WO2016047949A1 - Method and apparatus for logistics risk prediction - Google Patents

Abstract

Provided is a method for predicting whether a predicting risk is to occur, by determining a predicting risk on the basis of logistics execution history information recorded by a logistics transportation system, receiving data provided from various external devices so as to determine whether the predicting risk is predicted to occur, and analyzing the provided data using a big data analysis technique, etc. The method for logistics risk prediction according to one embodiment of the present invention comprises the steps of: obtaining logistics execution history information managed by a logistics transportation system connected to an apparatus for logistics risk prediction; determining a predicting risk corresponding to a node on a transportation route by means of the logistics execution history information; collecting data from an external data source corresponding to the predicting risk; and predicting the occurrence of the predicting risk by analyzing the collected data.

Description

물류 리스크 예측 방법 및 그 장치Logistics risk prediction method and device

본 발명은 물류 리스크 예측 방법 및 그 장치에 관한 것이다. 보다 자세하게는, 물류 운송 과정에서 발생할 수 있는 리스크를 미리 예측하고, 상기 리스크가 발생할 때의 예상 되는 결과도 미리 예측하는 방법 및 그 장치에 관한 것이다.The present invention relates to a logistics risk prediction method and apparatus. More specifically, the present invention relates to a method and apparatus for predicting a risk that may occur in a logistics transportation process in advance and predicting a predicted result when the risk occurs.

물류 운송 과정에서 다양한 사고, 자연 재해, 예측하지 못한 운송 거점의 업무 중단 등이 발생할 수 있으며, 이러한 경우 운송 일정에 악영향을 끼치는 경우가 많다. 이러한, 사전 예측 되지 않은 불확실성과 변동성으로 인하여, 물류 운송 계획 및 물류 운송 실행 과정이 컴퓨터 기술을 통하여 자동화 되었음에도 불구하고 물류 운송의 목표가 달성되지 못하는 경우가 많다.Various accidents, natural disasters, and unplanned transport stoppages can occur during the logistics transportation process, which often adversely affects the transportation schedule. Due to these unforeseen uncertainties and variability, the logistics transport goals are often not achieved even though the logistics planning and logistics execution processes are automated through computer technology.

따라서, 운송 루트의 선정 시점에서부터 운송 일정에 영향을 끼칠 수 있는 리스크를 미리 파악하여, 발생 가능성이 있는 리스크를 가지고 있는 루트는 제외할 수 있도록 물류 리스크를 예측하는 방법의 제공이 요구된다.Therefore, there is a need to provide a method for estimating logistics risks so that the risks that may affect the transportation schedule are identified in advance from the point of time of the transportation route selection, and the routes having risks that can occur can be excluded.

본 발명이 해결하고자 하는 기술적 과제는 물류 운송 시스템에 의하여 관리되는, 그 동안의 물류 운송 이력 정보 및 그 과정에서 발생한 이벤트 정보를 포함하는 내부 정보와, 인터넷 등 네트워크를 통해 연결 된 다양한 외부 장치로부터 수집 된 외부 정보를 이용하여 물류 수행의 운송 루트 상에 리스크가 있는지 여부를 미리 예측하는 방법 및 그 장치를 제공하는 것이다.The technical problem to be solved by the present invention is collected from the internal information including the logistic transportation history information and event information generated in the process and the various external devices connected through the network, such as the Internet managed by the logistics transportation system It is to provide a method and apparatus for predicting in advance whether there is a risk on the transport route of the logistics performance by using the external information.

본 발명이 해결하고자 하는 다른 기술적 과제는 물류 운송 시스템에 의하여 기록된 물류 실행 이력 정보를 바탕으로 예측 대상 리스크를 결정하고, 상기 예측 대상 리스크의 발생 예측 여부를 판단하기 위하여 다양한 외부 장치로부터 데이터를 제공 받고, 상기 제공 받은 데이터를 빅데이터 분석 기술 등을 통해 분석함으로써 상기 예측 대상 리스크의 발생 여부를 예측하는 방법 및 그 장치를 제공하는 것이다.Another technical problem to be solved by the present invention is to determine the risk to be predicted based on the logistic execution history information recorded by the logistics transport system, and to provide data from various external devices to determine whether to predict the occurrence of the risk to be predicted The present invention provides a method and apparatus for predicting whether or not the predicted risk occurs by analyzing the received data through big data analysis technology or the like.

본 발명이 해결하고자 하는 또 다른 기술적 과제는, 상기 예측 대상 리스크의 발생이 예측 되는 경우, 상기 리스크의 발생에 의하여 상기 리스크에 대응하는 노드에 이용 차질이 있을 것인지를 상기 물류 실행 이력 정보를 이용하여 예측하는 방법 및 그 장치를 제공하는 것이다.Another technical problem to be solved by the present invention, when the occurrence of the predicted risk is predicted, using the logistic execution history information whether there is a disruption in use of the node corresponding to the risk by the occurrence of the risk. It is to provide a method and apparatus for the prediction.

본 발명이 해결하고자 하는 또 다른 기술적 과제는, 운송 루트 상의 특정 노드에 리스크 발생에 의한 이용 차질이 예측 된 경우, 상기 이용 차질에 의한 지연 기간을 반영하여 상기 운송 루트에 대한 ETA(Estimated Time of Arrival) 정보를 조정하는 방법 및 그 장치를 제공하는 것이다.Another technical problem to be solved by the present invention is when the use disruption caused by the occurrence of risk at a specific node on the transport route is predicted, the Estimated Time of Arrival for the transport route by reflecting the delay period caused by the use disruption The present invention provides a method and apparatus for adjusting information.

본 발명이 해결하고자 하는 또 다른 기술적 과제는, 특정 운송 루트가 선택 되고, 그 운송 루트에 따라 운송이 이뤄지고 있는 동안에, 앞으로 도착할 노드에 리스크 발생에 의한 이용 차질이 예측 되고, 상기 이용 차질에 따라 운송 완료 요구 시점 내에 운송이 완료 되기 어려운 경우, 상기 운송 완료 요구 시점 내에 운송이 완료 될 수 있는 대체 운송 루트를 제안하는 방법 및 그 장치를 제공하는 것이다.Another technical problem to be solved by the present invention is that, while a specific transport route is selected and transport is performed according to the transport route, a risk of use caused by risk occurrence is predicted at a node to arrive in the future, and transport according to the use disruption It is to provide a method and apparatus for proposing an alternative transportation route in which the transportation can be completed within the transportation completion request time, if the transportation is difficult to complete within the completion request time.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해 될 수 있을 것이다.The technical problems of the present invention are not limited to the above-mentioned technical problems, and other technical problems not mentioned will be clearly understood by those skilled in the art from the following description.

본 발명의 일 실시예에 따른 물류 리스크 예측 방법은 상기 물류 리스크 예측 장치에 연결 된 물류 운송 시스템에 의하여 관리되는 물류 실행 이력 정보를 얻는 단계, 상기 물류 실행 이력 정보를 이용하여 운송 루트 상의 노드에 대응하는 예측 대상 리스크를 결정하는 단계, 상기 예측 대상 리스크에 대응하는 외부의 데이터 소스로부터 데이터를 수집하는 단계, 및 상기 수집된 데이터를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하는 단계를 포함한다.Logistics risk prediction method according to an embodiment of the present invention is to obtain the logistics execution history information managed by the logistics transportation system connected to the logistics risk prediction apparatus, corresponding to the node on the transportation route using the logistics execution history information Determining the predicted risk to perform, collecting data from an external data source corresponding to the predicted risk, and analyzing the collected data to predict the occurrence of the predicted risk in advance.

일 실시예에서, 상기 물류 리스크 예측 방법은 상기 예측 대상 리스크의 발생이 예측되면, 상기 물류 리스크 예측 장치가 상기 예측 대상 리스크에 대응하는 노드의 이용 예상 기간 동안의 이용 차질 여부를 상기 물류 실행 이력 데이터를 이용하여 미리 예측하는 단계를 더 포함할 수 있다. 또한, 상기 물류 리스크 예측 방법은 상기 이용 차질이 예측되면, 상기 물류 리스크 예측 장치가 상기 예측 대상 리스크에 대응하는 노드의 상기 예측된 이용 차질에 의한 지연 기간을 이용하여 상기 운송 루트의 ETA(Estimated Time of Arrival) 정보 조정을 수행하는 단계를 더 포함할 수도 있다. 다른 실시예에서, 상기 물류 리스크 예측 방법은 상기 운송 루트에 따라 운송이 진행 되는 도중 상기 이용 차질이 예측되면, 상기 물류 리스크 예측 장치가 상기 예측 대상 리스크에 대응하는 노드의 상기 예측된 이용 차질에 의한 지연 기간을 이용하여, 운송 완료 요구 시점 내에 운송이 완료 될 수 있는지 여부를 판정하는 단계와, 상기 판정의 결과, 운송 완료 요구 시점 내에 운송이 완료 되기 어려운 경우, 상기 운송 완료 요구 시점 내에 운송이 완료 될 수 있는 대체 운송 루트를 생성하는 단계를 더 포함할 수도 있다.In one embodiment, the logistics risk prediction method, if the occurrence of the predicted risk is predicted, the logistics execution history data whether the logistical risk prediction device is used during the expected use period of the node corresponding to the predicted risk. The method may further include a step of predicting in advance. In addition, in the logistics risk prediction method, when the usage disruption is predicted, the logistics risk prediction apparatus estimates the ETA (Estimated Time) of the transport route using a delay period caused by the predicted usage disruption of a node corresponding to the predicted risk. The method may further include performing information adjustment. In another embodiment, the logistics risk predicting method may be further configured such that if the usage disruption is predicted while the transport is in progress along the transport route, the logistics risk predicting device may be configured to perform the predicted use disruption of the node corresponding to the predicted risk. Determining whether the transportation can be completed within the transportation completion request time by using the delay period, and if the transportation is not completed within the transportation completion request time as a result of the determination, the transportation is completed within the transportation completion request time. It may further comprise the step of creating an alternative transport route that may be.

일 실시예에서, 상기 예측 대상 리스크는, 상기 물류 실행 이력 정보에서 관리되는 리스크 타입 중 하나를 가리킬 수 있다.In one embodiment, the predicted risk may indicate one of risk types managed in the logistics execution history information.

일 실시예에서, 상기 예측 대상 리스크를 결정하는 단계는, 상기 물류 실행 이력 정보에서 상기 운송 루트 상의 노드에 대한 이벤트 정보를 조회하는 단계와, 상기 조회된 이벤트 정보를 바탕으로 상기 예측 대상 리스크를 결정하는 단계를 포함할 수 있다.In an embodiment, the determining of the predicted risk includes: querying event information for a node on the transport route in the logistic execution history information, and determining the predicted risk based on the inquired event information. It may include the step.

일 실시예에서, 상기 예측 대상 리스크는 기상 악화 그룹에 속한 타입의 리스크일 수 있다. 이 때, 상기 데이터를 수집하는 단계는 기상 예보 서버로부터 상기 예측 대상 리스크에 대응하는 노드의 지역에 대한 상기 예측 대상 리스크 관련 예보를 수집하는 단계를 포함하고, 상기 미리 예측하는 단계는 상기 예측 대상 리스크의 발생이 예측되면, 상기 예측 대상 리스크에 대응하는 노드의 이용 예상 기간 동안의 이용 차질 여부를 상기 물류 실행 이력 데이터로부터 얻어진 기상 상황 및 이용 차질 기간 사이의 회귀 모델을 이용하여 미리 예측하는 단계를 포함할 수 있다. 이 때, 상기 예측 대상 리스크에 대응하는 노드의 이용 예상 기간 동안의 이용 차질 여부를 상기 물류 실행 이력 데이터로부터 얻어진 기상 상황 및 이용 차질 기간 사이의 회귀 모델을 이용하여 미리 예측하는 단계는, 상기 물류 실행 이력 정보에서, 상기 예측 대상 리스크에 대응하는 노드에 대한 상기 예측 대상 리스크의 발생 관련 이벤트 정보를 조회하는 단계, 상기 조회된 이벤트 정보에서 상기 예측 대상 리스크의 발생 관련 지표 및 상기 노드의 이용 차질 기간을 연산하는 단계, 상기 지표를 독립 변인으로 하고 상기 노드의 이용 차질 기간을 종속 변인으로 하는 상기 회귀 모델을 생성하는 단계, 상기 수집된 예측 대상 리스크 관련 예보 중 상기 지표를 상기 회귀 모델에 입력하여 이용 차질 기간을 연산하는 단계, 및 이용 차질에 의한 지연 기간을 이용하여 상기 운송 루트의 ETA(Estimated Time of Arrival) 정보 조정을 수행하는 단계를 포함할 수 있다.In one embodiment, the predicted risk may be a type of risk belonging to a bad weather group. In this case, the collecting of the data may include collecting, from the weather forecast server, a forecast related to the predicted risk for the region of the node corresponding to the predicted risk, and the pre-predicting includes the predicted risk. If the occurrence of the predicted, using the regression model between the weather situation and the use disruption period obtained from the logistical execution history data for predicting the use disruption during the expected use period of the node corresponding to the risk to be predicted in advance can do. At this time, the step of predicting in advance whether the use disruption during the expected use period of the node corresponding to the predicted risk using the regression model between the weather situation and the use disruption period obtained from the logistic execution history data, the logistic execution Querying the event information related to the occurrence of the predicted risk for the node corresponding to the predicted risk, from the history information, indicating the occurrence related index of the predicted risk in the inquired event information and the use disruption period of the node. Calculating, using the index as an independent variable and generating the regression model using the duration of the node as a dependent variable; inputting the index among the predicted risk-related predictions collected into the regression model Calculating a period of time, and a delay period due to use disruption It may include the step of adjusting the Estimated Time of Arrival (ETA) information of the transport route using.

일 실시예에서, 상기 예측 대상 리스크는 사회 문제 그룹에 속한 타입의 리스크의 리스크일 수도 있다. 이 때, 상기 데이터를 수집하는 단계는 소셜 네트워크 서비스 서버 또는 인터넷 뉴스 댓글 서비스 서버로부터 개인 작성 컨텐츠를 수집하고 인터넷 뉴스 서버로부터 인터넷 뉴스 컨텐츠를 수집하는 단계를 포함할 수 있다.In one embodiment, the predicted risk may be a risk of a type of risk belonging to a social problem group. In this case, the collecting of data may include collecting personal writing content from a social network service server or an internet news comment service server and collecting internet news content from an internet news server.

일 실시예에서, 상기 개인 작성 컨텐츠는 예측 대상 리스크에 대응하는 노드의 인접 지역과 관련 있는 개인에 의하여 작성된 것일 수 있다.In one embodiment, the personal creation content may be created by an individual associated with an adjacent region of a node corresponding to the predicted risk.

일 실시예에서, 상기 예측 대상 리스크의 발생을 미리 예측하는 단계는, 상기 수집된 개인 작성 컨텐츠에 대하여 상기 예측 대상 리스크 관련 어휘 사용 빈도를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하는 단계를 포함할 수 있다.In an exemplary embodiment, the predicting of the occurrence of the predicted risk may include predicting the occurrence of the predicted risk by analyzing a frequency of use of the vocabulary related to the predicted risk with respect to the collected personal created content. can do.

다른 실시예에서, 상기 예측 대상 리스크의 발생을 미리 예측하는 단계는, 상기 수집된 개인 작성 컨텐츠 및 인터넷 뉴스 컨텐츠 중, 상기 예측 대상 리스크에 대응하는 노드의 명칭 및 상기 예측 대상 리스크 관련 어휘가 동시에 사용된 리스크 코멘트 컨텐츠의 개수를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하는 단계를 포함할 수도 있다. 이 때, 상기 수집된 개인 작성 컨텐츠 및 인터넷 뉴스 컨텐츠 중, 상기 예측 대상 리스크에 대응하는 노드의 명칭 및 상기 예측 대상 리스크 관련 어휘가 동시에 사용된 리스크 코멘트 컨텐츠의 개수를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하는 단계는, 상기 수집된 개인 작성 컨텐츠 및 인터넷 뉴스 컨텐츠에 대하여 TF-IDF(Term Frequency - Inverse Document Frequency)를 이용하여 상기 개인 작성 컨텐츠의 키워드를 선정하는 단계, 및 상기 아티클의 키워드 중 상기 예측 대상 리스크에 대응하는 노드의 명칭 및 상기 예측 대상 리스크 관련 어휘가 모두 포함 된 개인 작성 컨텐츠 및 인터넷 뉴스 컨텐츠를 상기 리스크 코멘트 컨텐츠로 판정하는 단계를 포함할 수 있다.In another embodiment, the step of predicting the occurrence of the predicted risk in advance, wherein the name of the node corresponding to the predicted risk and the vocabulary related to the predicted risk are simultaneously used among the collected personal created content and the Internet news content. Analyzing the number of risk comment content has been predicted may include the step of predicting the occurrence of the predicted risk in advance. At this time, among the collected personal created content and the Internet news content, the name of the node corresponding to the predicted risk and the number of risk comment contents in which the predicted risk related vocabulary are simultaneously used are analyzed to generate the predicted risk. Pre-predicting may include selecting a keyword of the personally generated content using TF-IDF (Term Frequency-Inverse Document Frequency) with respect to the collected personally created content and the Internet news content, and among the keywords of the article. The method may include determining personally created content and internet news content including both the name of the node corresponding to the predicted risk and the predicted risk related vocabulary, as the risk comment content.

일 실시예에서, 상기 예측 대상 리스크의 발생을 미리 예측하는 단계는, 상기 수집된 개인 작성 컨텐츠 중 상기 예측 대상 리스크 관련 어휘를 포함하는 컨텐츠를 추출하는 단계, 상기 추출된 컨텐츠에 대하여, 감성 분석(sentiment analysis)을 수행하는 단계, 및 상기 감성 분석의 결과를 바탕으로 상기 예측 대상 리스크의 발생을 미리 예측하는 단계를 포함할 수 있다. 이 때, 상기 감성 분석의 결과를 바탕으로 상기 예측 대상 리스크의 발생을 미리 예측하는 단계는, 상기 감성 분석의 결과, 상기 예측 대상 리스크 관련 어휘에 대한 긍정 강도가 제1 기준치를 초과하거나, 상기 예측 대상 리스크 관련 어휘에 대한 긍정 강도에서 부정 강도를 뺀 수치가 제2 기준치를 초과하는 경우, 상기 예측 대상 리스크가 발생할 것으로 미리 예측하는 단계를 포함할 수 있다.In one embodiment, the step of predicting the occurrence of the predicted risk in advance, the step of extracting the content containing the vocabulary related to the predicted risk from the collected personal created content, for the extracted content, emotional analysis ( performing a sentiment analysis) and predicting the occurrence of the predicted risk based on the result of the emotional analysis. At this time, the step of predicting the occurrence of the predicted risk in advance based on the result of the emotional analysis, the positive intensity of the vocabulary related to the predicted risk, the result of the emotional analysis exceeds the first reference value, or the prediction If the value obtained by subtracting the negative intensity from the positive intensity for the target risk-related vocabulary exceeds the second reference value, the predicted risk may include a step of predicting in advance.

일 실시예에서, 상기 예측 대상 리스크를 결정하는 단계는, 상기 물류 실행 이력 정보에서 추출 된 리스크 상황 발생 기록을 리스크 타입 별로 그룹핑 한 리스크 발생 이력 데이터를 바탕으로 예측 대상 리스크를 결정하는 단계를 포함할 수 있다. 이 때, 상기 물류 리스크 예측 방법은 상기 물류 리스크 예측 장치가, 주기적 또는 비주기적으로, 상기 물류 실행 이력 정보에서 리스크 발생 이력 데이터에 기록되지 않은 리스크 상황 발생 관련 이벤트 정보를 수집하는 단계, 및 상기 물류 리스크 예측 장치가, 상기 수집된 이벤트 정보를 리스크 타입 별로 상기 리스크 발생 이력 데이터에 삽입하는 단계를 더 포함할 수 있다. 이 때, 상기 삽입하는 단계는, 상기 수집된 이벤트 정보에서 리스크 타입 별로 기 지정된 컬럼에 대한 데이터를 추출하는 단계, 및 상기 추출된 데이터를 상기 컬럼에 대한 데이터로 세팅 하는 단계를 포함할 수 있다. 또한, 사회 문제 그룹에 속한 타입의 리스크의 리스크에 대한 상기 리스크 발생 이력 데이터는 업무 중단 사유 컬럼을 포함하고, 상기 데이터를 수집하는 단계는 소셜 네트워크 서비스 서버 또는 인터넷 뉴스 댓글 서비스 서버로부터 개인 작성 컨텐츠를 수집하는 단계를 포함하고, 상기 미리 예측하는 단계는 상기 예측 대상 리스크에 대응하는 노드의 상기 사회 문제 그룹에 속한 타입의 리스크의 리스크에 대한 리스크 발생 이력 데이터의 업무 중단 사유 컬럼의 텍스트를 얻는 단계, 상기 텍스트에서 키워드를 얻는 단계, 상기 수집된 개인 작성 컨텐츠에 대한, 상기 예측 대상 리스크 관련 어휘 사용 빈도 및 상기 키워드가 모두 포함된 리스크 코멘트 컨텐츠의 개수를 바탕으로 상기 예측 대상 리스크의 발생을 미리 예측하는 단계를 포함할 수 있다.The determining of the predicted risk may include determining the predicted risk based on risk occurrence history data grouping the risk situation occurrence record extracted from the logistics execution history information for each risk type. Can be. In this case, the logistics risk prediction method, the logistics risk prediction apparatus, periodically or aperiodically, collecting risk situation occurrence related event information not recorded in the risk occurrence history data in the logistics execution history information, and the logistics The risk prediction apparatus may further include inserting the collected event information into the risk occurrence history data for each risk type. In this case, the inserting may include extracting data for a predetermined column for each risk type from the collected event information, and setting the extracted data as data for the column. In addition, the risk occurrence history data for the risk of the type of risk belonging to the social problem group includes a reason for interruption of work, and the step of collecting the data may include personally created content from a social network service server or an Internet news comment service server. The collecting may include collecting the text of the reason for disruption of the risk occurrence history data for the risk of the risk of the type belonging to the social problem group of the node corresponding to the predicted risk. Obtaining a keyword from the text, predicting the occurrence of the predicted risk in advance based on the frequency of use of the predicted risk-related vocabulary and the number of risk comment contents including all the keywords for the collected personally created content; It may include a step.

본 발명의 다른 실시예에 따르면, 컴퓨터 장치와 결합되어, 상기 물류 리스크 예측 장치에 연결 된 물류 관리 시스템에 의하여 관리되는 물류 실행 이력 정보를 얻는 단계, 상기 물류 실행 이력 정보를 이용하여 운송 루트 상의 노드에 대응하는 예측 대상 리스크를 결정하는 단계, 상기 예측 대상 리스크에 대응하는 외부의 데이터 소스로부터 데이터를 수집하는 단계, 및 상기 수집된 데이터를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하는 단계를 실행 하기 위하여, 매체에 저장 된 컴퓨터 프로그램이 제공 될 수 있다.According to another embodiment of the present invention, a step of obtaining logistic execution history information, which is combined with a computer device and managed by a logistic management system connected to the logistic risk predicting device, using the logistic execution history information, a node on a transport route Determining a predicted risk corresponding to the data, collecting data from an external data source corresponding to the predicted risk, and analyzing the collected data to predict the occurrence of the predicted risk in advance. In order to do so, a computer program stored on the medium can be provided.

본 발명의 또 다른 실시예에 따른 물류 리스크 예측 장치는, 물류 관리 시스템에 의하여 관리되는 물류 실행 이력 정보를 제공 받고, 상기 물류 실행 이력 정보를 이용하여 운송 루트 상의 노드에 대응하는 예측 대상 리스크를 결정하는 예측 대상 리스크 지정부, 상기 예측 대상 리스크에 대응하는 외부의 데이터 소스로부터 데이터를 수집하는 외부 데이터 수집부, 및 상기 수집된 데이터를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하는 리스크 예측부를 포함할 수 있다.Logistics risk prediction apparatus according to another embodiment of the present invention, receiving the logistics execution history information managed by the logistics management system, using the logistics execution history information to determine the prediction target risk corresponding to the node on the transportation route A prediction target risk designation unit, an external data collection unit collecting data from an external data source corresponding to the prediction target risk, and a risk prediction unit analyzing the collected data to predict the occurrence of the prediction target risk in advance; can do.

일 실시예에 따르면, 상기 물류 리스크 예측 장치는, 상기 물류 실행 이력 정보에서 추출 된 리스크 상황 발생 기록을 리스크 타입 별로 그룹핑 한 리스크 발생 이력 데이터를 관리하는 리스크 발생 이력 데이터 관리부를 더 포함하고, 상기 예측 대상 리스크 지정부는, 상기 리스크 발생 이력 데이터를 바탕으로 상기 예측 대상 리스크를 결정할 수 있다.According to an embodiment of the present disclosure, the logistics risk prediction apparatus may further include a risk occurrence history data management unit that manages risk occurrence history data grouping risk situation occurrence records extracted from the logistics execution history information for each risk type. The target risk designation unit may determine the predicted target risk based on the risk occurrence history data.

일 실시예에 따르면, 상기 예측 대상 리스크는 기상 악화 그룹에 속한 타입의 리스크일 수 있다. 이 때, 상기 외부 데이터 수집부는 기상 예보 서버로부터 상기 예측 대상 리스크에 대응하는 노드의 지역에 대한 상기 예측 대상 리스크 관련 예보를 수집할 수 있다. 이 때 상기 물류 리스크 예측 장치는, 상기 리스크 예측부에 의하여 상기 예측 대상 리스크의 발생이 예측되면, 상기 예측 대상 리스크에 대응하는 노드의 이용 차질 여부를, 상기 물류 실행 이력 데이터로부터 얻어진 기상 상황 및 이용 차질 기간 사이의 회귀 모델을 이용하여 미리 예측하는 노드 이용 차질 예측부를 더 포함할 수 있다.According to an embodiment, the predicted risk may be a type of risk belonging to a bad weather group. At this time, the external data collection unit may collect the prediction target risk related forecast for the region of the node corresponding to the prediction target risk from the weather forecast server. At this time, when the occurrence of the predicted risk is predicted by the risk predicting unit, the logistics risk predicting apparatus determines whether or not the node corresponding to the predicted risk is in use, a weather condition and use obtained from the logistic execution history data. The apparatus may further include a node use disruption predictor that predicts in advance by using a regression model between the disruption periods.

일 실시예에 따르면, 상기 예측 대상 리스크는 사회 문제 그룹에 속한 타입의 리스크일 수 있다. 이 때, 상기 외부 데이터 수집부는, 인터넷 뉴스 서버로부터 인터넷 뉴스 컨텐츠를 수집하고, 소셜 네트워크 서비스 서버 또는 인터넷 뉴스 댓글 서비스 서버로부터 개인 작성 컨텐츠를 수집하고, 상기 리스크 예측부는, 상기 수집된 개인 작성 컨텐츠에 대한 상기 예측 대상 리스크 관련 어휘 사용 빈도를 바탕으로 상기 예측 대상 리스크의 발생을 미리 예측할 수 있다.According to an embodiment, the predicted risk may be a type of risk belonging to a social problem group. In this case, the external data collector collects Internet news content from an Internet news server, collects personally created content from a social network service server or an Internet news comment service server, and the risk predictor is configured to collect the personally created content. The occurrence of the predicted risk may be predicted in advance based on the frequency of use of the vocabulary related to the predicted risk.

본 발명의 몇몇 실시예들에 따르면, 기 축적된 물류 실행 이력 정보를 이용하여 운송 루트에서 발생할 가능성이 있는 예측 대상 리스크를 선정하고, 물류 운송 과정에서 발생할 수 있는 상기 리스크를 인터넷을 통해 연결된 다양한 외부 장치로부터 수집한 데이터를 분석하여 예측할 수 있는 효과가 있다.According to some embodiments of the present invention, the predicted risk that may occur in the transportation route is selected by using the accumulated logistics execution history information, and various externally connected to the risk that may occur in the logistics transportation process through the Internet. The data collected from the device can be analyzed and predicted.

또한, 특정 리스크의 발생이 예측 되는 경우, 그 리스크의 발생에 의하여 운송 루트 상의 노드에 이용 차질이 빚어질 수 있는지, 상기 물류 실행 이력 정보를 이용하여 예측할 수 있는 효과가 있다.In addition, when the occurrence of a particular risk is predicted, there is an effect that can be predicted by using the logistical execution history information, whether the use of the risk on the node on the transport route due to the occurrence of the risk.

또한, 운송 루트 상의 특정 노드에 이용 차질이 예측 되는 경우, 상기 운송 루트의 ETA 정보를 조정할 수 있는 효과가 있다.In addition, when use disruption is predicted for a specific node on a transport route, there is an effect of adjusting ETA information of the transport route.

또한, 복수의 운송 루트 중 하나를 선정하고자 하는 경우, 본 발명의 몇몇 실시예들에 따른 리스크 예측 및 그 결과에 따른 조정된 ETA 정보를 반영하여 최적의 운송 루트를 선정할 수 있는 효과가 있다.In addition, when one of the plurality of transport routes is selected, an optimal transport route may be selected by reflecting the risk prediction and the adjusted ETA information according to the results according to some embodiments of the present invention.

또한, 운송 루트에 따라 운송을 수행하는 동안에, 장래에 도착 예정인 노드에 이용 차질이 예측 되고, 그 이용 차질에 따라 운송 완료 요구 시점 내에 운송이 완료 되기 어려운 경우, 상기 운송 완료 요구 시점 내에 운송이 완료 될 수 있는 대체 운송 루트를 제안할 수 있는 효과가 있다.In addition, during the transportation according to the transportation route, when the use disruption is predicted to the node that is expected to arrive in the future, and the transportation is difficult to be completed within the transportation completion request time according to the usage disruption, the transportation is completed within the transportation completion request time. There is an effect to suggest an alternative transport route that can be.

도 1은 본 발명의 일 실시예에 따른 물류 리스크 예측 방법의 순서도이다.1 is a flow chart of the logistics risk prediction method according to an embodiment of the present invention.

도 2는 본 발명의 몇몇 실시예들에서 참조 될 수 있는 물류 실행 이력 정보의 예시이다.2 is an illustration of logistics execution history information that may be referenced in some embodiments of the present invention.

도 3은 도 2의 물류 실행 이력 정보에서 관리할 수 있는 리스크 분류 체계의 예시이다.3 is an example of a risk classification system that can be managed in the logistics execution history information of FIG. 2.

도 4 및 도 5는 본 발명의 도 2의 물류 실행 이력 정보로부터 생성된 것으로, 본 발명의 몇몇 실시예들에서 사용될 수 있는 리스크 발생 이력 데이터의 예시이다.4 and 5 are generated from the logistics execution history information of FIG. 2 of the present invention, and are examples of risk occurrence history data that may be used in some embodiments of the present invention.

도 6 내지 도 7은 도 1에 도시된 일부 동작의 상세 순서도이다.6 through 7 are detailed flowcharts of some operations illustrated in FIG. 1.

도 8은 리스크 코멘트 컨텐츠의 집계 건수 및 리스크 실제 발생을 가리키는 차트이다.8 is a chart showing the total number of risk comment contents and the actual occurrence of risk.

도 9는 본 발명의 일 실시예에 따른 물류 리스크 예측 방법의 다른 순서도이다.9 is another flow chart of the logistics risk prediction method according to an embodiment of the present invention.

도 10은 도 9의 일부 동작에서 참조 되는 회귀 모델을 설명하기 위한 도면이다.FIG. 10 is a diagram for describing a regression model referred to in some operations of FIG. 9.

도 11 내지 도 14는 본 발명의 일 실시예에 따른 최적 운송 루트 설정 방법을 설명하기 위한 도면이다.11 to 14 are diagrams for explaining an optimal transport route setting method according to an embodiment of the present invention.

도 15는 본 발명의 다른 실시예에 따른 물류 리스크 예측 시스템의 구성도이다.15 is a block diagram of a logistics risk prediction system according to another embodiment of the present invention.

도 16은 본 발명의 또 다른 실시예에 따른 물류 리스크 예측 장치의 제1 블록 구성도이다.16 is a block diagram illustrating a logistics risk prediction apparatus according to another embodiment of the present invention.

도 17은 본 발명의 또 다른 실시예에 따른 물류 리스크 예측 장치의 제2 블록 구성도이다.17 is a block diagram illustrating a second block of the risk estimation apparatus for logistics according to another embodiment of the present invention.

도 18은 본 발명의 또 다른 실시예에 따른 물류 리스크 예측 장치의 하드웨어 구성도이다.18 is a hardware configuration diagram of a logistics risk prediction apparatus according to another embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 게시가 완전하도록 하고, 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 구성 요소를 지칭한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings. Advantages and features of the present invention, and methods for achieving them will be apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but can be implemented in various forms. The embodiments of the present invention make the posting of the present invention complete and the general knowledge in the technical field to which the present invention belongs. It is provided to fully convey the scope of the invention to those skilled in the art, and the present invention is defined only by the scope of the claims. Like reference numerals refer to like elements throughout.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.Unless otherwise defined, all terms (including technical and scientific terms) used in the present specification may be used in a sense that can be commonly understood by those skilled in the art. In addition, the terms defined in the commonly used dictionaries are not ideally or excessively interpreted unless they are specifically defined clearly. The terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of the invention. In this specification, the singular also includes the plural unless specifically stated otherwise in the phrase.

이하, 도 1을 참조하여 본 발명의 일 실시예에 따른 물류 리스크의 예측 방법을 설명한다. 본 실시예는 연산 수단을 구비한 컴퓨팅 장치에 의하여 수행 될 수 있다. 상기 컴퓨팅 장치는, 예를 들어 본 발명의 다른 실시예에 따른 물류 리스크 예측 장치일 수 있다. 상기 물류 리스크 예측 장치의 구성 및 동작에 대하여는 도 16 내지 18을 참조하여 추후 자세히 설명한다. 이하, 설명의 편의를 위하여, 본 실시예에 따른 물류 리스크 예측 방법의 각 동작을 실시하는 주체는 그 기재를 생략할 수 있다.Hereinafter, a method of predicting logistics risk according to an embodiment of the present invention will be described with reference to FIG. 1. This embodiment may be performed by a computing device having computing means. The computing device may be, for example, a logistics risk prediction device according to another embodiment of the present invention. The configuration and operation of the logistics risk prediction apparatus will be described later in detail with reference to FIGS. 16 to 18. Hereinafter, for convenience of description, the subject performing each operation of the logistics risk prediction method according to the present embodiment may omit the description.

먼저, 물류 리스크 예측 장치가 물류 실행 이력 정보를 얻는다(S100). 상기 물류 실행 이력 정보는 상기 물류 리스크 예측 장치에 연결 된 물류 운송 시스템에 의하여 관리되는 정보이다. First, the logistics risk prediction apparatus obtains logistics execution history information (S100). The logistics execution history information is information managed by a logistics transportation system connected to the logistics risk prediction apparatus.

도 2를 참조하여, 상기 물류 실행 이력 정보를 설명한다. 도 2에는 상기 물류 실행 이력 정보의 일 예시가 도시 되어 있다. 도 2에 도시된 바와 같이, 물류 실행 이력 정보(250)에는 화주, 출발지, 도착지 등 운송 실행 이력에 대한 상세 정보뿐만 아니라, 운송 실행 과정에서 비정상 상황이 발생한 이력이 있다면 상기 비정상 상황에 대한 정보가 이벤트 정보(20)도 포함될 수 있다.Referring to Figure 2, the logistics execution history information will be described. 2 illustrates an example of the logistics execution history information. As shown in Figure 2, the logistics execution history information 250, as well as detailed information on the transport execution history, such as shipper, departure point, destination, etc., if there is a history that the abnormal situation occurred in the transport execution process information about the abnormal situation Event information 20 may also be included.

물류 실행 이력 정보(250)는, 과거에 실행 된 바 있는 물류 운송 작업에 대한 기록을 포함하는, 일종의 로그 데이터(log data)를 의미한다. 물류 실행 이력 정보(250)는 기 처리 된 물류 운송에 관한 상세 정보 및 이벤트 정보(20)를 포함할 수 있다.Logistics execution history information 250 refers to a kind of log data, which includes a record of a logistic transportation operation that has been executed in the past. Logistics execution history information 250 may include detailed information and event information 20 about the pre-processed logistics transport.

이벤트 정보(20)는 운송 과정에서 발생한 다양한 리스크 상황에 대한 기록을 포함할 수 있다. 예를 들어, 상기 이벤트 정보는 안개, 한파, 폭설, 홍수 등 기상 악화에 의한 운송 거점 시설의 업무 중단 또는 업무 차질에 의한 운송 지연, 육상, 해상, 항공에서의 다양한 사고에 의한 운송 지연, 쿠데타, 내란, 전쟁, 통상, 법률 규정, 휴일, 파업 등 다양한 정치 사회적 문제에 의한 운송 지연, 태풍, 지진, 해일, 화산 등 다양한 자연재해에 의한 운송 지연 등 다양한 비정상 상황에 대한 기록을 포함할 수 있다.The event information 20 may include a record of various risk situations occurred during the transportation process. For example, the event information may be delayed in transportation due to weather disruption such as fog, cold, heavy snow, flooding, transportation delays due to weather disruptions, delays in transportation, delays in transportation due to various accidents on land, sea, air, coup, It may include records of various abnormal situations such as delays in transportation due to various political and social problems such as civil wars, wars, trade, legal regulations, holidays, and strikes, and delays in transportation due to various natural disasters such as typhoons, earthquakes, tsunamis, and volcanoes.

이벤트 정보(20)는, 상기 리스크 상황과 관련된 노드, 리스크 타입에 대한 식별 정보, 상기 노드의 업무 중단 또는 업무 차질 기간, 상기 리스크와 관련된 상세 정보 등을 포함할 수 있다. 추후 설명하겠지만, 상기 리스크 타입에 대한 식별 정보는 본 발명의 실시예들에서 리스크를 구분하고, 그룹핑하는 기준이 될 수 있다.The event information 20 may include a node related to the risk situation, identification information on a risk type, a period of work interruption or disruption of the node, detailed information related to the risk, and the like. As will be described later, the identification information on the risk type may be a criterion for classifying and grouping risks in embodiments of the present invention.

도 2의 물류 실행 이력 정보(250)에는 서울에서 LA까지의 운송(운송 식별자: "TID_OFFV0") 중, 인천항에 안개가 발생하여 4일간 항만 폐쇄가 발생했고, 그로 인해 4일의 지연이 발생한 이력이 있었던 점이 이벤트 정보(20)로서 기록 되어 있음을 알 수 있다.In the logistic execution history information 250 of FIG. 2, during the transportation from Seoul to LA (transportation identifier: “TID_OFFV0”), a fog occurred in Incheon Port, causing the port to be closed for 4 days, resulting in a delay of 4 days. It can be seen that this point is recorded as the event information 20.

물류 운송 시스템이 상기 물류 실행 이력 정보를 관리할 수 있다. 상기 물류 리스크 예측 장치는 상기 물류 운송 시스템으로부터 상기 물류 실행 이력 정보를 제공 받을 수 있다. 상기 물류 운송 시스템은 물류 운송을 관리하는 다양한 시스템 중 어느 하나, 또는 다양한 시스템이 연동하여 동작하는 하나의 시스템 군을 의미할 수 있다. 예를 들어, 상기 물류 운송 시스템은 물류 운송에 있어서 발생하는 다양한 이벤트를 alert 하고 기록하는 가시성 관리 시스템(Visibility Management System; 이하 'VMS'라 함)을 포함할 수 있다.The logistics transportation system may manage the logistics execution history information. The logistics risk prediction apparatus may receive the logistics execution history information from the logistics transportation system. The logistics transport system may refer to any one of various systems for managing logistics transport, or a system group in which various systems operate in conjunction. For example, the logistics transport system may include a visibility management system (hereinafter, referred to as 'VMS') that alerts and records various events occurring in logistics transport.

상기 VMS에 대하여 보다 자세히 설명하면, VMS는 기업 Supply Chain상의 실물 흐름에 대한 정보를 취합하고, 의사결정자가 상기 실물 흐름에 대한 정보를 실시간으로 모니터링 할 수 있도록 지원한다. VMS는 운송 실행계 시스템(통합주문관리[OMS], 국제운송관리[FIS], 로컬운송관리[TMS], 창고운영관리[WMS]) 로부터 제공 되는 트랜잭션 데이터를 취합하고, 각 항만, 공항 등 물류 거점 시설에 대한 상세 정보, 각 화주에 대한 정보 등을 포함하는 물류기준정보를 참고하여 트래킹, 모니터링, 예외 알람 등의 기능을 제공함으로써, 물류 가시성 관리가 가능하도록 지원하는 시스템이다.In more detail about the VMS, the VMS collects information on the real flow in the enterprise supply chain and supports decision makers to monitor the real flow information in real time. VMS collects transaction data provided from transportation execution system (Integrated Order Management [OMS], International Transportation Management [FIS], Local Transportation Management [TMS], Warehouse Operations Management [WMS]), and the logistics of each port, airport, etc. It is a system that supports logistics visibility management by providing functions such as tracking, monitoring, and exception alarm with reference to logistics reference information including detailed information on base facilities and information on each shipper.

본 발명의 몇몇 실시예에서는 상기 물류 운송 시스템과 상기 물류 리스크 예측 장치가 별개의 장치로 구현될 수 있으나, 본 발명의 다른 몇몇 실시예에서는 상기 물류 리스크 예측 장치가 상기 물류 운송 시스템의 일부 구성으로 구현 될 수 있다.In some embodiments of the present invention, the logistics transportation system and the logistics risk prediction apparatus may be implemented as separate devices. In some embodiments of the present invention, the logistics risk prediction apparatus is implemented as a part of the logistics transportation system. Can be.

다시 도 1로 돌아와서 설명한다. 조사 대상인 운송 루트(route)에 대한 정보가 입력된다(S200). 상기 운송 루트는 2개 이상의 노드의 순차적 배열을 의미한다. 상기 운송 루트는 출발지 노드와 도착지 노드를 포함하고, 하나 이상의 중간 기착지 노드를 더 포함할 수 있다. 상기 노드는, 상기 물류 운송 시스템에서 관리하는 각각의 운송 거점을 의미하며, 복수의 노드를 순차적으로 배열함으로써 하나의 운송 루트가 구성된다.It returns to FIG. 1 again and demonstrates. Information about a transport route to be investigated is input (S200). The transport route means a sequential arrangement of two or more nodes. The shipping route includes a source node and a destination node, and may further comprise one or more stopover nodes. The node means each transport base managed by the logistics transport system, and one transport route is configured by sequentially arranging a plurality of nodes.

다음으로, 상기 물류 실행 이력 정보를 이용하여 어떠한 리스크의 발생을 예측할 것인지를 결정한다(S300). 이하, 발생 예측의 대상이 되는 리스크를 예측 대상 리스크라 기재한다. 상기 예측 대상 리스크는, 물류 실행 이력 정보에서 상기 물류 실행 이력 정보에서 관리되는 리스크 타입 중 하나로 지정 될 수 있다.Next, it is determined using the logistics execution history information to determine what risk occurrence (S300). Hereinafter, the risk which becomes a target of an occurrence prediction is described as a prediction target risk. The predicted risk may be designated as one of risk types managed in the logistics execution history information in the logistics execution history information.

상기 예측 대상 리스크는, 발생 여부를 예측해야 하는 대상이 되는 리스크를 의미한다. 검사 대상인 운송 루트에 포함된 모든 노드에 대하여, 발생 가능한 모든 종류의 리스크의 발생을 예측하는 것은 필요한 연산량, 소요 시간의 측면에서 효율적이지 못하다. 이 점을 감안하여, 본 발명의 일 실시예에서는 상기 물류 실행 이력 정보를 바탕으로, 예측 대상 리스크를 결정한다.The predicted risk means a risk that is to be predicted. For all nodes involved in the transport route under inspection, it is not efficient to predict the occurrence of all kinds of risks that may occur, in terms of the amount of computation and the time required. In view of this, in one embodiment of the present invention, the risk to be predicted is determined based on the logistic execution history information.

예를 들어, 상기 물류 실행 이력 정보 중, 검사 대상인 운송 루트에 포함된 노드와 관련된 상기 이벤트 정보를 바탕으로 예측 대상 리스크를 결정할 수 있다. 상기 물류 실행 이력 정보 중 운송 루트와 무관한 지역의 데이터를 고려하여 예측 대상 리스크를 결정하는 것은 부적절하고, 상기 운송 루트의 노드와 관련된 지역의 정상 운송 관련 기록을 고려하여 예측 대상 리스크를 결정하는 것도 부적절하기 때문이다.For example, the predicted target risk may be determined based on the event information related to a node included in a transport route that is an inspection target among the logistic execution history information. It is inappropriate to determine the predicted risk by considering data of a region not related to the transport route among the logistic execution history information, and to determine the predicted risk by considering the normal transport-related record of the region related to the node of the transport route. Because it is inappropriate.

한편, 예측 대상 리스크의 정의와 관련하여, 물류 운송과 관련하여 발생하는 다양한 리스크를 어떻게 구분할 것인지에 대한 문제가 있다. 일 실시예에 따르면, 상기 예측 대상 리스크는 상기 물류 실행 이력 정보에서 관리되는 리스크 타입 중 하나 또는 복수 개를 가리킬 수 있다.On the other hand, with regard to the definition of the risk to be predicted, there is a problem of how to distinguish various risks that occur in relation to logistics transportation. According to an embodiment, the predicted risk may refer to one or a plurality of risk types managed in the logistics execution history information.

예를 들어, 상기 리스크 타입은, 안개 타입, 한파 타입, 폭설 타입, 홍수 타입, 육상 사고 타입, 해상 사고 타입, 항공 사고 타입, 쿠데타 타입, 내란 타입, 전쟁 타입, 통상 타입, 법률 규정 타입, 휴일 타입, 파업 타입, 태풍 타입, 지진 타입, 해일 타입, 화산 타입 등으로 지정될 수 있다.For example, the risk type is fog type, cold wave type, heavy snow type, flood type, land accident type, marine accident type, air accident type, coup type, civil war type, war type, normal type, legal regulation type, holiday Type, strike type, typhoon type, earthquake type, tsunami type, volcanic type and the like can be specified.

도 3에는 상기 리스크 타입의 예시가 도시 되어 있다. 물류 실행 이력 정보에서는 서로 다른 종류의 리스크들을 구분하기 위하여 리스크 타입을 관리할 수 있다. 물류 실행 이력 정보의 이벤트 타입 항목에는 상기 리스크 타입의 식별자가 포함될 수 있다.3 illustrates an example of such a risk type. In the logistics execution history information, risk types can be managed to distinguish different kinds of risks. The event type item of the logistics execution history information may include an identifier of the risk type.

한편, 일 실시예에 따르면, 기존에 관리 되고 있지 않던 신규 리스크 타입이 추가 될 수 있다. 즉, 상기 물류 실행 이력 정보에서 관리 되는 리스크 타입은, 검토 대상 데이터를 대상으로 머신 러닝(machine-learning)을 수행한 결과에 따라 신규 리스크 타입을 더 포함하게 될 수 있다.Meanwhile, according to one embodiment, a new risk type that has not been managed previously may be added. That is, the risk type managed in the logistic execution history information may further include a new risk type according to a result of performing machine-learning on the data to be reviewed.

상기 신규 리스크 타입의 추가는 관리자의 설정 변경에 따라 수행 될 수도 있으나, 상기 물류 실행 이력 정보 및 외부 장치로부터 수집한 인터넷 뉴스 컨텐츠와 개인 작성 컨텐츠 등 검토 대상 데이터를 대상으로 머신 러닝(machine-learning)을 수행한 결과로 수행 될 수도 있다. 예를 들어, 지구 온난화가 심해져서 상기 물류 실행 이력 정보의 이벤트 정보 및 외부 장치로부터 수집한 인터넷 뉴스 컨텐츠에 쓰나미 발생에 의한 항만 폐쇄가 자주 등장하게 된다면, 새로운 타입의 리스크 '쓰나미'가 관리 대상에 자동으로 추가 될 수 있다.The addition of the new risk type may be performed according to the change of the manager's setting, but machine-learning is performed on the data to be reviewed, such as the logistic execution history information and the Internet news content and the personal creation content collected from the external device. It can also be done as a result. For example, if global warming is so severe that port closure due to tsunami occurrence frequently occurs in event information of the logistic execution history information and Internet news content collected from external devices, a new type of risk 'tsunami' is managed. Can be added automatically.

상기 머신 러닝을 수행한 결과에 따라 기존의 리스크 타입이 관리 대상에서 삭제될 수도 있다. 예를 들어, '안개' 타입의 리스크 발생 빈도가 현저히 떨어져서 거의 발생하지 않게 되는 경우, '안개' 타입의 리스크를 관리 대상에서 삭제할 수 있을 것이다.According to the result of the machine learning, the existing risk type may be deleted from the management target. For example, if the incidence of the 'fog' type of risk is very low and rarely occurring, the 'fog' type of risk may be deleted from the management target.

도 3에 기재된 바와 같이, 복수의 리스크 타입이 그 성격을 기준으로 하나의 리스크 그룹으로 그룹핑(grouping) 될 수 있다. 상기 리스크 그룹은 사회 문제 그룹 및 기상 악화 그룹을 포함할 수 있다. 사회 문제 그룹에 속하는 리스크 타입 중 하나는, 예를 들어 '파업 타입'일 수 있다. 이는 노동자 파업으로 인하여 항구 등의 노드가 이용 불가능하게 되는 리스크를 의미한다. 기상 악화 그룹에 속하는 리스크 타입 중 하나는, 예를 들어 '안개 타입'일 수 있다. 이는 안개 발생으로 인해 공항 또는 항구 등의 노드가 이용 불가능하게 되는 리스크를 의미한다. 본 발명에서, 상기 기재되지 않은 리스크 그룹 및 리스크 타입이 리스크 식별의 기준으로 사용될 수 있음은 물론이다.As illustrated in FIG. 3, a plurality of risk types may be grouped into one risk group based on their nature. The risk group may include a social problem group and a bad weather group. One of the risk types belonging to the social problem group may be, for example, a 'strike type'. This represents the risk that the workers' strike would render the nodes, such as ports, unavailable. One of the risk types belonging to the worsening weather group may be, for example, a 'fog type'. This means the risk that nodes such as airports or harbors become unavailable due to fog. In the present invention, of course, risk groups and risk types not described above may be used as a criterion of risk identification.

상기 물류 운송 시스템이 장기간 운영 되었다면, 상기 물류 실행 이력 정보의 상기 이벤트 정보는 데이터 용량이 작지 않을 것이다. 따라서, 상기 이벤트 정보를 보다 효율적으로 검색하기 위하여 상기 이벤트 정보를 소정의 데이터를 키로 하여 그룹핑(grouping) 한 리스크 발생 이력 데이터가 상기 물류 운송 시스템 또는 상기 물류 리스크 예측 장치에 의하여 관리 될 수 있다.If the logistics transportation system has been operated for a long time, the event information of the logistics execution history information will not have a small data capacity. Therefore, in order to search for the event information more efficiently, risk occurrence history data grouping the event information with a predetermined data as a key may be managed by the logistics transportation system or the logistics risk prediction apparatus.

일 실시예에 따르면, 상기 리스크 발생 이력 데이터는 상기 이벤트 정보를 리스크 타입 별로 그룹핑 한 데이터일 수 있다. 도 4는 안개 타입의 리스크에 대한 리스크 발생 이력 데이터의 일 예이고, 도 5는 파업 타입의 리스크에 대한 리스크 발생 이력 데이터의 일 예이다. 상기 리스크 발생 이력 데이터에는 리스크 타입 별로 기 지정된 컬럼(column)이 존재할 수 있다.According to an embodiment, the risk occurrence history data may be data grouping the event information by risk type. 4 is an example of risk occurrence history data for the risk of fog type, Figure 5 is an example of risk occurrence history data for the risk of strike type. The risk occurrence history data may have a predetermined column for each risk type.

따라서, 상기 리스크 발생 이력 데이터를 생성하기 위하여, 상기 물류 실행 이력 정보에서 리스크 상황 발생에 대한 이벤트 정보를 수집하고, 상기 수집된 이벤트 정보를 리스크 타입 별로 리스크 발생 이력 데이터에 삽입할 수 있다. 이 때, 상기 수집된 이벤트 정보에서 리스크 타입 별로 기 지정된 컬럼에 대한 데이터를 추출하고, 상기 추출된 데이터를 상기 컬럼에 대한 데이터로 세팅(setting) 할 수 있다.Accordingly, in order to generate the risk occurrence history data, event information on occurrence of a risk situation may be collected from the logistics execution history information, and the collected event information may be inserted into the risk occurrence history data for each risk type. In this case, data for a predetermined column may be extracted for each risk type from the collected event information, and the extracted data may be set as data for the column.

다른 실시예에 따르면, 상기 리스크 발생 이력 데이터는 상기 이벤트 정보를 노드 명 별로 그룹핑 한 데이터일 수도 있다.According to another embodiment, the risk occurrence history data may be data grouping the event information by node name.

이하, 이해의 편의를 돕기 위해 상기 리스크 발생 이력 데이터가 상기 이벤트 정보를 리스크 타입 별로 그룹핑 한 데이터인 것으로 전제하고 설명한다.Hereinafter, it will be described on the premise that the risk occurrence history data is the data grouping the event information by risk type in order to facilitate understanding.

이하, 예측 대상 리스크를 결정하는 동작에 대하여 보다 상세히 설명한다. 검사 대상 운송 루트가 노드 A에서 출발하여 노드 B를 거쳐 노드 C에 도착 하는 것이라고 가정한다. 먼저, 첫 번째 노드 A의 명칭을 모든 리스크 타입의 리스크 발생 이력 데이터에서 검색한다. 노드 A의 명칭을 포함하는 리스크 발생 이력 데이터가 있다면, 그 리스크 타입을 노드 A에 대한 예측 대상 리스크로 결정한다. 노드 A에 대한 예측 대상 리스크는 둘 이상의 리스크 타입으로 결정될 수 있다. 예를 들어, 노드 A에서 안개로 인한 운송 지연이 발생했었고, 파업으로 인핸 운송 지연이 발생했었다면, 노드 A에 대한 예측 대상 리스크는 안개 타입과 파업 타입이 될 것이다.The operation of determining the predicted risk is described in more detail below. Assume that the transport route to be inspected departs from Node A and arrives at Node C via Node B. First, the name of the first node A is retrieved from the risk occurrence history data of all risk types. If there is risk occurrence history data that includes the name of node A, determine that risk type as the predicted risk for node A. The predicted risk for Node A may be determined by more than one risk type. For example, if there were fog delays at node A, and there were enhanced delays at strike, the predicted risk for node A would be fog type and strike type.

아직 검사 대상 운송 루트의 모든 노드에 대하여 검색이 완료되지 않았으므로, 노드 B 및 노드 C에 대하여도 노드 A와 동일한 동작을 수행한다. 아래의 표 1은 검사 대상 운송 루트의 모든 노드에 대하여 예측 대상 리스크가 결정 된 것을 표시한다.Since the search has not been completed for all nodes of the transport route to be inspected yet, the same operation as that for node A is performed for node B and node C. Table 1 below shows that predicted risks have been determined for all nodes of the transport route to be inspected.

표 1은 각 노드에 대응 되는 예측 대상 리스크가 존재하지 않을 수도 있고, 각 노드에 하나의 예측 대상 리스크가 대응 될 수도 있으며, 각 노드에 둘 이상의 예측 대상 리스크가 대응 될 수도 있는 점을 의미한다.Table 1 means that the predicted risk corresponding to each node may not exist, one predicted risk may correspond to each node, and more than one predicted risk may correspond to each node.

표 1

노드 명	예측 대상 리스크의 타입
노드 A	안개 타입, 파업 타입
노드 B	-
노드 C	한파 타입

Table 1

Node name	Type of risk to be predicted
Node A	Fog type, strike type
Node B	-
Node C	Cold wave type

일 실시예에 따르면, 상기 리스크 발생 이력 데이터가 상기 물류 실행 이력 정보와 별도로 관리되지 않을 수도 있다. 이러한 경우, 상기 물류 실행 이력 정보에서 상기 운송 루트 상의 노드에 대한 이벤트 정보를 조회하고, 상기 조회된 이벤트 정보를 바탕으로 상기 예측 대상 리스크를 결정할 수도 있다.According to an embodiment, the risk occurrence history data may not be managed separately from the logistics execution history information. In this case, the event information for the node on the transport route may be inquired from the logistic execution history information, and the predicted target risk may be determined based on the inquired event information.

다시, 도 1로 돌아와서 설명한다. 예측 대상 리스크를 결정(S300)한 후, 각 노드에 대응되는 예측 대상 리스크들의 발생을 예측하기 위하여 외부 장치로부터 데이터를 수집하고(S400), 수집 된 데이터를 분석하여 예측 대상 리스크의 발생 여부를 예측한다(S500).Again, the description will be made back to FIG. 1. After determining the predicted risk (S300), in order to predict occurrence of the predicted risk corresponding to each node, data is collected from an external device (S400), and the collected data is analyzed to predict whether the predicted risk occurs. (S500).

상기 외부 장치는, 뉴스 기사를 제공하는 웹 서버, 날씨 예보를 제공하는 웹 서버, 항만, 공항 등 상기 노드를 관리하는 기관의 웹 서버, 운송 업체들의 웹서버, 소셜 네트워크 서비스를 제공하는 서버, 각 국가의 운송업 관련 노조의 웹 서버 등을 의미할 수 있다.The external device may include a web server providing a news article, a web server providing a weather forecast, a web server of an institution managing the node such as a port, an airport, a web server of a transportation company, a server providing a social network service, and the like. This can mean a web server of a union related to a country's transportation industry.

일 실시예에서, 상기 예측에 빅데이터(big data) 분석 기술이 활용 될 수 있다. 즉, 본 명세서에서 상기 외부 장치로부터 수집된 인터넷 뉴스 기사, 날씨 예보 정보, 공공 기관의 공고 정보, 소셜 네트워크 서비스의 사용자 기제 컨텐츠, 인터넷 뉴스 기사에 대한 댓글 정보 중 적어도 어느 하나의 내용을 분석하여 상기 예측 대상 리스크의 발생 여부를 미리 예측 할 수 있다. In one embodiment, big data analysis technology may be utilized for the prediction. That is, the present disclosure analyzes at least one of the Internet news articles, weather forecast information, public institution announcement information, social network service user-based content, and comment information about Internet news articles collected from the external device. Predictive risks can be predicted.

빅데이터 및 그 분석 기술에 대하여는 인터넷 상으로 억세스할 수 있는 문헌(http://en.wikipedia.org/wiki/Big_data)을 참조한다.For big data and its analysis techniques, see the literature accessible on the Internet (http://en.wikipedia.org/wiki/Big_data).

이하, 본 발명에서 빅데이터 분석 기술의 활용과 관련된 몇몇 실시예에 대하여 설명한다. 아래 실시예들에서, 공통적으로 빅데이터 분석의 목적은 특정 노드에서 그 노드의 예측 대상 리스크가 발생할 것인지 여부(YES/NO), 또는 특정 노드에서 그 노드의 예측 대상 리스크가 발생할 확률이 될 수 있다. 특정 노드에서, 그 노드의 예측 대상 리스크가 발생할 것인지 여부(YES/NO)는 상기 확률의 연산 후, 기 지정된 기준치를 기준으로 하여 판정할 수 있다.Hereinafter, some embodiments related to the use of big data analysis technology in the present invention will be described. In the following embodiments, in general, the purpose of big data analysis may be whether a node's predicted risk will occur at a particular node (YES / NO), or the probability that a node's predicted risk will occur at a particular node. . At a particular node, whether or not the predicted risk of that node will occur (YES / NO) can be determined based on a predetermined reference value after the calculation of the probability.

일 실시예에서, 외부 장치로부터 수집 된 데이터의 내용을 통계적으로 분석(statistical analysis)하는 방법이 사용될 수도 있다. 즉, 상기 수집 된 데이터의 내용을 인식(text mining)하고, 인식된 내용을 기 지정된 포맷에 맞게 가공하여 데이터베이스 화하며, 데이터베이스에 기록된 데이터를 널리 알려진 통계 분석 방법을 이용하여(예를 들어, 회귀 분석) 리스크 발생 예측을 위한 수학 모델을 생성할 수 있다. 본 실시예에서는, 상기 수학 모델의 생성을 검증하기 위한 용도로 상기 리스크 발생 이력 데이터가 사용될 수도 있다. 상기 수학 모델은, 예를 들어, 리스크 발생의 확률을 출력 값으로 생성할 수 있는데, 상기 수학 모델에 상기 리스크 발생 이력 데이터를 샘플로 입력해 보고, 그 결과가 보다 정확해 지도록 상기 수학 모델을 튜닝할 수 있을 것이다. 상기 리스크 발생 이력 데이터를 이용한 튜닝은, 상기 리스크 발생 이력 데이터가 상기 리스크의 발생과 관련된 실제 발생 사실에 기반한 데이터이기 때문에 가능하다.In one embodiment, a method for statistical analysis of the content of data collected from an external device may be used. That is, text mining of the collected data is processed, the recognized content is processed to a predetermined format into a database, and data recorded in the database using a widely known statistical analysis method (for example, Regression analysis) Create mathematical models for predicting risk occurrences. In this embodiment, the risk occurrence history data may be used for verifying generation of the mathematical model. The mathematical model may generate, for example, a probability of occurrence of risk as an output value, and input the risk occurrence history data into the mathematical model as a sample, and tune the mathematical model to make the result more accurate. You can do it. Tuning using the risk occurrence history data is possible because the risk occurrence history data is data based on actual occurrence facts associated with the occurrence of the risk.

데이터의 수집 방식은 예측 대상 리스크의 타입 또는 예측 대상 리스크의 그룹에 따라 다를 수 있다. 이하, 데이터의 수집 방식이 예측 대상 리스크의 그룹에 따라 결정 되는 경우를 예를 들어 설명한다.How data is collected may vary depending on the type of risk to be predicted or the group of risk to be predicted. Hereinafter, the case where the data collection method is determined according to the group of the predicted risk will be described as an example.

먼저, 예측 대상 리스크가 사회 문제 그룹에 속한 타입의 리스크인 경우, 데이터를 수집하고(S400), 수집된 데이터를 분석하여 예측 대상 리스크의 발생 여부를 예측하는 방법(S500)을 도 6 내지 도 7을 참조하여 설명한다.First, when the predicted risk is a type of risk belonging to a social problem group, the method of collecting data (S400) and analyzing the collected data to predict whether the predicted risk occurs (S500) is shown in FIGS. 6 to 7. It will be described with reference to.

먼저, 도 6을 참조하여 설명한다. 예측 대상 리스크가 사회 문제 그룹에 속한 타입의 리스크인 경우, 소셜 네트워크 서비스 서버 또는 인터넷 뉴스 댓글 서비스 서버로부터 개인 작성 컨텐츠를 수집하고 인터넷 뉴스 서버로부터 인터넷 뉴스 컨텐츠를 수집한다(S401). 이하, 상기 개인 작성 컨텐츠 및 인터넷 뉴스 컨텐츠를 포함하여 아티클(articles)이라 지칭한다. 상기 아티클은 소셜 네트워크 서비스 서버 등에서 제공하는 open API(Application Programming Interface)를 이용하거나, 웹 크롤러(Web crawler)를 이용하여 주기적으로 또는 비주기적으로 수집할 수 있다.First, a description will be given with reference to FIG. 6. When the predicted risk is a type of risk belonging to a social problem group, personally-created content is collected from a social network service server or an internet news comment service server, and internet news content is collected from an internet news server (S401). Hereinafter referred to as articles including the personal writing content and the Internet news content. The article may be collected periodically or aperiodically using an open API (Application Programming Interface) provided by a social network service server, or by using a web crawler.

상기 아티클은 기 지정된 규칙에 따라 제한 될 수 있다.The article may be restricted according to a predetermined rule.

예를 들어, 상기 인터넷 뉴스 컨텐츠는 수집 시점으로부터 기 지정된 시간 내 작성된 최근 컨텐츠로 한정될 수 있다. 또한, 상기 개인 작성 컨텐츠는 예측 대상 리스크에 대응하는 노드의 인접 지역과 관련 있는 개인에 의하여 작성된 것으로 한정될 수 있다. 예를 들어, 예측 대상 리스크에 대응하는 노드의 명칭이 'Long Beach Port'라면, Long Beach Port 인근에 거주하거나, Long Beach Port에 직장을 가지는 개인이 작성된 개인 작성 컨텐츠만 수집할 수 있을 것이다.For example, the Internet news content may be limited to the latest content created within a predetermined time from the collection point. In addition, the personal creation content may be limited to one created by an individual associated with an adjacent region of a node corresponding to the predicted risk. For example, if the name of the node corresponding to the predicted risk is 'Long Beach Port', only personally created contents created by individuals living near Long Beach Port or having a job at Long Beach Port may be collected.

수집 된 상기 아티클 각각에 대하여 키워드를 선정한다(S512). 이 때, TF-IDF(Term Frequency - Inverse Document Frequency)를 이용하여 아티클에 포함된 텍스트(TEXT) 중 중요한 키워드를 추출할 수 있다. A keyword is selected for each of the collected articles (S512). At this time, an important keyword may be extracted from the text included in the article using TF-IDF (Term Frequency-Inverse Document Frequency).

다음으로, 추출된 키워드에 리스크 관련 어휘(lexicon) 및 상기 예측 대상 리스크에 대응하는 노드의 명칭이 모두 포함 되어 있는지 판정하고(S514), 리스크 관련 어휘 및 노드의 명칭을 키워드로 가지는 아티클에 한하여 리스크 코멘트 컨텐츠로 선정한다(S516). 예를 들어, 파업 타입의 리스크가 예측 대상 리스크이고, 상기 예측 대상 리스크에 대응하는 노드의 명칭이 'Long Beach Port'라면, 수집된 아티클 중 키워드에 'strike' 및 'Long Beach Port'를 모두 키워드로 가지는 아티클 만이 상기 리스크 코멘트 컨텐츠로 선정될 것이다.Next, it is determined whether the extracted keyword includes both the risk related lexicon and the name of the node corresponding to the predicted risk (S514), and the risk is limited only to an article having the risk related vocabulary and the name of the node as a keyword. The comment content is selected (S516). For example, if the strike type risk is the predicted risk and the node corresponding to the predicted risk is the 'Long Beach Port', the keywords 'strike' and 'Long Beach Port' are all keywords for the collected articles. Only articles with branches will be selected as the risk comment content.

다른 실시예에 따르면, 상기 수집된 아티클이, 상기 예측 대상 리스크에 대응하는 노드의 인접 지역과 관련 있는 개인에 의하여 작성된 개인 작성 컨텐츠인 경우, 상기 추출된 키워드에 상기 리스크 관련 어휘만 포함되더라도 상기 리스크 코멘트 컨텐츠로 선정될 수 있다.According to another embodiment, when the collected article is personally created content created by an individual related to an adjacent region of a node corresponding to the predicted risk, the risk may be included even if the extracted keyword includes only the risk-related vocabulary. The comment content may be selected.

상기 리스크 관련 어휘는, 각 타입의 리스크에 대하여 미리 수집된 것일 수 있다. 상기 리스크 관련 어휘는, 기계 학습 로직(Machine-learning logic)을 수행하여, 주기적으로 또는 비주기적으로 확충될 수 있다. 이 때, 나이브 베이즈 구분자(Naive Bayes Classifier)를 사용하여 상기 수집된 아티클에 대한 TF-IDF를 조정할 수 있다. 조정 된 TF-IDF 계산 결과를 토대로 상기 예측 대상 리스크 관련 어휘를 보완할 수 있다.The risk-related vocabulary may be collected in advance for each type of risk. The risk-related vocabulary may be expanded periodically or aperiodically by performing machine-learning logic. At this time, Naive Bayes Classifier can be used to adjust the TF-IDF for the collected articles. Based on the adjusted TF-IDF calculation results, the relevant risk-related vocabulary can be supplemented.

아티클의 수집이 종료되면(S518), 수집된 리스크 코멘트 컨텐츠의 개수를 집계한다(S520). 리스크 코멘트 컨텐츠의 개수가 기준치를 초과하는 경우, 예측 대상 리스크가 발생할 것으로 예측하고(S526), 그렇지 않은 경우, 예측 대상 리스크가 발생하지 않을 것으로 예측할 수 있다(S524).When the collection of articles is ended (S518), the number of collected risk comment contents is counted (S520). When the number of the risk comment contents exceeds the reference value, the predicted risk may be predicted to occur (S526). Otherwise, the predicted risk may not be predicted to occur (S524).

다음으로, 도 7을 참조하여 설명한다. 도 7에 도시 된 실시예에서는 감성 분석(Sentiment analysis)을 수행하고, 그 결과를 이용하여 예측 대상 리스크의 발생 여부를 예측한다. 아티클의 수집(S510) 내지 아티클의 수집 종료(S518)까지는 도 6을 참조한 설명과 동일한 동작이 수행 된다. 다만, 일 실시예에서는 수집되는 아티클이 상기 개인 작성 컨텐츠로 제한 될 수도 있고, 다른 실시예에서는 수집되는 아티클이 상기 개인 작성 컨텐츠 및 상기 인터넷 뉴스 컨텐츠를 모두 포함할 수도 있다.Next, a description will be given with reference to FIG. 7. In the example illustrated in FIG. 7, sentiment analysis is performed, and the result is used to predict whether a risk to be predicted is generated. The same operation as that described with reference to FIG. 6 is performed from the collection of articles S510 to the end of collection of articles S518. However, in one embodiment, the collected article may be limited to the personally created content, and in another embodiment, the collected article may include both the personally created content and the internet news content.

아티클의 수집이 종료되면, 리스크 코멘트 컨텐츠에 대하여 감성 분석을 수행한다(S530). 상기 감성 분석은 의견 마이닝(opinion mining)으로도 지칭 되는 빅데이터 분석 기술의 요소 기술 중 하나이다. 분석 대상 데이터에 대하여 상기 감성 분석을 수행하면, 그 결과로 대상 아이템에 대한 긍정 또는 부정 강도가 산출될 수 있다. 상기 감성 분석에 대하여는 공지 된 인터넷 문헌 'http://en.wikipedia.org/wiki/Sentiment_analysis'를 참조할 수 있다.When the collection of the article is finished, emotional analysis is performed on the risk comment content (S530). The emotional analysis is one of the element technologies of big data analysis technology, also referred to as opinion mining. When the emotional analysis is performed on the analysis target data, a positive or negative intensity for the target item may be calculated as a result. Regarding the emotion analysis, reference may be made to a known Internet document 'http://en.wikipedia.org/wiki/Sentiment_analysis'.

상기 리스크 코멘트 컨텐츠에 대한 상기 감성 분석 결과, 즉 긍정 강도 및 부정 강도를 이용하여 상기 예측 대상 리스크의 발생 여부를 미리 예측한다(S532). 즉, 상기 예측 대상 리스크 관련 어휘에 대한 긍정 강도가 제1 기준치를 초과하거나, 상기 예측 대상 리스크 관련 어휘에 대한 긍정 강도에서 부정 강도를 뺀 수치가 제2 기준치를 초과하는 경우, 상기 예측 대상 리스크가 발생할 것으로 미리 예측할 수 있다.Using the result of the emotional analysis on the risk comment content, that is, the positive intensity and the negative intensity, the prediction target risk is predicted in advance (S532). That is, when the positive intensity for the predicted risk-related vocabulary exceeds the first reference value, or the value obtained by subtracting the negative intensity from the positive intensity for the predicted risk-related vocabulary exceeds the second reference value, the predicted risk is You can predict in advance what will happen.

수집 된 리스크 코멘트 컨텐츠에 대하여 감성 분석을 수행하는 경우, 사회 문제 그룹의 리스크에 대한 대중의 찬반 감성을 파악할 수 있다. 대중이 부정적으로 생각하는 사회 문제 리스크는 발생하지 않을 것이라는 점을 감안하면, 본 실시예는 빅데이터 분석 기술을 활용하여 높은 정확도로 사회 문제 리스크의 발생 여부를 예측할 수 있는 효과가 있다.When conducting an emotional analysis on the collected risk comment content, it is possible to identify the public's pros and cons of the risks of the social problem group. Considering that social problem risks, which the public considers to be negative, will not occur, the present embodiment has an effect of predicting whether social problem risks occur with high accuracy by using big data analysis technology.

도 8은 개인 작성 컨텐츠 중 리스크 코멘트 컨텐츠의 개수를 기준으로 예측 대상 리스크의 발생을 미리 예측하는 실시예를 이해하기 위한 개념도이다. 도 5에는 트위터에 게시된 트윗 중 롱비치 항(현재 판단 대상 노드)에 파업 리스크(현재 판단 대상 노드에 대한 예측 대상 리스크)가 발생할 것인지 여부를 예측하기 위하여, 롱비치 항과 파업 관련 어휘를 동시에 포함하는 리스크 코멘트 컨텐츠의 게시 건수를 예시한다. 도 8에 도시된 사안에서, 18 정도의 기준치를 설정한다면, 파업이 발생하기 전에 미리 파업 발생을 예측할 수 있을 것이다.8 is a conceptual diagram for understanding an embodiment of predicting the occurrence of the predicted risk in advance based on the number of risk comment contents in the personal creation content. FIG. 5 illustrates a long beach term and a strike related vocabulary simultaneously to predict whether a strike risk (a predicted risk for a currently determined node) will occur in a long beach term (a current target node) among tweets posted on Twitter. We illustrate the number of publication of risk comment contents to include. In the case shown in FIG. 8, if a reference value of 18 is set, the strike occurrence can be predicted before the strike occurs.

다시 도 1으로 돌아와서 설명한다.It returns to FIG. 1 again and demonstrates.

예측 대상 리스크의 발생이 예측 된 경우(S600), 물류 실행 이력 데이터를 이용하여 발생이 예측 된 예측 대상 리스크에 대응하는 노드에 대한 이용 차질 여부를 예측 한다(S700).When the occurrence of the predicted risk is predicted (S600), the logistic execution history data is used to predict whether the use of the node corresponding to the predicted risk that the occurrence is predicted is disrupted (S700).

추후 자세히 설명하겠지만, 상기 예측 대상 리스크가 기상 악화 그룹에 속한 타입의 리스크인 경우, 예를 들어 안개 타입의 리스크 발생이 예측 되었다 하더라도, 그 심각도에 따라 이용 차질이 발생하지 않을 수도 있다. 물류 실행 이력 데이터에 포함 된 안개 타입의 리스크 발생에 따른 이용 차질 관련 기록을 회귀 분석 등 통계 처리하여 회귀 모델을 생성한 후, 상기 회귀 모델에 상기 예측 대상 리스크의 세부 사항을 입력하여 상기 리스크에 대응하는 노드의 이용 차질 여부를 예측할 수 있다. 이 때, 이용 차질 여부와 함께 이용 차질에 따른 지연 기간도 상기 회귀 모델의 출력 값으로부터 예측할 수 있다. 이용 차질이 예측되고(S800) 그 지연 기간도 연산 되었다면, 상기 지연 기간이 반영되도록 운송 루트에 대한 ETA를 조정할 수 있다(S900).As will be described in detail later, if the predicted risk is a type of risk belonging to a bad weather group, even if a fog type risk is predicted, for example, a disruption of use may not occur depending on the severity. After generating the regression model by statistically processing the records related to the use disruption caused by the occurrence of the risk of fog type included in the logistic execution history data, the details of the predicted risk are input to the regression model to cope with the risk. It is possible to predict whether or not to use the node. In this case, it is possible to predict whether the use disruption and the delay period according to the use disruption are also based on the output value of the regression model. If the use disruption is predicted (S800) and the delay period is also calculated, the ETA for the transport route may be adjusted to reflect the delay period (S900).

이 때, ETA를 조정한다는 것은, 기존의 ETA를 갱신하거나, 기존의 ETA는 그대로 두고 조정 된 ETA(predicted ETA; p-ETA) 데이터를 별도로 관리하는 것을 의미한다. 이하, 본 명세서에서 ETA를 조정하는 것은, 기존의 ETA를 갱신하는 것, 기존의 ETA는 그대로 유지하고 조정 된 ETA(p-ETA)를 신규로 생성하는 것 또는 기존의 ETA는 그대로 유지하고 기존의 조정 된 ETA(p-ETA)를 갱신하는 것을 의미한다.At this time, adjusting the ETA means updating the existing ETA or separately managing the adjusted ETA (p-ETA) data without changing the existing ETA. Hereinafter, adjusting the ETA in this specification means updating an existing ETA, maintaining an existing ETA and creating a new adjusted ETA (p-ETA), or maintaining an existing ETA as it is. This means updating the adjusted ETA (p-ETA).

상기 운송 루트에 따라 운송이 진행 되는 도중, 장래 도착 예정인 상기 운송 루트 상의 특정 노드에 예측 대상 리스크의 발생이 예측 될 수도 있다(S600). 이 때, 상기 예측 대상 리스크의 발생에 의하여 상기 예측 대상 리스크에 대응하는 노드에 대한 이용 차질이 예측 되고(S700, S800), 상기 이용 차질에 따른 지연 기간에 의해 운송 완료 요구 시점 내에 운송 완료가 불가능할 것으로 예측 되었다면, 상기 운송 완료 요구 시점 내에 운송이 완료 될 수 있는 대체 운송 루트를 생성하여, 화주의 단말 또는 관리자의 단말에 상기 대체 운송 루트에 대한 정보를 송신할 수 있다(S900).While the transport is in progress according to the transport route, occurrence of the predicted risk may be predicted to a specific node on the transport route that is expected to arrive in the future (S600). At this time, the disruption of use for the node corresponding to the predicted risk is predicted by the occurrence of the predicted risk (S700, S800), and it may not be possible to complete the transport within the request time for completing the transport due to the delay period according to the use disruption. If it is predicted, it is possible to generate an alternative transport route that can be completed within the transport completion request time, it is possible to send information about the alternative transport route to the shipper's terminal or administrator's terminal (S900).

상기 대체 운송 루트를 생성하는 것은, 예를 들어 해상 운송 도중인 경우 인접한 항구 및 공항을 통해 항공 운송으로 대체함으로써, 운송에 소요 되는 시간을 줄이는 것을 의미할 수 있다. 또한, 육상 운송 도중인 경우 인접한 공항을 통해 항공 운송으로 대체할 수 있을 것이다. 이러한 경우, 운송에 소요 되는 비용은 늘어나게 되겠지만, 운송 완료 요구 시점 내에 운송을 완료하지 못할 때 발생하는 손해 비용이 훨씬 큰 경우, 이러한 대체 운송 루트 제안은 화주의 운송 업무 만족도를 높여줄 수 있다.Creating the alternate transport route may mean reducing the time required for transportation, for example by replacing it with air transport through adjacent ports and airports during sea transport. It may also be possible to substitute air transport through adjacent airports during land transport. In such a case, the cost of transportation will be increased, but if the cost of damage incurred when the transportation is not completed within the required time of transportation completion, such alternative transportation route proposal can increase the satisfaction of the shipper's transportation business.

상기 예측 대상 리스크의 발생에 의하여 상기 예측 대상 리스크에 대응하는 노드에 대한 이용 차질이 예측 되었지만(S700, S800), 상기 이용 차질에 따른 지연 기간에 따라 조정된 ETA가 여전히 상기 운송 완료 요구 시점보다 빠를 수도 있다. 이러한 경우에는, ETA만 조정하고 대체 운송 루트를 생성하지는 않을 수 있다.Although the use disruption for the node corresponding to the predicted risk is predicted by the occurrence of the predicted risk (S700, S800), the ETA adjusted according to the delay period according to the use disruption may still be earlier than the request for completion of transportation. It may be. In such a case, it is possible to adjust only the ETA and not create an alternate transport route.

상기 예측 대상 리스크가 사회 문제 그룹에 속한 리스크인 경우에도, 상기 물류 실행 이력 데이터를 이용하여 상기 리스크에 의한 이용 차질 여부 및 그 지연 기간을 예측할 수 있을 것이다. 예를 들어, A 항구에 대한 노동자 파업 발생 시, 평균 이용 차질 기간이 상기 물류 실행 이력 데이터를 이용하여 얻어질 수 있고, 상기 평균 이용 차질 기간이 상기 지연 기간으로 연산 될 수 있을 것이다.Even when the predicted risk is a risk belonging to a social problem group, the logistic execution history data may be used to predict whether the risk is disrupted and the delay period. For example, when a worker strikes on port A, an average utilization disruption period may be obtained using the logistical execution history data, and the average utilization disruption period may be calculated as the delay period.

한편, 일 실시예에 따르면, 상기 예측 대상 리스크가 사회 문제 그룹에 속한 리스크인 경우, 상기 리스크에 의한 이용 차질이 무조건 발생하고, 그 지연 기간은 무한대인 것으로 설정하여, 운송 루트 선정이 보수적으로 이뤄지도록 할 수도 있다.Meanwhile, according to an embodiment, when the predicted risk is a risk belonging to a social problem group, the use disruption caused by the risk occurs unconditionally, and the delay period is set to infinite, so that the route selection is conservative. You can also

운송 루트 선정 이전에 특정 운송 루트에 속한 노드에 대응하는 사회 문제 그룹의 리스크가 예측 되었다면, 그 운송 루트는 선택 되지 않았을 것이다. 그런데, 운송 루트 선정 시점 이후에야 사회 문제 그룹의 리스크가 예측 될 수도 있을 것이다. 사회 문제 그룹의 리스크는, 그 리스크에 의한 이용 차질의 발생 여부 및 이용 차질 발생 시 그로 인한 지연 기간을 정확하게 예측하기 어려운 특성을 가진다. 따라서, 상기 운송 루트에 따라 운송이 진행 되는 도중, 사회 문제 그룹의 리스크 등 기 지정 된 특정 타입의 예측 대상 리스크 발생이 예측되면, 바로 운송 완료 요구 시점 내에 운송이 완료 될 수 있는 대체 운송 루트를 생성할 수 있다. 발생이 예측 된 리스크에 대한 정보 및 그에 대응 되는 노드에 대한 정보와 상기 생성 된 대체 운송 루트에 대한 정보는 화주의 단말 또는 관리자의 단말에 송신될 수 있다.If the risks of the social problem group corresponding to the nodes belonging to a particular transport route were predicted before the transport route was chosen, the transport route would not have been selected. However, the risks of the social problem group may be predicted only after the transportation route is selected. The risk of the social problem group has a characteristic that it is difficult to accurately predict whether the use disruption occurs due to the risk and the delay period resulting from the use disruption. Therefore, if a certain type of predicted risk occurrence, such as a risk of a social problem group, is predicted while the transportation is in progress according to the transportation route, an alternative transportation route is generated so that the transportation can be completed within the time required for completion of transportation. can do. Information on the risk that the occurrence is predicted, information on the corresponding node and the generated alternative transport route may be transmitted to the shipper's terminal or administrator's terminal.

본 발명의 다른 실시예에 따른 물류 리스크 예측 방법에 대하여 도 9를 참조하여 설명한다. 본 실시예에서는 예측 대상 리스크가 기상 악화 그룹에 속한 타입의 리스크인 것으로 가정하고 설명한다. 물류 실행 이력 정보를 얻는 동작(S100)으로부터 예측 대상 리스크의 발생이 예측 되는 동작(S600)까지는 도 1을 참조하여 설명한 것과 동일한 동작이 수행 될 수 있다.A logistics risk prediction method according to another embodiment of the present invention will be described with reference to FIG. 9. In the present embodiment, it is assumed that the predicted risk is a type of risk belonging to a bad weather group. The same operation as described with reference to FIG. 1 may be performed from the operation S100 of obtaining logistics execution history information to the operation S600 in which the occurrence of the predicted risk is predicted.

예측 대상 리스크의 발생이 예측 된 경우, 물류 실행 이력 정보에서 예측 대상 리스크 대응 노드의 리스크 발생 관련 지표와 이용 차질 기간을 취합한다(S702). 예를 들어, 상기 예측 대상 리스크가 안개 타입의 리스크이고, 그 대응 노드가 A 항구라면, 물류 실행 이력 정보의 이벤트 정보에는 A 항구에 안개 발생으로 인한 항구 폐쇄가 발생했을 때의 시기(월), 가시도, 풍속, 강우량 등이 기록 되어 있을 것이다. 상기 리스크 발생 관련 지표는 시기, 가시도, 풍속, 강우량 등을 가리킨다. 즉, 상기 물류 실행 이력 정보에서 A 항구에 발생한 안개와 관련된 데이터를 취합한다. 일 실시예에 따르면, 리스크 발생 이력 데이터에서 상기 리스크 발생 관련 지표와 이용 차질 기간이 취합 될 수도 있다.When the occurrence of the predicted risk is predicted, the risk occurrence related index of the predicted risk response node and the use disruption period are collected from the logistic execution history information (S702). For example, if the predicted risk is a fog type risk and the corresponding node is the port A, the event information in the logistic execution history information includes the time (month) when the port closure due to the fog occurs in the port A, Visibility, wind speed and rainfall will be recorded. The risk-related indicators indicate timing, visibility, wind speed and rainfall. That is, the data related to the fog generated in the port A is collected from the logistic execution history information. According to an embodiment of the present disclosure, the risk occurrence index and the use disruption period may be collected from the risk occurrence history data.

다음으로, 취합 된 상기 리스크 발생 관련 지표와 이용 차질 기간을 이용하여 회귀 모델(regression model)을 생성한다(S704). 이 때, 상기 리스크 발생 관련 지표가 독립 변인이 되고, 상기 이용 차질 기간이 종속 변인이 된다.Next, a regression model is generated using the collected risk occurrence related indicators and the use disruption period (S704). In this case, the risk-related indicators become independent variables, and the disruption period becomes a dependent variable.

다음으로, 수집 된 기상 예보 중 리스크 발생 관련 지표를 회귀 모델에 입력하여 이용 차질 여부 및 이용 차질 기간을 연산한다(S706). 예를 들어, 상기 회귀 모델에서 출력 된 이용 차질 기간이 0인 경우, 이용 차질이 없을 것으로 예측하고, 출력 된 이용 차질 기간이 0보다 큰 경우 이용 차질이 있을 것으로 예측할 수 있다. 다음으로, 출력 된 이용 차질 기간, 즉 지연 기간이 반영 되도록 ETA를 조정한다(S900).Next, the risk occurrence indicators of the collected weather forecasts are input to the regression model to calculate whether or not the use disruption and the use disruption period (S706). For example, when the usage disruption period output from the regression model is 0, it may be predicted that there is no usage disruption, and when the output usage disruption period is greater than 0, it may be predicted that there is a usage disruption. Next, the ETA is adjusted to reflect the output usage disruption period, that is, the delay period (S900).

한편, 상기 운송 루트에 따라 운송이 진행 되는 도중, 장래 도착 예정인 상기 운송 루트 상의 특정 노드에 예측 대상 리스크의 발생이 예측 될 수도 있다(S600). 이 때, 상기 예측 대상 리스크의 발생에 의하여 상기 예측 대상 리스크에 대응하는 노드에 대한 이용 차질이 예측 되고(S706), 상기 이용 차질에 따른 지연 기간에 의해 운송 완료 요구 시점 내에 운송 완료가 불가능할 것으로 예측 되었다면, 상기 운송 완료 요구 시점 내에 운송이 완료 될 수 있는 대체 운송 루트를 생성하여, 화주의 단말 또는 관리자의 단말에 상기 대체 운송 루트에 대한 정보를 송신할 수도 있다(S900).On the other hand, while the transport is in progress according to the transport route, the occurrence of the predicted risk may be predicted to a specific node on the transport route to be arrived in the future (S600). At this time, the use disruption for the node corresponding to the predicted risk is predicted by the occurrence of the predicted risk (S706), and it is predicted that the transport cannot be completed within the request time for completing the transport due to the delay period according to the use disruption. If so, it may generate an alternative transport route that can be completed within the transport completion request time, and transmit information on the alternative transport route to the shipper's terminal or the terminal of the manager (S900).

도 10은 가시도가 독립 변인인 경우의 회귀 모델 생성 예시를 나타낸다. 도 10에 도시된 바와 같이, 이용 차질 기간 대신 폐쇄 횟수가 종속 변인이 될 수도 있다.10 shows an example of regression model generation when visibility is an independent variable. As shown in FIG. 10, the closing number may be a dependent variable instead of the use disruption period.

이하, 본 발명의 또 다른 실시예에 따른 최적 운송 루트 설정 방법에 대하여 도 11 내지 도 14를 참조하여 설명한다.Hereinafter, a method for setting an optimal transport route according to another embodiment of the present invention will be described with reference to FIGS. 11 to 14.

먼저, 사용자가 출발지 노드(TIANJIN)와 도착지 노드(AUSTIN)을 선정하면, 출발지와 도착지 사이의 가능한 운송 루트가 자동으로 생성된다. 도 11에는 3개의 운송 루트가 생성된 것을 알 수 있다. 각 운송 루트에 대하여, 각 노드 간의 정상 소요 시간 정보를 바탕으로 ETA도 연산된다. 또한, 각 운송 루트에 대하여, 각 노드 간의 운송 비용 정보를 바탕으로 전체 운송 비용도 연산된다. 이하, 최종 목적지인 AUSTIN에는 늦어도 10월 20일에 도착하는 것이 화주의 요구사항인 점을 전제하여 설명한다.First, when the user selects a source node TIANJIN and a destination node AUSTIN, a possible transport route between the source and destination is automatically generated. It can be seen from FIG. 11 that three transport routes have been created. For each transport route, the ETA is also computed based on the normal lead time information between each node. In addition, for each transportation route, the total transportation cost is also calculated based on the transportation cost information between each node. In the following, the final destination AUSTIN will be explained on the assumption that arrival at the latest on October 20 is a shipper's requirement.

3개의 운송 루트 모두 화주 요구에 따른 운송 완료일 전의 ETA를 가지기 때문에, 리스크를 예측하기 전에는, 물류 비용이 가장 저렴하고, 소요 시간도 가장 짧은 첫 번째 노선(TIANJIN --> QINGDAO --> PUSAN --> LONG BEACH --> AUSTIN)이 일반적으로 선택될 것이다.Since all three shipping routes have an ETA prior to the shipper's completion date according to the shipper's demand, the first route (TIANJIN-> QINGDAO-> PUSAN-) with the lowest logistics cost and the shortest travel time before estimating risk. > LONG BEACH-> AUSTIN) will normally be selected.

본 실시예에 따른 최적 운송 루트 설정 방법에서는 운송 루트의 자동 생성 이후에, 각 운송 루트에 대한 리스크 발생 예측을 실행할 수 있다. 상기 리스크 발생 예측의 실행은, 사용자의 명령이 입력 되는 경우에 수행 되거나, 사용자의 명령이 없더라도 자동으로 수행 될 수 있다. 상기 리스크 발생 예측 방법은 도 1 내지 도 10을 참조하여 설명한 바 있다.In the optimal transport route setting method according to the present embodiment, after the automatic generation of the transport route, the risk occurrence prediction for each transport route can be executed. Execution of the risk occurrence prediction may be performed when a user's command is input or may be automatically performed even without a user's command. The risk occurrence prediction method has been described with reference to FIGS. 1 to 10.

도 12는 전체 운송 루트들에 소속된 노드들을 취합하고, 취합 된 노드들에 대한 검사를 수행한 결과를 도시한다. 노드 중 하나인 청도항(QINGDAO)에서 안개 리스크 발생이 예측 되어, 상기 안개 리스크 발생의 결과, 5일의 딜레이가 생기는 점을 도시한다. 그 결과, 조정된 ETA(P-ETA)는 2014-10-21이 되어 화주 요구에 따른 운송 완료일 보다 1일 늦어지게 된다.12 shows the results of collecting nodes belonging to all transport routes and performing a check on the collected nodes. The fog risk occurrence is predicted in QINGDAO, one of the nodes, and shows that the fog risk occurs, resulting in a 5-day delay. As a result, the adjusted ETA (P-ETA) will be 2014-10-21, one day later than the completion date of the shipment as required by the shipper.

안개 리스크 발생을 예측한 이유는, 안개에 대한 상기 리스크 발생 이력 데이터에 청도항에 대한 기록이 있기 때문이다. 그 후, 청도항의 안개에 대한 기상 예보 정보를 수집하여 청도항에 2014-10-07부터 2014-10-14까지 7일 연속 안개가 끼는 점이 인지 된다. 상기 기상 예보 조건을, 상기 안개 리스크에 대한 리스크 발생 이력 데이터 중 청도항에 대한 데이터를 이용하여 생성한 수학 모델에 입력한 결과 5일의 지연이 발생하는 점이 도출된다.The reason for predicting the occurrence of the fog risk is that there is a record for the Qingdao term in the risk occurrence history data for the fog. After that, the weather forecast information for the fog in Qingdao Port is collected, and it is recognized that the Qingdao Port has fog for 7 consecutive days from 2014-10-07 to 2014-10-14. As a result of inputting the weather forecast condition into a mathematical model generated using data of the Qingdao term among the risk occurrence history data for the fog risk, a delay of 5 days is derived.

도 13은 노드 중 하나인 롱비치 항에 파업 리스크 발생이 예측 되어, 상기 파업 리스크 발생의 결과, 정확한 기한을 알 수 없는 딜레이가 생기는 점을 도시한다.FIG. 13 illustrates that strike risk is predicted in Long Beach, which is one of the nodes, and as a result of the strike risk, a delay in which an exact deadline is unknown is generated.

파업 리스크 발생을 예측한 이유는, 파업에 대한 상기 리스크 발생 이력 데이터에 롱비치 항에 대한 기록이 있기 때문이다. 그 후, 롱비치 항의 파업에 대한 Sentiment analysis 형태의 빅데이터 분석을 수행하여, 롱비치 항의 파업이 운송계획 상의 롱비치 항의 이용 시점에 있을 것으로 예측 된다. 상기 리스크 발생 이력 데이터 상의 과거 롱비치 항 파업 기록의 수가 부족하여 수학 모델이 생성되지 않는 경우, P-ETA의 생성이 불가능할 수 있다.The reason for predicting strike risk is that there is a record for the Long Beach term in the risk occurrence history data for the strike. After that, a big data analysis in the form of a sentiment analysis of the strike at Long Beach is expected, and the strike at Long Beach is expected to be at the point of use of the Long Beach term in the transportation plan. If the mathematical model is not generated because the number of past Long Beach term strike records on the risk occurrence history data is insufficient, the generation of the P-ETA may be impossible.

롱비치 항은 첫 번째 운송 루트와 세 번째 운송 루트에 모두 포함 되어 있으므로, 도 14에 도시된 바와 같이, 화주 요구에 따른 운송 완료일 전의 ETA를 가지는 것은 두 번째 운송 루트 밖에 없다. 본 실시예에 따르면, 제 시간에 운송을 완료할 가능성이 가장 높은 안전한 운송 루트를 선택할 수 있다.Since the Long Beach term is included in both the first and third transport routes, as shown in FIG. 14, it is only the second transport route that has an ETA prior to the completion date of transport as required by the shipper. According to this embodiment, it is possible to select a safe transport route that is most likely to complete the transport in time.

한편, 두 번째 운송 루트(TIANJIN, SHANGHI, PUSAN, ENSENADA, AUSTIN)에 따라 운송을 진행하는 도중 장래 도착 예정인 노드에 리스크 발생이 예측 되고, 상기 리스크 발생에 따라 상기 노드의 이용 차질이 예측 되며, 상기 이용 차질에 의하여 운송 완료 요구 시점 내에 운송이 완료 되기 어려운 경우가 발생할 수도 있다.Meanwhile, a risk is predicted at a node that is expected to arrive in the future during the transport according to the second transport route (TIANJIN, SHANGHI, PUSAN, ENSENADA, AUSTIN), and the disruption of the node is predicted according to the risk occurrence. Due to the disruption of use, it may be difficult for transportation to be completed within the required time of completion of transportation.

상하이항에서 부산항으로 향하는 도중에, 엔세나다 항에도 파업이 발생할 것이 Sentiment analysis 형태의 빅데이터 분석을 통해 예측 된 경우를 가정한다. 엔세나다 항의 파업이 발생하는 경우 그로 인한 이용 차질이 언제 풀릴지 불명확하다면, 부산항에서 인천 공항을 거쳐 오스틴으로 직행하는 항공 운송 편이 대체 루트로 생성 될 수 있을 것이다. 상기 대체 루트는 비용이 추가 소요 될 것이나, 상기 운송 완료 요구 시점이 반드시 지켜져야 하는 것이라면, 추가 비용을 부담하더라도 상기 대체 루트를 이용하는 것이 화주의 이익에 더 부합할 것이다. 상기 대체 루트에 대한 정보는 기 등록 된 화주의 단말기 또는 관리자의 단말기로 송신 될 수 있다.On the way from Shanghai Port to Busan Port, it is assumed that a strike will occur at Ensenada Port through big data analysis in the form of Sentiment analysis. If it is unclear when the disruption will occur in the event of a strike at the port of Ensenada, an air route could be created as an alternative route from Busan to Incheon via Incheon Airport. The alternative route would be additionally costly, but if the time point for completion of transportation must be observed, using the alternate route would be more in line with the shipper's interests, even at an additional cost. The information on the alternate route may be transmitted to a terminal of a registered shipper or a terminal of an administrator.

지금까지 도 1 내지 도 14를 참조하여 설명된 본 발명의 실시예들에 따른 물류 리스크 예측 방법은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터가 읽을 수 있는 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록 된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.The logistics risk prediction method according to the embodiments of the present invention described above with reference to FIGS. 1 to 14 may be implemented as computer readable codes on a computer readable medium. The computer-readable medium may be, for example, a removable recording medium (CD, DVD, Blu-ray disc, USB storage device, removable hard disk) or a fixed recording medium (ROM, RAM, computer equipped hard disk). have. The computer program recorded in the computer-readable recording medium may be transmitted to another computing device and installed in the other computing device through a network such as the Internet, thereby being used in the other computing device.

또한, 본 발명의 또 다른 실시예에 따르면, 지금까지 도 1 내지 도 14를 참조하여 설명된 본 발명의 실시예들에 따른 물류 리스크 예측 방법의 각 단계를 실시하도록 하는 컴퓨터 프로그램이 제공 될 수 있다. 상기 컴퓨터 프로그램은 컴퓨터, 스마트폰 등 연산 수단이 구비된 장치와 결합하여 실행 될 수 있으며, 컴퓨터가 읽을 수 있는 매체 상에 기록될 수 있다.In addition, according to another embodiment of the present invention, a computer program for performing each step of the logistics risk prediction method according to the embodiments of the present invention described so far with reference to FIGS. 1 to 14 may be provided. . The computer program may be executed in combination with a computer, a smartphone, or a device equipped with computing means, and may be recorded on a computer-readable medium.

도 15는 본 발명의 다른 실시예에 따른 물류 리스크 예측 시스템의 구성도이다. 본 실시예에 따른 물류 리스크 예측 시스템은, 도 15에 도시된 바와 같이 물류 운송 시스템(200) 및 물류 리스크 예측 장치(100)를 포함할 수 있다.15 is a block diagram of a logistics risk prediction system according to another embodiment of the present invention. The logistics risk prediction system according to the present embodiment may include a logistics transportation system 200 and a logistics risk prediction apparatus 100 as shown in FIG. 15.

물류 운송 시스템(200)은 물류 실행 이력 정보(250)를 관리할 수 있다. 상기 물류 리스크 예측 장치는 상기 물류 운송 시스템으로부터 상기 물류 실행 이력 정보를 제공 받을 수 있다. 상기 물류 운송 시스템은 물류 운송을 관리하는 다양한 시스템 중 어느 하나, 또는 다양한 시스템이 연동하여 동작하는 하나의 시스템 군을 의미할 수 있다. 예를 들어, 상기 물류 운송 시스템은 물류 운송에 있어서 발생하는 다양한 이벤트를 alert 하고 기록하는 VMS를 포함할 수 있다. 상기 물류 운송 시스템은, 하나 이상의 운송 실행계 시스템(통합주문관리[OMS], 국제운송관리[FIS], 로컬운송관리[TMS], 창고운영관리[WMS])을 더 포함할 수도 있다.The logistics transportation system 200 may manage logistics execution history information 250. The logistics risk prediction apparatus may receive the logistics execution history information from the logistics transportation system. The logistics transport system may refer to any one of various systems for managing logistics transport, or a system group in which various systems operate in conjunction. For example, the logistics transport system may include a VMS that alerts and records various events that occur in logistics transport. The logistics transport system may further include one or more transport execution system systems (integrated order management [OMS], international transport management [FIS], local transport management [TMS], warehouse operation management [WMS]).

물류 리스크 예측 장치(100)는 물류 실행 이력 정보를 바탕으로 예측 대상 리스크를 결정하고, 상기 예측 대상 리스크에 대응하는 외부 데이터를 수집하며, 상기 수집 된 외부 데이터를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하고, 상기 물류 실행 이력 정보를 바탕으로 상기 예측 대상 리스크의 발생에 의한 운송 루트의 ETA(Estimated Time of Arrival) 조정을 수행한다.The logistics risk prediction apparatus 100 determines a risk to be predicted based on logistics execution history information, collects external data corresponding to the predicted risk, and analyzes the collected external data to generate the predicted risk. It predicts in advance and adjusts the Estimated Time of Arrival (ETA) of the transportation route due to the occurrence of the predicted risk based on the logistics execution history information.

물류 리스크 예측 장치(100)는 상기 물류 실행 이력 정보에서 추출 된 리스크 상황 발생 기록을 리스크 타입 별로 그룹핑 한 리스크 발생 이력 데이터(150)를 바탕으로 예측 대상 리스크를 결정할 수 있다.The logistics risk prediction apparatus 100 may determine the risk to be predicted based on the risk occurrence history data 150 grouping the risk situation occurrence record extracted from the logistics execution history information for each risk type.

물류 리스크 예측 장치(100)는 외부 장치(300)와 연결되고, 외부 장치(300)로부터 인터넷 뉴스 기사, 날씨 예보 정보, 공공 기관의 공고 정보, 소셜 네트워크 서비스의 사용자 기제 컨텐츠, 인터넷 뉴스 기사에 대한 댓글 정보 중 적어도 어느 하나를 의미하는 아티클(article)을 수집할 수 있다. 외부 장치(300)는 뉴스 기사를 제공하는 웹 서버, 날씨 예보를 제공하는 웹 서버, 항만, 공항 등 상기 노드를 관리하는 기관의 웹 서버, 운송 업체들의 웹서버, 소셜 네트워크 서비스를 제공하는 서버, 각 국가의 운송업 관련 노조의 웹 서버 등을 의미할 수 있다.Logistics risk prediction device 100 is connected to the external device 300, from the external device 300 for Internet news articles, weather forecast information, public information of public institutions, user-based content of social network services, Internet news articles An article meaning at least one of the comment information may be collected. The external device 300 may include a web server providing a news article, a web server providing a weather forecast, a web server of an institution managing the node such as a port, an airport, a web server of a transportation company, a server providing a social network service, It can mean a web server of a trade union related to each country.

이하, 본 발명의 또 다른 실시예에 따른 물류 리스크 예측 장치의 구성 및 동작을 도 16을 참조하여 설명한다. 본 실시예에 따른 물류 리스크 예측 장치(100)는 예측 대상 리스크 지정부(102), 외부 데이터 수집부(104) 및 리스크 예측부(106)를 포함할 수 있다.Hereinafter, the configuration and operation of the logistics risk prediction apparatus according to another embodiment of the present invention will be described with reference to FIG. The logistics risk prediction apparatus 100 according to the present exemplary embodiment may include a prediction target risk designation unit 102, an external data collection unit 104, and a risk prediction unit 106.

예측 대상 리스크 지정부(102)는 통신부(120)를 통해 물류 관리 시스템에 의하여 관리되는 물류 실행 이력 정보를 제공 받고, 상기 물류 실행 이력 정보를 이용하여 운송 루트 상의 노드에 대응하는 예측 대상 리스크를 결정한다.The predicted target risk designator 102 receives the logistics execution history information managed by the logistics management system through the communication unit 120, and determines the predicted target risk corresponding to the node on the transportation route using the logistics execution history information. do.

외부 데이터 수집부(104)는 상기 예측 대상 리스크에 대응하는 외부의 데이터 소스로부터 데이터를 수집한다.The external data collector 104 collects data from an external data source corresponding to the predicted risk.

리스크 예측부(106)는 상기 수집된 데이터를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측한다.The risk prediction unit 106 analyzes the collected data to predict the occurrence of the predicted risk in advance.

일 실시예에 따르면, 물류 리스크 예측 장치(100)는 리스크 예측부(106)에 의하여 리스크 발생이 예측 되면, 상기 물류 실행 이력 정보를 이용하여 상기 리스크의 발생에 의하여 상기 예측 대상 리스크에 대응하는 노드의 이용 차질이 있을 것인지 더 예측 하는 노드 이용 차질 예측부(108)를 더 포함할 수 있다.According to an embodiment, when the risk occurrence is predicted by the risk predicting unit 106, the logistics risk predicting apparatus 100 may use a node corresponding to the predicted risk by the occurrence of the risk using the logistics execution history information. It may further include a node use disruption prediction unit 108 to further predict whether there is a use disruption.

일 실시예에 따르면, 물류 리스크 예측 장치(100)는 노드 이용 차질 예측부(108)에 의하여 노드 이용에 차질이 있을 것으로 예측 되면, 그로 인해 발생하는 지연 기간을 감안하여 운송 루트에 대한 ETA를 조정하는 ETA 조정부(110)를 더 포함할 수 있다.According to one embodiment, if the logistics risk prediction device 100 is predicted that there is a disruption in the use of the node by the node use disruption prediction unit 108, the ETA for the transport route is adjusted in consideration of the delay period caused therein ETA adjustment unit 110 may be further included.

일 실시예에 따르면, 현재 운송 루트에 따라 운송을 진행하는 도중이고, ETA 조정부(110)에 의하여 조정 된 ETA가 운송 완료 요구 시점 보다 늦어지는 경우, 상기 운송 완료 요구 시점 내에 운송이 완료 될 수 있는 대체 운송 루트를 생성하는 대체 루트 생성부(111)를 더 포함할 수 있다. 대체 루트 생성부(111)는 상기 생성 된 대체 루트에 대한 비용 정보 및 운송 소요 시간 정보 중 적어도 하나를 포함하는 대체 루트 안내 정보를 기 등록 된 화주 담당자 단말기 또는 리스크 발생 관리자 단말기에 송신할 수 있다.According to an embodiment, when the transport is in progress according to the current transport route, and the ETA adjusted by the ETA adjustment unit 110 is later than the transport completion request time, the transport may be completed within the transport completion request time. It may further include an alternative route generation unit 111 for generating an alternative transport route. The alternative route generation unit 111 may transmit the alternative route guide information including at least one of the cost information and the transportation time information for the generated alternative route to the pre-registered shipper manager terminal or risk generation manager terminal.

이하, 본 발명의 또 다른 실시예에 따른 물류 리스크 예측 장치의 구성 및 동작을 도 17을 참조하여 설명한다. 본 실시예에 따른 물류 리스크 예측 장치는 리스크 발생 이력 데이터를 관리 하는 것을 특징으로 한다.Hereinafter, the configuration and operation of the logistics risk prediction apparatus according to another embodiment of the present invention will be described with reference to FIG. Logistics risk prediction apparatus according to this embodiment is characterized in that to manage the risk occurrence history data.

본 실시예에 따른 물류 리스크 예측 장치(100)는 리스크 발생 이력 데이터 관리부(114), 예측 대상 리스크 지정부(102), 외부 데이터 수집부(104) 및 리스크 예측부(106)를 포함할 수 있다.The logistics risk prediction apparatus 100 according to the present exemplary embodiment may include a risk occurrence history data management unit 114, a prediction target risk designation unit 102, an external data collection unit 104, and a risk prediction unit 106. .

리스크 발생 이력 데이터 관리부(114)는 통신부(112)를 통해 억세스 되는 상기 물류 실행 이력 정보에서 추출 된 리스크 상황 발생 기록을 리스크 타입 별로 그룹핑 한 리스크 발생 이력 데이터를 관리한다.The risk occurrence history data management unit 114 manages the risk occurrence history data grouping the risk situation occurrence records extracted from the logistic execution history information accessed through the communication unit 112 for each risk type.

예측 대상 리스크 지정부(102)는 리스크 발생 이력 데이터 관리부(114)로부터 리스크 발생 이력 데이터를 제공 받고, 상기 리스크 발생 이력 데이터를 이용하여 운송 루트 상의 노드에 대응하는 예측 대상 리스크를 결정한다.The predicted target risk designator 102 receives the risk occurrence history data from the risk occurrence history data management unit 114, and determines the predicted risk corresponding to the node on the transportation route using the risk occurrence history data.

외부 데이터 수집부(104)는 상기 예측 대상 리스크에 대응하는 외부의 데이터 소스로부터 데이터를 수집한다.The external data collector 104 collects data from an external data source corresponding to the predicted risk.

리스크 예측부(106)는 상기 수집된 데이터를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측한다.The risk prediction unit 106 analyzes the collected data to predict the occurrence of the predicted risk in advance.

일 실시예에 따르면, 물류 리스크 예측 장치(100)는 리스크 예측부(106)에 의하여 리스크 발생이 예측 되면, 상기 리스크 발생 이력 데이터를 이용하여 상기 리스크의 발생에 의하여 상기 예측 대상 리스크에 대응하는 노드의 이용 차질이 있을 것인지 더 예측 하는 노드 이용 차질 예측부(108)를 더 포함할 수 있다.According to an embodiment, when the risk occurrence is predicted by the risk predicting unit 106, the logistics risk predicting apparatus 100 uses the risk occurrence history data to correspond to the node corresponding to the predicted risk by the occurrence of the risk. It may further include a node use disruption prediction unit 108 to further predict whether there is a use disruption.

일 실시예에 따르면, 물류 리스크 예측 장치(100)는 노드 이용 차질 예측부(108)에 의하여 노드 이용에 차질이 있을 것으로 예측 되면, 그로 인해 발생하는 지연 기간을 감안하여 운송 루트에 대한 ETA를 조정하는 ETA 조정부(110)를 더 포함할 수 있다. 이 때, 일 실시예에 따르면, 현재 운송 루트에 따라 운송을 진행하는 도중이고, ETA 조정부(110)에 의하여 조정 된 ETA가 운송 완료 요구 시점 보다 늦어지는 경우, 상기 운송 완료 요구 시점 내에 운송이 완료 될 수 있는 대체 운송 루트를 생성하는 대체 루트 생성부(111)를 더 포함할 수 있는 점은, 도 16을 참조하여 설명한 것과 동일하다.According to one embodiment, if the logistics risk prediction device 100 is predicted that there is a disruption in the use of the node by the node use disruption prediction unit 108, the ETA for the transport route is adjusted in consideration of the delay period caused therein ETA adjustment unit 110 may be further included. At this time, according to one embodiment, if the transport is in progress according to the current transport route, and the ETA adjusted by the ETA adjustment unit 110 is later than the transport completion request time, the transport is completed within the transport completion request time The same may be further described with reference to FIG. 16 in that it may further include an alternative route generation unit 111 for generating an alternative transport route.

본 발명의 또 다른 실시예에 따른 물류 리스크 예측 장치의 구성 및 동작에 대하여 도 18을 참조하여 설명한다. 본 실시예에 따른 물류 리스크 예측 장치(100)는 시스템 버스(158), 프로세서(150), 메모리(예를 들어, Random Access Memory)(152), 스토리지(154), 외부 장치와의 통신을 위한 네트워크 인터페이스(156)를 포함할 수 있다. 도 1 내지 도 10을 참조하여 설명된 본 발명의 실시예들에 따른 물류 리스크 예측 방법을 구현하는 컴퓨터 프로그램 코드는 스토리지(153)에 저장되어 메모리(152)에 로드 되고 프로세서(151)에 의해 실행될 수 있다.A configuration and operation of a logistics risk prediction apparatus according to another embodiment of the present invention will be described with reference to FIG. 18. Logistics risk prediction apparatus 100 according to the present embodiment is a system bus 158, a processor 150, a memory (for example, Random Access Memory) 152, storage 154, for communication with external devices It may include a network interface 156. The computer program code for implementing the logistics risk prediction method according to the embodiments of the present invention described with reference to FIGS. 1 to 10 is stored in the storage 153, loaded into the memory 152, and executed by the processor 151. Can be.

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.Although embodiments of the present invention have been described above with reference to the accompanying drawings, those skilled in the art to which the present invention pertains may implement the present invention in other specific forms without changing the technical spirit or essential features thereof. I can understand that. Therefore, it should be understood that the embodiments described above are exemplary in all respects and not restrictive.

Claims (25)

1. 물류 리스크 예측 장치가, 상기 물류 리스크 예측 장치에 연결 된 물류 운송 시스템에 의하여 관리되는 물류 실행 이력 정보를 얻는 단계;Obtaining, by the logistics risk prediction apparatus, logistics execution history information managed by a logistics transportation system connected to the logistics risk prediction apparatus;

   상기 물류 리스크 예측 장치가, 상기 물류 실행 이력 정보를 이용하여 운송 루트 상의 노드에 대응하는 예측 대상 리스크를 결정하는 단계;Determining, by the logistics risk prediction apparatus, a predicted risk corresponding to a node on a transportation route using the logistics execution history information;

   상기 물류 리스크 예측 장치가, 상기 예측 대상 리스크에 대응하는 외부의 데이터 소스로부터 데이터를 수집하는 단계; 및Collecting, by the logistics risk prediction apparatus, data from an external data source corresponding to the predicted risk; And

   상기 물류 리스크 예측 장치가, 상기 수집된 데이터를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하는 단계를 포함하는,And analyzing, by the logistics risk prediction apparatus, the occurrence of the predicted risk by analyzing the collected data.

   물류 리스크 예측 방법.How to predict logistics risk.
2. 제1 항에 있어서,According to claim 1,

   상기 예측 대상 리스크의 발생이 예측되면, 상기 물류 리스크 예측 장치가 상기 예측 대상 리스크에 대응하는 노드의 이용 예상 기간 동안의 이용 차질 여부를 상기 물류 실행 이력 데이터를 이용하여 미리 예측하는 단계를 더 포함하는,If the occurrence of the predicted risk is predicted, the logistics risk predicting apparatus further includes predicting, in advance, whether to use the service during the expected use period of the node corresponding to the predicted risk using the logistic execution history data; ,

   물류 리스크 예측 방법.How to predict logistics risk.
3. 제2 항에 있어서,The method of claim 2,

   상기 이용 차질이 예측되면, 상기 물류 리스크 예측 장치가 상기 예측 대상 리스크에 대응하는 노드의 상기 예측된 이용 차질에 의한 지연 기간을 이용하여 상기 운송 루트의 ETA(Estimated Time of Arrival) 정보 조정을 수행하는 단계를 더 포함하는,When the usage disruption is predicted, the logistics risk prediction apparatus adjusts Estimated Time of Arrival (ETA) information of the transport route using a delay period caused by the predicted usage disruption of a node corresponding to the predicted risk. Further comprising the steps,

   물류 리스크 예측 방법.How to predict logistics risk.
4. 제2 항에 있어서,The method of claim 2,

   상기 운송 루트에 따라 운송이 진행 되는 도중 상기 이용 차질이 예측되면, 상기 물류 리스크 예측 장치가 상기 예측 대상 리스크에 대응하는 노드의 상기 예측된 이용 차질에 의한 지연 기간을 이용하여, 운송 완료 요구 시점 내에 운송이 완료 될 수 있는지 여부를 판정하는 단계; 및If the use disruption is predicted while the transport is in progress along the transport route, the logistic risk predicting device uses the delay period due to the predicted use disruption of the node corresponding to the predicted risk, within the time point of completing the transport. Determining whether the transportation can be completed; And

   상기 판정의 결과, 운송 완료 요구 시점 내에 운송이 완료 되기 어려운 경우, 상기 운송 완료 요구 시점 내에 운송이 완료 될 수 있는 대체 운송 루트를 생성하는 단계를 더 포함하는,If it is difficult for the transportation to be completed within the transportation completion request time as a result of the determination, further comprising: generating an alternative transportation route where the transportation can be completed within the transportation completion request time,

   물류 리스크 예측 방법.How to predict logistics risk.
5. 제1 항에 있어서,According to claim 1,

   상기 운송 루트에 따라 운송이 진행 되는 도중, 기 지정 된 특정 타입의 예측 대상 리스크 발생이 예측되면, 운송 완료 요구 시점 내에 운송이 완료 될 수 있는 대체 운송 루트를 생성하는 단계를 더 포함하는,While the transport is in progress according to the transport route, if the predetermined risk of a specific type of the predicted risk is predicted, further comprising the step of creating an alternative transport route that can be completed within the transport completion request time,

   물류 리스크 예측 방법.How to predict logistics risk.
6. 제1 항에 있어서,According to claim 1,

   상기 예측 대상 리스크는, 상기 물류 실행 이력 정보에서 관리되는 리스크 타입 중 하나를 가리키는,The predicted risk indicates one of risk types managed in the logistics execution history information.

   물류 리스크 예측 방법.How to predict logistics risk.
7. 제6 항에 있어서,The method of claim 6,

   상기 물류 실행 이력 정보에서 관리 되는 리스크 타입은, 검토 대상 데이터를 대상으로 머신 러닝(machine-learning)을 수행한 결과에 따라 신규 리스크 타입을 더 포함하는,The risk type managed in the logistic execution history information further includes a new risk type according to a result of performing machine-learning on the data to be reviewed.

   물류 리스크 예측 방법.How to predict logistics risk.
8. 제1 항에 있어서,According to claim 1,

   상기 예측 대상 리스크를 결정하는 단계는,Determining the risk to be predicted,

   상기 물류 실행 이력 정보에서 상기 운송 루트 상의 노드에 대한 이벤트 정보를 조회하는 단계; 및Querying event information for a node on the transport route from the logistic execution history information; And

   상기 조회된 이벤트 정보를 바탕으로 상기 예측 대상 리스크를 결정하는 단계를 포함하는,Determining the predicted risk based on the inquired event information.

   물류 리스크 예측 방법.How to predict logistics risk.
9. 제1 항에 있어서,According to claim 1,

   상기 예측 대상 리스크는 기상 악화 그룹에 속한 타입의 리스크 이고,The predicted risk is a type of risk belonging to a bad weather group,

   상기 데이터를 수집하는 단계는,Collecting the data,

   외부 장치로부터 상기 예측 대상 리스크에 대응하는 노드의 지역에 대한 상기 예측 대상 리스크 관련 예보를 수집하는 단계를 포함하고,Collecting the predicted risk related forecast for an area of the node corresponding to the predicted risk from an external device,

   상기 미리 예측하는 단계는,The step of predicting in advance,

   상기 예측 대상 리스크의 발생이 예측되면, 상기 예측 대상 리스크에 대응하는 노드의 이용 예상 기간 동안의 이용 차질 여부를 상기 물류 실행 이력 데이터로부터 얻어진 기상 상황 및 이용 차질 기간 사이의 회귀 모델을 이용하여 미리 예측하는 단계를 포함하는,When the occurrence of the predicted risk is predicted, the predicted use disruption during the expected use period of the node corresponding to the predicted risk is predicted in advance by using a regression model between weather conditions and the use disruption period obtained from the logistical execution history data. Comprising the steps of:

   물류 리스크 예측 방법.How to predict logistics risk.
10. 제9 항에 있어서,The method of claim 9,

    상기 예측 대상 리스크에 대응하는 노드의 이용 예상 기간 동안의 이용 차질 여부를 상기 물류 실행 이력 데이터로부터 얻어진 기상 상황 및 이용 차질 기간 사이의 회귀 모델을 이용하여 미리 예측하는 단계는,The step of predicting in advance whether the use disruption during the expected use period of the node corresponding to the predicted risk using the regression model between the weather situation and the use disruption period obtained from the logistic execution history data,

    상기 물류 실행 이력 정보에서, 상기 예측 대상 리스크에 대응하는 노드에 대한 상기 예측 대상 리스크의 발생 관련 이벤트 정보를 조회하는 단계;Querying event information related to occurrence of the predicted risk for the node corresponding to the predicted risk in the logistic execution history information;

    상기 조회된 이벤트 정보에서 상기 예측 대상 리스크의 발생 관련 지표 및 상기 노드의 이용 차질 기간을 연산하는 단계;Calculating an index related to occurrence of the predicted risk and use disruption period of the node from the inquired event information;

    상기 지표를 독립 변인으로 하고 상기 노드의 이용 차질 기간을 종속 변인으로 하는 상기 회귀 모델을 생성하는 단계;Generating the regression model with the index as an independent variable and the node disruption period as a dependent variable;

    상기 수집된 예측 대상 리스크 관련 예보 중 상기 지표를 상기 회귀 모델에 입력하여 이용 차질 기간을 연산하는 단계; 및Calculating a disruption period by inputting the indicator among the collected predicted risk-related forecasts into the regression model; And

    이용 차질에 의한 지연 기간을 이용하여 상기 운송 루트의 ETA(Estimated Time of Arrival) 정보 조정을 수행하는 단계를 포함하는,Performing adjustment of Estimated Time of Arrival (ETA) information of the transport route using a delay period due to a disruption of use;

    물류 리스크 예측 방법.How to predict logistics risk.
11. 제1 항에 있어서,According to claim 1,

    상기 데이터를 수집하는 단계는,Collecting the data,

    상기 예측 대상 리스크가 사회 문제 그룹에 속한 타입의 리스크인 경우, 하나 이상의 외부 장치로부터 개인 작성 컨텐츠 및 인터넷 뉴스 컨텐츠 중 적어도 하나를 수집하는 단계를 포함하는,If the predicted risk is a type of risk belonging to a social problem group, collecting at least one of personally created content and internet news content from at least one external device;

    물류 리스크 예측 방법.How to predict logistics risk.
12. 제11 항에 있어서,The method of claim 11, wherein

    상기 개인 작성 컨텐츠는 예측 대상 리스크에 대응하는 노드의 인접 지역과 관련 있는 개인에 의하여 작성된 것인,The personal creation content is created by an individual associated with an adjacent region of the node corresponding to the predicted risk,

    물류 리스크 예측 방법.How to predict logistics risk.
13. 제12 항에 있어서,The method of claim 12,

    상기 예측 대상 리스크의 발생을 미리 예측하는 단계는,The step of predicting the occurrence of the predicted risk in advance,

    상기 수집된 개인 작성 컨텐츠에 대하여, 상기 예측 대상 리스크 관련 어휘 사용 빈도를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하는 단계를 포함하는,And predicting the occurrence of the predicted risk by analyzing the frequency of use of the predicted risk related vocabulary with respect to the collected personal created content.

    물류 리스크 예측 방법.How to predict logistics risk.
14. 제11 항에 있어서,The method of claim 11, wherein

    상기 예측 대상 리스크의 발생을 미리 예측하는 단계는,The step of predicting the occurrence of the predicted risk in advance,

    상기 수집된 개인 작성 컨텐츠 및 인터넷 뉴스 컨텐츠 중, 상기 예측 대상 리스크에 대응하는 노드의 명칭 및 상기 예측 대상 리스크 관련 어휘가 동시에 사용된 리스크 코멘트 컨텐츠의 개수를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하는 단계를 포함하는,The occurrence of the predicted risk is predicted in advance by analyzing the number of the risk comment contents in which the name of the node corresponding to the predicted risk and the vocabulary related to the predicted risk are simultaneously used among the collected personal created content and the Internet news content. Comprising the steps of:

    물류 리스크 예측 방법.How to predict logistics risk.
15. 제14 항에 있어서,The method of claim 14,

    상기 수집된 개인 작성 컨텐츠 및 인터넷 뉴스 컨텐츠 중, 상기 예측 대상 리스크에 대응하는 노드의 명칭 및 상기 예측 대상 리스크 관련 어휘가 동시에 사용된 리스크 코멘트 컨텐츠의 개수를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하는 단계는,The occurrence of the predicted risk is predicted in advance by analyzing the number of the risk comment contents in which the name of the node corresponding to the predicted risk and the vocabulary related to the predicted risk are simultaneously used among the collected personal created content and the Internet news content. The steps are

    상기 수집된 개인 작성 컨텐츠 및 인터넷 뉴스 컨텐츠에 대하여 TF-IDF(Term Frequency - Inverse Document Frequency)를 이용하여 상기 개인 작성 컨텐츠의 키워드를 선정하는 단계; 및Selecting keywords of the personally generated content using TF-IDF (Term Frequency-Inverse Document Frequency) for the collected personally created content and Internet news content; And

    상기 리스크 코멘트 컨텐츠의 키워드 중 상기 예측 대상 리스크에 대응하는 노드의 명칭 및 상기 예측 대상 리스크 관련 어휘가 모두 포함 된 개인 작성 컨텐츠 및 인터넷 뉴스 컨텐츠를 상기 리스크 코멘트 컨텐츠로 판정하는 단계를 포함하는,Determining personally-created content and internet news content including both a name of a node corresponding to the predicted risk and a vocabulary related to the predicted risk among keywords of the risk comment content, as the risk comment content,

    물류 리스크 예측 방법.How to predict logistics risk.
16. 제11 항에 있어서,The method of claim 11, wherein

    상기 예측 대상 리스크의 발생을 미리 예측하는 단계는,The step of predicting the occurrence of the predicted risk in advance,

    상기 수집된 개인 작성 컨텐츠 중 상기 예측 대상 리스크 관련 어휘를 포함하는 컨텐츠를 추출하는 단계;Extracting content including the predicted risk-related vocabulary from the collected personal creation content;

    상기 추출된 컨텐츠에 대하여, 감성 분석(sentiment analysis)을 수행하는 단계; 및Performing sentiment analysis on the extracted content; And

    상기 감성 분석의 결과를 바탕으로 상기 예측 대상 리스크의 발생을 미리 예측하는 단계를 포함하는,Predicting the occurrence of the predicted risk on the basis of the results of the emotional analysis,

    물류 리스크 예측 방법.How to predict logistics risk.
17. 제16 항에 있어서,The method of claim 16,

    상기 감성 분석의 결과를 바탕으로 상기 예측 대상 리스크의 발생을 미리 예측하는 단계는,Predicting the occurrence of the predicted risk based on the result of the emotional analysis,

    상기 감성 분석의 결과, 상기 예측 대상 리스크 관련 어휘에 대한 긍정 강도가 제1 기준치를 초과하거나, 상기 예측 대상 리스크 관련 어휘에 대한 긍정 강도에서 부정 강도를 뺀 수치가 제2 기준치를 초과하는 경우, 상기 예측 대상 리스크가 발생할 것으로 미리 예측하는 단계를 포함하는,As a result of the emotional analysis, when the positive intensity for the predicted risk-related vocabulary exceeds the first reference value, or the value obtained by subtracting the negative intensity from the positive intensity for the predicted risk-related vocabulary exceeds the second reference value, Including predicting in advance that a predicted risk will occur,

    물류 리스크 예측 방법.How to predict logistics risk.
18. 제1 항에 있어서,According to claim 1,

    상기 예측 대상 리스크를 결정하는 단계는,Determining the risk to be predicted,

    상기 물류 실행 이력 정보에서 추출 된 리스크 상황 발생 기록을 리스크 타입 별로 그룹핑 한 리스크 발생 이력 데이터를 바탕으로 예측 대상 리스크를 결정하는 단계를 포함하는,Determining a risk to be predicted based on risk occurrence history data grouping risk situation occurrence records extracted from the logistic execution history information for each risk type;

    물류 리스크 예측 방법.How to predict logistics risk.
19. 제18 항에 있어서,The method of claim 18,

    상기 물류 리스크 예측 장치가, 주기적 또는 비주기적으로, 상기 물류 실행 이력 정보에서 리스크 발생 이력 데이터에 기록되지 않은 리스크 상황 발생 관련 이벤트 정보를 수집하는 단계; 및Periodically or aperiodically, collecting, by the logistics risk prediction apparatus, event information related to occurrence of risk situation not recorded in the risk occurrence history data in the logistics execution history information; And

    상기 물류 리스크 예측 장치가, 상기 수집된 이벤트 정보를 리스크 타입 별로 상기 리스크 발생 이력 데이터에 삽입하는 단계를 더 포함하되,The logistics risk prediction apparatus further comprises the step of inserting the collected event information for each risk type to the risk occurrence history data,

    상기 삽입하는 단계는,Inserting the step,

    상기 수집된 이벤트 정보에서 리스크 타입 별로 기 지정된 컬럼에 대한 데이터를 추출하는 단계; 및Extracting data for a predetermined column for each risk type from the collected event information; And

    상기 추출된 데이터를 상기 컬럼에 대한 데이터로 세팅 하는 단계를 포함하는,Setting the extracted data as data for the column;

    물류 리스크 예측 방법.How to predict logistics risk.
20. 제19 항에 있어서,The method of claim 19,

    사회 문제 그룹에 속한 타입의 리스크에 대한 상기 리스크 발생 이력 데이터는 업무 중단 사유 컬럼을 포함하고,The risk occurrence history data for risks of the type belonging to the social problem group includes a reason for disruption,

    상기 데이터를 수집하는 단계는,Collecting the data,

    외부 장치로부터 개인 작성 컨텐츠를 수집하는 단계를 포함하고,Collecting personally created content from an external device,

    상기 미리 예측하는 단계는,The step of predicting in advance,

    상기 예측 대상 리스크에 대응하는 노드의 상기 사회 문제 그룹에 속한 타입의 리스크의 리스크에 대한 리스크 발생 이력 데이터의 업무 중단 사유 컬럼의 텍스트를 얻는 단계;Obtaining a text of an interruption reason column of risk occurrence history data for a risk of a risk of a type belonging to the social problem group of a node corresponding to the predicted risk;

    상기 텍스트에서 키워드를 얻는 단계; 및Obtaining a keyword from the text; And

    상기 수집된 개인 작성 컨텐츠에 대한, 상기 예측 대상 리스크 관련 어휘 사용 빈도 및 상기 키워드가 모두 포함된 리스크 코멘트 컨텐츠의 개수를 바탕으로 상기 예측 대상 리스크의 발생을 미리 예측하는 단계를 포함하는,And predicting the occurrence of the predicted risk in advance based on the predicted risk related vocabulary use frequency and the number of the risk comment contents including the keyword for the collected personal created content.

    물류 리스크 예측 방법.How to predict logistics risk.
21. 컴퓨터 장치와 결합되어,Combined with a computer device,

    물류 리스크 예측 장치에 연결 된 물류 관리 시스템에 의하여 관리되는 물류 실행 이력 정보를 얻는 단계;Obtaining logistics execution history information managed by a logistics management system connected to the logistics risk prediction apparatus;

    상기 물류 실행 이력 정보를 이용하여 운송 루트 상의 노드에 대응하는 예측 대상 리스크를 결정하는 단계;Determining a predicted risk corresponding to a node on a transport route using the logistic execution history information;

    상기 예측 대상 리스크에 대응하는 외부의 데이터 소스로부터 데이터를 수집하는 단계; 및Collecting data from an external data source corresponding to the predicted risk; And

    상기 수집된 데이터를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하는 단계를 실행 하기 위하여,In order to execute the step of predicting the occurrence of the predicted risk in advance by analyzing the collected data,

    매체에 저장 된 컴퓨터 프로그램.Computer program stored on media.
22. 물류 관리 시스템에 의하여 관리되는 물류 실행 이력 정보를 제공 받고, 상기 물류 실행 이력 정보를 이용하여 운송 루트 상의 노드에 대응하는 예측 대상 리스크를 결정하는 예측 대상 리스크 지정부;A predicted target risk designation unit receiving logistic execution history information managed by a logistics management system and determining a predicted risk corresponding to a node on a transport route using the logistic execution history information;

    상기 예측 대상 리스크에 대응하는 외부의 데이터 소스로부터 데이터를 수집하는 외부 데이터 수집부; 및An external data collector configured to collect data from an external data source corresponding to the predicted risk; And

    상기 수집된 데이터를 분석하여 상기 예측 대상 리스크의 발생을 미리 예측하는 리스크 예측부를 포함하는,A risk prediction unit for predicting occurrence of the predicted risk by analyzing the collected data;

    물류 리스크 예측 장치.Logistics risk prediction device.
23. 제22 항에 있어서,The method of claim 22,

    상기 물류 실행 이력 정보에서 추출 된 리스크 상황 발생 기록을 리스크 타입 별로 그룹핑 한 리스크 발생 이력 데이터를 관리하는 리스크 발생 이력 데이터 관리부를 더 포함하고,Further comprising a risk generation history data management unit for managing the risk occurrence history data grouping the risk situation occurrence records extracted from the logistics execution history information by risk type,

    상기 예측 대상 리스크 지정부는, 상기 리스크 발생 이력 데이터를 바탕으로 상기 예측 대상 리스크를 결정하는,The predicted target risk designation unit determines the predicted target risk based on the risk occurrence history data.

    물류 리스크 예측 장치.Logistics risk prediction device.
24. 제22 항에 있어서,The method of claim 22,

    상기 예측 대상 리스크는 기상 악화 그룹에 속한 타입의 리스크이고,The predicted risk is a type of risk belonging to a bad weather group,

    상기 외부 데이터 수집부는,The external data collector,

    기상 예보 서버로부터 상기 예측 대상 리스크에 대응하는 노드의 지역에 대한 상기 예측 대상 리스크 관련 예보를 수집하고,Collecting the forecast risk related forecast for the region of the node corresponding to the forecast risk from a weather forecast server,

    상기 리스크 예측부에 의하여 상기 예측 대상 리스크의 발생이 예측되면, 상기 예측 대상 리스크에 대응하는 노드의 이용 차질 여부를, 상기 물류 실행 이력 데이터로부터 얻어진 기상 상황 및 이용 차질 기간 사이의 회귀 모델을 이용하여 미리 예측하는 노드 이용 차질 예측부를 더 포함하는,When the occurrence of the predicted risk is predicted by the risk predicting unit, whether to use a node that corresponds to the predicted risk is determined by using a regression model between weather conditions and use disruption periods obtained from the logistical execution history data. Further comprising a node use disruption prediction unit to predict in advance,

    물류 리스크 예측 장치.Logistics risk prediction device.
25. 제22 항에 있어서,The method of claim 22,

    상기 예측 대상 리스크는 사회 문제 그룹에 속한 타입의 리스크이고,The predicted risk is a type of risk belonging to a social problem group,

    상기 외부 데이터 수집부는,The external data collector,

    하나 이상의 외부 장치로부터 인터넷 뉴스 컨텐츠 및 개인 작성 컨텐츠 중 적어도 하나를 수집하며,Collect at least one of Internet news content and personally created content from one or more external devices,

    상기 리스크 예측부는,The risk prediction unit,

    상기 수집된 개인 작성 컨텐츠에 대한 상기 예측 대상 리스크 관련 어휘 사용 빈도를 바탕으로 상기 예측 대상 리스크의 발생을 미리 예측하는,Predicting occurrence of the predicted risk based on the frequency of use of the vocabulary related to the predicted risk for the collected personal created content,

    물류 리스크 예측 장치.Logistics risk prediction device.

Images