KR102364082B1

KR102364082B1 - 물류 운송 관리 방법

Info

Publication number: KR102364082B1
Application number: KR1020210061652A
Authority: KR
Inventors: 박관수; 박병규
Original assignee: 박관수; 박병규
Priority date: 2021-05-12
Filing date: 2021-05-12
Publication date: 2022-02-17
Also published as: WO2022240018A1

Abstract

본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의하여 수행되는 물류 운송 관리 방법은, 상차지의 제1 비콘(Beacon)에 의하여 식별된 제1 식별 정보 - 제1 식별 정보는 운송 차량과 연관된 사용자 단말에 관한 것임 - 를 수신하는 단계, 상차지의 제1 센서를 통해 감지된 운송 차량의 적재물과 연관된 제1 적재물 데이터를 수신하는 단계, 상차지의 제1 LPR(Licensed Plate Recognition) 장치로부터 운송 차량의 제1 차량 번호 데이터를 수신하는 단계, 상차지에 대하여 미리 저장된 사전 정보의 적어도 일부와 제1 식별 정보, 제1 적재물 데이터 및 제1 차량 번호 데이터의 일치 여부를 결정하는 단계 및 사전 정보의 적어도 일부가 제1 식별 정보, 제1 적재물 데이터 및 제1 차량 번호 데이터와 일치하는 것으로 결정하는 것에 응답하여, 운송 차량에 대하여 상차지에서의 상차를 승인하는 단계를 포함한다.

Description

물류 운송 관리 방법{A METHOD FOR MANAGING TRANSPORTATION OF LOAD}

본 개시는 물류 운송 관리 방법에 관한 것으로, 구체적으로 적재물을 운송하는 차량의 상/하차 여부 및 차량에 적재된 적재물에 관한 정보를 기초로 하여 차량의 운송 비용을 산출하는 물류 운송 관리 방법에 관한 것이다.

최근 기술이 발전함에 따라 대부분의 산업 분야에서 자동화 시스템이 정착되었다. 이러한 자동화 시스템의 정착은 효율적이고 편리하며 정확한 관리 프로세스의 정착으로 이어져왔다. 그럼에도 불구하고, 건설현장에서는 자동화 시스템이 일반적으로 적용된 사례를 찾아보기가 힘들다.

구체적으로, 건설 현장의 시공 재료인 토사, 골재, 암(rock) 등의 상하차 여부는 현재까지도 공사 인력에 의한 수기로 관리되고 있다. 이에 따라, 상하차에 대한 기록을 토대로 산출되는 적재물의 운송 비용은 휴먼 에러, 관리 기록 보존의 부실, 상하차 관리 감독의 부실 등을 초래하고 있다. 또한, 이러한 문제들은 상술한 문제에 더하여 발주처, 시공사, 협력업체, 장비 기사 등에게 큰 비용 손실을 초래한다는 문제가 있다.

삭제

대한민국 공개특허공보 10-2006-0027205(2006.03.27)

본 개시는 상기와 같은 문제를 해결하기 위한 물류 운송 관리 방법을 제공한다. 구체적으로, 적재물을 운송하는 차량의 상/하차 여부 및 차량에 적재된 적재물에 관한 정보를 기초로 하여 차량의 운송 비용을 산출하는 물류 운송 방법이 제공된다.

일 실시예에 따르면, 제1 적재물 데이터는 상차지에서 운송 차량에 적재된 적재물의 무게와 연관된 정보를 포함한다.

일 실시예에 따르면, 제1 적재물 데이터는 상차지에서 운송 차량에 적재된 적재물을 촬영한 이미지를 포함한다.

일 실시예에 따르면, 사전 정보의 적어도 일부가 제1 식별 정보, 제1 적재물 데이터 및 제1 차량 번호 데이터와 일치하는 것으로 결정하는 것에 응답하여, 운송 차량에 대하여 상차지에서의 상차를 승인하는 단계는, 적재물의 무게가 사전 결정된 임계 무게를 초과하지 않는 것으로 결정하는 것에 응답하여, 운송 차량에 대하여 상차지에서의 상차를 승인하는 단계를 포함한다.

일 실시예에 따르면, 운송 차량에 대하여 상차지에서의 상차를 승인하는 것에 응답하여, 사용자 단말에 상차 승인 여부를 알리는 푸쉬 알람을 전송하는 단계를 더 포함한다.

일 실시예에 따르면, 하차지의 제2 비콘(Beacon)에 의하여 식별된 운송 차량의 제2 식별 정보를 - 제2 식별 정보는 사용자 단말과 연관됨 - 수신하는 단계, 하차지의 제2 센서를 통해 감지된 운송 차량의 적재물과 연관된 제2 적재물 데이터를 수신하는 단계, 하차지의 제2 LPR 장치로부터 운송 차량의 제2 차량 번호 데이터를 수신하는 단계, 및 사전 정보와 제2 식별 정보, 제2 적재물 데이터 및 제2 차량 번호 데이터의 일치 여부를 결정하는 단계 및 사전 정보의 적어도 일부가 제2 식별 정보, 제2 적재물 데이터 및 제2 차량 번호 데이터와 일치하는 것으로 결정하는 것에 응답하여, 운송 차량에 대하여 하차지에서의 하차를 승인하는 단계를 더 포함한다.

일 실시예에 따르면, 상차지 및 하차지의 위치 정보를 기초로 운송 차량의 운송 비용을 산출하는 단계를 더 포함한다.

일 실시예에 따르면, 상차지의 위치 정보를 기초로 하여, 단위 거리 당 운송 비용을 산출하는 단계를 더 포함한다.

일 실시예에 따르면, GPS(Global Positioning System)를 기반으로 하는 운송 차량의 위치 정보를 미리 결정된 주기마다 수신하는 단계, 및 위치 정보를 기초로 운송 차량의 운송 비용을 산출하는 단계를 더 포함한다.

본 개시의 일 실시예에 따르면, 물류 운송 관리 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.

본 개시의 일 실시예에 따르면, 동일한 상차지 및 하차지더라도 운송 경로와 연관된 정보가 반영된 보다 정확한 운송 비용을 산출할 수 있다.

본 개시의 일 실시예에 따르면, 상차지 및 하차지의 지리적 특성, 도로 정보를 기초로 운송 비용을 산출함으로써, 적재물 운송의 난이도가 반영된 보다 정확한 운송 비용을 산출할 수 있다.

본 개시의 일 실시예에 따르면, 사전 정보를 기초로 상/하차가 승인된 운송 차량에 대하여만 운송 비용을 산출하도록 함으로써, 사전 정보와 일치하지 않는 부적합한 상/하차에 대한 운송 비용이 부과되는 것을 방지할 수 있다.

도 1은 본 개시의 일 실시예에 따른 물류 운송 관리 시스템이 적용된 상차지 및 하차지의 예시를 나타낸다.
도 2는 본 개시의 일 실시예에 따른 물류 운송 관리 서비스를 제공하기 위하여, 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따라 운송 비용을 산출하는 정보 처리 시스템의 기능적인 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따라 운송 차량과 연관된 사용자 단말에서 공사 현장을 선택하는 예시를 나타낸다.
도 5는 본 개시의 일 실시예에 따라 운송 차량과 연관된 사용자 단말에서 공사 현장의 제1 사전 정보 및 제2 사전 정보를 확인하는 예시를 나타낸다.
도 6은 본 개시의 일 실시예에 따라 운송 차량과 연관된 사용자 단말에서 운행 전 사전 정보를 수정하는 예시를 나타낸다.
도 7은 본 개시의 일 실시예에 따른 식별 정보, 적재물 데이터, 차량 번호 데이터 또는 GPS 기반 위치 정보에 기초하여 운송 비용을 추론하거나 출력하도록 구성된 운송 비용 예측 기계학습 모델을 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 인공신경망을 나타내는 구조도이다.
도 9는 본 개시의 일 실시예에 따른 물류 운송 관리 방법의 예시를 나타낸다.

이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.

첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.

개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.

또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만 '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.

본 개시의 일 실시예에 따르면 '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서는, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.

본 개시에서, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다.

본 개시에서, '기계학습 모델'은 주어진 입력에 대한 답을 추론하는데 사용하는 임의의 모델을 포함할 수 있다. 일 실시예에 따르면, 기계학습 모델은 입력 레이어(층), 복수 개의 은닉 레이어 및 출력 레이어를 포함한 인공신경망 모델을 포함할 수 있다. 여기서, 각 레이어는 하나 이상의 노드를 포함할 수 있다. 예를 들어, 상차지 및/또는 하차지에 대한 운송 비용(또는 단위 거리당 운송 비용)을 추론하도록 학습될 수 있다. 다른 예를 들어, 주행 거리(또는 운반 거리) 및/또는 운송 경로에 대한 운송 비용을 추론하도록 학습될 수 있다. 본 개시에서, 기계학습 모델은 인공신경망 모델을 지칭할 수 있으며, 인공신경망 모델은 기계학습 모델을 지칭할 수 있다.

도 1은 본 개시의 일 실시예에 따른 물류 운송 관리 시스템이 적용된 상차지 및 하차지의 예시를 나타낸다. 도시된 바와 같이, 도 1의 (a)는 상차지에서 적재물을 싣고 상차하는 운송 차량(100)을 나타내고, 도 1의 (b)는 하차지에서 하차하는 운송 차량(100)을 나타낸다. 물류 운송 관리 시스템이 적용된 상차지 및 하차지에는 각각 운송 차량(100)을 인식/식별하거나, 운송 차량(100)과 연관된 정보를 수신하기 위한 장치들(120 내지 170)이 설치될 수 있다.

물류 운송 관리 시스템의 서버는(이하, '서버'라 한다.) 운송 차량(100)과 연관된 사용자 단말(예: 운전자의 사용자 단말, 운송 차량(100)에 탑재된 단말 등)을 식별할 수 있다. 일 실시예에 따르면, 물류 운송 관리 시스템은 운송 차량(100)과 연관된 사용자 단말을 식별하기 위한 비콘(Beacon)(120, 150)을 포함할 수 있다. 여기서, 비콘(120, 150)은 주기적으로 신호를 전송(또는 수신)함으로써, 비콘(120, 150)에 근접하는 사용자 단말의 식별 정보를 수신할 수 있다. 이 경우, 식별 정보는, 사용자 단말 고유의 식별 정보(예: 사용자 단말의 전화번호), 식별 시간 정보, 위치 정보(예: 사용자 단말의 위치, 비콘이 설치된 상차지/하차지 위치 정보 등)를 포함할 수 있다. 비콘(120, 150)은 식별 정보를 수신하여, 물류 운송 관리 시스템의 서버로 전송할 수 있다.

서버는 운송 차량(100)의 차량 번호를 인식할 수 있다. 일 실시예에 따르면, 물류 운송 관리 시스템은 차량 번호를 인식하기 위한 이미지 센서(130, 160)를 포함할 수 있다. 또한, 이미지 센서(130, 160)는 LPR(Licensed Plate Recognition) 장치를 포함할 수 있다. 서버는 이미지 센서(130, 160)로부터 수신된 운송 차량(100)의 번호판 이미지를 분석하여, 운송 차량(100)의 차량 번호를 인식할 수 있다. 도 1의 (a) 및 (b)에서는, 운송 차량(100)의 전면에 부착된 번호판을 인식하는 것으로 도시되었으나, 이에 한정되지 않고, 운송 차량(100)의 후면에 부착된 번호판으로부터 차량 번호를 인식할 수도 있다.

서버는 운송 차량(100)에 적재된 적재물(110)을 인식할 수도 있다. 일 실시예에 따르면, 이미지 센서(130, 160)는 운송 차량(100)의 적재물(110)을 인식하기 위한 카메라(예: IP(Internet Protocol) 카메라)를 포함할 수 있다. 이 경우, 적재물(110)은 발파암, 모래, 마사토, 골재, 자갈, 리핑암, 연암, 뻘, 폐기물 등을 포함할 수 있다. 서버는 제1 이미지 센서(130)로부터 수신된 적재물(110)의 이미지를 분석하여, 운송 차량(100)에 적재된 적재물(110)의 종류를 결정할 수 있다. 추가적으로, 물류 운송 관리 시스템은 운송 차량(100)의 적재 여부를 결정할 수도 있다. 도 1의 (b)에 도시된 바와 같이, 운송 차량(100)에 적재물이 적재되지 않은 경우, 물류 운송 관리 시스템은 제2 이미지 센서(160)로부터 수신된 이미지를 분석하여, 운송 차량(100)에 적재물이 적재되지 않은 것으로 결정할 수 있다.

서버는 운송 차량(100)에 적재된 적재물(110)의 무게 데이터를 수신할 수 있다. 일 실시예에 따르면, 물류 운송 관리 시스템은 무게 센서(140, 170)를 포함할 수 있다. 예를 들어, 운송 차량(100)은 상/하차를 결정하기 위하여 미리 결정된 위치에 정차할 수 있다. 이 경우, 운송 차량(100)이 정차된 위치의 바닥면에 무게 센서(140, 170)가 설치되어, 운송 차량(100) 및/또는 적재물(110)의 무게가 측정되어, 서버로 전송될 수 있다.

서버는 운송 차량(100)과 연관된 사용자 단말의 식별 정보, 운송 차량(100)의 차량 번호 또는 적재된 적재물(110)의 종류(또는 적재 여부) 중 적어도 어느 하나를 기초로 하여, 운송 차량(100)이 상차지 및/또는 하차지에서 각각 상차 및/또는 하차를 승인할 수 있다. 여기서, 상차 및/또는 하차의 승인 결과는 후술되는 운송 비용 산출의 기초가 될 수 있다. 일 실시예에 따르면, 서버는 데이터베이스에 저장된 운송 차량(100)의 상차지(또는 하차지)에 대한 사전 정보와 운송 차량(100)의 식별 정보, 차량 번호 및/또는 적재물(110)과 연관된 정보를 비교/분석하여, 운송 차량(100)이 상차 또는 하차를 승인할 수 있다.

서버는 운송 차량(100)의 상차 및/또는 하차를 승인한 경우, 운송 차량(100)의 운송 비용을 산출할 수 있다. 일 실시예에 따르면, 서버는 상차지의 및/또는 하차지의 위치 정보를 기초로 운송 비용을 산출할 수 있다. 다른 실시예에 따르면, 서버는 운송 차량(100)의 운송 경로에 관한 정보를 기초로 운송 비용을 산출할 수 있다. 또 다른 일 실시예에 따르면, 물류 운송 관리 시스템은 적재물(110)의 종류 및/또는 무게에 관한 정보를 기초로 운송 비용을 산출할 수도 있다.

도 2는 본 개시의 일 실시예에 따른 물류 운송 관리 서비스를 제공하기 위하여, 정보 처리 시스템(230)이 복수의 사용자 단말(210_1, 210_2, 210_3)과 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 정보 처리 시스템(230)은 네트워크(220)를 통해 물류 운송 관리 서비스를 제공할 수 있는 물류 운송 관리 시스템(들)을 포함할 수 있다. 일 실시예에서, 정보 처리 시스템(230)은 물류 운송 관리 서비스와 관련된 컴퓨터 실행 가능한 프로그램(예를 들어, 다운로드 가능한 어플리케이션) 및 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스, 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스를 포함할 수 있다. 예를 들어, 정보 처리 시스템(230)은 물류 운송 관리 서비스를 제공하기 위한 별도의 시스템(예를 들어, 물류 운송 관리 서버)들을 포함할 수 있다.

정보 처리 시스템(230)에 의해 제공되는 물류 운송 관리 서비스는 복수의 사용자 단말(210_1, 210_2, 210_3)의 각각에 설치된 물류 운송 관리를 위한 어플리케이션 또는 웹 브라우저 어플리케이션을 통해 사용자에게 제공될 수 있다. 정보 처리 시스템(230)에 의해 제공되는 물류 운송 관리 서비스는, 복수의 사용자 단말(210_1, 210_2, 210_3)의 각각에 설치된 물류 운송 관리를 위한 어플리케이션 또는 웹 브라우저 어플리케이션을 통해 사용자에게 제공될 수 있다.

복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 네트워크(220)는 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다.

도 2에서 휴대폰 단말(210_1), 태블릿 단말(210_2) 및 PC 단말 (210_3)이 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 이미지 센서가 탑재된 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말은, 스마트폰, 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다. 복수의 사용자 단말(210_1, 210_2, 210_3)은 물류 운송 관리 서비스를 이용하는 사용자들의 사용자 단말일 수 있다.

일 실시예에서, 정보 처리 시스템(230)은 사용자 단말에서 동작하는 물류 운송 관리를 위한 어플리케이션 등을 통해 사용자 단말로부터 입력되는 데이터(예를 들어, 사진, 텍스트 등)를 수신할 수 있다. 그 후, 정보 처리 시스템(230)은 수신한 데이터를 저장하거나/저장하고 네트워크(220)와 연결된 다른 사용자 단말로 전송할 수 있다. 추가적으로, 정보 처리 시스템(230)은 사용자 단말로부터 입력되는 사용자 입력에 기초하여 물류 운송 관리 서비스를 제어할 수 있다.

도 3은 본 개시의 일 실시예에 따라 운송 비용을 산출하는 정보 처리 시스템(230)의 기능적인 구성을 나타내는 블록도이다. 도시된 바와 같이, 정보 처리 시스템(230)은 차량 번호 인식 모듈(310), 비콘(Beacon) 인식 모듈(320), 적재물 감지 모듈(330), 상/하차 승인 모듈(340) 및 운송 비용 산출 모듈(350)을 포함하도록 구성될 수 있다. 또한, 도 2에서는 도시되지 않았지만, 정보 처리 시스템(230)은 GPS(Global Positioning System) 기반의 위치 정보와 같은 각종 정보 및/또는 데이터를 외부 장치로부터 수신할 수 있다.

차량 번호 인식 모듈(310)은 외부 장치(예: 이미지 센서)로부터 분석 대상이 되는 이미지를 수신할 수 있다. 일 실시예에 따르면, 차량 번호 인식 모듈(310)은 외부 장치로부터 차량 번호 인식의 대상이 되는 번호판 이미지를 수신할 수 있다. 그리고 나서, 차량 번호 인식 모듈(310)은 번호판 이미지에 포함되거나 분석된 정보 및/또는 데이터를 추출할 수 있다. 추가적으로, 차량 번호 인식 모듈(310)은 기계학습 모델에 의하여 번호판 이미지로부터 차량 번호 데이터를 추론/출력할 수 있다. 또한, 차량 번호 인식 모듈(310)은 번호판 이미지로부터 해당 번호판 이미지가 촬영된 시간 정보(예: 촬영 날짜, 촬영 시간 등), 번호판 이미지가 촬영된 상차지 및/또는 하차지의 위치 정보 등을 추출할 수도 있다. 또한, 차량 번호 인식 모듈(310)은 추출된 차량 번호 데이터를 기초로, 운송 차량 관련 정보가 등록된 외부 서버(예: 운송 차량의 제조사와 연관된 서버, 한국 도로 교통 공단과 연관된 서버 등)로부터 운송 차량의 제원 정보(예: 운송 차량의 무게 정보)등을 불러오거나 읽을 수 있다. 차량 번호 인식 모듈(310)은 출력된 차량 번호 데이터, 시간 정보 또는 상차지 및/또는 하차지의 위치 정보 중 적어도 하나를 상/하차 승인 모듈(340) 및/또는 운송 비용 산출 모듈(350)로 전송하거나, 추출된 제원 정보를 적재물 감지 모듈(330)로 전송할 수 있다.

비콘 인식 모듈(320)은 Bluetooth 기반의 근거리 무선통신 장치(예: 운전자의 사용자 단말, 운송 차량에 탑재된 단말 등)로부터 수신된 신호에 포함되거나 분석된 정보 및/또는 데이터를 추출할 수 있다. 일 실시예에 따르면, 비콘 인식 모듈(320)은 수신한 신호에 포함된 사용자 단말에 관한 식별 정보에 기초하여 데이터베이스에 미리 저장된 복수의 사용자 단말에 관한 정보 중 어느 하나를 읽거나 불러올 수 있다. 그리고 나서, 비콘 인식 모듈(320)은 추출된 식별 정보를 상/하차 승인 모듈(340)로 전송할 수 있다.

적재물 감지 모듈(330)은 외부 장치(예: 무게 센서)로부터 적재물을 포함하는 운송 차량의 무게 데이터를 수신할 수 있다. 또한, 적재물 감지 모듈(330)은 차량 번호 인식 모듈(310)에 의해 외부 서버로부터 수신한 제원 정보(예: 운송 차량의 무게 정보)를 수신할 수 있다. 일 실시예에 따르면, 적재물 감지 모듈(330)은 적재물을 포함하는 운송 차량의 무게 정보 및 운송 차량의 무게 정보를 기초로, 적재물의 무게를 산출할 수 있다. 추가적으로, 적재물 감지 모듈(330)은 산출된 적재물의 무게와 임계 무게(예: 법령에 따른 운송 차량의 최대적재량)를 비교하여, 비교 결과를 상/하차 승인 모듈(340)로 전송할 수 있다.

추가적으로 또는 대안적으로, 적재물 감지 모듈(330)은 외부 장치(예: 이미지 센서)로부터 분석 대상이 되는 이미지를 수신할 수 있다. 일 실시예에 따르면, 적재물 감지 모듈(330)은 외부 장치로부터 적재 여부 판단의 대상이 되는 적재물의 이미지를 수신할 수 있다. 그리고 나서, 적재물 감지 모듈(330)은 적재물의 이미지에 포함되거나 분석된 정보 및/또는 데이터를 추출할 수 있다. 예를 들어, 적재물 감지 모듈(330)은 적재물의 이미지에 포함된 색상, 특징점(feature point), 객체(object) 정보 및/또는 데이터를 분석하여 운송 차량의 적재 여부를 판단하고, 판단 결과를 상/하차 승인 모듈(340)로 전송할 수 있다.

상/하차 승인 모듈(340)은 차량 번호 인식 모듈(310)을 통하여 추출된 차량 번호 데이터 및/또는 비콘 인식 모듈(320)로부터 수신한 식별 정보를 기초로 정보 처리 시스템(230)의 데이터베이스에 저장된 사전 정보를 읽거나 불러올 수 있다. 여기서, 사전 정보는 특정 공사 현장(또는 상차지)와 연관된 공사명, 공사현장의 주소, 발주기관, 시공업체, 토목회사, 운반회사, 공사기간, 운반일자, 구분(설토/사토), 토석종류, 정산기준, 운반거리, 정산일자, 상차시간 및 휴무일에 관한 정보를 포함할 수 있다. 또한, 사전 정보는 운전자의 소속, 차량번호, 운전자, 운전면허, 사용자 단말, 차량 소유 여부에 관한 정보를 포함할 수 있다. 상/하차 승인 모듈(340)은 사전 정보와 차량 번호 데이터 및/또는 식별 정보를 비교하여 일치하는 것으로 결정하고, 운송 차량의 상/하차를 승인할 수 있다. 또한, 상/하차 승인 모듈(340)은 상/하차 승인 정보를 승인한 결과에 기초하여, 운송 비용 산출 모듈(350)에 운송 비용 산출을 요청할 수 있다.

운송 비용 산출 모듈(350)은 상/하차 승인 모듈(340)로부터 수신한 상/하차 승인 결과에 기초하여 운송 비용(또는 단위 거리당 운송 비용)을 산출할 수 있다. 운송 비용 산출 모듈(350)은 차량 번호 인식 모듈(310)로부터 수신한 상차지 및/또는 하차지의 위치 정보를 기초로 운송 비용을 산출할 수 있다. 또한, 운송 비용 산출 모듈(350)은 GPS(Global Positioning System)를 기반으로 하는 운송 차량의 위치 정보를 기초로 하여, 운송 비용을 산출할 수 있다. 추가적으로, 운송 비용 산출 모듈(350)은 상차지 및/또는 하차지의 위치 정보 또는 적재물 데이터 중 적어도 하나를 입력 변수로 하여 운송 비용(또는 단위 거리당 운송 비용)을 출력하는 기계학습 모델을 구현할 수 있다. 다른 실시예에 따르면, 운송 비용 산출 모듈(350)은 상차지 및/또는 하차지의 위치 정보, 적재물 데이터 또는 GPS 기반 위치 정보 중 적어도 하나를 입력 변수로 하여 운송 비용을 출력하는 기계학습 모델을 구현할 수도 있다.

도 4는 본 개시의 일 실시예에 따라 운송 차량과 연관된 사용자 단말에서 공사 현장을 선택하는 예시를 나타낸다. 제1 동작 단계(410) 내지 제3 동작 단계(430)는 물류 운송 관리 시스템에 의하여 사용자 단말에 제공되는 물류 운송 관리 서비스와 연관된 어플리케이션 또는 웹 브라우저 어플리케이션 화면의 예시이다. 사용자 단말은 제1 동작 단계(410)에서 공사 현장을 선택하기 위한 지도(412)를 출력할 수 있다. 그리고 나서, 사용자 단말은 지도(412)에서 특정 도시(414)(예: '서울')를 선택하는 사용자 입력에 응답하여, 제2 동작 단계(420)에서 해당 도시(414)에 포함된 전체 구를 포함하는 지역 선택 리스트(422)를 출력할 수 있다.

지역 선택 리스트(422)에서 특정 구(424)(예: '동작구')가 선택된 경우, 사용자 단말은 지역 선택 인터페이스(426)에 대한 사용자 입력에 응답하여, 제3 동작 단계(430)에서 해당 구(424)와 연관된 공사 현장 리스트(432)를 출력할 수 있다. 여기서, 공사 현장 리스트(432)는 공사명, 발주기관, 구분(성토/사토), 토석종류(예: 토사, 골재, 불량토, 연암, 풍암, 뻘 등), 운반날짜 등에 관한 정보를 포함할 수 있다. 그리고 나서, 공사 현장 리스트(432)에서 특정 공사 현장(434)(예: '신상동 지하차도 확장공사')가 선택된 경우, 현장 선택하기 인터페이스(436)에 대한 사용자 입력에 응답하여, 물류 운송 관리 시스템으로부터 해당 공사 현장(434)의 제1 사전 정보를 수신할 수 있다. 제1 사전 정보에 관한 상세한 설명은 도 5에서 후술된다.

도 5는 본 개시의 일 실시예에 따라 운송 차량과 연관된 사용자 단말에서 공사 현장의 제1 사전 정보(512) 및 제2 사전 정보(522)를 확인하는 예시를 나타낸다. 제1 동작 단계(510) 내지 제3 동작 단계(530)는 물류 운송 관리 시스템에 의하여 사용자 단말에 제공되는 물류 운송 관리 서비스와 연관된 어플리케이션 또는 웹 브라우저 어플리케이션 화면의 예시이다. 사용자 단말은 현장 선택하기 인터페이스(예: 도 4의 현장 선택하기 인터페이스(436))에 대한 사용자 입력에 응답하여, 공사 현장(또는 상차지)와 연관된 제1 사전 정보(512)를 물류 운송 관리 시스템의 데이터베이스로부터 수신하고, 제1 동작 단계(510)에서 선택된 공사 현장(예: 도 4의 434)의 제1 사전 정보(512) 및 운반 신청 인터페이스(514)를 출력할 수 있다. 여기서, 제1 사전 정보(512)는 해당 공사 현장의 공사명, 주소, 발주기관, 시공업체, 토목회사, 운반회사, 공사기간, 운반일자, 구분(성토/사토), 토석종류, 정산기준, 운반거리, 정산일자, 상차시간, 휴무일 등에 관한 정보를 포함할 수 있다.

사용자 단말은 운반 신청 인터페이스(514)에 대한 사용자 입력에 응답하여, 제2 동작 단계(520)에서 제2 사전 정보(522) 및 신청 확인 인터페이스(524)를 출력할 수 있다. 여기서, 제2 사전 정보(522)는 소속, 차량번호, 운전자, 운전면허, 사용자 단말(핸드폰), 차량소유 여부 등에 관한 정보를 포함할 수 있다. 여기서, 제2 사전 정보(522)는 사용자 단말의 데이터베이스에 미리 저장된 데이터로부터 추출/출력된 정보일 수 있다. 대안적으로, 제2 사전 정보(522)는 제2 사전 정보(522)가 표시된 화면 영역에 대한 사용자의 터치 입력 등을 기초로 출력된 정보일 수 있다.

사용자 단말은 신청 확인 인터페이스(524)에 대한 사용자 입력에 응답하여, 제3 동작 단계(530)에서 확인 요청 인터페이스(532) 및 운반 신청 대기 인터페이스(534)를 출력할 수 있다. 확인 요청 인터페이스(532)란, 다른 사용자(예: 운반사 사장)가 사용자(예: 운전자)의 예약 신청을 확인하는 경우에 서버에서 사용자 단말로 전송되는 알림(예: 문자, 인스턴트 메시징, 어플리케이션 푸시)의 타입을 선택하기 위한 인터페이스를 지칭할 수 있다. 예를 들어, '문자확인'의 체크박스에 대한 사용자 입력을 수신한 경우, 서버는 사용자 단말에 예약 신청이 확인되었음을 알리는 문자 메시지를 전송할 수 있다. 다른 예를 들어, '앱푸시확인'의 체크박스에 대한 사용자 입력을 수신한 경우, 서버는 사용자 단말에 예약 신청이 확인되었음을 알리는 어플리케이션 푸시 알림을 전송할 수 있다. 추가적으로, 사용자 단말은 운반 신청 대기 인터페이스(534)에 대한 사용자 입력을 기초로, 제1 사전 정보(512) 및/또는 제2 사전 정보(522)를 서버로 전송한 후, 서버는 제1 사전 정보(512)와 제2 사전 정보(522)를 매칭하여 데이터베이스에 저장할 수 있다.

도 6은 본 개시의 일 실시예에 따라 운송 차량과 연관된 사용자 단말에서 운행 전 사전 정보를 수정하는 예시를 나타낸다. 제1 동작 단계(610) 내지 제4 동작 단계(640)는 물류 운송 관리 시스템에 의하여 사용자 단말에 제공되는 물류 운송 관리 서비스와 연관된 어플리케이션 또는 웹 브라우저 어플리케이션 화면의 예시이다. 사용자 단말은 제1 동작 단계(610)에서 안내 메시지(예: '오늘도 안전운행 해주세요') 및 운전자 정보 확인 인터페이스(612)를 출력할 수 있다. 그리고 나서, 운전자 정보 확인 인터페이스(612)에 대한 사용자 입력에 응답하여, 제2 동작 단계(620)에서 도 5의 동작 단계에 따라 저장된 사전 정보(예: 도 5의 제2 사전 정보(532))의 적어도 일부를 출력할 수 있다. 예를 들어, 차량 번호, 소속회사, 운전자 이름 , 핸드폰 번호 등을 출력할 수 있다.

사용자 단말은 확인 인터페이스(624)에 대한 사용자 입력에 응답하여, 도 5의 동작 단계에 따라 저장된 사전 정보(예: 도 5의 제2 사전 정보(532))의 적어도 일부를 출력할 수 있다. 예를 들어, 공사명, 상차지 주소, 하차지 주소, 토석 종류, 운반 일자 등에 관한 정보를 출력할 수 있다. 운전자는 운행 전(또는 상차 전) 사용자 단말에 출력된 사전 정보를 확인하고, 해당 사전 정보를 수정할 수 있다. 예를 들어, 사용자가 사전 정보에 포함된 어느 하나의 정보(예: '토석 종류')가 실제 정보와 일치하지 않는다고 판단된 경우, 토석 종류 수정 인터페이스(632)를 선택할 수 있다. 사용자 단말은 토석 종류 수정 인터페이스(632)에 대한 사용자 입력에 응답하여, 제4 동작 단계(640)에서 토석 종류 선택 인터페이스(642)를 출력할 수 있다. 사용자는 토석 종류 선택 인터페이스(642)를 통해, 저장된 토석 종류('일반 토사')를 다른 토석 종류로 수정할 수 있다. 도 6에서는 사전 정보 중 '토석 종류'가 수정되는 예시가 도시되었으나, 이에 한정되지 않고, 제2 동작 단계(620)에 도시된 차량번호, 소속회사, 운전자 이름, 사용자 단말(핸드폰) 관한 정보, 제3 동작 단계(630)에 도시된 공사명, 상차지주소, 하차지주소, 토석종류 및 운반 일자에 관한 정보 또한 상술한 바와 같이 수정될 수 있다.

도 7은 본 개시의 일 실시예에 따른 식별 정보(712), 적재물 데이터(714), 차량 번호 데이터(716) 또는 GPS 기반 위치 정보(718)에 기초하여 운송 비용(730)을 추론하거나 출력하도록 구성된 운송 비용 예측 기계학습 모델(720)을 나타내는 도면이다. 일 실시예에 따르면, 다른 사용자(예: 운반사 사장)에 의하여 산출되어 물류 운송 관리 시스템의 데이터베이스에 저장된 운송 비용(또는, 단위 거리 당 운송 비용)(730)은 기계학습 모델(720)의 학습 데이터로 활용될 수 있다. 그리고 나서, 생성된 기계학습 모델(720)은 프로세서가 접근 가능한 저장 매체(예: 메모리)에 저장될 수 있다.

일 실시예에 따르면, 운송 비용 예측 기계학습 모델은 비콘 인식 모듈(예: 비콘 인식 모듈(320))로부터 수신한 식별 정보(712)를 입력 데이터로 활용하여 단위 거리 당 운송 비용(730)을 추론 및/또는 출력할 수 있다. 예를 들어, 식별 정보(712)는 비콘이 설치된 상차지의 위치 정보를 포함할 수 있으며, 기계학습 모델(720)은 해당 상차지의 위치 정보로부터 상차지의 지리적 특성(예: 시, 군, 구, 도심, 해안가, 산 등)에 관한 정보를 추출함으로써 단위 거리 당 운송 비용(730)을 추론할 수 있다. 유사하게, 운송 비용 예측 기계학습 모델은 차량 번호 인식 모듈(예: 차량 번호 인식 모듈(예: 차량 번호 인식 모듈(310))로부터 수신한 차량 번호 데이터(716)를 입력 데이터로 활용하여 단위 거리 당 운송 비용(730)을 추론 및/또는 출력할 수 있다. 이 경우에도, 차량 번호 데이터(716)는 LPR(Licensed Plate Recognition)이 설치된 상차지의 위치 정보를 포함할 수 있으며, 운송 비용 예측 기계학습 모델(720)은 해당 상차지의 위치 정보로부터 단위 거리 당 운송 비용(730)을 추론할 수 있다. 추가적으로 또는 대안적으로, 기계학습 모델(720)은 식별 정보(712) 또는 차량 번호 데이터(716)로부터 추출된 하차지의 위치 정보를 추출하여 단위 거리 당 운송 비용(730)을 추론할 수도 있다.

일 실시예에 따르면, 운송 비용 예측 기계학습 모델은 비콘 인식 모듈(예: 비콘 인식 모듈(320))로부터 수신한 식별 정보(712)를 입력 데이터로 활용하여 전체 운송 경로의 운송 비용(730)을 추론 및/또는 출력할 수 있다. 예를 들어, 식별 정보(712)는 비콘이 설치된 상차지 및/또는 하차지의 위치 정보를 포함할 수 있으며, 기계학습 모델(720)은 해당 상차지 및/또는 하차지의 위치 정보로부터 상차지 및/또는 하차지 사이의 거리에 관한 정보를 추출함으로써 전체 운송 경로의 운송 비용(730)을 추론할 수 있다. 유사하게, 운송 비용 예측 기계학습 모델은 차량 번호 인식 모듈(예: 차량 번호 인식 모듈(예: 차량 번호 인식 모듈(310))로부터 수신한 차량 번호 데이터(716)를 입력 데이터로 활용하여 운송 비용(730)을 추론 및/또는 출력할 수 있다. 이 경우에도, 차량 번호 데이터(716)는 LPR(Licensed Plate Recognition)이 설치된 상차지 및/또는 하차지의 위치 정보를 포함할 수 있으며, 운송 비용 예측 기계학습 모델(720)은 해당 상차지 및/또는 하차지의 위치 정보로부터 상차지 및/또는 하차지 사이의 거리에 관한 정보를 추출함으로써 운송 비용(730)을 추론할 수 있다.

다른 실시예에 따르면, 운송 비용 예측 기계학습 모델(720)은 GPS 기반 위치 정보(718)를 입력 데이터로 활용하여 전체 운송 경로의 운송 비용(730)을 추론 및/또는 출력할 수 있다. 상술한 바와 같이, GPS(Global Positioning System) 기반 위치 정보(718)는 운송 차량과 연관된 사용자 단말(예: 운전자의 사용자 단말, 운송 차량에 탑재된 단말 등)로부터 미리 결정된 주기(예: 10분)마다 수신되는 위치 정보를 지칭할 수 있고, 이로써 GPS 기반 위치 정보(718)는 운송 차량의 운송 경로(또는 경유지)에 관한 정보를 포함할 수 있다. 여기서, 운송 경로에 관한 정보는 도로 정보(예: 고속국도, 일반국도, 특별시도, 광역시도, 지방도, 시도, 군도, 구도 등), 지리적 특성(예: 시, 군, 구, 도심, 해안가, 산 등)에 관한 정보를 포함할 수 있다. 이에 따라, 운송 비용 예측 기계학습 모델(720)은 상차지 및 하차지가 동일하더라도 운송 경로가 상이한 경우, 서로 상이한 운송 비용(730)을 추론할 수 있다.

추가적으로, 운송 비용 예측 기계학습 모델(720)은 적재물 감지 모듈(예: 적재물 감지 모듈(330))로부터 수신한 적재물 데이터(714)를 입력 데이터로 활용하여 전체 운송 경로의 운송 비용(730) 또는 단위 거리 당 운송 비용(730)을 추론 및/또는 출력할 수도 있다. 여기서, 적재물 데이터(714)는 적재물의 종류(예: 토사, 골재, 불량토, 연암, 풍암, 뻘 등)에 관한 정보 및/또는 적재물의 무게 정보를 포함할 수 있다. 이에 따라, 운송 비용 예측 기계학습 모델(720)은 상차지 및 하차지가 동일하더라도 적재물(또는 적재물의 무게)이 상이한 경우, 서로 상이한 운송 비용(730)을 추론할 수 있다.

도 8은 본 개시의 일 실시예에 따른 인공신경망(800)을 나타내는 구조도이다. 인공신경망(800)은 기계학습(Machine Learning) 기술과 인지과학에서, 생물학적 신경망의 구조에 기초하여 구현된 통계학적 학습 알고리즘 또는 그 알고리즘을 실행하는 구조이다. 즉, 인공신경망(800)은, 생물학적 신경망에서와 같이 시냅스의 결합으로 네트워크를 형성한 인공 뉴런인 노드(Node)들이 시냅스의 가중치를 반복적으로 조정하여, 특정 입력에 대응한 올바른 출력과 추론된 출력 사이의 오차가 감소되도록 학습함으로써, 문제 해결 능력을 가지는 기계학습 모델을 나타낸다.

일반적으로 인공신경망은 다층의 노드들과 이들 상이의 연결로 구성된 다층 퍼셉트론(MLP: multilayer perceptron)으로 구현된다. 본 실시예에 따른 인공신경망(800)은 MLP를 포함하는 다양한 인공신경망 구조들 중의 하나를 이용하여 구현될 수 있다. 도 8에서 도시된 바와 같이, 인공신경망(800)은 외부로부터 입력 신호 또는 데이터(810 내지 814)를 수신하는 입력층(822), 입력 데이터에 대응한 출력 신호 또는 데이터(830)를 출력하는 출력층(842), 입력층(822)과 출력층(842) 사이에 위치하며 입력층(822)으로부터 신호를 받아 특성을 추출하여 출력층(842)으로 전달하는 n개의 은닉층(832_1 내지 832_n)으로 구성된다. 여기서, 출력층(842)은, 은닉층(832_1 내지 832_n)으로부터 신호를 받아 외부로 출력한다. 일반적으로, 인공신경망(800)의 학습 방법에는, 교사 신호(정답)의 입력에 의해서 문제의 해결에 최적화되도록 학습하는 지도 학습(Supervised Learning) 방법과, 교사 신호를 필요로 하지 않는 비지도 학습(Unsupervised Learning) 방법이 있다. 본 개시에 따른 물류 운송 관리 방법 및 시스템 은, 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning) 및 준 지도 학습(Semi-supervised Learning)을 이용하여, 상차지 및/또는 하차지의 위치 정보 및 해당 상차지 및/또는 하차지에 대한 운송 비용을 학습 데이터로 하여 인공신경망(800)을 학습시킬 수 있다.

일 실시예에 따르면, 상차지 및/또는 하차지에 대한 운송 비용(또는 단위 거리 당 운송 비용)을 추출할 수 있는 인공신경망(800)의 입력 변수는, 비콘(Beacon) 식별 정보를 나타내는 하나의 벡터 데이터 요소로 구성된 벡터(810), 적재물 데이터를 나타내는 하나의 벡터 데이터 요소로 구성된 벡터(812) 및 차량 번호 데이터를 나타내 하나의 벡터 데이터 요소로 구성된 벡터(814)가 될 수 있다. 이 경우, 출력 변수는 상차지 및/또는 하차지에 대한 운송 비용(또는 단위 거리 당 운송 비용)이 산출된 결과를 나타내는 결과 벡터(850)로 구성될 수 있다.

추가적으로 또는 대안적으로, 상차지 및/또는 하차지에 대한 운송 비용(또는 단위 거리 당 운송 비용)을 추출할 수 있는 인공신경망(800)의 입력 변수는, 비콘 식별 정보를 나타내는 하나의 벡터 데이터 요소로 구성된 벡터(810), 적재물 데이터를 나타내는 하나의 벡터 데이터 요소로 구성된 벡터(812) 및 GPS 기반 위치 정보를 나타내는 하나의 벡터 데이터 요소로 구성된 벡터(814)가 될 수 있다. 이 경우에도, 출력 변수는 상차지 및/또는 하차지에 대한 운송 비용(또는 단위 거리 당 운송 비용)이 산출된 결과를 나타내는 결과 벡터(850)로 구성될 수 있다.

이와 같이, 인공신경망(800)의 입력층(822)과 출력층(842)에 복수의 입력변수와 대응되는 복수의 출력변수를 각각 매칭시켜, 입력층(822), 은닉층(832_1 ... 832_n) 및 출력층(842)에 포함된 노드들 사이의 시냅스 값을 조정함으로써, 특정 입력에 대응한 올바른 출력을 추론할 수 있도록 학습할 수 있다. 이러한 학습과정을 통해, 인공신경망(800)의 입력변수에 숨겨져 있는 특성을 파악할 수 있고, 입력변수에 기초하여 계산된 출력변수와 목표 출력 간의 오차가 줄어들도록 인공신경망(800)의 노드들 사이의 시냅스 값(또는 가중치)를 조정할 수 있다.

이렇게 학습된 인공신경망(800)을 이용하여, 상차지에 대한 단위 거리 당 운송 비용을 추출할 수 있다. 또한, 이렇게 학습된 인공신경망(800)을 이용하여, 상차지 및 하차지에 대한 전체 운송 경로의 운송 비용을 추출할 수 있다.

도 9는 본 개시의 일 실시예에 따른 물류 운송 관리 방법(900)의 예시를 나타낸다. 방법(900)은 물류 운송 관리 시스템의 서버(또는 프로세서)에 의하여 수행될 수 있다. 도시된 바와 같이, 방법(900)은 상차지의 제1 비콘(Beacon)에 의하여 식별된 제1 식별 정보를 수신하는 단계(S910)로 개시될 수 있다.

일 실시예에 따르면, 서버는 상차지의 제1 센서를 통해 감지된 운송 차량의 적재물과 연관된 제1 적재물 데이터를 수신할 수 있다(S920). 이 경우, 제1 적재물 데이터는 상차지에서 운송 차량에 적재된 적재물의 종류 또는 무게 중 적어도 하나와 연관된 데이터를 포함할 수 있다. 또한, 제1 적재물 데이터는 상차지에서 운송 차량에 적재된 적재물을 촬영한 이미지를 포함할 수 있다.

일 실시예에 따르면, 서버는 상차지의 제1 LPR(Licensed Plate Recognition) 장치로부터 운송 차량의 제1 차량 번호 데이터를 수신할 수 있다(S930). 그리고 나서, 상차지에 대하여 미리 저장된 사전 정보의 적어도 일부와 제1 식별 정보, 제1 적재물 데이터 및 제1 차량 번호 데이터의 일치 여부를 결정할 수 있다(S940). 사전 정보의 적어도 일부가 제1 식별 정보, 제1 적재물 데이터 및 제1 차량 번호 데이터와 일치하는 것으로 결정하는 것에 응답하여, 서버는 운송 차량에 대하여 상차지에서의 상차를 승인할 수 있다(S950).

일 실시예에 따르면, 서버는 적재물의 무게가 사전 결정된 임계 무게를 초과하지 않는 것으로 결정하는 것에 응답하여, 운송 차량에 대하여 상차지에서의 상차를 승인할 수 있다. 추가적으로, 서버는 운송 차량에 대하여 상차지에서의 상차를 승인하는 것에 응답하여, 사용자 단말에 상차 승인 여부를 알리는 푸쉬 알람을 전송할 수 있다.

일 실시예에 따르면, 서버는 하차지의 제2 비콘(Beacon)에 의하여 식별된 운송 차량의 제2 식별 정보를 수신할 수 있다. 또한, 하차지의 제2 센서를 통해 감지된 운송 차량의 적재물과 연관된 제2 적재물 데이터를 수신할 수 있다. 또한, 하차지의 제2 LPR 장치로부터 운송 차량의 제2 차량 번호 데이터를 수신할 수 있다. 그리고 나서, 서버는 사전 정보와 제2 식별 정보, 제2 적재물 데이터 및 제2 차량 번호 데이터의 일치 여부를 결정할 수 있다. 그리고 나서, 서버는 사전 정보의 적어도 일부가 제2 식별 정보, 제2 적재물 데이터 및 제2 차량 번호 데이터와 일치하는 것으로 결정하는 것에 응답하여, 운송 차량에 대하여 하차지에서의 하차를 승인할 수 있다.

일 실시예에 따르면, 서버는 상차지 및 하차지의 위치 정보를 기초로 운송 차량의 운송 비용을 산출할 수 있다. 추가적으로 또는 대안적으로, 서버는 상차지의 위치 정보를 기초로 하여, 단위 거리 당 운송 비용을 산출할 수 있다. 또한, 서버는 GPS(Global Positioning System)를 기반으로 하는 운송 차량의 위치 정보를 미리 결정된 주기마다 수신할 수 있다. 또한, 서버는 위치 정보를 기초로 운송 차량의 운송 비용을 산출할 수 있다.

본 개시의 앞선 설명은 통상의 기술자들이 본 개시를 행하거나 이용하는 것을 가능하게 하기 위해 제공된다. 본 개시의 다양한 수정예들이 통상의 기술자들에게 쉽게 자명할 것이고, 본원에 정의된 일반적인 원리들은 본 개시의 취지 또는 범위를 벗어나지 않으면서 다양한 변형예들에 적용될 수도 있다. 따라서, 본 개시는 본원에 설명된 예들에 제한되도록 의도된 것이 아니고, 본원에 개시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위가 부여되도록 의도된다.

비록 예시적인 구현예들이 하나 이상의 독립형 컴퓨터 시스템의 맥락에서 현재 개시된 주제의 양태들을 활용하는 것을 언급할 수도 있으나, 본 주제는 그렇게 제한되지 않고, 오히려 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 현재 개시된 주제의 양상들은 복수의 프로세싱 칩들이나 디바이스들에서 또는 그들에 걸쳐 구현될 수도 있고, 스토리지는 복수의 디바이스들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 디바이스들은 PC들, 네트워크 서버들, 및 핸드헬드 디바이스들을 포함할 수도 있다.

본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다는 점을 알아야 할 것이다. 또한, 그러한 변형 및 변경은 본 명세서에서 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.

100: 운송 차량
110: 적재물
120, 150: 비콘(Beacon)
130, 160: 이미지 센서
140, 170: 무게 센서

Claims

적어도 하나의 프로세서에 의하여 수행되는 물류 운송 관리 방법에 있어서,
상차지의 제1 비콘(Beacon)에 의하여 식별된 제1 식별 정보 - 상기 제1 식별 정보는 운송 차량과 연관된 사용자 단말에 관한 것임 - 를 수신하는 단계;
상기 상차지의 제1 센서를 통해 감지된 상기 운송 차량의 적재물과 연관된 제1 적재물 데이터를 수신하는 단계;
상기 상차지의 제1 LPR(Licensed Plate Recognition) 장치로부터 상기 운송 차량의 제1 차량 번호 데이터를 수신하는 단계;
상기 상차지에 대하여 미리 저장된 사전 정보의 적어도 일부와 상기 제1 식별 정보, 상기 제1 적재물 데이터 및 상기 제1 차량 번호 데이터의 일치 여부를 결정하는 단계;
상기 사전 정보의 적어도 일부가 상기 제1 식별 정보, 상기 제1 적재물 데이터 및 상기 제1 차량 번호 데이터와 일치하는 것으로 결정하는 것에 응답하여, 상기 운송 차량에 대하여 상기 상차지에서의 상차를 승인하는 단계;
GPS(Global Positioning System)를 기반으로 하는 상기 운송 차량의 위치 정보를 미리 결정된 주기마다 수신하는 단계;
하차지의 제2 비콘(Beacon)에 의하여 식별된 상기 운송 차량의 제2 식별 정보를 수신하는 단계 - 상기 제2 식별 정보는 상기 사용자 단말과 연관됨 -;
상기 하차지의 제2 센서를 통해 감지된 상기 운송 차량의 적재물과 연관된 제2 적재물 데이터를 수신하는 단계;
상기 하차지의 제2 LPR 장치로부터 상기 운송 차량의 제2 차량 번호 데이터를 수신하는 단계;
상기 사전 정보와 상기 제2 식별 정보, 상기 제2 적재물 데이터 및 상기 제2 차량 번호 데이터의 일치 여부를 결정하는 단계;
상기 사전 정보의 적어도 일부가 상기 제2 식별 정보, 상기 제2 적재물 데이터 및 상기 제2 차량 번호 데이터와 일치하는 것으로 결정하는 것에 응답하여, 상기 운송 차량에 대하여 상기 하차지에서의 하차를 승인하는 단계; 및
상기 상차 및 상기 하차가 승인되는 것에 응답하여, 기계 학습 모델을 이용하여, 상기 상차지 및 상기 하차지의 위치 정보, 상기 GPS를 기반으로 하는 상기 운송 차량의 위치 정보, 상기 제1 적재물 데이터 및 상기 제2 적재물 데이터를 기초로 상기 운송 차량의 운송 비용을 산출하는 단계 - 상기 운송 차량의 운송 비용은 전체 운송 경로의 운송 비용 또는 단위 거리 당 운송 비용을 포함함 -
를 포함하고,
상기 GPS를 기반으로 하는 상기 운송 차량의 위치 정보는 운송 경로에 관한 정보를 포함하고,
상기 운송 경로에 관한 정보는 도로 정보 및 지리적 특성에 관한 정보를 포함하고,
상기 제1 적재물 데이터 및 상기 제2 적재물 데이터는 적재물의 종류 및 적재물의 무게 정보에 관한 정보를 포함하고,
상기 제1 적재물 데이터는 상기 상차지에서 상기 운송 차량에 적재된 상기 적재물을 촬영한 이미지, 상기 적재물의 이미지에 포함된 색상, 특징점, 객체 정보를 기초로 판단된 운송 차량의 적재 여부 판단 결과 정보를 더 포함하고,
상기 제2 적재물 데이터는 상기 하차지에서 상기 운송 차량의 적재 여부 판단 결과 정보를 더 포함하고,
상기 제1 적재물 데이터에 포함된 적재물의 종류는 상기 제1 적재물 데이터에 포함된 상기 운송 차량에 적재된 상기 적재물을 촬영한 이미지를 분석하여 결정된, 물류 운송 관리 방법.
삭제
삭제
제1항에 있어서,
상기 사전 정보의 적어도 일부가 상기 제1 식별 정보, 상기 제1 적재물 데이터 및 상기 제1 차량 번호 데이터와 일치하는 것으로 결정하는 것에 응답하여, 상기 운송 차량에 대하여 상기 상차지에서의 상차를 승인하는 단계는,
상기 적재물의 무게가 사전 결정된 임계 무게를 초과하지 않는 것으로 결정하는 것에 응답하여, 상기 운송 차량에 대하여 상기 상차지에서의 상차를 승인하는 단계
를 포함하는, 물류 운송 관리 방법.
제1항에 있어서,
상기 운송 차량에 대하여 상기 상차지에서의 상차를 승인하는 것에 응답하여, 상기 사용자 단말에 상차 승인 여부를 알리는 푸쉬 알람을 전송하는 단계
를 더 포함하는, 물류 운송 관리 방법.
삭제
삭제
제1항에 있어서,
상기 상차지의 위치 정보를 기초로 하여, 단위 거리 당 운송 비용을 산출하는 단계
를 더 포함하는, 물류 운송 관리 방법.
삭제
제1항, 제4항, 제5항 및 제8항 중 어느 한 항에 따른 물류 운송 관리 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.