WO2009099283A2 - 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법 - Google Patents

물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법 Download PDF

Info

Publication number
WO2009099283A2
WO2009099283A2 PCT/KR2009/000516 KR2009000516W WO2009099283A2 WO 2009099283 A2 WO2009099283 A2 WO 2009099283A2 KR 2009000516 W KR2009000516 W KR 2009000516W WO 2009099283 A2 WO2009099283 A2 WO 2009099283A2
Authority
WO
WIPO (PCT)
Prior art keywords
hub
cluster
logistics
cost
optimal
Prior art date
Application number
PCT/KR2009/000516
Other languages
English (en)
French (fr)
Other versions
WO2009099283A3 (ko
Inventor
Yeongchae Hong
Original Assignee
Yeongchae Hong
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 Yeongchae Hong filed Critical Yeongchae Hong
Publication of WO2009099283A2 publication Critical patent/WO2009099283A2/ko
Publication of WO2009099283A3 publication Critical patent/WO2009099283A3/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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management

Definitions

  • the present invention relates to a hub location search method, and more particularly, to search for the optimal hub location in the hub location estimation plan of logistics transport, rather than simply relying on the heuristic search performance of the past, the unit of the current logistics system.
  • the present invention relates to an optimal hub location retrieval method based on logistics cost prediction that can increase its accuracy by using cost information and network node coordinate information.
  • FIG. 11 and 12 are views illustrating a general hub and spoke logistics network structure.
  • the TabuHub methodology proposed by Skorin-Kapov and Skorin-Kapov (1994) consists of a hub (H) and spoke (S) type in setting an initial solution regarding the location of the hub. It does not reflect the characteristics of the distribution network, but simply sets an initial solution based on nodes with a high volume of traffic, and results in irrational results in the local optimal solution in the Tabu search with proximity node exchange rules. .
  • the Tabu search method has been effectively used in logistics and transportation planning, but if it does not reflect the inherent characteristics of the hub and spoke type of logistics, there is a problem that it is possible to derive an irrational hub location construction as an optimal alternative.
  • the Tabu search method a general-purpose meta-heuristic search method that can be applied to various fields, is frequently used because of its superior search performance and ease of interpretation and application due to its intuitive structure. If the characteristics of the network structure of the hub and spoke type, which is one of the characteristics, are not reflected, there is a case that shows a structural problem that does not deviate from the local optimal solution according to the search condition of the Tabu search technique and presents an irrational search result.
  • the present invention has been made to solve the above problems of the prior art, a hub construction feasibility prediction model by considering the structural excellence of the Tabu search technique and reflecting the characteristics of the hub and spoke form of the logistics network
  • a hub construction feasibility prediction model by considering the structural excellence of the Tabu search technique and reflecting the characteristics of the hub and spoke form of the logistics network
  • Optimal hub location retrieval method based on the logistics cost prediction of the present invention for achieving the above object is to identify the cluster distribution tendency of nodes based on the network coordinate data and to generate an approximate cluster network corresponding to the node clustering result Making; Predicting clusters having significant cost reduction effects by comparing approximate logistics costs to determine the feasibility of hub construction for each cluster; And heuristically searching for the optimal hub location based on the predicted hub topology.
  • the method may further include receiving information on traffic volume and logistics cost between each node and GIS map information through a user input interface.
  • the method further comprises storing and outputting a result after the heuristic searching.
  • the generating of the approximate cluster network may further include the step of associating with a data mining engine including an algorithm.
  • the heuristic search may further comprise applying a hub network cost calculation model.
  • the step of generating the approximate clustering network when classifying the nodes, characterized in that the clustering to the node clusters corresponding to the potential number of hub construction to be expected by using clustering.
  • the step of generating the approximate cluster network is characterized by determining the probability that each node belongs to a node cluster corresponding to the number of hub constructions by using clustering.
  • the heuristic search characterized in that the search using the other search engine.
  • the step of predicting a cluster having a large cost saving effect calculates the center of gravity in consideration of the traffic volume and coordinates of the nodes belonging to each cluster to obtain the position coordinates representing each cluster, the inter-node traffic volume is due to intra-group transport It is characterized by collecting by dividing the internal transport amount and the external transport amount by the transport between the cluster.
  • the step of predicting the cluster having a large cost reduction effect is characterized by searching using a single allocation hub network design model in consideration of the logistics system analysis.
  • the step of predicting a cluster having a large cost reduction effect is to calculate a difference between the logistics cost when the hub is not constructed and the logistics cost when the hub is constructed for each cluster, and then select a candidate having a large difference in value. It is characterized by using the Greedy Drop Strategy.
  • the optimal hub location search method based on the logistics cost prediction of the present invention configured as described above has the following useful effects.
  • the plan is established by first searching for nodes that are considered to be effective in reducing logistics costs in the hub location planning process of the hub & spoke logistics network. It saves time, reduces search costs, and improves the reliability of results that rely solely on heuristic search.
  • GIS Geographic Information System
  • an optimized logistics warehouse location plan can be established by cyclically improving and verifying the hub location network configuration.
  • FIG. 1 is a block diagram of an input and output module centered on a search engine of an optimal hub location search method based on logistics cost prediction according to the present invention
  • FIG. 2 is a physical relationship diagram between a search engine and an external system of an optimal hub location search method based on a logistics cost prediction according to the present invention
  • FIG. 3 is a functional block diagram showing a system for implementing an optimal hub location search method based on the logistics cost prediction according to the present invention
  • FIG. 4 is a class diagram design diagram according to a functional module of a system for implementing an optimal hub location retrieval method based on logistics cost prediction according to the present invention
  • FIG. 5 is a flowchart showing an optimal hub location searching method based on the logistics cost prediction according to the present invention
  • FIG. 6 is a diagram of clustering a network using clustering differentiation results of an optimal hub location search method according to the present invention
  • FIG. 7 is a table structure for grasping cluster membership of each node through differentiation results of clustering of an optimal hub location search method according to the present invention
  • FIG. 8 is a flowchart of selecting an optimal cluster pattern using a cluster validity evaluation module of an optimal hub location searching method according to the present invention
  • FIG. 9 is a diagram illustrating an output and input interface configuration in a network structure according to coordinate input according to an embodiment of a method for searching an optimal hub location according to the present invention
  • FIG. 10 is a diagram illustrating a format of displaying an optimal location solution and outputting a result of a tracking path of a cost solution space using a result according to an embodiment of an optimal hub location search method according to the present invention
  • FIG. 11 illustrates a single allocation network structure in a hub logistics network
  • FIG. 12 is a view showing the hub and spoke structure features that the hub logistics network has endogenously;
  • 13 is a block diagram of input and output variables centered on the tabu search engine.
  • FIG. 1 A summary of the optimal hub location search method based on the logistics cost prediction of the present invention, as shown in Figures 1 to 4, to determine the clustering tendency of the nodes (node) and approximate clustering network suitable for clustering results After creating a clustered network, predicting clusters with significant cost savings by comparing approximate logistics costs for each cluster, and using a heuristic search technique based on the predicted hub topology. And then storing and outputting the results.
  • the economic feasibility of hub location prediction can be predicted.
  • the optimal hub location is searched through an optimal solution search engine such as Tabu search and Genetic Algorithm.
  • the present invention undergoes a step of receiving cost information about transport plans and logistics costs between nodes through a user input interface 100.
  • transportation planning information such as the volume of traffic between each node (W ij ) and the average transport speed (v ij ) per link, hub construction cost (C HC ), classification / transmission cost (C LC ), construction cost (C DT ) Collect logistics cost information related to transport delay costs (C TT ) and transport / frequency delay costs (C TR + C FR ).
  • the network information such as the location of each node and the distance between nodes (d ij ) is configured by referring to coordinate information from the map database (DB) 200 through the GIS engine 500, and then the transportation plan and logistics cost. Information, and the like, are input through the user interface 100.
  • the clustering tendency of the nodes is determined on the basis of the network location information, and an approximate clustered network corresponding to the clustering result is generated (S200).
  • a data mining server in which cluster coordinate algorithms such as SQL Server 2005 (TM) is installed by reading node coordinates on a network from a map database 200. To 300).
  • SQL Server 2005 TM
  • k node clusters that is, the number of constructions of the hub 30 that are tentatively estimated by using a Microsoft Clustering TM algorithm
  • the data mining server 300 informs the probability (small speed) of each node belonging to k cluster groups through clustering.
  • an optimal cluster pattern is found using a cluster degree feasibility evaluation module based on the belonging degree information of each node 10 and the number of hub constructions (k), and the hub construction is not performed for each cluster.
  • Estimating the feasibility of constructing a hub by using a greed drop strategy that compares the difference between the logistics cost in case of failure and the logistics cost in case of constructing a hub (Greedy Drop Strategy) (S300, S400). Go through).
  • a multi-criteria center of gravity is calculated in consideration of the coordinates and the traffic volume, which are the main features of the nodes 10 belonging to each cluster 20, to calculate the position coordinates representing each cluster 20.
  • the inter-node traffic amount (W ij ) is collected by dividing the internal transport amount (Q in ) by the cluster internal transport and the external transport amount (Q out ) by the transport between the cluster (Cluster).
  • a model is estimated statistically using the average value and the approximation value in the logistics network with the distance (D, d) and the transport density (P,) uniformly. Same as 1.
  • n Number of nodes
  • p Number of hub constructions
  • uc H Unit hub construction costs
  • uc DT Unit transportation / transportation costs
  • uc L Link construction costs per unit distance
  • tv Time value
  • d ij Link ( i, j) distance
  • tp planning period to be analyzed
  • uc TR unit distance, transportation cost per unit frequency
  • the cost reduction due to the construction of the hub is prioritized to the largest cluster, thereby increasing the search time and accuracy in the search for the optimal hub position.
  • the optimal hub location is searched by reflecting the hub construction fitness information for each cluster in the Tabu search engine 400.
  • search results are stored and output (S600 and S700).
  • the network structure determined as the optimal hub location is output on the screen using the above methods and the result data is stored.
  • a cluster validity evaluation module is applied to clusters for 10 cities and calculates a reasonable number of clusters (k) using a probability of belonging (small speed) as an embodiment of the present invention. As a result, it is confirmed that it is divided into approximately four.
  • the following table shows the results of assigning node numbers to 10 cities and clustering them into four clusters.
  • Cluster ID Node ID Cluster ID 0 One 5 One One 2 6 One 2 3 7 2 3 3 8 4 4 2 9 3
  • a network consisting of 10 nodes is composed of 4 points, which are multi-critical centers of gravity, reflecting the volume and coordinates, as shown in FIG. Simplify to a cluster network and aggregate traffic and distance in cluster units.
  • Table 3 below is a table divided by the internal transport (Q in ) and the external transport (Q out ) for the transport volume collected by each cluster (Cluster).
  • Table 4 Target group 1 Case 1 Case 2 Group 2 Group 3 4th group E (C HC ) 266.6667 200 200 200 E (C LC ) 0 0 0 0 E (C DT ) 472.398 472.398 472.398 472.398 E (C TT ) 1058.482 1205.65 1552.648 2033.24238 E (C TR + C FR ) 658.9511 1058.24 751.6612 831.404589 E ( ⁇ Cost) 2,456.4978 2,936.288 2,976.7072 3,537.044969 E ( ⁇ Cost) -479.7901125 Dev (Cost) 335.787918
  • Table 6 Target Group 3 Case 1 Case 2 Group 1 Group 2 4th group E (C HC ) 266.666667 200 200 200 E (C LC ) 0 0 0 0 E (C DT ) 472.398 472.398 472.398 472.398 E (C TT ) 1499.47219 5303.86047 4023.62858 2894.69125 E (C TR + C FR ) 1462.73348 3290.17258 2854.80496 5094.510758 E ( ⁇ Cost) 3,701.270337 9,266.43105 7,550.83154 8,661.600008 E ( ⁇ Cost) -3849.56121 Dev (Cost) 870.144516
  • the logistics cost is calculated by using an all-or-nothing method by selecting one hub in the surrounding cluster.
  • the present invention in order to determine whether the heuristic search performance is improved by using the results of the analytical solution, the present invention, rather than the simple traffic volume standard proposed in the previous research, the present invention of the Tabu Search According to Table 9 and Table 10 below, the optimal solution improvement and performance improvement by Tabu Search will be confirmed when the initial solution is applied by applying the rule that first assigns to the cluster according to the feasibility analysis result according to the hub construction. Can be.
  • the user input interface 100 is a screen for inputting and modifying variables related to logistics costs and settings for each search algorithm
  • the map DB 200 provides position related information for each node.
  • It is a general-purpose DB having a data mining engine
  • the data mining engine 300 is an engine that differentiates nodes through a clustering algorithm
  • the tabu search engine 400 is a heuristic search engine using a tabu search algorithm. .
  • the GIS engine 500 is an engine that converts the format of the map DB data (Data) according to the present invention
  • the logistics cost DB 600 is a database (DB) having information on construction and transportation logistics costs
  • clustering The feasibility evaluation module 700 is a module for determining whether node differentiation is performed by properly reflecting a hub and spoke network structure and logistics characteristics.
  • the hub construction feasibility evaluation module 800 is a preliminary evaluation module for evaluating the hub construction feasibility as an approximate logistics cost calculation for each cluster
  • the optimization module 900 analyzes the results using various optimization engines and optimizes the hub.
  • a module for searching for location the output module 1000 is a module for storing and outputting historical data about the searched solution
  • the cluster network DB 1300 is an information storage DB for node clustering results.
  • Reference numeral 100 is a logistics cost DB
  • 1200 is a database management module
  • 1400 is a result storage module
  • 1500 is a search method selection module
  • 1500 is a theoretical model for calculating logistics costs based on various other hub location theories.
  • Model selection module for adding and modifying can be added, the details of which will be apparent to those skilled in the art will not be described in detail.
  • Optimal hub location search method based on the logistics cost prediction of the present invention configured as described above first, by combining the logistics cost data input from the user with GIS map information, the logistics cost reduction effect in the hub location planning process of the hub and spoke logistics network Has the advantage of reducing the planning time, reducing the search cost, and improving the reliability of the result that relies only on the heuristic search.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)

Abstract

본 발명은 허브 입지 검색 방법에 관한 것으로서, 특히 물류비용모형을 이용한 비용절감 예측 모델을 휴리스틱 탐색 방법에 적용함으로써 정확하고 신뢰할만한 최적 허브 입지 위치를 탐색할 수 있어서, 운송 계획 수립 단계에서 계획자에게 신뢰할만한 의사결정 정보를 제공할 수 있고 물류 산업 전체의 질적인 수준을 향상시킬 수 있는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법에 관한 것이다. 이를 위하여, 본 발명은 네트워크 좌표 데이터를 기초로 노드들의 군집분포성향을 파악하고 상기 노드군집화 결과에 대응되는 근사적 군집 네트워크를 생성하는 단계; 각 군집에 대해 허브 건설의 타당성을 근사적 물류비용 비교를 통해 비용 절감효과가 큰 군집을 예측하는 단계; 및 상기 예측된 허브 토폴로지를 기초로 최적 허브 입지를 휴리스틱 탐색하는 단계로 구성되는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법을 제공한다.

Description

[규칙 제26조에 의한 보정 06.04.2009]　물류비용 예측을 기반으로 하는 최적 허브 입지 검색방법
본 발명은 허브 입지 검색 방법에 관한 것으로서, 더욱 상세하게는 물류 수송 의 허브 입지 산정 계획에서 최적 허브 입지를 검색하기 위해 단순히 과거의 휴리스틱(heuristic) 탐색 성능에 의존하는 것이 아니라 현재의 물류 제반의 단위 비용 정보 및 네트워크 노드 좌표 정보를 이용함으로써 그 정확도를 높일 수 있는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법에 관한 것이다.
현재 물류 수송 시스템은 인프라 시설 및 산업 군집화에 따른 시너지 효과로 인해 허브앤스포크 형태(Hub-and-Spoke)로 널리 분포하고 있고, 최근에는 공항 또는 터미널 등의 허브를 중심으로 각 지역으로 물류를 운송하는 네트워크가 구성되어 규모의 경제성을 이용한 대규모 집산 형태의 물류 운송이 이루어지고 있다.
도 11 및 도 12는 일반적인 허브앤스포크 물류망 구조를 나타내는 도면이다. 기존의 Skorin-Kapov and Skorin-Kapov(1994)에 의해 제시된 타부허브(TabuHub) 방법론의 경우, 허브의 입지(location)에 관한 초기해를 설정함에 있어 허브(H)앤스포크(S) 형태로 구성되는 물류망의 특징을 반영하지 못하고 단순히 물동량이 많은 노드를 기준으로 초기해를 설정하여 탐색을 진행함으로써 근접노드 교환규칙을 가진 타부탐색(Tabu search)에 있어 지역 국소 최적해에 빠지는 비합리적인 결과가 발생한다.
한편, 지금까지 허브 입지를 결정하는 계획들은 허브앤스포크 형태로 구성되는 물류 네트워크의 군집특성을 반영하지 못하고 과거 공장 및 편의시설 등의 시설물 입지 문제(Facility Location Problem)를 응용한 형태로서 허브입지문제(Hub Location Problem)를 다룸으로써 물류 네트워크 상의 모든 노드를 동등한 위상으로 간주하여 최적 허브 입지를 탐색하여 왔다.
이로 인해 대규모 네트워크에 대한 최적 허브 입지 탐색의 경우 탐색비용이 기하급수적으로 증가하게 되었고 이러한 어려움으로 인해 흔히 휴리스틱(heuristic)한 방법들이 많이 제시되어 왔다.
이 중에서 타부탐색방법이 물류, 교통 수송계획에서 효과적으로 이용되어 왔으나 허브앤스포크 형태의 물류 고유의 특징을 반영하지 못하는 경우 비합리적인 허브 입지 건설을 최적 대안으로 도출할 수도 있는 문제점을 가지고 있다.
현재 이러한 교통, 물류 분야의 고유한 특징인 군집특성을 바탕으로 합리적인 시간 내에 신뢰할만한 최적 허브 입지를 탐색하는 문제가 물류에서 매우 중요한 관심분야로 대두되었다.
다양한 분야로의 적용이 가능한 범용적인 구조를 지닌 메타-휴리스틱 탐색 방법인 타부(Tabu)탐색기법은 탐색 성능의 우수성과 직관적인 구조로 인한 해석 및 응용 용이성으로 인해 자주 이용됨에도 불구하고 물류수송의 고유한 특징인 허브앤스포크 형태의 네트워크 구조 특성을 반영하지 못하는 경우 타부(Tabu)탐색 기법의 탐색 조건에 따라 국소 최적해를 벗어나지 못하는 구조적인 문제점을 보여주며 비합리적인 탐색 결과를 제시하는 경우가 존재한다.
따라서, 이러한 기술적 문제를 해결하기 위해 최적 허브 입지 가능성이 높은 노드(node)에 대한 근사적 군집화 기법을 통해 허브 비용을 미리 예측하는 탐색 방법을 제시함으로써 타부(Tabu) 탐색으로 인한 최적 허브 입지 결정의 신뢰성을 높이고 탐색비용을 줄이는 방법이 요구되었다.
본 발명은 상기와 같은 종래 기술의 문제점을 해결하기 위하여 안출된 것으로서, 타부(Tabu) 탐색 기법이 가진 구조적 우수성을 고려하는 동시에 물류망이 지닌 허브앤스포크 형태의 특징을 반영하여 허브건설 타당성 예측 모형을 이용한 최적 허브 입지 검색 방법을 제시하는 것으로서, 탐색 비용을 줄이고 네트워크 규모가 커짐에 따라 발생할 수 있는 탐색 시간의 기하급수적인 증가 문제를 해결하기 위해 허브앤스포크 형태의 네트워크 특징을 이용하여 근사적 군집 네트워크를 생성하고 현재 물류망의 수송 및 건설비용 정보를 적용하여 허브 입지 타당성의 경제적 절감 효과를 근사적으로 예측 수행한 후 예측된 비용 결과를 기반으로 최적 허브 입지를 탐색하는 검색 방법을 제공하는데 그 목적이 있다.
상기와 같은 목적을 달성하기 위한 본 발명의 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법은 네트워크 좌표 데이터를 기초로 노드들의 군집분포성향을 파악하고 노드군집화결과에 대응되는 근사적 군집 네트워크를 생성하는 단계; 각 군집에 대해 허브 건설의 타당성을 파악하도록 근사적 물류비용 비교를 통해 비용 절감 효과가 큰 군집을 예측하는 단계; 및 상기 예측된 허브 토폴로지를 기초로 최적 허브 입지를 휴리스틱 탐색하는 단계를 포함하여 구성되는 것을 특징으로 한다.
여기서, 상기 근사적 군집 네트워크를 생성하는 단계 전에 사용자 입력 인터페이스를 통해 노드간 물동량 및 물류비용에 대한 정보 및 GIS지도 정보를 입력받는 단계를 더 포함하여 구성되는 것을 특징으로 한다.
바람직하게는, 상기 휴리스틱 탐색하는 단계 후에 결과를 저장 출력하는 단계를 더 포함하여 구성되는 것을 특징으로 한다.
그리고, 상기 근사적 군집 네트워크를 생성하는 단계는 알고리즘을 포함하는 데이터 마이닝 엔진과 연계하는 단계를 더 포함하여 구성되는 것을 특징으로 한다.
또한, 상기 휴리스틱 탐색하는 단계는 허브 네트워크 비용 산출 모형을 적용하는 단계를 더 포함하여 구성되는 것을 특징으로 한다.
바람직하게는, 상기 근사적 군집 네트워크를 생성하는 단계는, 노드들을 분류할 때 클러스터링을 이용하여 잠정적으로 예상하는 허브 건설개수에 해당하는 노드군집으로 분화하는 것을 특징으로 한다.
더욱 바람직하게는, 상기 근사적 군집 네트워크를 생성하는 단계는, 클러스터링을 이용하여 각 노드가 허브 건설 개수에 해당하는 노드군집에 소속될 확률을 파악하는 것을 특징으로 한다.
이때, 상기 휴리스틱 탐색하는 단계는, 타부 탐색 엔진을 이용하여 탐색하는 것을 특징으로 한다.
한편, 상기 비용 절감 효과가 큰 군집을 예측하는 단계는, 각 군집에 속하는 노드들의 물동량 및 좌표를 고려한 무게중심을 계산하여 각 군집을 대표하는 위치좌표를 구하고, 노드간 물동량은 군집 내부 수송에 의한 내부 수송량과 클러스터 사이의 수송에 의한 외부 수송량으로 구분하여 집산하는 것을 특징으로 한다.
여기서, 상기 비용 절감 효과가 큰 군집을 예측하는 단계는, 물류 시스템 분석을 고려한 단일 할당 허브 네트워크 설계 모형을 이용하여 탐색하는 것을 특징으로 한다.
바람직하게는, 상기 비용 절감 효과가 큰 군집을 예측하는 단계는, 각 군집별로 허브 건설을 하지 않는 경우의 물류비용과 허브를 건설하는 경우의 물류비용의 차이를 산출하여 값의 차이가 큰 후보를 탐욕적으로 제외하는 기법(Greedy Drop Strategy)을 사용하는 것을 특징으로 한다.
이와 같이 구성된 본 발명의 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법은 다음과 같은 유용한 효과를 발휘한다.
첫째, 사용자가 입력하는 물류비용 데이터와아 GIS(Geographic Information System) 지도 정보를 결합하여 허브앤스포크 물류망의 허브 입지 계획 과정에서 물류비용 절감효과가 우수하다고 판단되는 노드를 우선적으로 탐색하게 하여 계획 수립시간 단축 및 탐색비용을 절감시키고 기존에 휴리스틱 탐색에만 의존한 결과의 신뢰성도 향상시켜 준다.
둘째, 사용자 입력 인터페이스를 통해 앞서 얻은 결과를 기반으로 허브 입지 네트워크 구성을 순환적으로 개선하고 이를 검증하는 절차를 통해서 최적화된 물류 창고 입지 계획을 수립할 수 있다.
도 1 은 본 발명에 따른 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법의 검색 엔진을 중심으로 한 입력 및 출력 모듈에 대한 블록도;
도 2는 본 발명에 따른 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법의 검색 엔진과 외부 시스템간의 물리적인 관계도;
도 3은 본 발명에 따른 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법을 구현하는 시스템을 나타내는 기능 블록도;
도 4는 본 발명에 따른 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법을 구현하는 시스템의 기능적 모듈에 따른 클래스 다이어그램 설계도;
도 5는 본 발명에 따른 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법을 나타내는 플로우챠트;
도 6은 본 발명에 따른 최적 허브 입지 검색 방법의 클러스터링 분화 결과를 이용하여 네트워크를 군집화하는 도면;
도 7은 본 발명에 따른 최적 허브 입지 검색 방법의 클러스터링을 분화 결과를 통해 각 노드의 클러스터 소속도를 파악하는 테이블 구조;
도 8은 본 발명에 따른 최적 허브 입지 검색 방법의 군집도 타당성 평가 모듈을 이용하여 최적 군집 패턴을 선정하는 플로우챠트;
도 9는 본 발명에 따른 최적 허브 입지 검색 방법의 일 실시예에 따른 좌표입력에 따른 네트워크 구조로 출력 및 입력 인터페이스 구성을 나타내는 도면;
도 10은 본 발명에 따른 최적 허브 입지 검색 방법의 일 실시예에 따른 결과를 이용하여 최적 입지해의 표시 및 비용 해공간의 추적 경로에 대한 결과를 화면에 출력하는 형식을 나타내는 도면;
도 11은 허브 물류망에서 단일 할당 네트워크 구조를 나타내는 도면;
도 12는 허브 물류망이 내생적으로 가지는 허브앤스포크 구조 특징을 나타내는 도면;
도 13은 타부탐색 엔진을 중심으로 입력 및 출력 변수에 대한 블록도이다.
<도면의 주요 부분에 대한 부호의 설명>
10: 노드(node) 20: 클러스터(Cluster)
30: 허브(Hub) 100: 인터페이스
200: 지도 데이터베이스 300: 데이터마이닝 서버
400: 타부탐색 엔진 500: GIS 엔진
이하, 본 발명의 목적이 구체적으로 실현될 수 있는 바람직한 실시예를 첨부된 도면을 참조하여 상세히 설명한다. 본 실시예를 설명함에 있어서, 동일 구성에 대해서는 동일 명칭 및 동일 부호가 사용되며 이에 따른 부가적인 설명은 생략하기로 한다.
본 발명의 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법을 개략적으로 요약하면 도 1 내지 도 4에 도시된 바와 같이, 노드들(node)의 군집성향을 파악하고 군집결과에 적합한 근사적 군집 네트워크(Clustered Network)를 생성하고, 각 군집(Cluster)에 대해 근사적 물류비용 비교를 통해 비용 절감효과가 큰 군집을 예측한 후, 상기 예측된 허브 토폴로지를 기초로 최적 허브입지를 휴리스틱 탐색 기법을 이용하여 검색한 다음, 상기 결과들을 저장 출력하는 단계를 포함하여 구성된다.
즉, 물류망의 허브앤스포크(Hub-and-Spoke) 형태의 네트워크 특징을 이용하여 근사적 군집 네트워크를 생성하고 물류비용 및 건설비용 정보를 적용하여 허브 입지 타당성의 경제적 절감 효과를 예측 수행한 후 타부(Tabu)탐색 및 유전자 알고리즘(Genetic Algorithm) 등의 최적해 탐색 엔진을 통해 최적 허브 입지를 탐색하게 된다.
먼저, 본 발명은 도 3에 도시된 바와 같이, 사용자 입력 인터페이스(interface)(100)를 통해 노드(node)간 운송계획 및 물류비용 등에 대한 비용 정보를 입력받는 단계를 거친다.
즉, 각 노드간 물동량(Wij) 및 링크별 평균 수송속도(vij), 등의 운송계획정보 및 허브건설비용(CHC), 분류/환적 비용(CLC), 건설비용(CDT), 수송지체비용(CTT), 수송/빈도지체 비용(CTR+CFR) 등에 관련한 물류비용정보를 수집한다.
이때, GIS 엔진(500)을 통해서 지도 데이터베이스(DB)(200)로부터 좌표 정보를 참조하여 각 노드의 위치 및 노드간의 거리(dij) 정보 등의 네트워크 정보를 구성한 다음에 상기 운송계획 및 물류비용 등의 정보를 사용자 인터페이스(100)를 통해 입력한다.
그리고, 도 5에 도시된 바와 같이 네트워크 위치 정보를 기초로 노드들의 네트워크상의의 군집성향을 파악하고 상기 군집 결과에 대응되는 근사적 군집 네트워크(Clustered Network)를 생성하는 단계(S200)를 거친다.
도 2 및 도 3에서 보는 바와 같이, 지도 데이터베이스(Database)(200)로부터 네트워크상의 노드 좌표를 읽어 들여서 SQL Server 2005(TM) 등의 클러스터링 알고리즘(Clustering Algorithm)이 설치되어진 데이터 마이닝 서버(Data Mining Server)(300)로 보낸다.
여기서, 도 5 및 도 6에서 보는 바와 같이 노드들(10)을 분류할 때 마이크로소프트 클러스터링(Microsoft Clustering)(TM) 알고리즘을 이용하여 잠정적으로 예상하는 허브(30) 건설 개수인 k개의 노드군집(20)으로 네트워크를 분화한다.
상기 데이터마이닝 서버(Data Mining Server)(300)에서는 도 7에서 보는 바와 같이, 클러스터링(Clustering)을 통해 각 노드가 k개의 클러스터(Cluster) 집단에 소속될 확률(소속도)을 결과로 알려준다.
다음으로, 도 8에서 보는 바와 같이 각 노드(10)의 소속도 정보 및 허브 건설 개수(k)를 기반으로 군집도 타당성 평가 모듈을 이용하여 최적 군집 패턴을 찾아내고, 각 군집별로 허브 건설을 하지 않는 경우의 물류비용과 허브를 건설하는 경우의 물류비용의 차이를 비교하여 값의 차이가 큰 후보를 탐욕적으로 제외하는 기법(Greedy Drop Strategy)을 사용하여 허브 건설 타당성을 예측하는 단계(S300,S400)를 거친다.
즉, 도 6에서처럼 각 군집(20)에 속하는 노드들(10)의 주요 특징인 좌표 및 물동량 등을 고려한 다기준(Multi-criteria) 무게중심을 계산하여 각 군집(20)을 대표하는 위치좌표를 구하고, 노드간 물동량(Wij)은 군집(Cluster) 내부 수송에 의한 내부 수송량(Qin)과 클러스터(Cluster) 사이의 수송에 의한 외부 수송량(Qout)으로 구분하여 집산한다.
허브 건설의 타당성 예측을 위한 모형에서의 비교분석 대상은 다음의 2가지 경우이다.
(1) 허브가 해당 군집에 존재하는 경우(Case 1)
(2) 허브가 해당 군집에 존재하지 않는 경우(Case 2)
본 발명에서는 통계학적으로 거리(D,d) 및 수송밀도(P,)가 균등한 물류 네트워크에서의 평균값 및 근사값을 이용하여 추정하는 모형을 사용하였으며, 각 경우의 물류비용의 계산은 다음의 표 1과 같다.
표 1
Case 1 Case 2
허브 건설비용(CHC)
Figure PCTKR2009000516-appb-I000001
Figure PCTKR2009000516-appb-I000002
분류/환적비용(CDT)
Figure PCTKR2009000516-appb-I000003
Figure PCTKR2009000516-appb-I000004
건설비용(CLC)
Figure PCTKR2009000516-appb-I000006
수송지체비용(CTT)
Figure PCTKR2009000516-appb-I000007
Figure PCTKR2009000516-appb-I000008
Figure PCTKR2009000516-appb-I000009
Figure PCTKR2009000516-appb-I000010
수송/빈도지체 비용(CTR+CFR)
Figure PCTKR2009000516-appb-I000011
Figure PCTKR2009000516-appb-I000012
Figure PCTKR2009000516-appb-I000013
Figure PCTKR2009000516-appb-I000014
n: 노드개수, p: 허브건설 개수, ucH: 단위 허브 건설비용, ucDT: 단위 수송량의 분류/환적비용, ucL: 단위 거리 당 링크 건설비용, tv: 시간가치, dij: 링크(i,j)의 거리, tp: 분석 대상 계획 기간, ucTR: 단위 거리, 단위 빈도 당 수송비용
각 군집별로 허브 건설로 인한 비용 절감정도를 예측하기 위해 허브 건설을 하지 않는 경우(Case 2)의 물류비용과 허브를 건설하는 경우의 물류비용(Case 1)의 차이를 구함으로써 군집별로 허브 건설에 따른 비용 절감을 근사적으로 계산한다.
허브 건설에 따른 비용 절감이 가장 큰 군집에 우선순위를 두어 허브(30)를 건설함으로써 최적 허브 위치 탐색에 있어 탐색 시간 및 정확도를 높여준다.
다음으로, 상기 예측된 허브 토폴로지(Hub topology)를 기초로 최적 허브 입지를 휴리스틱 탐색하는 단계(S500)를 거친다.
본 발명에서는 일 실시예로 상기 군집별 허브 건설 적합도 정보를 타부(Tabu) 탐색 엔진(400)에 반영하여 최적 허브 위치를 탐색한다.
마지막으로, 탐색 결과를 저장 출력하는 단계(S600,S700)를 거친다.
이 단계에서는 본 발명의 일실시예로 도 9 및 도 10에 도시된 바와 같이, 상기 방법들을 이용하여 최적 허브 입지로 판단되는 네트워크 구조를 화면상에 출력하고 결과 데이터를 저장한다.
실제 사례 적용에 앞서 본 발명의 일 실시예로서 10개 도시에 대해 클러스터링(Clustering) 기법을 적용하고 소속 확률(소속도)을 이용하여 합리적인 클러스터(Cluster) 개수(k)를 구하는 군집도 타당성 평가 모듈을 적용한 결과 대략 4개로 구분됨을 확인된다.
다음은 10개 도시에 노드(node) 번호를 부여하고 4개의 클러스터(Cluster)로 군집화한 결과를 정리한 표이다.
표 2
Node ID Cluster ID Node ID Cluster ID
0 1 5 1
1 2 6 1
2 3 7 2
3 3 8 4
4 2 9 3
위의 네트워크 노드(Node)에 대한 클러스터링(Clustering) 결과를 이용하여 10개의 노드(Node)로 구성된 네트워크를 도 6에서처럼 물동량 및 좌표를 반영한 다기준(Multi-Criteria) 무게 중심인 4개의 점으로 구성된 군집 네트워크로 단순화시키고 수송량 및 거리를 각 클러스터(Cluster) 단위로 집산한다.
다음의 표 3은 각 클러스터(Cluster) 별로 집산된 수송량에 대해 내부 수송량(Qin)과 외부 수송량(Qout)으로 나누어 정리한 표이다.
표 3
Cluster Qin Qout
1 0 905
2 327 1,491
3 1,071 1,229
4 0 470
각 클러스터(Cluster)에 대해 상기 각 케이스(Case 1, Case 2) 별로 허브 입지 여부에 관한 기대 물류비용을 계산하면 다음의 표 4 내지 표 7과 같다. 여기서 허브가 해당 군집에 존재하지 않는 경우(Case 2)의 경우 주변 클러스터(Cluster)에 존재하는 허브를 하나 선택하여 전량배정(All-or-Nothing)하는 기법을 이용하여 물류비용을 산출하였으며 이 중에서 가장 저렴한 경우의 물류비용을 비교 대상으로 선택함으로써 본 발명의 예측 결과의 신뢰도를 높였다.
표 4
Target = 1군 Case 1 Case 2
2군 3군　 4군
E(CHC) 266.6667 200 200 200
E(CLC) 0 0 0 0
E(CDT) 472.398 472.398 472.398 472.398
E(CTT) 1058.482 1205.65 1552.648 2033.24238
E(CTR+CFR) 658.9511 1058.24 751.6612 831.404589
E(ΣCost) 2,456.4978 2,936.288 2,976.7072 3,537.044969
E(∇Cost) -479.7901125 Dev(Cost) 335.787918 　
표 5
Target = 2군 Case 1 Case 2
1군 3군 4군
E(CHC) 266.666667 200 200 200
E(CLC) 0 0 0 0
E(CDT) 472.398 472.398 472.398 472.398
E(CTT) 1407.34605 2747.7923 2950.11354 4371.62858
E(CTR+CFR) 1185.36366 3754.41295 2317.51531 3237.811844
E(ΣCost) 3,331.774377 7,174.60325 5,940.02685 8,281.838424
E(∇Cost) -2608.252471 Dev(Cost) 1171.48268
표 6
Target = 3군 Case 1 Case 2
1군 2군 4군
E(CHC) 266.666667 200 200 200
E(CLC) 0 0 0 0
E(CDT) 472.398 472.398 472.398 472.398
E(CTT) 1499.47219 5303.86047 4023.62858 2894.69125
E(CTR+CFR) 1462.73348 3290.17258 2854.80496 5094.510758
E(ΣCost) 3,701.270337 9,266.43105 7,550.83154 8,661.600008
E(∇Cost) -3849.56121 Dev(Cost) 870.144516
표 7
Target = 4군 Case 1 Case 2
1군 2군 3군
E(CHC) 266.666667 200 200 200
E(CLC) 0 0 0 0
E(CDT) 472.398 472.398 472.398 472.398
E(CTT) 529.9767 1219.0343 933.6503 755.3887
E(CTR+CFR) 431.779179 342.217686 274.487802 434.8111564
E(ΣCost) 1,700.820546 2,233.649986 1,880.536102 1,862.597856
E(∇Cost) -161.777311 Dev(Cost) 209.241041
상기 클러스터링 분화 및 허브 건설 타당성 평가 모듈에 따른 결과를 종합하여 분석하여 보면, 4개 클러스터(Cluster) 모두 허브 건설에 따른 물류비용 감소 효과가 존재함을 예측할 수 있다. 즉, 허브를 건설하는 경우 물류비용이 절감될 기대확률이 높음을 의미하며, 그 중에서도 기대 효과가 큰 클러스터(Cluster)로는 3군(-3849.56121)과 2군(-2608.252471)이 나왔으며 1군과 4군의 경우는 허브를 설치하는 경우가 유리하긴 하나 비용 차이가 극히 작음(-500 미만)을 알 수 있다.
또한, 허브가 해당 군집에 존재하지 않는 경우(Case 2)의 경우 주변 클러스터(Cluster)에 존재하는 허브를 하나 선택하여 전량배정(All-or-Nothing)하는 기법을 이용하여 물류비용을 산출하는데 각 Case 2의 각 이웃 클러스터(Neighborhood Cluster) 허브 사용에 따른 물류비용의 표준편차를 구해봄으로써 전량 배정이 아닌 미세한 허브 할당(Allocation)의 차이로 인한 비용 차이가 결과에 미치는 영향의 많고 적음을 검증함으로써 결과의 통계적 신뢰성을 높여준다.
본 발명의 상기 실시예에서는 아래의 표 8에서 확인할 수 있는 바와 같이, 클러스터(Cluster) 3의 경우 허브 건설에 따른 비용절감(∇Cost)에 비해 허브 할당에 의한 표준편차(S.Dev)가 상대적으로 작음으로써 예측결과가 통계적으로 유리함을 확인할 수 있는 반면에 클러스터(Cluster) 4의 경우 허브 할당에 따른 표준편차(S.Dev)의 크기가 허브 건설에 따른 비용절감(∇Cost) 보다 큼에 따라 허브 건설에 따른 비용 절감에 대한 신뢰가 떨어짐을 알 수 있다.
표 8
Cluster ID Case 1 - Case2E(∇Cost) 전량 할당의 표준편차S.Dev(Cost) 허브입지순위(Ranking)
1 -479.7901125 335.787918 3
2 -2608.252471 1171.48268 2
3 -3849.56121 870.144516 1
4 -161.777311 209.241041 4
한편, 휴리스틱 탐색 성능 개선 효과를 살펴보면, 상기 분석적 해법을 통한 결과를 이용하여 휴리스틱 탐색 성능 개선 여부를 확인하기 위해 타부 서치(Tabu Search)의 초기해를 기존 연구에서 제시하는 단순 수송량 기준이 아니라 본 발명에 따른 허브 건설 타당성 분석 결과에 따른 클러스터(Cluster)에 우선 배정하는 규칙을 적용하여 초기해를 잡는 경우 타부 서치(Tabu Search)에 의한 최적해 개선 및 성능 향상을 아래의 표 9 및 표 10을 통해 확인할 수 있다.
표 9
네트워크 규모 TABU(수송량 기준 초기해) TABU(Cluster 분석 후 초기해)
CASES RANKING COST PROCESS TIME(msec) RANKING COST PROCESS TIME(msec)
10×2 11430 1 8271.4053 13,329 1 8271.4053 571
10×3 216720 1 7160.8452 196,283 1 7160.8452 1322
10×4 327600 1 6991.3438 424,941 1 6991.3438 1402
10×5 30240 1 8095.6909 35,471 1 8095.6909 621
표 10
네트워크 규모 TOTAL Tabu Search(수송량 기준 초기해) Tabu Search(Cluster 분석 후 초기해)
RANKING COST 탐색 성공 여부 탐색 성공 여부
10×2 1 8271.4053 ○ ○
10×3 1 7160.8452 × ○
10×4 1 6991.3438 × ○
10×5 1 8095.6909 × ○
본 발명에서는 일례로 타부검색 엔진을 사용해서 설명하였지만, 다양한 검색엔진을 본 발명에 채용할 수 있음은 당업자에게 자명하다 할 것이다.
도면에서 자세히 설명되지 않은 부분으로, 사용자 입력 인터페이스(100)는 물류비용 관련 변수 및 탐색 알고리즘별 설정사항을 입력, 수정하는 화면이고, 지도DB(200)는 각 노드(node)에 대한 위치 관련 정보를 가진 범용DB이며, 데이터 마이닝(Data Mining) 엔진(300)은 클러스터링 알고리즘을 통해 노드를 분화하는 엔진이고, 타부(Tabu)탐색 엔진(400)은 타부(Tabu) 탐색 알고리즘을 이용한 휴리스틱 탐색 엔진이다.
그리고, GIS엔진(500)은 지도DB 데이터(Data)를 본 발명에 맞게 형식을 변환하는 엔진이고, 물류비용DB(600)은 건설 및 수송물류 비용에 대한 정보를 가진 데이터베이스(DB)이며, 군집도 타당성 평가 모듈(700)은 허브앤스포크 네트워크 구조 및 물류특성을 적절히 반영하여 노드 분화를 했는지 여부를 판단하는 모듈이다.
또한, 허브건설 타당성 평가 모듈(800)은 각 클러스터에 대해 허브 건설 타당성을 근사적인 물류비용 산출로 평가하는 예비 평가 모듈이며, 최적화 모듈(900)은 다양한 최적화 엔진을 이용하여 결과를 해석하고 최적 허브 입지를 탐색하는 모듈이고, 화면출력 모듈(1000)은 탐색된 해에 대한 이력 데이터 저장 및 출력하는 모듈이며, 군집 네트워크DB(1300)는 노드 클러스터링 결과에 대한 정보 저장DB이다.
도면부호 100은 물류비용DB이고, 1200은 데이터베이스(DB)관리 모듈이며, 1400은 결과저장 모듈이며, 1500은 탐색기법선택 모듈이고, 기타 다양한 허브 입지 이론에 입각하여 물류비용을 계산하도록 이론적 모형을 추가 및 수정하는 모형선택 모듈이 추가될 수 있으며, 이에 대한 내용은 당업자에게 자명한 사항이므로 자세한 설명은 생략하기로 한다.
이와 같이 본 발명에 따른 바람직한 실시예를 살펴보았으며, 앞서 설명된 실시예 이외에도 본 발명이 그 취지나 범주에서 벗어남이 없이 다른 특정 형태로 구체화될 수 있다는 사실은 해당 기술분야에 있어 통상의 지식을 가진 자에게는 자명한 것이다.
그러므로, 상술된 실시예는 제한적인 것이 아니라 예시적인 것으로 여겨져야 하며, 이에 따라 본 발명은 상술한 설명에 한정되지 않고 첨부된 청구항의 범주 및 그 동등 범위 내에서 변경될 수 있다.
이와 같이 구성된 본 발명의 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법은 첫째, 사용자로부터 입력받은 물류비용 데이터를 GIS 지도 정보와 결합함으로써 허브앤스포크 물류망의 허브 입지 계획 과정에서 물류비용 절감효과가 우수하다고 판단되는 노드를 우선적으로 탐색하게 하여 계획 수립시간 단축 및 탐색비용을 절감시키고 기존에 휴리스틱 탐색에만 의존한 결과의 신뢰성도 향상시켜 주는 산업상의 이점이 있다.
둘째, 사용자 입력 인터페이스를 통해 앞서 얻은 결과를 기반으로 허브 입지 네트워크 구성을 순환적으로 개선하고 이를 검증하는 절차를 통해서 최적화된 물류 창고 입지 계획을 수립할 수 있는 산업상의 이점이 있다.

Claims (11)

  1. 네트워크 좌표 데이터를 기초로 노드들의 군집분포성향을 파악하고 노드군집화결과에 대응되는 근사적 군집 네트워크를 생성하는 단계;
    각 군집에 대해 허브 건설의 타당성을 파악하도록 근사적 물류비용 비교를 통해 비용 절감 효과가 큰 군집을 예측하는 단계; 및
    상기 예측된 허브 토폴로지를 기초로 최적 허브 입지를 휴리스틱 탐색하는 단계를 포함하여 구성되는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
  2. 제 1 항에 있어서,
    상기 근사적 군집 네트워크를 생성하는 단계 전에 사용자 입력 인터페이스를 통해 노드간 물동량 및 물류비용에 대한 정보 및 GIS지도 정보를 입력받는 단계를 더 포함하여 구성되는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
  3. 제 1 항에 있어서,
    상기 휴리스틱 탐색하는 단계 후에 결과를 저장 출력하는 단계를 더 포함하여 구성되는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
  4. 제 1 항에 있어서,
    상기 근사적 군집 네트워크를 생성하는 단계는 알고리즘을 포함하는 데이터 마이닝 엔진과 연계하는 단계를 더 포함하여 구성되는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
  5. 제 1 항에 있어서,
    상기 휴리스틱 탐색하는 단계는 허브 네트워크 비용 산출 모형을 적용하는 단계를 더 포함하여 구성되는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
  6. 제 1 항에 있어서,
    상기 근사적 군집 네트워크를 생성하는 단계는,
    노드들을 분류할 때 클러스터링을 이용하여 잠정적으로 예상하는 허브 건설개수에 해당하는 노드군집으로 분화하는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
  7. 제 6 항에 있어서,
    상기 근사적 군집 네트워크를 생성하는 단계는,
    클러스터링을 이용하여 각 노드가 허브 건설 개수에 해당하는 노드군집에 소속될 확률을 파악하는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
  8. 제 1 항에 있어서,
    상기 휴리스틱 탐색하는 단계는,
    타부 탐색 엔진을 이용하여 탐색하는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
  9. 제 1 항에 있어서,
    상기 비용 절감 효과가 큰 군집을 예측하는 단계는,
    각 군집에 속하는 노드들의 물동량 및 좌표를 고려한 무게중심을 계산하여 각 군집을 대표하는 위치좌표를 구하고, 노드간 물동량은 군집 내부 수송에 의한 내부 수송량과 클러스터 사이의 수송에 의한 외부 수송량으로 구분하여 집산하는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
  10. 제 9 항에 있어서,
    상기 비용 절감 효과가 큰 군집을 예측하는 단계는,
    물류 시스템 분석을 고려한 단일 할당 허브 네트워크 설계 모형을 이용하여 탐색하는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
  11. 제 9 항에 있어서,
    상기 비용 절감 효과가 큰 군집을 예측하는 단계는,
    각 군집별로 허브 건설을 하지 않는 경우의 물류비용과 허브를 건설하는 경우의 물류비용의 차이를 산출하여 값의 차이가 큰 후보를 탐욕적으로 제외하는 기법(Greedy Drop Strategy)을 사용하는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
PCT/KR2009/000516 2008-02-04 2009-02-03 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법 WO2009099283A2 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20080011357 2008-02-04
KR10-2008-0011357 2008-02-04

Publications (2)

Publication Number Publication Date
WO2009099283A2 true WO2009099283A2 (ko) 2009-08-13
WO2009099283A3 WO2009099283A3 (ko) 2009-10-15

Family

ID=40952554

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2009/000516 WO2009099283A2 (ko) 2008-02-04 2009-02-03 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법

Country Status (2)

Country Link
KR (1) KR100982622B1 (ko)
WO (1) WO2009099283A2 (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069522A (zh) * 2015-07-24 2015-11-18 重庆大学 风景名胜区游赏线路评价及改进方法
CN110390413A (zh) * 2018-04-17 2019-10-29 菜鸟智能物流控股有限公司 组合优化问题的处理方法和装置
CN111199301A (zh) * 2018-11-16 2020-05-26 顺丰科技有限公司 一种集散中心的选取方法、装置、设备及存储介质
CN111383052A (zh) * 2020-03-04 2020-07-07 深圳市丰巢科技有限公司 一种智能柜选址模型建模方法、装置、服务器及存储介质
CN111383051A (zh) * 2020-03-02 2020-07-07 杭州比智科技有限公司 实体对象的选址方法、装置、计算设备及计算机存储介质
CN111553636A (zh) * 2020-04-28 2020-08-18 成都米风感知科技有限公司 一种基于ucl物流追踪溯源方法、装置、系统及存储介质
CN111598359A (zh) * 2020-06-04 2020-08-28 上海燕汐软件信息科技有限公司 物流场站选址方法及系统
CN113343400A (zh) * 2021-06-23 2021-09-03 北京航空航天大学 一种城市群综合客运枢纽协同布局优化方法及系统
CN115358686A (zh) * 2022-10-24 2022-11-18 深圳联友科技有限公司 整车物流网络的优化方法、装置及存储介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105788341A (zh) * 2016-01-04 2016-07-20 北京百度网讯科技有限公司 车辆站点位置确定方法和装置
KR102227041B1 (ko) * 2019-01-31 2021-03-11 홍익대학교 산학협력단 허브터미널 후보지역 선정방법
KR102485226B1 (ko) 2021-01-29 2023-01-04 연세대학교 산학협력단 홀짝성 제약이 있는 설비 위치의 선정 방법
KR102607906B1 (ko) * 2021-04-02 2023-11-29 연세대학교 산학협력단 시간 제약을 받는 수요에 대한 단일 설비 위치의 최적 선정 방법
CN114742593A (zh) * 2022-04-22 2022-07-12 北京信息科技大学 一种物流仓储中心优化选址方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11508116A (ja) * 1996-04-12 1999-07-13 ワム！ネット インコーポレーテッド 地理的に離れた複数の送り手サイトと受け手サイト間のデータ伝送方法
JP2006182505A (ja) * 2004-12-27 2006-07-13 Mitsubishi Heavy Ind Ltd 広域貨物輸送システム及び物流ハブ

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7363126B1 (en) * 2002-08-22 2008-04-22 United Parcel Service Of America Core area territory planning for optimizing driver familiarity and route flexibility
KR100470919B1 (ko) * 2002-12-21 2005-03-10 한국전자통신연구원 허브앤스포크 물류망의 간선 운송 계획 시스템과 그 계획생성 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11508116A (ja) * 1996-04-12 1999-07-13 ワム！ネット インコーポレーテッド 地理的に離れた複数の送り手サイトと受け手サイト間のデータ伝送方法
JP2006182505A (ja) * 2004-12-27 2006-07-13 Mitsubishi Heavy Ind Ltd 広域貨物輸送システム及び物流ハブ

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069522A (zh) * 2015-07-24 2015-11-18 重庆大学 风景名胜区游赏线路评价及改进方法
CN110390413A (zh) * 2018-04-17 2019-10-29 菜鸟智能物流控股有限公司 组合优化问题的处理方法和装置
CN110390413B (zh) * 2018-04-17 2024-04-16 菜鸟智能物流控股有限公司 组合优化问题的处理方法和装置
CN111199301A (zh) * 2018-11-16 2020-05-26 顺丰科技有限公司 一种集散中心的选取方法、装置、设备及存储介质
CN111199301B (zh) * 2018-11-16 2024-02-27 顺丰科技有限公司 一种集散中心的选取方法、装置、设备及存储介质
CN111383051A (zh) * 2020-03-02 2020-07-07 杭州比智科技有限公司 实体对象的选址方法、装置、计算设备及计算机存储介质
CN111383052A (zh) * 2020-03-04 2020-07-07 深圳市丰巢科技有限公司 一种智能柜选址模型建模方法、装置、服务器及存储介质
CN111553636A (zh) * 2020-04-28 2020-08-18 成都米风感知科技有限公司 一种基于ucl物流追踪溯源方法、装置、系统及存储介质
CN111598359A (zh) * 2020-06-04 2020-08-28 上海燕汐软件信息科技有限公司 物流场站选址方法及系统
CN111598359B (zh) * 2020-06-04 2023-11-21 上海燕汐软件信息科技有限公司 物流场站选址方法及系统
CN113343400A (zh) * 2021-06-23 2021-09-03 北京航空航天大学 一种城市群综合客运枢纽协同布局优化方法及系统
CN115358686A (zh) * 2022-10-24 2022-11-18 深圳联友科技有限公司 整车物流网络的优化方法、装置及存储介质

Also Published As

Publication number Publication date
KR20090085498A (ko) 2009-08-07
WO2009099283A3 (ko) 2009-10-15
KR100982622B1 (ko) 2010-09-15

Similar Documents

Publication Publication Date Title
WO2009099283A2 (ko) 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법
Yuan et al. Where to find my next passenger
Yuan et al. T-finder: A recommender system for finding passengers and vacant taxis
CN104995870B (zh) 多目标服务器布局确定方法和装置
Zeng et al. Latency-oriented task completion via spatial crowdsourcing
Xu et al. Finding the K shortest paths in a schedule-based transit network
Liu et al. Bus pooling: A large-scale bus ridesharing service
CN109949068A (zh) 一种基于预测结果的实时拼车方法和装置
Lin et al. Content recommendation algorithm for intelligent navigator in fog computing based IoT environment
WO2015170820A1 (ko) 지능형 열차 스케줄링 방법
WO2018128244A1 (ko) 국내외 이벤트의 사전/개최/사후 수송 최적화 스케줄링 방법 및 시스템
Moharm et al. Big data in ITS: Concept, case studies, opportunities, and challenges
Hong et al. Assigning passenger flows on a metro network based on automatic fare collection data and timetable
CN114580751B (zh) 空港到港旅客疏散时间预测方法、系统、存储介质及终端
Xu et al. Highly efficient and scalable multi-hop ride-sharing
Ma et al. Public transportation big data mining and analysis
CN109087219B (zh) 一种旅游云计算系统及方法、终端
Li et al. Estimating crowd flow and crowd density from cellular data for mass rapid transit
CN114648223A (zh) 一种基于物联网的智慧城市能耗数据挖掘系统及方法
Wang et al. Taxi-cruising recommendation via real-time information and historical trajectory data
CN117539619A (zh) 基于云边融合的算力调度方法、系统、设备和存储介质
WO2022092690A1 (ko) 시공간 특성에 따른 긱 서비스 예측 시스템 및 그 방법
WO2016117738A1 (ko) 실내외 연속 지오코딩 장치 및 그 방법
Zhou et al. Machine Learning Approach to Quantity Management for Long‐Term Sustainable Development of Dockless Public Bike: Case of Shenzhen in China
Pan et al. Sccs: Smart cloud commuting system with shared autonomous vehicles

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 09709030

Country of ref document: EP

Kind code of ref document: A2

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 09709030

Country of ref document: EP

Kind code of ref document: A2