KR102525903B1 - 인공지능을 활용한 입찰 참여업체 예측 방법 - Google Patents

인공지능을 활용한 입찰 참여업체 예측 방법 Download PDF

Info

Publication number
KR102525903B1
KR102525903B1 KR1020220091559A KR20220091559A KR102525903B1 KR 102525903 B1 KR102525903 B1 KR 102525903B1 KR 1020220091559 A KR1020220091559 A KR 1020220091559A KR 20220091559 A KR20220091559 A KR 20220091559A KR 102525903 B1 KR102525903 B1 KR 102525903B1
Authority
KR
South Korea
Prior art keywords
score
bidding
company
item
candidate
Prior art date
Application number
KR1020220091559A
Other languages
English (en)
Inventor
강사돈
Original Assignee
(주)예람
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)예람 filed Critical (주)예람
Priority to KR1020220091559A priority Critical patent/KR102525903B1/ko
Application granted granted Critical
Publication of KR102525903B1 publication Critical patent/KR102525903B1/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 공공 입찰시 업체의 과거 투찰 데이터를 근거로 입찰 참여업체를 예측하되, 건설업역간 상호 시장 진출 허용과 전문건설업 대업종화 규정을 고려하여 대상 공고에 참여할 업체를 예측하는 기술에 관한 것이다.
본 발명에 따른 인공지능을 활용한 입찰 참여업체 예측 방법은, 입찰 참여업체 예측 장치에서 기 등록된 각 업체별 과거 투찰정보를 학습데이터로 이용하여 업체별 대상 공고에 대한 참여 여부 결과값을 출력하는 학습모델을 생성하는 제1 단계와, 공고 정보가 수신되면, 기 등록된 업체중에서 해당 대상 공고정보의 종목 및 지역 조건에 대응되는 후보업체를 선별하되, 종목 조건은 타종목 허용과 종목통합 규정을 만족하는 종목으로 확장하여 후보업체 대상을 선별하는 제2 단계, 제2 단계에서 선별된 각 후보업체의 가격 점수와, 종목 점수, 지역 점수, 발주처 점수 및 투찰활성도 점수를 산출하되, 각 지표 점수는 기 설정된 구간별로 구분된 구간점수로 산출되고, 투찰활성도 점수는 구간점수의 평균값으로 결정되는 제3 단계, 상기 제3 단계에서 산출된 지표 점수 중 대상 공고에 대응되는 구간에 해당하는 가격 구간점수와 종목 구간점수, 지역 구간점수 및 발주처 구간점수를 해당 지표별 매칭점수로 선택하는 제4 단계, 상기 제4 단계에서 선택된 지표별 매칭점수와 상기 제3 단계에서 투찰활성도 점수를 학습모델의 입력변수로 제공하여 후보업체별 대상 공고에 대한 참여 여부 결과값을 수집하고, 학습모델을 통해 "참여"에 해당하는 결과값을 출력하는 후보업체들을 해당 대상 공고의 참여업체로 예측하는 제5 단계를 포함하여 구성되는 것을 특징으로 한다.

Description

인공지능을 활용한 입찰 참여업체 예측 방법 {Method for prediction of bidding participants using artificial intelligence}
본 발명은 공공 입찰시 업체의 과거 투찰 데이터를 근거로 입찰 참여업체를 예측하되, 건설업역간 상호 시장 진출 허용과 전문건설업 대업종화 규정을 고려하여 대상 공고에 참여할 업체를 예측하는 기술에 관한 것이다.
공공 입찰에서 낙찰자를 선정하는 방식은 일반적으로 발주처별 기준에 따라 15개의 예가를 랜덤하게 생성하고, 입찰 참여자들이 생성된 예가를 블라인드 방식으로 추첨하여 가장 많은 빈도로 추첨된 가격을 산술평균하여 예정가격이 결정된다.
여기서 나올 수 있는 예정가격의 경우의 수는 15개 중 4개의 선택으로 만들어지므로, 15C4=15!(4!×(15-4)!)=1,365 개의 예정 가격이 나오는데, 이 중 한개의 예정가격이 낙찰자를 결정하는 기준금액이 된다. 그리고, 1,365개의 예정가격의 분포는 항상 정규분포를 따르게 된다.
이때, 해당 공고에 참여할 경쟁사의 투찰사정율을 예측할 수 있다면, 경쟁사들이 투찰하지 않는 구간을 예측할 수 있고, 구간마다 포함된 예가수를 근거로 구간별 기대값을 알 수 있다. 즉, 기대값이 높은 곳에 투찰한다면 경쟁사보다 높은 낙찰확률을 기대해 볼 수 있다.
따라서, 낙찰 확률을 높이기 위해서는 경쟁사의 추정 사정률 예측이 필요하고, 경쟁사의 추정 사정률을 예측하기 위해서는 해당 공고에 어떤 경쟁사가 참여하는지를 우선적으로 판단하여야 한다.
한편, 최근에는 상호시장진출이 시행되면서 서로 다른 업종에 진출이 가능해지고, 대업종화로 인해 종목이 통폐합되어 단순히 과거 입찰 이력을 기반으로 경쟁업체를 추정하기에 어려운 상황이 되었다.
즉, 기존에는 과거 같은 지역, 같은 종목의 비슷한 공고를 확인하여, 경쟁사의 추정이 가능하였으나, 현재는 상호진행허용(타종목 허용) 및 대업종화(업종 통합) 규정으로 인해 종목의 기준이 사라져 타업종의 회사도 경쟁사에 추가될 수 있게 되었다.
이로 인해 단순히 과거 동일 지역 및 동일 종목의 참여업체를 기반으로 경쟁사를 추정하는 종래 참여업체 예측 방법의 경우, 참여 업체 예측의 정확도가 현저하게 떨어지는 상황이 발생하게 된다.
1. 한국공개특허 제10-2011-007370호 (명칭: 경쟁자 예측 기반 전자 입찰 컨설팅 시스템) 2. 한국등록특허 제10-2041840호 (명칭 : 전자 입찰을 위한 투찰율 예측 분석시스템 및 그 방법)
이에, 본 발명은 상기한 사정을 감안하여 창출된 것으로, 입찰 대상 공고 정보의 지역 및, 대업종 및 상호진출에 부합하는 종목의 후보업체를 선별하고, 학습모델을 이용하여 후보업체별 해당 대상 공고에 참여할지의 여부를 결정하되, 후보업체별 대상 공고에 대응되는 가격, 종목, 지역, 발주처 매칭점수와 업체의 투찰활성도 점수에 기반하여 해당 업체의 입찰 참여 여부를 결정함으로써, 종목 통합 및 타종목 허용의 규정을 고려하여 보다 정확하게 입찰 참여업체를 예측할 수 있는 인공지능을 활용한 입찰 참여 예측 방법을 제공함에 그 기술적 목적이 있다.
상기 목적을 달성하기 위한 본 발명의 일측면에 따르면, 입찰 참여업체 예측 장치에서 기 등록된 각 업체별 과거 투찰정보를 학습데이터로 이용하여 업체별 대상 공고에 대한 참여 여부 결과값을 출력하는 학습모델을 생성하는 제1 단계와, 공고 정보가 수신되면, 기 등록된 업체중에서 해당 대상 공고정보의 종목 및 지역 조건에 대응되는 후보업체를 선별하되, 종목 조건은 타종목 허용과 종목통합 규정을 만족하는 종목으로 확장하여 후보업체 대상을 선별하는 제2 단계, 제2 단계에서 선별된 각 후보업체의 가격 점수와, 종목 점수, 지역 점수, 발주처 점수 및 투찰활성도 점수를 산출하되, 각 지표 점수는 기 설정된 구간별로 구분된 구간점수로 산출되고, 투찰활성도 점수는 구간점수의 평균값으로 결정되는 제3 단계, 상기 제3 단계에서 산출된 지표 점수 중 대상 공고에 대응되는 구간에 해당하는 가격 구간점수와 종목 구간점수, 지역 구간점수 및 발주처 구간점수를 해당 지표별 매칭점수로 각각 선택하는 제4 단계, 상기 제4 단계에서 선택된 지표별 매칭점수와 상기 제3 단계에서 투찰활성도 점수를 학습모델의 입력변수로 제공하여 후보업체별 대상 공고에 대한 참여 여부 결과값을 수집하고, 학습모델을 통해 "참여"에 해당하는 결과값을 출력하는 후보업체들을 해당 대상 공고의 참여업체로 예측하는 제5 단계를 포함하여 구성되고, 상기 제3 단계에서 각 구간 점수는 총 참여 가능한 공고의 수에 대한 참여한 공고 수의 비율로 산출하고, 상기 투찰활성도 점수는 입찰 기간 구간별 각 투찰활성도 구간점수에 가중치를 적용하되, 최근 입찰 기간 구간에 대해 보다 큰 가중치를 적용하여 투찰활성도 점수를 산출하며, 상기 제5 단계에서 상기 학습모델은 하기 수학식에 의해 산출된 점수(S)가 기 설정된 기준값 이상인 때에 "참여"에 해당하는 결과값을 출력하는 것을 특징으로 하는 것을 특징으로 하는 인공지능을 활용한 입찰 참여업체 예측 방법이 제공된다.
Figure 112023011328318-pat00021
여기서, a1 은 가격 매칭점수, a2 는 종목 매칭점수, a3는 지역 매칭점수, a4 는 발주처 매칭점수, a5 는 투찰활성도 점수, w1~w5 는 제1 내지 제5 가중치, b 는 바이어스 값임.
또한, 상기 학습모델은 업체별 과거 투찰정보 중 가격 정보와 종목 정보, 지역 정보 및 발주처 정보를 학습데이터로 이용하여 가격 가중치(w1)와 종목 가중치(w2), 지역 가중치(w3), 발주처 가중치(w4), 투찰활성도 가중치(w5) 및, 바이어스 값(b)을 결정하고, 입력되는 후보업체의 가격 매칭점수(a1)와 종목 매칭점수(a2), 가격 매칭점수(a3), 발주처 매칭점수(a4) 및 투찰활성도 점수(a5)에 해당 가중치(w1~w5) 및 바이어스 값(b)을 적용하여 해당 후보업체의 대상 공고 참여 여부에 대응되는 결과값을 출력하는 것을 특징으로 하는 인공지능을 활용한 입찰 참여업체 예측 방법이 제공된다.
또한, 상기 제2 단계는 기 등록된 업체중에서 해당 대상 공고정보의 종목 및 지역 조건에 대응되는 1차 후보업체를 선별하는 단계와, 1차 후보업체 중 종목별 최대 금액의 공고를 기준으로 업체의 실적을 추정하여 투찰가능성이 일정 레벨 이상인 업체를 최종 후보업체로 결정하는 단계를 포함하는 것을 특징으로 하는 인공지능을 활용한 입찰 참여업체 예측 방법이 제공된다.
또한, 상기 제5 단계에서 지표별 매칭점수와 투찰활성도 점수를 세제곱근 처리하여 학습모델의 입력변수로 제공하는 것을 특징으로 하는 인공지능을 활용한 입찰 참여업체 예측 방법이 제공된다.
삭제
또한, 상기 입찰 참여업체 예측 장치는 입찰 종료된 공고에 대해 각 업체별 투찰정보를 수집하고, 수집된 정보를 학습데이터로 추가하여 학습모델을 업데이트하는 단계를 추가로 포함하여 구성되는 것을 특징으로 하는 인공지능을 활용한 입찰 참여업체 예측 방법이 제공된다.
본 발명에 의하면, 종목 통합 및 타종목 허용의 공공입찰시 업체의 종목 규정을 고려하여 공고에 입찰할 참여업체를 보다 정확하고 신뢰성있게 예측할 수 있다.
도1은 본 발명이 적용되는 인공지능을 활용한 입찰 참여 예측 장치의 구성을 기능적으로 분리하여 나타낸 도면.
도2는 도1에 도시된 참여업체 결정부(400)에서 학습모델에 입력할 입력변수의 전처리 방법을 설명하기 위한 도면.
도3은 도1에 도시된 인공지능을 활용한 입찰 참여 예측 장치의 동작을 설명하기 위한 도면.
도4는 도3에 도시된 ST700 단계의 학습모델에서 참여 여부 결과값을 출력하는 알고리즘을 도식화한 도면.
이하에서는 첨부된 도면을 참조하여 본 발명을 보다 상세하게 설명한다. 도면 중 동일한 구성 요소들은 가능한 한 어느 곳에서든지 동일한 부호로 나타내고 있음을 유의해야 한다. 한편, 이에 앞서 본 명세서 및 특허청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도1은 본 발명이 적용되는 인공지능을 활용한 입찰 참여업체 예측 장치의 개략적인 구성을 도시한 도면이다.
도1을 참조하면 본 발명이 적용되는 인공지능을 활용한 입찰 참여업체 예측 장치는, 정보 수집부(100)와, 후보업체 선별부(200), 지표점수 산출부(300), 참여업체 결정부(400), 학습모델 생성부(500) 및, 데이터베이스(600)를 포함한다.
정보 수집부(100)는 각 업체별 투찰정보를 데이터베이스(600)에 등록하고, 입찰 공고정보 즉, 대상 공고정보를 수집한다. 이때, 정보수집부(100)는 입찰시스템에 게시된 입찰정보 및 개찰정보를 포함하는 투찰정보를 수집 및 분류한 후 가공하여 데이터베이스화할 수 있다.
후보업체 선별부(200)는 정보 수집부(100)에서 제공된 대상 공고정보와 데이터베이스(600)에 등록된 각 업체의 과거 투찰이력정보를 비교하여 대상 공고의 지역 제한 조건과 대업종 및 상호진출에 해당하는 종목 조건을 만족하는 업체를 후보업체로 결정하되, 업체의 투찰가능성 조건을 추가로 만족하는 업체를 후보업체로 최종 결정할 수 있다.
이때, 후보업체 선별부(200)는 데이터베이스(600)에 등록된 업체들 중 대상 공고의 지역 제한 조건과 종목 조건을 만족하는 업체를 1차 후보업체로 추출한다. 여기서, 종목 조건은 타종목 허용과 종목통합 규정을 만족하는 종목으로 확장하여 후보업체 대상을 선별한다.
그리고, 후보업체 선별부(200)는 1차 추출된 후보 업체들의 투찰 기록 중 종목별 최대 금액의 공고를 기준으로 업체별 실적을 추정하여 해당 입찰 대상 공고에 대한 투찰가능성을 판단하고, 투찰가능성이 기 등록된 기준 레벨 이상인 업체를 최종 후보업체로 추출한다. 예컨대, 대상 공고가 "건축" 종목인 경우, "건축" 종목은 물론 "토공" 종목의 업체도 1차 후보업체로 추출할 수 있고, 투찰가능성이 50% 이상인 1차 후보업체를 최종 후보업체로 추출할 수 있다.
여기서, 업체의 투찰가능성은 적격심사 기준을 이용하여 업체별 실적을 역산하여 산출될 수 있으며, 이외 다양한 알고리즘으로 산출하는 것이 가능하다.
지표점수 산출부(300)는 후보업체별 가격, 종목, 지역, 발주처, 투찰활성도에 대한 각 지표 점수를 산출한다. 즉, 지표점수 산출부(300)는 데이터베이스(600)에 기 등록된 업체별 과거 투찰이력정보를 토대로 가격 점수와 종목 점수, 지역 점수, 발주처 점수 및 투찰활성도 점수를 각각 산출한다. 이때, 각 지표들은 다수의 구간으로 분류되는 바, 지표점수 산출부(300)는 각 구간별 구간점수를 산출한다.
가격 점수는 하기 수학식1과 같이 해당 가격구간의 총 참여 가능한 공고의 수에 대한 해당 가격구간의 공고중 해당 후보업체가 입찰 참여한 공고의 수로 산출된다.
Figure 112022077301219-pat00002
예컨대, A후보업체의 가격점수는 표1과 같이 산출될 수 있다.
Figure 112022077301219-pat00003
종목 점수는 하기 수학식2와 같이 해당 종목구간의 총 참여 가능한 공고의 수에 대한 해당 종목구간의 공고중 해당 후보업체가 입찰 참여한 공고의 수로 산출된다.
Figure 112022077301219-pat00004
예컨대, A후보업체의 종목점수는 표2와 같이 산출될 수 있다.
Figure 112022077301219-pat00005
지역 점수는 하기 수학식3과 같이 해당 지역의 총 참여 가능한 공고의 수에 대한 해당 지역의 공고중 해당 후보업체가 입찰 참여한 공고의 수로 산출된다.
Figure 112022077301219-pat00006
예컨대, A후보업체의 지역점수는 표3과 같이 산출될 수 있다.
Figure 112022077301219-pat00007
발주처 점수는 하기 수학식4와 같이 해당 발주처공고중 총 참여 가능한 공고의 수에 대한 해당 발주처공고중 해당 후보업체가 입찰 참여한 공고의 수로 산출된다.
Figure 112022077301219-pat00008
예컨대, A후보업체의 발주처점수는 표4와 같이 산출될 수 있다.
Figure 112022077301219-pat00009
투찰활성도 점수는 하기 수학식5와 같이 기간별 총 참여 가능한 공고의 수에 대한 해당 기간별 공고중 해당 후보업체가 입찰 참여한 공고의 수로 산출하여 기간별 투찰활성화 구간점수를 산출한 후, 이의 평균치를 투찰활성도 점수로 결정한다.
Figure 112022077301219-pat00010
예컨대, A후보업체의 기간별 투찰활성도 점수는 표5와 같이 산출될 수 있다.
Figure 112022077301219-pat00011
이때, 투찰활성도 점수는 입찰 기간 구간별 각 투찰활성도 구간점수에 가중치를 적용하여 산출하되, 최근 입찰 기간 구간에 보다 큰 가중치를 적용하여 투찰활성도 점수를 산출한다. 예컨대, 최근 1개월 이내 기간의 공고에 대해서는 가중치 "4", 최근 3개월 이내 기간의 공고에 대해서는 가중치 "3", 최근 6개월 이내 기간에 대해서는 가중치 "2", 최근 12개월 이내 기간에 대해서는 가중치 "1"이 설정되고, 표5와 같이 업체의 입찰 기간구간별 투찰활성도 구간점수가 산출된 경우, 해당 업체의 투찰활성도 점수는 {(0.5×4)+ (0.75×3) + (0×2) + (0×1)}/10="0.425" 로 산출된다.
또한, 지표점수 산출부(300)는 대상 공고 정보에서 가격, 종목, 지역 및 발주처 지표에 대응되는 기준 구간정보를 추출하고, 대상 공고의 기준 구간에 대응되는 후보업체의 지표별 각 구간점수를 지표별 매칭점수로 선택한다.
예컨대, 대상 공고의 기초금액이 35,000,000 원이고, 종목이 통신이며, 지역이 충남이고, 발주처가 수력원자력인 경우, 표1에서 35,000,000 원이 포함된 가격 구간의 가격 점수인 0.1304를 추출하고, 표2에서 종목이 통신인 구간의 종목 점수인 0.2307 을 추출하며, 표3에서 지역이 충남인 구간의 지역 점수인 0.2307 을 추출하고, 표 4로부터 발주처가 수력원자력인 구간의 발주처 점수인 0.275 를 해당 지표의 매칭점수로 각각 선택한다.
참여업체 결정부(400)는 후보업체의 참여 여부에 대한 결과값을 출력하는 학습모델을 이용하여 각 업체별 대상 공고에 대한 입찰 참여 여부를 판단하고, 대상 공고에 참여할 것으로 예측되는 참여업체를 결정한다.
학습모델 생성부(500)는 데이터베이스(600)에 기 등록된 각 업체별 과거 투찰정보를 학습데이터로 이용하여 업체별 대상 공고에 대한 참여 여부 결과값을 출력하는 학습모델을 생성한다.
여기서, 학습모델은 인공신경망(ANN)에 변수를 입력하여 학습을 통해 최적의 결과를 출력하는 모델로서, 대상 공고에 대응되는 후보업체의 지표별 매칭점수와 투찰활성도 점수를 입력변수로 제공받아 해당 업체의 입찰 참여 여부의 결과값을 출력한다.
예컨대, 학습모델은 출력값 y와 정답 t의 차이를 계산할 수 있는 제곱오차의 합(sum of squared error)을 구하는 함수를 코스트 함수로 사용할 수 있다. 코스트 함수(C)는 수학식 6과 같다.
Figure 112022077301219-pat00012
이때, n은 학습데이터의 수로서, 데이터베이스(600)에 등록된 모든 업체의 각 구간별 가격 점수와 종목 점수, 지역 점수 및 발주처 점수와 투찰활성도 점수가 하나의 데이터셋이 될 수 있다.
또한, 학습모델은 미분 가능한 시그모이드 함수(sigmoid function)를 활성 함수(activation function)로 이용하여 0~1 사이의 출력값을 반환하도록 구성된다.
여기서, 활성함수(f(x))는 수학식 6과 같다.
Figure 112022077301219-pat00013
한편, 학습모델에 설정되는 가중치(w)와 바이어스 값(b)은 경사하강법(gradient descent method)을 이용하여 최적의 값으로 설정되며, 본 발명에서 가중치(w)는 입력변수로 제공되는 지표의 개수에 대응하여 제1 내지 제5 가중치(w1 ~ w5)로 이루어진다.
즉, 학습모델은 가격 매칭점수와 종목 매칭점수, 지역 매칭점수, 발주처 매칭점수 및 투찰활성화 점수에 해당 가중치를 각각 적용한 후 이를 합산하고, 바이어스를 합산하여 그 산출값이 기준값 예컨대, 0.5 이상이면 참여에 해당하는 "1"의 결과값을 출력하고, 산출값이 0.5 미만이면 미참여에 해당하는 "0"의 결과값을 출력한다. 즉, 학습모델은 수학식 7과 같이 해당 후보업체에 대한 산출값(S)을 획득한다.
Figure 112022077301219-pat00014
여기서, a1 은 가격 매칭점수, a2 는 종목 매칭점수, a3는 지역 매칭점수, a4 는 발주처 매칭점수, a5 는 투찰활성도 점수, w1~w5 는 제1 내지 제5 가중치, b 는 바이어스 값이다.
예컨대, 학습모델의 제1 내지 제5 가중치(w)가 순차로 "0.25, 0.5, 0.3, 0.2, 0.1"로 설정되고, 바이어스 값(b)이 "0.3"으로 설정된 상태에서, 표1 내지 표5에서 해당 후보업체의 가격 매칭점수 "0.1304", 종목 매칭점수 "0.2307", 지역 매칭점수 "0.2307", 발주처 매칭점수" 0.275", 투찰활성화 점수 "0.425"가 입력되면, 학습모델은 상기 수학식 8을 통해 {(0.1304×0.25)+(0.2307×0.5)+(0.2307×0.3)+(0.275×0.2)+(0.425×0.1)}+0.3="0.61466" 의 산출값을 획득하고, 산출값이 "0.5" 이상이므로 공고 참여에 해당하는 "1"의 출력값을 출력한다(도4 참조).
한편, 참여업체 결정부(400)는 후보업체의 지표 점수를 전처리하여 학습모델에 입력할 수 있다. 이때 참여업체 결정부(400)는 수학식 9과 같이 각 지표 점수에 세제곱근을 취하여 작은수의 특성을 증폭시킨 값을 학습모델의 입력 변수로 제공할수 있다.
Figure 112022077301219-pat00015
이때, 각 지표별 구간 점수는 0~1 사이의 소수의 값으로 산출되는 바, 수학식 9와 같이 세제곱근을 취하게 되면, 도2에 도시된 바와 같이 작은 수의 구간이 증폭된 값으로 산출된다.
데이터베이스(600)는 업체별 투찰이력정보와, 타종목 허용 및 종목 통합 규정에 따른 종목 그룹정보 및, 투찰활성도 가중치와 투찰가능성 기준 레벨을 포함한 각종 정보가 저장된다. 이때, 투찰이력정보는 공고번호별 가격, 종목, 지역, 발주처, 투찰금액, 낙찰 여부를 포함한다.
이어, 상기한 구성으로 된 장치의 동작을 도3에 도시된 흐름도를 참조하여 설명한다.
먼저, 데이터베이스(600)에는 각 업체별 과거 투찰정보가 저장되고, 학습모델 생성부(500)는 이를 기반으로 업체의 각 지표 점수에 따라 대상 공고에 대한 참여 또는 미참여의 참여 여부 결과값을 출력하는 학습모델을 생성한다(ST100).
상기 학습모델은 입력 변수인 가격 매칭점수, 종목 매칭점수, 지역 매칭점수, 발주처 매칭점수 및, 투찰활성도 점수에 대응되는 제1 내지 제5 가중치(w1~w5)와 바이어스 값(b)은 학습데이터를 기반으로 최소 비용을 갖도록 미리 설정한다. 이때, 학습데이터는 모든 업체의 과거 투찰이력정보에 대응되는 지표별 점수 데이터로서, 가격 점수, 종목 점수, 지역 점수, 발주처 점수 및, 투찰활성도 점수를 포함한다.
상기한 상태에서, 정보 수집부(100)로 입찰 공고정보가 수신되면(ST200), 정보 수집부(100)는 해당 입찰 공고정보를 데이터베이스(600)에 대상 공고로 등록함과 더불어, 대상 공고정보 중 참여 여부를 판단하기 위한 공고 기준 정보를 추출하여 후보업체 선별부(100)와 지표점수 산출부(300)로 제공한다(ST300). 이때, 후보업체 선별을 위한 공고 기준 정보는 가격, 지역, 종목, 발주처 정보를 포함한다.
후보업체 선별부(200)는 정보 수집부(100)로부터 입력되는 공고 기준정보를 근거로 데이터베이스(600)에 기 등록된 업체 중에서 지역 조건과 종목 조건을 만족하는 1차 후보업체를 선별하고, 1차 후보업체의 과거 투찰 기록중 종목별 최대 금액의 공고를 기준으로 업체의 실적을 추정하여 투찰 가능지수를 산출하며, 투찰 가능 지수가 기준 투찰지수 이상인 1차 후보업체들을 최종 후보업체로 선택한다(ST400). 이때, 1차 후보업체 선별시 종목 조건을 만족하는 업체는 대업종화(종목통합) 및 상호시장진출(타종목 허용)의 규정을 만족하는 업체로 확장하여 선별할 수 있다.
이어, 후보업체 선택부(100)는 선택된 후보업체정보를 지표점수 산출부(300)로 전송한다.
지표점수 산출부(300)는 데이터베이스(600)에 등록된 투찰이력정보를 기반으로 각 후보업체들의 지표 점수를 산출한다(ST500). 이때, 지표점수 산출부(300)는 상기 표1 내지 표5에 도시된 바와 같이 지표별로 미리 구분된 각 구간별 점수 즉, 구간 점수를 산출한다. 그리고, 지표점수 산출부(300)는 투찰활성도 구간점수를 이용하여 투찰활성도 점수를 산출한다.
이어, 지표점수 산출부(300)는 후보업체의 지표점수 중 대상 공고에 대응되는 구간에 해당하는 지표별 구간 점수, 즉, 매칭점수를 선택한다(ST600). 예컨대, 지표점수 산출부(300)는 표1 내지 표5에서 공고기준정보에 대응되는 가격 매칭점수와 종목 매칭점수, 지역 매칭점수 및 발주처 매칭점수를 각각 선택한다(ST600).
지표점수 산출부(300)는 후보업체의 각 지표별 매칭점수와 투찰활성도 점수를 참여업체 결정부(400)로 제공한다.
참여업체 결정부(400)는 후보업체의 지표별 매칭점수와 투찰활성도 점수를 학습모델에 입력하여 각 후보업체별 대상 공고에 대한 참여 여부 결과값을 수집한다(ST700).
학습모델은 도4에 도시된 바와 같이 입력변수로서 가격 매칭점수(a1)와 종목 매칭점수(a2), 지역 매칭점수(a3), 발주처 매칭점수(a4) 및, 투찰활성도 점수(a5)를 입력받고, 상기 ST100 단계에서 미리 설정된 제1 내지 제5 가중치(w1~w5) 및 바이어스 값(b)을 적용하여 산출값(S)을 계산하고, 이 산출값(S)이 기 설정된 기준값 이 예컨대, 0.5 이상인지의 여부를 근거로 대상 공고에 대한 참여, 미참여에 대응되는 결과값을 출력한다.
또한, 상기 ST700 단계에서 참여업체 결정부(400)는 각 지표별 매칭 점수와 투찰활성도 점수를 세제곱근 처리하여 학습모델의 입력변수로 제공할 수 있다.
이어, 참여업체 결정부(400)는 상기 ST700 단계에서 참여에 해당하는 결과값, 예컨대 "1" 값을 출력하는 후보업체 정보를 리스트업하여 해당 대상 공고에 대한 참여업체 정보를 생성한다(ST800).
이후, 해당 대상 공고에 대한 입찰이 종료되면, 각 업체별 투찰정보를 수집하고, 수집된 투찰정보를 데이터베이스(600)에 추가로 저장함과 더불어, 추가된 투찰정보를 현재 학습모델의 학습데이터로 추가하여 해당 학습모델을 업데이트한다.
100 : 정보 수집부, 200 : 후보업체 선별부,
300 : 지표점수 산출부, 400 : 참여업체 결정부,
500 : 학습모델 생성부, 600 : 데이터베이스.

Claims (6)

  1. 입찰 참여업체 예측 장치에서 기 등록된 각 업체별 과거 투찰정보를 학습데이터로 이용하여 업체별 대상 공고에 대한 참여 여부 결과값을 출력하는 학습모델을 생성하는 제1 단계와,
    공고 정보가 수신되면, 기 등록된 업체중에서 해당 대상 공고정보의 종목 및 지역 조건에 대응되는 후보업체를 선별하되, 종목 조건은 타종목 허용과 종목통합 규정을 만족하는 종목으로 확장하여 후보업체 대상을 선별하는 제2 단계,
    제2 단계에서 선별된 각 후보업체의 가격 점수와, 종목 점수, 지역 점수, 발주처 점수 및 투찰활성도 점수를 산출하되, 각 지표 점수는 기 설정된 구간별로 구분된 구간점수로 산출되고, 투찰활성도 점수는 구간점수의 평균값으로 결정되는 제3 단계,
    상기 제3 단계에서 산출된 지표 점수 중 대상 공고에 대응되는 구간에 해당하는 가격 구간점수와 종목 구간점수, 지역 구간점수 및 발주처 구간점수를 해당 지표별 매칭점수로 각각 선택하는 제4 단계,
    상기 제4 단계에서 선택된 지표별 매칭점수와 상기 제3 단계에서 투찰활성도 점수를 학습모델의 입력변수로 제공하여 후보업체별 대상 공고에 대한 참여 여부 결과값을 수집하고, 학습모델을 통해 "참여"에 해당하는 결과값을 출력하는 후보업체들을 해당 대상 공고의 참여업체로 예측하는 제5 단계를 포함하여 구성되고,
    상기 제3 단계에서 각 구간 점수는 총 참여 가능한 공고의 수에 대한 참여한 공고 수의 비율로 산출하고, 상기 투찰활성도 점수는 입찰 기간 구간별 각 투찰활성도 구간점수에 가중치를 적용하되, 최근 입찰 기간 구간에 대해 보다 큰 가중치를 적용하여 투찰활성도 점수를 산출하며,
    상기 제5 단계에서 상기 학습모델은 하기 수학식에 의해 산출된 점수(S)가 기 설정된 기준값 이상인 때에 "참여"에 해당하는 결과값을 출력하는 것을 특징으로 하는 것을 특징으로 하는 인공지능을 활용한 입찰 참여업체 예측 방법.
    Figure 112023011328318-pat00022

    여기서, a1 은 가격 매칭점수, a2 는 종목 매칭점수, a3는 지역 매칭점수, a4 는 발주처 매칭점수, a5 는 투찰활성도 점수, w1~w5 는 제1 내지 제5 가중치, b 는 바이어스 값임.
  2. 제1항에 있어서,
    상기 학습모델은 업체별 과거 투찰정보 중 가격 정보와 종목 정보, 지역 정보 및 발주처 정보를 학습데이터로 이용하여 가격 가중치(w1)와 종목 가중치(w2), 지역 가중치(w3), 발주처 가중치(w4), 투찰활성도 가중치(w5) 및, 바이어스 값(b)을 결정하고, 입력되는 후보업체의 가격 매칭점수(a1)와 종목 매칭점수(a2), 가격 매칭점수(a3), 발주처 매칭점수(a4) 및 투찰활성도 점수(a5)에 해당 가중치(w1~w5) 및 바이어스 값(b)을 적용하여 해당 후보업체의 대상 공고 참여 여부에 대응되는 결과값을 출력하는 것을 특징으로 하는 인공지능을 활용한 입찰 참여업체 예측 방법.
  3. 제1항에 있어서,
    상기 제2 단계는 기 등록된 업체중에서 해당 대상 공고정보의 종목 및 지역 조건에 대응되는 1차 후보업체를 선별하는 단계와, 1차 후보업체 중 종목별 최대 금액의 공고를 기준으로 업체의 실적을 추정하여 투찰가능성이 일정 레벨 이상인 업체를 최종 후보업체로 결정하는 단계를 포함하는 것을 특징으로 하는 인공지능을 활용한 입찰 참여업체 예측 방법.
  4. 삭제
  5. 제1항에 있어서,
    상기 제5 단계에서 지표별 매칭점수와 투찰활성도 점수를 세제곱근 처리하여 학습모델의 입력변수로 제공하는 것을 특징으로 하는 인공지능을 활용한 입찰 참여업체 예측 방법.
  6. 제1항에 있어서,
    상기 입찰 참여업체 예측 장치는 입찰 종료된 공고에 대해 각 업체별 투찰정보를 수집하고, 수집된 정보를 학습데이터로 추가하여 학습모델을 업데이트하는 단계를 추가로 포함하여 구성되는 것을 특징으로 하는 인공지능을 활용한 입찰 참여업체 예측 방법.
KR1020220091559A 2022-07-25 2022-07-25 인공지능을 활용한 입찰 참여업체 예측 방법 KR102525903B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220091559A KR102525903B1 (ko) 2022-07-25 2022-07-25 인공지능을 활용한 입찰 참여업체 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220091559A KR102525903B1 (ko) 2022-07-25 2022-07-25 인공지능을 활용한 입찰 참여업체 예측 방법

Publications (1)

Publication Number Publication Date
KR102525903B1 true KR102525903B1 (ko) 2023-04-26

Family

ID=86099367

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220091559A KR102525903B1 (ko) 2022-07-25 2022-07-25 인공지능을 활용한 입찰 참여업체 예측 방법

Country Status (1)

Country Link
KR (1) KR102525903B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110007370A (ko) 2009-07-16 2011-01-24 부산대학교 산학협력단 고미신 ｎ을 유효성분으로 포함하는 항암용 조성물
KR20180068174A (ko) * 2016-12-13 2018-06-21 두산인프라코어 주식회사 건설시공 수행업체 선정서버 및 방법
KR102041840B1 (ko) 2019-04-23 2019-11-06 (주) 에스와이소프트 전자 입찰을 위한 투찰율 예측 분석시스템 및 그 방법
KR102041841B1 (ko) * 2019-04-23 2019-11-06 (주) 에스와이소프트 추정 경쟁률 기반의 전자 입찰 분석 시스템 및 방법
KR102370969B1 (ko) * 2021-07-16 2022-03-10 주식회사 알엠소프트 조달 기업의 입찰 평가 결과 예측 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110007370A (ko) 2009-07-16 2011-01-24 부산대학교 산학협력단 고미신 ｎ을 유효성분으로 포함하는 항암용 조성물
KR20180068174A (ko) * 2016-12-13 2018-06-21 두산인프라코어 주식회사 건설시공 수행업체 선정서버 및 방법
KR102041840B1 (ko) 2019-04-23 2019-11-06 (주) 에스와이소프트 전자 입찰을 위한 투찰율 예측 분석시스템 및 그 방법
KR102041841B1 (ko) * 2019-04-23 2019-11-06 (주) 에스와이소프트 추정 경쟁률 기반의 전자 입찰 분석 시스템 및 방법
KR102370969B1 (ko) * 2021-07-16 2022-03-10 주식회사 알엠소프트 조달 기업의 입찰 평가 결과 예측 장치 및 방법

Similar Documents

Publication Publication Date Title
US11868941B2 (en) Task-level answer confidence estimation for worker assessment
Liao et al. Two new approaches based on ELECTRE II to solve the multiple criteria decision making problems with hesitant fuzzy linguistic term sets
US10846620B2 (en) Machine learning-based patent quality metric
Chang et al. Applying DEA to enhance assessment capability of FMEA
US7899770B2 (en) Multiple criteria decision making (MCDM) method for maintaining complex technology
CN109359762B (zh) 风险预测模型生成方法、风险预测方法、装置及服务器
CN111210072B (zh) 预测模型训练和用户资源额度确定方法及装置
CN112396211B (zh) 一种数据预测方法及装置、设备和计算机存储介质
CN110956303A (zh) 信息预测方法、装置、终端及可读存储介质
Mendes A comparison of techniques for web effort estimation
Sadjadi et al. A robust critical path in an environment with hybrid uncertainty
Mendes Predicting web development effort using a Bayesian network
KR102525903B1 (ko) 인공지능을 활용한 입찰 참여업체 예측 방법
Kumar AHP-based formal system for R&D project evaluation
KR102514993B1 (ko) 클러스터링을 활용한 입찰 경쟁업체의 투찰금액 예측 방법
CN110717537A (zh) 训练用户分类模型、执行用户分类预测的方法及装置
CN109255638B (zh) 一种挖掘潜在客户的数学模型
CN115204501A (zh) 企业评估方法、装置、计算机设备和存储介质
CN115330490A (zh) 一种产品推荐方法、装置、存储介质及设备
Haddadha et al. Project selection problem by combination of Shannon entropy and MCDM techniques
KR101927317B1 (ko) 부채 관리 능력 평가 방법 및 장치
Ranarahu et al. Multi-objective fuzzy quadratic probabilistic programming problem involving fuzzy Cauchy random variable
Kvyetnyy et al. Group decision support system based on Bayesian network
CN108876031B (zh) 一种软件开发者贡献值预测方法
Siwiec et al. An Approach to Predict Customer Satisfaction with Current Product Quality

Legal Events

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