[논문]전자입찰에서 딥러닝을 이용한 입찰 가격예측

황대현; 배영철

doi:10.13067/jkiecs.2020.15.1.147

초록
AI-Helper

입찰프로그램은 민/관으로부터 고지되는 입찰 정보의 수집과 누적된 입찰결과의 통계적 분석방법을 사용하고 있지만 복수예가 추첨을 통한 낙찰방식으로 정확한 낙찰가를 예측하는 것은 쉽지 않다. 따라서 본 논문은 MLP, RNN 등의 방법을 이용하여 전자입찰 사이트인 전기넷에서 취득한 2015년 1월부터 2019년 8월까지 전기공사 낙찰현황 데이터의 정확도 등을 분석하고, 이를 통해 낙찰 하한가에 가장 근접하고 1순위 금액 사이의 금액을 예측하여 낙찰에 필요한 입찰금액을 예측하기 위한 기법을 제안한다.

Abstract ▼ AI-Helper

The bidding program uses statistical analysis method of the collected bidding information and the accumulated bidding results from the public/private sector; however, it is not easy to predict the accurate bidding price by winning the bid method through multiple lottery. Therefore, this paper analyz...

The bidding program uses statistical analysis method of the collected bidding information and the accumulated bidding results from the public/private sector; however, it is not easy to predict the accurate bidding price by winning the bid method through multiple lottery. Therefore, this paper analyzes the accuracy of the current state data of the electric construction bid from January 2015 to August 2019 acquired from the electric net, which is an electronic bidding site, We use MLP and RNN method, and proposes a technique to predict the bidding amount necessary for the winning bid by predicting the amount between the first and the lowest bidder.

주제어

표/그림 (11)

그림 그림 1. 다층퍼셉트론(MLP)의 구조 Fig. 1 Structure of multi layer perceptron
그림 그림 2. 재귀 신경망(RNN)의 구조 Fig. 2 Basic structure of recurrent neural network
표 표 1. 취득한 데이터 변수 Table 1. Acquisition data variable
표 표 2. 분석용 데이터 전처리 Table 2. Data preprocessing for analysis
그림 그림 3. MLP에서 예측값과 관측값 그래프 Fig. 3 Predicted value and Observation value graph in MLP (dot-line : Predicted value, line : Observation value)
그림 그림 4. MLP에서 예측값과 관측값 조합 그래프 Fig. 4 Predicted value and Observation value combined graph in MLP (dot-line : Predicted value, line : Observation value)
그림 그림 5. RNN에서 예측값과 관측값 그래프 Fig. 5 Predicted value and Observation value graph in RNN (line : Predicted value, dot-line : Observation value)
그림 그림 6. RNN에서 예측값과 관측값 조합 그래프 Fig. 6 Predicted value and Observation value combined graph in RNN (line : Predicted value, dot-line : Observation value)
그림 그림 7. MLP에서 예측값과 실제값 그래프 Fig. 7 Predicted value graph in MLP (line : Predicted value, dot-line : Actual value)
그림 그림 8. MLP에서 예측값과 관측값 조합 그래프 Fig. 8 Predicted value and Actual value combined graph in MLP (line : Predicted value, dot-line : Actual value)
표 표 3. MLP와 RNN의 회귀모델 평가 Table 3. Regression model evaluation of MLP and RNN

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 논문은 발주처로부터 주어지는 낙찰현황 데이터를 이용하여 딥러닝 기법인 다층퍼셉트론(MLP: Multi Layer Perceptron), 재귀 신경망(RNN :Recurrent Neural Networks) 알고리즘을 사용해 데이터를 수치적 방법으로 분석하여 입찰가격을 예측하는 모델을 모색하고 낙찰 하한가에 근접하고 1순위 낙찰금액보다 낮은 금액 예측을 통하여 낙찰에 필요한 입찰(투찰)금액을 예측하는 기법을 제안한다.

제안 방법

MLP 알고리즘을 이용한 예측과 RNN 알고리즘을이용한 예측을 진행하였고 그 결과를 그래프로 나타내었다.
본 논문에서는 입력특성 4개, 출력특성 1개의87319건의 수치 데이터를 훈련 및 테스트 데이터를70% : 30%로 나누어 MLP와 RNN 예측기법으로 분석하고 입찰가격을 예측하였다. MLP와 RNN의 MSE,RMSE, MAE, MAPE의 값은 표 3과 같이 나왔다.
본 입찰 프로그램은 기존 전자입찰⁴⁾⁵⁾의 낙찰 데이터를 분석하기 위해 전자입찰업체인 전기넷 사이트⁶⁾에서 2015년 1월부터 2019년 8월까지의 전기공사 낙찰현황 데이터 중 데이터가 빠진 부분을 삭제하고 총87,319건의 데이터를 4개의 입력 특성(기초금액, 추정가격, 예가 범위, 낙찰하한율), 1개의 출력특성(낙찰금액)으로 사용하고, 훈련 세트 70% 테스트 세트 30%로 나누어 분석하였고 딥러닝 알고리즘인 MLP, RNN알고리즘을 이용하여 분석 예측하여 최적의 낙찰가를 추정한다.
기존의 여러 전자입찰업체에서 사용하고 있는 방법으로 민/관으로부터 고지되는 입찰 정보의 수집과 누적된 입찰 결과의 구간을 통계적으로 이용한 예측방법으로 고빈도 낙찰구간 선정법, 경쟁률 낮은 구간 선정법, 두 가지를 복합한 선정방법¹⁾, 전문가에 의해 예측된 입찰금액 분포도 이용방법[2], 예정가격 사정률의 구간확률을 이용한 방법[3] 등이 있다. 이는 입찰결과로부터 낙찰금액의 분포도, 빈도수 등 복수의 통계 분석 방법을 적용해 입찰금액을 예측한다. 하지만 발주처에서 사용되는 낙찰가 추첨방식²⁾(난수 체계)에 대한 정보가 부족하다.
표 2의 특성 데이터를 Standardization(표준정규분포 표준화)으로 표준화하였다. 표준분포 표준화란 데이터 값에서 평균을 빼고 표준편차로 나눈 것으로 평균이 0, 표준편차가 1인 정규분포를 말한다.

대상 데이터

이를 통해MLP의 정확도가 더 높은 것을 확인할 수 있다. 정확도가 더 높게 나타난 MLP 알고리즘을 이용하여 2019년 9월 데이터를 1,660건을 실제 데이터로 하여 예측하였다. 그림 7은 MLP에서 예측값과 실제값을 나타낸 그래프이다.

성능/효과

데이터의 오차값이 적을수록 정확도가 높아진다. MLP와 RNN의 그래프 및 평가내용을 보면 MLP에서MSE, RMSE 오차가 더 적게 나왔고, RNN에서 MAE, MAPE 오차가 더 적게 나왔다. RMSE를 기준으로 봤을 때 MLP의 정확도가 더 높음을 알 수 있었고, MLP 알고리즘으로 2019년 9월 낙찰자료 1,660건의 데이터를 실제 데이터로 하여 훈련시키고 예측한 결과는 그림 8과 같이 나왔다.
MLP와 RNN의 그래프 및 평가내용을 보면 MLP에서MSE, RMSE 오차가 더 적게 나왔고, RNN에서 MAE, MAPE 오차가 더 적게 나왔다. RMSE를 기준으로 봤을 때 MLP의 정확도가 더 높음을 알 수 있었고, MLP 알고리즘으로 2019년 9월 낙찰자료 1,660건의 데이터를 실제 데이터로 하여 훈련시키고 예측한 결과는 그림 8과 같이 나왔다. 예측값과 실제값이 일치하지는 않지만 유사한 형태의 그래프로 나타남을 확인했다.
표 3과 같이 MSE, RMSE, MAE, MAPE가 나왔으며 이 중 RMSE 값이 적을수록 정확도가 높다. RNN보다 MLP에서 RMSE가 더 작게 나왔다.

후속연구

낙찰 확률을 높이기 위해서 오차를 더욱 줄여야 하며, 오차를 줄이기 방법으로 역전파 알고리즘 등을 추가로 구성하고, 입찰공고문에서 제공하는 변수만을 이용하여 예측하였으나 공고문에 나오지 않아도 입찰과 관련된 변수를 좀 더 추가한 연구 및 minmax 정규화를 이용한 방법과의 비교 등을 통한 추가적인 연구의 필요성을 느꼈다.

질의응답

핵심어	질문	논문에서 추출한 답변
	MLP란?	MLP3)[4-6]는 퍼셉트론으로 이루어진 층(layer) 여러 개를 순차적으로 붙여놓은 형태로 정방향((feed forward) 인공신경망이라고도 불린다.
	기존의 여러 전자입찰업체에서 사용하고 있는 방법으로는 어떤 통계적 방법들이 있나요?	현재 우리나라에서는 입찰방법 간소화 및 입찰부정을 방지하기 위해 나라장터(G2B 시스템)라는 전자입찰시스템을 도입하여 입찰을 전자적으로 처리하여 낙찰자를 선정하는 제도 즉 전자입찰이 이루어지고 있으며 가장 많이 사용되는 전자입찰 방식은 복수 예가 추첨[1]을 통한 낙찰방식이 사용되고 있다. 기존의 여러 전자입찰업체에서 사용하고 있는 방법으로 민/관으로부터 고지되는 입찰 정보의 수집과 누적된 입찰 결과의 구간을 통계적으로 이용한 예측방법으로 고빈도 낙찰구간 선정법, 경쟁률 낮은 구간 선정법, 두 가지를 복합한 선정방법1), 전문가에 의해 예측된 입찰금액 분포도 이용방법[2], 예정가격 사정률의 구간확률을 이용한 방법[3] 등이 있다. 이는 입찰결과로부터 낙찰금액의 분포도, 빈도수 등 복수의 통계 분석 방법을 적용해 입찰금액을 예측한다.
	RNN은 어떤 층으로 구성되는가?	재귀 신경망은 기본적으로 은닉층 한 개와 출력층으로 구성된다. RNN 구조에서 일어나는 계산식은 식(2), 식(3), 식(4)과 같다.

참고문헌 (10)

M. Kang, "The effect of multiple reserve price generation range and section setting method on estimated price in bidding and successful bidding system," Master's Thesis, Korea University Graduate School of Management and Information, 2014, pp. 11-15.
S. Kang, "Analysis Method for Tender Us ing Probability Distribution of Bid Price," Korea Patent, no. 1009441170000, Feb. 18, 2010.
W. Park, "Bid consulting system for using distribution chart of expert's successful bid prediction and method thereof," Korea Patent, no. 1014482900000, Sept. 30, 2014.
J. Yoon, "Effectiveness Analysis of Credit Card Default Risk with Deep Learning Neural Network," Journal of Money & Finance, vol. 33, Mar. 2019, pp. 161-162.
J. Choi, "Voiced-Unvoiced-Silence Detection Algorithm using Perceptron Neural Network," J. of the Korea Institute of Electronic Communication Sciences, vol. 6, no. 2, 2011, pp. 238.
J. Choi, "Performance Comparison of Machine Learning in the Prediction for Amount of Power Market," J. of the Korea Institute of Electronic Communication Sciences, vol. 14, no. 5, Oct. 2019, pp. 944.
G. Lee, Artificial Intelligence: From Turing Test to Deep Learning. Paju: Life and Power press, 2018, pp. 317-320.
J. Park, "Study on the Prediction of High and Low Rate of Financial Time Series Using RNN," Master`s Thesis, Sookmyung Women's University, Feb. 2019, pp. 9-10.
Y. Lee and P. Moon, "A Comparison andAnalysis of Deep Learning Framework," J. of the Korea Institute of Electronic Communication Sciences, vol. 12, no. 1, Feb. 2017, pp. 117.
S. Chung and Y. Chung, "Sound Event Detection based on Deep Neural Networks," J. of the Korea Institute of Electronic Communication Sciences, vol. 14, no. 2, Apr. 2019, pp. 391-394.

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

전자입찰에서 딥러닝을 이용한 입찰 가격예측
The Prediction of Bidding Price using Deep Learning in the Electronic Bidding 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (11)

표/그림 (11)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

전자입찰에서 딥러닝을 이용한 입찰 가격예측 The Prediction of Bidding Price using Deep Learning in the Electronic Bidding 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (11) 모든 표/그림 보기

표/그림 (11) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

배영철 (107)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

전자입찰에서 딥러닝을 이용한 입찰 가격예측
The Prediction of Bidding Price using Deep Learning in the Electronic Bidding 원문보기

초록
AI-Helper

표/그림 (11)

표/그림 (11)

AI 본문요약
AI-Helper