원글 페이지 : 바로가기
입지 분석 프로젝트 전체적인 FLOW • 현황, 수요, 추세 파악: EDA 및 시계열 분석 등 • 사용할 변수 채택: 주성분 분석(PCA), 상관분석 등 • 행정구역 선정: 군집분석(계층적, k-means, k-medoids, GMM)결과 보팅 등 • 행정구역 내 최적입지 선정: 공간최적화모델(LSCP, MCLP 알고리즘) 적용, 프로젝트의 방향성에 더 적합한 모델을 최종 모델로 채택 등 ———————————————— EDA(Exploratory Data Analysis, 탐색적 자료분석) ● 간단한 그림과 수를 통해 데이터가 무엇을 말하는지 살펴보기 위해 데이터를 살펴보는 분석 ● 시각화를 통해 수집된 변수들의 경향성을 파악 및 비교 가능 시계열 분석 ● 시점 별 추세 파악 가능 PCA(Principal Component Analysis,주성분 분석) ● 여러 변수가 간 존재하는 상관관계를 이용해 이를 대표하는 주성분을 추출. 정보의 손실을 최소화하는 방향으로 차원을 축소하는 기법. ● 각 차원의 데이터가 동일한 범위 내의 값을 갖도록 하기 위해 정규화(Normalization)를 선행 상관분석 ● 두 확률변수 사이의 관련성을 자료를 이용하여 연구하는 통계적 분석방법 ● 변수들이 많을 경우 상관 분석을 통해 중요도와 관계성을 파악하고 군집분석에 사용될 최종변수를 추출 가능 군집 분석 ● 계층적 군집 분석 ● K-means 군집 분석 ● K-Medoids 군집 분석 ● 가우시안 혼합 모델 최적화 모델 1) 주요 요소 – 결정변수: 결정하고자 하는 구체적인 대상 – 목적함수: 결정에 영향을 주는 최적화의 목적, 결정변수 활용 방정식으로 표현 – 제약조건식: 해당 문제와 관련된 여러 제한들로, 다양하게 정의 가능, 결정변수 활용 방정식으로 표현 2) 최적화 모델 구분 – 선형 계획법: 목적함수, 제약조건식이 선형함수만으로 구성됨. – 비선형 계획법: 목적함수, 제약조건식에 비선형함수가 하나라도 포함됨. – 정수 계획법: 결정변수 값을 소수값을 포함하는 실수값이 아닌 정수값으로 한정함. ➔ 공간(입지) 최적화 모델의 경우, 입지로 할지 말지에 대한 이분법적 결정이 이루어지는 문제이므로, 결정변수가 이진형 정수이면서 선형함수로 구성된 정수선형 계획법이 일반적임 공간 최적화 모델(Spatial Optimization Model) – P-Median Problem : 선택된 시설과 수요지 사이의 평균 가중 거리를 최소화하는 방식으로 일련의 시설물들의 위치를 선택하는 문제 – P-Center Problem : 선택된 시설과 수요지 사이의 최대 거리를 최소화하는 방식으로 일련의 시설물들의 위치를 선택하는 문제 – Facility Location Problem(FLP) : 수송비용과 설비 설치비용의 합을 최소화하는 방식으로 일련의 시설물들의 위치를 선택하는 문제 – Uncapacitated Facility Location Problem(UFLP) : 목적함수와 제약식의 다양한 형태에 따라 제한용량이 없음 – Capacitated Facility Location Problem(CFLP) : 목적함수와 제약식의 다양한 형태에 따라 제한용량이 있음 – Covering Problem : 사전에 Covering Radius를 정하고, 선택된 시설의 Covering Area 내에 존재하는 수요자 수를 최대화하는 문제 – Location Set Covering Problem(LSCP) : 특정한 지리적 범위 내에 모든 수요를 커버할 수 있는 최소한의 시설물 배치를 목적으로 함. – Maximal Covering Location Problem(MCLP) : 주어진 시설물의 개수로 지역 수요를 최대한 커버할 수 있도록 하는 것을 목적으로 함. (정해진 예산 등의 현실적인 제약 사항을 고려 가능) *참고: https://terms.naver.com/entry.naver?docId=6713040&cid=68053&categoryId=68053 Q2. 입지 최적화 모델이란 무엇인가? [Q2. 입지 최적화 모델이란 무엇인가?] 입지 최적화 모델은 과학적이고 합리적인 방식으로 최적의 입지를 도출하는 방법이다. 수학적 최적화 모델은 목적함수, 결정변수, 제약조건식으로 구성되 terms.naver.com https://velog.io/@danniel1025/Project3.-%EA%B3%B5%EA%B3%B5-%EB%B9%85%EB%8D%B0%EC%9D%B4%ED%84%B0-%EC%9D%B8%ED%84%B4%EC%8B%AD-%EC%8B%A4%EB%AC%B4%ED%98%95-%ED%94%84%EB%A1%9C%EC%A0%9D%ED%8A%B8-%EB%8D%B0%EC%9D%B4%ED%84%B4%EC%8B%AD-%ED%95%B4%EC%BB%A4%ED%86%A4 Project3. 공공 빅데이터 인턴십 실무형 프로젝트: 데이턴십 해커톤 Task: 배달노동자를 위한 서울시 이동노동자 간이 쉼터 최적입지 선정 | Tools: Python, QGIS, R | ALgoritms: MCLP (Maximal Covering Location Problem) velog.io https://github.com/DonghyunAnn/Gbig-Hackathon/blob/master/Output/%EC%84%9C%EC%9A%B82_65%EC%A1%B0_%EB%B6%84%EC%84%9D%EA%B2%B0%EA%B3%BC%EB%B3%B4%EA%B3%A0%EC%84%9C.pdf Gbig-Hackathon/Output/서울2_65조_분석결과보고서.pdf at master · DonghyunAnn/Gbig-Hackathon 공공 빅데이터 인턴십 실무형 프로젝트 – 배달 노동자 간이 쉼터 최적 입지 선정. Contribute to DonghyunAnn/Gbig-Hackathon development by creating an account on GitHub. github.com https://bigdata.seoul.go.kr/noti/selectNoti.do?r_id=P260&bbs_seq=608&ac_type=A1&sch_type=&sch_text=¤tPage=1&tr_code=sweb 서울특별시 빅데이터 캠퍼스 ○ 서울시에서 주최한 2022 빅데이터캠퍼스 공모전 분석결과물입니다. ○ 수상팀/수상명 : 경희수달 / 우수상 ○ 분석과제명 : 구역별 인구특성을 고려한 서울시 공공심야약국 최적입지 선정 ○ bigdata.seoul.go.kr