[논문]공동물류 환경의 혼합추천시스템 기반 차주-화주 중개서비스 구현

장상영; 최명진; 양재경

doi:10.11627/jkise.2016.39.4.060

공동물류 환경의 혼합추천시스템 기반 차주-화주 중개서비스 구현
Hybrid Recommendation Based Brokerage Agent Service System under the Compound Logistics 원문보기

Journal of Korean Society of Industrial and Systems Engineering = 한국산업경영시스템학회지, v.39 no.4, 2016년, pp.60 - 66

장상영 (전북대학교 산업정보시스템공학과) , 최명진 (호원대학교 국방기술학부) , 양재경 (전북대학교 산업정보시스템공학과)

Abstract ▼ AI-Helper

Compound logistics is a service aimed to enhance logistics efficiency by supporting that shippers and consigners jointly use logistics facilities. Many of these services have taken place both domestically and internationally, but the joint logistics services for e-commerce have not been spread yet, since the number of the parcels that the consigners transact business is usually small. As one of meaningful ways to improve utilization of compound logistics, we propose a brokerage service for shipper and consigners based on the hybrid recommendation system using very well-known classification and clustering methods. The existing recommendation system has drawn a relatively low satisfaction as it brought about one-to-one matches between consignors and logistics vendors in that such matching constrains choice range of the users to one-to-one matching each other. However, the implemented hybrid recommendation system based brokerage agent service system can provide multiple choice options to mutual users with descending ranks, which is a result of the recommendation considering transaction preferences of the users. In addition, we applied feature selection methods in order to avoid inducing a meaningless large size recommendation model and reduce a simple model. Finally, we implemented the hybrid recommendation system based brokerage agent service system that shippers and consigners can join, which is the system having capability previously described functions such as feature selection and recommendation. As a result, it turns out that the proposed hybrid recommendation based brokerage service system showed the enhanced efficiency with respect to logistics management, compared to the existing one by reporting two round simulation results.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 기존 연구에 대한 고찰과 특성을 설명하고 새로운 중개서비스인 데이터마이닝 기반의 혼합추천시스템 모델을 구현한다. 과거의 이력 데이터를 바탕으로 화주나 물류 업자의 특성을 크게 납기 민감, 비용 민감, 안전성 민감 등으로 분류하고 클러스터링을 통해 업체의 특징별로 군집화한다.
하지만 단 하나만의 업자를 선정함으로써 서로가 그 대안에 만족하지 않을 경우 그 다음 대안을 제시하는데 어려움을 근본적으로 가지고 있다고 할 수 있다. 이런 단점을 데이터 마이닝을 활용한 클러스터링 분석방법과 분류기법(Classification)을 혼용하여 극복하고자 한다. 데이터 마이닝이란 컴퓨터 기반 정보시스템의 대용량 데이터의 저장소에서 데이터를 읽어 들이고, 정보를 생산하여 지식을 얻어내는 기법이다.

가설 설정

비용 같은 경우 통상 계약건수에 따른 계약금액이 다르지만 도서 산간지방을 제외한 보통의 계약금액은 2,500원을 기준으로 한다. 그렇지만 무게나 거리에금액이 차등 산출되기 때문에 금액은 상이하게 달라질 수 있다는 가정을 고려하다. 화물종류는 실제 거래에서는 다양한 화물을 취급하지만 본 실험에서는 알고리즘의 용이성을 위해 5가지의 화물만 고려하여 진행하였다.
초기 가상데이터는 500개의 인스턴스를 구성했다. 모든 화주와 차주는 모든 화물을 취급하는 것으로 설정하였다. 제 3.

제안 방법

본 논문에서는 기존 연구에 대한 고찰과 특성을 설명하고 새로운 중개서비스인 데이터마이닝 기반의 혼합추천시스템 모델을 구현한다. 과거의 이력 데이터를 바탕으로 화주나 물류 업자의 특성을 크게 납기 민감, 비용 민감, 안전성 민감 등으로 분류하고 클러스터링을 통해 업체의 특징별로 군집화한다. 납기나 비용 등 여러 조건을 통과한 업체들을 대상으로 하여 이런 기법의 결과들을 바탕으로 서로 성향을 검증하여 업체들을 서로 추천한다.
과거의 이력 데이터를 바탕으로 화주나 물류 업자의 특성을 크게 납기 민감, 비용 민감, 안전성 민감 등으로 분류하고 클러스터링을 통해 업체의 특징별로 군집화한다. 납기나 비용 등 여러 조건을 통과한 업체들을 대상으로 하여 이런 기법의 결과들을 바탕으로 서로 성향을 검증하여 업체들을 서로 추천한다.
납기나 비용 등 여러 조건을 통과한 업체들을 대상으로 하여 이런 두 기법의 결과들을 바탕으로 서로 성향을 검증하여 이들 업체들을 서로 추천한다. 이 때 한 업체만 추천하는 것이 아니고 클러스터링 군집 내의 다른 업체들도 군집의 중앙점과의 거리를 비교하여 다수 추천한다.
데이터셋을 기반으로 모의 데이터를 수집한 후 Weka를 사용해 분석하였다.
문헌 연구조사를 종합하면 물류중개 서비스의 프로세스 분야는 문제 해결 방법은 다양하더라도 화주와 차주를 한 순간에 하나의 업체만을 매칭해주고 만족하지 않으면 차 순위 업체를 매칭하는 방법을 사용하고 있어서 양측이 만족스런 결과를 얻기 힘들다는 부분에 문제가 있다. 본 연구에서는 앞의 매칭과는 다른 방식을 추구하는 Datamining 기반의 추천시스템을 다루고 있다. 또한 추천시스템 부분을 보더라도 주로 협업 필터링 또는 내용 기반 필터링 기법이 많이 쓰이고 있는데 클러스터링과 분류(Classification Rules) 기반의 새로운 추천시스템은 기존의 연구와는 차별성을 가짐을 보여주고 있다.
2절의 실험결과를 바탕으로 이 데이터셋에 적합한 의사결정나무 알고리즘 C5를 사용하여 분류를 하였다. 분류 후 클러스터링 알고리즘 Kmeans를 이용하여 클러스터화 시켰다. 클러스터그룹은 클래스 변수가 3개이므로 클러스터 그룹은 3개의 그룹으로 나뉘어지게 되었다.
노재우 외[8]는 사용자가 인터넷 혹은 무선 이동 장치를 이용하여 화물정보를 선택하는 행동을 모니터링 하여 서비스 사용자가 History DB에 저장하고 저장된 데이터 중 에이전트에서 선별된 속성(feature 또는 attribute)들을 바탕으로 귀납적 기계학습을 수행하여 화물 운송 정보사용자 프로파일을 구축한다. 이런 방식으로 반복적으로 구축된 프로파일을 기반으로 Feature-driven 기계 학습시스템의 규칙을 생성해 내어 에이전트의 정확도를 증진시킨다는 개념의 중개 에이전트 시스템을 개발하였다. 윤경현 외[12]는 화주와 운송업체의 요구사항을 만족하면서도 빠른 시간 내에 거래 상대를 찾기 위하여 휴리스틱 방법을 이용하여 중개 한다.
클러스터링은 비슷한 유형의 인스턴스들을 군집화하여 군집들 간의 유사성이나 거리를 이용하여 비슷한 특성을 지닌 몇 개 군집으로 집단화하여 어떤 개체나 대상들이 가지고 있는 다양한 특성에 기초하여 동질성을 지닌 군집으로 집단화 하는 방법이다[9]. 이런 특징을 이용해 분류기법을 통해 화주나 물류업자의 특성을 납기 민감, 비용 민감, 안전성 민감 등으로 가정하여 분류하고 클러스터링을 통해 업체의 특징별로 군집화한다.
이를 통하여 업체들의 순가 정해지고 데이터의 객관성을 위하여 업체의 수에 맞게 16명을 섭외하여 모의 매칭을 시행해보았다. 화주와 차주업체는 각각 16개 업체가 있었고, 화주를 16명이 각 10건의 매칭을 신청을 하면 차주에 입장에서 매칭을 수락하고 거부를 하는 모의 매칭을 하였다.
모든 화주와 차주는 모든 화물을 취급하는 것으로 설정하였다. 제 3.2절의 실험결과를 바탕으로 이 데이터셋에 적합한 의사결정나무 알고리즘 C5를 사용하여 분류를 하였다. 분류 후 클러스터링 알고리즘 Kmeans를 이용하여 클러스터화 시켰다.
혼합 추천시스템은 초기에 가상데이터를 만들어 실험을 해보았다. 실물 데이터를 구성할 수 있으면 최적이지만 이를 구하기는 불가능하다.
그렇지만 무게나 거리에금액이 차등 산출되기 때문에 금액은 상이하게 달라질 수 있다는 가정을 고려하다. 화물종류는 실제 거래에서는 다양한 화물을 취급하지만 본 실험에서는 알고리즘의 용이성을 위해 5가지의 화물만 고려하여 진행하였다. 학습 알고리즘을 적용하기 전에 전처리 과정으로서 학습모델을 단순하게 만들고 해석의 용이성을 높이기 위해데이터셋에서 화주명과 차주명은 제거하였다.
화주추천 순위를 차주추천 순위로 나누어 추천성과를 계산하였다. 1회차 모의 매칭을 통한 추천성과와 2회차 모의 매칭을 한 성과에서 비교를 하면은 비용과 안전성에 민감한 화주와 차주가 성과율이 상승한 것을 볼 수가 있고 납기기한에 민감한 화주와 차주의 성과율은 하락한 것을 볼 수가 있다.

대상 데이터

이를 위해서는 납기, 비용, 안성 등 클래스 속성을 포함하는 데이터셋을 구성할 필요가 있다. 따라서 그 데이터셋을 화주를 기준으로 화주가 차주를 상대로 거래 한 실적을 가상데이터로 구성하였다. 그 데이터셋의 구성은 다음과 같다.
실물 데이터를 구성할 수 있으면 최적이지만 이를 구하기는 불가능하다. 초기 가상데이터는 500개의 인스턴스를 구성했다. 모든 화주와 차주는 모든 화물을 취급하는 것으로 설정하였다.

데이터처리

우선 분류기법의 대표적인 기법인 의사결정나무(Decision Tree)를 바탕으로 하는 C5, 통계기법을 활용한 Naïve Bayes, 인스턴스 기반 분류기법인 IBk(k = 3)를 비교하였다.

이론/모형

속성선택(Feature selection) 알고리즘 중 상관관계 기반의 CfsSubsetEval과 분류방법 알고리즘 C5를 이용한 ClassifierSubsetEval 적용하여 최종으로 안정성, 납기기한, 운임단가, 취급화물 종류, 선택이유(Class 변수)만이 선택되었다.

성능/효과

[Table 3]은 세 가지 분류기법의 정확도를 비교한 결과이다. 결과를 보면 의사결정나무 기반의 C5의 정확성은 90.4%, 통계적 기반의 Naive Bayes는 87.4%, 인스턴스 기반의 IB3은 83.0%가 나왔다. 이 결과에 따라서 데이터셋에 가장 적합한 분류기법은 의사결정나무를 바탕으로 하는 C5가 우수한 정확성을 보여 이 알고리즘을 사용하는 것이 가장 적절한 것으로 보여진다.
본 연구의 혼합추천시스템은 데이터 마이닝을 기반으로 하는 공동물류환경 조성에 효율적으로 나타났다. 서론에서 언급하였듯이 공동물류 환경에서 중요한 부분인 화주와 배송업체를 연결하여 중개기술의 추천 성과율이높게 나왔다는 것은 클러스터링과 분류기반의 새로운 추천시스템이 기존의 연구와는 차별성을 가짐을 보여주고 있다고 할 수 있다.
0%가 나왔다. 이 결과에 따라서 데이터셋에 가장 적합한 분류기법은 의사결정나무를 바탕으로 하는 C5가 우수한 정확성을 보여 이 알고리즘을 사용하는 것이 가장 적절한 것으로 보여진다.

후속연구

분류와 클러스터링화는 물류사업의 다각화의 일부분으로 구성이 될 수 있다. 기존의 방법으로 진행하였던 물류방식의 기법의 차별화와 물류 발전의 활성화를 위한 설계 및 운영 기술의 한 축이 될 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	전자상거래의 장단점은 무엇인가?	대부분의 중소 업체들의 경우 보관 시설의 취약, 재고 관리의 어려움, 고객 대응 취약 등의 어려움이 존재한다. 전자상거래는 제품의 판매 및 구입을 장소 및 시간에 구애를 받지 않고 할 수 있다는 장점을 갖고 있는 반면 낮은 진입 장벽으로 인하여 경쟁이 심하다. 특히 인터넷 쇼핑에서는 가격 및 배송의 신속 정확성이 중요한 경쟁력이며 주문에 대한 빠른 배송은 핵심 경쟁력이 되고 있다.
	비용과 안전성에 민감한 화주와 차주의 성과율 상승, 납기기한에 민감한 화주와 차주의 성과율 하락의 원인은 무엇인가?	1회차 모의 매칭을 통한 추천성과와 2회차 모의 매칭을 한 성과에서 비교를 하면은 비용과 안전성에 민감한 화주와 차주가 성과율이 상승한 것을 볼 수가 있고 납기기한에 민감한 화주와 차주의 성과율은 하락한 것을 볼 수가 있다. 이는 화주가 매칭을 신청하여도 차주가 화주의 매칭 신청을 보고 수락 또는 거부를 하는 경우에는 다음 순위 업체와 매칭이 되는 경우가 있기 때문에 하락한 것으로 보여진다. 하지만 평균적으로 추천 성과율은 상승한 것을 볼 수가 있다.
	공동물류란 무엇인가?	공동물류는 동종 혹은 이종의 기업들이 물류 시설을 공동으로 설치하고 이용하거나 관리하여 기업이 개별적으로 물류시설을 설치하거나 운영할 때 보다 적은 비용으로 물류활동을 수행하고자 하는 물류합리화의 방법이다[5].

참고문헌 (12)

Breese, J., Heckerman, D., and Kadie, C., Empirical Analysis of Predictive Algorithms for collaborative filtering, Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence.
Guttman, R., Maes, P., and Moukas, A., Agent-mediated electronic commerce : a survey, Knowledge Engineering Review, 1998, Vol. 13, No. 2, pp. 143-152.

상세보기
Jeong, K.-C., Multi-Criteria Decision Making Based Logistics Brokerage Agents, IE Interfaces, 2003, Vol. 16, No. 4, pp. 473-484.
Karypis, G., Evaluation of item-based top-N recommendation algorithms, Technical Report #00-046, Dep of Computer Science, University of Minnesota, 2000.
Kim, D.K. and Oh, S.I., The Domestic Physical Distribution Progress Plan Through Physical Distribution Cooperation, Korea Safety Management & Science fall conference, 2006, KOSAF, pp. 531-536.
Kim, K.H., Chung, W.J., Hwang, H., and Ko, C.S., A distributed dispatching method for the brokerage of truckload freights, International Journal of Production Economics, 2005, Vol. 98, No. 2, pp. 150-161.

상세보기
KISDI, Logistics market review and prospect www.kostat.go.kr, 2013.
No Jae-Woo et al., Intelligent Freight Brokerage Agent, National IT Industry Promotion Agency, 2002.
Park, M.-H., The Analysis of Knowledge Structure using Co-word Method in Quality Management Field, JKSQM, 2016, Vol. 44, No. 2, pp. 389-408.
Statistics Korea, 2013 annual and fourth quarter of e-commerce and cyber shopping trends Press, www.kostat.go.kr.
Yang, J.-K. and Yu, W.-Y., Feature Selection Applied to Recommender Systems for Reverse Logistics Internet Auction, Journal of society of Korea industrial and systems engineering, 2006, Vol. 29, No. 1, pp. 76-86.
Yoon, K.-H., Kim, J.-S., and Seo, S.-K., Design of Brokering Agent for Logistics Information System, Korea Information Processing Society fall conference, 2003, pp. 1691-1694.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증