입지 선정 관련 머신러닝 기법

[19기_심지민]

1. 가중치를 고려한 K-평균 클러스터링 (Weighted K-Means)

• 목적: 이용자 수를 기준으로 최적의 클러스터(군집) 중심을 찾는 방법이야.
• 적용 방법:
  • 각 학교와 버스정류장의 위도와 경도를 사용하면서, 재학생 수와 버스 이용자 수를 가중치로 포함해.
  • K-평균 클러스터링을 수행할 때, 가중치가 큰 학교나 정류장이 클러스터 중심에 가깝게 형성되도록 해.
  • 클러스터 수(K)를 3~4개로 지정해서, 각 클러스터 중심을 쿨페이브먼트 설치 지점으로 선정해.
• 장점: 위치와 이용자 수를 동시에 고려하여 군집을 형성해 이용자 수가 가장 많은 위치를 중심으로 할 수 있어.

2. 그리디 알고리즘 (Greedy Algorithm)

• 목적: 매번 가장 많은 이용자를 커버할 수 있는 장소를 순차적으로 선택하는 방식이야.
• 적용 방법:
  • 첫 번째로, 이용자 수가 가장 많은 학교나 버스정류장을 첫 번째 설치 지점으로 선택해.
  • 이후, 이미 커버된 지역을 제외하고, 남은 장소 중에서 추가로 가장 많은 이용자를 커버할 수 있는 장소를 다음 설치 지점으로 선택해.
  • 3~4개의 장소를 선택할 때까지 반복해.
• 장점: 직관적이고 계산이 빠르며, 이용자 수를 최대한 많이 커버할 수 있는 최적의 지점을 단계적으로 선택 가능해.

3. 시설 입지 최적화 문제 (Facility Location Problem, FLP)

• 목적: 제한된 자원(쿨페이브먼트)을 통해 최대의 이용자 수를 커버하는 최적의 위치를 찾는 문제로, 이를 해결하는 최적화 알고리즘이야.
• 적용 방법:
  • 각 장소(학교, 버스정류장)의 이용자 수를 수요(demand)로 설정해.
  • 각 장소 간의 거리를 고려하여, 수요를 최대한 커버할 수 있는 위치를 찾는 최적화 문제를 설정해.
  • 이를 scipy나 ortools 같은 최적화 라이브러리로 해결하여, 이용자 수를 최대화하는 3~4개의 장소를 선정해.
• 장점: 수학적 최적화를 통해 가장 효율적인 위치를 계산해 낼 수 있어.

4. 탐욕적 최적화 기법 + 최소 커버 문제 (Set Cover Problem)

• 목적: 여러 지역에서 이용자 수를 커버하면서 겹치는 부분을 최소화하는 방식이야.
• 적용 방법:
  • 각 장소의 이용자 수를 포함하는 집합을 만들고, 그 집합을 커버하는 방식으로 쿨페이브먼트 설치 지점을 선택해.
  • 이 방식으로는 3~4개의 지역을 선택했을 때 최대한 많은 이용자를 커버할 수 있어.
• 장점: 중복을 최소화하면서 이용자 수를 최대화할 수 있음.