| 1 |
1
국가간 무역 유사도 그래프를 이용한 항만 물동량 예측 시스템을 이용한 항만 물동량 예측 방법에 있어서,데이터베이스에 기 저장된 해당 항만의 무역에 대한 BL(선하증권, Bill of Lading)데이터를 국가별로 추출하는 단계,상기 추출된 BL 데이터를 국가별 무역 거래 문서로 변환시키는 단계,상기 무역 거래 문서를 워드투벡(Word2Vec) 기법에 적용하여 각 시점의 국가별 무역 거래 물품 정보의 수출 및 수입의 카테고리별, 세부 카테고리별 및 품명을 기반으로 임베딩 벡터 값을 각각 추출하는 단계,상기 수출 및 수입의 카테고리별, 세부 카테고리별 및 품명 기반 각각의 임베딩 벡터 값을 이용하여 국가간 무역 유사도를 연산하는 단계,상기 국가간 무역 유사도를 이용하여 각 시점에서의 해당 항만에서의 국가간 무역 유사도 그래프를 생성하는 단계, 그리고상기 국가간 무역 유사도 그래프와 해당 항만과 타 국가 간의 관계정보를 학습 모델에 적용하여 미래 시점에서의 해당 항만의 물동량을 예측하는 단계를 포함하는 항만 물동량 예측 방법
|
| 2 |
2
제1항에 있어서,상기 임베딩 벡터 값은, 거래 물품의 분류 기준과 입항 목적의 조합에 따라 k개의 항목으로 표현되는 항만 물동량 예측 방법
|
| 3 |
3
제2항에 있어서,상기 임베딩 벡터 값은, 상기 국가별 시점별 수출 카테고리, 수출 세부 카테고리, 수출 품명, 수입 카테고리, 수입 세부 카테고리 및 수입 품명 각각에 대하여 n차원 방향 벡터에 대응하는 n개의 인자로 표현되는 항만 물동량 예측 방법
|
| 4 |
4
제3항에 있어서,상기 국가간 무역 유사도를 연산하는 단계는,상기 수출 및 수입의 카테고리별, 세부 카테고리별 및 품명에 대한 각각의 임베딩 벡터 값을 병합하는 단계, 그리고 상기 병합된 임베딩 벡터 값을 아래의 수학식에 적용하여 상기 국가간 무역 유사도를 연산하는 단계를 포함하는 항만 물동량 예측 방법: 여기서, n은 상기 병합된 국가별 임베딩 벡터 값의 인자의 개수, 및 는 a 국가와 b국가에 대한 병합된 임베딩 벡터의 i번째 인자 값이다
|
| 5 |
5
제3항에 있어서,상기 국가간 무역 유사도를 연산하는 단계는,상기 수출 및 수입의 카테고리별, 세부 카테고리별 및 품명에 대한 각각의 임베딩 벡터 값을 이용하여 2개 국가에 대한 수출 및 수입의 카테고리별, 세부 카테고리별 및 품명에 대한 각각의 항목별 유사도를 아래 식과 같이 연산하는 단계, 상기 항목별 유사도의 평균값을 산출하여 상기 국가간 무역 유사도를 연산하는 단계를 포함하는 항만 물동량 예측 방법: 여기서, n은 임베딩 벡터의 인자의 개수이고, k는 항목의 개수이고, 및 는 a 국가와 b국가에 대한 수출 및 수입의 카테고리별, 세부 카테고리별 및 품명에 대한 각각의 임베딩 벡터의 i번째 인자 값이다
|
| 6 |
6
제3항에 있어서,상기 항만별 국가간 무역 유사도 그래프를 생성하는 단계는, 상기 항만과 무역을 하는 각각의 국가를 노드로 표시하는 단계, 상기 국가간 무역 유사도 값을 기준 값과 비교하는 단계,상기 국가간 무역 유사도 값이 기준 값보다 큰 경우, 해당되는 2개의 국가에 대응하는 노드를 선으로 연결하는 단계를 포함하는 항만 물동량 예측 방법
|
| 7 |
7
제6항에 있어서,상기 항만별 국가간 무역 유사도 그래프를 생성하는 단계는, 상기 각각의 노드에 해당 항만과 타 국가와의 물동량 정보를 포함하는 노드 피쳐를 함께 제공하는 항만 물동량 예측 방법
|
| 8 |
8
제1항에 있어서,상기 학습 모델은, 그래프 합성곱 신경망(Graph Convolutional Network, GCN) 알고리즘과 장단기 기억(Long short-term memory, LSTM) 알고리즘을 포함하는 항만 물동량 예측 방법
|
| 9 |
9
국가간 무역 유사도 그래프를 이용한 항만 물동량 예측 시스템에 있어서,데이터베이스에 기 저장된 해당 항만의 무역에 대한 BL(선하증권, Bill of Lading)데이터를 국가별로 추출하고, 상기 추출된 BL 데이터를 국가별 무역 거래 문서로 변환시키는 문서 변환부상기 무역 거래 문서를 워드투벡(Word2Vec) 기법에 적용하여 각 시점의 국가별 무역 거래 물품 정보의 수출 및 수입의 카테고리별, 세부 카테고리별 및 품명을 기반으로 임베딩 벡터 값을 각각 추출하는 임베딩 벡터 값 추출부,상기 수출 및 수입의 카테고리별, 세부 카테고리별 및 품명 기반 각각의 임베딩 벡터 값을 이용하여 국가간 무역 유사도를 연산하는 연산부,상기 국가간 무역 유사도를 이용하여 각 시점에서의 해당 항만에서의 국가간 무역 유사도 그래프를 생성하는 그래프 생성부, 그리고상기 국가간 무역 유사도 그래프와 해당 항만과 타 국가 간의 관계정보를 학습 모델에 적용하여 미래 시점에서의 해당 항만의 물동량을 예측하는 예측부를 포함하는 항만 물동량 예측 시스템
|
| 10 |
10
제9항에 있어서,상기 임베딩 벡터 값은, 거래 물품의 분류 기준과 입항 목적의 조합에 따라 k개의 항목으로 표현되는 항만 물동량 예측 시스템
|
| 11 |
11
제10항에 있어서,상기 임베딩 벡터 값은, 상기 국가별 시점별 수출 카테고리, 수출 세부 카테고리, 수출 품명, 수입 카테고리, 수입 세부 카테고리 및 수입 품명 각각에 대하여 n차원 방향 벡터에 대응하는 n개의 인자로 표현되는 항만 물동량 예측 시스템
|
| 12 |
12
제11항에 있어서,상기 연산부는,상기 수출 및 수입의 카테고리별, 세부 카테고리별 및 품명에 대한 각각의 임베딩 벡터 값을 병합하고, 상기 병합된 임베딩 벡터 값을 아래의 수학식에 적용하여 상기 국가간 무역 유사도를 연산하는 항만 물동량 예측 시스템:여기서, n은 상기 병합된 국가별 임베딩 벡터 값의 인자의 개수, 및 는 a 국가와 b국가에 대한 병합된 임베딩 벡터의 i번째 인자 값이다
|
| 13 |
13
제11항에 있어서,상기 연산부는,상기 수출 및 수입의 카테고리별, 세부 카테고리별 및 품명에 대한 각각의 임베딩 벡터 값을 이용하여 2개 국가에 대한 수출 및 수입의 카테고리별, 세부 카테고리별 및 품명에 대한 각각의 항목별 유사도를 아래 식과 같이 연산하고, 상기 항목별 유사도의 평균값을 산출하여 상기 국가간 무역 유사도를 연산하는 항만 물동량 예측 시스템: 여기서, n은 임베딩 벡터의 인자의 개수이고, k는 항목의 개수이고, 및 는 a 국가와 b국가에 대한 수출 및 수입의 카테고리별, 세부 카테고리별 및 품명에 대한 각각의 임베딩 벡터의 i번째 인자 값이다
|
| 14 |
14
제11항에 있어서,상기 그래프 생성부는, 상기 항만과 무역을 하는 각각의 국가를 노드로 표시하고, 상기 국가간 무역 유사도 값을 기준 값과 비교하며, 상기 국가간 무역 유사도 값이 기준 값보다 큰 경우, 해당되는 2개의 국가에 대응하는 노드를 선으로 연결하는 항만 물동량 예측 시스템
|
| 15 |
15
제14항에 있어서,상기 그래프 생성부는, 상기 각각의 노드에 해당 항만과 타 국가와의 물동량 정보를 포함하는 노드 피쳐를 함께 제공하는 항만 물동량 예측 시스템
|
| 16 |
16
제9항에 있어서,상기 학습 모델은, 그래프 합성곱 신경망(Graph Convolutional Network, GCN) 알고리즘과 장단기 기억(Long short- term memory, LSTM) 알고리즘을 포함하는 항만 물동량 예측 시스템
|
