KR20150116121A - 연속형 종속변수 예측 시스템 및 방법, 이를 이용한 항공 화물 운임 예측 시스템 및 방법 - Google Patents

연속형 종속변수 예측 시스템 및 방법, 이를 이용한 항공 화물 운임 예측 시스템 및 방법 Download PDF

Info

Publication number
KR20150116121A
KR20150116121A KR1020140040679A KR20140040679A KR20150116121A KR 20150116121 A KR20150116121 A KR 20150116121A KR 1020140040679 A KR1020140040679 A KR 1020140040679A KR 20140040679 A KR20140040679 A KR 20140040679A KR 20150116121 A KR20150116121 A KR 20150116121A
Authority
KR
South Korea
Prior art keywords
value
continuous
independent variable
variable
categorical
Prior art date
Application number
KR1020140040679A
Other languages
English (en)
Inventor
심영대
이훈석
안순홍
이지민
Original Assignee
아시아나아이디티 주식회사
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 아시아나아이디티 주식회사 filed Critical 아시아나아이디티 주식회사
Priority to KR1020140040679A priority Critical patent/KR20150116121A/ko
Publication of KR20150116121A publication Critical patent/KR20150116121A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

기적용된 범주형 독립변수의 값, 기적용된 연속형 독립변수의 값 및 기적용된 연속형 종속변수의 값을 각각 포함하는 복수의 기존 데이터를 저장하는 데이터베이스; 예측하고자 하는 연속형 종속변수를 포함하는 신규 데이터를 입력 받고, 상기 데이터베이스에서 상기 복수의 기존 데이터를 읽어 들이며, 읽어 들인 복수의 기존 데이터 중 상기 신규 데이터에 포함된 범주형 독립변수의 값과 동일한 값을 갖는 범주형 독립변수를 포함한 기존 데이터를 선택하는 메인 서버; 및 상기 메인 서버에서 선택된 기존 데이터에 포함된 기적용된 연속형 독립변수 및 기적용된 연속형 종속변수의 관계에 대한 회귀분석 모델을 수립하는 모델링 서버를 포함하며, 상기 메인 서버는 상기 모델링 서버에서 수립된 회귀분석 모델에 상기 신규 데이터에 포함된 연속형 독립 변수를 적용하여 그에 대응되는 연속형 종속변수의 값을 예측하는 것을 특징으로 하는 연속형 종속변수 예측 시스템이 개시된다.

Description

연속형 종속변수 예측 시스템 및 방법, 이를 이용한 항공 화물 운임 예측 시스템 및 방법{SYSTEM AND METHOD FOR ESTIMATING VALUE OF CONTINUOUS DEPENDENT VARIABLE, SYSTEM AND METHOD FOR ESTIMATING BILLING OF AIR CARGO}
본 발명은 연속형 종속변수 예측 시스템 및 방법에 관한 것으로, 더욱 상세하게는 기적용된 범주형 독립변수의 값, 기적용된 연속형 독립변수의 값 및 기적용된 연속형 종속변수의 값을 각각 포함하는 복수의 기존 데이터를 이용하여 신규 입력된 데이터의 연속형 종속변수의 값을 예측할 수 있는 연속형 종속변수 예측 시스템 및 방법, 이를 이용한 항공 화물 운임 예측 시스템 및 방법에 관한 것이다.
범주형 변수와 연속형 변수가 혼재되어 있는 대용량의 데이터 세트에서 범주형 변수가 연속형 변수에 영향을 미칠 때, 범주형 변수의 종류가 다수이고 각 범주형 변수의 값이 다수인 경우 모든 가능한 경우의 수를 감안한 예측 모델을 만들기는 거의 불가능하다.
예를 들어, 종속변수의 값에 관여하는 독립변수가 범주형 자료이고, 그 수가 N 개인 경우 각각의 범주에 상응하는 모델의 개수는 다음과 같이 각 범주형 자료의 값의 개수의 곱으로 표현 할 수 있다.
Figure pat00001
이와 같이, 범주형 자료의 종류 및 값이 많고, 데이터 세트의 크기가 매우 커서 변수 종류의 수도 많다면 표현 가능한 모델의 개수는 그 곱으로 표현될 수 있으므로 무한히 커질 수 있다. 따라서, 데이터 세트를 사용하여 연속형 독립변수를 입력값으로 하여 예측값을 추측하기 위해서는 표현 가능한 모든 모델이 준비되어 있어야 하는데, 전술한 것과 같이 범주형 자료의 종류 및 값이 많은 경우 모든 모델을 사전에 준비하는 것을 실질적으로 불가능하다. 가능하다고 하더라도 가능한 모델의 미리 생성해야 하는 시간적 부담과 컴퓨팅 파워의 막대한 부담이 존재한다.
본 발명은, 기적용된 범주형 독립변수의 값, 기적용된 연속형 독립변수의 값 및 기적용된 연속형 종속변수의 값을 각각 포함하는 복수의 기존 데이터를 이용하여 신규 입력된 데이터의 연속형 종속변수의 값을 신속하고 효과적으로 예측할 수 있는 연속형 종속변수 예측 시스템 및 방법을 제공하는 것을 해결하고자 하는 기술적 과제로 한다.
또한 본 발명은 상기 연속형 종속변수 예측 시스템 및 방법을 적용한 항공 화물 운임 예측 시스템 및 방법을 제공하는 것을 해결하고자 하는 다른 기술적 과제로 한다.
상기 기술적 과제를 해결하기 위한 수단으로서 본 발명은,
기적용된 범주형 독립변수의 값, 기적용된 연속형 독립변수의 값 및 기적용된 연속형 종속변수의 값을 각각 포함하는 복수의 기존 데이터를 저장하는 데이터베이스;
예측하고자 하는 연속형 종속변수를 포함하는 신규 데이터를 입력 받고, 상기 데이터베이스에서 상기 복수의 기존 데이터를 읽어 들이며, 읽어 들인 복수의 기존 데이터 중 상기 신규 데이터에 포함된 범주형 독립변수의 값과 동일한 값을 갖는 범주형 독립변수를 포함한 기존 데이터를 선택하는 메인 서버; 및
상기 메인 서버에서 선택된 기존 데이터에 포함된 기적용된 연속형 독립변수 및 기적용된 연속형 종속변수의 관계에 대한 회귀분석 모델을 수립하는 모델링 서버를 포함하며,
상기 메인 서버는 상기 모델링 서버에서 수립된 회귀분석 모델에 상기 신규 데이터에 포함된 연속형 독립 변수를 적용하여 그에 대응되는 연속형 종속변수의 값을 예측하는 것을 특징으로 하는 연속형 종속변수 예측 시스템을 제공한다.
본 발명의 일 실시형태에서, 상기 모델링 서버는 상기 메인 서버와 상호 병렬로 연결된 복수의 모델링 서버를 포함하며, 상기 메인 서버에서 선택된 기존 데이터가 상기 신규 데이터에서 그 값이 미결정된 범주형 독립변수를 가지며, 상기 미결정된 범주형 독립변수가 복수의 값을 갖는 경우, 상기 복수의 모델링 서버 각각은, 상기 미결정된 범주형 독립변수의 값 별로 기적용된 연속형 독립변수 및 기적용된 연속형 종속변수의 관계에 대한 회귀분석 모델을 각각 분산하여 수립할 수 있다.
상기 기술적 과제를 해결하기 위한 다른 수단으로서 본 발명은, 기적용된 범주형 독립변수의 값, 기적용된 연속형 독립변수의 값 및 기적용된 연속형 종속변수의 값을 각각 포함하는 복수의 기존 데이터를 이용하여 연속형 종속변수를 예측하는 방법에 있어서,
예측하고자 하는 연속형 종속변수를 포함하는 신규 데이터를 입력 받는 단계;
상기 복수의 기존 데이터 중 상기 신규 데이터에 포함된 범주형 독립변수의 값과 동일한 값을 갖는 범주형 독립변수를 포함한 기존 데이터를 선택하는 단계;
상기 선택하는 단계에서 선택된 기존 데이터에 포함된 기적용된 연속형 독립변수 및 기적용된 연속형 종속변수의 관계에 대한 회귀분석 모델을 수립하는 단계; 및
상기 회귀분석 모델을 수립하는 단계에서 수립된 회귀분석 모델에 상기 신규 데이터에 포함된 연속형 독립 변수를 적용하여 그에 대응되는 연속형 종속변수의 값을 예측하는 단계
를 포함하는 연속형 종속변수 예측 방법을 제공한다.
본 발명의 일 실시형태에서, 상기 선택하는 단계에서 선택된 기존 데이터가 상기 신규 데이터에서 그 값이 미결정된 범주형 독립변수를 가지며, 상기 미결정된 범주형 독립변수가 복수의 값을 갖는 경우, 상기 회귀분석 모델을 수립하는 단계는, 상기 미결정된 범주형 독립변수의 값 별로 상기 선택하는 단계에서 선택된 기존 데이터에 포함된 기적용된 연속형 독립변수 및 기적용된 연속형 종속변수의 관계에 대한 회귀분석 모델을 각각 수립할 수 있다.
본 발명의 일 실시형태에서, 상기 회귀분석 모델을 수립하는 단계는, 상기 미결정된 범주형 독립변수의 값 별로 기적용된 연속형 독립변수 및 기적용된 연속형 종속변수의 관계에 대한 회귀분석 모델을 각각 수립하되, 상기 미결정된 범주형 독립변수의 값 별로 수립된 회귀분석 모델 중 적어도 2 이상은 상호 다른 복수의 모델링 서버에서 분산되어 수립될 수 있다.
상기 기술적 과제를 해결하기 위한 또 다른 수단으로서 본 발명은,
‘화물 무게’의 연속형 독립변수의 값과 ‘운임’의 연속형 종속변수의 값을 포함 하는 기존의 항공 화물 운송 데이터를 저장하는 데이터베이스;
‘화물 무게’의 연속형 독립변수의 값이 결정되고 ‘운임’의 연속형 종속변수의 값이 결정되지 않은 항공 화물 예약 데이터를 입력 받고, 상기 데이터베이스에서 상기 항공 화물 운송 데이터를 읽어 들이며, 읽어 들인 항공 화물 운송 데이터 중 상기 항공 화물 예약 데이터에 포함된 범주형 독립변수의 값과 동일한 값을 갖는 범주형 독립변수를 포함한 항공 화물 운송 데이터를 선택하는 메인 서버; 및
상기 메인 서버에서 선택된 항공 화물 운송 데이터에 포함된 ‘화물 무게’의 연속형 독립변수의 값과 ‘운임’의 연속형 종속변수의 값의 관계에 대한 회귀분석 모델을 수립하는 모델링 서버를 포함하며,
상기 메인 서버는 상기 모델링 서버에서 수립된 회귀분석 모델에 상기 항공 화물 예약 데이터 포함된 ‘화물 무게’의 연속형 독립 변수의 값을 적용하여 그에 대응되는 ‘운임’의 연속형 종속변수의 예측값을 결정하는 것을 특징으로 하는 항공 화물 운임 예측 시스템을 제공한다.
본 발명의 일 실시형태에서, 상기 모델링 서버는 상기 메인 서버와 상호 병렬로 연결된 복수의 모델링 서버를 포함하며, 상기 메인 서버에서 선택된 항공 화물 운송 데이터가 상기 항공 화물 예약 데이터에서 그 값이 미결정된 범주형 독립변수를 가지며, 상기 미결정된 범주형 독립변수가 복수의 값을 갖는 경우, 상기 복수의 모델링 서버 각각은, 상기 미결정된 범주형 독립변수의 값 별로 상기 메인 서버에서 선택된 항공 화물 운송 데이터에 포함된 ‘화물 무게’의 연속형 독립변수의 값과 ‘운임’의 연속형 종속변수의 값의 관계에 대한 회귀분석 모델을 각각 분산하여 수립할 수 있다.
본 발명의 일 실시형태에서, 상기 미결정된 범주형 독립변수는 ‘항공편’을 포함할 수 있다.
상기 기술적 과제를 해결하기 위한 또 다른 수단으로서 본 발명은,‘화물 무게’의 연속형 독립변수의 값과 ‘운임’의 연속형 종속변수의 값을 포함 하는 기존의 항공 화물 운송 데이터를 이용하여 예약된 항공 화물의 운임을 예측하는 방법에 있어서,
‘화물 무게’의 연속형 독립변수의 값이 결정되고 ‘운임’의 연속형 종속변수의 값이 결정되지 않은 항공 화물 예약 데이터를 입력 받는 단계;
상기 항공 화물 운송 데이터 중 상기 항공 화물 예약 데이터에 포함된 범주형 독립변수의 값과 동일한 값을 갖는 범주형 독립변수를 포함한 항공 화물 운송 데이터를 선택하는 단계;
상기 선택하는 단계에서 선택된 항공 화물 운송 데이터에 포함된 ‘화물 무게’의 연속형 독립변수의 값과 ‘운임’의 연속형 종속변수의 값의 관계에 대한 회귀분석 모델을 수립하는 단계; 및
상기 회귀분석 모델을 수립하는 단계에서 수립된 회귀분석 모델에 상기 항공 화물 예약 데이터 포함된 ‘화물 무게’의 연속형 독립 변수의 값을 적용하여 그에 대응되는 ‘운임’의 연속형 종속변수의 예측값을 결정하는 단계
를 포함하는 항공 화물 운임 예측 방법을 제공한다.
본 발명의 일 실시형태에서, 상기 선택하는 단계에서 선택된 항공 화물 운송 데이터가 상기 항공 화물 예약 데이터에서 그 값이 미결정된 범주형 독립변수를 가지며, 상기 미결정된 범주형 독립변수가 복수의 값을 갖는 경우, 상기 회귀분석 모델을 수립하는 단계는, 상기 미결정된 범주형 독립변수의 값 별로 상기 선택하는 단계에서 선택된 항공 화물 운송 데이터에 포함된 ‘화물 무게’의 연속형 독립변수의 값과 ‘운임’의 연속형 종속변수의 값의 관계에 대한 회귀분석 모델을 각각 수립할 수 있다.
본 발명의 일 실시형태에서, 상기 회귀분석 모델을 수립하는 단계는, 상기 미결정된 범주형 독립변수의 값 별로 상기 선택하는 단계에서 선택된 항공 화물 운송 데이터에 포함된 ‘화물 무게’의 연속형 독립변수의 값과 ‘운임’의 연속형 종속변수의 값의 관계에 대한 회귀분석 모델을 각각 수립하되, 상기 미결정된 범주형 독립변수의 값 별로 수립된 회귀분석 모델 중 적어도 2 이상은 상호 다른 복수의 모델링 서버에서 분산되어 수립될 수 있다.
본 발명의 일 실시형태에서, 상기 미결정된 범주형 독립변수는 ‘항공편’을 포함할 수 있다.
본 발명에 따르면, 신규 데이터가 입력된 이후 이 신규 데이터에 포함된 범주형 독립변수의 값에 따라 필요한 회귀분석 모델링을 수행할 수 있다. 따라서, 데이터베이스에 저장된 방대한 양의 기존 데이터를 이용하여 신규 입력값의 모든 변수값에 대한 회귀분석 모델을 사전에 수립하여 저장할 필요가 없으므로 큰 저장공간을 요구하지 않는다.
또한, 본 발명에 따르면, 신규 데이터에서 결정되지 않는 복수의 값을 갖는 범주형 독립변수를 갖는 데이터에 대해서도, 복수의 모델링 서버를 활용하여 범주형 독립변수의 값 각각에 대한 복수의 회귀분석 모델을 분산하여 수립할 수 있으므로 처리 속도를 현저하게 향상시킬 수 있다.
도 1은 본 발명의 일 실시형태에 따른 연속형 종속변수 예측 시스템의 블록 구성도이다.
도 2는 일 실시형태에 따른 연속형 종속변수 예측 시스템의 데이터베이스에 저장되는 데이터를 도시한 도면이다.
도 3은 본 발명의 일 실시형태에 따른 연속형 종속변수 예측 방법의 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 항공기 화물운임 예측 방법을 도시한 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시형태를 보다 상세하게 설명한다. 그러나, 본 발명의 실시형태는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시형태로 한정되는 것은 아니다. 본 발명의 실시형태는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 또한, 본 발명을 설명함에 있어서, 정의되는 용어들은 본 발명에서의 기능을 고려하여 정의 내려진 것으로, 이는 당 분야에 종사하는 기술자의 의도 또는 관례 등에 따라 달라질 수 있으므로, 본 발명의 기술적 구성요소를 한정하는 의미로 이해되어서는 아니 될 것이다.
도 1에 도시된 것과 같이, 본 발명의 일 실시형태에 따른 연속형 종속변수 예측 시스템은 데이터베이스(11), 메인 서버(12) 및 모델링 서버(13)를 포함하여 구성될 수 있다.
데이터베이스(11)는 기존에 적용된 데이터를 저장한다. 본 발명의 일 실시형태에 따른 연속형 종속변수 예측 시스템은, 데이터베이스(11)에 저장된 기적용 데이터를 이용하여 신규 입력된 데이터 내의 연속형 종속변수의 값을 예측하기 위한 회귀분석 모델을 수립한다.
도 2는 일 실시형태에 따른 연속형 종속변수 예측 시스템의 데이터베이스에 저장되는 데이터를 도시한 도면이다.
도 2에 도시된 것과 같이, 데이터베이스(11)에 저장된 데이터(DATA1 내지 DATAm)는 범주형 독립변수(X1 내지 Xn)와 연속형 독립변수(R) 및 연속형 종속변수(Y)를 포함할 수 있다. 연속형 종속변수(Y)는 범주형 독립변수(X1 내지 Xn)와 연속형 독립변수(R)에 의해 그 값이 변동되는 변수이다. 데이터베이스(11)는 도 2에 도시된 것과 같이 복수의 데이터를 변수 별로 저장한 데이터 세트를 형성할 수 있다.
다시 도 1을 참조하면, 메인 서버(12)는 예측하고자 하는 연속형 종속변수를 포함하는 신규 데이터를 입력 받고, 신규 데이터의 연속형 종속변수 예측에 사용될 회귀분석 모델을 수립하는데 사용되는 기존 데이터를 데이터베이스(11)에서 읽어 들인다. 즉, 메인 서버(12)는 도 2에 도시된 것과 같은 데이터베이스(11)에 저장된 데이터 세트를 읽어 들일 수 있다.
또한, 메인 서버(12)는 읽어 들인 데이터 세트에서 회귀분석 모델을 수립하는 데 사용할 기존 데이터를 선택할 수 있다. 예를 들어, 메인 서버(12)는 데이터베이스(11)로부터 읽어 들인 기존 데이터 중, 신규 데이터에 포함된 범주형 독립변수와 동일한 종류의 범주형 독립변수의 값에 따라 기존 데이터를 선택할 수 있다. 즉, 메인 서버(12)는 기존 데이터의 범주형 독립변수의 값이 신규 데이터의 동일 종류의 범주형 독립변수의 값과 동일한 경우 해당 기존 데이터를 회귀분석 모델 수립에 사용할 기존 데이터로 선택할 수 있다.
또한, 메인 서버(12)는 모델링 서버(13)에 의해 수립된 회귀분석 모델에 신규 데이터에 포함된 연속형 독립변수를 적용하여 예측하고자 한 연속형 종속변수의 값을 예측할 수 있다.
모델링 서버(13)는 메인 서버(12)에서 회귀분석 모델 수립에 사용할 것으로 선택된 기존 데이터 내에 저장된 기적용된 연속형 독립변수와 기적용된 연속형 종속변수의 관계에 대한 회귀분석 모델을 수립할 수 있다. 연속형 독립변수와 연속형 종속변수를 이용하여 회귀분석 모델을 수립하는 과정은 당 기술분야에 잘 알려진 기술이므로 본 발명의 요지를 흐리는 것을 방지하고자 그에 대한 상세한 설명은 생략하기로 한다.
본 발명의 일 실시형태는 복수의 모델링 서버(13)를 구비할 수 있다. 복수의 모델링 서버(13)는 메인 서버(12)에 병렬 연결될 수 있다. 메인 서버(12)에서 선택된 기존 데이터는 신규 데이터에서 그 값이 미결정된 범주형 독립변수를 가질 수 있다. 이 경우, 연속형 독립변수와 연속형 종속변수에 대한 회귀분석 모델은 신규 데이터에서 그 값이 미결정된 범주형 독립변수의 값 각각에 대해 수립될 필요가 있다. 예를 들어, 메인 서버(12)에서 선택된 기존 데이터가 신규 데이터에서 그 값이 미결정된 범주형 독립변수를 포함하며 이 미결정된 범주형 독립변수가 P개의 기적용된 값을 갖는다면, P개의 값 각각에 대해 회귀분석 모델이 수립되어야 한다. 이와 같은 경우, 복수의 모델링 서버(13) 각각은, 미결정된 범주형 독립변수의 값 별로 기적용된 연속형 독립변수 및 기적용된 연속형 종속변수의 관계에 대한 회귀분석 모델을 각각 분산하여 수립할 수 있다. 각각의 모델링 서버(13)는 적어도 하나 이상의 회귀분석 모델을 수립할 수 있다. 이와 같이, 본 발명의 일 실시형태는 다수의 회귀분석 모델을 수립하기 위한 연산이 필요한 경우에 복수의 모델링 서버(13)에서 분산하여 각각 회귀분석 모델을 병렬적으로 수립하게 함으로써 처리속도를 현저하게 향상시킬 수 있다.
본 발명은 연속형 종속변수 예측 방법도 제공한다.
도 3은 본 발명의 일 실시형태에 따른 연속형 종속변수 예측 방법의 흐름도이다.
도 3을 참조하면, 본 발명의 일 실시형태에 따른 연속형 종속변수 예측 방법은, 메인 서버(12)가 예측하고자 하는 연속형 종속변수를 포함하는 신규 데이터를 입력 받는 단계(S11)와, 메인 서버(12)가 데이터베이스(11)에서 기적용된 범주형 독립변수의 값, 기적용된 연속형 독립변수의 값 및 기적용된 연속형 종속변수의 값을 각각 포함하는 복수의 기존 데이터를 읽어 들이는 단계(S12), 메인 서버(12)가 복수의 기존 데이터 중에서 신규 데이터에 포함된 범주형 독립변수와 동일한 종류의 기적용된 범주형 독립변수가 신규 데이터에 포함된 범주형 독립변수와 동일한 값을 갖는 기존 데이터를 선택하는 단계(S13)와, 모델링 서버(13)가 단계(S13)에서 선택된 기존 데이터에 포함된 기적용된 연속형 독립변수 및 기적용된 연속형 종속변수의 관계에 대한 회귀분석 모델을 수립하는 단계(S14) 및 메인 서버(12)가 단계(S14)에서 수립된 회귀분석 모델에 신규 데이터에 포함된 연속형 독립 변수를 적용하여 그에 대응되는 연속형 종속변수의 값을 예측하는 단계(S15)를 포함하여 구성될 수 있다.
본 발명의 일 실시형태에서, 단계(S13)에서 메인 서버(12)에 의해 선택된 기존 데이터는 신규 데이터에서 그 값이 미결정된 범주형 독립변수를 가질 수 있다. 이와 같이, 기존 데이터가 신규 데이터에서 값이 미결정 범주형 독립변수를 갖는 경우, 단계(S14)는 미결정된 범주형 독립변수의 값 별로 단계(S13)에서 선택된 기존 데이터에 포함된 기적용된 연속형 독립변수 및 기적용된 연속형 종속변수의 관계에 대한 회귀분석 모델을 각각 수립하는 단계를 포함할 수 있다.
특히, 본 발명의 일 실시형태의 단계(S14)에서는, 미결정된 범주형 독립변수의 값 별로 기적용된 연속형 독립변수 및 기적용된 연속형 종속변수의 관계에 대한 회귀분석 모델을 각각 수립하되, 미결정된 범주형 독립변수의 값 별로 수립된 회귀분석 모델 중 적어도 2 이상은 상호 다른 복수의 모델링 서버(13)에서 분산되어 수립될 수 있다. 즉, 단계(S14)에서 복수의 모델링 서버(13) 각각은 적어도 하나 이상의 미결정된 범주형 독립변수의 값에 대한 회귀분석 모델을 수립할 수 있다.
이상에서 설명한 바와 같이, 본 발명의 일 실시형태는 신규 데이터가 입력된 이후 이 신규 데이터에 포함된 범주형 독립변수의 값에 따라 필요한 회귀분석 모델링을 수행할 수 있다. 따라서, 데이터베이스에 저장된 방대한 양의 기존 데이터를 이용하여 신규 입력값의 모든 변수값에 대한 회귀분석 모델을 사전에 수립하여 저장할 필요가 없다.
또한, 본 발명의 일 실시형태는 신규 데이터에서 결정되지 않는 복수의 값을 갖는 범주형 독립변수를 갖는 데이터에 대해서도, 복수의 모델링 서버를 활용하여 범주형 독립변수의 값 각각에 대한 복수의 회귀분석 모델을 분산하여 수립할 수 있으므로 처리 속도를 현저하게 향상시킬 수 있다.
이하, 본 발명의 일 실시예로서, 전술한 연속형 종속변수 예측 시스템 및 방법을 적용한 항공기 화물운임 예측 기법에 대해서 설명한다.
도 4는 본 발명의 일 실시예에 따른 항공기 화물운임 예측 방법을 도시한 흐름도이다. 도 4에 도시된 항공기 화물운임 예측 방법이 구현되는 시스템은 도 1에 도시한 것과 실질적으로 동일하며, 여기에 적용되는 데이터와 데이터 내 변수들을 항공기 화물 운임 예측에 필요한 데이터 및 변수로 대체한 것이다. 따라서, 도 4에 도시된 본 발명의 일 실시예에 따른 항공기 화물운임 예측 방법에 대한 설명을 통해 당 기술분야에서 통상의 지식을 가진 자는 본 발명의 일 실시예에 따른 항공기 화물운임 예측 시스템을 용이하게 이해할 수 있을 것이다.
도 1 내지 도 4를 참조하면, 본 발명의 일 실시예에 따른 항공기 화물운임 예측 방법은 메인 서버(12)에서 항공 화물 예약 데이터를 입력 받는 단계(S21)로부터 시작될 수 있다. 항공 화물 예약 데이터는 항공 화물을 운송하는데 필요한 각종 범주형 독립변수와 연속형 독립변수를 포함할 수 있으며, 항공 화물의 운임을 예측하고자 하는 연속형 종속변수로 할 수 있다.
이어, 메인 서버(12)는 데이터베이스(11)에 저장된 데이터 세트를 읽어 들이고(S22) 데이터 세트에서 회귀분석 모델 수립에 적용될 필요한 데이터들을 선택할 수 있다(S23).
데이터베이스(11)에는 기존에 적용된 항공 화물 운송 데이터의 세트가 저장될 수 있다. 항공 화물 운송 데이터는 기존의 화물 운송 시에 적용된 화물의 출발지, 목적지, 요율, 항공편 등의 범주형 독립변수와 화물 무게의 연속형 독립변수 및 상기 독립변수들에 의해 결정되는 연속형 종속변수인 화물 운임을 포함할 수 있다.
메인 서버(12)는 단계(S23)에서 데이터베이스(11)로부터 읽어 들인 항공 화물 운동 데이터 세트를 필터링하여 입력된 항공 화물 예약 데이터의 범주형 독립변수에 해당하는 기존의 항공 화물 운동 데이터를 선택할 수 있다. 예를 들어, 항공 화물 예약 데이터의‘출발지’라는 범주형 독립변수가 ‘ICN(인천)’인 경우, 메인 서버(12)는 데이터베이스(11)로부터 읽어 들인 항공 화물 운동 데이터 세트에서 ‘출발지’의 범주형 독립변수가 ‘ICN’인 데이터를 필터링할 수 있다. 이어, 항공 화물 예약 데이터의‘도착지’라는 범주형 독립변수가 ‘HKG(홍콩)’인 경우, 메인 서버(12)는 ‘출발지’에 의해 필터링된 데이터 중 ‘도착지’의 범주형 독립변수가 ‘HKG’인 데이터를 필터링할 수 있다. 이러한 과정을 다른 범주형 독립변수에 대해 적용하여, 범주형 독립변수들이 동일한 값을 갖는 기존 항공 화물 운송 데이터를 선택한다.
이어, 모델링 서버(13)는 단계(S23)에서 선택된 기존 항공 화물 운송 데이터들에 포함된 연속형 독립변수인 화물 무게와 연속형 종속변수인 화물 운임의 관계를 표현한 회귀분석 모델을 수립할 수 있다(S24).
이어, 메인 서버(12)는 모델링 서버(13)에서 수립된 회귀분석 모델에 입력 받은 항공 화물 예약 데이터의 연속형 독립 변수인 화물 무게를 적용함으로써 해당 화물에 대한 예상 운임을 결정할 수 있다.
한편, 단계(S23)에서 항공 화물 운송 데이터에 포함된 범주형 독립변수 중 신규 데이터인 항공 화물 예약 데이터에서 그 값이 결정되지 않은 범주형 독립변수가 존재하는 경우, 메인 서버(12)는 해당 범주형 독립변수 값 각각에 대해 데이터를 선택할 수 있다. 예를 들어, 항공 화물 예약 데이터는 해당 항공 화물을 어느 항공편으로 운송할지에 대한 내용은 기재되지 않는다. 즉, 데이터베이스(11)에 저장되어 있는 기적용된 항공 화물 운송 데이터에는 ‘항공편’이라는 범주형 독립변수가 그 값을 가지고 있으나, 항공 화물 예약 데이터에는 ‘항공편’의 범주형 독립변수가 그 값을 가지지 않는다. 이 경우, 단계(S23)에서 메인 서버(12)는 기적용된 항공 화물 운송 데이터의 ‘항공편’이라는 범주형 독립변수가 갖는 모든 값 각각에 대해 회귀분석 모델을 수립하기 위한 데이터를 선택할 수 있다. 예를 들어, 기적용된 항공 화물 운송 데이터의 ‘항공편’이라는 범주형 독립변수가 ‘OZ001’ 내지 ‘OZ010’의 총 10편의 항공편에 대한 값을 갖는다고 하면, 메인 서버(12)는 ‘항공편’이라는 범주형 독립변수가 ‘OZ001’이고 다른 범주형 독립변수들이 항공 화물 예약 데이터의 범주형 독립변수들이 동일한 값을 갖는 기존 항공 화물 운송 데이터를 하나의 데이터 세트로 선택한다. 또한, 메인 서버(12)는 ‘항공편’이라는 범주형 독립변수가 ‘OZ002’이고 다른 범주형 독립변수들이 항공 화물 예약 데이터의 범주형 독립변수들이 동일한 값을 갖는 기존 항공 화물 운송 데이터를 하나의 데이터 세트로 선택한다. 이러한 데이터 세트의 선택 과정은 ‘항공편’이라는 범주형 독립변수가 ‘OZ010’인 경우까지 반복된다.
이어, 단계(S24)에서, 복수의 모델링 서버(13) 각각은 ‘항공편’이라는 범주형 독립변수의 각 값에 따라 선택된 데이터 세트 중 적어도 하나에 대한 연속형 독립변수인 화물 무게와 연속형 종속변수인 화물 운임의 관계를 표현한 회귀분석 모델을 수립한다. 예를 들어, ‘모델링 서버 1’은 항공편’이라는 범주형 독립변수가 ‘OZ001’이고 다른 범주형 독립변수들이 항공 화물 예약 데이터의 범주형 독립변수들이 동일한 값을 갖는 기존 항공 화물 운송 데이터를 이용하여 회귀분석 모델을 수립할 수 있다. 또한, ‘모델링 서버 2’는 항공편’이라는 범주형 독립변수가 ‘OZ002’이고 다른 범주형 독립변수들이 항공 화물 예약 데이터의 범주형 독립변수들이 동일한 값을 갖는 기존 항공 화물 운송 데이터를 이용하여 회귀분석 모델을 수립할 수 있다. 다른 모델링 서버들도 ‘항공편’이라는 범주형 독립변수의 값에 따라 선택된 데이터를 이용하여 해당 ‘항공편’값에 대한 회귀분석 모델을 수립할 수 있다. 이와 같이, 본 발명에서는 회귀분석 모델을 수립하여야 하는 데이터세트들이 복수인 경우 이를 복수의 모델링 서버로 분산하여 처리되게 할 수 있다.
이 경우, 메인 서버(12)는 단계(S25)에서 항공편 별로 화물 무게에 따른 운임을 예측할 수 있다.
본 발명의 상세한 설명에서는 구체적인 실시 예에 관하여 설명하였으나 본 발명의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 발명의 범위는 설명된 실시 예에 국한되지 않으며, 후술되는 특허청구의 범위 및 이 특허청구의 범위와 균등한 것들에 의해 정해져야 한다.
11: 데이터베이스 12: 메인 서버
13: 모델링 서버

Claims (12)

  1. 기적용된 범주형 독립변수의 값, 기적용된 연속형 독립변수의 값 및 기적용된 연속형 종속변수의 값을 각각 포함하는 복수의 기존 데이터를 저장하는 데이터베이스;
    예측하고자 하는 연속형 종속변수를 포함하는 신규 데이터를 입력 받고, 상기 데이터베이스에서 상기 복수의 기존 데이터를 읽어 들이며, 읽어 들인 복수의 기존 데이터 중 상기 신규 데이터에 포함된 범주형 독립변수의 값과 동일한 값을 갖는 범주형 독립변수를 포함한 기존 데이터를 선택하는 메인 서버; 및
    상기 메인 서버에서 선택된 기존 데이터에 포함된 기적용된 연속형 독립변수 및 기적용된 연속형 종속변수의 관계에 대한 회귀분석 모델을 수립하는 모델링 서버를 포함하며,
    상기 메인 서버는 상기 모델링 서버에서 수립된 회귀분석 모델에 상기 신규 데이터에 포함된 연속형 독립 변수를 적용하여 그에 대응되는 연속형 종속변수의 값을 예측하는 것을 특징으로 하는 연속형 종속변수 예측 시스템.
  2. 제1항에 있어서,
    상기 모델링 서버는 상기 메인 서버와 상호 병렬로 연결된 복수의 모델링 서버를 포함하며,
    상기 메인 서버에서 선택된 기존 데이터가 상기 신규 데이터에서 그 값이 미결정된 범주형 독립변수를 가지며, 상기 미결정된 범주형 독립변수가 복수의 값을 갖는 경우,
    상기 복수의 모델링 서버 각각은, 상기 미결정된 범주형 독립변수의 값 별로 기적용된 연속형 독립변수 및 기적용된 연속형 종속변수의 관계에 대한 회귀분석 모델을 각각 분산하여 수립하는 것을 특징으로 하는 연속형 종속변수 예측 시스템.
  3. 기적용된 범주형 독립변수의 값, 기적용된 연속형 독립변수의 값 및 기적용된 연속형 종속변수의 값을 각각 포함하는 복수의 기존 데이터를 이용하여 연속형 종속변수를 예측하는 방법에 있어서,
    예측하고자 하는 연속형 종속변수를 포함하는 신규 데이터를 입력 받는 단계;
    상기 복수의 기존 데이터 중 상기 신규 데이터에 포함된 범주형 독립변수의 값과 동일한 값을 갖는 범주형 독립변수를 포함한 기존 데이터를 선택하는 단계;
    상기 선택하는 단계에서 선택된 기존 데이터에 포함된 기적용된 연속형 독립변수 및 기적용된 연속형 종속변수의 관계에 대한 회귀분석 모델을 수립하는 단계; 및
    상기 회귀분석 모델을 수립하는 단계에서 수립된 회귀분석 모델에 상기 신규 데이터에 포함된 연속형 독립 변수를 적용하여 그에 대응되는 연속형 종속변수의 값을 예측하는 단계
    를 포함하는 연속형 종속변수 예측 방법.
  4. 제3항에 있어서,
    상기 선택하는 단계에서 선택된 기존 데이터가 상기 신규 데이터에서 그 값이 미결정된 범주형 독립변수를 가지며, 상기 미결정된 범주형 독립변수가 복수의 값을 갖는 경우,
    상기 회귀분석 모델을 수립하는 단계는, 상기 미결정된 범주형 독립변수의 값 별로 상기 선택하는 단계에서 선택된 기존 데이터에 포함된 기적용된 연속형 독립변수 및 기적용된 연속형 종속변수의 관계에 대한 회귀분석 모델을 각각 수립하는 것을 특징으로 하는 연속형 종속변수 예측 방법.
  5. 제4항에 있어서,
    상기 회귀분석 모델을 수립하는 단계는,
    상기 미결정된 범주형 독립변수의 값 별로 기적용된 연속형 독립변수 및 기적용된 연속형 종속변수의 관계에 대한 회귀분석 모델을 각각 수립하되, 상기 미결정된 범주형 독립변수의 값 별로 수립된 회귀분석 모델 중 적어도 2 이상은 상호 다른 복수의 모델링 서버에서 분산되어 수립되는 것을 특징으로 하는 연속형 종속변수 예측 시스템.
  6. ‘화물 무게’의 연속형 독립변수의 값과 ‘운임’의 연속형 종속변수의 값을 포함 하는 기존의 항공 화물 운송 데이터를 저장하는 데이터베이스;
    ‘화물 무게’의 연속형 독립변수의 값이 결정되고 ‘운임’의 연속형 종속변수의 값이 결정되지 않은 항공 화물 예약 데이터를 입력 받고, 상기 데이터베이스에서 상기 항공 화물 운송 데이터를 읽어 들이며, 읽어 들인 항공 화물 운송 데이터 중 상기 항공 화물 예약 데이터에 포함된 범주형 독립변수의 값과 동일한 값을 갖는 범주형 독립변수를 포함한 항공 화물 운송 데이터를 선택하는 메인 서버; 및
    상기 메인 서버에서 선택된 항공 화물 운송 데이터에 포함된 ‘화물 무게’의 연속형 독립변수의 값과 ‘운임’의 연속형 종속변수의 값의 관계에 대한 회귀분석 모델을 수립하는 모델링 서버를 포함하며,
    상기 메인 서버는 상기 모델링 서버에서 수립된 회귀분석 모델에 상기 항공 화물 예약 데이터 포함된 ‘화물 무게’의 연속형 독립 변수의 값을 적용하여 그에 대응되는 ‘운임’의 연속형 종속변수의 예측값을 결정하는 것을 특징으로 하는 항공 화물 운임 예측 시스템.
  7. 제6항에 있어서,
    상기 모델링 서버는 상기 메인 서버와 상호 병렬로 연결된 복수의 모델링 서버를 포함하며,
    상기 메인 서버에서 선택된 항공 화물 운송 데이터가 상기 항공 화물 예약 데이터에서 그 값이 미결정된 범주형 독립변수를 가지며, 상기 미결정된 범주형 독립변수가 복수의 값을 갖는 경우,
    상기 복수의 모델링 서버 각각은, 상기 미결정된 범주형 독립변수의 값 별로 상기 메인 서버에서 선택된 항공 화물 운송 데이터에 포함된 ‘화물 무게’의 연속형 독립변수의 값과 ‘운임’의 연속형 종속변수의 값의 관계에 대한 회귀분석 모델을 각각 분산하여 수립하는 것을 특징으로 하는 항공 화물 운임 예측 시스템.
  8. 제7항에 있어서,
    상기 미결정된 범주형 독립변수는 ‘항공편’을 포함하는 것을 특징으로 하는 항공 화물 운임 예측 시스템.
  9. ‘화물 무게’의 연속형 독립변수의 값과 ‘운임’의 연속형 종속변수의 값을 포함 하는 기존의 항공 화물 운송 데이터를 이용하여 예약된 항공 화물의 운임을 예측하는 방법에 있어서,
    ‘화물 무게’의 연속형 독립변수의 값이 결정되고 ‘운임’의 연속형 종속변수의 값이 결정되지 않은 항공 화물 예약 데이터를 입력 받는 단계;
    상기 항공 화물 운송 데이터 중 상기 항공 화물 예약 데이터에 포함된 범주형 독립변수의 값과 동일한 값을 갖는 범주형 독립변수를 포함한 항공 화물 운송 데이터를 선택하는 단계;
    상기 선택하는 단계에서 선택된 항공 화물 운송 데이터에 포함된 ‘화물 무게’의 연속형 독립변수의 값과 ‘운임’의 연속형 종속변수의 값의 관계에 대한 회귀분석 모델을 수립하는 단계; 및
    상기 회귀분석 모델을 수립하는 단계에서 수립된 회귀분석 모델에 상기 항공 화물 예약 데이터 포함된 ‘화물 무게’의 연속형 독립 변수의 값을 적용하여 그에 대응되는 ‘운임’의 연속형 종속변수의 예측값을 결정하는 단계
    를 포함하는 항공 화물 운임 예측 방법.
  10. 제9항에 있어서,
    상기 선택하는 단계에서 선택된 항공 화물 운송 데이터가 상기 항공 화물 예약 데이터에서 그 값이 미결정된 범주형 독립변수를 가지며, 상기 미결정된 범주형 독립변수가 복수의 값을 갖는 경우,
    상기 회귀분석 모델을 수립하는 단계는, 상기 미결정된 범주형 독립변수의 값 별로 상기 선택하는 단계에서 선택된 항공 화물 운송 데이터에 포함된 ‘화물 무게’의 연속형 독립변수의 값과 ‘운임’의 연속형 종속변수의 값의 관계에 대한 회귀분석 모델을 각각 수립하는 것을 특징으로 하는 항공 화물 운임 예측 방법.
  11. 제10항에 있어서, 상기 회귀분석 모델을 수립하는 단계는,
    상기 미결정된 범주형 독립변수의 값 별로 상기 선택하는 단계에서 선택된 항공 화물 운송 데이터에 포함된 ‘화물 무게’의 연속형 독립변수의 값과 ‘운임’의 연속형 종속변수의 값의 관계에 대한 회귀분석 모델을 각각 수립하되, 상기 미결정된 범주형 독립변수의 값 별로 수립된 회귀분석 모델 중 적어도 2 이상은 상호 다른 복수의 모델링 서버에서 분산되어 수립되는 것을 특징으로 하는 항공 화물 운임 예측 방법.
  12. 제10항 또는 제11항에 있어서,
    상기 미결정된 범주형 독립변수는 ‘항공편’을 포함하는 것을 특징으로 하는 항공 화물 운임 예측 방법.
KR1020140040679A 2014-04-04 2014-04-04 연속형 종속변수 예측 시스템 및 방법, 이를 이용한 항공 화물 운임 예측 시스템 및 방법 KR20150116121A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140040679A KR20150116121A (ko) 2014-04-04 2014-04-04 연속형 종속변수 예측 시스템 및 방법, 이를 이용한 항공 화물 운임 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140040679A KR20150116121A (ko) 2014-04-04 2014-04-04 연속형 종속변수 예측 시스템 및 방법, 이를 이용한 항공 화물 운임 예측 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20150116121A true KR20150116121A (ko) 2015-10-15

Family

ID=54356778

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140040679A KR20150116121A (ko) 2014-04-04 2014-04-04 연속형 종속변수 예측 시스템 및 방법, 이를 이용한 항공 화물 운임 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20150116121A (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200061753A (ko) * 2018-11-26 2020-06-03 박진우 화물 운송 정보와 차주 관련 운송 정보를 통해 가격 산출 프로그램과 빅데이터의 상호작용 모델을 적용한 화물 운임 추정 시스템
US11610689B2 (en) 2018-08-28 2023-03-21 Ajou University Industry—Academic Cooperation Foundation Method for adjusting treatment by using adjusted continuous variables and method and apparatus for adjusting treatment by analyzing correlations using the same
KR20230089127A (ko) * 2021-12-13 2023-06-20 이정엽 인공지능을 이용한 유상탑재량 예측 시스템 및 방법
KR102558105B1 (ko) 2022-12-21 2023-07-24 (주)와이오엘 인공지능 기반의 해상 운임 예측 시스템 및 방법
KR102560210B1 (ko) 2023-01-27 2023-07-27 (주)와이오엘 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템
KR102560208B1 (ko) 2023-01-27 2023-07-27 (주)와이오엘 최적화된 수출입화물 운송경로의 운임 예측 시스템
KR102565446B1 (ko) 2023-01-27 2023-08-08 (주)와이오엘 인공지능 기반의 해상 운임 예측 및 맞춤형 고객 관리 시스템

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11610689B2 (en) 2018-08-28 2023-03-21 Ajou University Industry—Academic Cooperation Foundation Method for adjusting treatment by using adjusted continuous variables and method and apparatus for adjusting treatment by analyzing correlations using the same
KR20200061753A (ko) * 2018-11-26 2020-06-03 박진우 화물 운송 정보와 차주 관련 운송 정보를 통해 가격 산출 프로그램과 빅데이터의 상호작용 모델을 적용한 화물 운임 추정 시스템
KR20230089127A (ko) * 2021-12-13 2023-06-20 이정엽 인공지능을 이용한 유상탑재량 예측 시스템 및 방법
KR102558105B1 (ko) 2022-12-21 2023-07-24 (주)와이오엘 인공지능 기반의 해상 운임 예측 시스템 및 방법
KR102560210B1 (ko) 2023-01-27 2023-07-27 (주)와이오엘 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템
KR102560208B1 (ko) 2023-01-27 2023-07-27 (주)와이오엘 최적화된 수출입화물 운송경로의 운임 예측 시스템
KR102565446B1 (ko) 2023-01-27 2023-08-08 (주)와이오엘 인공지능 기반의 해상 운임 예측 및 맞춤형 고객 관리 시스템

Similar Documents

Publication Publication Date Title
KR20150116121A (ko) 연속형 종속변수 예측 시스템 및 방법, 이를 이용한 항공 화물 운임 예측 시스템 및 방법
US10346774B2 (en) Inventory optimization tool
Belo-Filho et al. An adaptive large neighbourhood search for the operational integrated production and distribution problem of perishable products
US8112305B2 (en) Systems and methods for distribution-transition estimation of key performance indicator
US10915854B2 (en) System and method to incorporate customized capacity utilization cost in balancing fulfillment load across retail supply networks
Özgüven et al. Mixed integer goal programming models for the flexible job-shop scheduling problems with separable and non-separable sequence dependent setup times
US20150371244A1 (en) Forecasting information technology workload demand
US10839420B2 (en) Constrained large-data markdown optimizations based upon markdown budget
Pearson et al. Process control in an agile supply chain network
US10824956B1 (en) System and method for price estimation of reports before execution in analytics
CN110378529B (zh) 一种数据生成的方法、装置、可读存储介质和电子设备
CN110109800A (zh) 一种服务器集群系统的管理方法及装置
Doukas et al. Planning of manufacturing networks using an intelligent probabilistic approach for mass customised products
US11824731B2 (en) Allocation of processing resources to processing nodes
CN108023834A (zh) 一种云资源自动分配方法及装置
Schmidt et al. Schedule compliance operating curves and their application in designing the supply chain of a metal producer
Lima et al. Simulation‐Based Planning and Control of Transport Flows in Port Logistic Systems
JP5831363B2 (ja) 製造工期予測装置、製造工期予測方法、及びコンピュータプログラム
KR102336297B1 (ko) 공유 ｇｐｕ 클러스터를 위한 분산 딥러닝 작업 스케줄링 방법 및 이를 기록한 컴퓨터 판독 가능 기록매체
Pentico et al. Approximating the EOQ with partial backordering at an exponential or rational rate by a constant or linearly changing rate
KR20140146437A (ko) 특허정보를 이용한 기업성과 예측 장치 및 방법
Marian et al. Hybrid genetic algorithm optimisation of distribution networks—A comparative study
CN113205128A (zh) 基于无服务器计算的分布式深度学习性能保证方法
Huang et al. A cutting plane method for risk-constrained traveling salesman problem with random arc costs
Transchel et al. Dynamic pricing and replenishment in the warehouse scheduling problem—A common cycle approach

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right