KR20220017379A - 경쟁자 예측 기반 전자 입찰 컨설팅 시스템 - Google Patents

경쟁자 예측 기반 전자 입찰 컨설팅 시스템 Download PDF

Info

Publication number
KR20220017379A
KR20220017379A KR1020210102396A KR20210102396A KR20220017379A KR 20220017379 A KR20220017379 A KR 20220017379A KR 1020210102396 A KR1020210102396 A KR 1020210102396A KR 20210102396 A KR20210102396 A KR 20210102396A KR 20220017379 A KR20220017379 A KR 20220017379A
Authority
KR
South Korea
Prior art keywords
bid
prediction
expected
current
bidding
Prior art date
Application number
KR1020210102396A
Other languages
English (en)
Other versions
KR102533525B1 (ko
Inventor
김재열
Original Assignee
김재열
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 김재열 filed Critical 김재열
Publication of KR20220017379A publication Critical patent/KR20220017379A/ko
Priority to KR1020230061252A priority Critical patent/KR20230069903A/ko
Application granted granted Critical
Publication of KR102533525B1 publication Critical patent/KR102533525B1/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 일 실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템은 현재 입찰공고에 대한 복수의 예상 사정률을 예측하고 그 예측 결과를 출력하는 예측 분석부; 상기 예측 결과(현재 예측 결과)를 제공받고자 하는 입찰자들 각각에 대하여, 이전에 제공받은 예측 결과(과거 예측 결과)에 따른 과거 입찰공고에서의 실제 예측 확률을 누적하여 누적 낙찰 확률을 산출하는 낙찰 확률 산출부; 및 상기 산출된 누적 낙찰 확률에 기초하여 상기 현재 예측 결과를 상기 입찰자들 각각에 제공하는 예측 결과 제공부를 포함한다.

Description

경쟁자 예측 기반 전자 입찰 컨설팅 시스템{E-BIDDING CONSULTING SYSTEM BASED ON COMPETITOR PREDICTION}
본 발명은 전자 입찰 컨설팅 서비스에 관한 것으로, 더 상세사하게는 현재 입찰공고에 대한 복수개의 예상 낙찰 사정률을 예측하고, 그 예측 결과를 입찰자(고객)들에게 최대한 공정하게 분배할 수 있는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템에 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.
종래의 전자 입찰 처리 과정을 설명하면 다음과 같다. 먼저, 사업을 수행하고자 하는 공공 기관은 전자입찰 공고문을 공시한다. 공고문에는 공고명, 공고번호, 지역, 면허, 기초 금액, 추정 가격, 사정률, 예정가격 사정범위, 투찰 마감 일시, 개찰 일시 등이 포함된다. 여기서, 상기 기초 금액은 발주처에서 조사한 당해 공사의 공사 금액으로 관급 자재 비용을 제외하고, 부가가치세가 합산된 금액으로, 예정 가격을 위한 15개 복수 예비 가격 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, 사정률은 발주처 적격 심사 기준에서 통과 점수가 나오기 위한 최저 입찰 가격 비율, 부실 공사를 방지하기 위해 만들어졌고 입찰 공고문에 명시되어 있다. 상기 사정률은 -3~+3 범위 내에서 소수점 네자릿수까지의 값으로 다양하게 설정된다.
또한, 상기 예정가격 사정범위는 기초 금액을 기준으로 복수 예비 가격을 산정하고 예정 가격을 정하기 위한 범위를 말한다. 또한, 상기 복수 예비 가격은 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. 상기 복수 예비 가격을 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 복수 예비 가격 2개를 랜덤으로 선택하게 된다. 그러면, 입찰 관리 시스템은 입찰자들이 선택한 복수 예비 가격들 중 가장 많이 선택된, 즉, 추첨수가 가장 많은 4개의 복수 예비 가격들을 산술 평균하여 예정 가격을 선정한다.
한편, 종래에는 경쟁사의 사정률을 파악하기 위해, 과거의 입찰공고들 중에서 현재 입찰공고의 조건, 예컨대, 공종, 발주처, 지역, 면허, 예정가격 사정범위 등이 동일한 입찰공고들을 일일이 확인하여 경쟁사의 입찰 여부와 사정률을 파악하여야 하기 때문에, 상당한 시간과 노력이 불가피하게 소요되는 문제점이 있다.
특히, 경쟁사들의 사정률은 지역, 면허, 발주처 등에 따라 다르게 형성되기 때문에, 경쟁사의 투찰 성향을 정확하게 파악하기가 매우 곤란한 문제점이 있다. 아울러, 경쟁사의 사정률을 분석하는 전자 입찰 분석가의 주관성에 따라 경쟁사의 사정률의 예측 정확성을 저하시키는 문제점이 있다.
관련 선행기술로는 대한민국 공개특허공보 제10-2007-0057584호(발명의 명칭: 전자입찰지점계산 시스템 및 그 방법, 공개일자: 2007.06.07.)가 있다.
본 발명의 목적, 즉 해결하고자 하는 과제는 전자 입찰 시스템에 공시된 현재 입찰공고에 대해 낙찰 사정률을 예측하고, 그 예측 결과를 입찰자(고객)들에게 최대한 공정하게 분배할 수 있는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템을 제공하는 것이다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 목적은, 본 발명에 따라, 현재 입찰공고에 대한 N(자연수)개의 예상 낙찰 사정률을 예측하고 그 예측 결과(현재 예측 결과)를 출력하는 예측 분석부, 및 상기 현재 예측 결과를 제공받고자 하는 입찰자들 각각에 대하여, 이전에 제공받은 과거 예측 결과에 따른 과거 입찰공고들에서의 실제 입찰 결과에 기초하여 미리 정해진 제공 우선순위에 따라 상기 현재 예측 결과를 상기 입찰자들 각각에 제공하는 예측 결과 제공부를 포함하는 것을 특징으로 하는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템에 의해 달성된다.
바람직하게, 상기 전자 입찰 컨설팅 시스템은 상기 현재 예측 결과를 제공받고자 하는 입찰자들 각각에 대하여, 이전에 제공받은 과거 예측 결과에 따른 과거 입찰공고들에서의 실제 예측 확률을 누적하여 누적 낙찰 확률을 산출하는 낙찰 확률 산출부를 더 포함하고, 상기 예측 결과 제공부는 상기 산출된 누적 낙찰 확률에 기초하여 상기 현재 예측 결과를 상기 입찰자들 각각에 제공할 수 있다.
바람직하게, 상기 낙찰 확률 산출부는 상기 입찰자들 각각의 과거 예측 결과를 정규분포 함수에 적용하여 상기 실제 예측 확률을 상기 입찰자들 각각에 대해 산출할 수 있다.
바람직하게, 상기 실제 예측 확률은 상기 입찰자들 각각의 과거 예측 결과를 정규분포 함수의 X축 값으로 분포시켰을 때, 상기 입찰자들의 과거 예측 결과 각각에 대하여 해당 과거 예측 결과와 가장 인접하면서 더 작은 값을 갖는 다른 과거 예측 결과 사이의 범위를 적분하여 산출된 면적 값에 대응할 수 있다.
바람직하게, 상기 예측 결과 제공부는 상기 산출된 누적 낙찰 확률이 낮은 순으로 상기 현재 예측 결과의 제공 우선순위를 결정하고, 상기 제공 우선순위에 따라 상기 입찰자들 각각에 상기 현재 예측 결과에 해당하는 상기 N(자연수)개의 예상 낙찰 사정률 중 어느 하나를 제공할 수 있다.
바람직하게, 상기 전자 입찰 컨설팅 시스템은 상기 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들에 대해 딥러닝 모델을 적용하여 상기 현재 입찰공고에 대한 상기 경쟁사들 각각의 예상 사정률을 추출하는 딥러닝 연산부를 더 포함하고, 상기 예측 분석부는상기 경쟁사들 각각의 예상 사정률에 기초하여 상기 현재 입찰공고에 대한 상기 N(자연수)개의 예상 낙찰 사정률을 예측할 수 있다.
바람직하게, 상기 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들은 상기 현재 입찰공고와 유사한 과거 입찰공고들에 대한 정보에 기초하여 선정되고, 상기 전자 입찰 컨설팅 시스템은 상기 과거 입찰공고들에 대한 정보와 상기 과거 입찰공고들에 대한 상기 경쟁사들의 실제 사정률 정보에 기초하여 상기 딥러닝 모델을 생성하는 모델 생성부를 더 포함할 수 있다.
바람직하게, 상기 예측 분석부는 상기 경쟁사들 각각의 예상 사정률을 확률분포 함수에 적용하여 상기 예상 낙찰 사정률을 예측할 수 있다.
바람직하게, 상기 예측 분석부는 상기 경쟁사들 각각의 예상 사정률을 상기 확률분포 함수의 X축 값으로 분포시키고, 상기 경쟁사들의 예상 사정률 각각에 대하여 상기 현재 입찰공고의 예상 낙찰 사정률이 될 확률을 계산하여 그 확률이 높은 상위 N(자연수)개를 상기 예상 낙찰 사정률로서 추정할 수 있다.
바람직하게, 상기 현재 입찰공고의 예상 낙찰 사정률이 될 확률은, 상기 확률분포 함수에서 상기 경쟁사들의 예상 사정률 각각에 대하여 해당 예상 사정률과 가장 인접하면서 더 작은 값을 갖는 다른 예상 사정률 사이의 범위를 적분하여 산출된 면적 값에 대응할 수 있다.
본 발명은, 과거 입찰공고들에서 입찰자들 각각의 실제 예측 확률을 누적하여 산출한 누적 낙찰 확률을 기초로 하여 현재 입찰공고의 복수개의 예상 낙찰 사정률을 구분하여 제공함으로써, 현재 입찰공고에 대한 복수개의 예상 낙찰 사정률을 입찰자들에게 최대한 공정하게 분배할 수 있다.
또한, 본 발명은, 현재 입찰공고와 유사한 과거 입찰공고들에 대한 정보에 기초하여 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들 각각에 대해 현재 입찰공고의 예상 사정률을 추출하고, 추출한 경쟁사들 각각의 예상 사정률에 기초하여 현재 입찰공고의 예상 낙찰 사정률을 예측함으로써, 전자 입찰 시스템에 있어서 낙찰 사정률(또는 낙찰가)에 대한 예측의 정확성과 신뢰성을 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템의 네트워크 구성을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템의 상세 구성을 설명하기 위해 도시한 블록도이다.
도 3은 본 발명의 일 실시예에 있어서 예상 낙찰 사정률을 예측하기 위하여 정규분포 함수에서 x축의 값(경쟁사들의 예상 사정률) 각각에 대하여 면적 값을 산출하는 일례를 도시한 도면이다.
도 4 및 도 5는 현재 입찰공고에 대한 N(자연수)개의 예상 낙찰 사정률을 입찰자들 각각에게 분배하여 제공하는 일례를 도시한 도면이다.
본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 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 구성요소를 지칭한다.
또한, 이하 실시되는 본 발명의 바람직한 실시예는 본 발명을 이루는 기술적 구성요소를 효율적으로 설명하기 위해 각각의 시스템 기능구성에 기 구비되어 있거나, 또는 본 발명이 속하는 기술분야에서 통상적으로 구비되는 시스템 기능 구성은 가능한 생략하고, 본 발명을 위해 추가적으로 구비되어야 하는 기능 구성을 위주로 설명한다. 만약 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면, 하기에 도시하지 않고 생략된 기능 구성 중에서 종래에 기 사용되고 있는 구성요소의 기능을 용이하게 이해할 수 있을 것이며, 또한 상기와 같이 생략된 구성 요소와 본 발명을 위해 추가된 구성 요소 사이의 관계도 명백하게 이해할 수 있을 것이다.
이하에서는 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템의 네트워크 구성을 도시한 도면이고, 도 2는 본 발명의 일 실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템의 상세 구성을 설명하기 위해 도시한 블록도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템(120)은 인터넷 통신망 및 모바일 통신망을 포함하는 통신망을 통해, 스마트폰 및 퍼스널 컴퓨터 등을 포함하는 입찰자(고객) 단말기(130)가 접속 가능한 서버의 형태로 구현될 수 있다.
본 발명의 일 실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템(120)은 전자 입찰 시스템(110)에 공시된 현재 입찰공고를 대상으로, 과거 유사한 입찰공고에 참여한 경쟁사들의 실제 사정률 정보(또는 실제 입찰가 정보)를 기반으로 현재 입찰공고에 대한 예상 낙찰 사정률(또는 예상 낙찰가)을 예측하고 그 예측 결과를 입찰자 단말기(130)에 제공할 수 있다. 참고로, 전자 입찰 시스템(110)은 대표적으로 대한민국 조달청에서 운영하는 나라장터의 전자 입찰 시스템 등을 포함한다.
이때, 본 발명의 일 실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템(120)은 상기 예측 결과(현재 예측 결과)를 제공받고자 하는 입찰자(고객)들 각각에 대하여, 이전에 제공받은 예측 결과(과거 예측 결과)에 따른 과거 입찰공고들에서의 실제 입찰 결과에 기초하여 미리 정해진 제공 우선순위에 따라 현재 예측 결과를 입찰자들 각각에 제공할 수 있다.
구체적으로, 본 발명의 일 실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템(120)은 이전에 제공받은 예측 결과(과거 예측 결과)에 따른 과거 입찰공고들에서의 실제 예측 확률을 누적하여 누적 낙찰 확률을 산출하고, 이렇게 산출된 누적 낙찰 확률에 기초하여 현재 예측 결과를 입찰자들 각각의 입찰자 단말기(130)에 제공할 수 있다.
한편, 본 명세서에서 '예상 낙찰 사정률'은 '예상 낙찰가'를 포함하는 의미로 사용된다. 그리고 전자 입찰 시스템에 있어서 '낙찰 사정률'은 통상적으로 소수점 넷째자리까지 표시되는 숫자로, 금액으로 표시되는 '낙찰가'와 일대일로 대응 매칭되는 개념이다. 즉, '낙찰 사정률' 정해지면 그에 매칭되는 '낙찰가'도 정해지게 된다. 같은 맥락에서 경쟁사들의 '실제 사정률' 및 '예상 사정률'은 각각 '실제 입찰가' 및 '예상 입찰가'를 포함하는 의미이다. 이하에서는 '낙찰가'나 '입찰가'를 포함하는 의미로 '사정률' 표현만을 사용하여 본 발명의 실시예들을 상세히 설명하기로 한다.
도 2를 참조하면, 본 발명의 일실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템(120)은 모델 생성부(210), 딥러닝 연산부(220), 예측 분석부(230), 낙찰 확률 산출부(240), 예측 결과 제공부(250), 및 제어부(260)를 포함할 수 있다.
모델 생성부(210)는 전자 입찰 시스템(110)에 공시된 현재 입찰공고와 유사한 혹은 관련있는 과거 입찰공고들에 대한 정보와 그 과거 입찰공고들에 참여한 경쟁사들의 실제 사정률 정보에 기초하여 딥러닝 모델(Deep Learning Model)을 생성할 수 있다.
구체적으로, 모델 생성부(210)는 현재 입찰공고와 유사한 과거 입찰공고들에 대한 정보에 기초하여 현재 입찰공고에 참여할 것으로 예상되거나 기대되는 경쟁사들을 선정한 후, 과거 입찰공고들에 대한 정보와 그 과거 입찰공고들에 대한 경쟁사들의 실제 사정률 정보에 기초하여 딥러닝 모델을 생성할 수 있다.
이와 다르게, 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들은 현재 입찰공고와 유사한 과거 입찰공고들에 대한 정보에 기초하여 선정되되, 모델 생성부(210)가 아닌 다른 구성이나 프로세스를 통해 선정될 수도 있다.
여기서, '딥러닝 모델'은 복수개의 알고리즘과 복수개의 데이터 세트를 미리 정해진 규칙에 따라 조합하여 변경하면서, 과거 입찰공고들에 대한 정보에 기초하여 과거 입찰공고들에 대한 경쟁사들의 예상 사정률을 예측한 후, 이를 과거 입찰공고들에 대한 경쟁사들의 실제 사정률과 대비하는 피드백 과정을 무수히 많이 실행함으로써, 가장 성능이 좋은, 즉 가장 잘 맞추는 알고리즘의 조합과 데이터 세트의 조합을 선택할 수 있다.
딥러닝 연산부(220)는 위와 같이 모델 생성부(210)에 의해 생성된 딥러닝 모델을 이용하여 현재 입찰공고에 대한 경쟁사들 각각의 예상 사정률을 추출할 수 있다. 즉, 딥러닝 연산부(220)는 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들에 대해 딥러닝 모델을 적용하여 현재 입찰공고에 대한 경쟁사들 각각의 예상 사정률을 추출할 수 있다.
여기서, 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들은 현재 입찰공고와 유사한 과거 입찰공고들을 검색하고, 그 검색된 과거 입찰공고들에 대한 정보에 기초하여 선정될 수 있다. 그리고 현재 입찰공고와 유사한 과거 입찰공고들이란 예컨대 현재 입찰공고의 공종, 발주처, 지역, 면허, 예정가격 사정범위에 부합하는 과거의 입찰공고들로 제공될 수 있다.
도 3은 본 발명의 일 실시예에 있어서 예상 낙찰 사정률을 예측하기 위하여 정규분포 함수에서 X축의 값(경쟁사들의 예상 사정률) 각각에 대하여 확률(면적 값)을 산출하는 일례를 도시한 도면이다.
도 2 및 도 3을 참조하면, 예측 분석부(230)는 위와 같이 딥러닝 연산부(220)에 의해 추출된 경쟁사들 각각의 예상 사정률에 기초하여 현재 입찰공고에 대한 예상 낙찰 사정률을 예측하고, 그 예측 결과를 출력할 수 있다.
바람직하게, 예측 분석부(230)는 경쟁사들 각각의 예상 사정률을 미리 생성된 확률분포 함수에 적용하여 예상 낙찰 사정률을 예측할 수 있다. 본 실시예에서는 예상 낙찰 사정률을 예측하는데 있어서 확률분포 함수로서 정규분포 함수가 사용되지만, 본 발명은 이에 한정되지 아니하고 다른 종류의 확률분포 함수가 사용될 수도 있다.
구체적으로, 예측 분석부(230) 도 3에 도시된 바와 같이 경쟁사들 각각의 예상 사정률을 정규분포 함수의 X축 값으로 분포시키고, 경쟁사들의 예상 사정률 각각에 대하여 현재 입찰공고의 예상 낙찰 사정률이 될 확률(예상 낙찰 확률)을 계산하여 그 확률이 높은 상위 N(자연수)개를 예상 낙찰 사정률로서 추정할 수 있다. 그리고, 예측 분석부(230)는 예상 낙찰 사정률에 관한 예측 결과를 출력하여 고객 단말기(130)에 제공할 수 있다.
설명의 편의를 위해 도 3에서는 6개의 경쟁사들 각각의 예상 사정률(x1, x2, x3, x4, x5, x6)을 정규분포 함수의 X축 값으로 표시되어 있는데, 실제는 훨씬 더 많은 경쟁사들의 예상 사정률이 정규분포 함수의 X축에서 조밀한 간격으로 표시되는 것이 일반적이다.
여기서, 현재 입찰공고의 예상 낙찰 사정률이 될 확률(예상 낙찰 확률)은 정규분포 함수에서 경쟁사들의 예상 사정률 각각에 대하여 해당 예상 사정률과 가장 인접하면서 더 작은 값을 갖는 다른 예상 사정률 사이의 범위를 적분하여 산출된 면적 값에 대응할 수 있다.
예를 들면, 도 3에서 6개의 예상 사정률(x1, x2, x3, x4, x5, x6) 중에서 3개의 3개의 예상 사정률(x2, x4, x6)에 대한 면적 값(s1, s2, s3)의 크기가 s2 > s1 > s3 인 경우, 예측 분석부(230)는 s2에 해당하는 예상 사정률이 현재 입찰공고의 예상 낙찰 사정률이 될 확률이 가장 높을 것으로 예측할 수 있다.
결론적으로, 예측 분석부(230)는 경쟁사들의 예상 사정률 각각에 대하여 정규분포 함수에서의 면적을 산출하고, 그 면적 값이 높은 상위 N개를 예상 낙찰 사정률로서 추정하여 그 결과를 고객 단말기(130)에 제공할 수 있다.
이와 같이 본 발명에서 예측 분석부(230)에 의해 계산되는 현재 입찰공고의 예상 낙찰 사정률이 될 확률이란, 단순히 전자 입찰 시스템(110)에서 예상되는 낙찰 사정률(또는 낙찰가)의 확률만을 의미하는 것이 아니라, 이와 함께 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들이 제출할 사정률(예상 사정률)의 분포까지 고려한 확률을 의미한다. 일반적으로 전자 입찰 시스템(110)에서 발표되는 낙찰 사정률(또는 낙찰가)는 정규분포 함수에서 중앙 구간에 위치하는 경우가 많지만, 이러한 중앙 구간에는 경쟁사들이 제출한 사정률들이 아주 조밀하게 집중적으로 분포되므로, 실질적으로 경쟁사들과의 관계에서 낙찰을 받을 확률은 떨어진다고 볼 수 있다.
다시 말해서, 본 발명의 예측 분석부(230)는 전자 입찰 시스템(110)에서 예상되는 낙찰 사정률(또는 낙찰가)의 확률 뿐만 아니라 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들이 제출할 사정률(예상 사정률)의 분포까지 고려한 확률을 계산하여 현재 입찰공고에 대한 예상 낙찰 사정률(또는 예상 낙찰가)를 예측함으로써, 본 발명의 전자 입찰 컨설팅 시스템(120)을 사용하는 고객(사용자)가 참여한 현재 입찰공고에서 실제 낙찰받을 수 있는 확률을 더욱 높일 수 있는 것이다.
한편, 예측 분석부(230)에서 적용하는 정규분포 함수는 확률분포 함수로서 현재 입찰공고의 전자 입찰 시스템에서 적용하는 낙찰 사정률(또는 낙찰가) 산정 규칙에 따라 반복적으로 수없이 시뮬레이션하여 생성될 수 있다. 이와 다르게, 예측 분석부(230)에서 적용하는 정규분포 함수는 현재 입찰공고와 유사한 과거 입찰공고들의 실제 낙찰 사정률 정보에 기초하여 생성될 수도 있다.
낙찰 확률 산출부(240)는 현재 입찰공고에 대한 예측 결과(현재 예측 결과: N(자연수)개의 예상 낙찰 사정률)를 제공받고자 하는 입찰자들 각각에 대하여, 이전에 제공받은 과거 예측 결과(과거 입찰공고들에서의 예상 낙찰 사정률)에 따른 과거 입찰공고들에서의 실제 예측 확률을 누적하여 누적 낙찰 확률을 산출할 수 있다.
바람직하게, 낙찰 확률 산출부(240)는 입찰자들 각각의 과거 예측 결과를 정규분포 함수에 적용하여 상기 실제 예측 확률을 입찰자들 각각에 대해 산출할 수 있다. 이때, 낙찰 확률 산출부(240)에서 적용하는 정규분포 함수는 입찰자들이 참여했던 과거 입찰공고들에서 입찰자들 각각의 실제 낙찰 사정률 정보에 기초하여 생성될 수 있다.
여기서, 상기 실제 예측 확률은 입찰자들 각각의 과거 예측 결과를 정규분포 함수의 X축 값으로 분포시켰을 때, 입찰자들의 과거 예측 결과 각각에 대하여 해당 과거 예측 결과와 가장 인접하면서 더 작은 값을 갖는 다른 과거 예측 결과 사이의 범위를 적분하여 산출된 면적 값에 대응한다.
참고로, 낙찰 확률 산출부(240)에서 '실제 예측 확률을 산출하는 방식이나 원리는 적용하는 정규분호 함수와 그 X축 값이 다를 뿐, 앞서 설명한 예측 분석부(230)에서 '현재 입찰공고의 예상 낙찰 사정률이 될 확률'을 산출하는 방식이나 원리와 동일하므로, 그 구체적인 설명은 예측 분석부(230)에 관한 설명을 준용하기로 한다.
이와 다르게, 낙찰 확률 산출부(240)는 입찰자들이 참여했던 과거 입찰공고들의 과거 예측 결과를 기반으로 전자 입찰 시스템(110)과 연계하여 과거 입찰공고들에서 입찰자들 각각의 낙찰 여부에 관한 정보를 획득하고, 상기 획득한 정보를 토대로 하여 과거 입찰공고들에서 입찰자들 각각의 낙찰 빈도를 계산할 수 있다. 이때, 낙찰 확률 산출부(240)는 상기 낙찰 빈도를 누적 계산함으로써 과거 입찰공고들에 대한 입찰자들 각각의 누적 낙찰 확률을 산출할 수 있다. 즉, 낙찰 확률 산출부(240)는 과거 입찰공고들에서 낙찰에 성공한 경우에 대해서만 낙찰 횟수로 카운트하고, 그 카운트 횟수를 누적 계산함으로써 상기 누적 낙찰 확률을 산출할 수도 있다.
도 4 및 도 5는 현재 입찰공고에 대한 N(자연수)개의 예상 낙찰 사정률을 입찰자들 각각에게 분배하여 제공하는 일례를 도시한 도면이다.
예측 결과 제공부(250)는 현재 입찰공고에 대한 예측 결과(현재 예측 결과: N(자연수)개의 예상 낙찰 사정률)를 제공받고자 하는 입찰자들 각각에 대하여, 이전에 제공받은 과거 예측 결과(과거 입찰공고들에서의 예상 낙찰 사정률)에 따른 과거 입찰공고들에서의 실제 입찰 결과에 기초하여 미리 정해진 제공 우선순위에 따라 현재 예측 결과를 입찰자들 각각에 제공할 수 있다.
바람직하게, 예측 결과 제공부(250)는 낙찰 확률 산출부(240)에 의해 산출된 누적 낙찰 확률에 기초하여 현재 예측 결과를 입찰자들 각각에 제공할 수 있다.
구체적으로, 예측 결과 제공부(250)는 상기 산출된 누적 낙찰 확률이 낮은 순으로 상기 현재 예측 결과의 제공 우선순위를 결정하고, 상기 제공 우선순위에 따라 상기 입찰자들 각각에 상기 현재 예측 결과에 해당하는 N개의 예상 사정률 중 어느 하나를 예상 낙찰 확률이 높은 순으로 제공할 수 있다.
이때, 예측 결과 제공부(250)는 현재 예측 결과에 해당하는 N(자연수)개의 예상 낙찰 사정률을 상기 제공 우선순위에 따라 입찰자들 각각에 하나씩 구분하여 제공할 수 있다. 이와 다르게, 예측 결과 제공부(250)는 현재 예측 결과에 해당하는 N(자연수)개의 예상 낙찰 사정률을 상기 제공 우선순위에 따라 입찰자들에게 하나 또는 그 이상씩 차등 분배하여 제공할 수도 있다.
예를 들어, 도 4의 i)에 도시된 바와 같이 현재 예측 결과에 해당하는 예상 낙찰 사정률 X1, X2, X3, X4, X5 각각의 예상 낙찰 확률(정규분포 함수에서 면적 크기에 대응)이 차례대로 1, 2, 3, 4, 5 순위(X1 > X2 > X3 > X4 > X5)이고, 도 4의 ii)에 도시된 바와 같이 입찰자 A, B, C, D, E 각각의 과거 누적 낙찰 확률의 크기가 차례대로 3, 1, 2, 4, 5 순위(B > C > A > D > E)인 것으로 가정하여 설명한다.
이러한 경우, 예측 결과 제공부(250)는 도 5에 도시된 바와 같이 예상 낙찰 사정률 X1을 입찰자 B에게 제공하고, 예상 낙찰 사정률 X2를 입찰자 C에게 제공할 수 있다. 또한, 예측 결과 제공부(250)는 예상 낙찰 사정률 X3를 입찰자 A에게 제공하고, 예상 낙찰 사정률 X4를 입찰자 C에게 제공하며, 예상 낙찰 사정률 X5를 입찰자 E에게 제공할 수 있다.
제어부(260)는 도 2에 도시된 바와 같이 본 발명의 일실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템(120), 즉 앞서 설명한 모델 생성부(210), 딥러닝 연산부(220), 예측 분석부(230), 낙찰 확률 산출부(240), 예측 결과 제공부(250) 등의 동작을 전반적으로 제어할 수 있다.
이상에서 설명된 본 발명의 구성 요소들은 하드웨어 구성 요소, 소프트웨어 구성 요소, 및/또는 하드웨어 구성 요소 및 소프트웨어 구성 요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 구성 요소들은 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서, 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 요소는 운영 체제(OS) 및 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 요소는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 요소는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 요소가 복수 개의 처리 요소 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 요소는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서와 같은 다른 처리 구성도 가능하다.
소프트웨어는 컴퓨터 프로그램, 코드, 명령, 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 요소를 구성하거나 독립적으로 또는 결합적으로 처리 요소를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 요소에 의하여 해석되거나 처리 요소에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성 요소, 물리적 장치, 가상 장치, 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파에 영구적으로, 또는 일시적으로 구체화될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
본 발명은 전술한 실시예들에 한정되는 것이 아니고, 본 발명의 사상 및 범위를 벗어나지 않고 다양하게 수정 및 변형할 수 있음은 이 기술의 분야에서 통상의 지식을 가진 자에게 자명하다. 따라서 그러한 수정예 또는 변형예들은 본 발명의 청구범위에 속한다 하여야 할 것이다.
110: 전자 입찰 시스템
120: 전자 입찰 컨설팅 시스템
130: 입찰자 단말기
210: 모델 생성부
220: 딥러닝 연산부
230: 예측 분석부
240: 낙찰 확률 산출부
250: 예측 결과 제공부
260: 제어부

Claims (10)

  1. 현재 입찰공고에 대한 N(자연수)개의 예상 낙찰 사정률을 예측하고 그 예측 결과(현재 예측 결과)를 출력하는 예측 분석부; 및
    상기 현재 예측 결과를 제공받고자 하는 입찰자들 각각에 대하여, 이전에 제공받은 과거 예측 결과에 따른 과거 입찰공고들에서의 실제 입찰 결과에 기초하여 미리 정해진 제공 우선순위에 따라 상기 현재 예측 결과를 상기 입찰자들 각각에 제공하는 예측 결과 제공부;
    를 포함하는 것을 특징으로 하는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템.
  2. 제1항에 있어서,
    상기 현재 예측 결과를 제공받고자 하는 입찰자들 각각에 대하여, 이전에 제공받은 과거 예측 결과에 따른 과거 입찰공고들에서의 실제 예측 확률을 누적하여 누적 낙찰 확률을 산출하는 낙찰 확률 산출부;를 더 포함하고,
    상기 예측 결과 제공부는,
    상기 산출된 누적 낙찰 확률에 기초하여 상기 현재 예측 결과를 상기 입찰자들 각각에 제공하는 것을 특징으로 하는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템.
  3. 제2항에 있어서,
    상기 낙찰 확률 산출부는,
    상기 입찰자들 각각의 과거 예측 결과를 정규분포 함수에 적용하여 상기 실제 예측 확률을 상기 입찰자들 각각에 대해 산출하는 것을 특징으로 경쟁자 예측 기반 전자 입찰 컨설팅 시스템.
  4. 제3항에 있어서,
    상기 실제 예측 확률은,
    상기 입찰자들 각각의 과거 예측 결과를 정규분포 함수의 X축 값으로 분포시켰을 때, 상기 입찰자들의 과거 예측 결과 각각에 대하여 해당 과거 예측 결과와 가장 인접하면서 더 작은 값을 갖는 다른 과거 예측 결과 사이의 범위를 적분하여 산출된 면적 값에 대응하는 것을 특징으로 하는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템.
  5. 제2항에 있어서,
    상기 예측 결과 제공부는,
    상기 산출된 누적 낙찰 확률이 낮은 순으로 상기 현재 예측 결과의 제공 우선순위를 결정하고, 상기 제공 우선순위에 따라 상기 입찰자들 각각에 상기 현재 예측 결과에 해당하는 상기 N(자연수)개의 예상 낙찰 사정률 중 어느 하나를 제공하는 것을 특징으로 하는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템.
  6. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들에 대해 딥러닝 모델을 적용하여 상기 현재 입찰공고에 대한 상기 경쟁사들 각각의 예상 사정률을 추출하는 딥러닝 연산부;를 더 포함하고,
    상기 예측 분석부는,
    상기 경쟁사들 각각의 예상 사정률에 기초하여 상기 현재 입찰공고에 대한 상기 N(자연수)개의 예상 낙찰 사정률을 예측하는 것을 특징으로 하는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템.
  7. 제6항에 있어서,
    상기 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들은 상기 현재 입찰공고와 유사한 과거 입찰공고들에 대한 정보에 기초하여 선정되고,
    상기 과거 입찰공고들에 대한 정보와 상기 과거 입찰공고들에 대한 상기 경쟁사들의 실제 사정률 정보에 기초하여 상기 딥러닝 모델을 생성하는 모델 생성부;를 더 포함하는 것을 특징으로 하는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템.
  8. 제6항에 있어서,
    상기 예측 분석부는,
    상기 경쟁사들 각각의 예상 사정률을 확률분포 함수에 적용하여 상기 예상 낙찰 사정률을 예측하는 것을 특징으로 하는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템.
  9. 제8항에 있어서,
    상기 예측 분석부는,
    상기 경쟁사들 각각의 예상 사정률을 상기 확률분포 함수의 X축 값으로 분포시키고, 상기 경쟁사들의 예상 사정률 각각에 대하여 상기 현재 입찰공고의 예상 낙찰 사정률이 될 확률을 계산하여 그 확률이 높은 상위 N(자연수)개를 상기 예상 낙찰 사정률로서 추정하는 것을 특징으로 하는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템.
  10. 제9항에 있어서,
    상기 현재 입찰공고의 예상 낙찰 사정률이 될 확률은,
    상기 확률분포 함수에서 상기 경쟁사들의 예상 사정률 각각에 대하여 해당 예상 사정률과 가장 인접하면서 더 작은 값을 갖는 다른 예상 사정률 사이의 범위를 적분하여 산출된 면적 값에 대응하는 것을 특징으로 경쟁자 예측 기반 전자 입찰 컨설팅 시스템.
KR1020210102396A 2020-08-04 2021-08-04 경쟁자 예측 기반 전자 입찰 컨설팅 시스템 KR102533525B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230061252A KR20230069903A (ko) 2020-08-04 2023-05-11 경쟁자 예측 기반 전자 입찰 컨설팅 시스템

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200097247 2020-08-04
KR20200097247 2020-08-04

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020230061252A Division KR20230069903A (ko) 2020-08-04 2023-05-11 경쟁자 예측 기반 전자 입찰 컨설팅 시스템

Publications (2)

Publication Number Publication Date
KR20220017379A true KR20220017379A (ko) 2022-02-11
KR102533525B1 KR102533525B1 (ko) 2023-05-17

Family

ID=80266370

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020210102396A KR102533525B1 (ko) 2020-08-04 2021-08-04 경쟁자 예측 기반 전자 입찰 컨설팅 시스템
KR1020230061252A KR20230069903A (ko) 2020-08-04 2023-05-11 경쟁자 예측 기반 전자 입찰 컨설팅 시스템

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020230061252A KR20230069903A (ko) 2020-08-04 2023-05-11 경쟁자 예측 기반 전자 입찰 컨설팅 시스템

Country Status (1)

Country Link
KR (2) KR102533525B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102431323B1 (ko) * 2022-03-21 2022-08-11 한라토건 주식회사 공사 입찰 확률에 대한 예측 정보를 제공하는 온라인 플랫폼 및 그 시스템
WO2023153817A1 (ko) 2022-02-10 2023-08-17 주식회사 엘지에너지솔루션 배터리셀, 및 이를 포함하는 배터리모듈

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120040589A (ko) * 2010-10-19 2012-04-27 주식회사 지투비홀딩스 전자 입찰에 있어 투찰금액 예측방법 및 그 시스템
KR20140062715A (ko) * 2012-11-15 2014-05-26 원용춘 예가사정율 예측 정보 제공 서버 및 방법
KR20150118587A (ko) * 2013-02-11 2015-10-22 페이스북, 인크. 입찰로부터의 예상 수익에 기반한 실시간 입찰의 개시
KR102041841B1 (ko) * 2019-04-23 2019-11-06 (주) 에스와이소프트 추정 경쟁률 기반의 전자 입찰 분석 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120040589A (ko) * 2010-10-19 2012-04-27 주식회사 지투비홀딩스 전자 입찰에 있어 투찰금액 예측방법 및 그 시스템
KR20140062715A (ko) * 2012-11-15 2014-05-26 원용춘 예가사정율 예측 정보 제공 서버 및 방법
KR20150118587A (ko) * 2013-02-11 2015-10-22 페이스북, 인크. 입찰로부터의 예상 수익에 기반한 실시간 입찰의 개시
KR102041841B1 (ko) * 2019-04-23 2019-11-06 (주) 에스와이소프트 추정 경쟁률 기반의 전자 입찰 분석 시스템 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023153817A1 (ko) 2022-02-10 2023-08-17 주식회사 엘지에너지솔루션 배터리셀, 및 이를 포함하는 배터리모듈
KR102431323B1 (ko) * 2022-03-21 2022-08-11 한라토건 주식회사 공사 입찰 확률에 대한 예측 정보를 제공하는 온라인 플랫폼 및 그 시스템

Also Published As

Publication number Publication date
KR102533525B1 (ko) 2023-05-17
KR20230069903A (ko) 2023-05-19

Similar Documents

Publication Publication Date Title
US11776050B2 (en) Online data market for automated plant growth input curve scripts
CN102422279B (zh) 用于资产管理和交易的基于类的分布式进化算法
KR20230069903A (ko) 경쟁자 예측 기반 전자 입찰 컨설팅 시스템
KR102211278B1 (ko) 집단지성과 실시간 인공지능학습엔진을 이용한 확률기반 기술가치평가 및 기술거래 온라인플랫폼
Gorodnichev et al. Features of the development of information systems for working with blockchain technology
CN106127531A (zh) 基于机器学习来执行差异化定价的方法及系统
Baranwal et al. A truthful and fair multi-attribute combinatorial reverse auction for resource procurement in cloud computing
WO2006083709A2 (en) Systems and methods for improving auction liquidity
Gao et al. Supply chain equilibrium on a game theory-incentivized blockchain network
KR20190109299A (ko) 미래가치증명 기반의 가치안정화 암호화폐의 발행과 유통 그리고 가치실현 기여도에 따른 보상지급기능을 갖춘 블록체인 시스템
CN116385164B (zh) 一种基于区块链的碳资产交易系统及方法
Deng et al. Multi-channel autobidding with budget and ROI constraints
Shi et al. A Bayesian game-enhanced auction model for federated cloud services using blockchain
Chen et al. Fair auctioning and trading framework for cloud virtual machines based on blockchain
KR20140109560A (ko) 전문가의 낙찰 예측 분포도를 이용하는 입찰 컨설팅 시스템 및 그 입찰 컨설팅 방법
KR102451291B1 (ko) 경쟁자 예측 기반 전자 입찰 컨설팅 시스템
US20140108215A1 (en) System and methods for trading
CN114912904B (zh) 项目交付状态确定方法、系统、电子设备及存储介质
CN113313562B (zh) 产品数据处理方法、装置、计算机设备和存储介质
Boyer et al. Common-value auction versus posted-price selling: an agent-based model approach
KR102203171B1 (ko) 투자자문가 추천 제공 방법, 장치 및 컴퓨터-판독가능 기록 매체
Agapitos et al. On the genetic programming of time-series predictors for supply chain management
CN111967998A (zh) 产品的推荐处理方法及装置
CN114493810B (zh) 物联网数据处理方法、装置及介质
Boyer et al. Implications of a reserve price in an agent-based common-value auction

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)