KR102150205B1 - 딥러닝을 이용한 물류관리시스템 - Google Patents

Abstract

본 발명은, 데이터베이스와, 업무공정을 생성하기 위한 구동프로그램이 구동되고, 사용자로부터 추출대상서버, 추출대상서버에 대한 인수항목, 전송대상서버 및 전송대상서버에 대한 전송항목을 입력받는 사용자단말기와, 구동프로그램을 사용자단말기로 제공하고, 사용자단말기로부터 추출대상서버, 인수항목, 전송대상서버 및 전송항목를 입력받아 업무공정을 설계하며, 설계된 업무공정을 물류관리에 관한 실행명령으로 변환하는 관리모듈과, 데이터베이스에 접속하여 데이터베이스의 DB데이터로부터 업무공정을 구성하는 세부공정별 업무공정 연계성을 학습하고, 학습된 세부공정별 업무공정 연계성을 기반으로 업무공정들 중 특이공정을 판독하여 특이공정에 대한 대체공정을 생성하는 딥러닝모듈을 포함하여 구성됨을 특징으로 하는 딥러닝을 이용한 물류관리시스템을 제공할 수 있다. 상기한 바에 따르면 딥러닝을 이용하여 업무공정 중 발생될 수 있는 특이공정을 미리 판독하고 이에 대한 대체공정을 생성 및 이를 반영하여 업무공정을 설계함으로써 효율적인 물류관리를 할 수 있으며, 이에 따른 원가절감 효과를 얻을 수 있다.

Description

딥러닝을 이용한 물류관리시스템 {Logistics Management System using the deep learning}

본 발명은 딥러닝을 이용한 물류관리시스템에 관한 것으로서, 보다 상세하게는 딥러닝을 이용하여 업무공정 중 발생할 수 있는 특이공정을 최소화함으로써 업무리스크를 사전에 방지하고 이에 대한 실시간 대응을 할 수 있어 업무처리효율을 향상시킬 수 있는 딥러닝을 이용한 물류관리시스템에 관한 것이다.

일반적으로 물류관리란 개발, 생산, 개발, 생산, 유통, 소비 분야의 거점별 각 단계에서 종적, 횡적 거래를 위해 취급물품(handling　item)을 개발하여 재고관리 중심으로 정확한 소요를 기획하고, 품질이 우수한 공급업체로부터 조달 및 구매하여 적정 수준의 재고통제를 경제적으로 운영하면서 필수품에 한해서는 저장관리하고 일반품목은 수령과 불출만을 하여 수요에 적시 판매 및 유통하는 전반적인 것을 말하며, 이에 대한 물류관리시스템은 물품의 입고에서 출고까지를 처리하는 운송, 보관/재고, 하역, 포장공정을 포함하는 공정들로 이루어진다.

한편, 상기한 물류시스템에 대한 기술의 예로 대한민국 등록번호 제10-1001209호는 입고된 물품들을 팔레트 적재상태로 보관하는 저장설비와; 상기 저장설비로부터 이송된 물품들을 팔레트 적재상태에서 개별단위로 해체시키는 팔레트 해체장치와; 상기 팔레트 해체장치로부터 개별단위로 이송된 물품들을 출하조건에 맞추어 팔레트에 적재하는 층단위 적재장치와; 상기 층단위 적재장치에서 적재된 물품들을 출하 전까지 저장하는 버퍼저장설비와; 상기 팔레트 해체장치로부터 개별단위로 이송된 물품들을 선입선출 방식으로 저장하는 플로우 랙과; 상기 플로우 랙으로부터 이송된 물품들을 출하조건에 맞추어 팔레트에 적재하는 열단위 적재장치와, 상기 팔레트 해체장치로부터 개별단위로 이송된 물품들을 저장하는 캐로젤과; 상기 캐로젤로부터 이송된 물품들을 분류하는 소터와; 상기 버퍼저장설비, 상기 열단위 적재장치, 상기 소터 쪽으로부터 출하영역으로 물품들을 이송시키는 출하이송설비를 포함하는 것을 특징으로 하는 물류시스템이 개시된 바 있다.

그런데, 상기한 종래의 물류관리시스템은, 업무공정 중 발생할 수 있는 특이공정을 업무실행 전 사전에 예측할 수 없기 때문에 이러한 특이공정이 발생될 시 업무리스크가 발생될 수 있으며, 또한 이러한 특이공정에 대한 신속한 대처가 어려워 업무처리의 연속성이 낮아지고 업무처리효율이 저하되는 문제점이 있었다.

대한민국 등록번호 제10-1001209호

본 발명은, 딥러닝을 이용하여 업무공정 중 발생될 수 있는 특이공정을 미리 판독하여 공정 중 발생할 수 있는 특이공정을 최소화함으로써 업무리스크를 사전에 방지할 수 있으며, 이러한 특이공정을 대체할 수 있는 대체공정을 생성하고 이를 신속하게 대응할 수 있도록 하여 업무처리의 연속성을 보장함은 물론, 업무처리효율을 향상시킬 수 있는 딥러닝을 이용한 물류관리시스템을 제공하는 것을 목적으로 한다.

본 발명은, 데이터베이스와; 업무공정을 생성하기 위한 구동프로그램이 구동되고, 사용자로부터 추출대상서버, 상기 추출대상서버에 대한 인수항목, 전송대상서버 및 상기 전송대상서버에 대한 전송항목을 입력받는 사용자단말기와; 구동프로그램을 사용자단말기로 제공하고, 상기 사용자단말기로부터 상기 추출대상서버, 상기 인수항목, 상기 전송대상서버 및 상기 전송항목를 입력받아 업무공정을 설계하며, 설계된 업무공정을 물류관리에 관한 실행명령으로 변환하는 관리모듈과; 상기 데이터베이스에 접속하여 상기 데이터베이스에 저장된 DB데이터로부터 업무공정을 구성하는 세부공정별 업무공정 연계성을 학습하고, 학습된 상기 세부공정별 업무공정 연계성을 기반으로 상기 업무공정들 중 특이공정을 판독하여 상기 특이공정에 대한 대체공정을 생성하는 딥러닝모듈;을 포함하여 구성될 수 있다.

여기서, 상기 딥러닝모듈은, 상기 관리모듈에 의하여 설계된 업무공정에 대하여 특이공정을 판독하고, 상기 특이공정을 대체할 상기 대체공정을 생성하여 상기 관리모듈로 전송하고, 상기 관리모듈은, 실행명령으로 변환하기 전 상기 대체공정을 반영하여 업무공정을 재설계하고, 재설계된 상기 업무공정을 실행명령으로 변환하도록 구성될 수 있다.

상기 DB데이터는, 상기 구동프로그램을 통하여 기 실행된 업무공정에 대한 업무정보를 포함하는 원시업무데이터와; 기 실행된 상기 업무공정의 평가정보를 생성하기 위한 업무결과정보를 포함하는 원시결과데이터와; 상기 업무공정을 수행하기 위한 설비정보 및 업무관리프로그램의 관리정보를 포함하는 원시내부환경데이터와; 상기 딥러닝모듈에 의해 생성된 학습레이어와; 상기 딥러닝모듈의 인공지능 알고리즘과; 업무공정을 생성하기 위한 구동프로그램;을 포함하여 구성될 수 있다.

또한, 상기 딥러닝 모듈은, 상기 DB데이터들로부터 복수개의 학습레이어들을 생성하고, 상기 학습레이어들을 합성곱신경망(CNN, Convolutional Neural Network) 알고리즘을 이용하여 상기 세부공정별 업무공정 연계성을 학습하도록 구성될 수 있다.

상기 학습레이어는, 상기 원시업무데이터를 코드화시킨 업무데이터와; 업무공정 수행 시 환경여건과 관련된 원시외부환경데이터 및 상기 원시내부환경데이터를 각각 코드화시킨 환경데이터와; 상기 원시결과데이터를 코드화시킨 결과데이터;를 포함하는 학습데이터에 의하여 구성될 수 있다.

여기서, 상기 원시외부환경데이터는, 외부로부터 수집된 날씨정보 데이터, 유가정보 데이터, 환율정보 데이터, 통관정보 데이터 및 세율정보데이터를 포함하고, 상기 원시내부환경데이터는, 설비의 가동상태를 나타내는 설비가동율 데이터, 보관적재율 데이터 및 재고데이터를 포함할 수 있다.

또한, 상기 원시결과데이터는, 세부공정별 처리소요기간을 포함하는 소요기간정보와, 세부공정별 처리비용을 포함하는 소요비용정보와, 세부공정별 동일항목의 재실행정보, 비용입금정보 및 비용환불정보를 포함하는 결과정보를 포함하여 구성될 수 있다.

상기 학습레이어는, 상기 업무데이터, 상기 환경데이터 및 상기 결과데이터를 코드화하여 생성된 추출레이어들과; 상기 추출레이어들로부터 조합되어 생성된 가상레이어들;을 포함하여 구성될 수 있다.

상기 업무공정은, 사용자로부터 입력받는 복수개의 항목들을 포함하여 이루어진 세부공정들이 연계되어 구성되고, 상기 딥러닝모듈은, 생성된 가상업무데이터들로부터 상기 가상레이어를 생성하도록 구성될 수 있다.

상기 특이공정은, 구매공정에 대하여 발주지연, 리드타임 과다 및 긴급구매 중 적어도 어느 하나의 사항을 포함할 수 있다.

또는, 상기 특이공정은, 생산공정에 대하여 생산지연, 생산용량(Capa)부족 및 계획편차 과다 중 적어도 어느 하나의 사항을 포함할 수 있다.

또한, 상기 특이공정은, 주문공정에 대하여 재고부족, 긴급주문 및 주문취소 중 적어도 어느 하나의 사항을 포함할 수 있다.

또한, 상기 특이공정은, 계획공정에 대하여 예측편차 과다, 과잉재고 및 과소재고 중 적어도 어느 하나의 사항을 포함할 수 있다.

상기 특이공정은, 보관공정에 대하여 입고지연, 장기보관재고, 유효기간압박 및 출고지연 중 적어도 어느 하나의 사항을 포함할 수 있다.

상기 특이공정은, 배송공정에 대하여 배송지연, 배송착오, 과다적재, 공차수배 및 관세오류 중 적어도 어느 하나의 사항을 포함할 수 있다.

상기 특이공정은, 반품공정에 대하여 인터페이스에러 및 사용자 조작실수로 인한 에러 중 적어도 어느 하나의 사항을 포함할 수 있다.

상기 특이공정은, 데이터에러, 인터페이스에러 및 시스템에러 중 적어도 어느 하나의 사항을 포함할 수 있다.

한편, 상기 가상업무데이터는, 저장된 업무공정들을 구성하는 세부공정들이 추출/조합되어 구성되되, (A) 저장된 업무공정들을 구성하는 세부공정들 중 추출기준이 되는 공정종류를 선택하는 단계와, (B) 선택된 공정종류에 속하는 세부공정들 중 항목이 일치되는 세부공정을 생성될 가상업무데이터의 해당공정에 대한 세부공정으로 선택하는 단계와, (C ) 가상업무데이터의 세부공정으로 선택된 세부공정을 포함하는 업무공정들을 선별하는 단계와, (D) 선별된 업무공정들 중, 가상업무데이터의 세부공정으로 선택된 세부공정과 직접 연계된 세부공정들 중 항목이 일치되는 세부공정을 연계된 세부공정으로 선택하는 단계와, (E) 상기 (C)단계 내지 (D)단계를 연계된 전체 세부공정에 대하여 반복수행하는 단계를 포함하는 단계를 통하여 생성될 수 있다.

이때, 상기 추출기준이 되는 공정종류는, 상기 업무공정들에 포함된 각 공정의 포함빈도에 따라 선별될 수 있다.

상기 추출기준이 되는 공정종류는, 상기 업무공정들에 포함된 해당공정을 구성하는 각 세부공정의 항목일치도에 따라 선별될 수 있다.

상기 딥러닝모듈은, 생성된 가상레이어들의 생성시점에 대한 시계열 순서를 기준으로 후순위로 생성된 두 개의 상기 가상레이어들의 유사도 값이 기설정된 범위 이상인 경우, 상기 가상레이어의 생성을 중지하도록 구성될 수 있다.

본 발명에 따른 딥러닝을 이용한 물류관리시스템은 다음과 같은 효과를 제공한다.

첫째, 딥러닝을 이용하여 업무공정 중 발생될 수 있는 특이공정을 미리 판독하고 이에 대한 대체공정을 생성 및 이를 반영하여 업무공정을 설계함으로써 효율적인 물류관리를 할 수 있으며, 업무공정간 효율적인 협업을 증가시켜 전체 물류공급망의 비용을 최소화하고 업무를 최적화할 수 있다.

둘째, 세부공정별 업무공정 연계성을 학습하는 딥러닝모듈을 통하여 공정 중 발생할 수 있는 특이공정을 최소화함으로써 업무리스크를 사전에 방지하고 이에 대한 실시간 대응을 할 수 있어 업무처리효율을 향상시킬 수 있으며, 업무처리의 연속성을 보장할 수 있다.

셋째, 딥러닝모듈의 학습레이어 구성을 기 실행된 업무공정의 데이터들을 통하여 생성된 추출레이어들뿐만 아니라, 추출레이어들로부터 생성된 가상레이어를 포함하고 있기 때문에, 물류와 관련한 한정된 업무데이터로도 충분한 학습레이어들의 수를 확보할 수 있다.

넷째, 딥러닝모듈의 학습레이어를 기 설정된 업무공정의 데이터들로부터 추출하고, 결과데이터와 환경데이터 등을 함께 고려하여 구성함으로써, 생성된 학습레이어가 실제 실행하는 업무공정과 그 유사도를 높일 수 있어 학습의 신뢰성을 향상시킬 수 있다.

다섯째, 세부공정 선택횟수, 세부공정별 항목 일치도 등을 고려하여 실제 업무공정에서 발생할 수 있는 최적의 가상레이어들을 생성함으로써, 학습레이어의 신뢰성을 향상시킬 수 있다.

여섯째, 딥러닝모듈에 의하여 특이공정을 지속적으로 관리하기 때문에 기업의 물류관련 활동에 효율성을 보장할 수 있으며, 24시간 상시적으로 가동되는 만큼 원가 증가 없이 지속 가능하여 경제적이다.

도 1은 본 발명의 실시예에 따른 딥러닝을 이용한 물류관리시스템의 전체공정 흐름을 나타내는 절차도이다.
도 2는 도 1의 딥러닝을 이용한 물류관리시스템의 구성을 나타내는 블록도이다.
도 3은 도 1의 딥러닝모듈의 추출레이이어 생성과정을 개략적으로 나타낸 도면이다.
도 4는 도 1의 물류관리시스템에서 딥러닝모듈의 학습레이어 생성과정을 나타내는 절차도이다.
도 5는 도 3의 딥러닝모듈의 추출레이어로부터 가상레이어를 생성하는 과정을 개략적으로 나타낸 도면이다.
도 6은 도 5의 딥러닝모듈의 가상레이어 생성의 다른 실시예를 나타내는 도면이다.
도 7은 도 5의 딥러닝모듈의 가상레이어 생성의 또 다른 실시예를 나타내는 도면이다.
도 8은 도 2의 물류관리시스템에서 특이공정의 예를 나타내는 도면이다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다.

먼저, 도 1을 참조하면, 본 발명의 실시예에 따른 딥러닝을 이용한 물류관리시스템(이하 '물류관리시스템'이라 한다)은, 사용자(작업자)로부터 설계된 업무공정이 입력되어 수신되면(S10), 실행명령으로 변환하기 전 딥러닝을 이용하여 설계된 업무공정에서 특이공정의 발생여부를 미리 판단한다(S20).

이때 상기 물류관리시스템은, 설계된 업무공정 중 특이공정 발생이 판단되면 이러한 특이공정을 대체할 수 있는 대체공정을 생성하고(S30), 이를 이용하여 업무공정을 재설계(S40)하도록 구성된다.

이에 따르면, 상기 물류관리시스템은, 딥러닝을 이용하여 업무공정 중 발생될 수 있는 특이공정을 사전에 예측 및 이에 대응할 수 있도록 하여, 특이공정 발생으로 인한 업무리스크를 줄이고, 이에 따른 대체공정을 실시간으로 생성하여 업무처리의 연속성을 확보할 수 있고, 업무처리효율을 향상시킬 수 있는 효과를 제공할 수 있다.

한편, 상기에서 특이공정이란, 구매에서 생산, 주문, 배송 등에 이르기까지 많은 업무공정들이 서로 유기적으로 연계된 복잡하고 다양한 물류업무 공급망에서 발생할 수 있는 예외상황을 나타낸다고 볼 수 있으며, 설계된 업무공정으로 공정들을 수행할 수 없거나, 업무의 연속성을 저해하는 요소를 말한다. 여기서, 상기 특이공정에 대한 상세한 설명은 후술하기로 한다.

이하에서는, 상기 물류관리시스템의 세부구성과 이에 대한 내용에 대하여 살펴보기로 한다.

도 2를 참조하면, 상기 물류관리시스템은, 데이터베이스(100)와, 사용자단말기(200)와, 관리모듈(300)과, 딥러닝모듈(400)을 포함하여 구성될 수 있다.

상기 데이터베이스(100)는, 상기한 사용자단말기(200)와 관리모듈(300)로부터 수집되는 데이터들은 물론 딥러닝모듈(400)의 학습을 위한 데이터를 포함하는 다양한 DB데이터가 저장된다.

상세하게, 상기 DB데이터는, 상기 업무공정 관련 원시업무데이터(510)와, 원시결과데이터(530)와, 원시내부환경데이터(521)와, 업무공정을 생성하기 위한 구동프로그램과, 후술되는 학습레이어들과, 상기 딥러닝모듈(400)의 인공지능 알고리즘을 포함할 수 있다.

먼저, 상기 원시업무데이터(510)는, 상기 구동프로그램을 통하여 기 실행된 업무공정에 대한 전반적인 업무정보를 포함한다.

여기서, 상기 업무공정은 구매공정, 생산공정, 주문공정, 계획공정, 보관공정, 배송공정, 반품공정 등으로 분류할 수 있는 세부공정(511)들로 이루어지고, 이러한 세부공정(511)들 각각은 인수항목, 전송항목 등을 비롯한 복수개의 항목(512)들로 구성될 수 있다(도 3참조). 즉, 상기 원시업무데이터(510)는, 기 실행된 세부공정별 항목(512) 등 업무공정에 대한 전반적인 업무정보를 포함한다. 여기서, 상기 원시업무데이터(510)는, 사용자로부터 입력되는 인수항목, 전송항목 등을 포함할 수 있다.

상기 원시결과데이터(530)는, 기 실행된 상기 업무공정의 평가정보를 생성하기 위한 업무결과정보를 포함하고 있으며, 세부공정별 업무성과 및 평가정보를 나타낸다.

상세하게 상기 원시결과데이터(530)는, 세부공정별 처리소요기간을 포함하는 소요기간정보와, 세부공정별 처리비용을 포함하는 소요비용정보와, 세부공정별 동일항목(512)의 재실행정보, 비용입금정보 및 비용환불정보를 포함하는 결과정보를 포함하여, 처리소요시간 및 소요비용을 통한 업무공정의 성과와 재실행정보, 비용환불정보 등을 통하여 업무공정의 평가(실적)정보가 구성될 수 있다.

상기 원시내부환경데이터(521)는, 상기 업무공정을 수행하기 위한 설비정보 및 재고관리를 포함하는 보관재고정보를 나타내며, 시설물의 가동상태를 나타내는 설비가동율 데이터, 보관적재율 데이터 및 재고데이터를 포함할 수 있다.

한편, 상기 원시업무데이터(510), 원시결과데이터(530), 원시내부환경데이터(521)는 후술되는 학습레이어를 생성하기 위해 코드화시키기 전의 원시데이터로서, 사용자단말기(200)와 관리모듈(300)로부터 생성되는 데이터로 나타낼 수 있다.

상기 사용자단말기(200)는, 업무공정을 생성하기 위한 구동프로그램이 구동되고, 사용자로부터 추출대상서버, 상기 추출대상서버에 대한 인수항목, 전송대상서버 및 상기 전송대상서버에 대한 전송항목이 입력되면 상기 구동프로그램을 통해 전송하는 역할을 한다. 상기 사용자단말기(200)는, 관리모듈(300)과 연결된 사용자 휴대단말기 또는 데스크톱 컴퓨터 등이 적용될 수 있다.

상기 관리모듈(300)은, 구동프로그램을 사용자단말기(200)로 제공하고, 상기 사용자단말기(200)로부터 상기 추출대상서버, 상기 인수항목, 상기 전송대상서버 및 상기 전송항목를 입력받아 업무공정을 설계하며, 설계된 업무공정을 실행명령으로 변환하는 역할을 한다.

한편, 상기 관리모듈(300)은, 설계된 업무공정을 실행명령으로 변환하기 전 상기 딥러닝모듈(400)로부터 후술되는 대체공정을 수신하고, 상기 대체공정을 반영하여 업무공정을 재설계하며, 이렇게 재설계된 상기 업무공정을 최종으로 하여 실행명령으로 변환한다.

상기 딥러닝모듈(400)은, 상기 데이터베이스(100)에 접속하여 상기 데이터베이스(100)의 DB데이터로부터 업무공정을 구성하는 세부공정별 업무공정 연계성을 학습하고, 학습된 상기 세부공정별 업무공정 연계성을 기반으로 상기 업무공정들 중 특이공정을 판독함은 물론 이러한 특이공정에 대한 대체공정을 생성하여 상기 관리모듈(300)로 전송한다..

즉, 상기 딥러닝모듈(400)은, 상기 관리모듈(300)에 의하여 설계된 업무공정을 실시간 모니터링하여, 설계된 업무공정에서 발생될 수 있는 특이공정을 미리 판독하고, 이의 대체공정을 실시간으로 생성함으로써, 업무처리효율을 저하시킬 수 있는 특이공정을 최소화할 수 있으며, 업무처리의 연속성을 보장할 수 있다.

이하에서는, 상기 딥러닝모듈(400)의 학습과 관련한 세부내용에 대하여 살펴보기로 한다.

상기 딥러닝 모듈은, 상기 DB데이터들로부터 복수개의 학습레이어들을 생성하고, 이렇게 생성된 상기 학습레이어들을 합성곱신경망(CNN, Convolutional Neural Network) 알고리즘을 이용하여 세부공정별 업무공정 연계성을 학습하도록 구성된다. 여기서 상기 합성곱신경망은, 데이터를 특징(feature)별로 추출하여, 이러한 특징들의 패턴을 파악하는 구조로서, 하나의 레이어(layer)에 많은 데이터정보가 사용될 수 있으며, 이들 각각은 독립적이며, 그들은 학습 후 다른 필터를 통하여 추가로 학습이 된다. 이에 본 발명과 같은 물류관리시스템에서, 상기 레이어는 업무공정 내용 및 이와 관련된 데이터들로 구성될 수 있으며, 후술되는 바와 같이 업무공정을 구성하는 세부공정들 및 세부공정별 항목들과, 이에 대한 각 결과데이터들 및 환경데이터들 등을 포함할 수 있다.

한편, 상기 합성곱신경망 알고리즘은 컨벌루선(Convolution)과정과, 풀링(Pooling)과정을 통해 진행되며, 이는 후술되는 추출레이어 생성 및 가상레이어 생성과정에서의 추출기준이 되는 공정종류의 추출 및 추출된 공정종류들의 세부공정에 대하여 항목일치도에 따라 선택하는 과정 등 학습레이어 및 가상레이어의 생성과정에서와 같이 그 알고리즘 모델이 적용될 수 있다. 여기서, 상기에서 기술한 외의 합성곱신경망 알고리즘의 모델관련 세부적인 내용은 공지의 합성곱신경망 알고리즘에서 대응되는 부분을 적용할 수 있으므로 이에 대한 상세한 설명은 생략하기로 한다.

상기 학습레이어의 구성에 대하여 살펴보면, 상기 학습레이어는 업무데이터(610)와, 환경데이터(620)와, 결과데이터(630)를 포함하여 구성될 수 있다.

상기 업무데이터(610)는, 전술한 원시업무데이터(510)를 코드화시킨 데이터로서, 업무공정 전반의 세부공정(511) 및 세부공정별 항목(512) 등을 포함하는 데이터들로 구성된다.

상기 환경데이터(620)는, 업무공정 수행 시 환경여건과 관련된 데이터로서, 전술한 내부설비상태, 적재 및 보관상태를 나타내는 원시내부환경데이터(521)와, 외부로부터 수집된 원시외부환경데이터(522)를 각각 코드화시킨 데이터이다.

여기서, 상기 원시외부환경데이터(522)는, 업무공정과 직접적으로 관련은 없지만 이에 영향을 미칠 수 있는 데이터로서, 인터넷 접속을 통하여 물류 배송에 영향을 미칠 수 있는 날씨정보 데이터, 비용에 영향을 미칠 수 있는 유가정보 데이터, 환율정보 데이터, 통관정보 데이터 등을 포함할 수 있다. 이때, 상기 원시외부환경데이터(522)는, 인터넷에 접속하여 상기한 데이터들을 획득함에 있어, 기 설정된 세부공정별 날짜에 대응하는 데이터를 수집할 수 있다.

상기 결과데이터(630)는, 전술한 원시결과데이터(530)를 코드화시킨 데이터로서, 실행된 세부공정별 업무결과(성과)를 나타낸다.

상기한 바와 같이, 상기 학습레이어는, 업무데이터(610)와, 환경데이터(620)와, 결과데이터(630)를 포함하고 있어, 기 실행된 업무공정, 업무성과, 업무실행 시 환경요인 등 업무공정 전반에 걸친 다양한 데이터를 통합적으로 구성되어 있으며, 이에 따라 딥러닝모듈(400)이 세부공정별 업무공정의 연계성을 보다 신뢰성 있게 학습할 수 있도록 구성된다.

한편, 상기 딥러닝모듈(400)의 학습은, 학습레이어를 구성하는 데이터들의 수가 많을수록 학습효과를 향상시킬 수 있다.

그런데, 상기 물류관리시스템은, 물류를 관리하는 업무공정의 세부공정(511)들이 비교적 한정되어 있고, 각 세부공정(511)들의 항목(512) 또한 한정된 항목구성 내에서 선택되기 때문에 그 데이터의 양이 제한적일 수밖에 없다.

이에, 본 발명은 상기 딥러닝모듈(400)의 학습레이어 수를 늘려 학습에 필요한 보다 많은 학습레이어들을 확보하고, 이를 딥러닝모듈(400)이 학습할 수 있도록 함으로써, 상기 딥러닝모듈(400)이 세부공정별 업무공정 연계성을 보다 정밀하고 효과적으로 학습할 수 있도록 할 수 있다.

이를 위해, 상기 학습레이어는, 데이터베이스(100)의 DB데이터로부터 생성된 추출레이어(600)들과, 상기 추출레이어(600)들로부터 조합되어 생성되는 가상레이어들을 더 포함하여 구성될 수 있다.

먼저, 상기 추출레이어(600)에 대하여 도 3을 참조하여 살펴보기로 한다.

상기 추출레이어(600)는, 상기 업무데이터(610)와, 환경데이터(620)와, 결과데이터(630)를 포함하여 구성된다.

이때, 상기 업무데이터(610)는, 상기 데이터베이스(100)에 저장된 원시업무데이터(510)들로부터 코드화되어 생성된다. 도면에서 미설명부호 A,A'는 각 업무공정을 나타내고, 511은 세부공정, 512는 세부공정을 구성하는 항목들을 나타낸다.

그리고 상기 환경데이터(620)는, 상기 원시내부환경데이터(521)와 외부로부터 수집된 원시외부환경데이터(522)가 코드화되어 생성된다.

상기 결과데이터(630)는, 상기 원시결과데이터(530)들이 코드화되어 생성된다.

상기한 바에 따르면, 상기 추출레이어(600)는, 상기한 업무데이터(610)와, 결과데이터(630)를 포함하여 기 실행된 각 세부공정별 업무내용과 결과내용을 포함하도록 구성되고, 환경데이터(620)를 통하여 업무에 영향을 주는 환경정보들도 포함하도록 구성되어 업무공정에 대한 다각적이고 정밀한 내용을 포함하고 있다. 때문에, 상기 딥러닝모듈(400)의 이러한 추출레이어(600)를 통하여 보다 신뢰성 있는 학습을 할 수 있게 된다.

상기 가상레이어는, 상기 추출레이어(600)들로부터 생성되며, 상기한 추출레이어(600)와 대응되는 구조로 구성된다. 상기 가상레이어는, 상기 원시업무데이터(510)로부터 가상의 원시업무데이터(510)를 추출하고, 추출된 원시업무데이터(510)에 대응하여 기 설정된 원시결과데이터(530)와 이전의 환경정보를 토대로 하여 가상의 환경데이터와, 결과데이터(630)를 추출하여, 이들에 의하여 생성된다. 여기서, 상기 가상레이어의 생성과정 및 이에 대한 다양한 실시예에 대해서는 후술하기로 한다.

도 4는 딥러닝모듈의 학습레이어 생성과정을 나타내는 절차도로서, 도면을 참조하여 딥러닝모듈 세부적인 학습레이어 생성과정에 대하여 살펴보기로 한다.

먼저, 상기 딥러닝모듈(400)은, DB데이터로부터 상기 추출레이어(600)를 생성한다(S100). 여기서, 상기 추출레이어(600)의 구성 및 생성과정은 전술하였으므로 이에 대한 상세한 설명은 생략하기로 한다.

이렇게 추출레이어(600)가 생성되면, 상기 딥러닝모듈(400)은, 상기 추출레이어(600)를 조합하여 가상레이어들을 생성한다.

이러한 가상레이어 생성에 대하여 상세하게 살펴보면, 먼저 상기 딥러닝모듈(400)은, 이미 기 생성된 상기 추출레이어(600)들로부터 가상업무데이터를 생성한다(S210). 여기서, 상기 가상업무데이터는 업무데이터(610)와 대응되도록 복수개의 항목(512)들이 포함된 세부공정(511)들이 서로 연계되어 형성되며, 이에 대응하는 환경데이터와 결과데이터(630)들을 포함한다.

상기한 바와 같이 추출레이어(600)들로부터 가상업무데이터가 생성되면, 가상업무데이터로부터 가상레이어를 생성한다(S220).여기서, 가상업무데이터로부터 가상레이어를 생성하는 과정은 전술한 업무데이터(610), 환경데이터 및 평가데이터로부터 추출레이어(600)를 생성하는 과정과 동일하며 이에 대한 상세한 설명은 생략하기로 한다.

한편, 상기 딥러닝모듈(400)은, 상기한 과정에 의하여 가상레이어를 생성함에 있어, 아래의 중지조건을 만족하면 가상레이어의 생성을 중지할 수 있다.

이에 대하여 살펴보면, 상기 딥러닝모듈(400)은, 가상레이어를 생성함에 있어, 생성된 가상레이어들의 생성시점에 대한 시계열 순서를 기준으로 후순위로 생성된 두 개의 가상레이어들의 유사도값을 설정값과 비교하여 유사도값이 설정값 이상인지 판단한다(S300). 여기서, 상기 설정값은 두 개의 가상레이어들이 서로 실질적으로 동일하다고 판단할 수 있을 정도의 값으로서, 가상레이어의 구성 데이터들에 의하여 그 설정값을 설정할 수 있다.

한편, 상기에서 상기 딥러닝모듈(400)은 후순위로 가장 최근에 생성된 두 개의 가상레이어들의 유사도값이 설정값 미만이면, 추출레이어(600)들로부터 가상레이어를 다시 생성한다.

반면, 상기 딥러닝모듈(400)은 후순위로 가장 최근 생성된 두 개의 가상레이어들 간의 유사도값이 설정값 이상인 경우에는, 가상레이어 생성을 중지한다(S400).

여기서, 후순위로 최근 생성된 두 개의 가상레이어의 유사도값이 설정값 이상이라 함은 두 개의 가상레이어가 거의 동일하다고 볼 수 있으며, 이렇게 두 개의 가상레이어 유사도값이 설정값 이상이면 가상레이어의 생성을 중지하여 불필요한 가상레이어 생성을 방지한다.

상기한 과정에 의하여 추출레이어(600)들과 가상레이어들을 포함하는 학습레이어들이 생성되면, 상기 딥러닝모듈(400)은, 상기 학습레이어들을 딥러닝하여 세부공정별 업무공정 연계성을 학습한다(S500).

한편, 딥러닝모듈(400)은, 물류공정들이 진행됨에 따라 추출레이어(600)들 생성도 증가하게 되고, 이를 통한 가상레이어들의 생성도 증가하게 되며, 이렇게 증가되는 추출레이어(600)들과 가상레이어들로부터 학습레이어들이 재구성되어 학습레이어의 확장이 이루어질 수 있다.

상기한 바에 따라 상기 딥러닝모듈(400)은, 추출레이어(600)와 가상레이어를 통하여 보다 많은 학습레이어를 확보하고, 이를 통한 학습을 반복함으로써 세부공정별 업무공정 연계학습을 보다 정밀하게 수행할 수 있게 되고, 이에 학습의 신뢰성을 향상시킬 수 있어, 업무공정 중 발생할 수 있는 특이공정을 신뢰성있게 판독하고 및 이에 효과적으로 대응할 수 있는 대체공정을 생성함으로써 업무처리효율을 향상시킴은 물론, 업무처리의 연속성을 확보할 수 있다.

이하에서는, 상기 딥러닝모듈(400)의 가상레이어을 생성하는 다양한 실시예에 대하여 살펴보기로 한다.

이에 앞서 우선, 전술한 바와 같이 상기 업무공정은, 각 공정별 사용자로부터 입력받는 복수개의 항목(512)들을 포함하여 이루어진 세부공정(511)들이 연계되어 구성된다(도 3참조).

그리고 상기 딥러닝모듈(400)은, 생성된 가상업무데이터로부터 가상레이어를 생성하며, 이러한 가상업무데이터는 이하의 각 단계에 의하여 생성될 수 있다.

이에 대하여 살펴보면, 먼저 상기 가상업무데이터는, 저장된 업무공정들을 구성하는 세부공정들이 추출 및/또는 조합되어 구성된다.

세부적으로, 이러한 세부공정들의 추출, 조합되는 과정은, 먼저 (A) 저장된 업무공정들을 구성하는 세부공정들 중 추출기준이 되는 공정종류를 선택하는 단계를 갖는다.

그리고 (B) 상기에서 선택된 공정종류에 속하는 세부공정들 중 항목이 일치되는 세부공정을 생성될 가상업무데이터의 해당공정에 대한 세부공정으로 선택한다.

여기서, 세부공정들 중 항목이 일치되는 세부공정을 해당공정에 대한 세부공정으로 선택하는 이유는, 세부공정들 중 항목구성이 일치된는 세부공정들이 실제 실행정도가 많다는 것을 의미하므로, 이렇게 실행정도가 많은 세부공정을 선택함으로써 이렇게 선택된 데이터가 보다 신뢰성(실제 사용자에 의한 선택 가능성이 높은)을 확보하기 위함이다.

이 후, (C) 가상업무데이터의 세부공정으로 선택된 세부공정을 포함하는 업무공정들을 선별하는 과정을 거치고, (D) 선별된 업무공정들 중, 가상업무데이터의 세부공정으로 선택된 세부공정과 직접 연계된 세부공정들 중 항목이 일치되는 세부공정을 연계된 세부공정으로 선택한다.

한편, 나머지 세부공정의 선택은, (E) 상기 (C)단계 내지 (D)단계를 연계된 전체 세부공정에 대하여 반복 수행하여 이루어진다.

한편, 상기에서 (A)단계의 추출기준이 되는 공정종류를 다양한 실시예로 실시하여, 다양한 가상업무데이터를 생성할 수 있다.

이에 대한 일 예로, 도 5를 참조하면, 상기 추출기준이 되는 공정종류는, 저장된 각 업무공정들을 구성하는 공정들 중 하나 또는 복수개의 공정종류가 선택될 수 있다.

도면에서는, 공정정류들 중 좌측 첫 번째 열에 해당하는 공정종류가 추출기준이 되는 공정종류로 선택된 것을 나타내고 있다. 하지만, 이는 일 실시예로 그 선택되는 공정종류의 개수와 종류는 달리할 수 있음은 물론이다.

한편, 도 5에 도시된 박스로 이루어진 구성 하나하나는 각각의 세부공정(511)들을 의미하며, 각 세부공정(511) 내부에 포함된 연계된 여러 작은 박스들은 항목(512)들을 나타낸다. 또한 도면에서 동일 행은 하나의 업무공정들에 포함된 다양한 세부공정(511)들을 의미하며, 동일 열은 구매나 생산과 같은 동일 공정종류의 세부공정(511)을 나타내고, 각각의 행은 각 업무공정들을 나타낸다.

상기한 바에 따르면, 상기한 일 실시예에 따라 생성된 가상업무데이터는, 세부공정 중 어느 하나 또는 복수개의 공정종류를 기준으로 나머지 세부공정들을 연계적으로 선별하고, 각각은 그 항목(512)구성이 일치되는 세부항목을 연계된 세부공정으로 선택함으로써, 물류관련 업무공정들이 서로 유기적으로 연계되어 있다고 볼 때, 선택된 세부공정들 간의 연계성 학습에 신뢰성을 제공할 수 있다.

이하에서는 도 6을 참조하여, 상기 (A)단계의 추출기준이 되는 공정종류의 선별에 대한 다른 실시예를 살펴보기로 한다.

상기한 실시예는, 추출기준이 되는 공정종류를, 상기 업무공정들에 포함된 각 공정의 포함빈도에 따라 선별되는 것을 특징으로 한다.

다시 말해, 상기 추출기준이 되는 공정종류는, 각 공정종류별로 세부공정의 포함빈도가 높은 순으로 기 설정된 개수의 공정종류를 추출기준으로 설정한다.

여기서, 세부공정들이 많이 포함된 공정종류는, 다른 공정종류와 비교하여 볼 때 세부공정들이 많이 포함되어 있다는 점에서 업무공정에서 주로 선택되고 필수적인 것이라고 판단할 수 있다.

이에, 상기한 실시예는 전술한 도 5의 실시예와 비교하여 볼 때, 세부공정들이 많이 포함된 공정종류를 추출기준으로 채택하고 있다는 점에서, 업무공정에서 필수적으로 포함되는 공정종류를 최초 추출기준으로 선택한다고 볼 수 있으며, 이를 통해 생성되는 가상업무공정의 현실근접성을 높일 수 있다.

또한, 상기한 실시예는, 도시된 바와 같이 물류에 관한 업무공정이 경우에 따라 세부공정들 중 일부는 생략되는 등 다양한 형태로 설계된다고 볼 때, 실제 업무와 보다 유사한 형태를 감안한 것이다.

한편, 상기한 바에 의하여 도 6을 참조하여 살펴보면, 도 6에서 추출기준이 되는 공정종류는, 3열과 5열의 세부공정이 각 3번씩 높게 선택되어 있기 때문에, 이들 3열과 5열에 해당하는 공정종류가 추출기준이 되는 세부공정으로 선별된다.

상기한 바와 같이 상기한 실시예는, 업무공정 중 실제 채택되지 않는 다양한 세부공정들이 있다는 것을 고려한 것으로, 실제 물류관리처리에 있어 사용자가 보다 많이 선택하여 포함빈도가 높은 공정종류를 기준으로 하기 때문에, 실제 업무공정과 보다 유사한 형태의 가상레이어를 생성할 수 있다.

이하에서는 도 7을 참조하여, 상기 (A)단계의 추출기준이 되는 공정종류의 선별에 대한 또 다른 실시예를 살펴보기로 한다.

상기한 실시예는, 추출기준이 되는 공정종류가, 상기 업무공정들에 포함된 해당공정을 구성하는 각 세부공정의 항목일치도에 따라 선별될 수 있다.

다시 말해, 상기한 실시예는, 전술한 도 6과 비교하여 볼 때, 추출기준이 되는 공정종류를 공정의 포함빈도가 아닌, 각 세부공정을 구성하는 항목구성의 항목일치도를 고려한 것으로 업무공정 실행된 세부공정별 항목들의 일치도까지 고려한 실시예이다.

이에 도면을 참조하여, 상기한 실시예에 따른 추출기준이 되는 공정종류에 대하여 살펴보면, 도면에 도시된 예에서, 제1열의 공정종류는 항목이 일치하는 세부공정이 0개, 제2열의 공정종류는 항목이 일치하는 세부공정이 2개, 제3열의 공정종류는 항목이 일치하는 세부공정이 0개, 제4열의 공정종류는 항목이 일치하는 세부공정이 0개, 제5열의 공정종류는 항목이 일치하는 세부공정이 0개, 마지막열의 공정종류는 항목이 일치하는 세부공정이 2개가 있으므로, 이에 2열과 마지막열의 공정종류가 추출기준으로 선별되고, 이 각각의 공정종류들로부터 세부공정이 선별된다.

한편, 상기한 실시예는, 실행된 세부공정 중 항목이 일치하는 세부공정만을 기준으로 추출기준을 선별하는 것으로, 현실적으로 실제 업무공정에 최대한 가까운 가상레이어 생성이 가능하다.

이하에서는, 도 8을 참조하여 상기 특이공정들에 대하여 상세하게 살펴보기로 한다.

상기 특이공정은, 업무처리의 연속성을 저하시킬 수 있는 공정으로서, 물류관리의 전반적인 세부공정들로부터 발생될 수 있다.

여기서, 상기 세부공정들은 업무종류 등에 따라 다양한 세부공정들이 구성될 수 있지만, 본 발명에서는 도시된 바와 같이 물류관련 업무공정을, 구매공정, 생산공정, 주문공정, 계획공정, 보관공정, 배송공정, 반품공정 및 이 외 기타공정을 포함하여 구성되는 경우를 실시예로 하여 각 세부공정별 특이공정에 대하여 살펴보기로 한다.

먼저, 구매공정과 관련하여, 상기 특이공정은, 발주지연, 리드타임 과다 및 긴급구매 중 적어도 어느 하나의 사항으로 구매공정에 있어서 발생할 수 있는 특이사항을 포함할 수 있다.

다음으로 생산공정과 관련해서 상기 특이공정은, 생산지연, 생산용량(Capa)부족 및 계획편차 과다 중 적어도 어느 하나의 사항으로 생산에 영향을 주는 특이사항들을 포함할 수 있다.

또한, 주문공정과 관련해서 상기 특이공정은, 재고부족, 긴급주문 및 주문취소 중 적어도 어느 하나의 사항으로 주문공정에 있어서 발생하는 특이사항을 포함할 수 있다.

또한, 계획공정과 관련하여 상기 특이공정은, 예측편차 과다, 과잉재고 및 과소재고 중 적어도 어느 하나의 사항으로 계획공정에서 발생할 수 있는 특이사항을 포함할 수 있다.

또한, 보관공정에 대하여 상기 특이공정은, 입고지연, 장기보관재고, 유효기간압박 및 출고지연 중 적어도 어느 하나의 사항을 포함하며, 보관공정 시 발생할 수 있는 특이사항을 포함할 수 있다.

또한, 배송공정과 관련하여 상기 특이공정은, 배송지연, 배송착오, 과다적재, 공차수배 및 관세오류 중 적어도 어느 하나의 사항을 포함하여 배송공정에서 발생할 수 있는 특이사항(예외사항)을 포함할 수 있다.

또한, 반품공정에 대하여 상기 특이공정은, 인터페이스 에러 또는 사용자 조작실수로 인한 에러 사항을 포함할 수 있다.

한편, 상기한 특이공정에 대한 세부사항 이외의 사항으로 상기 특이공정은, 데이터에러, 인터페이스에러 및 시스템에러 중 적어도 어느 하나의 사항을 포함할 수 있으며, 이는 업무공정 외 시스템적인 에러 등을 포함할 수 있다.

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.

100 : 데이터베이스 200 : 사용자단말기
300 : 관리모듈 400 : 딥러닝모듈
510 : 원시업무데이터 511 : 세부공정
512 : 항목 521 : 원시내부환경데이터
522 : 원시외부환경데이터 530 : 원시결과데이터
600 : 추출레이어 610 : 업무데이터
620 : 환경데이터 630 : 결과데이터
A,A' : 세부업무공정 B : 가상업무공정

Claims (17)

1. 데이터베이스와;
   업무공정을 생성하기 위한 구동프로그램이 구동되고, 사용자로부터 추출대상서버, 상기 추출대상서버에 대한 인수항목, 전송대상서버 및 상기 전송대상서버에 대한 전송항목을 입력받는 사용자단말기와;
   구동프로그램을 사용자단말기로 제공하고, 상기 사용자단말기로부터 상기 추출대상서버, 상기 인수항목, 상기 전송대상서버 및 상기 전송항목를 입력받아 업무공정을 설계하며, 설계된 업무공정을 물류관리에 관한 실행명령으로 변환하는 관리모듈과;
   상기 데이터베이스에 접속하여 상기 데이터베이스에 저장된 DB데이터로부터 업무공정을 구성하는 세부공정별 업무공정 연계성을 학습하고, 상기 업무공정들 중 특이공정을 판독하여, 학습된 상기 세부공정별 업무공정 연계성을 기반으로 상기 특이공정에 대한 대체공정을 생성하는 딥러닝모듈을 포함하여 구성되고:
   상기 업무공정은,
   업무 실행단위인 항목들이 복수개 포함되어 이루어진 세부공정들이 연계되어 구성되며:
   상기 딥러닝모듈은,
   상기 관리모듈에 의하여 설계된 업무공정에 대하여 특이공정을 판독하고, 상기 특이공정을 대체할 상기 대체공정을 생성하여 상기 관리모듈로 전송하고,
   상기 관리모듈은,
   실행명령으로 변환하기 전 상기 대체공정을 반영하여 업무공정을 재설계하고, 재설계된 상기 업무공정을 실행명령으로 변환하도록 구성되며:
   상기 DB데이터는,
   상기 구동프로그램을 통하여 기 실행된 업무공정에 대한 업무정보를 포함하는 원시업무데이터와;
   기 실행된 상기 업무공정의 평가정보를 생성하기 위한 업무결과정보를 포함하는 원시결과데이터와;
   상기 업무공정을 수행하기 위한 설비정보 및 업무관리프로그램의 관리정보를 포함하는 원시내부환경데이터와;
   상기 딥러닝모듈에 의해 생성된 학습레이어와;
   상기 딥러닝모듈의 인공지능 알고리즘과;
   업무공정을 생성하기 위한 구동프로그램을 포함하여 구성되고:
   상기 딥러닝 모듈은,
   상기 DB데이터들로부터 복수개의 학습레이어들을 생성하고, 상기 학습레이어들을 합성곱신경망(CNN, Convolutional Neural Network) 알고리즘을 이용하여 상기 세부공정별 업무공정 연계성을 학습하되;
   상기 학습레이어는,
   원시업무데이터를 바탕으로 생성된 학습레이어와;
   가상업무데이터를 바탕으로 생성된 가상레이어를 포함하여 구성되며:
   상기 학습레이어는,
   상기 원시업무데이터를 코드화시킨 업무데이터와;
   업무공정 수행 시 환경여건과 관련된 원시외부환경데이터 및 상기 원시내부환경데이터를 각각 코드화시킨 환경데이터와;
   상기 원시결과데이터를 코드화시킨 결과데이터;를 포함하는 학습데이터에 의하여 구성되고:
   상기 가상업무데이터는, 저장된 업무공정들을 구성하는 세부공정들이 추출 및 조합되어 구성되되, 상기 딥러닝모듈은,
   (A) 저장된 업무공정들을 구성하는 세부공정들 중 추출기준이 되는 공정종류를 선택하는 단계와;
   (B) 선택된 공정종류에 속하는 세부공정들 중 항목이 일치되는 세부공정을 생성될 가상업무데이터의 해당공정에 대한 세부공정으로 선택하는 단계와;
   (C) 가상업무데이터의 세부공정으로 선택된 세부공정을 포함하는 업무공정들을 선별하는 단계와;
   (D) 선별된 업무공정들 중, 가상업무데이터의 세부공정으로 선택된 세부공정과 직접 연계된 세부공정들 중 항목이 일치되는 세부공정을 연계된 세부공정으로 선택하는 단계와;
   (E) 상기 (C)단계 내지 (D)단계를 연계된 전체 세부공정에 대하여, 생성된 가상레이어들의 생성시점에 대한 시계열 순서를 기준으로 후순위로 생성된 두 개의 상기 가상레이어들의 유사도 값이 기설정된 값 이상일 때까지 반복수행하는 단계를 포함하는 단계를 수행하여, 상기 가상업무데이터를 생성하며:
   상기 제(A)단계의 상기 추출기준이 되는 공정종류는, 상기 업무공정들에 포함된 각 공정의 포함빈도 또는 상기 업무공정들에 포함된 해당공정을 구성하는 각 세부공정의 항목 일치도에 따라 선별됨을 특징으로 하는 딥러닝을 이용한 물류관리시스템.
   
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 제 1 항에 있어서,
   상기 원시외부환경데이터는,
   외부로부터 수집된 날씨정보 데이터, 유가정보 데이터, 환율정보 데이터, 통관정보 데이터 및 세율정보데이터를 포함하고,
   상기 원시내부환경데이터는,
   설비의 가동상태를 나타내는 설비가동율 데이터, 보관적재율 데이터 및 재고데이터를 포함하는 것을 특징으로 하는 딥러닝을 이용한 물류관리시스템.
   
7. 제 1 항에 있어서,
   상기 원시결과데이터는,
   세부공정별 처리소요기간을 포함하는 소요기간정보와,
   세부공정별 처리비용을 포함하는 소요비용정보와,
   세부공정별 동일항목의 재실행정보, 비용입금정보 및 비용환불정보를 포함하는 결과정보를 포함하여 구성됨을 특징으로 하는 딥러닝을 이용한 물류관리시스템.
   
8. 삭제
9. 삭제
10. 제 1 항에 있어서,
    상기 특이공정은,
    구매공정에 대하여 발주지연, 리드타임 과다 및 긴급구매 중 적어도 어느 하나의 사항을 포함하는 것을 특징으로 하는 딥러닝을 이용한 물류관리시스템.
    
11. 제 1 항에 있어서,
    상기 특이공정은,
    생산공정에 대하여 생산지연, 생산용량(Capa)부족 및 계획편차 과다 중 적어도 어느 하나의 사항을 포함하는 것을 특징으로 하는 딥러닝을 이용한 물류관리시스템.
    
12. 제 1 항에 있어서,
    상기 특이공정은,
    주문공정에 대하여 재고부족, 긴급주문 및 주문취소 중 적어도 어느 하나의 사항을 포함하는 것을 특징으로 하는 딥러닝을 이용한 물류관리시스템.
    
13. 제 1 항에 있어서,
    상기 특이공정은,
    계획공정에 대하여 예측편차 과다, 과잉재고 및 과소재고 중 적어도 어느 하나의 사항을 포함하는 것을 특징으로 하는 딥러닝을 이용한 물류관리시스템.
    
14. 제 1 항에 있어서,
    상기 특이공정은,
    보관공정에 대하여 입고지연, 장기보관재고, 유효기간압박 및 출고지연 중 적어도 어느 하나의 사항을 포함하는 것을 특징으로 하는 딥러닝을 이용한 물류관리시스템.
    
15. 제 1 항에 있어서,
    상기 특이공정은,
    배송공정에 대하여 배송지연, 배송착오, 과다적재, 공차수배 및 관세오류 중 적어도 어느 하나의 사항을 포함하는 것을 특징으로 하는 딥러닝을 이용한 물류관리시스템.
    
16. 제 1 항에 있어서,
    상기 특이공정은,
    반품공정에 대하여 인터페이스에러 및 사용자 조작실수로 인한 에러 중 적어도 어느 하나의 사항을 포함하는 것을 특징으로 하는 딥러닝을 이용한 물류관리시스템.
    
17. 제 1 항에 있어서,
    상기 특이공정은,
    데이터에러, 인터페이스에러 및 시스템에러 중 적어도 어느 하나의 사항을 포함하는 것을 특징으로 하는 딥러닝을 이용한 물류관리시스템.

Images