KR102041840B1 - 전자 입찰을 위한 투찰율 예측 분석시스템 및 그 방법 - Google Patents

전자 입찰을 위한 투찰율 예측 분석시스템 및 그 방법 Download PDF

Info

Publication number
KR102041840B1
KR102041840B1 KR1020190047406A KR20190047406A KR102041840B1 KR 102041840 B1 KR102041840 B1 KR 102041840B1 KR 1020190047406 A KR1020190047406 A KR 1020190047406A KR 20190047406 A KR20190047406 A KR 20190047406A KR 102041840 B1 KR102041840 B1 KR 102041840B1
Authority
KR
South Korea
Prior art keywords
rate
prediction
information
competitors
competitor
Prior art date
Application number
KR1020190047406A
Other languages
English (en)
Inventor
정헌수
김현일
김보선
권순철
Original Assignee
(주) 에스와이소프트
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주) 에스와이소프트 filed Critical (주) 에스와이소프트
Priority to KR1020190047406A priority Critical patent/KR102041840B1/ko
Application granted granted Critical
Publication of KR102041840B1 publication Critical patent/KR102041840B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/08—Auctions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 전자 입찰을 위한 투찰율 예측 분석시스템 및 그 방법에 관한 것이다. 또한, 본 발명은 본 발명은 데이터베이스로부터 현재 입찰공고의 공종, 발주처, 지역, 면허, 예정가격 사정범위에 부합하는 과거 입찰공고들을 검색한 다음, 각각의 과거 입찰공고에 참여한 경쟁사들의 투찰율 정보들을 추출하는 추출부와, 추출된 경쟁사들의 투찰율 정보들 중에서 사전에 설정된 기준치 또는 범위를 벗어나는 투찰율 정보들을 제거하는 전처리를 수행하는 전처리부와, 전처리 완료된 경쟁사들을 소정의 조건에 따라 복수 개의 상위군으로 분류하고 분류된 각각의 상위군을 복수의 세부군으로 세분화하는 분류부와, 각각의 세부군별로 투찰 횟수가 가장 많은 경쟁사를 산출하고 산출된 경쟁사의 투찰율 정보들을 학습대상 정보로 선정하는 학습대상 선정부 및 선정된 학습대상 정보를 입력값으로 신경망 모델의 학습을 수행하여 각 세부군의 수에 해당하는 투찰율 예측 모델을 생성하는 예측 모델 생성부를 구비함으로써, 각각의 세부군별로 생성된 투찰율 예측 모델을 이용하여 사용자가 요청하는 경쟁사의 투찰율에 대한 정보를 객관적이며 정확하게 예측 분석할 수 있다.

Description

전자 입찰을 위한 투찰율 예측 분석시스템 및 그 방법{Tender price rate predictive analytics system and method for electronic bid}
본 발명은 전자 입찰을 위한 투찰율 예측 분석시스템 및 그 방법에 관한 것이다.
일반적으로, 정부, 지방자치단체 및 다양한 공공 기관들에서 발주하는 사업에 대한 사업 수행자를 선정하는 과정은 전자입찰에 의해서 이루어지고 있다.
이러한, 전자 입찰은 직접 입찰 장소에 방문하여 입찰 서류를 제출할 필요없이 인터넷을 통해 물품 조달 또는 시설 공사 입찰에 참여할 수 있는 입찰 방식을 말하며, 전자 입찰 제도는 2000년 11월 조달청이 처음 도입한 이후 각급 정부기관, 지방자치단체, 정부투자기관 등은 2002년 9월부터 나라장터에 입찰 공고를 공시하도록 의무화되었다.
아울러, 공공 기관의 입찰 집행관은 입찰 관리 시스템을 통하여 입찰 공고를 작성하고, 업체의 입찰서를 전자적으로 접수하여 자동 개찰을 수행한 후 낙찰자 선정을 할 수 있다.
도 1은 입찰 관리 시스템으로부터 공시되는 종래의 입찰공고문을 나타내는 도면이다.
도 1을 참조하며, 종래의 전자 입찰 처리 과정을 설명한다.
먼저, 사업을 수행하고자 하는 공공 기관은 전자입찰 공고문을 공시한다. 공고문에는 공고명, 공고번호, 지역, 면허, 기초 금액, 추정 가격, 낙찰 하한율, 예정가격 사정범위, 투찰 마감 일시, 개찰 일시 등이 포함된다.
여기서, 전술한 기초 금액은, 발주처에서 조사한 당해 공사의 공사 금액으로 관급 자재 비용을 제외하고, 부가가치세가 합산된 금액으로 예정 가격을 위한 15개 복수예비가격 산정 시 기준이 되는 가격을 말한다.
또한, 추정 가격은, 예정 가격이 결정되기 전에 예산에 계산된 금액 등을 기준하여 부가가치세 및 조달 수수료를 제외한 금액으로 적격 심사 기준을 결정할 때 사용되며, 낙찰 하한율은 발주처 적격 심사 기준에서 통과 점수가 나오기 위한 최저 입찰 가격 비율, 부실 공사를 방지하기 위해 만들어졌고 입찰 공고문에 명시되어 있다. 낙찰 하한율의 종류로는 87.745%, 86.745% 등으로 다양하게 설정된다.
또한, 예정가격 사정범위는, 기초 금액을 기준으로 복수예비가격을 산정하고 예정 가격을 정하기 위한 범위로서, 발주처 별로 범위가 다르고 가장 많은 범위로는 97% 내지 103%와 98% 내지 102%가 사용되며, 사정율(공고)로 칭하기도 한다.
또한, 복수예비가격은, 예정 가격 결정을 위해 기초 금액을 기준으로 발주처 제무관이 작성한 서로 다른 15개의 가격, 사전에 정해진 원가 계산 및 예정 가격 작성 요령에 의해 예정가격 사정범위에서 구간별로 나뉘고 그 구간에서는 랜덤으로 15개가 산출된다. 복수예비가격을 공개하는 발주처와 비공개하는 발주처로 나뉘는데 대부분 비공개를 원칙으로 한다.
이러한, 입찰공고문에 공시된 사업에 입찰하고자 하는 입찰자들은 입찰 가격을 산정하여 입찰에 참여하게 되고, 입찰에 참여한 입찰자들은 투찰시 복수예비가격 2개를 랜덤으로 선택하게 된다.
그러면, 입찰 관리 시스템은 입찰자들이 선택한 복수예비가격들 중 가장 많이 선택된, 즉, 추첨수가 가장 많은 4개의 복수 예비 가격들을 산술평균하여 예정 가격을 선정한다.
도 2는 입찰 관리 시스템에 의한 예정 가격의 선정 과정을 설명하기 위한 도면이다.
도 2를 참조하면, 1번, 2번, 7번, 12번 복수 예비 가격(복수예가)의 추첨수가 가장 많으므로, 예정 가격 = (106,920,000 + 110,330,000 + 108,240,000 + 112,530,000 ) ÷ 4 = 109,505,000 로 결정된다.
그 후, 입찰 관리 시스템은 낙찰 하한가를 계산하는데, 낙찰하한가는 '예정가격 x 낙찰 하한율 = 109,505,000 x 0.87745 = 96,085,162'로 계산될 수 있다.
한편, 낙찰 하한가 미만으로 투찰한 경우 낙찰받을 자격을 상실하게 되고, 낙찰 하한가 이상이며, 낙찰하한가와 가장 가깝게 입찰 금액을 제출한 입찰자가 1순위가 된다. 즉, 낙찰 하한가와 동일한 금액으로 입찰하거나, 낙찰 하한가보다 큰 금액으로 입찰한 입찰자들 중 가장 낮은 금액으로 입찰한 입찰자가 1순위가 된다.
도 3은 입찰 관리 시스템으로부터 공시되는 종래의 개찰 결과를 나타내는 도면이다.
도 3에 도시된 바와 같이, 입찰 과정이 종료되면, 입찰 관리 시스템은 개찰 결과를 공고하면서 각 입찰자들의 입찰 내역을 함께 공개한다.
여기서, 사정율(개찰)은 기초 가격 대비 예정 가격의 비율로서 '예정 가격 ÷ 기초 금액 x 100(%) = 109,505,000 ÷ 110,000,000 x 100 = 99.5500%'로 계산될 수 있다.
즉, 입찰자들은 낙찰 하한가 이상으로 입찰하되, 최대한 낙찰 하한가에 근접한 가격으로 입찰하는 것이 중요하다. 아울러, 입찰할 금액을 선정할 때, 경쟁률이 집중되는 구간에서는 수십 원 내지 수백 원 차이로 낙찰자로 선정되지 못하는 경우가 발생할 수도 있으므로, 동일한 입찰공고에 참여하는 경쟁자들의 투찰율을 파악하는 것도 매우 중요하다. 여기서, 전술한 투찰율은 경쟁사의 입찰 금액, 즉, 투찰 금액을 기초 금액으로 나누고 100(%)를 곱한 값이다.
한편, 종래에는 경쟁사의 투찰 성향과 투찰율을 파악하기 위해, 과거의 입찰공고들 중에서 현재 입찰공고의 조건, 예컨대, 공종, 발주처, 지역, 면허, 예정가격 사정범위 등이 동일한 입찰공고들을 일일이 확인하여 경쟁사의 입찰 여부와 투찰율을 파악하여야 하기 때문에, 상당한 시간과 노력이 불가피하게 소요되는 문제점이 있다.
특히, 경쟁사들의 투찰율은 지역, 면허, 발주처 등에 따라 다르게 형성되기 때문에, 경쟁사의 투찰 성향을 정확하게 파악하기가 매우 곤란한 문제점이 있다.
아울러, 경쟁사의 투찰 성향과 투찰율을 분석하는 전자입찰 분석가의 주관성에 따라, 경쟁사의 투찰 성향이 실제와 다르게 파악되거나 투찰율의 예측 정확성을 저하시키는 문제점이 있다.
본 발명은 상기와 같은 문제점을 감안하여 안출된 것으로, 과거 입찰공고에 참여한 경쟁사의 투찰율 정보들을 이용하여, 현재 입찰공고 또는 다음 입찰공고에 대한 경쟁사의 투찰율을 객관적이며 정확하게 예측 분석할 수 있는 전자 입찰을 위한 투찰율 예측 분석시스템 및 그 방법을 제공하는데 그 목적이 있다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 본 발명은 과거 입찰공고들에 대한 정보와 각 입찰에 참여한 경쟁사들의 투찰율 정보들이 저장되는 데이터베이스; 상기 데이터베이스로부터 현재 입찰공고의 공종, 발주처, 지역, 면허, 예정가격 사정범위에 부합하는 과거 입찰공고들을 검색한 다음, 각각의 과거 입찰공고에 참여한 경쟁사들의 투찰율 정보들을 추출하는 추출부; 상기 추출된 경쟁사들의 투찰율 정보들 중에서, 사전에 설정된 기준치 또는 범위를 벗어나는 투찰율 정보들을 제거하는 전처리를 수행하는 전처리부; 전처리 완료된 경쟁사들을, 소정의 조건에 따라 복수 개의 상위군으로 분류하고 분류된 각각의 상위군을 복수의 세부군으로 세분화하는 분류부; 각각의 세부군별로 투찰 횟수가 가장 많은 경쟁사를 선정하고, 산출된 경쟁사의 투찰율 정보들을 학습대상 정보로 선정하는 학습대상 선정부; 및 상기 선정된 학습대상 정보를 입력값으로 신경망 모델의 학습을 수행함으로써, 각 세부군의 수에 해당하는 투찰율 예측 모델을 생성하는 예측 모델 생성부;를 포함하는 전자 입찰을 위한 투찰율 예측 분석시스템을 제공한다.
바람직한 실시예에 있어서, 각 세부군별 투찰율 예측 모델을 이용하여, 해당 세부군에 속한 경쟁사들의 투찰율을 예측 분석하고 그 분석결과를 출력하는 예측 분석부;를 더 포함한다.
바람직한 실시예에 있어서, 상기 예측 모델 생성부는, 평균 제곱근 오차(Root Mean Square Error, RMSE)를 이용하여 각 투찰율 예측 모델별로 예상되는 오차 범위를 계산하고, 상기 예측 분석부는, 예측 분석에 사용된 투찰율 예측 모델의 오차 범위에 대한 정보를 분석결과와 함께 출력한다.
바람직한 실시예에 있어서, 상기 전처리부는, 현재 입찰공고의 예정가격 사정범위를 벗어나는 경쟁사들의 투찰율 정보들을 산출하여 제거하고, 단위 기간 내 입찰 참여 비율이 기준치 미만인 경쟁사들과 이의 투찰율 정보들을 산출하여 제거하는 제 1 전처리수단;을 포함한다.
바람직한 실시예에 있어서, 상기 전처리부는, 현재 입찰공고의 예정가격 사정범위에 포함되는 기준 범위를 설정하고, 이를 벗어나는 투찰율 정보들을 산출하여 제거하는 제 2 전처리수단;을 포함한다.
바람직한 실시예에 있어서, 상기 전처리부는, 각각의 경쟁사별로 단위기간 내 투찰율 정보들의 평균을 산출하고, 산출된 평균으로부터 기설정된 표준편차 범위 밖의 투찰율 정보들을 산출하여 제거하는 제 3 전처리수단;을 포함한다.
바람직한 실시예에 있어서, 상기 제 3 전처리수단은, 경쟁사들 전체의 투찰율 정보들에 대한 전체 표준편차를 산출하고 각각의 경쟁사별로 투찰율 정보들에 대한 개별 표준편차를 산출한 다음, 산출된 개별 표준편차가 전체 표준편차와 같거나 큰 경쟁사들을 더 제거한다.
바람직한 실시예에 있어서, 상기 분류부는, 상위군의 분류를 위한 복수의 기준점을 사전에 설정하고, 상기 제 3 전처리수단에서 산출된 각 경쟁사별 개별 표준편차에 기초하여, 개별 표준편차가 첫 번째 기준점보다 작은 경쟁사들을 첫 번째 상위군에 분류하고, 개별 표준편차가 두 번째 기준점보다 작고 첫 번째 기준점과 같거나 큰 경쟁사들을 두 번째 상위군에 분류하며, 개별 표준편차가 K 번째 기준점보다 작고 K-1 번째 기준점과 같거나 큰 경쟁사들을 K 번째 상위군으로 분류하는 제 1 분류수단;을 포함한다.
바람직한 실시예에 있어서, 상기 분류부는, 현재 입찰공고의 예정가격 사정범위를 복수 개의 구간으로 나누고, 각 경쟁사별로 각 구간에 속한 투찰율 정보들의 빈도수를 산출한 다음, 가장 많은 투찰율 정보들이 포함된 구간의 빈도수를 전체 투찰율 정보들의 수로 나눈 값으로 각 경쟁사의 투찰 집중율을 산출하고, 각각의 상위군에 속한 경쟁사별 투찰 집중율에 따라 해당 상위군을 복수의 세부군으로 세분화하는 제 2 분류수단;을 더 포함한다.
바람직한 실시예에 있어서, 상기 예측 모델 생성부는, MLP(Multi Layer Perceptron), Vanilla LSTM(long short-term memory), Stacked LSTM 및 Hybrid Model을 포함하는 신경망 모델을 순차 적용하여 상기 투찰율 예측 모델을 생성한다.
바람직한 실시예에 있어서, 상기 예측 모델 생성부는, 그리드 서치(Grid Search)를 이용하여 신경망 모델의 초모수를 설정하는 최적화 과정을 MLP부터 Vanilla LSTM, Stacked LSTM 및 Hybrid Model의 순서로 수행하고, 특정 신경망 모델이 최적화를 완료하면 최적화 과정을 종료하며, 최적화를 완료한 신경망 모델로 상기 투찰율 예측 모델을 생성한다.
또한, 본 발명은 투찰율 예측 분석시스템에서 수행되는 전자 입찰을 위한 투찰율 예측 분석방법으로서, (1) 상기 투찰율 예측 분석시스템이, 과거 입찰공고들에 대한 정보와 각 입찰에 참여한 경쟁사들의 투찰율 정보들이 저장되는 데이터베이스로부터, 현재 입찰공고의 공종, 발주처, 지역, 면허, 예정가격 사정범위에 부합하는 과거 입찰공고들을 검색한 다음, 각각의 과거 입찰공고에 참여한 경쟁사들의 투찰율 정보들을 추출하는 단계; (2) 상기 투찰율 예측 분석시스템이, 상기 추출된 경쟁사들의 투찰율 정보들 중에서 사전에 설정된 기준치 또는 범위를 벗어나는 투찰율 정보들을 제거하는 전처리를 수행하는 단계; (3) 상기 투찰율 예측 분석시스템이, 전처리 완료된 경쟁사들을 소정의 조건에 따라 복수 개의 상위군으로 분류하고 분류된 각각의 상위군을 복수의 세부군으로 세분화하는 단계; (4) 상기 투찰율 예측 분석시스템이, 각각의 세부군별로 투찰 횟수가 가장 많은 경쟁사를 선정하고, 산출된 경쟁사의 투찰율 정보들을 학습대상 정보로 선정하는 단계; 및 (5) 상기 투찰율 예측 분석시스템이, 상기 선정된 학습대상 정보를 입력값으로 신경망 모델의 학습을 수행함으로써, 각 세부군의 수에 해당하는 투찰율 예측 모델을 생성하는 단계;를 포함하는 전자 입찰을 위한 투찰율 예측 분석방법을 제공한다.
바람직한 실시예에 있어서, 상기 제 (5)단계 이후에, (6) 상기 투찰율 예측 분석시스템이, 각 세부군별 투찰율 예측 모델을 이용하여 해당 세부군에 속한 경쟁사들의 투찰율을 예측 분석하고 그 분석결과를 출력하는 단계;를 더 포함한다.
바람직한 실시예에 있어서, 상기 제 (5)단계에서 상기 투찰율 예측 분석시스템은, 평균 제곱근 오차(Root Mean Square Error, RMSE)를 이용하여 각 투찰율 예측 모델별로 예상되는 오차 범위를 계산하고, 상기 제 (6)단계에서 상기 투찰율 예측 분석시스템은, 예측 분석에 사용된 투찰율 예측 모델의 오차 범위에 대한 정보를 분석결과와 함께 출력한다.
바람직한 실시예에 있어서, 상기 제 (2)단계는, (2-1) 상기 투찰율 예측 분석시스템이, 현재 입찰공고의 예정가격 사정범위를 벗어나는 경쟁사들의 투찰율 정보들을 산출하여 제거하고, 단위 기간 내 입찰 참여 비율이 기준치 미만인 경쟁사들과 이의 투찰율 정보들을 산출하여 제거하는 단계;를 포함한다.
바람직한 실시예에 있어서, 상기 제 (2)단계는, (2-2) 상기 투찰율 예측 분석시스템이, 현재 입찰공고의 예정가격 사정범위에 포함되는 기준 범위를 설정하고, 이를 벗어나는 투찰율 정보들을 산출하여 제거하는 단계;를 포함한다.
바람직한 실시예에 있어서, 상기 제 (2)단계는, (2-3) 상기 투찰율 예측 분석시스템이, 각각의 경쟁사별로 단위기간 내 투찰율 정보들의 평균을 산출하고, 산출된 평균으로부터 기설정된 표준편차 범위 밖의 투찰율 정보들을 산출하여 제거하는 단계;를 포함한다.
바람직한 실시예에 있어서, 상기 제 (2-3)단계에서 상기 투찰율 예측 분석시스템은, 경쟁사들 전체의 투찰율 정보들에 대한 전체 표준편차를 산출하고 각각의 경쟁사별로 투찰율 정보들에 대한 개별 표준편차를 산출한 다음, 산출된 개별 표준편차가 전체 표준편차와 같거나 큰 경쟁사들을 더 제거한다.
바람직한 실시예에 있어서, 상기 제 (3)단계는, (3-1) 상기 투찰율 예측 분석시스템이, 상위군의 분류를 위한 복수의 기준점을 사전에 설정하고, 상기 산출된 각 경쟁사별 개별 표준편차에 기초하여, 개별 표준편차가 첫 번째 기준점보다 작은 경쟁사들을 첫 번째 상위군에 분류하고, 개별 표준편차가 두 번째 기준점보다 작고 첫 번째 기준점과 같거나 큰 경쟁사들을 두 번째 상위군에 분류하며, 개별 표준편차가 K 번째 기준점보다 작고 K-1 번째 기준점과 같거나 큰 경쟁사들을 K 번째 상위군으로 분류하는 단계;를 포함한다.
바람직한 실시예에 있어서, 상기 제 (3-1)단계 이후에, (3-2) 상기 투찰율 예측 분석시스템이, 현재 입찰공고의 예정가격 사정범위를 복수 개의 구간으로 나누고, 각 경쟁사별로 각 구간에 속한 투찰율 정보들의 빈도수를 산출한 다음, 가장 많은 투찰율 정보들이 포함된 구간의 빈도수를 전체 투찰율 정보들의 수로 나눈 값으로 각 경쟁사의 투찰 집중율을 산출하고, 각각의 상위군에 속한 경쟁사별 투찰 집중율에 따라 해당 상위군을 복수의 세부군으로 세분화하는 단계;를 더 포함한다.
바람직한 실시예에 있어서, 상기 제 (5)단계에서 상기 투찰율 예측 분석시스템은, MLP(Multi Layer Perceptron), Vanilla LSTM(long short-term memory), Stacked LSTM 및 Hybrid Model을 포함하는 신경망 모델을 순차 적용하여 상기 투찰율 예측 모델을 생성한다.
바람직한 실시예에 있어서, 상기 제 (5)단계에서 상기 투찰율 예측 분석시스템은, 그리드 서치(Grid Search)를 이용하여 신경망 모델의 초모수를 설정하는 최적화 과정을 MLP부터 Vanilla LSTM, Stacked LSTM 및 Hybrid Model의 순서로 수행하고, 특정 신경망 모델이 최적화를 완료하면 최적화 과정을 종료하며, 최적화를 완료한 신경망 모델로 상기 투찰율 예측 모델을 생성한다.
전술한 과제해결 수단에 의해 본 발명은 과거 입찰공고들에 대한 정보와 각 입찰에 참여한 경쟁사들의 투찰율 정보들이 저장되는 데이터베이스와, 데이터베이스로부터 현재 입찰공고의 공종, 발주처, 지역, 면허, 예정가격 사정범위에 부합하는 과거 입찰공고들을 검색한 다음, 각각의 과거 입찰공고에 참여한 경쟁사들의 투찰율 정보들을 추출하는 추출부와, 추출된 경쟁사들의 투찰율 정보들 중에서 사전에 설정된 기준치 또는 범위를 벗어나는 투찰율 정보들을 제거하는 전처리를 수행하는 전처리부와, 전처리 완료된 경쟁사들을 소정의 조건에 따라 복수 개의 상위군으로 분류하고 분류된 각각의 상위군을 복수의 세부군으로 세분화하는 분류부와, 각각의 세부군별로 투찰 횟수가 가장 많은 경쟁사를 산출하고 산출된 경쟁사의 투찰율 정보들을 학습대상 정보로 선정하는 학습대상 선정부 및 선정된 학습대상 정보를 입력값으로 신경망 모델의 학습을 수행하여 각 세부군의 수에 해당하는 투찰율 예측 모델을 생성하는 예측 모델 생성부를 구비함으로써, 각각의 세부군별로 생성된 투찰율 예측 모델을 이용하여 사용자가 요청하는 경쟁사의 투찰율에 대한 정보를 객관적이며 정확하게 예측 분석할 수 있는 효과가 있다.
도 1은 입찰 관리 시스템으로부터 공시되는 종래의 입찰공고문을 나타내는 도면.
도 2는 입찰 관리 시스템에 의한 예정 가격의 선정 과정을 설명하기 위한 도면.
도 3은 입찰 관리 시스템으로부터 공시되는 종래의 개찰 결과를 나타내는 도면.
도 4는 본 발명의 일실시예에 따른 투찰율 예측 분석시스템을 설명하기 위한 도면.
도 5는 투찰율 예측 분석시스템의 세부 구성을 설명하기 위한 도면.
도 6은 본 발명의 일실시예에 따른 투찰율 예측 분석방법을 설명하기 위한 도면.
하기의 설명에서 본 발명의 특정 상세들이 본 발명의 전반적인 이해를 제공하기 위해 나타나 있는데, 이들 특정 상세들 없이 또한 이들의 변형에 의해서도 본 발명이 용이하게 실시될 수 있다는 것은 이 기술분야에서 통상의 지식을 가진 자에게 자명할 것이다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도 4 내지 도 6을 참조하여 상세히 설명하되, 본 발명에 따른 동작 및 작용을 이해하는데 필요한 부분을 중심으로 설명한다.
도 4는 본 발명의 일실시예에 따른 투찰율 예측 분석시스템을 설명하기 위한 도면이고, 도 5는 투찰율 예측 분석시스템의 세부 구성을 설명하기 위한 도면이다.
도 4 및 도 5를 참조하면, 본 발명의 일실시예에 따른 투찰율 예측 분석시스템(100)은 데이터베이스(110), 추출부(120), 전처리부(130), 분류부(140), 학습대상 선정부(150), 예측 모델 생성부(160) 및 예측 분석부(170)를 포함하여 구성된다.
여기에서, 본 발명의 일실시예에 따른 투찰율 예측 분석시스템(100)은 인터넷망 및 모바일 통신망을 포함하는 통신망을 통해, 스마트폰 및 퍼스널 컴퓨터를 포함하는 사용자 단말(10) 또는 관리자 단말이 접속 가능한 서버의 형태로 구현되거나 전술한 서버에 설치되는 프로그램으로 구현될 수 있다.
아울러, 본 발명의 일실시예에 따른 투찰율 예측 분석시스템(100)은 입찰 관리 시스템에 공시된 현재 입찰공고나 다음 입찰공고를 대상으로, 경쟁사의 투찰 성향에 따라 해당 경쟁사에서 투찰할 가능성이 높은 투찰율을 예측 분석하고 그 분석결과를 제공하는 용도로 사용될 수 있다.
즉, 본 발명의 일실시예에 따른 투찰율 예측 분석시스템(100)은 사용자 단말(10)로부터 요청되는 현재 입찰공고와 경쟁사의 정보에 따라, 해당 경쟁사의 투찰율이 현재 입찰공고에서 어느 정도로 형성될 것인지 예측 분석하여 그 분석결과를 해당 사용자 단말(10)에 제공할 수 있다.
이하에서는, 본 발명의 일실시예에 따른 투찰율 예측 분석시스템(100)의 세부 구성에 대해 상세하게 설명한다.
상기 데이터베이스(110)에는 입찰 관리 시스템에 공시된 과거 입찰공고들에 대한 정보와 각 입찰에 참여한 경쟁사들의 투찰율 정보들이 저장된다.
이러한, 데이터베이스(110)에는 과거 입찰공고의 공종, 발주처, 지역, 면허, 예정가격 사정범위에 대한 정보가 먼저 저장되고, 그 입찰공고에 대한 개찰이 완료되면, 해당 과거 입찰공고에 참여한 경쟁사들과 각 경쟁사의 투찰율에 대한 정보가 저장될 수 있다.
또한, 전술한 데이터베이스(110)는 입찰 관리 시스템으로부터 입찰공고가 공시되어 개찰이 완료될 때마다 전술한 정보들이 실시간으로 누적될 수도 있고, 입찰 관리 시스템으로부터 입찰공고에 대한 정보와 해당 입찰공고에 참여한 경쟁사들과 각 경쟁사의 투찰율에 대한 정보를 실시간으로 자동 수집하여 저장하는 수집부가 더 구비될 수도 있다.
상기 추출부(120)는 상기 데이터베이스(110)로부터 현재 입찰공고의 공종, 발주처, 지역, 면허, 예정가격 사정범위에 부합하는 과거 입찰공고들을 검색한 다음, 각각의 과거 입찰공고에 참여한 경쟁사들의 투찰율 정보들을 추출한다.
한편, 추출부(120)를 통해 추출하고자 하는 입찰공고에 대한 정보나 경쟁사에 대한 정보를 사용자 단말(10) 또는 관리자 단말로부터 수신하여 추출부(120)에 출력하는 수신부가 더 구비될 수도 있다.
상기 전처리부(130)는 추출부(120)에서 추출된 경쟁사들의 투찰율 정보들 중에서, 사전에 설정된 기준치 또는 범위를 벗어나는 경쟁사들과 투찰율 정보들을 산출하여 제거하는 전처리를 수행하며, 이를 위한 제 1 전처리수단(131), 제 2 전처리수단(132) 및 제 3 전처리수단(133)을 포함하여 구성될 수 있다.
상기 제 1 전처리수단(131)은 현재 입찰공고의 예정가격 사정범위를 벗어나는 경쟁사들의 투찰율 정보들을 산출하여 제거하고, 단위 기간 내 입찰 참여 비율이 기준치 미만인 경쟁사들과 이의 투찰율 정보들을 산출하여 제거하는 기능을 수행한다.
먼저, 제 1 전처리수단(131)은 현재 입찰공고에 공시된 예정가격 사정범위의 최소값 미만이거나 최대값을 초과하는 투찰율 정보들을 제거하며, 예를 들어, 입찰 관리 시스템으로부터 공시되는 예정가격 사정범위는 주로 97% 내지 103%로 설정되거나 98% 내지 102%로 설정되는데, 제 1 전처리수단(131)은 경쟁사들의 투찰율 정보들 중에서 97% 또는 98% 미만이거나 102% 또는 103%를 초과하는 투찰율 정보들을 산출하여 제거할 수 있다.
그리고, 제 1 전처리수단(131)은 각각의 경쟁사별로 단위 기간 내 입찰 참여 수를 산출한 다음 단위 기간 전체의 과거 입찰공고 수로 나누는 방식으로 각 경쟁사의 입찰 참여 비율을 계산할 수 있다. 이때, 제 1 전처리수단(131)의 기준치는 사전에 특정값으로 설정되며, 예컨대, 기준치가 30%로 설정된 경우 단위 기간 내 입찰 참여 비율이 30% 미만인 경쟁사들과 해당 경쟁사들의 투찰율 정보들을 제거할 수 있다.
이러한, 제 1 전처리수단(131)에 의해 제거되는 투찰율 정보들은 후술할 투찰율 예측 모델을 생성하는데 불필요한 정보들로서, 해당 정보들을 제거함으로써 예측 분석의 정확성을 높일 수 있다.
즉, 전 1 전처리수단(131)에 의해 전술한 추출부(120)에서 추출된 경쟁사들과 각 경쟁사의 투찰율 정보들 중에서, 투찰율 예측 모델을 생성하는데 불필요한 일부의 경쟁사들과 해당 경쟁사의 투찰율 정보들이 제거되고, 남아있는 경쟁사들과 투찰율 정보들이 전 1 전처리수단(131)으로부터 제 2 전처리수단(132)에 제공될 수 있다.
상기 제 2 전처리수단(132)은 현재 입찰공고의 예정가격 사정범위에 포함되는 기준 범위를 설정하고, 제 1 전처리수단(131)에서 제공된 투찰율 정보들 중에서 전술한 기준 범위를 벗어나는 투찰율 정보들을 산출하여 제거하는 기능을 수행한다.
이때, 제 2 전처리수단(132)에 설정되는 기준 범위는 현재 입찰공고의 예정가격 사정범위에 따라 설정되며, 예정가격 사정범위가 97% 내지 103%라고 하면 기준 범위의 최소값이 97%보다 크고 최대값은 103%보다 작게 설정될 수 있으며, 예를 들어, 기준 범위의 최소값은 98.5%로 설정되고 최대값은 101.5%로 설정될 수 있다.
그리고, 제 2 전처리수단(132)은 기준 범위에 기초하여, 97% 내지 98.4% 사이의 투찰율 정보들과 101.6% 내지 103% 사이의 투찰율 정보들을 산출하여 제거할 수 있다.
참고로, 현재 입찰공고의 예정가격 사정범위가 97% 내지 103%로 공시되어 있더라도, 입찰 공고 개찰 시의 사정율은 대부분 평균이 100%인 정규분포로 형성되며, 개찰 시의 사정율에 맞춰 일반적으로 전자입찰에 참여하는 업체들의 투찰율을 고려하였을 때, 제 2 전처리수단(132)을 통해 100%에서 먼 투찰율 정보들을 제거함으로써, 궁극적으로는 투찰율 예측 모델에 의한 예측 분석의 정확성을 높일 수 있다.
즉, 전 2 전처리수단(132)에 의해 예측 분석의 정확성을 낮출 가능성이 있는 투찰율 정보들이 제거되고, 남아있는 경쟁사들과 투찰율 정보들이 전 2 전처리수단(132)으로부터 제 3 전처리수단(132)에 제공될 수 있다.
상기 제 3 전처리수단(133)은 각각의 경쟁사별로 단위기간 내 투찰율 정보들의 평균을 산출하고, 산출된 평균으로부터 기설정된 표준편차 범위 밖의 투찰율 정보들을 산출하여 제거하는 기능을 수행한다.
이때, 제 3 전처리수단(133)에 설정되는 표준편차 범위는 3시그마 규칙(three-sigma rule)에 기초하는 2 표준편차 범위(μ±2σ)로 설정될 수 있고, 2 표준편차 범위를 벗어나는 투찰율 정보들은 제거되며, 전술한 2 표준편차 범위(μ±2σ)에는 적어도 95%의 투찰율 정보들이 포함될 수 있다.
참고로, 각각의 경쟁사들은 입찰에 참여할 때마다 매번 같은 투찰율로 참여하는 것이 아니라, 입찰공고의 조건이나 투찰 성향 등의 다양한 요인에 따라 투찰율이 변경될 수 있다. 따라서, 일정 기간의 투찰율 정보들을 각 경쟁사별로 추출하였을 때, 빈번하게 사용되는 투찰율 정보들이 존재하는 반면에, 극히 희박한 빈도로 사용되는 투찰율 정보들이 존재할 수도 있다.
즉, 제 3 전처리수단(133)은 기설정된 표준편차 범위 밖의 투찰율 정보들을 극히 희박한 빈도로 사용되는 투찰율 정보로서 제거함으로써, 투찰율 예측 모델에 의한 예측 분석의 정확성을 높일 수 있다.
그리고, 제 3 전처리수단(133)은 표준편차 범위 밖의 투찰율 정보들을 제거한 이후에, 경쟁사들 전체의 투찰율 정보들에 대한 전체 표준편차를 산출하고 각각의 경쟁사별로 투찰율 정보들에 대한 개별 표준편차를 산출한 다음, 산출된 개별 표준편차가 전체 표준편차와 같거나 큰 경쟁사들과 이의 투찰율 정보들을 더 제거할 수도 있다.
이때, 전술한 전체 표준편차와 개별 표준편차는 아래의 수학식 1을 이용하여 산출할 수 있다.
[수학식 1]
Figure 112019041887855-pat00001
Figure 112019041887855-pat00002
여기에서, σ는 표준편차이고, X는 경쟁사의 입찰공고별 투찰율이며, n은 해당 경쟁사가 투찰한 과거 입찰공고의 전체 수를 뜻한다.
아울러, 전처리부(130)에 의한 전처리 과정이 완료되면, 전처리 과정을 통과하여 남아있는 경쟁사들과 각 경쟁사별 투찰율 정보들과 함께, 제 3 전처리수단(133)에서 산출된 각 경쟁사별 개별 표준편차에 대한 정보들이, 전처리부(130)로부터 후술할 분류부(140)에 제공될 수 있으며, 분류부(140)에서 각각의 경쟁사들을 분류하는 과정이 수행된다.
상기 분류부(140)는 전처리 완료된 경쟁사들을 소정의 조건에 따라 복수 개의 상위군으로 분류하고 각각의 상위군을 세부군으로 다시 세분화하며, 제 1 분류수단(141) 및 제 2 분류수단(142)을 포함하여 구성된다.
상기 제 1 분류수단(141)은 제 3 전처리수단(133)에서 산출된 각 경쟁사별 개별 표준편차를 이용하여, 해당 개별 표준편차가 같거나 유사한 경쟁사들이 서로 같은 군에 소속되도록 복수 개의 상위군으로 분류하는 기능을 수행한다.
참고로, 전술한 개별 표준편차는 각 경쟁사의 투찰율 정보들로부터 산출되는 것으로, 각 경쟁사의 투찰 성향을 대표하는 것이라 할 수 있으며, 제 1 분류수단(141)에 의해 투찰 성향이 유사한 경쟁사들이 같은 상위군으로 분류될 수 있다.
아울러, 제 1 분류수단(141)은 순차적으로 증가하는 값을 갖는 복수의 기준점을 분류하고자 하는 상위군의 개수만큼 설정한 다음, 첫 번째 기준점보다 개별 표준편차가 작은 경쟁사들을 첫 번째 상위군에 분류하고, 두 번째 기준점보다 개별 표준편차가 작고 첫 번째 기준점과 같거나 큰 경쟁사들을 두 번째 상위군에 분류하며, K 번째 기준점보다 개별 표준편차가 작고 K-1 번째 기준점과 같거나 큰 경쟁사들을 K 번째 상위군에 분류하는 방식으로 복수의 경쟁사들을 복수의 상위군으로 분류할 수 있다.
예를 들어, 표 1에 도시된 바와 같이, 전처리 완료된 15개의 경쟁사가 존재하고, 해당 경쟁사들을 3개의 상위군으로 분류하기 위한 첫 번째 기준점(C1)은 1이며, 두 번째 기준점(C2)은 2이고, 세 번째 기준점(C3)은 3인 경우, 제 1 분류수단(141)은 아래와 같이 15개의 경쟁사를 3개의 상위군으로 분류한다.
Figure 112019041887855-pat00003
여기서, 제 1 분류수단(141)은 개별 표준편차가 첫 번째 기준점(C1)보다 작은 경쟁사 C, 경쟁사 M, 경쟁사 N, 경쟁사 E 및 경쟁사 F를 상위군 A로 분류하고, 개별 표준편차가 두 번째 기준점(C2)보다 작고 첫 번째 기준점(C1)과 같거나 큰 경쟁사 J, 경쟁사 D, 경쟁사 A, 경쟁사 K 및 경쟁사 I를 상위군 B로 분류하며, 개별 표준편차가 세 번째 기준점(C3)보다 작고 두 번째 기준점(C2)와 같거나 큰 경쟁사 H, 경쟁사 O, 경쟁사 G, 경쟁사 L 및 경쟁사 B를 상위군 C로 분류할 수 있다.
그리고, 제 1 분류수단(141)에 의해 15개의 경쟁사가 3개의 상위군으로 분류되면, 분류된 상위군들에 대한 정보와 각각의 상위군에 포함된 경쟁사들에 대한 정보가 제 1 분류수단(141)으로부터 후술하는 제 2 분류수단(142)으로 제공되고, 제 2 분류수단(142)에 의해 각각의 상위군을 더 세분화하는 과정이 수행된다.
상기 제 2 분류수단(142)은 현재 입찰공고의 예정가격 사정범위를 복수 개의 구간으로 나누고, 각각의 경쟁사별로 각 구간별 투찰 횟수를 산출한 다음, 가장 많이 투찰된 구간의 투찰 횟수를 전체 투찰 횟수로 나눈 값으로 각 경쟁사의 투찰 집중율을 산출하고, 각각의 상위군에 속한 경쟁사별 투찰 집중율에 따라 해당 상위군을 복수의 세부군으로 세분화하는 기능을 수행한다.
이때, 제 2 분류수단(142)은 현재 입찰공고에 공시된 예정가격 사정범위의 소수점 첫째 자리를 기준으로 하여 해당 예정가격 사정범위를 복수 개의 구간으로 나눌 수 있다.
아울러, 제 2 분류수단(142)은 각 경쟁사의 투찰 집중율이 산출되면, 각 상위군에 속한 경쟁사들의 투찰 집중율을 비교하여 투찰 집중율의 중위값을 선정하고, 투찰 집중율이 중위값 이하인 경쟁사들을 하나의 세부군으로 나누며, 투찰 집중율이 중위값을 초과하는 경쟁사들을 다른 세부군으로 나누는 방식으로, 복수의 상위군을 각각 세분화할 수 있다.
예를 들어, 표 2에 도시된 바와 같이, 상위군 A에 경쟁사 C, 경쟁사 M, 경쟁사 N, 경쟁사 E 및 경쟁사 F가 속해 있고, 경쟁사 C의 투찰 집중율은 0.22이며, 경쟁사 M의 투찰 집중율은 0.78이고, 경쟁사 N의 투찰 집중율은 0.98이며, 경쟁사 E의 투찰 집중율은 0.34이고, 경쟁사 F의 투찰 집중율은 0.57인 경우, 제 2 분류수단(142)은 아래와 같이 상위군 A를 2개의 세부군으로 나눌 수 있다.
Figure 112019041887855-pat00004
여기에서, 제 2 분류수단(142)은 상위군 A에 속한 경쟁사들의 투찰 집중율을 비교하여 경쟁사 F의 투찰 집중율 0.57을 중위값으로 선정한 다음, 투찰 집중율이 중위값인 0.57 이하인 경쟁사 C, 경쟁사 E 및 경쟁사 F를 세부군 A로 분류하고, 투찰 집중율이 중위값인 0.57을 초과하는 경쟁사 M 및 경쟁사 N을 세부군 B로 분류할 수 있다.
즉, 같은 상위군에 속한 경쟁사들의 개별 표준편차가 서로 동일하거나 유사하더라도, 예정가격 사정범위 내에서 투찰율 정보들이 고르게 분포되어 있는 경쟁사가 존재할 수 있고, 예정가격 사정범위 내의 특정 구간에 투찰율 정보들이 집중되어 있는 경쟁사가 존재할 수도 있기 때문에, 제 2 분류수단(142)은 경쟁사별 투찰 집중율에 기초하여 투찰 성향이 유사한 경쟁사들이 같은 세부군에 소속되도록 할 수 있다.
한편, 분류부(140)에 의한 분류 과정과 세분화 과정이 완료되면, 제 2 분류수단(142)에 의해 세분화된 세부군들에 대한 정보와, 각각의 세부군에 속한 경쟁사들의 정보, 각 경쟁사의 투찰율 정보들이 후술하는 학습대상 선정부(150)에 제공되며, 학습대상 선정부(150)에 의해 학습대상 정보를 선정하는 과정이 수행된다.
상기 학습대상 선정부(150)는 세분화된 각각의 세부군별로 투찰 횟수가 가장 많은 경쟁사를 선정하고, 선정된 경쟁사의 투찰율 정보들을 학습대상 정보로 선정하는 기능을 수행한다.
예를 들어, 제 1 분류수단(141)에 의해 15개의 경쟁사가 3개의 상위군으로 분류되고 제 2 분류수단(141)에 의해 3개의 상위군이 6개의 세부군으로 분류되며 6개의 세부군 중에서 세부군 A에 경쟁사 C, 경쟁사 E 및 경쟁사 F가 속해 있는 경우, 학습대상 선정부(150)는 경쟁사 C, 경쟁사 E 및 경쟁사 F의 투찰 횟수를 비교하여 세부군 A의 학습대상 정보를 선정하며, 경쟁사 C의 투찰 횟수가 198이고, 경쟁사 E의 투찰 횟수가 156이며, 경쟁사 F의 투찰 횟수가 177이라고 하면, 투찰 횟수가 가장 많은 경쟁사 C의 투찰율 정보들이 학습대상 정보로 선정된다.
참고로, 전술한 투찰 횟수는 투찰율 정보들의 수와 동일하다.
한편, 학습대상 선정부(150)로부터 학습대상 정보의 선정이 완료되면, 선정된 학습대상 정보들과 함께, 세부군들에 대한 정보와 각각의 세부군에 속한 경쟁사들의 정보들이 후술하는 예측 모델 생성부(160)에 제공될 수 있다.
상기 예측 모델 생성부(160)는 선정된 학습대상 정보를 입력값으로 신경망 모델의 학습을 수행함으로써, 세부군별로 하나의 투찰율 예측 모델을 생성하는 기능을 수행한다.
또한, 예측 모델 생성부(160)는 학습대상 정보로 선정된 투찰율 정보들을 과거 입찰공고의 공시일 또는 시간 순서에 따라 배열하고, 순차적인 시간 순서를 갖는 3개의 투찰율 정보를 이용하여 첫 번째 투찰율 정보와 두 번째 투찰율 정보를 입력값으로 하고 세 번째 투찰율 정보가 출력값이 되도록 신경망 모델의 학습을 수행할 수 있다.
이때, 전술한 신경망 모델은 MLP(Multi Layer Perceptron), Vanilla LSTM(long short-term memory), Stacked LSTM 및 Hybrid Model을 포함하며, 예측 모델 생성부(160)는 그리드 서치(Grid Search)를 이용하여 신경망 모델의 초모수를 설정하는 최적화 과정을 MLP부터 Vanilla LSTM, Stacked LSTM 및 Hybrid Model의 순서로 수행하여, 특정 신경망 모델이 최적화를 완료하면, 최적화 과정을 종료하고 최적화를 완료한 신경망 모델로 투찰율 예측 모델을 생성할 수 있다.
아울러, 예측 모델 생성부(160)는 그리드 서치를 이용하는 최적화 과정을 통해 신경망 모델의 은닉층 개수, 은닉층에 포함되는 뉴런 수, 초기 가중치값, 초기 편향값, 활성화 함수, 최적화 함수 및 역전파의 학습율을 포함하는 초모수를 설정할 수 있다.
한편, 예측 모델 생성부(160)는 각각의 투찰율 예측 모델별로 예상되는 오차 범위를 더 계산하여 저장하거나 후술하는 예측 분석부(170)에 제공할 수 있으며, 평균 제곱근 오차(Root Mean Square Error, RMSE)를 이용하여 오차 범위를 계산할 수 있다.
바람직하게, 예측 모델 생성부(160)는 아래의 수학식 2를 이용하여 평균 제곱근 오차를 계산할 수 있고, 계산된 평균 제곱근 오차를 2로 나눈 값을 오차 범위로 계산할 수 있다.
[수학식 2]
Figure 112019041887855-pat00005
여기에서, RMSE는 평균 제곱근 오차이고,
Figure 112019041887855-pat00006
는 i 번째 관측치의 실제 투찰율이며,
Figure 112019041887855-pat00007
는 투찰율 예측 모델이 예측한 투찰율을 뜻한다.
한편, 예측 모델 생성부(160)로부터 투찰율 예측 모델들이 생성되고 각 투찰율 예측 모델의 오차 범위가 계산되면, 후술하는 예측 분석부(170)를 통해 경쟁사들의 투찰율을 예측 분석할 수 있다.
상기 예측 분석부(170)는 투찰율 예측 모델을 이용하여, 각 세부군에 속한 경쟁사들의 투찰율을 예측 분석하고 그 분석결과를 사용자 단말(10) 또는 관리자 단말에 출력하는 기능을 수행한다.
예를 들어, 분류부(140)에 의해 15개의 경쟁사가 3개의 상위군으로 분류되고 3개의 상위군이 6개의 세부군으로 분류된 경우, 예측 모델 생성부(160)에 의해 각각의 세부군에 대응하는 6개의 투찰율 예측 모델이 생성되는데, 예측 분석부(170)는 예측 분석하고자 하는 경쟁사가 속한 세부군을 판별한 다음, 그 세부군의 투찰율 예측 모델을 이용하여 해당 경쟁사의 투찰율을 예측 분석할 수 있다.
아울러, 예측 분석부(170)는 투찰율의 예측 분석에 사용된, 투찰율 예측 모델의 오차 범위에 대한 정보를 전술한 분석결과와 함께 제공할 수 있다.
도 6은 본 발명의 일실시예에 따른 투찰율 예측 분석방법을 설명하기 위한 도면이다.
도 6을 참조하여, 본 발명의 일실시예에 따른 투찰율 예측 분석시스템에서 수행되는 투찰율 예측 분석방법을 설명한다.
다만, 도 6에 도시된 투찰율 예측 분석방법에서 수행되는 기능은 모두 도 4 및 도 5를 참조하여 설명한 투찰율 예측 분석시스템에서 수행되므로, 명시적인 설명이 없어도, 도 4 및 도 5를 참조하여 설명한 모든 기능은 본 발명의 바람직한 실시예에 따른 투찰율 예측 분석방법에서 수행되고, 도 6을 참조하여 설명하는 모든 기능은 본 발명의 바람직한 실시예에 따른 투찰율 예측 분석시스템에서 그대로 수행됨을 주의해야 한다.
먼저, 추출부가 데이터베이스로부터 현재 입찰공고의 공종, 발주처, 지역, 면허, 예정가격 사정범위에 부합하는 과거 입찰공고들을 검색한 다음, 각각의 과거 입찰공고에 참여한 경쟁사들의 투찰율 정보들을 추출한다(S110).
이때, 전술한 데이터베이스에는 공종, 발주처, 지역, 면허, 예정가격 사정범위를 포함하는 과거 입찰공고들에 대한 정보와, 각 입찰공고에 참여한 경쟁사들의 투찰율 정보들이 저장될 수 있다.
다음, 전처리부가 추출된 경쟁사들의 투찰율 정보들 중에서, 사전에 설정된 기준치 또는 범위를 벗어나는 경쟁사들과 투찰율 정보들을 산출하여 제거하는 전처리를 수행한다(S120).
이때, 전처리부의 제 1 전처리수단은 현재 입찰공고의 예정가격 사정범위를 벗어나는 경쟁사들의 투찰율 정보들을 산출하여 제거하고, 단위 기간 내 입찰 참여 비율이 기준치 미만인 경쟁사들과 이의 투찰율 정보들을 산출하여 제거한다(S121).
또한, 전처리부의 제 2 전처리수단은 현재 입찰공고의 예정가격 사정범위에 포함되는 기준 범위를 설정하고, 이를 벗어나는 투찰율 정보들을 산출하여 제거한다(S122).
즉, 투찰율 예측 모델을 생성하는데 불필요한 정보들을 산출하여 제거함으로써, 투찰율 예측 모델에 의한 예측 분석의 정확성을 높일 수 있다.
그리고, 전처리부의 제 3 전처리수단은 각각의 경쟁사별로 단위기간 내 투찰율 정보들의 평균을 산출하고, 산출된 평균으로부터 기설정된 표준편차 범위 밖의 투찰율 정보들을 산출하여 제거한다(S123).
아울러, 전처리부는 경쟁사들 전체의 투찰율 정보들에 대한 전체 표준편차를 산출하고 각각의 경쟁사별로 투찰율 정보들에 대한 개별 표준편차를 산출한 다음, 산출된 개별 표준편차가 전체 표준편차와 같거나 큰 경쟁사들과 이의 투찰율 정보들을 더 제거할 수도 있다.
이로 인해, 전처리부는 발생 가능성이 낮은 투찰율 정보들을 제거할 수 있으며, 궁극적으로 투찰율 예측 모델에 의한 예측 분석의 정확성을 높일 수 있다.
한편, 전술한 제 123단계에서 제 3 전처리수단은, 아래의 수학식 3을 이용하여 표준편차를 산출할 수 있다.
[수학식 3]
Figure 112019041887855-pat00008
Figure 112019041887855-pat00009
여기에서, σ는 표준편차이고, X는 경쟁사의 입찰공고별 투찰율이며, n은 해당 경쟁사가 투찰한 과거 입찰공고의 전체 수를 뜻한다.
그 다음에는, 분류부가 전처리 완료된 경쟁사들을 복수 개의 상위군으로 분류하고 분류된 각각의 상위군을 복수의 세부군으로 다시 세분화한다(S130).
이때, 분류부의 제 1분류수단은 전술한 제 3 전처리수단에서 산출된 경쟁사별 개별 표준편차를 이용하여, 해당 개별 표준편차가 같거나 유사한 경쟁사들이 서로 같은 군에 소속되도록 복수 개의 상위군으로 분류한다(S131).
예를 들어, 표 3에 도시된 바와 같이, 전처리 완료된 15개의 경쟁사가 존재하고, 해당 경쟁사들을 3개의 상위군으로 분류하기 위한 첫 번째 기준점(C1)은 1이며, 두 번째 기준점(C2)은 2이고, 세 번째 기준점(C3)은 3인 경우, 전술한 제 131단계에서 제 1 분류수단은 아래와 같이 15개의 경쟁사를 3개의 상위군으로 분류할 수 있다.
Figure 112019041887855-pat00010
여기서, 개별 표준편차가 첫 번째 기준점(C1)보다 작은 경쟁사 C, 경쟁사 M, 경쟁사 N, 경쟁사 E 및 경쟁사 F가 상위군 A로 분류되고, 개별 표준편차가 두 번째 기준점(C2)보다 작고 첫 번째 기준점(C1)과 같거나 큰 경쟁사 J, 경쟁사 D, 경쟁사 A, 경쟁사 K 및 경쟁사 I가 상위군 B로 분류되며, 개별 표준편차가 세 번째 기준점(C3)보다 작고 두 번째 기준점(C2)와 같거나 큰 경쟁사 H, 경쟁사 O, 경쟁사 G, 경쟁사 L 및 경쟁사 B가 상위군 C로 분류될 수 있다.
그 다음, 분류부의 제 2분류수단은 현재 입찰공고의 예정가격 사정범위를 복수 개의 구간으로 나누고, 각각의 경쟁사별로 각 구간별 투찰 횟수를 산출한 다음, 가장 많이 투찰된 구간의 투찰 횟수를 전체 투찰 횟수로 나눈 값으로 각 경쟁사의 투찰 집중율을 산출하고, 각각의 상위군에 속한 경쟁사별 투찰 집중율에 따라 해당 상위군을 복수의 세부군으로 세분화한다(S132).
이때, 전술한 제 2 분류수단은 각 상위군에 속한 경쟁사들의 투찰 집중율을 비교하여 투찰 집중율의 중위값을 선정하고, 투찰 집중율이 중위값 이하인 경쟁사들을 하나의 세부군으로 나누며, 투찰 집중율이 중위값을 초과하는 경쟁사들을 다른 세부군으로 나눌 수 있다.
예를 들어, 표 4에 도시된 바와 같이, 상위군 A에 경쟁사 C, 경쟁사 M, 경쟁사 N, 경쟁사 E 및 경쟁사 F가 속해 있고, 경쟁사 C의 투찰 집중율은 0.22이며, 경쟁사 M의 투찰 집중율은 0.78이고, 경쟁사 N의 투찰 집중율은 0.98이며, 경쟁사 E의 투찰 집중율은 0.34이고, 경쟁사 F의 투찰 집중율은 0.57인 경우, 제 2 분류수단은 아래와 같이 상위군 A를 2개의 세부군으로 나눌 수 있다.
Figure 112019041887855-pat00011
여기에서, 상위군 A에 속한 경쟁사들의 투찰 집중율 중에서 경쟁사 F의 투찰 집중율 0.57을 중위값으로 선정되고, 투찰 집중율이 중위값인 0.57 이하인 경쟁사 C, 경쟁사 E 및 경쟁사 F가 세부군 A로 분류되며, 투찰 집중율이 중위값인 0.57을 초과하는 경쟁사 M 및 경쟁사 N이 세부군 B로 분류될 수 있다.
이로 인해, 같은 상위군에 소속되어 있더라도, 예정가격 사정범위 내에서 투찰율 정보들이 고르게 분포되어 있는 경쟁사와 예정가격 사정범위 내의 특정 구간에 투찰율 정보들이 집중되어 있는 경쟁사를 서로 다른 세부군으로 세분화할 수 있다.
그 다음에는, 학습대상 선정부가 세분화된 각각의 세부군별로 투찰 횟수가 가장 많은 경쟁사를 선정하고, 선정된 경쟁사의 투찰율 정보들을 학습대상 정보로 선정한다(S140).
예를 들어, 6개의 세부군 중 세부군 A에 경쟁사 C, 경쟁사 E 및 경쟁사 F가 속해 있고 경쟁사 C의 투찰 횟수가 198이고 경쟁사 E의 투찰 횟수가 156이며 경쟁사 F의 투찰 횟수가 177이라고 하면, 학습대상 선정부는 경쟁사 C, 경쟁사 E 및 경쟁사 F의 투찰 횟수를 비교하여 투찰 횟수가 가장 많은 경쟁사 C의 투찰율 정보들을 세부군 A의 학습대상 정보를 선정할 수 있다.
그 다음에는, 예측 모델 생성부가 선정된 학습대상 정보를 입력값으로 신경망 모델의 학습을 수행함으로써, 세분화된 각 군의 수에 해당하는 투찰율 예측 모델을 생성한다(S150).
이때, 예측 모델 생성부는 학습대상 정보로 선정된 투찰율 정보들을 과거 입찰공고의 공시일 또는 시간 순서에 따라 배열하고, 순차적인 시간 순서를 갖는 3개의 투찰율 정보를 이용하여 첫 번째 투찰율 정보와 두 번째 투찰율 정보를 입력값으로 하고 세 번째 투찰율 정보가 출력값이 되도록 신경망 모델의 학습을 수행할 수 있다.
또한, 전술한 신경망 모델은 MLP(Multi Layer Perceptron), Vanilla LSTM(long short-term memory), Stacked LSTM 및 Hybrid Model을 포함하며, 그리드 서치(Grid Search)를 이용하여 신경망 모델의 초모수를 설정하는 최적화 과정을 MLP부터 Vanilla LSTM, Stacked LSTM 및 Hybrid Model의 순서로 수행하고, 특정 신경망 모델이 최적화를 완료하면, 최적화 과정을 종료하고 최적화를 완료한 신경망 모델로 투찰율 예측 모델을 생성할 수 있다.
아울러, 그리드 서치를 이용하는 최적화 과정을 통해 신경망 모델의 은닉층 개수, 은닉층에 포함되는 뉴런 수, 초기 가중치값, 초기 편향값, 활성화 함수, 최적화 함수 및 역전파의 학습율을 포함하는 초모수가 설정될 수 있다.
한편, 예측 모델 생성부는 평균 제곱근 오차(Root Mean Square Error, RMSE)를 이용하여 각각의 투찰율 예측 모델별로 예상되는 오차 범위를 더 계산할 수 있다.
예컨대, 예측 모델 생성부는 아래의 수학식 4를 이용하여 평균 제곱근 오차를 계산하고, 계산된 평균 제곱근 오차를 2로 나눈 값을 오차 범위로 계산한다.
[수학식 4]
Figure 112019041887855-pat00012
여기에서, RMSE는 평균 제곱근 오차이고,
Figure 112019041887855-pat00013
는 i 번째 관측치의 실제 투찰율이며,
Figure 112019041887855-pat00014
는 투찰율 예측 모델이 예측한 투찰율을 뜻한다.
그 다음에는, 예측 분석부가 투찰율 예측 모델을 이용하여 각 세부군에 속한 경쟁사들의 투찰율을 예측 분석하고 그 분석결과를 출력한다(S160).
이때, 15개의 경쟁사가 3개의 상위군으로 분류되고 3개의 상위군이 6개의 세부군으로 분류되어 각 세부군에 대응하는 6개의 투찰율 예측 모델이 생성된 경우, 예측 분석부는 예측 분석하고자 하는 경쟁사가 6개의 세부군 중 어느 세부군에 속해 있는지 판별한 다음, 판별된 세부군의 투찰율 예측 모델을 이용하여 해당 경쟁사의 투찰율을 예측 분석할 수 있다.
아울러, 예측 분석부는 분석결과를 사용자 단말 또는 관리자 단말에 제공하면서, 예측 분석에 사용된 투찰율 예측 모델의 오차 범위에 대한 정보를 함께 제공할 수도 있다.
이상에서는 본 발명의 바람직한 실시예를 예시적으로 설명하였으나, 본 발명의 범위는 이와 같은 특정 실시예에만 한정되는 것은 아니며, 특허청구범위에 기재된 범주 내에서 적절하게 변경 가능한 것이다.
110 : 데이터베이스 120 : 추출부
130 : 전처리부 131 : 제 1 전처리수단
132 : 제 2 전처리수단 133 : 제 3 전처리수단
140 : 분류부 141 : 제 1 분류수단
142 : 제 2 분류수단 150 : 학습대상 선정부
160 : 예측 모델 생성부 170 : 예측 분석부

Claims (22)

  1. 과거 입찰공고들에 대한 정보와 각 입찰에 참여한 경쟁사들의 투찰율 정보들이 저장되는 데이터베이스;
    상기 데이터베이스로부터 현재 입찰공고의 공종, 발주처, 지역, 면허, 예정가격 사정범위에 부합하는 과거 입찰공고들을 검색한 다음, 각각의 과거 입찰공고에 참여한 경쟁사들의 투찰율 정보들을 추출하는 추출부;
    상기 추출된 경쟁사들의 투찰율 정보들 중에서, 사전에 설정된 기준치 또는 범위를 벗어나는 투찰율 정보들을 제거하는 전처리를 수행하는 전처리부;
    전처리 완료된 경쟁사들을, 소정의 조건에 따라 복수 개의 상위군으로 분류하고 분류된 각각의 상위군을 복수의 세부군으로 세분화하는 분류부;
    각각의 세부군별로 투찰 횟수가 가장 많은 경쟁사를 선정하고, 선정된 경쟁사의 투찰율 정보들을 학습대상 정보로 선정하는 학습대상 선정부;
    상기 선정된 학습대상 정보를 입력값으로 신경망 모델의 학습을 수행함으로써, 각 세부군의 수에 해당하는 투찰율 예측 모델을 생성하는 예측 모델 생성부; 및
    각 세부군별 투찰율 예측 모델을 이용하여, 해당 세부군에 속한 경쟁사들의 투찰율을 예측 분석하고 그 분석결과를 출력하는 예측 분석부;를 포함하고,
    상기 예측 모델 생성부는,
    평균 제곱근 오차(Root Mean Square Error, RMSE)를 이용하여 각 투찰율 예측 모델별로 예상되는 오차 범위를 계산하며,
    상기 예측 분석부는,
    예측 분석에 사용된 투찰율 예측 모델의 오차 범위에 대한 정보를 분석결과와 함께 출력하는 것을 특징으로 하는 전자 입찰을 위한 투찰율 예측 분석시스템.
  2. 삭제
  3. 삭제
  4. 제 1항에 있어서,
    상기 전처리부는,
    현재 입찰공고의 예정가격 사정범위를 벗어나는 경쟁사들의 투찰율 정보들을 산출하여 제거하고, 단위 기간 내 입찰 참여 비율이 기준치 미만인 경쟁사들과 이의 투찰율 정보들을 산출하여 제거하는 제 1 전처리수단;을 포함하는 것을 특징으로 하는 전자 입찰을 위한 투찰율 예측 분석시스템.
  5. 제 1항에 있어서,
    상기 전처리부는,
    현재 입찰공고의 예정가격 사정범위에 포함되는 기준 범위를 설정하고, 이를 벗어나는 투찰율 정보들을 산출하여 제거하는 제 2 전처리수단;을 포함하는 것을 특징으로 하는 전자 입찰을 위한 투찰율 예측 분석시스템.
  6. 제 1항에 있어서,
    상기 전처리부는,
    각각의 경쟁사별로 단위기간 내 투찰율 정보들의 평균을 산출하고, 산출된 평균으로부터 기설정된 표준편차 범위 밖의 투찰율 정보들을 산출하여 제거하는 제 3 전처리수단;을 포함하는 것을 특징으로 하는 전자 입찰을 위한 투찰율 예측 분석시스템.
  7. 제 6항에 있어서,
    상기 제 3 전처리수단은,
    경쟁사들 전체의 투찰율 정보들에 대한 전체 표준편차를 산출하고 각각의 경쟁사별로 투찰율 정보들에 대한 개별 표준편차를 산출한 다음, 산출된 개별 표준편차가 전체 표준편차와 같거나 큰 경쟁사들을 더 제거하는 것을 특징으로 하는 전자 입찰을 위한 투찰율 예측 분석시스템.
  8. 제 7항에 있어서,
    상기 분류부는,
    상위군의 분류를 위한 복수의 기준점을 사전에 설정하고, 상기 제 3 전처리수단에서 산출된 각 경쟁사별 개별 표준편차에 기초하여, 개별 표준편차가 첫 번째 기준점보다 작은 경쟁사들을 첫 번째 상위군에 분류하고, 개별 표준편차가 두 번째 기준점보다 작고 첫 번째 기준점과 같거나 큰 경쟁사들을 두 번째 상위군에 분류하며, 개별 표준편차가 K 번째 기준점보다 작고 K-1 번째 기준점과 같거나 큰 경쟁사들을 K 번째 상위군으로 분류하는 제 1 분류수단;을 포함하는 것을 특징으로 하는 전자 입찰을 위한 투찰율 예측 분석시스템.
  9. 제 8항에 있어서,
    상기 분류부는,
    현재 입찰공고의 예정가격 사정범위를 복수 개의 구간으로 나누고, 각 경쟁사별로 각 구간에 속한 투찰율 정보들의 빈도수를 산출한 다음, 가장 많은 투찰율 정보들이 포함된 구간의 빈도수를 전체 투찰율 정보들의 수로 나눈 값으로 각 경쟁사의 투찰 집중율을 산출하고, 각각의 상위군에 속한 경쟁사별 투찰 집중율에 따라 해당 상위군을 복수의 세부군으로 세분화하는 제 2 분류수단;을 더 포함하는 것을 특징으로 하는 전자 입찰을 위한 투찰율 예측 분석시스템.
  10. 제 1항에 있어서,
    상기 예측 모델 생성부는,
    MLP(Multi Layer Perceptron), Vanilla LSTM(long short-term memory), Stacked LSTM 및 Hybrid Model을 포함하는 신경망 모델을 순차 적용하여 상기 투찰율 예측 모델을 생성하는 것을 특징으로 하는 전자 입찰을 위한 투찰율 예측 분석시스템.
  11. 제 10항에 있어서,
    상기 예측 모델 생성부는,
    그리드 서치(Grid Search)를 이용하여 신경망 모델의 초모수를 설정하는 최적화 과정을 MLP부터 Vanilla LSTM, Stacked LSTM 및 Hybrid Model의 순서로 수행하고, 특정 신경망 모델이 최적화를 완료하면 최적화 과정을 종료하며, 최적화를 완료한 신경망 모델로 상기 투찰율 예측 모델을 생성하는 것을 특징으로 하는 전자 입찰을 위한 투찰율 예측 분석시스템.
  12. 투찰율 예측 분석시스템에서 수행되는 전자 입찰을 위한 투찰율 예측 분석방법으로서,
    (1) 상기 투찰율 예측 분석시스템이, 과거 입찰공고들에 대한 정보와 각 입찰에 참여한 경쟁사들의 투찰율 정보들이 저장되는 데이터베이스로부터, 현재 입찰공고의 공종, 발주처, 지역, 면허, 예정가격 사정범위에 부합하는 과거 입찰공고들을 검색한 다음, 각각의 과거 입찰공고에 참여한 경쟁사들의 투찰율 정보들을 추출하는 단계;
    (2) 상기 투찰율 예측 분석시스템이, 상기 추출된 경쟁사들의 투찰율 정보들 중에서 사전에 설정된 기준치 또는 범위를 벗어나는 투찰율 정보들을 제거하는 전처리를 수행하는 단계;
    (3) 상기 투찰율 예측 분석시스템이, 전처리 완료된 경쟁사들을 소정의 조건에 따라 복수 개의 상위군으로 분류하고 분류된 각각의 상위군을 복수의 세부군으로 세분화하는 단계;
    (4) 상기 투찰율 예측 분석시스템이, 각각의 세부군별로 투찰 횟수가 가장 많은 경쟁사를 선정하고, 산출된 경쟁사의 투찰율 정보들을 학습대상 정보로 선정하는 단계;
    (5) 상기 투찰율 예측 분석시스템이, 상기 선정된 학습대상 정보를 입력값으로 신경망 모델의 학습을 수행함으로써, 각 세부군의 수에 해당하는 투찰율 예측 모델을 생성하는 단계; 및
    (6) 상기 투찰율 예측 분석시스템이, 각 세부군별 투찰율 예측 모델을 이용하여 해당 세부군에 속한 경쟁사들의 투찰율을 예측 분석하고 그 분석결과를 출력하는 단계;를 포함하고,
    상기 제 (5)단계에서 상기 투찰율 예측 분석시스템은,
    평균 제곱근 오차(Root Mean Square Error, RMSE)를 이용하여 각 투찰율 예측 모델별로 예상되는 오차 범위를 계산하며,
    상기 제 (6)단계에서 상기 투찰율 예측 분석시스템은,
    예측 분석에 사용된 투찰율 예측 모델의 오차 범위에 대한 정보를 분석결과와 함께 출력하는 것을 특징으로 하는 전자 입찰을 위한 투찰율 예측 분석방법.
  13. 삭제
  14. 삭제
  15. 제 12항에 있어서,
    상기 제 (2)단계는,
    (2-1) 상기 투찰율 예측 분석시스템이, 현재 입찰공고의 예정가격 사정범위를 벗어나는 경쟁사들의 투찰율 정보들을 산출하여 제거하고, 단위 기간 내 입찰 참여 비율이 기준치 미만인 경쟁사들과 이의 투찰율 정보들을 산출하여 제거하는 단계;를 포함하는 것을 특징으로 하는 전자 입찰을 위한 투찰율 예측 분석방법.
  16. 제 12항에 있어서,
    상기 제 (2)단계는,
    (2-2) 상기 투찰율 예측 분석시스템이, 현재 입찰공고의 예정가격 사정범위에 포함되는 기준 범위를 설정하고, 이를 벗어나는 투찰율 정보들을 산출하여 제거하는 단계;를 포함하는 것을 특징으로 하는 전자 입찰을 위한 투찰율 예측 분석방법.
  17. 제 12항에 있어서,
    상기 제 (2)단계는,
    (2-3) 상기 투찰율 예측 분석시스템이, 각각의 경쟁사별로 단위기간 내 투찰율 정보들의 평균을 산출하고, 산출된 평균으로부터 기설정된 표준편차 범위 밖의 투찰율 정보들을 산출하여 제거하는 단계;를 포함하는 것을 특징으로 하는 전자 입찰을 위한 투찰율 예측 분석방법.
  18. 제 17항에 있어서,
    상기 제 (2-3)단계에서 상기 투찰율 예측 분석시스템은,
    경쟁사들 전체의 투찰율 정보들에 대한 전체 표준편차를 산출하고 각각의 경쟁사별로 투찰율 정보들에 대한 개별 표준편차를 산출한 다음, 산출된 개별 표준편차가 전체 표준편차와 같거나 큰 경쟁사들을 더 제거하는 것을 특징으로 하는 전자 입찰을 위한 투찰율 예측 분석방법.
  19. 제 18항에 있어서,
    상기 제 (3)단계는,
    (3-1) 상기 투찰율 예측 분석시스템이, 상위군의 분류를 위한 복수의 기준점을 사전에 설정하고, 상기 산출된 각 경쟁사별 개별 표준편차에 기초하여, 개별 표준편차가 첫 번째 기준점보다 작은 경쟁사들을 첫 번째 상위군에 분류하고, 개별 표준편차가 두 번째 기준점보다 작고 첫 번째 기준점과 같거나 큰 경쟁사들을 두 번째 상위군에 분류하며, 개별 표준편차가 K 번째 기준점보다 작고 K-1 번째 기준점과 같거나 큰 경쟁사들을 K 번째 상위군으로 분류하는 단계;를 포함하는 것을 특징으로 하는 전자 입찰을 위한 투찰율 예측 분석방법.
  20. 제 19항에 있어서,
    상기 제 (3-1)단계 이후에,
    (3-2) 상기 투찰율 예측 분석시스템이, 현재 입찰공고의 예정가격 사정범위를 복수 개의 구간으로 나누고, 각 경쟁사별로 각 구간에 속한 투찰율 정보들의 빈도수를 산출한 다음, 가장 많은 투찰율 정보들이 포함된 구간의 빈도수를 전체 투찰율 정보들의 수로 나눈 값으로 각 경쟁사의 투찰 집중율을 산출하고, 각각의 상위군에 속한 경쟁사별 투찰 집중율에 따라 해당 상위군을 복수의 세부군으로 세분화하는 단계;를 더 포함하는 것을 특징으로 하는 전자 입찰을 위한 투찰율 예측 분석방법.
  21. 제 12항에 있어서,
    상기 제 (5)단계에서 상기 투찰율 예측 분석시스템은,
    MLP(Multi Layer Perceptron), Vanilla LSTM(long short-term memory), Stacked LSTM 및 Hybrid Model을 포함하는 신경망 모델을 순차 적용하여 상기 투찰율 예측 모델을 생성하는 것을 특징으로 하는 전자 입찰을 위한 투찰율 예측 분석방법.
  22. 제 21항에 있어서,
    상기 제 (5)단계에서 상기 투찰율 예측 분석시스템은,
    그리드 서치(Grid Search)를 이용하여 신경망 모델의 초모수를 설정하는 최적화 과정을 MLP부터 Vanilla LSTM, Stacked LSTM 및 Hybrid Model의 순서로 수행하고, 특정 신경망 모델이 최적화를 완료하면 최적화 과정을 종료하며, 최적화를 완료한 신경망 모델로 상기 투찰율 예측 모델을 생성하는 것을 특징으로 하는 전자 입찰을 위한 투찰율 예측 분석방법.
KR1020190047406A 2019-04-23 2019-04-23 전자 입찰을 위한 투찰율 예측 분석시스템 및 그 방법 KR102041840B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190047406A KR102041840B1 (ko) 2019-04-23 2019-04-23 전자 입찰을 위한 투찰율 예측 분석시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190047406A KR102041840B1 (ko) 2019-04-23 2019-04-23 전자 입찰을 위한 투찰율 예측 분석시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR102041840B1 true KR102041840B1 (ko) 2019-11-06

Family

ID=68541847

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190047406A KR102041840B1 (ko) 2019-04-23 2019-04-23 전자 입찰을 위한 투찰율 예측 분석시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102041840B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220116889A (ko) * 2021-02-16 2022-08-23 (주)엑소텍 입찰전략 수립을 위한 전략정보 서비스 제공 시스템 및 그 서비스 제공 방법
KR102514993B1 (ko) * 2022-08-31 2023-03-29 (주)예람 클러스터링을 활용한 입찰 경쟁업체의 투찰금액 예측 방법
KR102525903B1 (ko) 2022-07-25 2023-04-26 (주)예람 인공지능을 활용한 입찰 참여업체 예측 방법
KR20230057847A (ko) * 2021-10-22 2023-05-02 유홍태 비드스코어를 이용한 전자입찰정보 분석 서비스 제공 방법
KR20230152517A (ko) 2022-04-27 2023-11-03 김영옥 전자입찰의 투찰 금액 예측시스템 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100766082B1 (ko) * 2006-12-27 2007-10-12 (주) 인포 과거 입찰데이터 표시시스템 및 표시방법
KR100944117B1 (ko) * 2009-05-13 2010-03-02 주식회사 예람 예정가격의 발생 확률을 이용한 입찰 분석 방법
KR20170123289A (ko) * 2017-07-24 2017-11-07 한국비드 (주) 투찰금액 추천 서비스 제공장치
KR20170128023A (ko) * 2016-05-13 2017-11-22 한양대학교 산학협력단 데이터 뎁스를 활용한 기업 부도 예측 방법
KR20180011954A (ko) * 2016-07-26 2018-02-05 주식회사 모비프랜즈 인공지능을 이용한 투찰 정보 제공 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100766082B1 (ko) * 2006-12-27 2007-10-12 (주) 인포 과거 입찰데이터 표시시스템 및 표시방법
KR100944117B1 (ko) * 2009-05-13 2010-03-02 주식회사 예람 예정가격의 발생 확률을 이용한 입찰 분석 방법
KR20170128023A (ko) * 2016-05-13 2017-11-22 한양대학교 산학협력단 데이터 뎁스를 활용한 기업 부도 예측 방법
KR20180011954A (ko) * 2016-07-26 2018-02-05 주식회사 모비프랜즈 인공지능을 이용한 투찰 정보 제공 시스템
KR20170123289A (ko) * 2017-07-24 2017-11-07 한국비드 (주) 투찰금액 추천 서비스 제공장치

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220116889A (ko) * 2021-02-16 2022-08-23 (주)엑소텍 입찰전략 수립을 위한 전략정보 서비스 제공 시스템 및 그 서비스 제공 방법
KR102623420B1 (ko) * 2021-02-16 2024-01-10 (주)엑소텍 입찰전략 수립을 위한 전략정보 서비스 제공 시스템 및 그 서비스 제공 방법
KR20230057847A (ko) * 2021-10-22 2023-05-02 유홍태 비드스코어를 이용한 전자입찰정보 분석 서비스 제공 방법
KR102676472B1 (ko) * 2021-10-22 2024-06-19 주식회사 비드스코어 비드스코어를 이용한 전자입찰정보 분석 서비스 제공 방법
KR20230152517A (ko) 2022-04-27 2023-11-03 김영옥 전자입찰의 투찰 금액 예측시스템 및 방법
KR102525903B1 (ko) 2022-07-25 2023-04-26 (주)예람 인공지능을 활용한 입찰 참여업체 예측 방법
KR102514993B1 (ko) * 2022-08-31 2023-03-29 (주)예람 클러스터링을 활용한 입찰 경쟁업체의 투찰금액 예측 방법

Similar Documents

Publication Publication Date Title
KR102041840B1 (ko) 전자 입찰을 위한 투찰율 예측 분석시스템 및 그 방법
Shafi Investors’ evaluation criteria in equity crowdfunding
KR101844751B1 (ko) 기업 분석 기반 연계 서비스 매칭 플랫폼 제공 시스템
Hansson et al. The impact of TQM on financial performance
US7664693B1 (en) Financial methodology for the examination and explanation of spread between analyst targets and market share prices
CN112464094B (zh) 信息推荐方法、装置、电子设备及存储介质
Lan et al. A crowdsourcing quality prediction model based on random forests
US8930254B2 (en) Financial methodology to valuate and predict the news impact of major events on financial instruments
Wei et al. Twitter volume spikes and stock options pricing
JP2004500642A (ja) キャッシュフローのリカバリとリスクを評価する方法とシステム
US11068816B2 (en) System and method for selecting research and development project through autonomous proposals of evaluation indicators
CN113537807A (zh) 一种企业智慧风控方法及设备
CN110942344A (zh) 美食推荐榜单的生成方法、装置、设备及存储介质
Bhatnagar et al. Analytical customer relationship management in insurance industry using data mining: A case study of Indian insurance company
Prehanto et al. Use of Naïve Bayes classifier algorithm to detect customers’ interests in buying internet token
Domashova et al. Application of machine learning methods for risk analysis of unfavorable outcome of government procurement procedure in building and grounds maintenance domain
Steenkamp et al. Export market selection methods and the identification of realistic export opportunities for South Africa using a decision support model
Žižović et al. Multi-criteria decision making method for models with the dominant criterion
KR101269874B1 (ko) 데이터베이스 분석을 통한 낙찰 금액 산출 시스템 및 그 산출 방법
Rakhshan et al. An insight into the model structures applied in DEA-based bank branch efficiency measurements
CN115358852A (zh) 债券数据处理方法及装置
CN114298472A (zh) 数字工厂上下游企业画像评价方法以及系统
CN113449923A (zh) 一种多模型标的物行情预测方法和装置
Malara et al. Modelling the determinants of winning in public tendering procedures based on the activity of a selected company
Lesjak et al. Are Slovene small firms using information technology strategically?

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant