KR20160035942A

KR20160035942A - Method and apparatus for logistics risk prediction

Info

Publication number: KR20160035942A
Application number: KR1020140127944A
Authority: KR
Inventors: 채민경; 손진형; 차승준; 김다이앤; 김희철
Original assignee: 삼성에스디에스 주식회사
Priority date: 2014-09-24
Filing date: 2014-09-24
Publication date: 2016-04-01
Also published as: KR102230394B1; WO2016047949A1

Abstract

Provided is a method of determining a predicted risk based on logistics execution history information recorded by a logistics transportation system, receiving data provided from various external devices to determine whether the predicted risk is predicted to occur, and analyzing the provided data using a big data analysis technique, etc., thereby predicting whether the predicted risk occurs. The method for logistics risk prediction according to an embodiment of the present invention comprises the steps of: obtaining logistics execution history information managed by the logistics transportation system connected to an apparatus for logistics risk prediction; determining a predicted risk corresponding to a node on a transportation route by means of the logistics execution history information; collecting data from an external data source corresponding to the predicted risk; and predicting the occurrence of the predicted risk by analyzing the collected data.

Description

TECHNICAL FIELD The present invention relates to a method and apparatus for estimating a logistics risk,

본 발명은 물류 리스크 예측 방법 및 그 장치에 관한 것이다. 보다 자세하게는, 물류 운송 과정에서 발생할 수 있는 리스크를 미리 예측하고, 상기 리스크가 발생할 때의 예상 되는 결과도 미리 예측하는 방법 및 그 장치에 관한 것이다.The present invention relates to a method and apparatus for predicting a logistics risk. More particularly, the present invention relates to a method and apparatus for predicting a risk that may occur in a logistics transportation process and predicting an expected result when the risk occurs.

물류 운송 과정에서 다양한 사고, 자연 재해, 예측하지 못한 운송 거점의 업무 중단 등이 발생할 수 있으며, 이러한 경우 운송 일정에 악영향을 끼치는 경우가 많다. 이러한, 사전 예측 되지 않은 불확실성과 변동성으로 인하여, 물류 운송 계획 및 물류 운송 실행 과정이 컴퓨터 기술을 통하여 자동화 되었음에도 불구하고 물류 운송의 목표가 달성되지 못하는 경우가 많다.In logistics transportation, various accidents, natural disasters, and unexpected shutdown of transportation bases can occur, which often adversely affects the transportation schedule. Due to these unpredictable uncertainties and volatility, logistics transportation planning and logistics delivery processes are often automated through computer technology, but logistics transportation goals are often not achieved.

따라서, 운송 루트의 선정 시점에서부터 운송 일정에 영향을 끼칠 수 있는 리스크를 미리 파악하여, 발생 가능성이 있는 리스크를 가지고 있는 루트는 제외할 수 있도록 물류 리스크를 예측하는 방법의 제공이 요구된다.Therefore, it is required to provide a method of forecasting the logistics risk so that the risk that may affect the transportation schedule from the selection time of the transportation route is grasped in advance and the route having the possible risk is excluded.

한국 공개 특허 제2012-0104116호Korea Patent No. 2012-0104116

본 발명이 해결하고자 하는 기술적 과제는 물류 운송 시스템에 의하여 관리되는, 그 동안의 물류 운송 이력 정보 및 그 과정에서 발생한 이벤트 정보를 포함하는 내부 정보와, 인터넷 등 네트워크를 통해 연결 된 다양한 외부 장치로부터 수집 된 외부 정보를 이용하여 물류 수행의 운송 루트 상에 리스크가 있는지 여부를 미리 예측하는 방법 및 그 장치를 제공하는 것이다.SUMMARY OF THE INVENTION The present invention has been made in view of the above problems, and it is an object of the present invention to provide a method and system for collecting internal information including logistics transportation history information and event information generated in the course, And a method and apparatus for predicting whether or not there is a risk on a transportation route of carrying out a logistics using external information that has been obtained from the external information.

본 발명이 해결하고자 하는 다른 기술적 과제는 물류 운송 시스템에 의하여 기록된 물류 실행 이력 정보를 바탕으로 예측 대상 리스크를 결정하고, 상기 예측 대상 리스크의 발생 예측 여부를 판단하기 위하여 다양한 외부 장치로부터 데이터를 제공 받고, 상기 제공 받은 데이터를 빅데이터 분석 기술 등을 통해 분석함으로써 상기 예측 대상 리스크의 발생 여부를 예측하는 방법 및 그 장치를 제공하는 것이다.Another object of the present invention is to provide a method and apparatus for determining a forecasted risk based on logistics execution history information recorded by a logistics transportation system and providing data from various external devices And analyzing the provided data through a big data analysis technique or the like to predict whether or not the risk to be predicted is generated.

본 발명이 해결하고자 하는 또 다른 기술적 과제는, 상기 예측 대상 리스크의 발생이 예측 되는 경우, 상기 리스크의 발생에 의하여 상기 리스크에 대응하는 노드에 이용 차질이 있을 것인지를 상기 물류 실행 이력 정보를 이용하여 예측하는 방법 및 그 장치를 제공하는 것이다.It is another object of the present invention to provide a method and system for managing the occurrence of a risk to be predicted by using the logistics execution history information to determine whether there is a use disorder in a node corresponding to the risk, And a method for predicting the same.

본 발명이 해결하고자 하는 또 다른 기술적 과제는, 운송 루트 상의 특정 노드에 리스크 발생에 의한 이용 차질이 예측 된 경우, 상기 이용 차질에 의한 지연 기간을 반영하여 상기 운송 루트에 대한 ETA(Estimated Time of Arrival) 정보를 조정하는 방법 및 그 장치를 제공하는 것이다.It is another object of the present invention to provide a method and system for estimating an ETA (Estimated Time of Arrival) of a transportation route by reflecting a delay period due to the use disorder, ) Information and to provide such a device.

본 발명이 해결하고자 하는 또 다른 기술적 과제는, 특정 운송 루트가 선택 되고, 그 운송 루트에 따라 운송이 이뤄지고 있는 동안에, 앞으로 도착할 노드에 리스크 발생에 의한 이용 차질이 예측 되고, 상기 이용 차질에 따라 운송 완료 요구 시점 내에 운송이 완료 되기 어려운 경우, 상기 운송 완료 요구 시점 내에 운송이 완료 될 수 있는 대체 운송 루트를 제안하는 방법 및 그 장치를 제공하는 것이다.It is another technical object of the present invention to provide a method and system for controlling a transportation route in which a specific transportation route is selected and transportation is performed according to the transportation route, And suggesting an alternative transportation route in which the transportation can be completed within the time of the completion of the transportation when the transportation is difficult to complete within the time of completion of the request.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해 될 수 있을 것이다.The technical objects of the present invention are not limited to the above-mentioned technical problems, and other technical subjects not mentioned can be clearly understood by those skilled in the art from the following description.

본 발명의 일 실시예에 따른 물류 리스크 예측 방법은 상기 물류 리스크 예측 장치에 연결 된 물류 운송 시스템에 의하여 관리되는 물류 실행 이력 정보를 얻는 단계, 상기 물류 실행 이력 정보를 이용하여 운송 루트 상의 노드에 대응하는 예측 대상 리스크를 결정하는 단계, 상기 예측 대상 리스크에 대응하는 외부의 데이터 소스로부터 데이터를 수집하는 단계, 및 상기 수집된 데이터를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하는 단계를 포함한다.A method for predicting a logistics risk according to an embodiment of the present invention includes: obtaining logistics execution history information managed by a logistics transportation system connected to the logistics risk prediction apparatus; And a step of analyzing the collected data and predicting the occurrence of the forecasted risk in advance. The present invention also relates to a method and apparatus for estimating a risk to be predicted.

일 실시예에서, 상기 물류 리스크 예측 방법은 상기 예측 대상 리스크의 발생이 예측되면, 상기 물류 리스크 예측 장치가 상기 예측 대상 리스크에 대응하는 노드의 이용 예상 기간 동안의 이용 차질 여부를 상기 물류 실행 이력 데이터를 이용하여 미리 예측하는 단계를 더 포함할 수 있다. 또한, 상기 물류 리스크 예측 방법은 상기 이용 차질이 예측되면, 상기 물류 리스크 예측 장치가 상기 예측 대상 리스크에 대응하는 노드의 상기 예측된 이용 차질에 의한 지연 기간을 이용하여 상기 운송 루트의 ETA(Estimated Time of Arrival) 정보 조정을 수행하는 단계를 더 포함할 수도 있다. 다른 실시예에서, 상기 물류 리스크 예측 방법은 상기 운송 루트에 따라 운송이 진행 되는 도중 상기 이용 차질이 예측되면, 상기 물류 리스크 예측 장치가 상기 예측 대상 리스크에 대응하는 노드의 상기 예측된 이용 차질에 의한 지연 기간을 이용하여, 운송 완료 요구 시점 내에 운송이 완료 될 수 있는지 여부를 판정하는 단계와, 상기 판정의 결과, 운송 완료 요구 시점 내에 운송이 완료 되기 어려운 경우, 상기 운송 완료 요구 시점 내에 운송이 완료 될 수 있는 대체 운송 루트를 생성하는 단계를 더 포함할 수도 있다.In one embodiment, the logistics risk prediction method may further include, when the occurrence of the prediction object risk is predicted, whether or not the use of the node corresponding to the prediction object risk during the expected use period is discontinued, And a step of predicting in advance using Also, when the use disorder is predicted, the logistics risk prediction apparatus estimates the estimated risk by using a delay time due to the predicted use disorder of the node corresponding to the forecasted risk, of < / RTI > Arrival) information adjustment. In another embodiment, the above-described method for predicting a logistics risk may be configured such that, if the use disorder is predicted during transportation in accordance with the transportation route, the logistics risk prediction device estimates the use- Determining whether or not the transportation can be completed within the transportation completion time point by using the delay period; and if the transportation is completed within the transportation completion time point as a result of the determination, And creating an alternative transportation route that can be used.

일 실시예에서, 상기 예측 대상 리스크는, 상기 물류 실행 이력 정보에서 관리되는 리스크 타입 중 하나를 가리킬 수 있다.In one embodiment, the prediction subject risk may indicate one of the risk types managed in the logistics execution history information.

일 실시예에서, 상기 예측 대상 리스크를 결정하는 단계는, 상기 물류 실행 이력 정보에서 상기 운송 루트 상의 노드에 대한 이벤트 정보를 조회하는 단계와, 상기 조회된 이벤트 정보를 바탕으로 상기 예측 대상 리스크를 결정하는 단계를 포함할 수 있다.In one embodiment, the step of determining the risk to be predicted includes the steps of: inquiring the event information about the node on the transportation route in the logistics execution history information; determining the prediction object risk based on the inquired event information; .

일 실시예에서, 상기 예측 대상 리스크는 기상 악화 그룹에 속한 타입의 리스크일 수 있다. 이 때, 상기 데이터를 수집하는 단계는 기상 예보 서버로부터 상기 예측 대상 리스크에 대응하는 노드의 지역에 대한 상기 예측 대상 리스크 관련 예보를 수집하는 단계를 포함하고, 상기 미리 예측하는 단계는 상기 예측 대상 리스크의 발생이 예측되면, 상기 예측 대상 리스크에 대응하는 노드의 이용 예상 기간 동안의 이용 차질 여부를 상기 물류 실행 이력 데이터로부터 얻어진 기상 상황 및 이용 차질 기간 사이의 회귀 모델을 이용하여 미리 예측하는 단계를 포함할 수 있다. 이 때, 상기 예측 대상 리스크에 대응하는 노드의 이용 예상 기간 동안의 이용 차질 여부를 상기 물류 실행 이력 데이터로부터 얻어진 기상 상황 및 이용 차질 기간 사이의 회귀 모델을 이용하여 미리 예측하는 단계는, 상기 물류 실행 이력 정보에서, 상기 예측 대상 리스크에 대응하는 노드에 대한 상기 예측 대상 리스크의 발생 관련 이벤트 정보를 조회하는 단계, 상기 조회된 이벤트 정보에서 상기 예측 대상 리스크의 발생 관련 지표 및 상기 노드의 이용 차질 기간을 연산하는 단계, 상기 지표를 독립 변인으로 하고 상기 노드의 이용 차질 기간을 종속 변인으로 하는 상기 회귀 모델을 생성하는 단계, 상기 수집된 예측 대상 리스크 관련 예보 중 상기 지표를 상기 회귀 모델에 입력하여 이용 차질 기간을 연산하는 단계, 및 이용 차질에 의한 지연 기간을 이용하여 상기 운송 루트의 ETA(Estimated Time of Arrival) 정보 조정을 수행하는 단계를 포함할 수 있다.In one embodiment, the forecasted risk may be a risk of a type belonging to a weather deterioration group. In this case, the step of collecting the data may include collecting, from the weather forecast server, the forecasted risk related forecast for an area of a node corresponding to the predicted target risk, Predicted using the regression model between the weather condition and the use disorder period obtained from the logistics execution history data, whether or not the use disorder during the expected use period of the node corresponding to the forecasted risk is predicted can do. In this case, the step of predicting whether or not the use disruption during the expected use period of the node corresponding to the forecasted risk is predicted using the regression model between the weather condition and the use disorder period obtained from the logistics execution history data, Related event information for a node corresponding to the predicted risk in the history information, the occurrence related index of the predictive object risk and the use disconnection period of the node in the inquired event information Generating the regression model in which the indicator is an independent variable and the use interruption period of the node is a dependent variable; inputting the indicator among the collected forecasted risk related forecasts into the regression model, Calculating a period, and calculating a delay period And performing an Estimated Time of Arrival (ETA) information adjustment of the transportation route using the ETA.

일 실시예에서, 상기 예측 대상 리스크는 사회 문제 그룹에 속한 타입의 리스크의 리스크일 수도 있다. 이 때, 상기 데이터를 수집하는 단계는 소셜 네트워크 서비스 서버 또는 인터넷 뉴스 댓글 서비스 서버로부터 개인 작성 컨텐츠를 수집하고 인터넷 뉴스 서버로부터 인터넷 뉴스 컨텐츠를 수집하는 단계를 포함할 수 있다.In one embodiment, the forecasted risk may be a risk of a type of risk belonging to a social problem group. At this time, the step of collecting the data may include collecting personal creation contents from a social network service server or an Internet news comment service server and collecting Internet news contents from an Internet news server.

일 실시예에서, 상기 개인 작성 컨텐츠는 예측 대상 리스크에 대응하는 노드의 인접 지역과 관련 있는 개인에 의하여 작성된 것일 수 있다.In one embodiment, the personally created content may be created by an individual who is associated with a neighboring region of the node corresponding to the risk to be predicted.

일 실시예에서, 상기 예측 대상 리스크의 발생을 미리 예측하는 단계는, 상기 수집된 개인 작성 컨텐츠에 대하여 상기 예측 대상 리스크 관련 어휘 사용 빈도를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하는 단계를 포함할 수 있다.In one embodiment, the step of predicting the occurrence of the prediction object risk includes a step of predicting the occurrence of the prediction object risk by analyzing the frequency of use of the prediction object risk related vocabulary with respect to the collected individual generated contents can do.

다른 실시예에서, 상기 예측 대상 리스크의 발생을 미리 예측하는 단계는, 상기 수집된 개인 작성 컨텐츠 및 인터넷 뉴스 컨텐츠 중, 상기 예측 대상 리스크에 대응하는 노드의 명칭 및 상기 예측 대상 리스크 관련 어휘가 동시에 사용된 리스크 코멘트 컨텐츠의 개수를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하는 단계를 포함할 수도 있다. 이 때, 상기 수집된 개인 작성 컨텐츠 및 인터넷 뉴스 컨텐츠 중, 상기 예측 대상 리스크에 대응하는 노드의 명칭 및 상기 예측 대상 리스크 관련 어휘가 동시에 사용된 리스크 코멘트 컨텐츠의 개수를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하는 단계는, 상기 수집된 개인 작성 컨텐츠 및 인터넷 뉴스 컨텐츠에 대하여 TF-IDF(Term Frequency - Inverse Document Frequency)를 이용하여 상기 개인 작성 컨텐츠의 키워드를 선정하는 단계, 및 상기 아티클의 키워드 중 상기 예측 대상 리스크에 대응하는 노드의 명칭 및 상기 예측 대상 리스크 관련 어휘가 모두 포함 된 개인 작성 컨텐츠 및 인터넷 뉴스 컨텐츠를 상기 리스크 코멘트 컨텐츠로 판정하는 단계를 포함할 수 있다.In another embodiment, the step of predicting the occurrence of the predictive risk may include a step of predicting the occurrence of the predictive risk, wherein the name of the node corresponding to the predictive risk and the predictive risk- And analyzing the number of the risk comment contents to predict the occurrence of the risk to be predicted in advance. At this time, the name of the node corresponding to the prediction target risk and the number of the risk comment contents in which the prediction target risk related vocabulary is used simultaneously are analyzed from among the collected individual creation contents and the Internet news contents, Wherein the step of predicting the keyword includes the steps of: selecting a keyword of the personalized content using a TF-IDF (Term Frequency - Inverse Document Frequency) for the collected personalized content and Internet news content; And judging the individual generated content and the Internet news content including both the name of the node corresponding to the prediction target risk and the prediction target risk related vocabulary as the risk comment content.

일 실시예에서, 상기 예측 대상 리스크의 발생을 미리 예측하는 단계는, 상기 수집된 개인 작성 컨텐츠 중 상기 예측 대상 리스크 관련 어휘를 포함하는 컨텐츠를 추출하는 단계, 상기 추출된 컨텐츠에 대하여, 감성 분석(sentiment analysis)을 수행하는 단계, 및 상기 감성 분석의 결과를 바탕으로 상기 예측 대상 리스크의 발생을 미리 예측하는 단계를 포함할 수 있다. 이 때, 상기 감성 분석의 결과를 바탕으로 상기 예측 대상 리스크의 발생을 미리 예측하는 단계는, 상기 감성 분석의 결과, 상기 예측 대상 리스크 관련 어휘에 대한 긍정 강도가 제1 기준치를 초과하거나, 상기 예측 대상 리스크 관련 어휘에 대한 긍정 강도에서 부정 강도를 뺀 수치가 제2 기준치를 초과하는 경우, 상기 예측 대상 리스크가 발생할 것으로 미리 예측하는 단계를 포함할 수 있다.In one embodiment, the step of predicting occurrence of the prediction object risk may include extracting a content including the prediction subject risk related vocabulary among the collected individual contents, analyzing the extracted content, sentiment analysis, and predicting the occurrence of the forecasted risk based on the results of the sensitivity analysis. In this case, the step of predicting the occurrence of the predictive risk based on the result of the emotional analysis may include the steps of: when the affirmative strength of the predictive risk-related vocabulary exceeds a first reference value, And predicting that the predictive risk will occur when a value obtained by subtracting the negative strength from the positive strength with respect to the target risk-related vocabulary exceeds a second reference value.

일 실시예에서, 상기 예측 대상 리스크를 결정하는 단계는, 상기 물류 실행 이력 정보에서 추출 된 리스크 상황 발생 기록을 리스크 타입 별로 그룹핑 한 리스크 발생 이력 데이터를 바탕으로 예측 대상 리스크를 결정하는 단계를 포함할 수 있다. 이 때, 상기 물류 리스크 예측 방법은 상기 물류 리스크 예측 장치가, 주기적 또는 비주기적으로, 상기 물류 실행 이력 정보에서 리스크 발생 이력 데이터에 기록되지 않은 리스크 상황 발생 관련 이벤트 정보를 수집하는 단계, 및 상기 물류 리스크 예측 장치가, 상기 수집된 이벤트 정보를 리스크 타입 별로 상기 리스크 발생 이력 데이터에 삽입하는 단계를 더 포함할 수 있다. 이 때, 상기 삽입하는 단계는, 상기 수집된 이벤트 정보에서 리스크 타입 별로 기 지정된 컬럼에 대한 데이터를 추출하는 단계, 및 상기 추출된 데이터를 상기 컬럼에 대한 데이터로 세팅 하는 단계를 포함할 수 있다. 또한, 사회 문제 그룹에 속한 타입의 리스크의 리스크에 대한 상기 리스크 발생 이력 데이터는 업무 중단 사유 컬럼을 포함하고, 상기 데이터를 수집하는 단계는 소셜 네트워크 서비스 서버 또는 인터넷 뉴스 댓글 서비스 서버로부터 개인 작성 컨텐츠를 수집하는 단계를 포함하고, 상기 미리 예측하는 단계는 상기 예측 대상 리스크에 대응하는 노드의 상기 사회 문제 그룹에 속한 타입의 리스크의 리스크에 대한 리스크 발생 이력 데이터의 업무 중단 사유 컬럼의 텍스트를 얻는 단계, 상기 텍스트에서 키워드를 얻는 단계, 상기 수집된 개인 작성 컨텐츠에 대한, 상기 예측 대상 리스크 관련 어휘 사용 빈도 및 상기 키워드가 모두 포함된 리스크 코멘트 컨텐츠의 개수를 바탕으로 상기 예측 대상 리스크의 발생을 미리 예측하는 단계를 포함할 수 있다.In one embodiment, the step of determining the risk to be predicted may include a step of determining a risk to be predicted based on risk occurrence history data obtained by grouping the risk occurrence logs extracted from the logistics execution history information by risk types . At this time, the method for predicting the logistics risk may include the steps of: collecting, from the logistics execution history information periodically or non-periodically, event information related to occurrence of a risk event that is not recorded in the risk occurrence history data; The risk prediction device may further include inserting the collected event information into the risk occurrence history data for each risk type. In this case, the inserting step may include extracting data on a column designated in advance for each risk type in the collected event information, and setting the extracted data as data for the column. In addition, the risk occurrence history data on the risk of the type of the risk belonging to the social problem group includes a column of business interruption reason, and the step of collecting the data includes the step of collecting the personalized contents from the social network service server or the Internet news comment service server Wherein the predicting step includes obtaining a text of a business interruption cause column of a risk occurrence history data for a risk of a type of a risk belonging to the social problem group of a node corresponding to the prediction subject risk, Obtaining a keyword from the text, predicting occurrence of the prediction subject risk based on the frequency of use of the prediction subject risk related vocabulary and the number of the risk comment contents including all of the keywords, with respect to the collected personal creation contents Step < / RTI >

본 발명의 다른 실시예에 따르면, 컴퓨터 장치와 결합되어, 상기 물류 리스크 예측 장치에 연결 된 물류 관리 시스템에 의하여 관리되는 물류 실행 이력 정보를 얻는 단계, 상기 물류 실행 이력 정보를 이용하여 운송 루트 상의 노드에 대응하는 예측 대상 리스크를 결정하는 단계, 상기 예측 대상 리스크에 대응하는 외부의 데이터 소스로부터 데이터를 수집하는 단계, 및 상기 수집된 데이터를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하는 단계를 실행 하기 위하여, 매체에 저장 된 컴퓨터 프로그램이 제공 될 수 있다.According to another embodiment of the present invention, there is provided a computer-readable storage medium storing a computer-readable recording medium having computer executable instructions for performing the steps of: obtaining logistics execution history information managed by a logistics management system connected to a computerized logistics risk prediction apparatus; A step of collecting data from an external data source corresponding to the prediction object risk, and a step of analyzing the collected data to predict the occurrence of the prediction object risk in advance A computer program stored on a medium may be provided.

본 발명의 또 다른 실시예에 따른 물류 리스크 예측 장치는, 물류 관리 시스템에 의하여 관리되는 물류 실행 이력 정보를 제공 받고, 상기 물류 실행 이력 정보를 이용하여 운송 루트 상의 노드에 대응하는 예측 대상 리스크를 결정하는 예측 대상 리스크 지정부, 상기 예측 대상 리스크에 대응하는 외부의 데이터 소스로부터 데이터를 수집하는 외부 데이터 수집부, 및 상기 수집된 데이터를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하는 리스크 예측부를 포함할 수 있다.A logistics risk prediction apparatus according to another embodiment of the present invention is provided with logistics execution history information managed by a logistics management system and determines a prediction object risk corresponding to a node on a transportation route using the logistics execution history information An external data collection unit for collecting data from an external data source corresponding to the forecasted risk, and a risk prediction unit for analyzing the collected data and predicting the occurrence of the forecasted risk in advance can do.

일 실시예에 따르면, 상기 물류 리스크 예측 장치는, 상기 물류 실행 이력 정보에서 추출 된 리스크 상황 발생 기록을 리스크 타입 별로 그룹핑 한 리스크 발생 이력 데이터를 관리하는 리스크 발생 이력 데이터 관리부를 더 포함하고, 상기 예측 대상 리스크 지정부는, 상기 리스크 발생 이력 데이터를 바탕으로 상기 예측 대상 리스크를 결정할 수 있다.According to one embodiment, the logistics risk prediction apparatus further includes a risk occurrence history data management unit that manages risk occurrence history data in which the risk occurrence logs extracted from the logistics execution history information are grouped by risk type, The target risk designation unit can determine the predicted risk based on the risk occurrence history data.

일 실시예에 따르면, 상기 예측 대상 리스크는 기상 악화 그룹에 속한 타입의 리스크일 수 있다. 이 때, 상기 외부 데이터 수집부는 기상 예보 서버로부터 상기 예측 대상 리스크에 대응하는 노드의 지역에 대한 상기 예측 대상 리스크 관련 예보를 수집할 수 있다. 이 때 상기 물류 리스크 예측 장치는, 상기 리스크 예측부에 의하여 상기 예측 대상 리스크의 발생이 예측되면, 상기 예측 대상 리스크에 대응하는 노드의 이용 차질 여부를, 상기 물류 실행 이력 데이터로부터 얻어진 기상 상황 및 이용 차질 기간 사이의 회귀 모델을 이용하여 미리 예측하는 노드 이용 차질 예측부를 더 포함할 수 있다.According to one embodiment, the prediction target risk may be a type of risk belonging to the weather deterioration group. At this time, the external data collection unit may collect the prediction target risk related forecast for the region of the node corresponding to the prediction target risk from the weather forecast server. Wherein the logistics risk prediction device is configured to determine whether the occurrence of the prediction subject risk is predicted by the risk prediction unit based on the weather condition and the utilization state obtained from the logistics execution history data, And a node use difference predicting unit that predicts in advance using a regression model between the discontinuity periods.

일 실시예에 따르면, 상기 예측 대상 리스크는 사회 문제 그룹에 속한 타입의 리스크일 수 있다. 이 때, 상기 외부 데이터 수집부는, 인터넷 뉴스 서버로부터 인터넷 뉴스 컨텐츠를 수집하고, 소셜 네트워크 서비스 서버 또는 인터넷 뉴스 댓글 서비스 서버로부터 개인 작성 컨텐츠를 수집하고, 상기 리스크 예측부는, 상기 수집된 개인 작성 컨텐츠에 대한 상기 예측 대상 리스크 관련 어휘 사용 빈도를 바탕으로 상기 예측 대상 리스크의 발생을 미리 예측할 수 있다.According to one embodiment, the forecasted risk may be a type of risk belonging to a social problem group. At this time, the external data collection unit collects Internet news contents from an Internet news server and collects personal creation contents from a social network service server or an Internet news comment service server, and the risk prediction unit compares the collected personalized contents The occurrence probability of the prediction target risk can be predicted based on the frequency of use of the prediction target risk-related vocabulary for the target.

본 발명의 몇몇 실시예들에 따르면, 기 축적된 물류 실행 이력 정보를 이용하여 운송 루트에서 발생할 가능성이 있는 예측 대상 리스크를 선정하고, 물류 운송 과정에서 발생할 수 있는 상기 리스크를 인터넷을 통해 연결된 다양한 외부 장치로부터 수집한 데이터를 분석하여 예측할 수 있는 효과가 있다.According to some embodiments of the present invention, it is possible to select a prediction target risk that may occur in a transportation route using the accumulated logistics execution history information, and to estimate the risk that may occur in the logistics transportation process from various external The data collected from the device can be analyzed and predicted.

또한, 특정 리스크의 발생이 예측 되는 경우, 그 리스크의 발생에 의하여 운송 루트 상의 노드에 이용 차질이 빚어질 수 있는지, 상기 물류 실행 이력 정보를 이용하여 예측할 수 있는 효과가 있다.Further, when the occurrence of a specific risk is predicted, it is possible to predict whether the use of the logistics execution history information can lead to a disruption to the node on the transportation route due to the occurrence of the risk.

또한, 운송 루트 상의 특정 노드에 이용 차질이 예측 되는 경우, 상기 운송 루트의 ETA 정보를 조정할 수 있는 효과가 있다.Further, when the use disruption is predicted at a specific node on the transportation route, the ETA information of the transportation route can be adjusted.

또한, 복수의 운송 루트 중 하나를 선정하고자 하는 경우, 본 발명의 몇몇 실시예들에 따른 리스크 예측 및 그 결과에 따른 조정된 ETA 정보를 반영하여 최적의 운송 루트를 선정할 수 있는 효과가 있다.In addition, when selecting one of the plurality of transportation routes, it is possible to select an optimal transportation route by reflecting the risk prediction according to some embodiments of the present invention and the adjusted ETA information according to the result.

또한, 운송 루트에 따라 운송을 수행하는 동안에, 장래에 도착 예정인 노드에 이용 차질이 예측 되고, 그 이용 차질에 따라 운송 완료 요구 시점 내에 운송이 완료 되기 어려운 경우, 상기 운송 완료 요구 시점 내에 운송이 완료 될 수 있는 대체 운송 루트를 제안할 수 있는 효과가 있다.In addition, during the transportation according to the transportation route, if the use disruption is predicted to a node that is expected to arrive in the future and it is difficult to complete the transportation within the transportation completion request time according to the use disruption, the transportation is completed within the transportation completion request time There is an effect of suggesting an alternative transportation route that can be used.

도 1은 본 발명의 일 실시예에 따른 물류 리스크 예측 방법의 순서도이다.
도 2는 본 발명의 몇몇 실시예들에서 참조 될 수 있는 물류 실행 이력 정보의 예시이다.
도 3은 도 2의 물류 실행 이력 정보에서 관리할 수 있는 리스크 분류 체계의 예시이다.
도 4 및 도 5는 본 발명의 도 2의 물류 실행 이력 정보로부터 생성된 것으로, 본 발명의 몇몇 실시예들에서 사용될 수 있는 리스크 발생 이력 데이터의 예시이다.
도 6 내지 도 7은 도 1에 도시된 일부 동작의 상세 순서도이다.
도 8은 리스크 코멘트 컨텐츠의 집계 건수 및 리스크 실제 발생을 가리키는 차트이다.
도 9는 본 발명의 일 실시예에 따른 물류 리스크 예측 방법의 다른 순서도이다.
도 10은 도 9의 일부 동작에서 참조 되는 회귀 모델을 설명하기 위한 도면이다.
도 11 내지 도 14는 본 발명의 일 실시예에 따른 최적 운송 루트 설정 방법을 설명하기 위한 도면이다.
도 15는 본 발명의 다른 실시예에 따른 물류 리스크 예측 시스템의 구성도이다.
도 16은 본 발명의 또 다른 실시예에 따른 물류 리스크 예측 장치의 제1 블록 구성도이다.
도 17은 본 발명의 또 다른 실시예에 따른 물류 리스크 예측 장치의 제2 블록 구성도이다.
도 18은 본 발명의 또 다른 실시예에 따른 물류 리스크 예측 장치의 하드웨어 구성도이다.1 is a flowchart of a method for predicting a logistics risk according to an embodiment of the present invention.
2 is an illustration of logistics execution history information that may be referenced in some embodiments of the present invention.
FIG. 3 is an example of a risk classification system that can be managed in the logistics execution history information of FIG.
Figures 4 and 5 are examples of risk occurrence history data that may be used in some embodiments of the present invention, generated from the logistics execution history information of Figure 2 of the present invention.
6 to 7 are detailed flowcharts of some operations shown in Fig.
8 is a chart showing the number of aggregation of risk comment contents and actual occurrence of risk.
9 is another flowchart of a method for predicting a logistics risk according to an embodiment of the present invention.
FIG. 10 is a diagram for explaining a regression model referred to in the partial operation of FIG. 9; FIG.
11 to 14 are diagrams for explaining an optimal transportation route setting method according to an embodiment of the present invention.
15 is a configuration diagram of a logistics risk prediction system according to another embodiment of the present invention.
16 is a block diagram of a first embodiment of a logistics risk prediction apparatus according to another embodiment of the present invention.
17 is a second block configuration diagram of a logistics risk prediction apparatus according to another embodiment of the present invention.
18 is a hardware block diagram of a logistics risk prediction apparatus according to another embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. BRIEF DESCRIPTION OF THE DRAWINGS The advantages and features of the present invention and the manner of achieving them will become apparent with reference to the embodiments described in detail below with reference to the accompanying drawings. The present invention may, however, be embodied in many different forms and should not be construed as limited to the embodiments set forth herein. Rather, these embodiments are provided so that this disclosure will be thorough and complete, and will fully convey the scope of the invention to those skilled in the art. Is provided to fully convey the scope of the invention to those skilled in the art, and the invention is only defined by the scope of the claims. Like reference numerals refer to like elements throughout the specification.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.Unless defined otherwise, all terms (including technical and scientific terms) used herein may be used in a sense commonly understood by one of ordinary skill in the art to which this invention belongs. Also, commonly used predefined terms are not ideally or excessively interpreted unless explicitly defined otherwise. The terminology used herein is for the purpose of illustrating embodiments and is not intended to be limiting of the present invention. In the present specification, the singular form includes plural forms unless otherwise specified in the specification.

이하, 도 1을 참조하여 본 발명의 일 실시예에 따른 물류 리스크의 예측 방법을 설명한다. 본 실시예는 연산 수단을 구비한 컴퓨팅 장치에 의하여 수행 될 수 있다. 상기 컴퓨팅 장치는, 예를 들어 본 발명의 다른 실시예에 따른 물류 리스크 예측 장치일 수 있다. 상기 물류 리스크 예측 장치의 구성 및 동작에 대하여는 도 16 내지 18을 참조하여 추후 자세히 설명한다. 이하, 설명의 편의를 위하여, 본 실시예에 따른 물류 리스크 예측 방법의 각 동작을 실시하는 주체는 그 기재를 생략할 수 있다.Hereinafter, a method for predicting the logistics risk according to an embodiment of the present invention will be described with reference to FIG. The present embodiment can be performed by a computing device having computing means. The computing device may be, for example, a logistics risk prediction device according to another embodiment of the present invention. The construction and operation of the above-described logistics risk prediction apparatus will be described later in detail with reference to FIGS. 16 to 18. Hereinafter, for the sake of convenience of explanation, the subject performing the respective operations of the logistics risk prediction method according to the present embodiment may be omitted from the description.

먼저, 물류 리스크 예측 장치가 물류 실행 이력 정보를 얻는다(S100). 상기 물류 실행 이력 정보는 상기 물류 리스크 예측 장치에 연결 된 물류 운송 시스템에 의하여 관리되는 정보이다. First, the logistics risk prediction device obtains the logistics execution history information (S100). The logistics execution history information is information managed by the logistics transportation system connected to the logistics risk prediction apparatus.

도 2를 참조하여, 상기 물류 실행 이력 정보를 설명한다. 도 2에는 상기 물류 실행 이력 정보의 일 예시가 도시 되어 있다. 도 2에 도시된 바와 같이, 물류 실행 이력 정보(250)에는 화주, 출발지, 도착지 등 운송 실행 이력에 대한 상세 정보뿐만 아니라, 운송 실행 과정에서 비정상 상황이 발생한 이력이 있다면 상기 비정상 상황에 대한 정보가 이벤트 정보(20)도 포함될 수 있다.The logistics execution history information will be described with reference to FIG. FIG. 2 shows an example of the logistics execution history information. As shown in FIG. 2, in the logistics execution history information 250, not only detailed information on the transportation execution history such as the shippers, the departure place, and the arrival place, but also information on the abnormal situation exists if there is a history of occurrence of an abnormal situation in the transportation execution process Event information 20 may also be included.

물류 실행 이력 정보(250)는, 과거에 실행 된 바 있는 물류 운송 작업에 대한 기록을 포함하는, 일종의 로그 데이터(log data)를 의미한다. 물류 실행 이력 정보(250)는 기 처리 된 물류 운송에 관한 상세 정보 및 이벤트 정보(20)를 포함할 수 있다.The logistics execution history information 250 indicates a kind of log data including a record of the logistics transportation work performed in the past. The logistics execution history information 250 may include detailed information on the pre-processed logistics transportation and event information 20.

이벤트 정보(20)는 운송 과정에서 발생한 다양한 리스크 상황에 대한 기록을 포함할 수 있다. 예를 들어, 상기 이벤트 정보는 안개, 한파, 폭설, 홍수 등 기상 악화에 의한 운송 거점 시설의 업무 중단 또는 업무 차질에 의한 운송 지연, 육상, 해상, 항공에서의 다양한 사고에 의한 운송 지연, 쿠데타, 내란, 전쟁, 통상, 법률 규정, 휴일, 파업 등 다양한 정치 사회적 문제에 의한 운송 지연, 태풍, 지진, 해일, 화산 등 다양한 자연재해에 의한 운송 지연 등 다양한 비정상 상황에 대한 기록을 포함할 수 있다.The event information 20 may include a record of various risk situations occurring during the transportation process. For example, the event information may include delays in transportation due to fog, cold weather, heavy snowfall, floods, transportation delay due to disruption of business, delays in transportation due to various accidents in land, sea and air, It can include records of various abnormalities such as delays in transportation due to various political and social problems such as civil war, war, trade, legal regulations, holidays, strike, typhoon, earthquake, tsunami, and various natural disasters such as volcano.

이벤트 정보(20)는, 상기 리스크 상황과 관련된 노드, 리스크 타입에 대한 식별 정보, 상기 노드의 업무 중단 또는 업무 차질 기간, 상기 리스크와 관련된 상세 정보 등을 포함할 수 있다. 추후 설명하겠지만, 상기 리스크 타입에 대한 식별 정보는 본 발명의 실시예들에서 리스크를 구분하고, 그룹핑하는 기준이 될 수 있다.The event information 20 may include a node related to the risk situation, identification information on a risk type, a business interruption or a business interruption period of the node, detailed information related to the risk, and the like. As will be described later, the identification information on the risk type may be a criterion for classifying and grouping the risks in the embodiments of the present invention.

도 2의 물류 실행 이력 정보(250)에는 서울에서 LA까지의 운송(운송 식별자: "TID_OFFV0") 중, 인천항에 안개가 발생하여 4일간 항만 폐쇄가 발생했고, 그로 인해 4일의 지연이 발생한 이력이 있었던 점이 이벤트 정보(20)로서 기록 되어 있음을 알 수 있다.The logistics execution history information 250 shown in FIG. 2 shows a history of occurrence of a 4-day delay due to fog occurring at Incheon Port due to transportation from Seoul to LA (transportation identifier: "TID_OFFV0"), Is recorded as the event information (20).

물류 운송 시스템이 상기 물류 실행 이력 정보를 관리할 수 있다. 상기 물류 리스크 예측 장치는 상기 물류 운송 시스템으로부터 상기 물류 실행 이력 정보를 제공 받을 수 있다. 상기 물류 운송 시스템은 물류 운송을 관리하는 다양한 시스템 중 어느 하나, 또는 다양한 시스템이 연동하여 동작하는 하나의 시스템 군을 의미할 수 있다. 예를 들어, 상기 물류 운송 시스템은 물류 운송에 있어서 발생하는 다양한 이벤트를 alert 하고 기록하는 가시성 관리 시스템(Visibility Management System; 이하 'VMS'라 함)을 포함할 수 있다.The logistics transportation system can manage the logistics execution history information. The logistics risk prediction device may receive the logistics execution history information from the logistics transportation system. The logistics transportation system may mean any one of various systems for managing logistics transportation, or a system group in which various systems operate in conjunction with each other. For example, the logistics transportation system may include a Visibility Management System (VMS) for alerting and recording various events occurring in logistics transportation.

상기 VMS에 대하여 보다 자세히 설명하면, VMS는 기업 Supply Chain상의 실물 흐름에 대한 정보를 취합하고, 의사결정자가 상기 실물 흐름에 대한 정보를 실시간으로 모니터링 할 수 있도록 지원한다. VMS는 운송 실행계 시스템(통합주문관리[OMS], 국제운송관리[FIS], 로컬운송관리[TMS], 창고운영관리[WMS]) 로부터 제공 되는 트랜잭션 데이터를 취합하고, 각 항만, 공항 등 물류 거점 시설에 대한 상세 정보, 각 화주에 대한 정보 등을 포함하는 물류기준정보를 참고하여 트래킹, 모니터링, 예외 알람 등의 기능을 제공함으로써, 물류 가시성 관리가 가능하도록 지원하는 시스템이다.More specifically, the VMS collects information on the real flow on the enterprise supply chain, and enables the decision maker to monitor the real flow information in real time. VMS collects transaction data from the shipping execution system (Integrated Order Management [OMS], International Transportation Management [FIS], Local Transport Management [TMS], Warehouse Operations Management [WMS]), It provides tracking, monitoring, exception alarm, etc. by referring to logistics standard information including detailed information about base facilities and information about each shipper, thereby supporting logistics visibility management.

본 발명의 몇몇 실시예에서는 상기 물류 운송 시스템과 상기 물류 리스크 예측 장치가 별개의 장치로 구현될 수 있으나, 본 발명의 다른 몇몇 실시예에서는 상기 물류 리스크 예측 장치가 상기 물류 운송 시스템의 일부 구성으로 구현 될 수 있다.In some embodiments of the present invention, the logistics transport system and the logistics risk prediction device may be implemented as separate devices. However, in some embodiments of the present invention, the logistics risk prediction device may be implemented as a part of the logistics transportation system .

다시 도 1로 돌아와서 설명한다. 조사 대상인 운송 루트(route)에 대한 정보가 입력된다(S200). 상기 운송 루트는 2개 이상의 노드의 순차적 배열을 의미한다. 상기 운송 루트는 출발지 노드와 도착지 노드를 포함하고, 하나 이상의 중간 기착지 노드를 더 포함할 수 있다. 상기 노드는, 상기 물류 운송 시스템에서 관리하는 각각의 운송 거점을 의미하며, 복수의 노드를 순차적으로 배열함으로써 하나의 운송 루트가 구성된다.Returning back to FIG. Information about a transportation route to be surveyed is inputted (S200). The transport route means a sequential arrangement of two or more nodes. The transport route includes a source node and a destination node, and may further include one or more intermediate destination nodes. The node means each shipping point managed by the logistics transportation system, and one transportation route is constituted by sequentially arranging a plurality of nodes.

다음으로, 상기 물류 실행 이력 정보를 이용하여 어떠한 리스크의 발생을 예측할 것인지를 결정한다(S300). 이하, 발생 예측의 대상이 되는 리스크를 예측 대상 리스크라 기재한다. 상기 예측 대상 리스크는, 물류 실행 이력 정보에서 상기 물류 실행 이력 정보에서 관리되는 리스크 타입 중 하나로 지정 될 수 있다.Next, a determination is made as to which risk is to be predicted using the logistics execution history information (S300). Hereinafter, the risk that is the target of the occurrence prediction is referred to as a prediction object risk. The prediction object risk may be designated as one of the risk types managed in the logistics execution history information in the logistics execution history information.

상기 예측 대상 리스크는, 발생 여부를 예측해야 하는 대상이 되는 리스크를 의미한다. 검사 대상인 운송 루트에 포함된 모든 노드에 대하여, 발생 가능한 모든 종류의 리스크의 발생을 예측하는 것은 필요한 연산량, 소요 시간의 측면에서 효율적이지 못하다. 이 점을 감안하여, 본 발명의 일 실시예에서는 상기 물류 실행 이력 정보를 바탕으로, 예측 대상 리스크를 결정한다.The prediction target risk refers to a risk that should be predicted to occur. It is not efficient to predict the occurrence of all kinds of possible risks for all the nodes included in the transportation route to be inspected in terms of the required amount of calculation and the time required. In view of this point, in one embodiment of the present invention, the prediction object risk is determined based on the logistics execution history information.

예를 들어, 상기 물류 실행 이력 정보 중, 검사 대상인 운송 루트에 포함된 노드와 관련된 상기 이벤트 정보를 바탕으로 예측 대상 리스크를 결정할 수 있다. 상기 물류 실행 이력 정보 중 운송 루트와 무관한 지역의 데이터를 고려하여 예측 대상 리스크를 결정하는 것은 부적절하고, 상기 운송 루트의 노드와 관련된 지역의 정상 운송 관련 기록을 고려하여 예측 대상 리스크를 결정하는 것도 부적절하기 때문이다.For example, the prediction object risk can be determined based on the event information related to the node included in the transportation route to be inspected, among the logistics execution history information. It is inappropriate to determine the forecasting risk in consideration of the data of the region that is not related to the transportation route among the abovementioned logistics execution history information and it is also possible to determine the forecasting risk by considering the normal transportation related records of the region related to the transportation route node This is because it is inappropriate.

한편, 예측 대상 리스크의 정의와 관련하여, 물류 운송과 관련하여 발생하는 다양한 리스크를 어떻게 구분할 것인지에 대한 문제가 있다. 일 실시예에 따르면, 상기 예측 대상 리스크는 상기 물류 실행 이력 정보에서 관리되는 리스크 타입 중 하나 또는 복수 개를 가리킬 수 있다.On the other hand, regarding the definition of the risk to be predicted, there is a problem about how to divide various risks occurring in relation to logistics transportation. According to one embodiment, the prediction object risk may indicate one or more of the risk types managed in the logistics execution history information.

예를 들어, 상기 리스크 타입은, 안개 타입, 한파 타입, 폭설 타입, 홍수 타입, 육상 사고 타입, 해상 사고 타입, 항공 사고 타입, 쿠데타 타입, 내란 타입, 전쟁 타입, 통상 타입, 법률 규정 타입, 휴일 타입, 파업 타입, 태풍 타입, 지진 타입, 해일 타입, 화산 타입 등으로 지정될 수 있다.For example, the risk type may include a risk type, a fog type, a cold wave type, a heavy snow type, a flood type, a land type, a sea type, an air accident type, a coup type, Type, strike type, typhoon type, earthquake type, tsunami type, volcano type, and the like.

도 3에는 상기 리스크 타입의 예시가 도시 되어 있다. 물류 실행 이력 정보에서는 서로 다른 종류의 리스크들을 구분하기 위하여 리스크 타입을 관리할 수 있다. 물류 실행 이력 정보의 이벤트 타입 항목에는 상기 리스크 타입의 식별자가 포함될 수 있다.FIG. 3 shows an example of the risk type. In logistics execution history information, risk types can be managed to distinguish different types of risks. The event type field of the logistics execution history information may include the identifier of the risk type.

한편, 일 실시예에 따르면, 기존에 관리 되고 있지 않던 신규 리스크 타입이 추가 될 수 있다. 즉, 상기 물류 실행 이력 정보에서 관리 되는 리스크 타입은, 검토 대상 데이터를 대상으로 머신 러닝(machine-learning)을 수행한 결과에 따라 신규 리스크 타입을 더 포함하게 될 수 있다.Meanwhile, according to one embodiment, a new risk type that has not been previously managed can be added. That is, the risk type managed in the logistics execution history information may further include a new risk type according to a result of machine learning performed on the data to be reviewed.

상기 신규 리스크 타입의 추가는 관리자의 설정 변경에 따라 수행 될 수도 있으나, 상기 물류 실행 이력 정보 및 외부 장치로부터 수집한 인터넷 뉴스 컨텐츠와 개인 작성 컨텐츠 등 검토 대상 데이터를 대상으로 머신 러닝(machine-learning)을 수행한 결과로 수행 될 수도 있다. 예를 들어, 지구 온난화가 심해져서 상기 물류 실행 이력 정보의 이벤트 정보 및 외부 장치로부터 수집한 인터넷 뉴스 컨텐츠에 쓰나미 발생에 의한 항만 폐쇄가 자주 등장하게 된다면, 새로운 타입의 리스크 '쓰나미'가 관리 대상에 자동으로 추가 될 수 있다.The addition of the new risk type may be performed in accordance with the change of the administrator's setting. However, machine learning may be performed on the data to be reviewed such as the logistics execution history information, the Internet news content collected from the external device, As shown in FIG. For example, if global warming becomes so severe that port closure due to tsunami occurrence frequently occurs in event information of logistics execution history information and Internet news contents collected from external devices, a new type of risk 'Tsunami' It can be added automatically.

상기 머신 러닝을 수행한 결과에 따라 기존의 리스크 타입이 관리 대상에서 삭제될 수도 있다. 예를 들어, '안개' 타입의 리스크 발생 빈도가 현저히 떨어져서 거의 발생하지 않게 되는 경우, '안개' 타입의 리스크를 관리 대상에서 삭제할 수 있을 것이다.The existing risk type may be deleted from the management subject according to the result of performing the machine learning. For example, if the frequency of 'fog' -type risk is significantly reduced and it rarely occurs, the risk of 'foggy' type can be eliminated from the management target.

도 3에 기재된 바와 같이, 복수의 리스크 타입이 그 성격을 기준으로 하나의 리스크 그룹으로 그룹핑(grouping) 될 수 있다. 상기 리스크 그룹은 사회 문제 그룹 및 기상 악화 그룹을 포함할 수 있다. 사회 문제 그룹에 속하는 리스크 타입 중 하나는, 예를 들어 '파업 타입'일 수 있다. 이는 노동자 파업으로 인하여 항구 등의 노드가 이용 불가능하게 되는 리스크를 의미한다. 기상 악화 그룹에 속하는 리스크 타입 중 하나는, 예를 들어 '안개 타입'일 수 있다. 이는 안개 발생으로 인해 공항 또는 항구 등의 노드가 이용 불가능하게 되는 리스크를 의미한다. 본 발명에서, 상기 기재되지 않은 리스크 그룹 및 리스크 타입이 리스크 식별의 기준으로 사용될 수 있음은 물론이다.As shown in Figure 3, a plurality of risk types can be grouped into one risk group based on their nature. The risk group may include a social problem group and a weather deterioration group. One of the risk types belonging to the social problem group can be, for example, a 'strike type'. This implies the risk that nodes such as ports become unavailable due to workers' strike. One of the risk types belonging to the weather deterioration group can be, for example, a 'fog type'. This means the risk that nodes such as airports or ports become unusable due to fog generation. In the present invention, it is needless to say that the risk groups and the risk types not described above can be used as a basis for risk identification.

상기 물류 운송 시스템이 장기간 운영 되었다면, 상기 물류 실행 이력 정보의 상기 이벤트 정보는 데이터 용량이 작지 않을 것이다. 따라서, 상기 이벤트 정보를 보다 효율적으로 검색하기 위하여 상기 이벤트 정보를 소정의 데이터를 키로 하여 그룹핑(grouping) 한 리스크 발생 이력 데이터가 상기 물류 운송 시스템 또는 상기 물류 리스크 예측 장치에 의하여 관리 될 수 있다.If the logistics transportation system is operated for a long time, the event information of the logistics execution history information will not have a small data capacity. Accordingly, in order to more efficiently retrieve the event information, risk occurrence history data obtained by grouping the event information with predetermined data may be managed by the logistics transportation system or the logistics risk prediction apparatus.

일 실시예에 따르면, 상기 리스크 발생 이력 데이터는 상기 이벤트 정보를 리스크 타입 별로 그룹핑 한 데이터일 수 있다. 도 4는 안개 타입의 리스크에 대한 리스크 발생 이력 데이터의 일 예이고, 도 5는 파업 타입의 리스크에 대한 리스크 발생 이력 데이터의 일 예이다. 상기 리스크 발생 이력 데이터에는 리스크 타입 별로 기 지정된 컬럼(column)이 존재할 수 있다.According to one embodiment, the risk occurrence history data may be data obtained by grouping the event information by risk type. FIG. 4 is an example of risk occurrence history data for a risk of a fog type, and FIG. 5 is an example of risk occurrence history data for a risk of a strike type. The risk occurrence history data may include a column designated by a risk type.

따라서, 상기 리스크 발생 이력 데이터를 생성하기 위하여, 상기 물류 실행 이력 정보에서 리스크 상황 발생에 대한 이벤트 정보를 수집하고, 상기 수집된 이벤트 정보를 리스크 타입 별로 리스크 발생 이력 데이터에 삽입할 수 있다. 이 때, 상기 수집된 이벤트 정보에서 리스크 타입 별로 기 지정된 컬럼에 대한 데이터를 추출하고, 상기 추출된 데이터를 상기 컬럼에 대한 데이터로 세팅(setting) 할 수 있다.Accordingly, in order to generate the risk occurrence history data, event information on the occurrence of a risk event may be collected from the logistics execution history information, and the collected event information may be inserted into the risk occurrence history data by the risk type. At this time, it is possible to extract data for a column designated by a risk type from the collected event information, and to set the extracted data as data for the column.

다른 실시예에 따르면, 상기 리스크 발생 이력 데이터는 상기 이벤트 정보를 노드 명 별로 그룹핑 한 데이터일 수도 있다.According to another embodiment, the risk occurrence history data may be data obtained by grouping the event information by node name.

이하, 이해의 편의를 돕기 위해 상기 리스크 발생 이력 데이터가 상기 이벤트 정보를 리스크 타입 별로 그룹핑 한 데이터인 것으로 전제하고 설명한다.Hereinafter, in order to facilitate understanding, it is assumed that the risk occurrence history data is data grouping the event information by risk type.

이하, 예측 대상 리스크를 결정하는 동작에 대하여 보다 상세히 설명한다. 검사 대상 운송 루트가 노드 A에서 출발하여 노드 B를 거쳐 노드 C에 도착 하는 것이라고 가정한다. 먼저, 첫 번째 노드 A의 명칭을 모든 리스크 타입의 리스크 발생 이력 데이터에서 검색한다. 노드 A의 명칭을 포함하는 리스크 발생 이력 데이터가 있다면, 그 리스크 타입을 노드 A에 대한 예측 대상 리스크로 결정한다. 노드 A에 대한 예측 대상 리스크는 둘 이상의 리스크 타입으로 결정될 수 있다. 예를 들어, 노드 A에서 안개로 인한 운송 지연이 발생했었고, 파업으로 인핸 운송 지연이 발생했었다면, 노드 A에 대한 예측 대상 리스크는 안개 타입과 파업 타입이 될 것이다.Hereinafter, the operation of determining the prediction object risk will be described in more detail. It is assumed that the inspection target transportation route starts from node A, arrives at node C via node B, First, the name of the first node A is retrieved from the risk occurrence history data of all the risk types. If there is the risk occurrence history data including the name of the node A, the risk type is determined as the prediction target risk for the node A. The forecasted risk for node A may be determined to be more than one risk type. For example, if fog-induced transport delays had occurred in node A, and if there were delayed transport delays due to the strike, the predicted risk for node A would be fog type and strike type.

아직 검사 대상 운송 루트의 모든 노드에 대하여 검색이 완료되지 않았으므로, 노드 B 및 노드 C에 대하여도 노드 A와 동일한 동작을 수행한다. 아래의 표 1은 검사 대상 운송 루트의 모든 노드에 대하여 예측 대상 리스크가 결정 된 것을 표시한다.The search is not yet completed for all the nodes of the transport route to be inspected and therefore the same operation is performed for the node B and the node C as the node A. [ Table 1 below shows that the prediction object risk is determined for all the nodes of the transportation route to be inspected.

표 1은 각 노드에 대응 되는 예측 대상 리스크가 존재하지 않을 수도 있고, 각 노드에 하나의 예측 대상 리스크가 대응 될 수도 있으며, 각 노드에 둘 이상의 예측 대상 리스크가 대응 될 수도 있는 점을 의미한다.Table 1 shows that there may not be a prediction target risk corresponding to each node, one prediction target risk may correspond to each node, and two or more prediction target risks may correspond to each node.

노드 명Node name 예측 대상 리스크의 타입Types of risks to be forecasted 노드 ANode A 안개 타입, 파업 타입Fog type, strike type 노드 BNode B -- 노드 CNode C 한파 타입Cold wave type

일 실시예에 따르면, 상기 리스크 발생 이력 데이터가 상기 물류 실행 이력 정보와 별도로 관리되지 않을 수도 있다. 이러한 경우, 상기 물류 실행 이력 정보에서 상기 운송 루트 상의 노드에 대한 이벤트 정보를 조회하고, 상기 조회된 이벤트 정보를 바탕으로 상기 예측 대상 리스크를 결정할 수도 있다.According to one embodiment, the risk occurrence history data may not be managed separately from the logistics execution history information. In this case, it is possible to inquire the event information about the node on the transportation route from the logistics execution history information, and to determine the prediction object risk based on the inquired event information.

다시, 도 1로 돌아와서 설명한다. 예측 대상 리스크를 결정(S300)한 후, 각 노드에 대응되는 예측 대상 리스크들의 발생을 예측하기 위하여 외부 장치로부터 데이터를 수집하고(S400), 수집 된 데이터를 분석하여 예측 대상 리스크의 발생 여부를 예측한다(S500).Referring again to FIG. After the prediction target risk is determined (S300), data is collected from an external device to predict occurrence of prediction target risks corresponding to each node (S400), and the collected data is analyzed to predict whether the prediction target risk is generated (S500).

상기 외부 장치는, 뉴스 기사를 제공하는 웹 서버, 날씨 예보를 제공하는 웹 서버, 항만, 공항 등 상기 노드를 관리하는 기관의 웹 서버, 운송 업체들의 웹서버, 소셜 네트워크 서비스를 제공하는 서버, 각 국가의 운송업 관련 노조의 웹 서버 등을 의미할 수 있다.The external device includes a web server providing news articles, a web server providing weather forecast, a web server of an agency managing the node such as a port or an airport, a web server of a transportation company, a server providing a social network service A web server of a national trade union-related union.

일 실시예에서, 상기 예측에 빅데이터(big data) 분석 기술이 활용 될 수 있다. 즉, 본 명세서에서 상기 외부 장치로부터 수집된 인터넷 뉴스 기사, 날씨 예보 정보, 공공 기관의 공고 정보, 소셜 네트워크 서비스의 사용자 기제 컨텐츠, 인터넷 뉴스 기사에 대한 댓글 정보 중 적어도 어느 하나의 내용을 분석하여 상기 예측 대상 리스크의 발생 여부를 미리 예측 할 수 있다. In one embodiment, a big data analysis technique may be utilized in the prediction. That is, in the present specification, the content of at least one of an Internet news article, weather forecast information, public institution announcement information, social network service user base content information, and comment information about an Internet news article collected from the external device is analyzed, It is possible to predict in advance whether or not the prediction target risk occurs.

빅데이터 및 그 분석 기술에 대하여는 인터넷 상으로 억세스할 수 있는 문헌(http://en.wikipedia.org/wiki/Big_data)을 참조한다.For Big Data and its analysis techniques, refer to the document that can be accessed on the Internet (http://en.wikipedia.org/wiki/Big_data).

이하, 본 발명에서 빅데이터 분석 기술의 활용과 관련된 몇몇 실시예에 대하여 설명한다. 아래 실시예들에서, 공통적으로 빅데이터 분석의 목적은 특정 노드에서 그 노드의 예측 대상 리스크가 발생할 것인지 여부(YES/NO), 또는 특정 노드에서 그 노드의 예측 대상 리스크가 발생할 확률이 될 수 있다. 특정 노드에서, 그 노드의 예측 대상 리스크가 발생할 것인지 여부(YES/NO)는 상기 확률의 연산 후, 기 지정된 기준치를 기준으로 하여 판정할 수 있다.Hereinafter, some embodiments related to utilization of the big data analysis technique will be described in the present invention. In the following embodiments, in common, the purpose of the big data analysis may be whether or not the prediction target risk of the node occurs at a specific node (YES / NO), or the probability that the prediction target risk of the node occurs at a specific node . Whether or not a prediction target risk of the node will occur (YES / NO) at a particular node can be determined based on the previously specified reference value after the calculation of the probability.

일 실시예에서, 외부 장치로부터 수집 된 데이터의 내용을 통계적으로 분석(statistical analysis)하는 방법이 사용될 수도 있다. 즉, 상기 수집 된 데이터의 내용을 인식(text mining)하고, 인식된 내용을 기 지정된 포맷에 맞게 가공하여 데이터베이스 화하며, 데이터베이스에 기록된 데이터를 널리 알려진 통계 분석 방법을 이용하여(예를 들어, 회귀 분석) 리스크 발생 예측을 위한 수학 모델을 생성할 수 있다. 본 실시예에서는, 상기 수학 모델의 생성을 검증하기 위한 용도로 상기 리스크 발생 이력 데이터가 사용될 수도 있다. 상기 수학 모델은, 예를 들어, 리스크 발생의 확률을 출력 값으로 생성할 수 있는데, 상기 수학 모델에 상기 리스크 발생 이력 데이터를 샘플로 입력해 보고, 그 결과가 보다 정확해 지도록 상기 수학 모델을 튜닝할 수 있을 것이다. 상기 리스크 발생 이력 데이터를 이용한 튜닝은, 상기 리스크 발생 이력 데이터가 상기 리스크의 발생과 관련된 실제 발생 사실에 기반한 데이터이기 때문에 가능하다.In one embodiment, a method of statistical analysis of the content of data collected from an external device may be used. That is, the contents of the collected data are text mined, the recognized contents are processed into a database according to a predetermined format, and the data recorded in the database is analyzed using a widely known statistical analysis method (for example, Regression analysis) You can create a mathematical model for predicting risk occurrence. In the present embodiment, the risk occurrence history data may be used for verifying generation of the mathematical model. The mathematical model may, for example, generate a probability of risk occurrence as an output value, inputting the risk occurrence history data into the mathematical model as a sample, and tune the mathematical model so that the result is more accurate. You can do it. The tuning using the risk occurrence history data is possible because the risk occurrence history data is data based on actual occurrence facts related to the occurrence of the risk.

데이터의 수집 방식은 예측 대상 리스크의 타입 또는 예측 대상 리스크의 그룹에 따라 다를 수 있다. 이하, 데이터의 수집 방식이 예측 대상 리스크의 그룹에 따라 결정 되는 경우를 예를 들어 설명한다.The manner of data collection may vary depending on the type of risk to be forecasted or the group of risks to be forecasted. Hereinafter, a case in which the data collection method is determined according to the group of predicted risks will be described as an example.

먼저, 예측 대상 리스크가 사회 문제 그룹에 속한 타입의 리스크인 경우, 데이터를 수집하고(S400), 수집된 데이터를 분석하여 예측 대상 리스크의 발생 여부를 예측하는 방법(S500)을 도 6 내지 도 7을 참조하여 설명한다.First, a method (S500) of collecting data (S400) and analyzing the collected data to predict whether a risk to be predicted occurs (S500) when the risk to be predicted is a type of risk belonging to a social problem group is described with reference to FIGS. 6 to 7 .

먼저, 도 6을 참조하여 설명한다. 예측 대상 리스크가 사회 문제 그룹에 속한 타입의 리스크인 경우, 소셜 네트워크 서비스 서버 또는 인터넷 뉴스 댓글 서비스 서버로부터 개인 작성 컨텐츠를 수집하고 인터넷 뉴스 서버로부터 인터넷 뉴스 컨텐츠를 수집한다(S401). 이하, 상기 개인 작성 컨텐츠 및 인터넷 뉴스 컨텐츠를 포함하여 아티클(articles)이라 지칭한다. 상기 아티클은 소셜 네트워크 서비스 서버 등에서 제공하는 open API(Application Programming Interface)를 이용하거나, 웹 크롤러(Web crawler)를 이용하여 주기적으로 또는 비주기적으로 수집할 수 있다.First, referring to FIG. If the predicted risk is a type of risk belonging to the social problem group, the personalized content is collected from the social network service server or the Internet news comment service server and the Internet news content is collected from the Internet news server (S401). Hereinafter, the personal creation contents and the Internet news contents are referred to as articles. The article can be collected periodically or non-periodically using an open API (Application Programming Interface) provided by a social network service server or the like using a web crawler.

상기 아티클은 기 지정된 규칙에 따라 제한 될 수 있다.The article may be restricted according to previously specified rules.

예를 들어, 상기 인터넷 뉴스 컨텐츠는 수집 시점으로부터 기 지정된 시간 내 작성된 최근 컨텐츠로 한정될 수 있다. 또한, 상기 개인 작성 컨텐츠는 예측 대상 리스크에 대응하는 노드의 인접 지역과 관련 있는 개인에 의하여 작성된 것으로 한정될 수 있다. 예를 들어, 예측 대상 리스크에 대응하는 노드의 명칭이 'Long Beach Port'라면, Long Beach Port 인근에 거주하거나, Long Beach Port에 직장을 가지는 개인이 작성된 개인 작성 컨텐츠만 수집할 수 있을 것이다.For example, the Internet news contents may be limited to recent contents created within a predetermined time from the collection time. The personalized content may be defined as being created by an individual who is related to a neighboring region of a node corresponding to a prediction object risk. For example, if the name of the node corresponding to the predicted risk is 'Long Beach Port', it will only be able to collect personalized content created by an individual who lives near the Long Beach Port or who has a job at the Long Beach Port.

수집 된 상기 아티클 각각에 대하여 키워드를 선정한다(S512). 이 때, TF-IDF(Term Frequency - Inverse Document Frequency)를 이용하여 아티클에 포함된 텍스트(TEXT) 중 중요한 키워드를 추출할 수 있다. A keyword is selected for each of the collected articles (S512). At this time, important keywords among the texts (TEXT) included in the article can be extracted using the TF-IDF (Term Frequency - Inverse Document Frequency).

다음으로, 추출된 키워드에 리스크 관련 어휘(lexicon) 및 상기 예측 대상 리스크에 대응하는 노드의 명칭이 모두 포함 되어 있는지 판정하고(S514), 리스크 관련 어휘 및 노드의 명칭을 키워드로 가지는 아티클에 한하여 리스크 코멘트 컨텐츠로 선정한다(S516). 예를 들어, 파업 타입의 리스크가 예측 대상 리스크이고, 상기 예측 대상 리스크에 대응하는 노드의 명칭이 'Long Beach Port'라면, 수집된 아티클 중 키워드에 'strike' 및 'Long Beach Port'를 모두 키워드로 가지는 아티클 만이 상기 리스크 코멘트 컨텐츠로 선정될 것이다.Next, it is determined whether the extracted keyword includes both the risk-related lexicon and the name of the node corresponding to the predicted risk (S514). Only the article having the risk-related vocabulary and the name of the node as keywords And selects the comment content (S516). For example, if the risk of a strike type is a prediction object risk, and the name of a node corresponding to the prediction object risk is 'Long Beach Port', then keywords 'strike' and 'Long Beach Port' Only the article having the risk comment content will be selected as the risk comment content.

다른 실시예에 따르면, 상기 수집된 아티클이, 상기 예측 대상 리스크에 대응하는 노드의 인접 지역과 관련 있는 개인에 의하여 작성된 개인 작성 컨텐츠인 경우, 상기 추출된 키워드에 상기 리스크 관련 어휘만 포함되더라도 상기 리스크 코멘트 컨텐츠로 선정될 수 있다.According to another embodiment, in a case where the collected article is personal creation content created by an individual related to an adjacent region of a node corresponding to the predicted risk, even if the extracted keyword includes only the risk related vocabulary, Can be selected as comment contents.

상기 리스크 관련 어휘는, 각 타입의 리스크에 대하여 미리 수집된 것일 수 있다. 상기 리스크 관련 어휘는, 기계 학습 로직(Machine-learning logic)을 수행하여, 주기적으로 또는 비주기적으로 확충될 수 있다. 이 때, 나이브 베이즈 구분자(Naive Bayes Classifier)를 사용하여 상기 수집된 아티클에 대한 TF-IDF를 조정할 수 있다. 조정 된 TF-IDF 계산 결과를 토대로 상기 예측 대상 리스크 관련 어휘를 보완할 수 있다.The risk related vocabulary may be collected in advance for each type of risk. The risk-related vocabulary may be expanded periodically or aperiodically by performing machine-learning logic. At this time, a Naive Bayes Classifier can be used to adjust the TF-IDF for the collected articles. Based on the adjusted TF-IDF calculation result, the predicted risk-related vocabulary can be supplemented.

아티클의 수집이 종료되면(S518), 수집된 리스크 코멘트 컨텐츠의 개수를 집계한다(S520). 리스크 코멘트 컨텐츠의 개수가 기준치를 초과하는 경우, 예측 대상 리스크가 발생할 것으로 예측하고(S526), 그렇지 않은 경우, 예측 대상 리스크가 발생하지 않을 것으로 예측할 수 있다(S524).When the collection of articles is terminated (S518), the number of collected risk comment contents is counted (S520). If the number of the risk comment contents exceeds the reference value, it is predicted that the risk to be predicted will occur (S526). Otherwise, it can be predicted that the risk to be predicted will not occur (S524).

다음으로, 도 7을 참조하여 설명한다. 도 7에 도시 된 실시예에서는 감성 분석(Sentiment analysis)을 수행하고, 그 결과를 이용하여 예측 대상 리스크의 발생 여부를 예측한다. 아티클의 수집(S510) 내지 아티클의 수집 종료(S518)까지는 도 6을 참조한 설명과 동일한 동작이 수행 된다. 다만, 일 실시예에서는 수집되는 아티클이 상기 개인 작성 컨텐츠로 제한 될 수도 있고, 다른 실시예에서는 수집되는 아티클이 상기 개인 작성 컨텐츠 및 상기 인터넷 뉴스 컨텐츠를 모두 포함할 수도 있다.Next, it will be described with reference to Fig. In the embodiment shown in FIG. 7, sentiment analysis is performed, and prediction of the occurrence of the risk to be predicted is made using the result. From the collection of articles (S510) to the end of collection of articles (S518), the same operations as those described with reference to Fig. 6 are performed. However, in one embodiment, articles to be collected may be limited to the personal creation contents, and in another embodiment, articles to be collected may include both the personal creation contents and the Internet news contents.

아티클의 수집이 종료되면, 리스크 코멘트 컨텐츠에 대하여 감성 분석을 수행한다(S530). 상기 감성 분석은 의견 마이닝(opinion mining)으로도 지칭 되는 빅데이터 분석 기술의 요소 기술 중 하나이다. 분석 대상 데이터에 대하여 상기 감성 분석을 수행하면, 그 결과로 대상 아이템에 대한 긍정 또는 부정 강도가 산출될 수 있다. 상기 감성 분석에 대하여는 공지 된 인터넷 문헌 'http://en.wikipedia.org/wiki/Sentiment_analysis'를 참조할 수 있다.When the collection of the article is finished, emotional analysis is performed on the risk comment contents (S530). The emotional analysis is one of the element technologies of the big data analysis technique, which is also referred to as opinion mining. When the emotional analysis is performed on the data to be analyzed, the positive or negative strength of the target item can be calculated as a result. For the emotional analysis, refer to the well-known Internet document 'http://en.wikipedia.org/wiki/Sentiment_analysis'.

상기 리스크 코멘트 컨텐츠에 대한 상기 감성 분석 결과, 즉 긍정 강도 및 부정 강도를 이용하여 상기 예측 대상 리스크의 발생 여부를 미리 예측한다(S532). 즉, 상기 예측 대상 리스크 관련 어휘에 대한 긍정 강도가 제1 기준치를 초과하거나, 상기 예측 대상 리스크 관련 어휘에 대한 긍정 강도에서 부정 강도를 뺀 수치가 제2 기준치를 초과하는 경우, 상기 예측 대상 리스크가 발생할 것으로 미리 예측할 수 있다.In step S532, whether or not the risk to be predicted is generated is predicted using the sensitivity analysis results of the risk comment contents, that is, the positive strength and the negative strength. That is, when the positive strength of the predictive risk-related vocabulary exceeds the first reference value or the positive strength of the predictive risk-related vocabulary minus the negative strength exceeds a second reference value, Can be predicted to occur in advance.

수집 된 리스크 코멘트 컨텐츠에 대하여 감성 분석을 수행하는 경우, 사회 문제 그룹의 리스크에 대한 대중의 찬반 감성을 파악할 수 있다. 대중이 부정적으로 생각하는 사회 문제 리스크는 발생하지 않을 것이라는 점을 감안하면, 본 실시예는 빅데이터 분석 기술을 활용하여 높은 정확도로 사회 문제 리스크의 발생 여부를 예측할 수 있는 효과가 있다.When emotional analysis is performed on the collected risk comment contents, it is possible to grasp the popular affirmation of the risk of the social problem group. Considering that the social problem risk that the public thinks negatively will not occur, this embodiment has an effect of predicting the occurrence of the social problem risk with high accuracy by utilizing the big data analysis technique.

도 8은 개인 작성 컨텐츠 중 리스크 코멘트 컨텐츠의 개수를 기준으로 예측 대상 리스크의 발생을 미리 예측하는 실시예를 이해하기 위한 개념도이다. 도 5에는 트위터에 게시된 트윗 중 롱비치 항(현재 판단 대상 노드)에 파업 리스크(현재 판단 대상 노드에 대한 예측 대상 리스크)가 발생할 것인지 여부를 예측하기 위하여, 롱비치 항과 파업 관련 어휘를 동시에 포함하는 리스크 코멘트 컨텐츠의 게시 건수를 예시한다. 도 8에 도시된 사안에서, 18 정도의 기준치를 설정한다면, 파업이 발생하기 전에 미리 파업 발생을 예측할 수 있을 것이다.8 is a conceptual diagram for understanding an embodiment for predicting the occurrence of a forecasting risk based on the number of risk comment contents in the personal creation contents. 5, in order to predict whether a strike risk (prediction target risk for the present judgment node) will occur in the long beach term (current judgment node) of the tweets posted on Twitter, the Long Beach term and the strike- The number of the posted risk comment contents is illustrated. In the case shown in FIG. 8, if the reference value of 18 is set, the occurrence of the strike may be predicted before the strike occurs.

다시 도 1으로 돌아와서 설명한다.Returning back to FIG.

예측 대상 리스크의 발생이 예측 된 경우(S600), 물류 실행 이력 데이터를 이용하여 발생이 예측 된 예측 대상 리스크에 대응하는 노드에 대한 이용 차질 여부를 예측 한다(S700).If the occurrence of the prediction object risk is predicted (S600), the use of the logistics execution history data is used to predict whether or not there is a use disorder for the node corresponding to the prediction object risk (S700).

추후 자세히 설명하겠지만, 상기 예측 대상 리스크가 기상 악화 그룹에 속한 타입의 리스크인 경우, 예를 들어 안개 타입의 리스크 발생이 예측 되었다 하더라도, 그 심각도에 따라 이용 차질이 발생하지 않을 수도 있다. 물류 실행 이력 데이터에 포함 된 안개 타입의 리스크 발생에 따른 이용 차질 관련 기록을 회귀 분석 등 통계 처리하여 회귀 모델을 생성한 후, 상기 회귀 모델에 상기 예측 대상 리스크의 세부 사항을 입력하여 상기 리스크에 대응하는 노드의 이용 차질 여부를 예측할 수 있다. 이 때, 이용 차질 여부와 함께 이용 차질에 따른 지연 기간도 상기 회귀 모델의 출력 값으로부터 예측할 수 있다. 이용 차질이 예측되고(S800) 그 지연 기간도 연산 되었다면, 상기 지연 기간이 반영되도록 운송 루트에 대한 ETA를 조정할 수 있다(S900).As will be described in detail later, when the risk to be predicted is a risk of a type belonging to a worsening deteriorating group, for example, even if a risk type of a fog type is predicted, the use disorder may not occur depending on the severity. The regression model is generated by statistically processing such as the regression analysis of the use disruption history record related to the occurrence of the risk of the fog type included in the logistics execution history data and then the detail of the forecasted risk is input to the regression model to correspond to the risk It is possible to predict whether or not the use of the node is disrupted. At this time, the delay period due to the use disorder can be predicted from the output value of the regression model together with the use disorder. If the use disruption is predicted (S800) and the delay period has also been calculated, the ETA for the transportation route can be adjusted so that the delay period is reflected (S900).

이 때, ETA를 조정한다는 것은, 기존의 ETA를 갱신하거나, 기존의 ETA는 그대로 두고 조정 된 ETA(predicted ETA; p-ETA) 데이터를 별도로 관리하는 것을 의미한다. 이하, 본 명세서에서 ETA를 조정하는 것은, 기존의 ETA를 갱신하는 것, 기존의 ETA는 그대로 유지하고 조정 된 ETA(p-ETA)를 신규로 생성하는 것 또는 기존의 ETA는 그대로 유지하고 기존의 조정 된 ETA(p-ETA)를 갱신하는 것을 의미한다.In this case, the adjustment of the ETA means that the existing ETA is updated or the ETA (predicted ETA) data is separately managed while the existing ETA is left as it is. Hereinafter, to adjust the ETA in this specification, it is necessary to update the existing ETA, to maintain the existing ETA and to newly create the adjusted ETA (p-ETA), or to maintain the existing ETA, Means updating the adjusted ETA (p-ETA).

상기 운송 루트에 따라 운송이 진행 되는 도중, 장래 도착 예정인 상기 운송 루트 상의 특정 노드에 예측 대상 리스크의 발생이 예측 될 수도 있다(S600). 이 때, 상기 예측 대상 리스크의 발생에 의하여 상기 예측 대상 리스크에 대응하는 노드에 대한 이용 차질이 예측 되고(S700, S800), 상기 이용 차질에 따른 지연 기간에 의해 운송 완료 요구 시점 내에 운송 완료가 불가능할 것으로 예측 되었다면, 상기 운송 완료 요구 시점 내에 운송이 완료 될 수 있는 대체 운송 루트를 생성하여, 화주의 단말 또는 관리자의 단말에 상기 대체 운송 루트에 대한 정보를 송신할 수 있다(S900).In the course of the transportation according to the transportation route, the occurrence of the forecasting risk may be predicted at a specific node on the transportation route that is scheduled to arrive in the future (S600). At this time, the use disruption for the node corresponding to the predicted risk is predicted by the occurrence of the predictable risk (S700, S800), and it is impossible to complete the transportation within the delayed period according to the use disorder (S900), it is possible to transmit the information about the alternative transportation route to the terminal of the shipper or the terminal of the manager by creating an alternative transportation route that can be completed within the transportation completion time point.

상기 대체 운송 루트를 생성하는 것은, 예를 들어 해상 운송 도중인 경우 인접한 항구 및 공항을 통해 항공 운송으로 대체함으로써, 운송에 소요 되는 시간을 줄이는 것을 의미할 수 있다. 또한, 육상 운송 도중인 경우 인접한 공항을 통해 항공 운송으로 대체할 수 있을 것이다. 이러한 경우, 운송에 소요 되는 비용은 늘어나게 되겠지만, 운송 완료 요구 시점 내에 운송을 완료하지 못할 때 발생하는 손해 비용이 훨씬 큰 경우, 이러한 대체 운송 루트 제안은 화주의 운송 업무 만족도를 높여줄 수 있다.Creation of the alternative transportation route may mean reducing the time required for transportation, for example, by replacing it with air transportation through adjacent ports and airports in the case of sea transportation. In the case of onshore transportation, air transportation can also be used to replace the airport. In this case, the cost of transportation will increase, but if the cost of damages incurred when the transportation is not completed within the time of the completion of the transportation, the alternative transportation route proposal may increase the satisfaction of the shippers in the transportation business.

상기 예측 대상 리스크의 발생에 의하여 상기 예측 대상 리스크에 대응하는 노드에 대한 이용 차질이 예측 되었지만(S700, S800), 상기 이용 차질에 따른 지연 기간에 따라 조정된 ETA가 여전히 상기 운송 완료 요구 시점보다 빠를 수도 있다. 이러한 경우에는, ETA만 조정하고 대체 운송 루트를 생성하지는 않을 수 있다.Although the use disruption with respect to the node corresponding to the predicted risk is predicted by the occurrence of the predictive risk (S700, S800), the ETA adjusted according to the delay period according to the use disruption is still faster than the transport completion request point It is possible. In this case, you may not adjust the ETA alone and create an alternate shipping route.

상기 예측 대상 리스크가 사회 문제 그룹에 속한 리스크인 경우에도, 상기 물류 실행 이력 데이터를 이용하여 상기 리스크에 의한 이용 차질 여부 및 그 지연 기간을 예측할 수 있을 것이다. 예를 들어, A 항구에 대한 노동자 파업 발생 시, 평균 이용 차질 기간이 상기 물류 실행 이력 데이터를 이용하여 얻어질 수 있고, 상기 평균 이용 차질 기간이 상기 지연 기간으로 연산 될 수 있을 것이다.Even when the risk to be forecasted is a risk belonging to the social problem group, the use of the logistics execution history data can be used to predict the use disruption due to the risk and the delay period. For example, at the occurrence of a worker's strike against port A, the average use disruption period may be obtained using the logistics execution history data, and the average use disruption period may be calculated with the delay period.

한편, 일 실시예에 따르면, 상기 예측 대상 리스크가 사회 문제 그룹에 속한 리스크인 경우, 상기 리스크에 의한 이용 차질이 무조건 발생하고, 그 지연 기간은 무한대인 것으로 설정하여, 운송 루트 선정이 보수적으로 이뤄지도록 할 수도 있다.Meanwhile, according to one embodiment, when the risk to be predicted is a risk belonging to a social problem group, the use disruption due to the risk occurs unconditionally and the delay period is set to be infinite so that the selection of the transportation route is conservative .

운송 루트 선정 이전에 특정 운송 루트에 속한 노드에 대응하는 사회 문제 그룹의 리스크가 예측 되었다면, 그 운송 루트는 선택 되지 않았을 것이다. 그런데, 운송 루트 선정 시점 이후에야 사회 문제 그룹의 리스크가 예측 될 수도 있을 것이다. 사회 문제 그룹의 리스크는, 그 리스크에 의한 이용 차질의 발생 여부 및 이용 차질 발생 시 그로 인한 지연 기간을 정확하게 예측하기 어려운 특성을 가진다. 따라서, 상기 운송 루트에 따라 운송이 진행 되는 도중, 사회 문제 그룹의 리스크 등 기 지정 된 특정 타입의 예측 대상 리스크 발생이 예측되면, 바로 운송 완료 요구 시점 내에 운송이 완료 될 수 있는 대체 운송 루트를 생성할 수 있다. 발생이 예측 된 리스크에 대한 정보 및 그에 대응 되는 노드에 대한 정보와 상기 생성 된 대체 운송 루트에 대한 정보는 화주의 단말 또는 관리자의 단말에 송신될 수 있다.If the risk of a social problem group corresponding to a node belonging to a specific transport route was predicted prior to the selection of the transport route, the transport route would not have been selected. However, the risk of social problem groups may be predicted only after the selection of transportation routes. The risk of the social problem group is characterized by the difficulty in accurately estimating the occurrence of the use disorder by the risk and the delay period due to the occurrence of the use disorder. Therefore, when the occurrence of the predetermined type of risk to be predicted, such as the risk of the social problem group, is predicted during the transportation according to the transportation route, an alternative transportation route that can be completed within the transportation completion time point is created can do. Information on the predicted risk, information on the corresponding node, and information on the generated alternative transportation route can be transmitted to the terminal of the shipper or the terminal of the manager.

본 발명의 다른 실시예에 따른 물류 리스크 예측 방법에 대하여 도 9를 참조하여 설명한다. 본 실시예에서는 예측 대상 리스크가 기상 악화 그룹에 속한 타입의 리스크인 것으로 가정하고 설명한다. 물류 실행 이력 정보를 얻는 동작(S100)으로부터 예측 대상 리스크의 발생이 예측 되는 동작(S600)까지는 도 1을 참조하여 설명한 것과 동일한 동작이 수행 될 수 있다.A method for predicting a logistics risk according to another embodiment of the present invention will be described with reference to FIG. In the present embodiment, it is assumed that the risk to be predicted is the risk of the type belonging to the weather deterioration group. The same operations as those described with reference to Fig. 1 can be performed from the operation (S100) for obtaining the logistics execution history information to the operation (S600) for predicting the occurrence of the prediction object risk.

예측 대상 리스크의 발생이 예측 된 경우, 물류 실행 이력 정보에서 예측 대상 리스크 대응 노드의 리스크 발생 관련 지표와 이용 차질 기간을 취합한다(S702). 예를 들어, 상기 예측 대상 리스크가 안개 타입의 리스크이고, 그 대응 노드가 A 항구라면, 물류 실행 이력 정보의 이벤트 정보에는 A 항구에 안개 발생으로 인한 항구 폐쇄가 발생했을 때의 시기(월), 가시도, 풍속, 강우량 등이 기록 되어 있을 것이다. 상기 리스크 발생 관련 지표는 시기, 가시도, 풍속, 강우량 등을 가리킨다. 즉, 상기 물류 실행 이력 정보에서 A 항구에 발생한 안개와 관련된 데이터를 취합한다. 일 실시예에 따르면, 리스크 발생 이력 데이터에서 상기 리스크 발생 관련 지표와 이용 차질 기간이 취합 될 수도 있다.If the occurrence of the prediction target risk is predicted, the risk occurrence-related index of the prediction target risk corresponding node and the use trouble period are collected from the logistics execution history information (S702). For example, if the forecasted risk is a fog type risk and the corresponding node is an A port, the event information of the logistics execution history information includes the time (month) when port closure due to fog occurred at A port, Visibility, wind speed, rainfall, etc. will be recorded. The above-mentioned risk occurrence-related index refers to time, visibility, wind speed, rainfall, and the like. That is, data related to fog occurring at Port A is collected from the above-mentioned logistics execution history information. According to one embodiment, the risk occurrence related indicator and the usage disruption period may be collected in the risk occurrence history data.

다음으로, 취합 된 상기 리스크 발생 관련 지표와 이용 차질 기간을 이용하여 회귀 모델(regression model)을 생성한다(S704). 이 때, 상기 리스크 발생 관련 지표가 독립 변인이 되고, 상기 이용 차질 기간이 종속 변인이 된다.Next, a regression model is generated using the collected risk occurrence-related indices and the use disorder period (S704). At this time, the risk occurrence related index becomes an independent variable, and the use disorder period becomes a dependent variable.

다음으로, 수집 된 기상 예보 중 리스크 발생 관련 지표를 회귀 모델에 입력하여 이용 차질 여부 및 이용 차질 기간을 연산한다(S706). 예를 들어, 상기 회귀 모델에서 출력 된 이용 차질 기간이 0인 경우, 이용 차질이 없을 것으로 예측하고, 출력 된 이용 차질 기간이 0보다 큰 경우 이용 차질이 있을 것으로 예측할 수 있다. 다음으로, 출력 된 이용 차질 기간, 즉 지연 기간이 반영 되도록 ETA를 조정한다(S900).Next, the risk occurrence-related index among the collected weather forecasts is input to the regression model to calculate the use disorder and the use disorder period (S706). For example, it is predicted that there will be no use disorder when the use disorder period output from the regression model is 0, and it can be predicted that there is a use disorder when the use disorder period is greater than zero. Next, the ETA is adjusted so that the output use interruption period, i.e., the delay period is reflected (S900).

한편, 상기 운송 루트에 따라 운송이 진행 되는 도중, 장래 도착 예정인 상기 운송 루트 상의 특정 노드에 예측 대상 리스크의 발생이 예측 될 수도 있다(S600). 이 때, 상기 예측 대상 리스크의 발생에 의하여 상기 예측 대상 리스크에 대응하는 노드에 대한 이용 차질이 예측 되고(S706), 상기 이용 차질에 따른 지연 기간에 의해 운송 완료 요구 시점 내에 운송 완료가 불가능할 것으로 예측 되었다면, 상기 운송 완료 요구 시점 내에 운송이 완료 될 수 있는 대체 운송 루트를 생성하여, 화주의 단말 또는 관리자의 단말에 상기 대체 운송 루트에 대한 정보를 송신할 수도 있다(S900).On the other hand, during the transportation according to the transportation route, the occurrence of the prediction subject risk may be predicted at a specific node on the transportation route that is to be expected to arrive in the future (S600). At this time, the use disruption for the node corresponding to the predicted risk is predicted by the occurrence of the predictable risk (S706), and it is predicted that the completion of the transportation can not be completed within the transportation completion demand time due to the delay period according to the use disorder (S900), it is possible to transmit the information about the alternative transportation route to the terminal of the shipper or the terminal of the manager by creating an alternative transportation route in which the transportation can be completed within the transportation completion requesting time.

도 10은 가시도가 독립 변인인 경우의 회귀 모델 생성 예시를 나타낸다. 도 10에 도시된 바와 같이, 이용 차질 기간 대신 폐쇄 횟수가 종속 변인이 될 수도 있다.10 shows an example of regression model generation when the visibility is an independent variable. As shown in Fig. 10, the number of closures may be a dependent variable instead of the use disorder period.

이하, 본 발명의 또 다른 실시예에 따른 최적 운송 루트 설정 방법에 대하여 도 11 내지 도 14를 참조하여 설명한다.Hereinafter, a method of setting an optimum transportation route according to another embodiment of the present invention will be described with reference to FIGS. 11 to 14. FIG.

먼저, 사용자가 출발지 노드(TIANJIN)와 도착지 노드(AUSTIN)을 선정하면, 출발지와 도착지 사이의 가능한 운송 루트가 자동으로 생성된다. 도 11에는 3개의 운송 루트가 생성된 것을 알 수 있다. 각 운송 루트에 대하여, 각 노드 간의 정상 소요 시간 정보를 바탕으로 ETA도 연산된다. 또한, 각 운송 루트에 대하여, 각 노드 간의 운송 비용 정보를 바탕으로 전체 운송 비용도 연산된다. 이하, 최종 목적지인 AUSTIN에는 늦어도 10월 20일에 도착하는 것이 화주의 요구사항인 점을 전제하여 설명한다.First, when the user selects the origin node (TIANJIN) and the destination node (AUSTIN), a possible transportation route between the origin and destination is automatically generated. In Fig. 11, it can be seen that three transportation routes are created. For each transport route, ETA is also calculated based on the normal travel time information between each node. For each transportation route, the total transportation cost is also calculated based on the transportation cost information between the respective nodes. Hereinafter, it is assumed that the final destination, AUSTIN, is the requirement of the shipper to arrive no later than October 20.

3개의 운송 루트 모두 화주 요구에 따른 운송 완료일 전의 ETA를 가지기 때문에, 리스크를 예측하기 전에는, 물류 비용이 가장 저렴하고, 소요 시간도 가장 짧은 첫 번째 노선(TIANJIN --> QINGDAO --> PUSAN --> LONG BEACH --> AUSTIN)이 일반적으로 선택될 것이다.Since all three transportation routes have ETA before the completion date according to the shippers' demand, the first route (TIANJIN -> QINGDAO -> PUSAN - > LONG BEACH -> AUSTIN) will generally be selected.

본 실시예에 따른 최적 운송 루트 설정 방법에서는 운송 루트의 자동 생성 이후에, 각 운송 루트에 대한 리스크 발생 예측을 실행할 수 있다. 상기 리스크 발생 예측의 실행은, 사용자의 명령이 입력 되는 경우에 수행 되거나, 사용자의 명령이 없더라도 자동으로 수행 될 수 있다. 상기 리스크 발생 예측 방법은 도 1 내지 도 10을 참조하여 설명한 바 있다.In the optimum transportation route setting method according to the present embodiment, the risk occurrence prediction for each transportation route can be executed after the automatic generation of the transportation route. The execution of the risk occurrence prediction may be performed when a command of the user is input or may be performed automatically without a command of the user. The risk occurrence prediction method has been described with reference to FIG. 1 to FIG.

도 12는 전체 운송 루트들에 소속된 노드들을 취합하고, 취합 된 노드들에 대한 검사를 수행한 결과를 도시한다. 노드 중 하나인 청도항(QINGDAO)에서 안개 리스크 발생이 예측 되어, 상기 안개 리스크 발생의 결과, 5일의 딜레이가 생기는 점을 도시한다. 그 결과, 조정된 ETA(P-ETA)는 2014-10-21이 되어 화주 요구에 따른 운송 완료일 보다 1일 늦어지게 된다.FIG. 12 shows the results of collecting nodes belonging to the entire transportation routes and performing inspection for the collected nodes. The occurrence of fog risk is predicted at Qingdao, which is one of the nodes, and a delay of 5 days is generated as a result of the fog risk occurrence. As a result, the adjusted ETA (P-ETA) will be 2014-10-21 and will be delayed by one day from the shipment completion date according to the shippers requirement.

안개 리스크 발생을 예측한 이유는, 안개에 대한 상기 리스크 발생 이력 데이터에 청도항에 대한 기록이 있기 때문이다. 그 후, 청도항의 안개에 대한 기상 예보 정보를 수집하여 청도항에 2014-10-07부터 2014-10-14까지 7일 연속 안개가 끼는 점이 인지 된다. 상기 기상 예보 조건을, 상기 안개 리스크에 대한 리스크 발생 이력 데이터 중 청도항에 대한 데이터를 이용하여 생성한 수학 모델에 입력한 결과 5일의 지연이 발생하는 점이 도출된다.The reason for predicting the occurrence of the fog risk is that there is a record of the Qingdao Port in the risk occurrence history data for the fog. After that, it collects weather forecast information about the fog of Qingdao Port, and it is recognized that the fog is continuously observed for 7 days from 2014-10-07 to 2014-10-14 in Qingdao Port. As a result of inputting the weather forecasting condition into the mathematical model generated by using the data on the Qingdao term of the risk occurrence history data for the haze risk, a delay of 5 days occurs.

도 13은 노드 중 하나인 롱비치 항에 파업 리스크 발생이 예측 되어, 상기 파업 리스크 발생의 결과, 정확한 기한을 알 수 없는 딜레이가 생기는 점을 도시한다.FIG. 13 shows that a strike risk occurrence is predicted in Longboat, which is one of the nodes, resulting in an accurate time unknown delay as a result of the strike risk occurrence.

파업 리스크 발생을 예측한 이유는, 파업에 대한 상기 리스크 발생 이력 데이터에 롱비치 항에 대한 기록이 있기 때문이다. 그 후, 롱비치 항의 파업에 대한 Sentiment analysis 형태의 빅데이터 분석을 수행하여, 롱비치 항의 파업이 운송계획 상의 롱비치 항의 이용 시점에 있을 것으로 예측 된다. 상기 리스크 발생 이력 데이터 상의 과거 롱비치 항 파업 기록의 수가 부족하여 수학 모델이 생성되지 않는 경우, P-ETA의 생성이 불가능할 수 있다.The reason for predicting strike risk is that there is a record of Long Beach Port in the risk occurrence history data on the strike. Thereafter, a big data analysis of the form of Sentiment analysis of the strike at the Long Beach port is expected to indicate that the Long Beach port strike will be at the point of use of the Long Beach port in the transportation plan. If the mathematical model is not generated because the number of past Long Beach strike records on the risk occurrence history data is insufficient, generation of P-ETA may not be possible.

롱비치 항은 첫 번째 운송 루트와 세 번째 운송 루트에 모두 포함 되어 있으므로, 도 14에 도시된 바와 같이, 화주 요구에 따른 운송 완료일 전의 ETA를 가지는 것은 두 번째 운송 루트 밖에 없다. 본 실시예에 따르면, 제 시간에 운송을 완료할 가능성이 가장 높은 안전한 운송 루트를 선택할 수 있다.Since the Port of Long Beach is included in both the first transportation route and the third transportation route, there is only the second transportation route having the ETA before the transportation completion date according to the shippers demand, as shown in FIG. According to the present embodiment, it is possible to select a safe transportation route most likely to complete the transportation in time.

한편, 두 번째 운송 루트(TIANJIN, SHANGHI, PUSAN, ENSENADA, AUSTIN)에 따라 운송을 진행하는 도중 장래 도착 예정인 노드에 리스크 발생이 예측 되고, 상기 리스크 발생에 따라 상기 노드의 이용 차질이 예측 되며, 상기 이용 차질에 의하여 운송 완료 요구 시점 내에 운송이 완료 되기 어려운 경우가 발생할 수도 있다.On the other hand, during the transportation according to the second transport route (TIANJIN, SHANGHI, PUSAN, ENSENADA, AUSTIN), a risk occurrence is predicted at a node that is expected to arrive in the future, the use disorder of the node is predicted according to the occurrence of the risk It may happen that the transportation is difficult to complete within the time of the completion of the transportation due to the use disorder.

상하이항에서 부산항으로 향하는 도중에, 엔세나다 항에도 파업이 발생할 것이 Sentiment analysis 형태의 빅데이터 분석을 통해 예측 된 경우를 가정한다. 엔세나다 항의 파업이 발생하는 경우 그로 인한 이용 차질이 언제 풀릴지 불명확하다면, 부산항에서 인천 공항을 거쳐 오스틴으로 직행하는 항공 운송 편이 대체 루트로 생성 될 수 있을 것이다. 상기 대체 루트는 비용이 추가 소요 될 것이나, 상기 운송 완료 요구 시점이 반드시 지켜져야 하는 것이라면, 추가 비용을 부담하더라도 상기 대체 루트를 이용하는 것이 화주의 이익에 더 부합할 것이다. 상기 대체 루트에 대한 정보는 기 등록 된 화주의 단말기 또는 관리자의 단말기로 송신 될 수 있다.It is assumed that strikes will also occur at Port of Ensenada on the way from Shanghai Port to Pusan Port through the big data analysis of sentiment analysis type. If strikes at Ensenada Port are not clear when the disruption will be resolved, air transportation directly from Busan to Incheon International Airport to Austin will be created as an alternative route. If the alternative route needs to be costly, but the time point of the completion of the transportation must be strictly observed, even if the additional cost is borne, the use of the alternative route will more suit the interest of the shipper. The information on the alternative route may be transmitted to a terminal of a previously registered shipper or a terminal of an administrator.

지금까지 도 1 내지 도 14를 참조하여 설명된 본 발명의 실시예들에 따른 물류 리스크 예측 방법은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터가 읽을 수 있는 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록 된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.The method of predicting the logistics risk according to the embodiments of the present invention described above with reference to FIGS. 1 to 14 can be implemented by a computer-readable code on a computer-readable medium. The computer-readable medium may be, for example, a removable recording medium (CD, DVD, Blu-ray disc, USB storage device, removable hard disk) have. The computer program recorded on the computer-readable recording medium may be transmitted to another computing device via a network such as the Internet and installed in the other computing device, thereby being used in the other computing device.

또한, 본 발명의 또 다른 실시예에 따르면, 지금까지 도 1 내지 도 14를 참조하여 설명된 본 발명의 실시예들에 따른 물류 리스크 예측 방법의 각 단계를 실시하도록 하는 컴퓨터 프로그램이 제공 될 수 있다. 상기 컴퓨터 프로그램은 컴퓨터, 스마트폰 등 연산 수단이 구비된 장치와 결합하여 실행 될 수 있으며, 컴퓨터가 읽을 수 있는 매체 상에 기록될 수 있다.Further, according to another embodiment of the present invention, a computer program for executing each step of the method for predicting the logistics risk according to the embodiments of the present invention described above with reference to Figs. 1 to 14 . The computer program may be executed in combination with an apparatus having a computing means such as a computer, a smart phone, or the like, and may be recorded on a computer-readable medium.

도 15는 본 발명의 다른 실시예에 따른 물류 리스크 예측 시스템의 구성도이다. 본 실시예에 따른 물류 리스크 예측 시스템은, 도 15에 도시된 바와 같이 물류 운송 시스템(200) 및 물류 리스크 예측 장치(100)를 포함할 수 있다.15 is a configuration diagram of a logistics risk prediction system according to another embodiment of the present invention. The logistics risk prediction system according to the present embodiment may include the logistics transportation system 200 and the logistics risk prediction apparatus 100 as shown in FIG.

물류 운송 시스템(200)은 물류 실행 이력 정보(250)를 관리할 수 있다. 상기 물류 리스크 예측 장치는 상기 물류 운송 시스템으로부터 상기 물류 실행 이력 정보를 제공 받을 수 있다. 상기 물류 운송 시스템은 물류 운송을 관리하는 다양한 시스템 중 어느 하나, 또는 다양한 시스템이 연동하여 동작하는 하나의 시스템 군을 의미할 수 있다. 예를 들어, 상기 물류 운송 시스템은 물류 운송에 있어서 발생하는 다양한 이벤트를 alert 하고 기록하는 VMS를 포함할 수 있다. 상기 물류 운송 시스템은, 하나 이상의 운송 실행계 시스템(통합주문관리[OMS], 국제운송관리[FIS], 로컬운송관리[TMS], 창고운영관리[WMS])을 더 포함할 수도 있다.The logistics transportation system 200 can manage the logistics execution history information 250. [ The logistics risk prediction device may receive the logistics execution history information from the logistics transportation system. The logistics transportation system may mean any one of various systems for managing logistics transportation, or a system group in which various systems operate in conjunction with each other. For example, the logistics transportation system may include a VMS for alerting and recording various events occurring in logistics transportation. The logistics delivery system may further include one or more transport performance system (Integrated Order Management [OMS], International Transportation Management [FIS], Local Transport Management [TMS], Warehouse Operations Management [WMS]).

물류 리스크 예측 장치(100)는 물류 실행 이력 정보를 바탕으로 예측 대상 리스크를 결정하고, 상기 예측 대상 리스크에 대응하는 외부 데이터를 수집하며, 상기 수집 된 외부 데이터를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하고, 상기 물류 실행 이력 정보를 바탕으로 상기 예측 대상 리스크의 발생에 의한 운송 루트의 ETA(Estimated Time of Arrival) 조정을 수행한다.The logistics risk prediction apparatus 100 determines a prediction object risk based on the logistics execution history information, collects external data corresponding to the prediction object risk, and analyzes the collected external data to generate the prediction object risk And estimates the ETA (Estimated Time of Arrival) of the transportation route by the occurrence of the forecasting risk based on the logistics execution history information.

물류 리스크 예측 장치(100)는 상기 물류 실행 이력 정보에서 추출 된 리스크 상황 발생 기록을 리스크 타입 별로 그룹핑 한 리스크 발생 이력 데이터(150)를 바탕으로 예측 대상 리스크를 결정할 수 있다.The logistics risk prediction apparatus 100 can determine the prediction object risk based on the risk occurrence history data 150 in which the risk situation occurrence records extracted from the logistics execution history information are grouped by risk type.

물류 리스크 예측 장치(100)는 외부 장치(300)와 연결되고, 외부 장치(300)로부터 인터넷 뉴스 기사, 날씨 예보 정보, 공공 기관의 공고 정보, 소셜 네트워크 서비스의 사용자 기제 컨텐츠, 인터넷 뉴스 기사에 대한 댓글 정보 중 적어도 어느 하나를 의미하는 아티클(article)을 수집할 수 있다. 외부 장치(300)는 뉴스 기사를 제공하는 웹 서버, 날씨 예보를 제공하는 웹 서버, 항만, 공항 등 상기 노드를 관리하는 기관의 웹 서버, 운송 업체들의 웹서버, 소셜 네트워크 서비스를 제공하는 서버, 각 국가의 운송업 관련 노조의 웹 서버 등을 의미할 수 있다.The logistics risk prediction apparatus 100 is connected to the external apparatus 300 and receives information on the Internet news articles, weather forecast information, public institution announcement information, user base contents of the social network service, and Internet news articles from the external apparatus 300 And an article indicating at least one of the comment information. The external device 300 includes a web server providing news articles, a web server providing weather forecast, a web server of an institution managing the node such as a port or an airport, a web server of transportation companies, a server providing a social network service, And web servers of trade unions in each country.

이하, 본 발명의 또 다른 실시예에 따른 물류 리스크 예측 장치의 구성 및 동작을 도 16을 참조하여 설명한다. 본 실시예에 따른 물류 리스크 예측 장치(100)는 예측 대상 리스크 지정부(102), 외부 데이터 수집부(104) 및 리스크 예측부(106)를 포함할 수 있다.Hereinafter, the configuration and operation of a logistics risk prediction apparatus according to another embodiment of the present invention will be described with reference to FIG. The logistics risk prediction apparatus 100 according to the present embodiment may include a prediction object risk determination unit 102, an external data collection unit 104, and a risk prediction unit 106. [

예측 대상 리스크 지정부(102)는 통신부(120)를 통해 물류 관리 시스템에 의하여 관리되는 물류 실행 이력 정보를 제공 받고, 상기 물류 실행 이력 정보를 이용하여 운송 루트 상의 노드에 대응하는 예측 대상 리스크를 결정한다.The prediction target risk management unit 102 receives the logistics execution history information managed by the logistics management system through the communication unit 120 and determines the prediction object risk corresponding to the node on the transportation route using the logistics execution history information do.

외부 데이터 수집부(104)는 상기 예측 대상 리스크에 대응하는 외부의 데이터 소스로부터 데이터를 수집한다.The external data collection unit 104 collects data from an external data source corresponding to the prediction object risk.

리스크 예측부(106)는 상기 수집된 데이터를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측한다.The risk predicting unit 106 analyzes the collected data and predicts the occurrence of the predicting target risk in advance.

일 실시예에 따르면, 물류 리스크 예측 장치(100)는 리스크 예측부(106)에 의하여 리스크 발생이 예측 되면, 상기 물류 실행 이력 정보를 이용하여 상기 리스크의 발생에 의하여 상기 예측 대상 리스크에 대응하는 노드의 이용 차질이 있을 것인지 더 예측 하는 노드 이용 차질 예측부(108)를 더 포함할 수 있다.According to one embodiment, when the occurrence of a risk is predicted by the risk predicting unit 106, the logistics risk predicting apparatus 100 may calculate the logistics execution history information using the logistics execution history information, And a node usage disruption predicting unit 108 for further predicting whether there is a use disorder of the network.

일 실시예에 따르면, 물류 리스크 예측 장치(100)는 노드 이용 차질 예측부(108)에 의하여 노드 이용에 차질이 있을 것으로 예측 되면, 그로 인해 발생하는 지연 기간을 감안하여 운송 루트에 대한 ETA를 조정하는 ETA 조정부(110)를 더 포함할 수 있다.According to one embodiment, when the node utilization predicting unit 108 predicts that there is a problem in node utilization by the node utilization predicting unit 108, the logistics risk predicting apparatus 100 adjusts the ETA for the transportation route considering the delay period caused thereby And an ETA adjusting unit (110).

일 실시예에 따르면, 현재 운송 루트에 따라 운송을 진행하는 도중이고, ETA 조정부(110)에 의하여 조정 된 ETA가 운송 완료 요구 시점 보다 늦어지는 경우, 상기 운송 완료 요구 시점 내에 운송이 완료 될 수 있는 대체 운송 루트를 생성하는 대체 루트 생성부(111)를 더 포함할 수 있다. 대체 루트 생성부(111)는 상기 생성 된 대체 루트에 대한 비용 정보 및 운송 소요 시간 정보 중 적어도 하나를 포함하는 대체 루트 안내 정보를 기 등록 된 화주 담당자 단말기 또는 리스크 발생 관리자 단말기에 송신할 수 있다.According to one embodiment, if the ETA adjusted by the ETA adjuster 110 is in the process of being transported according to the present transportation route, the transportation can be completed within the transportation completion request time And an alternative route generation unit 111 for generating an alternative transportation route. The alternative route generation unit 111 may transmit the alternative route guidance information including at least one of the cost information and the transportation time information of the generated alternative route to the pre-registered shippers representative terminal or the risk generation manager terminal.

이하, 본 발명의 또 다른 실시예에 따른 물류 리스크 예측 장치의 구성 및 동작을 도 17을 참조하여 설명한다. 본 실시예에 따른 물류 리스크 예측 장치는 리스크 발생 이력 데이터를 관리 하는 것을 특징으로 한다.Hereinafter, the configuration and operation of a logistics risk prediction apparatus according to another embodiment of the present invention will be described with reference to FIG. The logistics risk prediction apparatus according to the present embodiment is characterized by managing risk occurrence history data.

본 실시예에 따른 물류 리스크 예측 장치(100)는 리스크 발생 이력 데이터 관리부(114), 예측 대상 리스크 지정부(102), 외부 데이터 수집부(104) 및 리스크 예측부(106)를 포함할 수 있다.The logistics risk prediction apparatus 100 according to the present embodiment may include a risk occurrence history data management unit 114, a prediction object risk determination unit 102, an external data collection unit 104, and a risk prediction unit 106 .

리스크 발생 이력 데이터 관리부(114)는 통신부(112)를 통해 억세스 되는 상기 물류 실행 이력 정보에서 추출 된 리스크 상황 발생 기록을 리스크 타입 별로 그룹핑 한 리스크 발생 이력 데이터를 관리한다.The risk occurrence history data management unit 114 manages the risk occurrence history data obtained by grouping the risk occurrence records extracted from the logistics execution history information accessed through the communication unit 112 by the risk type.

예측 대상 리스크 지정부(102)는 리스크 발생 이력 데이터 관리부(114)로부터 리스크 발생 이력 데이터를 제공 받고, 상기 리스크 발생 이력 데이터를 이용하여 운송 루트 상의 노드에 대응하는 예측 대상 리스크를 결정한다.The prediction target risk management unit 102 receives the risk occurrence history data from the risk occurrence history data management unit 114 and determines the prediction target risk corresponding to the node on the transportation route using the risk occurrence history data.

일 실시예에 따르면, 물류 리스크 예측 장치(100)는 리스크 예측부(106)에 의하여 리스크 발생이 예측 되면, 상기 리스크 발생 이력 데이터를 이용하여 상기 리스크의 발생에 의하여 상기 예측 대상 리스크에 대응하는 노드의 이용 차질이 있을 것인지 더 예측 하는 노드 이용 차질 예측부(108)를 더 포함할 수 있다.According to one embodiment, when the risk occurrence is predicted by the risk predicting unit 106, the apparatus 100 for predicting the logistics risk may use the risk occurrence history data to generate the risk, And a node usage disruption predicting unit 108 for further predicting whether there is a use disorder of the network.

일 실시예에 따르면, 물류 리스크 예측 장치(100)는 노드 이용 차질 예측부(108)에 의하여 노드 이용에 차질이 있을 것으로 예측 되면, 그로 인해 발생하는 지연 기간을 감안하여 운송 루트에 대한 ETA를 조정하는 ETA 조정부(110)를 더 포함할 수 있다. 이 때, 일 실시예에 따르면, 현재 운송 루트에 따라 운송을 진행하는 도중이고, ETA 조정부(110)에 의하여 조정 된 ETA가 운송 완료 요구 시점 보다 늦어지는 경우, 상기 운송 완료 요구 시점 내에 운송이 완료 될 수 있는 대체 운송 루트를 생성하는 대체 루트 생성부(111)를 더 포함할 수 있는 점은, 도 16을 참조하여 설명한 것과 동일하다.According to one embodiment, when the node utilization predicting unit 108 predicts that there is a problem in node utilization by the node utilization predicting unit 108, the logistics risk predicting apparatus 100 adjusts the ETA for the transportation route considering the delay period caused thereby And an ETA adjusting unit (110). At this time, according to one embodiment, if the ETA adjusted by the ETA adjuster 110 is in the middle of the transportation in accordance with the present transportation route, the transportation is completed within the transportation completion request time The alternative route generation unit 111 may generate the alternative route that can be used for the alternative route, as described with reference to Fig.

본 발명의 또 다른 실시예에 따른 물류 리스크 예측 장치의 구성 및 동작에 대하여 도 18을 참조하여 설명한다. 본 실시예에 따른 물류 리스크 예측 장치(100)는 시스템 버스(158), 프로세서(150), 메모리(예를 들어, Random Access Memory)(152), 스토리지(154), 외부 장치와의 통신을 위한 네트워크 인터페이스(156)를 포함할 수 있다. 도 1 내지 도 10을 참조하여 설명된 본 발명의 실시예들에 따른 물류 리스크 예측 방법을 구현하는 컴퓨터 프로그램 코드는 스토리지(153)에 저장되어 메모리(152)에 로드 되고 프로세서(151)에 의해 실행될 수 있다.The configuration and operation of the apparatus for predicting the logistics risk according to another embodiment of the present invention will be described with reference to FIG. The logistics risk prediction apparatus 100 according to the present embodiment includes a system bus 158, a processor 150, a memory (e.g., Random Access Memory) 152, a storage 154, And a network interface 156. The computer program code for implementing the method for predicting the logistics risk according to the embodiments of the present invention described with reference to Figures 1 to 10 is stored in the storage 153, loaded into the memory 152 and executed by the processor 151 .

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.While the present invention has been described in connection with what is presently considered to be practical exemplary embodiments, it is to be understood that the invention is not limited to the disclosed embodiments, but, on the contrary, You will understand. It is therefore to be understood that the above-described embodiments are illustrative in all aspects and not restrictive.

Claims

Obtaining a logistics execution history information managed by a logistics transportation system connected to the logistics risk prediction device;
Wherein the logistics risk prediction apparatus comprises: determining a forecasting risk corresponding to a node on a transportation route using the logistics execution history information;
Wherein the logistics risk prediction device comprises: collecting data from an external data source corresponding to the prediction object risk; And
Wherein the logistics risk prediction apparatus includes a step of analyzing the collected data to predict the occurrence of the prediction object risk in advance,
Logistics risk prediction method.

The method according to claim 1,
Further comprising the step of predicting whether the utilization of the node corresponding to the forecasted risk during the expected use period of use by the logistics risk prediction apparatus is predicted using the logistics execution history data if the occurrence of the prediction subject risk is predicted ,
Logistics risk prediction method.

3. The method of claim 2,
Wherein when the use disorder is predicted, the logistics risk prediction device performs an Estimated Time of Arrival (ETA) information adjustment of the transportation route using a delay period due to the predicted use disorder of the node corresponding to the prediction object risk Further comprising:
Logistics risk prediction method.

3. The method of claim 2,
If the use disorder is predicted while the transportation is proceeding according to the transportation route, the logistics risk prediction device estimates the use disorder by using the delay time due to the predicted use disorder of the node corresponding to the prediction object risk, Determining whether the transportation can be completed; And
Further comprising generating an alternative transportation route in which the transportation can be completed within the transportation completion requesting time when the result of the determination is that transportation is difficult to complete within the transportation completion requesting time,
Logistics risk prediction method.

The method according to claim 1,
Further comprising generating an alternative transportation route in which the transportation can be completed within the transportation completion requesting time when the predetermined type of predicted risk occurrence is predicted during the transportation in accordance with the transportation route,
Logistics risk prediction method.

The method according to claim 1,
Wherein the prediction object risk includes one of a risk type managed in the logistics execution history information,
Logistics risk prediction method.

The method according to claim 6,
The risk type managed in the logistics execution history information may further include a new risk type according to a result of performing machine learning on the data to be reviewed,
Logistics risk prediction method.

The method according to claim 1,
Wherein the step of determining the prediction-
Inquiring the event information about the node on the transportation route from the logistics execution history information; And
And determining the prediction object risk based on the inquired event information.
Logistics risk prediction method.

The method according to claim 1,
The prediction object risk is a type of risk belonging to the weather deterioration group,
Wherein collecting the data comprises:
Collecting the forecasted risk-related forecast for an area of a node corresponding to the forecasted risk from an external device,
Wherein the step of predicting comprises:
And a forecasting unit that predicts whether a use failure of the node corresponding to the forecast target risk during the expected use period is predicted in advance using a regression model between a weather condition and a use disorder period obtained from the logistics execution history data, &Lt; / RTI >
Logistics risk prediction method.

10. The method of claim 9,
The step of predicting whether or not a use disruption during a use expectation period of a node corresponding to the forecasted risk is obtained using a regression model between a weather condition and a use disorder period obtained from the logistics execution history data,
Inquiring the occurrence-related event information of the prediction object risk to a node corresponding to the prediction object risk in the logistics execution history information;
Calculating an occurrence related index of the prediction object risk and a use interruption period of the node from the inquired event information;
Generating the regression model in which the indicator is an independent variable and the use interruption period of the node is a dependent variable;
Calculating the use disruption period by inputting the index to the regression model among the collected forecasted risk related forecasts; And
And performing an Estimated Time of Arrival (ETA) information adjustment of the transportation route using a delay period due to a usage disorder.
Logistics risk prediction method.

The method according to claim 1,
Wherein collecting the data comprises:
Collecting at least one of personalized content and Internet news content from one or more external devices when the risk to be predicted is a type of risk belonging to a social problem group.
Logistics risk prediction method.

12. The method of claim 11,
Wherein the personalized content is created by an individual who is associated with a neighboring region of a node corresponding to the risk to be predicted,
Logistics risk prediction method.

13. The method of claim 12,
Wherein the step of predicting the occurrence of the prediction-
Analyzing the frequency of use of the predicted risk-related vocabulary with respect to the collected personalized contents to predict the occurrence of the predictive risk in advance;
Logistics risk prediction method.

12. The method of claim 11,
Wherein the step of predicting the occurrence of the prediction-
The name of a node corresponding to the predictable risk and the number of risk comment contents in which the predictive risk related vocabulary is used simultaneously among the collected personalized contents and the Internet news contents to analyze the occurrence of the predictive risk in advance &Lt; / RTI >
Logistics risk prediction method.

15. The method of claim 14,
The name of a node corresponding to the predictable risk and the number of risk comment contents in which the predictive risk related vocabulary is used simultaneously among the collected personalized contents and the Internet news contents to analyze the occurrence of the predictive risk in advance Lt; / RTI >
Selecting keywords of the personal creation contents using the TF-IDF (Term Frequency - Inverse Document Frequency) for the collected personalized contents and Internet news contents; And
Judging, as the risk comment content, the individual created content and the Internet news content including both the name of the node corresponding to the prediction target risk and the prediction target risk related vocabulary among the keywords of the risk comment content;
Logistics risk prediction method.

12. The method of claim 11,
Wherein the step of predicting the occurrence of the prediction-
Extracting a content including the predicted risk-related vocabulary among the collected personalized contents;
Performing sentiment analysis on the extracted contents; And
And predicting the occurrence of the prediction object risk based on the result of the sensitivity analysis.
Logistics risk prediction method.

17. The method of claim 16,
The step of predicting the occurrence of the prediction object risk based on the result of the sensitivity analysis includes:
When the positive intensity of the predictive risk-related vocabulary exceeds the first reference value or the positive strength of the predictive risk-related vocabulary minus the negative intrinsic value exceeds a second reference value as a result of the sensitivity analysis, Predicting that a predicted risk will occur,
Logistics risk prediction method.

The method according to claim 1,
Wherein the step of determining the prediction-
Determining a risk to be predicted based on risk occurrence history data obtained by grouping risk occurrence logs extracted from the logistics execution history information by risk type;
Logistics risk prediction method.

19. The method of claim 18,
Collecting event information related to occurrence of a risk event that is not recorded in the risk occurrence history data in the logistics execution history information periodically or non-periodically; And
Wherein the logistics risk prediction device further comprises inserting the collected event information into the risk occurrence history data for each risk type,
Wherein the inserting step comprises:
Extracting data for a column designated by a risk type from the collected event information; And
And setting the extracted data as data for the column.
Logistics risk prediction method.

20. The method of claim 19,
The risk occurrence history data for a type of risk belonging to the social problem group includes a column of business disruption reasons,
Wherein collecting the data comprises:
Comprising the steps of: collecting personal creation contents from an external device,
Wherein the step of predicting comprises:
Obtaining a text of a business interruption cause column of the risk occurrence history data for a risk of a type of a risk belonging to the social problem group of a node corresponding to the prediction subject risk;
Obtaining a keyword from the text; And
Predicting the occurrence of the predictable risk based on the frequency of use of the predictive risk-related vocabulary and the number of risk comment contents including all of the keywords for the collected personalized contents.
Logistics risk prediction method.

In combination with the computer device,
Obtaining logistics execution history information managed by the logistics management system connected to the logistics risk prediction device;
Determining a forecasting risk corresponding to a node on a transportation route using the logistics execution history information;
Collecting data from an external data source corresponding to the prediction object risk; And
And analyzing the collected data to predict the occurrence of the prediction object risk in advance,
A computer program stored on a medium.

A forecasting risk dossier for receiving logistics execution history information managed by a logistics management system and determining a forecasting risk corresponding to a node on a transportation route using the logistics execution history information;
An external data collection unit for collecting data from an external data source corresponding to the prediction object risk; And
And a risk prediction unit for analyzing the collected data and predicting the occurrence of the predicted risk,
Logistics risk prediction device.

23. The method of claim 22,
And a risk occurrence history data management unit for managing risk occurrence history data obtained by grouping the risk occurrence logs extracted from the logistics execution history information by risk type,
Wherein the prediction object risk designation unit determines the prediction object risk based on the risk occurrence history data,
Logistics risk prediction device.

23. The method of claim 22,
The prediction object risk is a type of risk belonging to the weather deterioration group,
Wherein the external data collector comprises:
Collecting the forecasted risk-related forecast for an area of a node corresponding to the forecasted risk from a weather forecast server,
Wherein when the occurrence of the prediction subject risk is predicted by the risk predicting unit, whether a use failure of the node corresponding to the prediction subject risk is determined by using a regression model between a weather condition and a use disorder period obtained from the logistics execution history data Further comprising a node use difference predicting unit that predicts in advance,
Logistics risk prediction device.

23. The method of claim 22,
The predicted risk is a type of risk belonging to a social problem group,
Wherein the external data collector comprises:
Collecting at least one of Internet news content and personal creation content from one or more external devices,
The risk prediction unit may include:
And predicting occurrence of the prediction object risk on the basis of the frequency of use of the prediction subject risk related vocabulary with respect to the collected personalized contents,
Logistics risk prediction device.