KR20230023600A - Device and method for artwork trend data prediction using artificial intelligence - Google Patents

Abstract

A device for predicting artwork transaction trends is provided. The device comprises: an artwork information collection unit which collects artwork information including images, artists, and prices of a plurality of respective artworks; an economic indicator information collection unit which collects economic indicator information corresponding to transaction time points of the plurality of respective artworks; a learning data generation unit which generates artificial intelligence learning data corresponding to the plurality of artworks based on the artwork information and the economic indicator information; a model generation unit which generates a trend prediction model from the artificial intelligence learning data using at least one artificial intelligence learning algorithm; and a trend prediction unit which predicts trends in artwork transactions corresponding to a user input by using the trend prediction model. According to the present invention, information asymmetry in the domestic art market can be alleviated by analyzing artworks transaction trends and providing the analysis results in the form of a visualized dashboard.

Description

Translated fromKorean

인공지능 기반의 미술품 거래의 트랜드 예측 장치 및 방법{DEVICE AND METHOD FOR ARTWORK TREND DATA PREDICTION USING ARTIFICIAL INTELLIGENCE}Artificial intelligence-based art transaction trend prediction device and method {DEVICE AND METHOD FOR ARTWORK TREND DATA PREDICTION USING ARTIFICIAL INTELLIGENCE}

본원은 인공지능 기반의 미술품 거래의 트랜드 예측 장치 및 방법에 관한 것이다.The present application relates to an apparatus and method for predicting trends in art transaction based on artificial intelligence.

경제적인 가치를 지닌 미술품은 시대의 흐름과 유행에 따라 공통분모를 가지는 특정 작가나 작품군의 선호도가 증가하여 이에 대한 미술품 시장의 트랜드는 미술품의 가격을 결정짓는데 높은 영향을 끼치게 된다.As for artworks with economic value, the preference for a specific artist or group of works that have a common denominator increases according to the trend and fashion of the times, and the trend in the art market has a high impact on determining the price of the artwork.

미술품의 가격은 구매 이후 일정기간을 보유하고 경매를 통해 재판매가 되었을 때 공급과 수요를 통해 결정되며 다양한 요인으로 인해 가격 결정에서 영향을 받는다.The price of art is determined through supply and demand when it is held for a certain period of time after purchase and resold through auction, and various factors affect price determination.

미술품 시장의 트렌드 분석에 대한 미술품 거래 데이터는 해외에서 Artnet, Artprice 등에서 미술품 거래 데이터를 제공하고 있으며 국내에서도 K-artmarket, K-artprice에서 제공되고 있다. 여기서 미술품 경매 낙찰 추정가의 산정은 이해관계자의 니즈와 견해에 따라 결정되며 이로 인해 낮은 정확률의 한계는 경매의 높은 구매 수수료율과 더불어 미술품이 자산으로서 가치 손실로 이어진다.Art trade data for trend analysis in the art market is provided by Artnet and Artprice overseas, and is also provided by K-artmarket and K-artprice in Korea. Here, the calculation of the estimated winning bid price for an art auction is determined according to the needs and opinions of stakeholders, and the low accuracy limit leads to a high purchase commission rate of the auction and a loss of value as an asset.

국내외에서 단일미술품이나 작가에 대한 거래 추이 분석을 시계열로 제공하나, 데이터 제공 방식은 단순히 미술품 거래 데이터 시각화 수준에서 머무르므로, 국내외의 미술품 데이터에 관하여 부족한 정보 인해 미술품 시장 트랜드 분석에서 한계가 있다.It provides a time-series analysis of transaction trends for a single art object or artist at home and abroad, but the method of providing data remains at the level of simply art transaction data visualization, so there is a limit to art market trend analysis due to insufficient information on art data at home and abroad.

그러므로, 미술품 시장을 트랜드 분석에 필요한 것은 미술품의 거래 데이터뿐만 아니라 작가와 작품에 연관된 정보가 요구된다. 게다가, 정밀한 미술품 시장 트랜드 분석에서 경제 분석이 요구된다.Therefore, what is needed for trend analysis of the art market is not only art transaction data, but also information related to the artist and the work. In addition, economic analysis is required in precise art market trend analysis.

본원의 배경이 되는 기술은 한국특허공개공보 제10-2020-0052431호에 개시되어 있다.The background technology of the present application is disclosed in Korean Patent Publication No. 10-2020-0052431.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 거래 데이터뿐만 아니라 미술품 트렌드에 영향을 주는 인자를 분석하여 수집하고 미술품 데이터를 정형화 시키는 기술 제공에 목적으로 한다.The present application is to solve the problems of the prior art described above, and aims to provide technology for analyzing and collecting not only transaction data but also factors influencing artwork trends and standardizing artwork data.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 부족한 미술품 거래 데이터를 미술품의 트렌드에 영향을 주는 인자를 분석하고 인공지능을 이용하여 국내외 미술품 트렌드 예측에 관한 제공에 목적으로 한다.The purpose of this application is to solve the above-mentioned problems of the prior art, and to analyze factors affecting the trend of art products from insufficient art transaction data and to provide domestic and foreign art product trend prediction using artificial intelligence.

다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들도 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.However, the technical problems to be achieved by the embodiments of the present application are not limited to the technical problems as described above, and other technical problems may exist.

상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시 예에 따른 미술품 거래의 트랜드를 예측하는 장치는 복수의 미술품 각각의 이미지, 작가 및 가격을 포함하는 미술품 정보를 수집하는 미술품 정보 수집부, 상기 복수의 미술품 각각의 거래 시점에 대응하는 경제지표 정보를 수집하는 경제지표 정보 수집부, 상기 미술품 정보 및 상기 경제지표 정보에 기초하여 상기 복수의 미술품에 대응하는 인공지능 학습데이터를 생성하는 학습데이터 생성부, 적어도 하나 이상의 인공지능 학습 알고리즘을 이용하여 상기 인공지능 학습데이터로부터 트랜드 예측 모델을 생성하는 모델 생성부, 상기 트랜드 예측 모델을 이용하여 사용자의 입력에 대응하는 미술품 거래의 트랜드를 예측하는 트랜드 예측부를 포함할 수 있다.As a technical means for achieving the above technical problem, the device for predicting the trend of art transaction according to an embodiment of the present application is an art information collection unit that collects art information including an image, artist, and price of each of a plurality of art works. , Economic indicator information collection unit for collecting economic indicator information corresponding to the transaction time of each of the plurality of artworks, Learning to generate artificial intelligence learning data corresponding to the plurality of artworks based on the artwork information and the economic indicator information A data generating unit, a model generating unit generating a trend prediction model from the artificial intelligence learning data using at least one artificial intelligence learning algorithm, and predicting a trend of artwork transaction corresponding to a user's input using the trend prediction model A trend prediction unit may be included.

또한, 본원의 일 실시 예에 따르면, 미술품 거래의 트랜드를 예측하는 장치는 상기 사용자의 입력은 입력 시점 정보를 포함할 수 있다.Also, according to an embodiment of the present application, in the apparatus for predicting a trend of artwork transaction, the user's input may include input time point information.

또한, 본원의 일 실시 예에 따르면, 상기 사용자의 입력은 상기 입력 시점 정보에 대응하는 입력 경제지표를 포함하되, 상기 미술품 거래의 트랜드는 상기 입력 시점 정보에 대응하는 가격의 상승 또는 하락의 추세를 포함할 수 있다.In addition, according to an embodiment of the present application, the user's input includes an input economic index corresponding to the input timing information, and the art transaction trend indicates a trend of increase or decrease in price corresponding to the input timing information. can include

또한, 본원의 일 실시 예에 따르면, 상기 경제지표는 소비자 심리 지수, 경제 성장율 및 물가 상승률 중 적어도 하나를 포함할 수 있다.In addition, according to an embodiment of the present application, the economic indicator may include at least one of a consumer sentiment index, an economic growth rate, and an inflation rate.

또한, 본원의 일 실시 예에 따르면, 상기 사용자의 입력은 입력 미술품 정보를 포함하되, 상기 트랜드 예측부는, 상기 트랜드 예측 모델을 이용하여 사용자의 입력 미술품 정보에 대응하는 가격 및 미술품 거래의 트랜드를 예측할 수 있다.Further, according to an embodiment of the present application, the user's input includes input artwork information, and the trend prediction unit predicts a price corresponding to the user's input artwork information and a trend of art transaction using the trend prediction model. can

또한, 본원의 일 실시 예에 따르면, 상기 트랜드 예측부는, 상기 트랜드 예측 모델을 이용하여 사용자의 입력 작가로 상기 가격의 거래의 트랜드를 예측할 수 있다.In addition, according to an embodiment of the present application, the trend prediction unit may predict a trend of the transaction of the price based on the user's input writer using the trend prediction model.

또한, 본원의 일 실시 예에 따르면, 상기 트랜드 예측부는 상기 트랜드 예측 모델을 이용하여 사용자의 입력 미술품 정보에 대응하는 작품군으로 분류하되, 상기 작품군으로 거래의 트랜드를 예측할 수 있다.In addition, according to an embodiment of the present application, the trend prediction unit classifies the work group into a work group corresponding to the user's input artwork information using the trend prediction model, and predicts a transaction trend based on the work group.

또한, 본원의 일 실시 예에 따르면, 상기 트랜드 예측부는 상기 트랜드 예측 모델을 이용하여 사용자의 입력 작가 정보에 대응하는 관련 작가를 분류하되, 상기 작가의 거래의 트랜드를 예측할 수 있다.In addition, according to an embodiment of the present application, the trend prediction unit classifies a related writer corresponding to user input author information using the trend prediction model, and predicts a transaction trend of the writer.

또한, 본원의 일 실시 예에 따르면, 상기 트랜드 예측부는 상기 트랜드 예측 모델을 이용하여 사용자의 입력 작가 정보에 대응하는 관련 상징성으로 분류하되, 상기 상징성에 관련된 작가의 거래의 트랜드를 예측할 수 있다.In addition, according to an embodiment of the present application, the trend prediction unit classifies the user's input artist information into related symbols using the trend prediction model, and predicts the trend of the artist's transaction related to the symbolism.

또한, 본원의 일 실시 예에 따르면, 상기 트랜드 예측부는 상기 트랜드 예측 모델을 이용하여 사용자의 입력 작가 정보에 대응하는 관련 사조로 분류하되, 상기 사조에 관련된 미술품의 거래의 트랜드를 예측할 수 있다.In addition, according to an embodiment of the present application, the trend prediction unit classifies into a related trend corresponding to user input artist information using the trend prediction model, and predicts a trend of art transaction related to the trend.

또한, 본원의 일 실시 예에 따르면, 미술품 거래의 트랜드를 예측하는 방법은 복수의 미술품 각각의 이미지, 작가 및 가격을 포함하는 미술품 정보를 수집하는 단계, 상기 복수의 미술품 각각의 거래 시점에 대응하는 경제지표 정보를 수집하는 단계, 상기 미술품 정보 및 상기 경제지표 정보에 기초하여 상기 복수의 미술품에 대응하는 인공지능 학습데이터를 생성하는 단계, 적어도 하나 이상의 인공지능 학습 알고리즘을 이용하여 상기 인공지능 학습데이터로부터 트랜드 예측 모델을 생성하는 단계, 상기 트랜드 예측 모델을 이용하여 사용자의 입력에 대응하는 미술품 거래의 트랜드를 예측하는 단계를 포함할 수 있다. In addition, according to an embodiment of the present application, the method for predicting the trend of art transaction includes the steps of collecting art information including an image, artist, and price of each of a plurality of art pieces, Collecting economic indicator information, generating artificial intelligence learning data corresponding to the plurality of artworks based on the artwork information and the economic indicator information, using at least one artificial intelligence learning algorithm to generate the artificial intelligence learning data Generating a trend prediction model from the method, and predicting a trend of artwork transaction corresponding to a user's input using the trend prediction model.

상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.The above-described problem solving means are merely exemplary and should not be construed as intended to limit the present disclosure. In addition to the exemplary embodiments described above, additional embodiments may exist in the drawings and detailed description of the invention.

전술한 본원의 과제 해결 수단에 의하면, 본원은 미술품의 거래 트렌드를 분석하고 시각화된 대시보드 형태로 제공함으로써 국내 미술시장이 가진 정보의 비대칭을 완화할 수 있다.According to the above-described problem solving means of the present application, the present application can alleviate the information asymmetry of the domestic art market by analyzing the trading trends of artworks and providing them in the form of a visualized dashboard.

전술한 본원의 과제 해결 수단에 의하면, 본원은 미술품의 타투자재 대비 정보의 획득 및 분석이 어려움으로 인해 높은 진입장벽 있는 미술품을 투자재로써 미술품의 가치를 제고하여 국내 미술품 투자에 있어 합리적인 투자를 위한 지침을 마련할 수 있다.According to the above-mentioned means of solving the problems of the present application, the present application enhances the value of art works with high entry barriers as investment goods due to the difficulty in acquiring and analyzing information in comparison with other investment materials of art works, thereby increasing the value of art works for rational investment in domestic art investment. guidelines can be provided.

도 1은 본원의 일 실시예에 따른 인공지능 기반의 미술품 거래의 트랜드 예측의 개략적인 시스템이다.
도 2는 본원의 일 실시예에 따른 인공지능 기반의 미술품 거래의 트랜드 예측의 일 예다
도 3는 본원의 일 실시예에 따른 인공지능 기반의 미술품 거래의 트랜드 예측의 개략적인 흐름도이다.1 is a schematic system for trend prediction of art transaction based on artificial intelligence according to an embodiment of the present invention.
Figure 2 is an example of trend prediction of art transaction based on artificial intelligence according to an embodiment of the present application
3 is a schematic flowchart of trend prediction of art transaction based on artificial intelligence according to an embodiment of the present disclosure.

아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, embodiments of the present application will be described in detail so that those skilled in the art can easily practice with reference to the accompanying drawings. However, the present disclosure may be implemented in many different forms and is not limited to the embodiments described herein. And in order to clearly describe the present application in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.

본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.Throughout this specification, when a part is said to be "connected" to another part, this includes not only the case of being "directly connected" but also the case of being "electrically connected" with another element in between. do.

본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.Throughout the present specification, when a member is referred to as being “on,” “above,” “on top of,” “below,” “below,” or “below” another member, this means that a member is located in relation to another member. This includes not only the case of contact but also the case of another member between the two members.

본원 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.Throughout the present specification, when a part "includes" a certain component, it means that it may further include other components without excluding other components unless otherwise stated.

도 1를 참조하면, 본원의 일 실시예에 따른 개략적인 인공지능 기반의 미술품 거래의 트랜드 예측 장치(100)는 트랜드 예측 모델을 이용하여 사용자의 입력에 대응하는 미술품 거래의 트랜드를 예측할 수 있다. 구체적으로, 인공지능 기반의 미술품 거래의 트랜드 예측 장치(100)는 미술품의 거래 트렌드를 분석하고 시각화된 대시보드 형태로 제공함으로써 국내 미술시장이 가진 비대칭 정보를 완화할 수 있다. 이를 통해 인공지능 기반의 미술품 거래의 트랜드 예측 장치(100)는 미술품의 타투자재 대비 정보의 획득 및 분석이 어려움으로 인해 높은 진입장벽 있는 미술품 시장에 관하여 투자재로써 미술품의 가치를 제고할 수 있다. 또한, 인공지능 기반의 미술품 거래의 트랜드 예측 장치(100)는 미술품 투자에 있어 합리적인 투자를 위한 지침을 마련할 수 있다.Referring to FIG. 1 , theapparatus 100 for predicting the trend of art trade based on artificial intelligence according to an embodiment of the present invention may predict the trend of art trade corresponding to a user's input using a trend prediction model. Specifically, thedevice 100 for predicting trends in art trades based on artificial intelligence can alleviate asymmetric information in the domestic art market by analyzing art trade trends and providing them in the form of a visualized dashboard. Through this, the artificial intelligence-based art transactiontrend prediction device 100 can enhance the value of art as an investment in the art market with high entry barriers due to difficulties in acquiring and analyzing information compared to other investment materials. In addition, the artificial intelligence-based art transactiontrend prediction device 100 may provide guidelines for rational investment in art investment.

도 1은 본원의 일 실시예에 따른 개략적인 인공지능 기반의 미술품 거래의 트랜드 예측 장치이다. 도 1을 참조하면, 미술품 가격 예측 장치(100)는 미술품 정보 수집부(110), 경제지표 정보 수집부(120), 학습데이터 생성부 (130), 모델 생성부(140), 트랜드 예측부(150)를 포함할 수 있다.1 is a schematic artificial intelligence-based trend prediction device for artwork transaction according to an embodiment of the present invention. Referring to FIG. 1, the artprice prediction device 100 includes an artinformation collection unit 110, an economic indexinformation collection unit 120, a learningdata generation unit 130, amodel generation unit 140, a trend prediction unit ( 150) may be included.

본원의 일 실시예에 따른 미술품 정보 수집부(110)는 복수의 미술품 각각의 이미지, 작가 및 가격을 포함하는 미술품 정보를 수집할 수 있다. 이 때, 여기서 미술품 정보는 미리 설정된 기간 내에서 수집 될 수 있다. 또한, 미술품 정보는 미술품 트랜드에 영향을 미치는 정보를 포함할 수 있다. 또한, 미술품 정보는 외부의 데이터가 업데이트가 될 때, 미술품 정보도 함께 업데이트 될 수 있다. 예를 들어, 미술품 정보는 기존의 경매 정보 이외에도 최근 경매에서 이루어진 정보도 포함할 수 있다.The artworkinformation collecting unit 110 according to an embodiment of the present application may collect artwork information including an image, an artist, and a price of each of a plurality of artworks. At this time, the artwork information may be collected within a preset period. Also, the artwork information may include information affecting the artwork trend. In addition, when the external data is updated, the artwork information may also be updated together. For example, artwork information may include information from a recent auction in addition to existing auction information.

미술품 정보 수집부(110)는 데이터 분석에 필요한 데이터 셋트를 추출하기 위해 사용자로부터 입력받은 특정 작가에서 적어도 작가와 특정 작가에 속하는 작품군의 작가, 특정 작가에게 팔로워한 작가, 특정 작가의 작품군, 특정 작가의 화법, 특정 작가의 상징성 중 하나를 조건으로 웹에서 검색을 하고, 검색된 모든 데이터를 수집할 수 있다.In order to extract a data set necessary for data analysis, the artinformation collection unit 110 selects at least the artist and the artist belonging to the specific artist, the artist who followed the specific artist, the specific artist's work group, It is possible to search the web on the condition of either a particular writer's speech style or a particular writer's symbolism, and collect all the searched data.

미술품 정보 수집부(110)는 사용자가 입력한 키워드 및 옵션 값들을 기반으로 URL을 생성하고, 생성한 URL을 사용하여 적어도 웹에 게재된 작가와 특정 작가에 속하는 작품군의 작가, 특정 작가에게 팔로워한 작가, 특정 작가의 작품군, 특정 작가의 화법, 특정 작가의 상징성 중 하나를 검색할 수 있다. 이 후 검색된 기사의 목록 및 기사 본문을 포함하는 HTML 파일을 웹으로부터 가져올 수 있다. 또한, 경제지표 정보 수집부(120)는 한글 지원을 위한 인코딩을 수행하고, HTML 파일 내용 중 적어도 특정 작가에 속하는 작품군의 작가, 특정 작가에게 팔로워한 작가, 특정 작가의 작품군, 특정 작가의 화법, 특정 작가의 상징성에 해당하는 텍스트 데이터 중 하나를 추출하여, 추출된 텍스트 데이터들을 데이터베이스(미도시)에 저장할 수 있다.The artworkinformation collection unit 110 generates a URL based on the keywords and option values input by the user, and uses the generated URL to provide followers to at least the artist posted on the web, the artist belonging to the specific artist, and the specific artist. You can search for one artist, a group of works by a specific artist, a specific artist's painting style, or a specific artist's symbolism. After that, an HTML file including a list of retrieved articles and article body can be imported from the web. In addition, the economic indicatorinformation collection unit 120 performs encoding for Hangul support, and among the content of the HTML file, at least the contents of a work group belonging to a specific artist, a writer following a specific artist, a group of works of a specific artist, and a specific artist One of text data corresponding to a speech technique and symbolism of a specific artist may be extracted and the extracted text data may be stored in a database (not shown).

미술품 정보 수집부(110)는 미술품 정보를 이용하여 복수의 미술품 각각의 가격에 영향을 주는 복수의 인자를 추출할 수 있다. 여기서 인자는 가격의 영향을 미치는 요소일 수 있다. 즉 복수의 인자는 가격의 영향을 미치는 복수의 요소일 수 있다. 예를 들어, 복수의 인자 중 하나인 작가의 경력은 높을수록 인자에 영향을 미치는 가격의 상관관계도가 높을 수 있다.The artinformation collection unit 110 may extract a plurality of factors that affect the price of each of a plurality of art pieces by using the art piece information. Here, the factor may be a factor influencing the price. That is, the plurality of factors may be a plurality of factors influencing the price. For example, as the experience of an artist, which is one of a plurality of factors, increases, the degree of correlation between prices affecting the factor may increase.

일 예로, 복수의 인자는 작가 생존 유무, 작가의 기존 미술품 개수, 미술품 공개 기간, 작가의 미술품들의 우선순위, 작가 경력, 작가의 미술품들의 가격 변화범위, 작가의 전공, 작가의 수상경력, 작가의 인지도 지수, 전시된 미술관의 등급, 관련 기사 정보, 미술품 크기 및 전시된 미술관의 방문객 정보, 작품군의 작가, 특정 작가에게 팔로워한 작가, 특정 작가의 작품군, 특정 작가의 화법, 특정 작가의 상징성, 사조 중 적어도 하나 이상을 포함할 수 있다. 복수의 인자는 가격에 영향을 줄 때, 추출 될 수 있다. 또한, 복수의 인자 각각은 가격에 영향을 높게 영향을 줄수록, 각각의 가중치 값은 올라갈 수 있다. 복수의 인자 중 대표적인 예를 들어 작가가 살아있지 못했을 경우, 미술품의 가격은 작품의 희소성으로 상승할 수 있다. 또한, 대표적인 일례로, 미술품의 가격은 통상적으로 크기에 비례하여 상승할 수 있다. 또한, 작가의 인지도는 올라갈수록 미술품의 수요의 상승으로 인해 가격이 상승할 수 있다. 또한, 미술품의 가격은 동일한 미술품의 개수가 중복적으로 존재할 경우 하락할 수 있다. 다른 복수의 인자들은 이와 비슷한 이유로 추출될 수 있다.For example, the plurality of factors include the existence of the artist, the number of existing works of art by the artist, the period of art exhibition, the priority of the artist's works of art, the artist's career, the price range of the artist's works of art, the artist's major, the artist's award history, the artist's Recognition index, grade of exhibited art galleries, related article information, size of artworks and visitor information of exhibited art galleries, artists in a group of works, artists who follow a specific artist, group of works by a specific artist, painting style of a specific artist, symbolism of a specific artist , may include at least one or more of threads. Multiple factors can be extracted when influencing price. In addition, as each of the plurality of factors has a high influence on the price, each weight value may increase. As a representative example of multiple factors, if the artist is not alive, the price of the artwork may rise due to the rarity of the artwork. Also, as a representative example, the price of an artwork may typically increase in proportion to its size. In addition, as the recognition of the artist increases, the price may increase due to the increase in demand for the artwork. In addition, the price of an artwork may decrease when the same number of artworks are duplicated. Other multiple factors may be extracted for similar reasons.

본원의 일 실시예에 따른 경제지표 정보 수집부(120)는 복수의 미술품 각각의 거래 시점에 대응하는 경제지표 정보를 수집할 수 있다. 여기서 경제지표 정보는 미래에 예측되는 경제지표 정보도 포함할 수 있다. 또한, 경제지표 정보는 외부의 경제지표 정보가 업데이트가 될 때, 경제지표 정보도 함께 업데이트 될 수 있다.The economic indicatorinformation collection unit 120 according to an embodiment of the present application may collect economic indicator information corresponding to a transaction time point of each of a plurality of artworks. Here, the economic indicator information may also include economic indicator information predicted in the future. In addition, the economic indicator information may be updated together with the economic indicator information when the external economic indicator information is updated.

구체적으로 경제지표는 소비자 심리 지수, 경제 성장율 및 물가 상승률 중 적어도 하나를 포함할 수 있다. 예를 들어, 경제지표는 미술품의 거래한 날짜에 대응하는 적어도 소비자 심리 지수, 경제 성장율, 물가 상승률, 국내 GDP 지수, GDP 변화율, 소비자 동향 지수, 주요 자산 수익률 중 하나가 될 수 있다. 또한, 경제지표는 미리 설정된 기간에서 연년도 기반으로 적어도 소비자 심리 지수, 경제 성장율, 물가 상승률, 국내 GDP 지수, GDP 변화율, 소비자 동향 지수, 주요 자산 수익률 중 하나가 될 수 있다. 여기서, 주요 자산수익률은 적어도 KOPPI, 국공채, 회사채, 전국 아파트, 달러/원 환율, 미국 국채, S&P500, 미국 Junk bond, 미국 리츠 중 하나에 대한 수익률이 될 수 있다.Specifically, the economic indicator may include at least one of a consumer sentiment index, an economic growth rate, and an inflation rate. For example, the economic indicator may be at least one of a consumer sentiment index, an economic growth rate, an inflation rate, a domestic GDP index, a GDP change rate, a consumer trend index, and a return on major assets corresponding to a transaction date of the artwork. In addition, the economic index may be at least one of a consumer sentiment index, an economic growth rate, an inflation rate, a domestic GDP index, a GDP change rate, a consumer trend index, and a return on major assets based on a yearly basis within a preset period. Here, the rate of return on major assets can be at least one of KOPPI, government bonds, corporate bonds, national apartments, dollar/won exchange rate, US Treasury bonds, S&P 500, US junk bonds, and US REITs.

이 때, 복수의 인자는 소비자 심리 지수, 경제 성장율, 물가 상승률, 국내 GDP 지수, GDP 변화율, 소비자 동향 지수, 주요 자산 수익률을 포함할 수 있다.In this case, the plurality of factors may include a consumer sentiment index, an economic growth rate, an inflation rate, a domestic GDP index, a GDP change rate, a consumer trend index, and a rate of return on major assets.

경제지표 정보 수집부(120)는 데이터 분석에 필요한 데이터 셋트를 추출하기 위해 사용자로부터 웹에 게재된 경제지표정보에 관한 정보를 수집할 수 있다. 경제지표 정보 수집부(120)는 사용자가 입력한 키워드 및 옵션 값들을 기반으로 URL을 생성하고, 생성한 URL을 사용하여 경제지표 정보를 추출할 수 있다. 이 후 경제 정보를 포함하는 HTML 파일을 웹으로부터 가져올 수 있다. 또한, 경제지표 정보 수집부(120)는 경제지표를 추출하여 데이터베이스(미도시)에 저장할 수 있다.The economic indicatorinformation collection unit 120 may collect information about economic indicator information posted on the web from a user in order to extract a data set necessary for data analysis. The economic indicatorinformation collection unit 120 may generate a URL based on keywords and option values input by the user, and extract economic indicator information using the generated URL. You can then fetch an HTML file containing economic information from the web. In addition, the economic indicatorinformation collection unit 120 may extract economic indicators and store them in a database (not shown).

또한, 경제지표 정보 수집부(120)는 데이터 분석에 필요한 데이터 셋트를 추출하기 위해 사용자로부터 입력받은 특정 키워드 및 기사 게재기간을 조건으로 수집 가능한 기사를 검색하고, 검색된 모든 기사의 텍스트 데이터를 수집할 수 있다. 경제지표 정보 수집부(120)는 사용자가 입력한 키워드 및 옵션 값들을 기반으로 URL을 생성하고, 생성한 URL을 사용하여 웹에 게재된 기사를 검색할 수 있다. 이 후 검색된 기사의 목록 및 기사 본문을 포함하는 HTML 파일을 웹으로부터 가져올 수 있다. 또한, 경제지표 정보 수집부(120)는 한글 지원을 위한 인코딩을 수행하고, HTML 파일 내용 중 기사의 제목 및 내용에 해당하는 텍스트 데이터를 추출하여, 추출된 텍스트 데이터들을 데이터베이스(미도시)에 저장할 수 있다.In addition, the economic indicatorinformation collection unit 120 searches collectable articles based on a specific keyword input from the user and the article posting period in order to extract a data set necessary for data analysis, and collects text data of all retrieved articles. can The economic indicatorinformation collection unit 120 may generate a URL based on keywords and option values input by the user, and search for articles posted on the web using the generated URL. After that, an HTML file including a list of retrieved articles and article body can be imported from the web. In addition, the economic indicatorinformation collection unit 120 performs encoding for Hangul support, extracts text data corresponding to the title and content of an article from among the contents of an HTML file, and stores the extracted text data in a database (not shown). can

학습데이터 생성부(130)는 미술품 정보 및 경제지표 정보에 기초하여 복수의 미술품에 대응하는 인공지능 학습데이터를 생성할 수 있다. 예를 들어, 학습데이터 생성부(130)는 미리 설정된 과거의 데이터의 기반의 거래 시점에서 미술품의 거래가격과 국내 GDP 지수, GDP 변화율, 소비자 동향 지수, 주요 자산 수익률 중 적어도 하나를 상관 관계를 지을 수 있다. 또한, 미래에 예측될 수 있는 미술품의 거래가격과 국내 GDP 지수, GDP 변화율, 소비자 동향 지수, 주요 자산 수익률 중 적어도 하나를 상관 관계 지을 수 있다. 또한, 학습데이터 생성부(130)는 국내 GDP 지수, GDP 변화율, 소비자 동향 지수, 주요 자산 수익률 중 적어도 하나 이상의 상관 관계를 미술품의 가격과 상관 관계를 지을 수 있다. 여기서 주요 자산수익률은 적어도 KOPPI, 국공채, 회사채, 전국 아파트, 달러/원 환율, 미국 국채, S&P500, 미국 Junk bond, 미국 리츠 중 하나에 대한 수익률이 될 수 있다.The learningdata generating unit 130 may generate artificial intelligence learning data corresponding to a plurality of artworks based on the artwork information and economic index information. For example, the learningdata generation unit 130 correlates the transaction price of art with at least one of domestic GDP index, GDP change rate, consumer trend index, and return on major assets at a transaction time based on preset past data. can In addition, it is possible to correlate at least one of the transaction price of art works that can be predicted in the future with domestic GDP index, GDP change rate, consumer trend index, and rate of return on major assets. In addition, the learningdata generating unit 130 may correlate at least one correlation among the domestic GDP index, GDP change rate, consumer trend index, and return on major assets with the price of the artwork. Here, the return on major assets can be at least one of KOPPI, government bonds, corporate bonds, national apartments, dollar/won exchange rate, US Treasury bonds, S&P 500, US junk bonds, and US REITs.

학습데이터 생성부(130)는 미술품 정보 및 복수의 인자에 기초하여 복수의 미술품에 대응하는 인공지능 학습데이터를 생성할 수 있다. 여기서, 인공지능 학습데이터는 복수의 인자를 기반으로 한 학습데이터 일 수 있다.The learningdata generating unit 130 may generate artificial intelligence learning data corresponding to a plurality of artworks based on artwork information and a plurality of factors. Here, the artificial intelligence learning data may be learning data based on a plurality of factors.

학습데이터 생성부(130)는 복수의 인자 중에도 가격과 상관이 높은 인자의 경우, 상대적으로 가격과 상관이 높은 인자를 높은 중요도로 가질 수 있다. 예를 들어, 복수의 인자 중 작가 생존 유무는 작가의 기존 미술품 개수보다 높은 중요도로 부여될 수 있다. 학습데이터 생성부(130)는 복수의 인자의 중요도를 고려함으로써 보다 정확한 미술품 가격 예측 모델을 구축할 수 있다.Among the plurality of factors, the learningdata generation unit 130 may have a factor having a relatively high correlation with the price as a high importance. For example, among the plurality of factors, whether or not the artist is alive may be given a higher importance than the number of existing works of art of the artist. The learningdata generation unit 130 may build a more accurate art price prediction model by considering the importance of a plurality of factors.

구체적으로, 학습데이터 생성부(130) 복수의 인자들 중 적어도 둘 이상 상호간의 중요도를 결정하고, 결정한 중요도에 기초하여 복수의 미술품에 대응하는 인공지능 학습데이터를 생성할 수 있다. 학습데이터 생성부(130)는 산출된 각 특징의 작가의 관련성을 기반으로 복수개의 특징의 순위를 산출하고, 산출된 순위를 기반으로 복수개의 특징 중 상위 미리 정해진 개수의 특징을 복수의 주요 특징으로서 선택할 수 있다. 달리 표현해, 학습데이터 생성부(130)는 복수개의 특징 중 작가와 관련성에 값이 큰 순으로 미리 정해진 개수의 특징을 복수의 주요 특징으로서 선택할 수 있다.Specifically, the learningdata generation unit 130 may determine the importance of at least two or more of a plurality of factors, and generate artificial intelligence learning data corresponding to a plurality of works of art based on the determined importance. The learningdata generation unit 130 calculates a rank of a plurality of features based on the relevance of each feature to the author, and based on the calculated rank, the upper predetermined number of features among the plurality of features are designated as a plurality of key features. You can choose. In other words, the learningdata generation unit 130 may select a predetermined number of features in the order of the greatest relevance to the author among the plurality of features as the plurality of main features.

학습데이터 생성부(130) 복수의 인자들 각각에 양의 가중치 또는 음의 가중치를 적용하고, 적용 결과에 따라 복수의 인자들 중 적어도 둘 이상 상호간의 중요도를 결정하고, 결정한 중요도에 기초하여 복수의 미술품에 대응하는 인공지능 학습데이터를 생성할 수 있다. 예를 들어, 상관성 분포도가 가격과 인지도에서 정비례 관계를 이룰수록, 학습데이터 생성부(130)는 가중치 값을 올릴 수 있다. 이외에도 가중치의 중요도는 상관성 분포도가 비례적인 관계가 띄워진 만큼 높일 수 있다. 반대로 가중치 값은 상관성 분포도가 산재한 만큼, 낮아 질 수 있다. 이 때, 가격과 각각의 관계성을 띄는 상관성 분포도는 앞서 언급한 정비례 관계, 산재 관계 외에도 존재할 수 있다.The learningdata generation unit 130 applies a positive weight or a negative weight to each of a plurality of factors, determines the importance of at least two or more of the plurality of factors according to the application result, and determines a plurality of factors based on the determined importance. It is possible to generate artificial intelligence learning data corresponding to artworks. For example, as the correlation distribution chart achieves a direct proportional relationship between price and recognition, the learningdata generation unit 130 may increase the weight value. In addition, the importance of the weight can be increased as much as the correlation distribution is proportional. Conversely, the weight value can be lowered as much as the correlation distribution is scattered. At this time, a correlation distribution map showing each relationship with price may exist in addition to the aforementioned direct proportional relationship and interspersed relationship.

학습데이터 생성부(130)는 미리 설정된 복수의 인자에 기초하여 크롤링한 웹 페이지를 전처리 할 수 있다. 보다 구체적으로, 학습데이터 생성부(130)는 미리 설정된 복수의 인자에 기초하여 크롤링한 웹 페이지에 포함된 기사의 텍스트 데이터를 전처리할 수 있다. 학습데이터 생성부(130)는 미리 설정된 복수의 인자를 포함하는 기사의 텍스트 데이터와 복수의 인자를 포함하지 않는 기사의 텍스트 데이터를 분류할 수 있다. 또한, 학습데이터 생성부(130)는 미리 설정된 복수의 인자를 제외 한 기사의 텍스트 데이터에서 텍스트 요소를 제거할 수 있다.The learningdata generation unit 130 may pre-process the crawled web page based on a plurality of preset factors. More specifically, the learningdata generation unit 130 may pre-process text data of articles included in web pages crawled based on a plurality of preset factors. The learningdata generation unit 130 may classify text data of articles that include a plurality of preset factors and text data of articles that do not include a plurality of factors. In addition, the learningdata generator 130 may remove text elements from the text data of the article except for a plurality of preset factors.

학습데이터 생성부(130)는 전처리된 기사의 텍스트 데이터를 기반으로 데이터 분석에서 불필요한 조사, 형용사, 부사, 등을 제외한 복수의 인자와 관련된 체언을 추출할 수 있다. 본원의 일 실시예에 따르면, 학습데이터 생성부(130)는 체언 추출 과정을 통해 추출된 체언으로 구성된 단어 셋트 중 한 글자 이상의 단어를 분류하여 데이터베이스(미도시)에 저장 할 수 있다.The learningdata generation unit 130 may extract words related to a plurality of factors excluding unnecessary investigations, adjectives, adverbs, etc. from data analysis based on the preprocessed text data of articles. According to an embodiment of the present application, the learningdata generation unit 130 may classify one or more words from a word set composed of the words extracted through the word extraction process and store them in a database (not shown).

학습데이터 생성부(130)는 데이터베이스(미도시)에 포함된 데이터 셋에서 데이터를 선택하고 전처리를 수행할 수 있다. 학습데이터 생성부(130)는 데이터베이스(미도시)에 저장된 데이터 셋의 복수의 칼럼 중 데이터 군집화를 수행할 칼럼을 선택하여 결정할 수 있다.The learningdata generation unit 130 may select data from a data set included in a database (not shown) and perform preprocessing. The learningdata generation unit 130 may select and determine a column to perform data clustering among a plurality of columns of a data set stored in a database (not shown).

학습데이터 생성부(130)는 선택된 칼럼에 복수의 인자를 포함하지 않는 데이터를 제거하는 전처리를 수행할 수 있다. 달리 말해, 학습데이터 생성부(130)는 결정된 칼럼의 데이터의 중복처리 및 Null 값(용어를 포함하지 않는 데이터)을 제거하는 전처리 과정을 수행할 수 있다.The learningdata generation unit 130 may perform preprocessing to remove data that does not include a plurality of factors in the selected column. In other words, the learningdata generation unit 130 may perform a pre-processing process of removing redundant processing and null values (data not including terms) of data of the determined column.

학습데이터 생성부(130)는 형태가 완전히 일치하는 용어의 경우 군집화가 불필요하며, 공백에 해당하는 Null값(용어를 포함하지 않는 데이터) 또한 용어 군집화가 불필요한 데이터이므로, 학습데이터 생성부(130)는 Null값을 제거할 수 있다. 또한, 사용자는 필요에 따라 Null 값(용어를 포함하지 않는 데이터)을 다른 용어로 대체할 수 있다. 달리 말해, 학습데이터 생성부(130)는 사용자로부터 제공받은 대체 용어를 포함하지 않는 데이터에 입력할 수 있다.The learningdata generation unit 130 does not require clustering in the case of terms that completely match the shape, and null values corresponding to blanks (data that does not include terms) are also data that does not require term clustering, so the learningdata generation unit 130 can remove null values. In addition, the user can replace null values (data without terms) with other terms as needed. In other words, the learningdata generator 130 may input data that does not include alternative terms provided by the user.

학습데이터 생성부(130)는 분리된 형태소의 빈도와 가중치를 이용하여 군집화 할 용어를 선정할 수 있다. 또한, 학습데이터 생성부(130)는 가중치와 순위화한 빈도수를 이용하여 군집화 할 용어의 우선 순위를 결정할 수 있다. 또한, 학습데이터 생성부(130)는 순위화한 형태소와 형태소의 길이를 이용한 가중치를 이용하여 추천 용어의 우선 순위를 결정할 수 있다.The learningdata generation unit 130 may select terms to be clustered using the frequencies and weights of the separated morphemes. In addition, the learningdata generation unit 130 may determine the priority of terms to be clustered using weights and ranked frequencies. In addition, the learningdata generation unit 130 may determine the priority of the recommended terms by using the ranked morphemes and weights using the lengths of the morphemes.

학습데이터 생성부(130)는 원본 용어의 음운을 분리하고, 음운으로 분리된 각각의 원본 용어 간의 유사도 연산을 수행할 수 있다. 학습데이터 생성부(130)는 원본 용어가 한글일 경우, 초성, 중성, 종성으로 한글 자모에 따른 음운으로 분리하고, 인공지능 기반의 알고리즘을 이용하여 유사도를 연산할 수 있다. 여기서, 학습데이터 생성부(130)는 Fuzzy Data Matching 알고리즘을 사용하여 각각의 원본 용어 간의 유사도 연산을 수행할 수 있으나, 이에 한정되는 것은 아니다. Fuzzy Data Matching 알고리즘은 편집거리(레펜슈타인, Levenshtein Distance)를 기반으로 계산된 결과값을 사용하여 데이터 간에 매칭을 수행하는 알고리즘이다.The learningdata generation unit 130 may separate the phonemes of the original terms and perform a similarity calculation between the original terms separated by phonemes. When the original term is Korean, the learningdata generation unit 130 separates the initial consonants, neutral consonants, and final consonants into phonemes according to the Korean consonants, and calculates the similarity using an artificial intelligence-based algorithm. Here, the learningdata generation unit 130 may perform a similarity calculation between each original term using a Fuzzy Data Matching algorithm, but is not limited thereto. The Fuzzy Data Matching algorithm is an algorithm that performs matching between data using the calculated result based on the edit distance (Levenshtein Distance).

학습데이터 생성부(130)는 사용자가 선택한 비정형 데이터 간의 유사도를 계산하여 군집화할 수 있다. 또한, 학습데이터 생성부(130)는 음운으로 분리된 용어들 간의 유사도를 계산하여 일정 유사도 값을 넘게 되면 용어들의 우선순위에 따라 복수의 인자 용어에 군집화할 수 있다. 달리 말해, 학습데이터 생성부(130)는 유사도 연산 값이 미리 설정된 임계치 이상인 원본 용어를 군집화할 수 있다. 임계치는 사용자의 편의에 따라 유사도 값의 임계치를 수정 및 변화될 수 있다.The learningdata generation unit 130 may calculate a similarity between user-selected unstructured data and cluster them. In addition, the learningdata generation unit 130 calculates the similarity between the terms separated by phoneme, and when a certain similarity value is exceeded, the terms may be clustered into a plurality of factor terms according to their priorities. In other words, the learningdata generator 130 may cluster original terms having a similarity calculation value equal to or greater than a preset threshold. The threshold value of the similarity value may be modified or changed according to the user's convenience.

학습데이터 생성부(130)는 미술품 정보에 포함된 텍스트를 수치화하여 제 1 특징을 생성할 수 있다. 텍스트는 미술품이나 작가와 관련된 문서일 수 있다. 예를 들어, 미리 설정된 기간에서 이중섭의 소에 관한 기사가 될 수 있다. 구체적으로, 제 1특징은 기간 건수에 비례하여 작가와 관련된 텍스트의 가중치를 결정된 것 일 수 있다. 예를 들어 가중치는 이중섭의 소에서 관련된 민족정신, 고단한 정서와 같은 키워드가 반복적으로 노출될 경우 이중섭 작가에 관한 가중치가 증가될 수 있다. 또는 키워드의 관한 가중치가 증가 될 수 있다. 다른 말로, 고단한 정서와 관련된 키워드의 가중치가 증가 될 수 있다.The learningdata generating unit 130 may generate a first feature by digitizing the text included in the artwork information. The text can be a work of art or a document related to the author. For example, it can be an article about Lee Jung-seop's cow in a preset period. Specifically, the first feature may be that the weight of the text related to the author is determined in proportion to the number of periods. For example, if keywords such as national spirit and tired emotions related to Lee Joong-seop's story are repeatedly exposed, the weight on author Lee Joong-seop may increase. Alternatively, weights related to keywords may be increased. In other words, the weight of keywords related to tired emotions can be increased.

텍스트 수치화는 벡터화되는 것을 의미할 수 있다. 다른 말로, 텍스는 수치화는 원핫 매트릭스(One-Hot Matrix)를 의미할 수 있다. 또한, 텍스트 수치화는 Word2Vec로 벡터화되는 것을 의미 할 수 있다. 여기서, 텍스트 수치화는 미술품 정보에 포함된 텍스트를 벡터화 된 것을 의미할 수 있다.Text digitization may mean vectorization. In other words, tex may mean a one-hot matrix for digitization. Also, text digitization can mean vectorization with Word2Vec. Here, text digitization may mean vectorization of text included in artwork information.

구체적으로, 학습데이터 생성부(130)는 추출한 단어에 대하여 텍스트 분석 알고리즘(예를 들어, TF-IDF기법)을 적용하여 각 단어를 벡터화할 수 있다. 일예로, 학습데이터 생성부(130)는 벡터 추출 패키지(예를 들어, Scikit-Learn의 feature_extraction의 서브패키지 중 하나인 feature_extraction.text)를 이용하여 주요 단어를 벡터화할 수 있다. 벡터 추출 패키지(예를 들어, Scikit-Learn의 feature_extraction의 서브패키지 중 하나인 feature_extraction.text)는 문서 전처리 클래스를 제공하며 이 클래스의 함수 중 빈도수를 기반으로 단어를 벡터화하는 함수인 텍스트 분석 함수(예를 들어, TfidfTransformer 함수)를 이용하여 주요 명사들을 벡터화할 수 있다.Specifically, the learningdata generation unit 130 may vectorize each word by applying a text analysis algorithm (eg, TF-IDF technique) to the extracted word. For example, the learningdata generation unit 130 may vectorize key words using a vector extraction package (eg, feature_extraction.text, one of the subpackages of feature_extraction of Scikit-Learn). The vector extraction package (e.g. feature_extraction.text, one of the subpackages of Scikit-Learn's feature_extraction) provides a document pre-processing class, and one of the functions in this class is a text analysis function that vectorizes words based on frequency (e.g. For example, the main nouns can be vectorized using the TfidfTransformer function).

학습데이터 생성부(130)는 미술품 정보에 포함된 이미지로부터 추출한 색상을 이용하여 제 2 특징을 생성할 수 있다. 여기서, 추출한 색상은 적색(R), 녹색(G), 청색(B)의 색상의 비율로 나타날 수 있다. 다른 말로, 추출한 색상은 주요 색상으로 구별되어 나타날 수 있다. 예시적으로, 청색과 녹색의 합은 청록색으로 나타날 수 있습니다. 구체적으로, 주요 색상은 적어도 빨강색, 주황색, 노랑색, 초록색, 파랑색, 남색, 보라색, 녹색, 청록색, 검정색, 회색, 자주색, 연두색, 다홍색, 주황색, 귤색, 노란연두색, 청록색, 바다색, 남보라색, 붉은보라색, 연지색 중 하나가 될 수 있다.The learningdata generating unit 130 may generate the second feature using a color extracted from an image included in the artwork information. Here, the extracted color may appear as a ratio of colors of red (R), green (G), and blue (B). In other words, the extracted colors may appear as distinct primary colors. Illustratively, the sum of blue and green may result in cyan. Specifically, the main colors are at least red, orange, yellow, green, blue, indigo, purple, green, turquoise, black, gray, purple, yellow-green, crimson, orange, tangerine, yellow-green, turquoise, sea blue, and blue-violet. , reddish purple, or rouge.

구체적으로, 학습데이터 생성부(130)는 미술품 정보에 포함된 이미지로부터 추출한 색상, 채도, 명도를 이용하여 제 2 특징을 생성할 수 있다. 여기서 채도는 특정한 색상의 진함의 정도를 의미할 수 있다. 다시 말해, 색상이 선명할수록 채도가 높다는 것을 의미할 수 있다. 구체적으로, HSV 공간에서 채도값은 적어도 적색(R), 녹색(G), 청색(B) 중 하나를 혼합한 최대 크기 값에서 적어도 적색(R), 녹색(G), 청색(B) 중 하나를 혼합한 최소 크기 값을 빼 적어도 적색(R), 녹색(G), 청색(B) 중 하나를 혼합한 최대 크기 값을 나눈 것을 의미할 수 있다. 또한, 여기서 명도는 밝은 정도를 의미 할 수 있다. 명도는 HSV 공간에서 적색(R), 녹색(G), 청색(B)의 합이 큰 정도를 의미할 수 있다. 예를 들어, HSV 공간에서 적색(R), 녹색(G), 청색(B)의 합이 100이면, 명도값은 검정색을 의미할 수 있다.Specifically, the learningdata generating unit 130 may generate the second feature using color, saturation, and brightness extracted from an image included in the artwork information. Here, saturation may mean the degree of deepness of a specific color. In other words, the brighter the color, the higher the saturation. Specifically, in the HSV space, the saturation value is at least one of red (R), green (G), and blue (B) at the maximum value of mixing at least one of red (R), green (G), and blue (B). It may mean that the maximum size value of mixing at least one of red (R), green (G), and blue (B) is divided by subtracting the minimum size value mixed with . In addition, the lightness here may mean the degree of brightness. Lightness may mean a degree to which the sum of red (R), green (G), and blue (B) is large in the HSV space. For example, if the sum of red (R), green (G), and blue (B) in the HSV space is 100, the brightness value may mean black.

구체적으로, 학습데이터 생성부(130)는 미술품 정보에 포함된 이미지로부터 추출한 복수의 색상들 각각의 우선순위에 기초하여 상기 복수의 색상들 중 적어도 하나 이상의 주요 색상을 선택하고, 선택한 적어도 하나의 주요 색상에 기초하여 제 2 특징을 생성할 수 있다. 여기서 우선순위는 추출한 색상 중 미리 설정된 기간에서 적어도 색상이 평균적으로 비율이 높은 복수의 기준으로 정해질 수 있다. 일 예로, 학습데이터 생성부(130)는 미리 설정된 기간에서 평균적으로 밝은 계통의 색깔인 적어도 노랑색, 강색, 주황색, 연두색 중 하나가 적어도 어두운 계통인 검정색, 회색 보다 비율이 높을 경우 밝은 계통 색상에 가중치를 더 부여할 수 있다. 다른 말로 학습데이터 생성부(130)는 밝은 계통 색상에 중요도를 더 높일 수 있다. 또는 학습데이터 생성부(130)는 각 색상의 채도로서 평균적으로 높은 비율을 차지하는 색상의 복수의 채도에 가중치의 중요도를 다르게 할 수 있다. 또는 학습데이터 생성부(130)는 각 색상의 명도로서 평균적으로 높은 비율을 차지하는 색상의 복수의 명도에 가중치의 중요도를 다르게 할 수 있다.Specifically, the learningdata generator 130 selects at least one main color from among the plurality of colors based on the priority of each of the plurality of colors extracted from the image included in the artwork information, and selects at least one main color selected. A second feature can be created based on color. Here, the priority may be determined based on a plurality of criteria having a high average ratio of at least a color in a preset period among extracted colors. For example, the learningdata generation unit 130 weights the light color when the ratio of at least one of yellow, strong, orange, and light green, which is a light color on average, is higher than that of black and gray, which are dark colors, on average in a preset period. can be given more. In other words, the learningdata generation unit 130 may further increase the importance of the bright system color. Alternatively, the learningdata generation unit 130 may vary the importance of weights among a plurality of chromas of colors occupying an average high rate as chromas of each color. Alternatively, the learningdata generation unit 130 may vary the importance of weights for a plurality of lightnesses of colors occupying an average high rate as the lightness of each color.

학습데이터 생성부(130)는 미술품 정보에 포함된 이미지의 복수의 픽셀들 각각의 색상을 이용하여 제 2 특징을 생성할 수 있다. 또한, 복수의 픽셀은 각각 채도, 명도, 색상에 관한 정보를 포함할 수 있다. 즉, 제 2특징은 채도, 명도, 색상에 관한 특징을 포함할 수 있다.The learningdata generation unit 130 may generate a second feature using each color of a plurality of pixels of an image included in the artwork information. Also, each of the plurality of pixels may include information about saturation, brightness, and color. That is, the second characteristic may include characteristics related to saturation, brightness, and color.

학습데이터 생성부(130)는 미술품 정보에 포함된 이미지의 복수의 픽셀들 각각의 색상을 이용하여 제 2 특징을 생성할 수 있다. 여기서 제 2특징은 각각의 색상을 복수의 픽셀들에 관한 정보 일 수 있다. 또한 제2특징은 복수의 픽셀들에 있어서 각각 채도, 명도, 색상의 관한 정보를 포함할 수 있다.The learningdata generation unit 130 may generate a second feature using each color of a plurality of pixels of an image included in the artwork information. Here, the second characteristic may be information about a plurality of pixels of each color. Also, the second feature may include information about saturation, brightness, and color of each of the plurality of pixels.

구체적으로, 학습데이터 생성부(130)는 추출한 복수의 색상들의 히스토그램에 기초하여 우선순위를 결정하는 것일 수 있다. 여기서 히스토그램 그램은 추출한 색상을 수치화 하여 미리 설정된 기간에서 막대그래프로서 시각화하여 나타날 수 있다. 구체적으로, 추출한 색상의 히스토그램은 복수의 미술품에서 각각의 픽셀에 대응하는 색상으로 막대그래프로 통해 나타낸 그림일 수 있다.Specifically, the learningdata generator 130 may determine priorities based on a histogram of a plurality of extracted colors. Here, the histogram may be displayed by digitizing the extracted color and visualizing it as a bar graph in a preset period. Specifically, the histogram of the extracted colors may be a picture represented through a bar graph with a color corresponding to each pixel in a plurality of works of art.

모델 생성부(140)는 복수의 인자 중 제 1그룹에 포함된 적어도 하나의 인자에 기초하여 복수의 미술품에 대응하는 제 1인공지능 학습데이터를 생성하고, 복수의 인자 중 제 2 그룹에 포함된 적어도 하나의 인자에 기초하여 복수의 미술품에 대응하는 제 2인공지능 학습데이터를 생성할 수 있다. 예를 들어, 제1인공지능 학습데이터는 복수의 인자 중 중요도로 미리 정해진 개수로 기반으로 한 적어도 작가 생존 유무, 미술품 공개기간, 작가의 미술품들의 우선순위, 작가 경력 중 하나가 될 수 있다. 또한, 제 2인공지능 학습데이터는 복수의 인자 중 중요도로 미리 정해진 개수로 기반으로 적어도 작가 생존 유무, 전시된 미술관의 등급, 관련 기사 정보, 미술품 크기, 전시된 미술관의 방문객 정보 중 하나가 될 수 있다.Themodel generating unit 140 generates first artificial intelligence learning data corresponding to a plurality of artworks based on at least one factor included in a first group among a plurality of factors, and includes a second group among a plurality of factors. Second artificial intelligence learning data corresponding to a plurality of works of art may be generated based on at least one factor. For example, the first artificial intelligence learning data may be at least one of whether or not the artist is alive, art exhibition period, priority of the artist's artwork, and artist career based on a predetermined number of factors among a plurality of factors. In addition, the second artificial intelligence learning data can be at least one of the survival of the artist, the grade of the museum exhibited, related article information, the size of the artwork, and the visitor information of the exhibited art gallery, based on a predetermined number of factors among a plurality of factors. there is.

학습데이터 생성부(130)는 인공지능 학습데이터를 정규화할 수 있다. 구체적으로, 학습데이터 생성부(130)는 최대-최소 정규화(min-max normalization)를 통해 모델 별로 회귀계수 벡터 또는 특징 중요도 벡터를 정규화할 수 있다. 여기서 정규화는 벡터의 크기를 0과 1사이로 매핑할 수 있다.The learningdata generation unit 130 may normalize artificial intelligence learning data. Specifically, the learningdata generation unit 130 may normalize the regression coefficient vector or the feature importance vector for each model through min-max normalization. Here, normalization can map the size of a vector between 0 and 1.

모델 생성부(140)는 적어도 하나 이상의 인공지능 학습 알고리즘을 이용하여 인공지능 학습데이터로부터 트랜드 예측 모델을 생성할 수 있다. 여기서 인공지능 학습 알고리즘은 LSTM(Long-Short Term Memory) 알고리즘이 될 수 있다. LSTM 알고리즘은 딥러닝 분야에서 사용되는 인공 재귀 신경 네트워크(RNN) 아키텍처의 하나로, 피드 포워드 신경망과 달리 피드백 연결이 존재한다. 따라서, LSTM 알고리즘에 의하면 단일 데이터 포인트뿐만 아니라 전체 데이터 시퀀스에 대한 학습 및 처리를 수행할 수 있다. 또한 모델 생성부(140)는 인공지능 학습 중 과적합 발생시 Drop out을 수행할 수 있다.Themodel generation unit 140 may generate a trend prediction model from artificial intelligence learning data using at least one artificial intelligence learning algorithm. Here, the artificial intelligence learning algorithm may be a Long-Short Term Memory (LSTM) algorithm. The LSTM algorithm is one of the artificial recursive neural network (RNN) architectures used in the field of deep learning. Unlike feed-forward neural networks, feedback connections exist. Therefore, according to the LSTM algorithm, learning and processing can be performed not only for a single data point but also for an entire data sequence. In addition, themodel generation unit 140 may perform drop out when overfitting occurs during artificial intelligence learning.

모델 생성부(140)는 사용자가 WINDOW_SIZE로서 미리 정한 일정 년도를 기준으로 한 데이터로 분할하여 LSTM 알고리즘을 이용해 미술품 트랜드를 예측할 수 있다. 구체적인 예로서, 미리 정한 일정 년도는 4년차로 정했을 때 1996년도에서 2000년도 일 수 있다. 모델 생성부(140)는 1996년도에서 2000년도의 데이터를 통해 2001년도의 미술품 트랜드를 예측할 수 있다.Themodel generation unit 140 can predict art work trends using the LSTM algorithm by segmenting data based on a certain year previously determined by the user as WINDOW_SIZE. As a specific example, the predetermined year may be from 1996 to 2000 when the fourth year is determined. Themodel generation unit 140 may predict the art product trend in 2001 through data from 1996 to 2000.

모델 생성부(140)는 미리 정해진 개수의 LSTM 모델에서 출력된 예측 결과값을 가지고 앙상블층을 구성할 수 있다. 모델 생성부(140)는 앙상블층에서 각각 모델의 결과값에 가중치(Weight)를 곱해서 더한 후, 평균을 계산해 최종적인 예측 결과값을 출력 할 수 있다.Themodel generation unit 140 may construct an ensemble layer using prediction result values output from a predetermined number of LSTM models. Themodel generation unit 140 may multiply and add weights to result values of each model in the ensemble layer, calculate an average, and output a final predicted result value.

모델 생성부(140)는 결정한 중요도에 기초하여 인공지능 학습데이터로부터 가격 예측 모델을 생성할 수 있다. 구체적으로 모델 생성부(140)는 트리의 각각의 노드에서 정보 획득량을 최대화하는 방향으로 가격 예측 모델을 생성할 수 있다. 즉, 복수의 모델에 각각에서 복수의 중요한 특징 순으로 정보 획득량이 최대화를 할 수 있다. 예를 들어, 제1노드는 작가의 사후가 될 수 있다. 예를 들어 살아있는 작가와 살아있지 못한 작가의 관한 노드가 될 수 있다. 제 2노드는 작가의 전공이 될 수 있다. 작가의 전공이 미술인지 아닌지에 관한 노드가 될 수 있다. 이외에의 노드들도 복수의 인자의 특징에 따라 모델이 생성 될 수 있다. 여기서 복수의 노드는 중요도를 우선 순위로 정해질 수 있다. 또한, 모델 생성부(140)는 앞선 언급한 복수의 모델을 생성함으로써 앙상블을 할 수 있다.Themodel generation unit 140 may generate a price prediction model from artificial intelligence learning data based on the determined importance. In detail, themodel generation unit 140 may generate a price prediction model in a direction that maximizes the amount of information acquisition at each node of the tree. That is, it is possible to maximize the amount of information acquisition in the order of a plurality of important features in each of a plurality of models. For example, the first node may be after the death of the author. For example, it could be a node for living and non-living writers. The second node can be the artist's major. It can be a node about whether an artist's major is art or not. For other nodes, models can be created according to the characteristics of a plurality of factors. Here, a plurality of nodes may be prioritized in importance. In addition, themodel generation unit 140 may perform an ensemble by generating a plurality of models mentioned above.

모델 생성부(140)는 인공지능 알고리즘을 이용하여 제 1인공지능 학습데이터로부터 제 1가격 예측 모델을 생성하되, 인공지능 알고리즘을 이용하여 제 2인공지능 학습데이터로부터 제 2 가격 예측 모델을 생성할 수 있다. 구체적으로, 모델 생성부(140)는 제 1가격 예측 모델과 제 2가격 예측 모델을 앙상블(Ensemble) 할 수 있다. 예를 들어 모델 생성부(140)는 제1가격 예측 모델의 예측값과 제 2가격의 예측 모델의 동일한 값이 중복으로 나온 값을 선택 할 수 있다. 다른 예시로, 모델 생성부(140)는 제1가격 예측 모델의 예측값과 제 2가격의 예측 모델의 평균값을 선택 할 수 있다.Themodel generator 140 generates a first price prediction model from the first artificial intelligence training data using an artificial intelligence algorithm, and generates a second price prediction model from the second artificial intelligence training data using an artificial intelligence algorithm. can Specifically, themodel generator 140 may ensemble the first price prediction model and the second price prediction model. For example, themodel generating unit 140 may select a value obtained by overlapping the predicted value of the first price prediction model and the same value of the second price prediction model. As another example, themodel generation unit 140 may select a predicted value of the first price prediction model and an average value of the second price prediction model.

이러한 LSTM 알고리즘은 시계열 데이터를 기반으로 예측을 분류, 처리 및 예측하는 데 적합하며, LSTM은 전통적인 RNN을 통한 훈련에서 발생 가능한 Vanishing Gradient 문제를 해소하는 장점이 있다.These LSTM algorithms are suitable for classifying, processing, and predicting predictions based on time series data, and LSTM has the advantage of solving the vanishing gradient problem that can occur in training through traditional RNN.

모델 생성부(140)는 상관 관계를 지은 데이터 중 상관성이 떨어진 경우 경제지표 데이터에서 제외 할 수 있다. 예들 들어 미술품 작품의 가격은 상승세인 반해, 소비자 동향 지수는 하락세이면 모델 생성부(140)는 경제지표 데이터에서 제외할 수 있다.Themodel generation unit 140 may exclude from the economic index data when the correlation is low among the correlated data. For example, if the price of a work of art is in an upward trend while the consumer trend index is in a downward trend, themodel generating unit 140 may exclude it from the economic index data.

모델 생성부(140)는 실제값과 예측값의 차이 제곱의 합(MSE, Mean Squared Error)를 최소로 하는 모델로 생성되며, 일반적으로 예측된 변수의 분산 비율의 비(R-square)로 모델의 성능이 측정될 수 있다.Themodel generation unit 140 is created as a model that minimizes the sum of squared differences between the actual value and the predicted value (MSE, Mean Squared Error), and is generally generated as a ratio of variance ratios (R-square) of the predicted variable. Performance can be measured.

트랜드 예측부(150)는 트랜드 예측 모델을 이용하여 사용자의 입력에 대응하는 미술품 거래의 트랜드를 예측할 수 있다. 예를 들어, 트랜드 예측부(150)는 단일색 작가 중에서 미리 설정된 수에서 인지도 있는 작가를 년차별로 나타날 수 있다. 이 때, 인지도는 가격과 비례하여 나타날 수 있다.Thetrend prediction unit 150 may predict a trend of artwork transaction corresponding to a user's input by using a trend prediction model. For example, thetrend prediction unit 150 may display known writers from a preset number of single-color writers yearly. At this time, awareness may appear in proportion to price.

트랜드 예측부(150)는 사용자의 입력은 입력 시점 정보를 포함할 수 있다. 여기서 입력 시점 정보는 사용자가 관심있어 하는 입력 작품군, 입력 작가, 또는 입력 작가의 작품군이 될 수 있다.Thetrend prediction unit 150 may include input time information in the user's input. Here, the input time point information may be a group of input works of interest to the user, an input artist, or a group of works of the input artist.

트랜드 예측부(150)는 사용자의 입력에서 입력 미술품 정보를 포함하되, 트랜드 예측 모델을 이용하여 사용자의 입력 미술품 정보에 대응하는 가격 및 미술품 거래의 트랜드를 예측할 수 있다. 여기서 입력 미술품 정보는 적어도 색상, 상징성, 화법, 작품군이 될 수 있다.Thetrend prediction unit 150 may include input artwork information in the user's input, and predict a price corresponding to the user's input artwork information and a trend of art transaction using a trend prediction model. Here, the input artwork information can be at least color, symbolism, painting style, and group of works.

트랜드 예측부(150)는 사용자의 입력은 입력 시점 정보에 대응하는 입력 경제지표를 포함하되, 미술품 거래의 트랜드는 입력 시점 정보에 대응하는 가격의 상승 또는 하락의 추세를 포함할 수 있다. 예를 들어, 트랜드 예측부(150)는 입력 시점 정보에 대응하는 가격의 상승 또는 하락의 추세를 먼저 예측한 후에 이에 대응하는 특정 작품군, 특정 작가, 또는 특정 작가의 작품군의 가격 및 미술품 거래의 트랜드를 예측할 수 있다.In thetrend prediction unit 150, the user's input may include an input economic indicator corresponding to the input timing information, but the art transaction trend may include a price increase or decrease corresponding to the input timing information. For example, thetrend prediction unit 150 first predicts a trend of increase or decrease in price corresponding to input time information, and then deals with the price and artwork of a specific group of works, a specific artist, or a group of works by a specific artist. trends can be predicted.

트랜드 예측부(150)는 트랜드 예측 모델을 이용하여 사용자의 입력 작가로 가격의 거래의 트랜드를 예측할 수 있다. 예를 들어, 트랜드 예측부(150)는 X축은 년도, Y축은 입력 작가의 거래된 년도의 총 금액을 미술품 거래의 트랜드로 예측할 수 있다.Thetrend prediction unit 150 may predict a price transaction trend based on the user's input writer using the trend prediction model. For example, thetrend prediction unit 150 may predict the year on the X-axis and the total amount of the year of the transaction of the input artist on the Y-axis as the trend of art transaction.

트랜드 예측부(150)는 트랜드 예측 모델을 이용하여 사용자의 입력 미술품 정보에 대응하는 작품군으로 분류하되, 작품군으로 거래의 트랜드를 예측할 수 있다. 예를 들어, 트랜드 예측부(150)는 X축은 년도, Y축은 특정 작품군의 거래된 년도의 총 금액을 미술품 거래의 트랜드로 예측할 수 있다. 또한, 트랜드 예측부(150)는 당해 년도에 원판으로서 각각의 작품군을 미술품 거래 금액의 비율로서 미술품 거래의 트랜드를 예측할 수 있다. 여기서 작품군은 적어도 통회화, 현대공예, 서예, 판화, 미디어아트, 조각, 사진, 서양화, 동양화, 골동품 중 하나가 될 수 있다.Thetrend predicting unit 150 classifies works into groups corresponding to the user's input artwork information using a trend prediction model, and predicts a transaction trend based on the group of works. For example, thetrend prediction unit 150 may predict the year on the X axis and the total amount of the year in which a specific work group was traded on the Y axis as the trend of art transaction. In addition, thetrend prediction unit 150 may predict a trend of art trade as a ratio of the art trade amount for each group of works as original editions in the current year. Here, the group of works can be at least one of painting, modern craft, calligraphy, printmaking, media art, sculpture, photography, Western painting, Oriental painting, or antique.

트랜드 예측부(150)는 트랜드 예측 모델을 이용하여 사용자의 입력 작가 정보에 대응하는 관련 작가를 분류하되, 관련된 작가의 거래의 트랜드를 예측할 수 있다. 예를 들어, 트랜드 예측부(150)는 입력 작가 정보의 관련된 정보가 단일색 작가라고 하였을 때, 단일색과 관련된 복수의 작가를 미술품 거래 금액의 총금액을 Y 축으로 나타 낼 수 있다. 또한 각각의 단일색과 관련된 작가는 다른 색상으로 표기하여 나타날 수 있다.Thetrend prediction unit 150 classifies related writers corresponding to the user's input author information using the trend prediction model, and predicts a transaction trend of the related writer. For example, when the related information of the input artist information is a single-color artist, thetrend prediction unit 150 may represent a plurality of artists related to a single color with the total amount of art transaction price on the Y-axis. In addition, the artist related to each single color can be marked with a different color.

트랜드 예측부(150)는 트랜드 예측 모델을 이용하여 사용자의 입력 작가 정보에 대응하는 관련 상징성으로 분류하되, 관련 상징성에 관련된 작가의 거래의 트랜드를 예측할 수 있다. 예를 들어, 트랜드 예측부(150)는 입력 작가 정보의 상징성이 평화와 관련된 작가라고 하였을 때, 평화와 관련된 복수의 작가를 미술품 거래 금액의 총금액을 Y 축으로 나타 낼 수 있다. 또한 각각의 평화와 관련된 작가는 다른 색상으로 표기하여 나타날 수 있다.Thetrend prediction unit 150 classifies the user's input artist information into related symbolisms using the trend prediction model, and predicts the artist's transaction trend related to the related symbolism. For example, when the symbolism of the input artist information is an artist related to peace, thetrend prediction unit 150 may represent a plurality of peace-related artists with the total amount of art transaction prices on the Y-axis. In addition, each peace-related artist can be marked with a different color.

트랜드 예측부(150)는 트랜드 예측 모델을 이용하여 사용자의 입력 작가 정보에 대응하는 관련 사조로 분류하되, 사조에 관련된 미술품의 거래의 트랜드를 예측할 수 있다. 예를 들어, 트랜드 예측부(150)는 입력 작가 정보의 사조가 초월주의라고 하였을 때, 초월주의와 관련된 복수의 작가를 미술품 거래 금액의 총금액을 Y 축으로 나타낼 수 있다. 또한 각각의 초월주의와 관련된 작가는 다른 색상으로 표기하여 나타날 수 있다. 또한, 트랜드 예측부(150)는 당해 년도의 원판에 사조를 비율로 미술품 거래의 트랜드를 예측할 수 있다. 구체적으로, 사조는 인상주의, 야수주의, 표현주의, 입체주의, 절대주의, 구축주의, 초현실주의, 표현주의, 팝아트, 미니멀리즘, 모노파, 사실주의, 낭만주의, 신고전주의, 입체파, 다다이즘, 미래파, 키네틱아트, 대지예술, 상징주의, 아방가르드, 자연 친화가 될 수 있다.Thetrend predicting unit 150 classifies into related trends corresponding to the user's input artist information using the trend prediction model, but can predict trends in art transactions related to the trends. For example, when the trend of the input artist information is transcendentalism, thetrend prediction unit 150 may represent a plurality of artists related to transcendentalism with the total amount of art transaction prices on the Y axis. In addition, each transcendentalism-related artist can be marked with a different color. In addition, thetrend prediction unit 150 may predict the trend of art trade based on the ratio of threads to originals in the current year. Specifically, the trends are Impressionism, Fauvism, Expressionism, Cubism, Absolutism, Constructivism, Surrealism, Expressionism, Pop Art, Minimalism, Monoism, Realism, Romanticism, Neoclassicism, Cubism, Dadaism, Futurism, Kinetic Art, Land Art, Symbolism , avant-garde, nature friendly.

도 2는 본원의 일 실시예에 따른 인공지능 기반의 미술품 거래의 트랜드 예측의 일 예다.2 is an example of trend prediction of art transaction based on artificial intelligence according to an embodiment of the present disclosure.

본원의 일 실시예에 따른 도 2는 트랜드 예측부(150)에서 일 예로 단색화 작가의 미술품 트랜드로 나타낼 수 있다. 구체적으로 도 2에서 단색화 미술품 트랜드의 작가는 박서보, 윤형근, 정상화가 될 수 있다.2 according to an embodiment of the present application may be represented as an art work trend of a monochrome artist, for example, in thetrend prediction unit 150. Specifically, in Figure 2, the artists of the monochrome art trend can be Park Seo-bo, Yoon Hyung-geun, and Jung Sang-hwa.

도 3는 본원의 일 실시예에 따른 인공지능 기반의 미술품 거래의 트랜드 예측의 개략적인 흐름도이다.3 is a schematic flowchart of trend prediction of art transaction based on artificial intelligence according to an embodiment of the present disclosure.

단계 S11에서, 미술품 거래의 트랜드 예측 장치(100)는 복수의 미술품 각각의 이미지, 작가 및 가격을 포함하는 미술품 정보를 수집할 수 있다.In step S11, the art transactiontrend prediction apparatus 100 may collect artwork information including an image, an artist, and a price of each of a plurality of artworks.

단계 S12에서, 미술품 거래의 트랜드 예측 장치(100)는 복수의 미술품 각각의 거래 시점에 대응하는 경제지표 정보를 수집할 수 있다.In step S12, the art transactiontrend prediction device 100 may collect economic indicator information corresponding to a transaction timing of each of a plurality of artworks.

단계 S13에서, 미술품 거래의 트랜드 예측 장치(100)는 미술품 정보 및 경제지표 정보에 기초하여 복수의 미술품에 대응하는 인공지능 학습데이터를 생성할 수 있다.In step S13, the art transactiontrend prediction device 100 may generate artificial intelligence learning data corresponding to a plurality of art pieces based on the art piece information and the economic index information.

단계 S14에서, 미술품 거래의 트랜드 예측 장치(100)는 적어도 하나 이상의 인공지능 학습 알고리즘을 이용하여 인공지능 학습데이터로부터 트랜드 예측 모델을 생성할 수 있다.In step S14, the art transactiontrend prediction device 100 may generate a trend prediction model from artificial intelligence learning data using at least one artificial intelligence learning algorithm.

단계 S15에서, 미술품 거래의 트랜드 예측 장치(100)는 트랜드 예측 모델을 이용하여 사용자의 입력에 대응하는 미술품 거래의 트랜드를 예측할 수 있다.In step S15, the art transactiontrend prediction apparatus 100 may predict the art transaction trend corresponding to the user's input by using the trend prediction model.

전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The above description of the present application is for illustrative purposes, and those skilled in the art will understand that it can be easily modified into other specific forms without changing the technical spirit or essential features of the present application. Therefore, the embodiments described above should be understood as illustrative in all respects and not limiting. For example, each component described as a single type may be implemented in a distributed manner, and similarly, components described as distributed may be implemented in a combined form.

또한, 전술한 미술품 거래의 트랜드 예측 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.In addition, the above-described method for predicting trends in artwork transactions may be implemented in the form of a computer program or application stored in a recording medium and executed by a computer.

본원의 일 실시예에 따른 미술품 가격 예측 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 본원을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 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. 상기된 하드웨어 장치는 본원의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The art price prediction method according to an embodiment of the present application may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. Program instructions recorded on the medium may be those specially designed and configured for this application or those known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler. The hardware devices described above may be configured to act as one or more software modules to perform the operations herein, and vice versa.

전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다The above description of the present application is for illustrative purposes, and those skilled in the art will understand that it can be easily modified into other specific forms without changing the technical spirit or essential features of the present application. Therefore, the embodiments described above should be understood as illustrative in all respects and not limiting. For example, each component described as a single type may be implemented in a distributed manner, and similarly, components described as distributed may be implemented in a combined form.

본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present application is indicated by the following claims rather than the detailed description above, and all changes or modifications derived from the meaning and scope of the claims and equivalent concepts thereof should be construed as being included in the scope of the present application.

100: 미술품 거래의 트랜드 예측 장치
110: 미술품 정보 수집부
120: 경제지표 정보 수집부
130: 학습데이터 생성부
140: 모델 생성부
150: 트랜드 예측부100: Trend predictor of art trade
110: art information collection unit
120: Economic indicator information collection department
130: learning data generation unit
140: model generating unit
150: trend prediction unit

Claims (12)

Translated fromKorean

미술품 거래의 트랜드를 예측하는 장치로서,
복수의 미술품 각각의 이미지, 작가 및 가격을 포함하는 미술품 정보를 수집하는 미술품 정보 수집부;
상기 복수의 미술품 각각의 거래 시점에 대응하는 경제지표 정보를 수집하는 경제지표 정보 수집부;
상기 미술품 정보 및 상기 경제지표 정보에 기초하여 상기 복수의 미술품에 대응하는 인공지능 학습데이터를 생성하는 학습데이터 생성부;
적어도 하나 이상의 인공지능 학습 알고리즘을 이용하여 상기 인공지능 학습데이터로부터 트랜드 예측 모델을 생성하는 모델 생성부; 및
상기 트랜드 예측 모델을 이용하여 사용자의 입력에 대응하는 미술품 거래의 트랜드를 예측하는 트랜드 예측부를 포함하되,
상기 미술품 정보 수집부는,
상기 미술품 정보로부터 복수의 인자 중 일부를 추출하되, 상기 일부는 상기 복수의 미술품 각각의 가격에 영향을 주는 것이고,
상기 경제지표 정보 수집부는,
상기 경제지표 정보로부터 상기 복수의 인자 중 나머지를 추출하고,
상기 학습데이터 생성부는,
상기 미술품 정보 및 경제지표로부터 추출된 복수의 인자에 기초하여 상기 복수의 미술품에 대응하는 인공지능 학습 데이터를 생성하되,
상기 미술품 정보에 포함된 텍스트를 벡터화하여 제 1 특징을 생성하고, 상기 미술품 정보에 포함된 이미지로부터 추출한 색상, 채도, 명도를 이용하여 제 2 특징을 생성하고, 상기 제 1 특징 및 제 2 특징을 기초하여 인공지능 학습데이터를 생성하는 것인, 미술품 거래의 트랜드 예측 장치.As a device for predicting the trend of art trade,
an art information collection unit that collects art information including an image, an artist, and a price of each of a plurality of art pieces;
an economic indicator information collection unit that collects economic indicator information corresponding to a transaction point of each of the plurality of artworks;
a learning data generating unit generating artificial intelligence learning data corresponding to the plurality of artworks based on the artwork information and the economic index information;
A model generator for generating a trend prediction model from the artificial intelligence learning data using at least one artificial intelligence learning algorithm; and
A trend prediction unit for predicting a trend of art transaction corresponding to a user's input using the trend prediction model,
The art information collection unit,
Extracting some of a plurality of factors from the art piece information, wherein the part affects the price of each of the plurality of art pieces;
The economic indicator information collection unit,
extracting the rest of the plurality of factors from the economic indicator information;
The learning data generation unit,
Generating artificial intelligence learning data corresponding to the plurality of artworks based on a plurality of factors extracted from the artwork information and economic indicators,
A first feature is created by vectorizing text included in the artwork information, a second feature is created using color, saturation, and brightness extracted from an image included in the artwork information, and the first feature and the second feature are generated. A device for predicting trends in art transactions, which generates artificial intelligence learning data based on the basis.제 1 항에 있어서,
상기 사용자의 입력은 입력 시점 정보를 포함하는 것인, 미술품 거래의 트랜드 예측 장치.According to claim 1,
The user's input includes input time point information, the art transaction trend prediction device.제 2 항에 있어서,
상기 사용자의 입력은 상기 입력 시점 정보에 대응하는 입력 경제지표를 포함하되,
상기 미술품 거래의 트랜드는 상기 입력 시점 정보에 대응하는 가격의 상승 또는 하락의 추세를 포함하는 것인, 미술품 거래의 트랜드 예측 장치.According to claim 2,
The user's input includes an input economic indicator corresponding to the input time point information,
The art transaction trend prediction device, wherein the art transaction trend includes a trend of increase or decrease in price corresponding to the input time point information.제 3항에 있어서,
상기 경제지표는 소비자 심리 지수, 경제 성장율 및 물가 상승률 중 적어도 하나를 포함하는 것인, 미술품 거래의 트랜드 예측 장치.According to claim 3,
Wherein the economic indicator includes at least one of a consumer sentiment index, an economic growth rate, and an inflation rate, a trend prediction device for art transactions.제 2 항에 있어서,
상기 사용자의 입력은 입력 미술품 정보를 포함하되,
상기 트랜드 예측부는,
상기 트랜드 예측 모델을 이용하여 사용자의 입력 미술품 정보에 대응하는 가격 및 미술품 거래의 트랜드를 예측하는 것인, 미술품 거래의 트랜드 예측 장치.According to claim 2,
The user's input includes input artwork information,
The trend prediction unit,
An apparatus for predicting a price corresponding to the user's input art product information and a trend of art transaction using the trend prediction model.제 1항에 있어서,
상기 트랜드 예측부는,
상기 트랜드 예측 모델을 이용하여 사용자의 입력 작가로 상기 가격의 거래의 트랜드를 예측하는 것인, 미술품 거래의 트랜드 예측 장치.According to claim 1,
The trend prediction unit,
Using the trend prediction model to predict the trend of the transaction of the price by the user's input artist, the art transaction trend prediction device.제 1항에 있어서,
상기 트랜드 예측부는,
상기 트랜드 예측 모델을 이용하여 사용자의 입력 미술품 정보에 대응하는 작품군으로 분류하되, 상기 작품군으로 거래의 트랜드를 예측하는 것인, 미술품 거래의 트랜드 예측 장치.According to claim 1,
The trend prediction unit,
The apparatus for predicting a trend of artwork transaction, wherein the art work group is classified into a work group corresponding to user input art product information using the trend prediction model, and a transaction trend is predicted by the work group.제 1항에 있어서,
상기 트랜드 예측부는,
상기 트랜드 예측 모델을 이용하여 사용자의 입력 작가 정보에 대응하는 관련 작가를 분류하되, 상기 작가의 거래의 트랜드를 예측하는 것인, 미술품 거래의 트랜드 예측 장치.According to claim 1,
The trend prediction unit,
The apparatus for predicting a trend of art transaction by using the trend prediction model to classify a related artist corresponding to the user's input artist information and to predict a trend of the artist's transaction.제 1항에 있어서,
상기 트랜드 예측부는,
상기 트랜드 예측 모델을 이용하여 사용자의 입력 작가 정보에 대응하는 관련 상징성으로 분류하되, 상기 상징성에 관련된 작가의 거래의 트랜드를 예측하는 것인, 미술품 거래의 트랜드 예측 장치.According to claim 1,
The trend prediction unit,
Art transaction trend prediction device, which classifies the trend prediction model into related symbolism corresponding to user input artist information, and predicts a trend of the artist's transaction related to the symbolism.제 1항에 있어서,
상기 트랜드 예측부는,
상기 트랜드 예측 모델을 이용하여 사용자의 입력 작가 정보에 대응하는 관련 사조로 분류하되, 상기 사조에 관련된 미술품의 거래의 트랜드를 예측하는 것인, 미술품 거래의 트랜드 예측 장치.According to claim 1,
The trend prediction unit,
Art transaction trend prediction device, which classifies into related trends corresponding to the user's input artist information using the trend prediction model, and predicts a trend of art transaction related to the trend.미술품 거래의 트랜드 예측 장치에 의해 수행되는 미술품 거래의 트랜드를 예측하는 방법으로서,
복수의 미술품 각각의 이미지, 작가 및 가격을 포함하는 미술품 정보를 수집하는 단계;
상기 복수의 미술품 각각의 거래 시점에 대응하는 경제지표 정보를 수집하는 단계;
상기 미술품 정보 및 상기 경제지표 정보에 기초하여 상기 복수의 미술품에 대응하는 인공지능 학습데이터를 생성하는 단계;
적어도 하나 이상의 인공지능 학습 알고리즘을 이용하여 상기 인공지능 학습데이터로부터 트랜드 예측 모델을 생성하는 단계;및
상기 트랜드 예측 모델을 이용하여 사용자의 입력에 대응하는 미술품 거래의 트랜드를 예측하는 단계를 포함하되,
상기 미술품 정보를 수집하는 단계는,
상기 미술품 정보로부터 복수의 인자 중 일부를 추출하되, 상기 일부는 상기 복수의 미술품 각각의 가격에 영향을 주는 것이고,
상기 경제지표 정보를 수집하는 단계는,
상기 경제지표 정보로부터 상기 복수의 인자 중 나머지를 추출하고,
상기 학습데이터를 생성하는 단계는,
상기 미술품 정보 및 경제지표로부터 추출된 복수의 인자에 기초하여 상기 복수의 미술품에 대응하는 인공지능 학습데이터를 생성하되,
상기 미술품 정보에 포함된 텍스트를 벡터화하여 제 1 특징을 생성하고, 상기 미술품 정보에 포함된 이미지로부터 추출한 색상, 채도, 명도를 이용하여 제 2 특징을 생성하고, 상기 제 1 특징 및 제 2 특징을 기초하여 인공지능 학습데이터를 생성하는 것인, 미술품 거래의 트랜드 예측 방법.As a method for predicting the trend of art trade performed by the art trade trend prediction device,
Collecting artwork information including an image, artist, and price of each of a plurality of artworks;
Collecting economic indicator information corresponding to a transaction point of each of the plurality of artworks;
generating artificial intelligence learning data corresponding to the plurality of artworks based on the artwork information and the economic indicator information;
Generating a trend prediction model from the artificial intelligence learning data using at least one artificial intelligence learning algorithm; And
Predicting a trend of art transaction corresponding to a user's input using the trend prediction model,
The step of collecting the artwork information,
Extracting some of a plurality of factors from the art piece information, wherein the part affects the price of each of the plurality of art pieces;
The step of collecting the economic indicator information,
Extracting the rest of the plurality of factors from the economic indicator information;
The step of generating the learning data,
Generating artificial intelligence learning data corresponding to the plurality of artworks based on a plurality of factors extracted from the artwork information and economic indicators,
A first feature is created by vectorizing text included in the artwork information, a second feature is created using color, saturation, and brightness extracted from an image included in the artwork information, and the first feature and the second feature are generated. A method for predicting trends in art transactions, which is to generate artificial intelligence learning data based on the basis.제11항의 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터에서 판독 가능한 기록매체.A computer-readable recording medium recording a program for executing the method of claim 11 on a computer.

Images