들어, 전자 장치(1000)는 대상 차량과 관련된 키워드 데이터(102) 및 대상 차량과 관련된 시세 데이터(104)를 획득하고, 획득된 키워드 데이터(102) 및 시세 데이터(104)를 인공 지능 모델에 입력함으로써, 인공 지능 모델로부터 대상 차량의 미래 가격에 관한 미래 시세(140) 정보를 획득할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)가 결정하는 미래 시세(140)란 현재 시점으로부터 소정의 시간이 지난 시점의 대상 차량에 대해 예측되는 가격을 의미할 수 있다.
일 실시 예에 의하면 전자 장치(1000)는 차량 임대업, 자동차 구독 서비스 등을 운영하는 회사 또는 중고차 매매를 업으로 영위하는 기업의 CMS Back-end 장치에 대응될 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 인공 지능 모델을 이용하여 획득된 키워드 데이터(102) 및 시세 데이터(104)에 기초하여 미래 시세(140)를 예측함으로써, 전자 장치의 사용자에게 대상 차량의 시세를 객관적이고 신속하게 제공할 수 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)는 키워드 데이터(102) 및 시세 데이터(104)에 기초하여, 대상 차량과 관련하여 언급된 키워드의 빈도수(142)를 결정하며, 상기 키워드들이 대상 차량의 감가에 미치는 영향력에 대응되는 키워드 강도(144)를 결정할 수 있다. 전자 장치(1000)는 대상 차량과 관련하여 언급된 키워드의 빈도수(142) 및 키워드 강도(144)에 기초하여 대상 차량의 미래 시세(140)를 결정할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 대상 차량의 미래 시세(140) 정보에 더하여 키워드 빈도수(142) 및 키워드 강도(144)에 대한 정보를 함께 전자 장치의 화면상에 출력할 수도 있다.
일 실시 예에 의하면, 전자 장치(1000)는 적어도 하나의 프로세서(110) 및 하나 이상의 인스트럭션을 저장하는 메모리(120)를 포함할 수 있다. 프로세서(110)는 메모리에 저장된 대상 차량의 시세를 결정하는 방법을 수행하기 위한 하나 이상의 인스트럭션을 수행함으로써, 전자 장치(1000)내 장치들의 전반적인 동작을 제어할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 다양한 형태로 구현될 수 있다. 예를 들어, 본 명세서에서 기술되는 전자 장치(1000)는, 디지털 카메라, 모바일 단말, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 태블릿 PC, 전자북 단말기, 디지털방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어 등이 있을 수 있으나, 이에 한정되는 것은 아니다.
본 개시에 따른 전자 장치(1000)는 인공 지능 모델을 이용하여 대상 차량의 미래 시세 (140) 정보를 제공함으로써, 차량 구독 서비스에 제공될 차량 매입 여부를 결정하거나, 차량 매입 여부를 결정하는데 사용될 매입 정보를 제공함으로써, 중고차 임대업, 중고차 매매를 업으로 하는 전자 장치 사용자의 수익성을 향상시킬 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 서버(2000)와 연동함으로써 대상 차량의 시세를 결정하는 방법을 수행할 수도 있다. 일 실시 예에 의하면, 서버(2000)는 키워드 데이터, 시세 데이터 외에 대상 차량의 시세를 결정하는데 사용되는 인공 지능 모델에 대한 정보를 전자 장치(1000)로 전송할 수도 있다. 또 다른 실시 예에 의하면, 서버(2000)는 전자 장치(1000)가 이용하는 인공 지능 모델에 대한 파라미터 정보 또는 가중치 정보 중 적어도 하나를 전자 장치(1000)로 전송할 수도 있다.
일 실시 예에 의하면, 전자 장치(1000)가 이용하는 인공 지능 모델은 인공 지능 학습 알고리즘에 의하여 학습될 수 있는 기계 학습 모델 내지 인공 신경망 모델을 포함할 수 있다. 일 실시 예에 의하면 인공 신경망 모델은 인공 뉴런(neuron)들이 연결된 구조를 가질 수 있고, 뉴런들 간의 연결은 시냅스(synapse)로 지칭될 수 있다. 뉴런은 수신된 신호를 처리할 수 있고, 처리된 신호를 시냅스를 통해서 다른 뉴런에 전송할 수 있다. 뉴런의 출력은 액티베이션(activation)으로 지칭될 수 있고, 뉴런 및/또는 시냅스는 변동될 수 있는 가중치(weight)를 가질 수 있고, 가중치에 따라 뉴런에 의해 처리된 신호의 영향력이 증가하거나 감소할 수 있다.
예를 들어, 인공 신경망 모델은 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values, weights)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공 신경망의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 손실(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 수정 및 갱신될 수 있다.
일 실시 예에 의하면, 인공 신경망 모델은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, 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) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
일 실시 예에 의하면 전자 장치(1000)가 이용하는 인공 지능 모델(130)은 대상 차량과 관련된 키워드 데이터 및 시세 데이터가 입력되면, 키워드 데이터 내 적어도 하나의 키워드들의 강도를 결정하고, 결정된 키워드 강도에 따른 감가 금액을 출력할 수 있다. 또 다른 실시 예에 의하면, 전자 장치(1000)가 이용하는 인공 지능 모델은 키워드 데이터 및 시세 데이터가 인공 지능 모델로 입력되면, 키워드 강도에 따른 감가 금액 정보에 더하여, 상기 감가 금액 정보에 따라 결정되는 대상 차량의 미래 시세 정보를 출력할 수도 있다.
도 2는 또 다른 실시 예에 따라 전자 장치가 대상 차량의 시세를 결정하는 과정을 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)는 제1 서버로부터 대상 차량과 관련된 키워드 데이터들을 획득할 수 있다. 일 실시 예에 의하면, 제1 서버는 자동차 관련 뉴스 정보를 저장하는 웹 서버(202)에 대응될 수 있다. 예를 들어, 전자 장치(1000)는 제1 서버로부터 자동차 관련 뉴스 정보를 획득하고, 획득된 자동차 관련 뉴스 정보 내에서 자동차와 관련된 키워드 데이터(206)를 수집할 수 있다. 또 다른 실시 예에 의하면, 전자 장치(1000)는 인공 지능 모델을 이용하여 제1 주기에 따라, 제1 서버로부터 상기 키워드 데이터를 획득할 수도 있다.
보다 상세하게는, 전자 장치(1000)는 제1 서버로부터 현재 시점까지 상기 제1 서버에 저장된 대상 차량과 관련된 키워드 모집단 데이터를 키워드 데이터로써 획득할 수 있다. 또한, 일 실시 예에 의하면, 전자 장치(1000)는 키워드 모집단 데이터를 획득한 이후, 대상 차량의 모델명과 관련된 웹 페이지 링크를 획득하고, 획득된 키워드 모집단 데이터 중에서, 상기 획득된 웹 페이지 링크를 통하여 접근 가능하지 않은 키워드들을 제거할 수 있다. 전자 장치(1000)는 키워드 모집단 데이터에 포함된 키워드들 중에서, 웹 페이지 링크를 통하여 접근 가능하지 않은 키워드들을 제거하고 남은 키워드들을 대상 차량과 관련된 키워드 데이터로 획득할 수도 있다.
또 다른 실시 예에 의하면, 전자 장치(1000)는 전자 장치(1000)에 대한 제1 사용자 입력에 기초하여 사용자 수동 키워드 데이터를 더 획득할 수도 있다. 일 실시 예에 의하면 사용자 수동 키워드 데이터는 대상 차량과 관련된 키워드들로써, 사용자가 직접 입력한 키워드를 의미할 수 있다. 전자 장치(1000)는 상기 획득된 키워드 모집단 데이터 및 상기 사용자 수동 키워드 데이터에 포함된 키워드들 중에서, 상기 웹 페이지 링크를 통하여 접근 가능하지 않은 키워드들을 제거하고 남은 키워드를 대상 차량과 관련된 키워드 데이터로 획득할 수도 있다.
또 다른 실시 예에 의하면, 전자 장치(1000)는 상기 키워드 모집단 데이터 및 상기 사용자 수동 키워드 데이터에 포함된 키워드들 중에서, 상기 웹 페이지 링크를 통하여 접근 가능하지 않은 키워드들뿐만 아니라, 전자 장치(1000)에 대한 제2 사용자 입력에 기초하여 결정되는 사용자 제거 키워드를 더 제거한 후 남은 키워드들을 키워드 데이터로써 획득할 수도 있다. 사용자 제거 키워드는 대상 차량과 관련이 없는 것으로 전자 장치의 사용자에 의해 판단된 키워드로써, 사용자가 직접 입력한 제거 대상 키워드를 의미할 수 있다. 즉, 전자 장치(1000)는 키워드 모집단을 획득하는 과정에서뿐만 아니라, 키워드 모집단 중 불필요한 키워드를 제거하는 과정에 있어서, 자동 또는 사용자 입력에 기초하여 사용자 맞춤형 키워드들을 더하거나 제거할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 제2 서버로부터 대상 차량과 관련된 시세 데이터들을 획득할 수 있다. 일 실시 예에 의하면, 제2 서버는 대상 차량과 관련된 시세 정보들을 저장하는 자동차 매매 플랫폼 서버(204)에 대응될 수 있다. 예를 들어, 전자 장치(1000)는 제2 서버로부터 차량 시세 정보를 획득하고, 획득한 시세 정보에 기초하여 과거 또는 현재 대상 차량의 시세 (208)를 획득할 수 있다. 또 다른 실시 예에 의하면, 전자 장치(1000)는 인공 지능 모델을 이용하여 제2 주기에 따라 제2 서버로부터 시세 데이터를 획득할 수도 있다.
일 실시 예에 의하면, 전자 장치(1000)가 제2 서버로부터 획득하는 대상 차량의 시세 데이터는 대상 차량에 대하여 시계열적으로 결정된 가격 정보를 포함할 수 있다. 전자 장치(1000)는 대상 차량의 시세를 결정하는 방법을 수행하기 위한 하나 이상의 클라이언트 장치를 포함할 수 있다. 일 실시 예에 의하면 클라이언트 장치는 상술한 인공 지능 모델을 수행하기 위한 하나 이상의 인스트럭션 또는 상기 하나 이상의 인스트럭션을 수행하기 위한 적어도 하나의 프로세서의 집합을 의미할 수 있다.
전자 장치(1000)내 클라이언트는 전자 장치의 메모리에 저장된 인공 지능 모델을 이용하여 시세 데이터 또는 키워드 데이터 중 적어도 하나를 분석할 수 있다. 예를 들어, 전자 장치는 상기 획득된 키워드 데이터 및 시세 데이터에 기초하여 키워드 데이터 내 적어도 하나의 키워드들의 강도를 결정하고, 상기 결정된 적어도 하나의 키워드들의 강도에 따른 감가 금액을 출력하는 인공 지능 모델을 이용하여 대상 차량의 감가 금액을 결정할 수 있다.
보다 상세하게는, S222에서, 인공 지능 모델은 전자 장치의 메모리 내에 저장된 자동차 감가 키워드 분석 알고리즘(212)을 실행함으로써, 대상 키워드 데이터 내 키워드들의 월별 빈도수(222)를 식별할 수 있다. 또한, 일 실시 예에 의하면 S224에서, 전자 장치(1000)내 인공 지능 모델은 상기 식별된 월별 키워드들의 빈도수에 기초하여 키워드들의 강도를 결정할 수 있다. S226에서, 전자 장치(1000)는 상술한 키워드들의 강도에 기초하여 대상 차량의 감가 금액을 결정(또는 환산)할 수 있다. S232에서, 전자 장치(1000)내 클라이언트는 상기 결정된 감가 금액에 기초하여, 대상 차량의 미래 시세를 예측할 수 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)는 인공 지능 모델을 이용하여 시세 데이터에 기초하여 현재 시점까지의 월별 대상 차량의 시세를 나타내는 시세 그래프를 결정할 수 있다. 또한, 전자 장치(1000)는 인공 지능 모델을 이용하여 상기 결정된 시세 그래프에서 나타나는 월별 대상 차량의 시세에 기초하여 월별 대상 차량의 감가율을 결정할 수도 있다. 전자 장치(1000)는 결정된 월별 대상 차량의 감가율이 기 설정된 임계율 이상인 경우, 상기 감가율이 기 설정된 임계율 이상으로 결정된 월에 언급된 키워드들의 결정된 강도를 재 조정할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 감가율이 기 설정된 임계율 이상으로 결정된 월에 언급된 키워드들의 결정된 강도를 높게 결정할 수 있다. 전자 장치(1000)는 강도가 재 조정된 키워드들의 강도에 기초하여 대상 차량의 감가 금액을 결정함으로써, 대상 차량의 미래 시세를 정확하게 예측할 수 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)는 상술한 키워드 데이터 및 시세 데이터를 획득하고, 상기 획득된 키워드 데이터에 포함된 키워드들의 빈도수에 기초하여 키워드 강도를 결정하며, 상기 결정된 키워드 강도를, 시세 데이터를 이용하여 생성되는 시세 그래프 상 월별 감가율에 기초하여 조정하는 과정을 인공 지능 모델로 하여금 학습시킬 수 있다. 전자 장치(1000)는 소정의 키워드 데이터 및 시세 데이터를 포함하는 학습 데이터 및 상기 학습 데이터에 대응되는 정답 데이터에 기초하여 인공 지능 모델을 학습시킴으로써, 인공 지능 모델이 키워드 강도에 따른 대상 차량의 감가 금액 및 상기 감가 금액에 따른 대상 차량의 시세를 정확하게 출력하도록 학습시킬 수 있다.
또한, 일 실시 예에 의하면 전자 장치(1000)는 인공 지능 모델을 이용하여 제1 주기에 따라 획득된 키워드 데이터 및 제2 주기에 따라 획득된 시세 데이터에 기초하여 키워드들의 월별 언급 빈도수를 수정 및 갱신할 수도 있다. 또한, 전자 장치(1000)는 제1 주기에 따라 획득된 키워드 데이터 및 제2 주기에 따라 획득된 시세 데이터에 기초하여 대상 차량의 월별 감가율을 수정 및 갱신할 수도 있다.
전자 장치(1000)는 상기 수정 및 갱신된 월별 언급 빈도수 및 대상 차량의 월별 감가율에 기초하여 대상 차량의 감가 금액을 결정하며, 상기 결정된 감가 금액에 따른 대상 차량의 미래 시세를 결정할 수도 있다. 본 개시의 일 실시 예에 의하면, 대상 차량의 감가 금액은 대상 차량의 미래 시세에 대응될 수 있으나, 이에 한정되는 것은 아니다.
또 다른 실시 예에 의하면, 전자 장치(1000)가 이용하는 인공 지능 모델은 월별 대상 차량의 감가율을 시세 그래프 상에 중첩하여 리스트업 할 수 도 있다. 전자 장치(1000)는 월별 대상 차량의 감가율을 시세 그래프 상에 중첩하여 리스트 업 한 이후에, 키워드들의 월별 언급 빈도수에 기초하여 서로 다른 크기로 키워드들을 전자 장치의 화면상에 표시할 수도 있다.
도 3은 일 실시 예에 따른 전자 장치가 대상 차량의 시세를 결정하는 방법의 흐름도이다.
S310에서, 전자 장치(1000)는 전자 장치와 연결된 제1 서버로부터 대상 차량과 관련된 키워드 데이터를 획득할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 제1 주기에 따라 제1 서버로부터 대상 차량과 관련된 키워드 데이터를 획득할 수도 있다. 일 실시 예에 의하면 전자 장치(1000)는 과거부터 현재까지 제1 서버상에서 언급된 자동차 관련 모든 키워드들을 키워드 데이터로 획득할 수도 있지만, 사용자 입력에 의하여 수동으로 추가된 키워드들을 더 포함하는 키워드 데이터를 획득할 수도 있다.
S320에서, 전자 장치(1000)는 전자 장치(1000)와 연결된 제2 서버로부터 대상 차량과 관련된 시세 데이터를 획득할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 제2 주기에 따라 제2 서버로부터 시세 데이터를 획득할 수도 있다. 일 실시 예에 의하면, 전자 장치(1000)가 획득하는 시세 데이터는 시계열적으로 배열된 대상 차량의 시세 정보일 수도 있다.
S330에서, 전자 장치(1000)는 키워드 데이터 및 시세 데이터에 기초하여 키워드 데이터 내 적어도 하나의 키워드들의 강도를 결정하고, 결정된 적어도 하나의 키워드들의 강도에 따른 감가 금액을 출력하는 인공 지능 모델을 이용하여 대상 차량의 감가 금액을 결정할 수도 있다. S340에서, 전자 장치(1000)는 대상 차량의 감가 금액에 기초하여 대상 차량의 미래 시세를 결정할 수 있다.
도 4는 일 실시 예에 따라 전자 장치가 전자 장치와 연결된 서버로부터 키워드 데이터를 획득하는 과정을 구체적으로 설명하기 위한 도면이다.
S410에서, 전자 장치(1000)는 제1 서버로부터 현재 시점까지 상기 제1 서버에 저장된 대상 차량과 관련된 키워드 모집단 데이터를 획득할 수 있다. 일 실시 예에 의하면 전자 장치(1000)는 현재 시점까지 제1 서버에 저장된 대상 차량과 관련된 모든 키워드 데이터를 키워드 모집단 데이터로 획득할 수 있다. 그러나 또 다른 실시 예에 의하면, 전자 장치(1000)는 과거 소정의 특정 시점으로부터 현재 시점까지 제1 서버에 저장된 대상 차량과 관련된 모든 키워드 데이터를 키워드 모집단 데이터로 획득할 수 있다.
S420에서, 전자 장치(1000)는 대상 차량의 모델명과 관련된 웹 페이지 링크를 획득할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 대상 차량의 모델명에 대한 정보를 사용자 입력에 기초하여 미리 저장할 수 있다. 전자 장치(1000)는 대상 차량의 모델명과 관련된 웹 페이지 링크 정보를 제1 서버로부터 획득하고, 획득된 웹 페이지 링크 정보에 기초하여 해당 웹 페이지에 액세스할 수 있다.
S430에서, 전자 장치(1000)는 획득된 키워드 모집단 데이터 중, 상기 획득된 웹 페이지 링크를 통하여 접근 가능하지 않은 키워드들을 제거할 수 있다. 예를 들어, 전자 장치(1000)는 상기 획득된 키워드 모집단 데이터에 포함된 키워드들 중, 웹 페이지 링크를 통하여 접근한 웹 페이지상에 나타나는 키워드들만을 남기고, 웹 페이지 상에 나타나지 않는 키워드들은 키워드 모집단 데이터로부터 제거할 수 있다.
S440에서, 전자 장치(1000)는 키워드 모집단 데이터 중 웹 페이지 링크를 통하여 접근 가능하지 않은 키워드들을 제거하고 남은 키워드들을 대상 차량과 관련된 키워드 데이터로 획득할 수 있다. 전자 장치(1000)는 S440에서 획득된 키워드 데이터에 포함된 키워드들의 빈도수를 식별할 수 있다.
도 5는 일 실시 예에 따라 전자 장치가 키워드 데이터 내의 키워드 빈도수를 분석하는 과정을 설명하기 위한 도면이다.
도 5를 참조하여 전자 장치(1000)가 키워드 데이터 내 키워드 빈도수를 식별하는 과정을 구체적으로 설명하기로 한다. 일 실시 예에 의하면, 전자 장치(1000)는 제1 서버로부터 키워드 데이터를 획득하고, 제2 서버로부터 시세 데이터를 획득할 수 있다. 전자 장치(1000)는 시세 데이터에 기초하여 시세 그래프를 생성하고, 생성된 시세 그래프 상에서 월별 차량의 감가율을 결정할 수 있다. 일 실시 예에 의하면 전자 장치(1000)는 시세 그래프상에 월별 차량의 감가율을 중첩하여 리스트업 할 수도 있다.
전자 장치(1000)는 월별 차량 감가율 별로 해당 기간에 언급된 키워드들의 언급 빈도수를 식별할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 키워드들의 언급 빈도수가 높을 수록, 키워드들의 강도를 높게 결정할 수 있다. 또한, 일 실시 예에 의하면, 전자 장치(1000)는 키워드들의 언급 빈도수에 기초하여 키워드 강도를 결정한 후, 월별 차량 감가율이 높은 월에 언급된 키워드들의 경우에는 강도를 더 높게 재조정할 수도 있다.
도 5를 참조하면 전자 장치(1000)는 화면상에 키워드 빈도수(502)라는 항목으로, "거품인가"라는 키워드(512)의 빈도수를 82로 식별하고, "신형"이라는 키워드(514)의 빈도수를 71로 식별하며, "페이스리프트"라는 키워드(516)의 빈도수를 45로 식별할 수 있다.
도 6은 일 실시 예에 따라 전자 장치가 키워드 빈도수에 따른 분석 결과를 전자 장치의 화면상에 출력하는 예시를 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)는 키워드의 언급 빈도수에 기초하여 키워드의 강도를 결정하며, 키워드 강도에 기초하여 키워드들의 강도 사이의 우선 순위(602)를 결정할 수 있다. 예를 들어, 전자 장치(1000)는 도 5에서 식별한 "거품인가"라는 키워드(604)의 빈도수를 82로 식별하고, "페이스리프트"라는 키워드(606)의 빈도수가 45로 식별되는 경우, "거품인가"라는 키워드(604)의 강도 우선 순위를 "페이스리프트"라는 키워드(606)의 강도 우선 순위 보다 높게 결정할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 전자 장치의 화면(610)상에, 우선 순위가 높은 키워드들을 더 크게 표시할 수 있다. 예를 들어, 전자 장치(1000)는 "거품인가"라는 키워드(604)의 강도가 "페이스리프트"라는 키워드(606)의 강도보다 높게 결정되므로, "거품인가"라는 키워드(604)의 우선 순위를 높게 결정한 후, 우선순위가 높게 결정된 키워드에 관한 이미지(612)를 우선 순위가 낮게 결정된 "페이스 리프트" 키워드에 관한 이미지(616)보다 크게 표시할 수 있다. 즉, 본 개시의 일 실시 예에 의하면, 전자 장치(1000)는 키워드들의 월별 언급 빈도수에 기초하여 서로 다른 크기로 키워드들을 전자 장치의 화면상에 표시할 수 있다.
도 7은 일 실시 예에 따른 전자 장치의 블록도이다.
일 실시 예에 의하면, 전자 장치(1000)는 프로세서(1300), 네트워크 인터페이스(1500) 및 메모리(1700)를 포함할 수 있다. 그러나 상술한 예에 한정되는 것은 아니며 전자 장치(1000)는 대상 차량의 시세 또는 월별 감가율을 중첩하여 더 표시하기 위한 디스플레이 장치를 더 포함할 수도 있다.
프로세서(1300)는 통상적으로 전자 장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는 메모리(1700)에 저장된 하나 이상의 인스트럭션을 수행함으로써, 네트워크 인터페이스(1500), 출력부(미도시) 등을 제어할 수 있다. 또한, 프로세서(1300)는 메모리(1700)에 저장된 인공 지능 모델을 학습시키거나, 학습된 인공 지능 모델을 이용하여 대상 차량의 시세 정보를 결정하는 방법을 수행할 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 상기 전자 장치와 연결된 제1 서버로부터 상기 대상 차량과 관련된 키워드 데이터를 획득하고, 상기 전자 장치와 연결된 제2 서버로부터 상기 대상 차량과 관련된 시세 데이터를 획득하고, 상기 획득된 키워드 데이터 및 상기 획득된 시세 데이터에 기초하여 상기 키워드 데이터 내 적어도 하나의 키워드들의 강도를 결정하고, 상기 결정된 적어도 하나의 키워드들의 강도에 따른 감가 금액을 출력하는 인공 지능 모델을 이용하여 상기 대상 차량의 감가 금액 결정하고, 상기 결정된 대상 차량의 감가 금액에 기초하여 상기 대상 차량의 미래 시세를 결정할 수 있다.
일 실시 예에 의하면 프로세서(1300)는 상기 제1 서버로부터, 현재 시점까지 상기 제1 서버에 저장된, 상기 대상 차량과 관련된 키워드 모집단 데이터를 획득하고, 상기 대상 차량의 모델명과 관련된 웹 페이지 링크를 획득하고, 상기 획득된 키워드 모집단 데이터 중, 상기 획득된 웹 페이지 링크를 통하여 접근 가능하지 않은 키워드들을 제거하고, 상기 키워드 모집단 데이터 중, 상기 웹 페이지 링크를 통하여 접근 가능하지 않은 키워드들을 제거하고 남은 키워드들을 상기 대상 차량과 관련된 키워드 데이터로 획득할 수 있다.
일 실시 예에 의하면 프로세서(1300)는 상기 전자 장치에 대한 제1 사용자 입력에 기초하여, 사용자 수동 키워드 데이터를 획득하고, 상기 키워드 모집단 데이터 및 상기 수동 키워드 데이터 중 상기 획득된 웹 페이지 링크를 통하여 접근 가능하지 않은 키워드들을 제거하고 남은 키워드 데이터를 상기 대상 차량과 관련된 키워드 데이터로 획득할 수 있다.
일 실시 예에 의하면 프로세서(1300)는 불필요한 키워드들을 제거하기 위하여 상기 전자 장치에 대해 입력되는 제2 사용자 입력을 획득하고, 상기 키워드 모집단 데이터 및 상기 수동 키워드 데이터 중, 상기 웹 페이지 링크를 통하여 접근 가능하지 않은 키워드들 및 상기 제2 사용자 입력에 기초하여 결정되는 사용자 제거 키워드를 제거 하고 남은 키워드 데이터를 상기 대상 차량과 관련된 키워드 데이터로 획득할 수 있다.
또 다른 실시 예에 의하면 프로세서(1300)는 메모리(1700)에 저장된 하나 이상의 인스트럭션을 실행함으로써 도 1 내지 도 6에 상술한 대상 차량의 시세를 결정하는 전자 장치의 기능 중 적어도 일부를 더 수행할 수도 있다.
네트워크 인터페이스(1500)는 전자 장치(1000)가 다른 전자 장치 또는 서버(2000)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 네트워크 인터페이스(1500)는, 무선 통신 인터페이스, 유선 통신 인터페이스, 이동 통신부 및 방송 수신부를 포함할 수 있다.
무선 통신 인터페이스는 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, 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
유선 통신 인터페이스는 USB(universal serial bus), HDMI(high definition multimedia interface), RS 232(recommended standard 232), 전력선 통신, 또는 POTS(plain old telephone service) 등 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.
일 실시 예에 의하면, 네트워크 인터페이스(1500)는 전자 장치(1000) 및 전자 장치(1000)에 연결된 외부 디바이스 사이에서 송수신되는 데이터를 전달할 수 있다. 일 실시 예에 의하면 네트워크 인터페이스(1500)는 외부 웹 서버로부터 시세 결정 대상 차량과 관련된 키워드 데이터 또는 대상 차량과 관련된 시세 데이터에 대한 정보를 획득할 수 있다. 또 다른 실시 예에 의하면, 네트워크 인터페이스(1500)는 전자 장치와 연결된 서버로부터 대상 차량의 시세를 결정하는 인공 지능 모델에 대한 정보를 더 획득할 수도 있다. 또한, 일 실시 예에 의하면, 네트워크 인터페이스(1500)는 인공 지능 모델에 대한 정보(파라미터 정보, 가중치 정보)를 주기적으로 획득할 수도 있다.
메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 명령들(Instructions)을 저장할 수 있고, 전자 장치(1000)로 입력되거나, 전자 장치(1000)로부터 출력되는 데이터를 저장할 수 있다. 일 실시 예에 의하면, 메모리(1700)는 전자 장치(1000)의 다양한 모듈, 애플리케이션, 프로그램, 패키지 서비스, 차량 구독 서비스, 차량 매입 검증을 수행하는데 필요한 명령어 집합들을 포함할 수 있다. 또한, 메모리(1700)는 전자 장치가 이용하는, 매입 검증을 수행하는 인공 지능 모델에 대한 정보를 더 저장할 수도 있다.
메모리(1700)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.
일 실시예에 따른 전자 장치가 차량 매입 여부를 결정하는 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
또한, 전자 장치(1000)가 차량 매입 여부를 결정하는 방법을 수행하도록 하는 프로그램이 저장된 기록 매체를 포함하는 컴퓨터 프로그램 장치가 제공될 수 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다. 또한, 일부 실시예는 컴퓨터에 의해 실행되는 컴퓨터 프로그램과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램 또는 컴퓨터 프로그램 제품(computer program product)으로도 구현될 수 있다. 이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속한다.

Claims (15)

  1. 전자 장치가 대상 차량의 시세를 결정하는 방법에 있어서,
    상기 전자 장치와 연결된 제1 서버로부터 상기 대상 차량과 관련된 키워드 데이터를 획득하는 단계;
    상기 전자 장치와 연결된 제2 서버로부터 상기 대상 차량과 관련된 시세 데이터를 획득하는 단계;
    상기 획득된 키워드 데이터 및 상기 획득된 시세 데이터에 기초하여 상기 키워드 데이터 내 적어도 하나의 키워드들의 강도를 결정하고, 상기 결정된 적어도 하나의 키워드들의 강도에 따른 감가 금액을 출력하는 인공 지능 모델을 이용하여 상기 대상 차량의 감가 금액을 결정하는 단계; 및
    상기 결정된 대상 차량의 감가 금액에 기초하여 상기 대상 차량의 미래 시세를 결정하는 단계; 를 포함하되,
    상기 인공 지능 모델은,
    상기 키워드 데이터 내 키워드들의 월별 언급 빈도수를 식별하고,
    상기 키워드 데이터 내 키워드들의 월별 언급 빈도수에 기초하여 상기 키워드 데이터 내 키워드들의 강도를 결정하고,
    상기 시세 데이터에 기초하여 현재 시점까지의 월별 상기 대상 차량의 시세를 나타내는 시세 그래프를 결정하고,
    상기 결정된 시세 그래프에서 나타나는 상기 월별 대상 차량의 시세에 기초하여 월별 상기 대상 차량의 감가율을 결정하고,
    상기 결정된 월별 대상 차량의 감가율이 기 설정된 임계율 이상인 경우, 상기 감가율이 기 설정된 임계율 이상으로 결정된 월에 언급된 키워드들의 결정된 강도를 재 조정하고,
    상기 강도가 재 조정된 키워드들의 강도에 기초하여 상기 대상 차량의 감가 금액을 결정하는 것을 특징으로 하는, 방법.
  2. 제1항에 있어서, 상기 키워드 데이터를 획득하는 단계는
    상기 제1 서버로부터, 현재 시점까지 상기 제1 서버에 저장된, 상기 대상 차량과 관련된 키워드 모집단 데이터를 획득하는 단계;
    상기 대상 차량의 모델명과 관련된 웹 페이지 링크를 획득하는 단계;
    상기 획득된 키워드 모집단 데이터 중, 상기 획득된 웹 페이지 링크를 통하여 접근 가능하지 않은 키워드들을 제거하는 단계; 및
    상기 키워드 모집단 데이터 중, 상기 웹 페이지 링크를 통하여 접근 가능하지 않은 키워드들을 제거하고 남은 키워드들을 상기 대상 차량과 관련된 키워드 데이터로 획득하는 단계; 를 포함하는, 방법.
  3. 제2항에 있어서, 상기 키워드 데이터를 획득하는 단계는
    상기 전자 장치에 대한 제1 사용자 입력에 기초하여, 사용자 수동 키워드 데이터를 획득하는 단계; 및
    상기 키워드 모집단 데이터 및 상기 사용자 수동 키워드 데이터 중 상기 획득된 웹 페이지 링크를 통하여 접근 가능하지 않은 키워드들을 제거하고 남은 키워드 데이터를 상기 대상 차량과 관련된 키워드 데이터로 획득하는 단계; 를 포함하는, 방법.
  4. 제3항에 있어서, 상기 키워드 데이터를 획득하는 단계는
    불필요한 키워드들을 제거하기 위하여 상기 전자 장치에 대해 입력되는 제2 사용자 입력을 획득하는 단계; 및
    상기 키워드 모집단 데이터 및 상기 사용자 수동 키워드 데이터 중, 상기 웹 페이지 링크를 통하여 접근 가능하지 않은 키워드들 및 상기 제2 사용자 입력에 기초하여 결정되는 사용자 제거 키워드를 제거 하고 남은 키워드 데이터를 상기 대상 차량과 관련된 키워드 데이터로 획득하는 단계; 를 포함하는, 방법.
  5. 삭제
  6. 삭제
  7. 제1항에 있어서,
    상기 키워드 데이터를 획득하는 단계는, 상기 인공 지능 모델을 이용하여 제1 주기에 따라 상기 제1 서버로부터 상기 키워드 데이터를 획득하는 단계; 를 포함하고,
    상기 시세 데이터를 획득하는 단계는, 상기 인공 지능 모델을 이용하여 제2 주기에 따라 상기 제2 서버로부터 상기 시세 데이터를 획득하는 단계; 를 포함하는, 방법.
  8. 제7항에 있어서, 상기 인공 지능 모델은
    상기 제1 주기에 따라 획득된 키워드 데이터 및 상기 제2 주기에 따라 획득된 시세 데이터에 기초하여, 상기 키워드들의 월별 언급 빈도수를 수정 및 갱신하고,
    상기 제1 주기에 따라 획득된 키워드 데이터 및 상기 제2 주기에 따라 획득된 시세 데이터에 기초하여, 상기 대상 차량의 월별 감가율을 수정 및 갱신하며,
    상기 수정 및 갱신된 월별 언급 빈도수 및 상기 대상 차량의 월별 감가율에 기초하여 상기 대상 차량의 감가 금액을 결정하는 것을 특징으로 하는, 방법.
  9. 제7항에 있어서, 인공 지능 모델은
    상기 결정된 월별 대상 차량의 감가율을 상기 시세 그래프 상에 중첩하여 리스트업 하고,
    상기 키워드들의 월별 언급 빈도수에 기초하여 서로 다른 크기로 상기 키워드들을 상기 전자 장치의 화면상에 표시하는 것을 특징으로 하는, 방법.
  10. 제1항에 있어서, 상기 대상 차량의 감가 금액은 상기 대상 차량의 미래 시세에 대응되는 것을 특징으로 하는, 방법.
  11. 대상 차량의 시세를 결정하는 전자 장치에 있어서,
    네트워크 인터페이스;
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고,
    상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 전자 장치와 연결된 제1 서버로부터 상기 대상 차량과 관련된 키워드 데이터를 획득하고,
    상기 전자 장치와 연결된 제2 서버로부터 상기 대상 차량과 관련된 시세 데이터를 획득하고,
    상기 획득된 키워드 데이터 및 상기 획득된 시세 데이터에 기초하여 상기 키워드 데이터 내 적어도 하나의 키워드들의 강도를 결정하고, 상기 결정된 적어도 하나의 키워드들의 강도에 따른 감가 금액을 출력하는 인공 지능 모델을 이용하여 상기 대상 차량의 감가 금액 결정하고,
    상기 결정된 대상 차량의 감가 금액에 기초하여 상기 대상 차량의 미래 시세를 결정하되,
    상기 인공 지능 모델은,
    상기 키워드 데이터 내 키워드들의 월별 언급 빈도수를 식별하고,
    상기 키워드 데이터 내 키워드들의 월별 언급 빈도수에 기초하여 상기 키워드 데이터 내 키워드들의 강도를 결정하고,
    상기 시세 데이터에 기초하여 현재 시점까지의 월별 상기 대상 차량의 시세를 나타내는 시세 그래프를 결정하고,
    상기 결정된 시세 그래프에서 나타나는 상기 월별 대상 차량의 시세에 기초하여 월별 상기 대상 차량의 감가율을 결정하고,
    상기 결정된 월별 대상 차량의 감가율이 기 설정된 임계율 이상인 경우, 상기 감가율이 기 설정된 임계율 이상으로 결정된 월에 언급된 키워드들의 결정된 강도를 재 조정하고,
    상기 강도가 재 조정된 키워드들의 강도에 기초하여 상기 대상 차량의 감가 금액을 결정하는 것을 특징으로 하는, 전자 장치.
  12. 제11항에 있어서, 상기 적어도 하나의 프로세서는
    상기 제1 서버로부터, 현재 시점까지 상기 제1 서버에 저장된, 상기 대상 차량과 관련된 키워드 모집단 데이터를 획득하고,
    상기 대상 차량의 모델명과 관련된 웹 페이지 링크를 획득하고,
    상기 획득된 키워드 모집단 데이터 중, 상기 획득된 웹 페이지 링크를 통하여 접근 가능하지 않은 키워드들을 제거하고,
    상기 키워드 모집단 데이터 중, 상기 웹 페이지 링크를 통하여 접근 가능하지 않은 키워드들을 제거하고 남은 키워드들을 상기 대상 차량과 관련된 키워드 데이터로 획득하는, 전자 장치.
  13. 제12항에 있어서, 상기 적어도 하나의 프로세서는
    상기 전자 장치에 대한 제1 사용자 입력에 기초하여, 사용자 수동 키워드 데이터를 획득하고,
    상기 키워드 모집단 데이터 및 상기 수동 키워드 데이터 중 상기 획득된 웹 페이지 링크를 통하여 접근 가능하지 않은 키워드들을 제거하고 남은 키워드 데이터를 상기 대상 차량과 관련된 키워드 데이터로 획득하는, 전자 장치.
  14. 제13항에 있어서, 상기 적어도 하나의 프로세서는
    불필요한 키워드들을 제거하기 위하여 상기 전자 장치에 대해 입력되는 제2 사용자 입력을 획득하고,
    상기 키워드 모집단 데이터 및 상기 수동 키워드 데이터 중, 상기 웹 페이지 링크를 통하여 접근 가능하지 않은 키워드들 및 상기 제2 사용자 입력에 기초하여 결정되는 사용자 제거 키워드를 제거 하고 남은 키워드 데이터를 상기 대상 차량과 관련된 키워드 데이터로 획득하는, 전자 장치.
  15. 전자 장치가 대상 차량의 시세를 결정하는 방법에 있어서,
    상기 전자 장치와 연결된 제1 서버로부터 상기 대상 차량과 관련된 키워드 데이터를 획득하는 단계;
    상기 전자 장치와 연결된 제2 서버로부터 상기 대상 차량과 관련된 시세 데이터를 획득하는 단계;
    상기 획득된 키워드 데이터 및 상기 획득된 시세 데이터에 기초하여 상기 키워드 데이터 내 적어도 하나의 키워드들의 강도를 결정하고, 상기 결정된 적어도 하나의 키워드들의 강도에 따른 감가 금액을 출력하는 인공 지능 모델을 이용하여 상기 대상 차량의 감가 금액 결정하는 단계; 및
    상기 결정된 대상 차량의 감가 금액에 기초하여 상기 대상 차량의 미래 시세를 결정하는 단계; 를 포함하되,
    상기 인공 지능 모델은,
    상기 키워드 데이터 내 키워드들의 월별 언급 빈도수를 식별하고,
    상기 키워드 데이터 내 키워드들의 월별 언급 빈도수에 기초하여 상기 키워드 데이터 내 키워드들의 강도를 결정하고,
    상기 시세 데이터에 기초하여 현재 시점까지의 월별 상기 대상 차량의 시세를 나타내는 시세 그래프를 결정하고,
    상기 결정된 시세 그래프에서 나타나는 상기 월별 대상 차량의 시세에 기초하여 월별 상기 대상 차량의 감가율을 결정하고,
    상기 결정된 월별 대상 차량의 감가율이 기 설정된 임계율 이상인 경우, 상기 감가율이 기 설정된 임계율 이상으로 결정된 월에 언급된 키워드들의 결정된 강도를 재 조정하고,
    상기 강도가 재 조정된 키워드들의 강도에 기초하여 상기 대상 차량의 감가 금액을 결정하는 것을 특징으로 하는, 방법을 수행하도록 하는 프로그램이 저장된 컴퓨터로 읽을 수 있는 기록 매체.
KR1020210024961A 2021-02-24 2021-02-24 대상 차량의 시세를 결정하는 방법 및 이를 수행하는 장치 KR102586873B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210024961A KR102586873B1 (ko) 2021-02-24 2021-02-24 대상 차량의 시세를 결정하는 방법 및 이를 수행하는 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210024961A KR102586873B1 (ko) 2021-02-24 2021-02-24 대상 차량의 시세를 결정하는 방법 및 이를 수행하는 장치

Publications (2)

Publication Number Publication Date
KR20220121291A KR20220121291A (ko) 2022-09-01
KR102586873B1 true KR102586873B1 (ko) 2023-10-11

Family

ID=83281940

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210024961A KR102586873B1 (ko) 2021-02-24 2021-02-24 대상 차량의 시세를 결정하는 방법 및 이를 수행하는 장치

Country Status (1)

Country Link
KR (1) KR102586873B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101061094B1 (ko) * 2010-09-28 2011-08-31 홍상욱 네트워크를 이용한 중고차 정보 제공 및 매매 시스템
KR102184836B1 (ko) * 2020-05-26 2020-11-30 엄지환 중고차 직거래 플랫폼 제어 방법 및 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101801257B1 (ko) * 2016-03-23 2017-11-24 서울대학교산학협력단 효율적 건설문서 관리를 위한 텍스트마이닝 적용 기술
KR20190056337A (ko) * 2017-11-16 2019-05-24 김희도 인공지능을 활용하여 구매관련 정보를 제공하는 사용자 기반 서비스 제공 방법, 장치 및 시스템
KR20200069126A (ko) 2018-12-06 2020-06-16 주식회사 앱실론 공공 데이터를 활용하여 차량 정보 입력을 대체하는 중고차 가격 산정 시스템 및 그 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101061094B1 (ko) * 2010-09-28 2011-08-31 홍상욱 네트워크를 이용한 중고차 정보 제공 및 매매 시스템
KR102184836B1 (ko) * 2020-05-26 2020-11-30 엄지환 중고차 직거래 플랫폼 제어 방법 및 시스템

Also Published As

Publication number Publication date
KR20220121291A (ko) 2022-09-01

Similar Documents

Publication Publication Date Title
CN110705719A (zh) 执行自动机器学习的方法和装置
US11170431B2 (en) Systems and methods of vehicle product or service recommendation
KR20220144356A (ko) 자동 모델 생성을 위한 시스템들 및 방법들
US11586618B2 (en) Query parsing from natural language questions supported by captured subject matter knowledge
US20230042210A1 (en) Systems and methods for data aggregation and cyclical event prediction
KR20130038889A (ko) 오브젝트 커스터마이제이션 및 관리 시스템
KR102103670B1 (ko) 부동산 평가 장치 및 방법
CN113379532A (zh) 一种信用意识水平预测方法、装置、设备及存储介质
KR102586873B1 (ko) 대상 차량의 시세를 결정하는 방법 및 이를 수행하는 장치
CN112991009A (zh) 对象推荐方法、装置、电子设备和存储介质
CN111784506A (zh) 逾期风险控制方法、设备及可读存储介质
CN111695988A (zh) 信息处理方法、装置、电子设备和介质
KR20210049321A (ko) 보험 문서 분석 방법을 제공하기 위한 컴퓨터 프로그램
KR20220121290A (ko) 차량 구독 서비스를 위한 차량 매입 여부를 결정하는 방법 및 이를 수행하는 장치
CN111767290B (zh) 用于更新用户画像的方法和装置
CN113391988A (zh) 流失用户留存的方法、装置、电子设备及存储介质
KR102637198B1 (ko) 인공지능 모델 제작 플랫폼을 통한 인공지능 모델 공유, 대여 및 판매방법, 장치 및 컴퓨터프로그램
KR102557011B1 (ko) 차량 구독 서비스에 제공되는 차량을 관리하는 방법 및 장치
US11983745B2 (en) Systems and methods for valuation of a vehicle
US11756065B2 (en) Methods and apparatus for predicting a user churn event
US20230214861A1 (en) Methods and apparatus for predicting a user conversion event
CN113159877B (zh) 数据处理方法、装置、***、计算机可读存储介质
US20230401416A1 (en) Leveraging multiple disparate machine learning model data outputs to generate recommendations for the next best action
CN118035876A (zh) 推荐信息生成方法、装置、设备及介质
KR20240108229A (ko) 유동인구 기반의 입지추천 서비스를 지원하는 프랜차이즈 추천 서비스 제공 장치, 방법 및 프로그램

Legal Events

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