KR102392054B1

KR102392054B1 - 쓰레기 운반 차량의 최적 경로 추천 방법 및 시스템

Info

Publication number: KR102392054B1
Application number: KR1020200084205A
Authority: KR
Inventors: 김도현; 샤비르 아흐메드
Original assignee: 제주대학교 산학협력단
Priority date: 2020-07-08
Filing date: 2020-07-08
Publication date: 2022-04-28
Also published as: KR20220006353A

Abstract

본 발명은 쓰레기 운반 차량의 최적 경로 추천 방법 및 시스템에 관한 것으로, 본 발명의 실시예에 따른 쓰레기 운반 차량의 최적 경로 추천 방법은 데이터 수집 모듈이 데이터 셋을 입력 받는 데이터 수집 단계; 전처리 모듈이 상기 입력된 데이터 셋을 전처리 하는 전처리 단계; 예측 모듈이 상기 전처리된 데이터 셋을 예측 알고리즘에 적용하는 예측 계산 단계; 및 최적화 모듈이 목적 함수에 따라 예측 모델과 제약 조건을 사용하여 최적 루트를 찾는 최적 루트 추천 단계를 포함한다.

Description

쓰레기 운반 차량의 최적 경로 추천 방법 및 시스템{OPTIMAL ROUTE RECOMMENDATION METHOD AND SYSTEM FOR WASTE CARRIER VEHICLE}

본 발명은 효율적으로 쓰레기를 수집하기 위한 쓰레기 운반 차량의 최적 경로 추천 방법 및 시스템에 관한 것이다.

사물 인터넷 기술의 발전으로 쓰레기통의 상태를 모니터링하는 방식이 도입되고 있다.

가장 주목할만한 방식은 음식물 쓰레기의 양을 줄이기 위해 IoT 기반 스마트 쓰레기 시스템을 도입하는 것으로서, 배터리 기반 스마트 쓰레기통을 이용해 무선 네트워크를 사용하여 서로 정보를 교환하며, 라우터와 서버는 서비스 제공을 위한 정보를 수집 및 분석하는 방식이다.

또 다른 방식으로서 스마트 도시를 도입하기 어려운 지역에서 효율적인 쓰레기 수거를 위한 의사 결정 지원 시스템을 도입하는 방식이 있으며, 이 방식에서는 쓰레기통의 블록 상태를 기반으로 하며 운송차량 운전자가 쓰레기통을 찾아서 보고 한다.

또한, 스마트 시티를 위한 클라우드 통합 무선 쓰레기 관리 시스템에서는 도시의 원격 위치에 위치한 무선 감지 노드를 사용하여 쓰레기통의 온도, 습도, 가연성 가스 농도(또는 연기), 화재 감지 및 쓰레기 충전량을 중앙에서 모니터링하며, 이때 시스템의 에너지 효율이 스마트 시티에서 요구하는 제한된 요구 사항을 초과하지 않아야 한다.

이를 위하여, 종래에는 스마트 쓰레기통을 사용하여 비용 효율적이고 에너지 효율적인 방식으로 도시 쓰레기 수거에 동적 라우팅을 도입했으나, 일반적인 스마트 휴지통은 지정된 시간 간격으로 휴지통의 양을 측정하여 높은 전력 소비와 짧은 배터리 수명을 유발하는 문제점이 있었다.

이와 같이, 종래 기술의 다양한 문제점을 해결하고 쓰레기 처리 비용을 절감할 수 있는 시스템과 방법에 대한 요구가 높아지고 있다.

본 발명은 전술한 문제를 해결하기 위해 안출된 것으로서, 본 발명은 쓰레기 수집에 따른 쓰레기 처리 비용을 절감 하고 쓰레기 수집을 최대화할 수 있는 쓰레기 운반 차량의 최적의 경로를 제공하고자 한다.

전술한 문제를 해결하기 위한 본 발명의 실시예에 따른 쓰레기 운반 차량의 최적 경로 추천 방법은 데이터 수집 모듈이 데이터 셋을 입력 받는 데이터 수집 단계; 전처리 모듈이 상기 입력된 데이터 셋을 전처리 하는 전처리 단계; 예측 모듈이 상기 전처리된 데이터 셋을 예측 알고리즘에 적용하는 예측 계산 단계; 및 최적화 모듈이 목적 함수에 따라 예측 모델과 제약 조건을 사용하여 최적 루트를 찾는 최적 루트 추천 단계;를 포함한다.

본 발명의 다른 일실시예에 따르면, 상기 전처리 단계는 상기 전처리 모듈이 상기 데이터 셋을 훈련 데이터 셋과 테스트 데이터 셋으로 분할하는 단계;를 포함할 수 있다.

본 발명의 다른 일실시예에 따르면, 상기 예측 계산 단계는, 상기 예측 모듈이 상기 테스트 데이터 셋을 예측 알고리즘에 적용하여 예측할 수 있다.

본 발명의 다른 일실시예에 따르면, 예측 모델 구성부가 상기 훈련 데이터 셋을 이용해 ANN(Artificial Neural Network)에 머신 러닝하여 상기 예측 모듈을 구성하는 예측 모델 구성 단계;를 더 포함할 수 있다.

본 발명의 다른 일실시예에 따르면, 상기 예측 모델 구성 단계는, 상기 예측 모델 구성부가 상기 훈련 데이터 셋을 다수의 예측 알고리즘에 적용하여 성능이 가장 좋은 알고리즘을 저장하여 상기 예측 모델을 구성할 수 있다.

본 발명의 일실시예에 따른 쓰레기 운반 차량의 최적 경로 추천 시스템은 데이터 셋을 입력 받는 데이터 수집 모듈; 상기 입력된 데이터 셋을 전처리 하는 전처리 모듈; 상기 전처리된 데이터 셋을 예측 알고리즘에 적용하는 예측 모듈; 및 목적 함수에 따라 예측 모델과 제약 조건을 사용하여 최적 루트를 찾는 최적화 모듈;을 포함한다.

본 발명의 다른 일실시예에 따르면, 상기 전처리 모듈은 상기 데이터 셋을 훈련 데이터 셋과 테스트 데이터 셋으로 분할할 수 있다.

본 발명의 다른 일실시예에 따르면, 상기 예측 모듈은 상기 테스트 데이터 셋을 예측 알고리즘에 적용하여 예측할 수 있다.

본 발명의 다른 일실시예에 따르면, 상기 훈련 데이터 셋을 이용해 ANN(Artificial Neural Network)에 머신 러닝하여 상기 예측 모듈을 구성하는 예측 모델 구성부;를 더 포함할 수 있다.

본 발명의 다른 일실시예에 따르면, 상기 예측 모델 구성부는 상기 훈련 데이터 셋을 다수의 예측 알고리즘에 적용하여 성능이 가장 좋은 알고리즘을 저장하여 상기 예측 모델을 구성할 수 있다.

본 발명의 실시예에 따르면 쓰레기 수집에 따른 쓰레기 처리 비용을 절감 하고 쓰레기 수집을 최대화할 수 있는 쓰레기 운반 차량의 최적의 경로를 제공할 수 있다.

또한, 본 발명의 실시예에 따르면 지자체 등에서 제공하는 실제 데이터 셋(data set)을 사용하여, 목적 함수를 사용해 예측된 쓰레기 모델과 제약 조건을 통해 거리에 따른 비용을 최소화하고 특정 그리드(grid)의 쓰레기 수집을 최대화할 수 있다.

도 1 및 도 2는 본 발명의 일실시예에 따른 쓰레기 운반 차량의 최적 경로 추천 시스템을 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에 따른 쓰레기 운반 차량의 최적 경로 추천 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일실시예에 따른 쓰레기 운반 차량의 최적 경로 추천 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 다른 일실시예에 따른 쓰레기 운반 차량의 최적 경로 추천 방법을 설명하기 위한 도면이다.

이하에서는 첨부한 도면을 참조하여 바람직한 본 발명의 일실시예에 대해서 상세히 설명한다. 다만, 실시형태를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다. 또한, 도면에서의 각 구성요소들의 크기는 설명을 위하여 과장될 수 있으며, 실제로 적용되는 크기를 의미하는 것은 아니다.

도 1은 본 발명의 일실시예에 따른 쓰레기 운반 차량의 최적 경로 추천 시스템을 설명하기 위한 도면이고, 도 2는 본 발명의 일실시예에 따른 쓰레기 운반 차량의 최적 경로 추천 시스템을 설명하기 위한 도면이다.

이후부터는 도 1 및 도 2를 참조하여 본 발명의 일실시예에 따른 쓰레기 운반 차량의 최적 경로 추천 시스템을 설명하기로 한다.

도 1을 참조하면, 본 발명의 일실시예에 따른 쓰레기 운반 차량의 최적 경로 추천 시스템은 데이터 수집 모듈(data acquisition, 110), 전처리 모듈(system processes, 120), 예측 모듈(prediction, 130), 예측 모델 구성부(learning module, 131) 및 최적화 모듈(optimization module, 140)을 포함하여 구성될 수 있다.

상기 수집 모듈(110)은 데이터 셋(input dataset, 101)을 입력 받으며, 상기 전처리 모듈(120)은 상기 입력된 데이터 셋(101)을 전처리 한다. 이때, 상기 데이터 셋(101)은 지자체 등에서 제공하는 실제 데이터 셋을 사용할 수 있다.

또한, 상기 전처리 모듈(120)은 상기 데이터 셋을 훈련 데이터 셋과 테스트 데이터 셋으로 분할한다.

상기 예측 모듈(130)은 상기 전처리된 데이터 셋을 예측 알고리즘에 적용하며, 보다 구체적으로 상기 예측 모듈(130)은 상기 테스트 데이터 셋을 예측 알고리즘에 적용하여 예측할 수 있다.

한편, 예측 모델 구성부(131)는 상기 훈련 데이터 셋을 이용해 ANN(Artificial Neural Network)에 머신 러닝하여 상기 예측 모듈(130)을 구성할 수 있다.

또한, 상기 최적화 모듈(140)은 목적 함수에 따라 예측 모델과 제약 조건을 사용하여 최적 루트를 찾는다.

예를 들어, 수집 모듈(110)에는 2017 년과 2018 년과 같은 특정 년도의 인구 그리드에서 데이터 셋(101)이 수집되며, 이때 입력 일, 입력 요일, Bin RFID, 도시 위치, 그리드 인구수, 쓰레기 수, 쓰레기 무게, 그리드 좌표, 트럭 위치, 날짜 시간 등을 수집할 수 있다.

전처리 모듈(120)에서는 입력된 데이터 셋을 전처리 하며, 이때 전처리 시에는 널(null) 입력을 제거하고 예측에 필요한 필드를 도출할 수 있으며, 이와 같이 전처리 된 데이터는 예측 모듈(130)에 공급될 수 있다.

따라서, 예측 모듈(130)에서는 다양한 예측 알고리즘 중에서 가장 높은 정확도를 갖는 예측 알고리즘을 데이터에 적용하여 폐기물 예측 모델을 계산할 수 있으며, 이때 가장 성능이 좋은 예측 알고리즘은 저장되어 다음 단계에 적용될 수 있다.

그에 따라, 최적화 모듈(140)은 일부 제약 조건과 예측 모델을 사용하고 목적 함수에 따라 가장 적합한 경로를 찾을 수 있다.

도 2를 참조하면, 본 발명의 일실시예에 따른 본 발명의 일실시예에 따른 쓰레기 운반 차량의 최적 경로 추천 시스템의 자료 수집 방법을 설명하기 위한 도면이다.

도 2를 참조하면, 본 발명의 데이터 셋으로는 특정 인구의 인구 그리드와 같은 정보로서, 남성, 여성, 그리드 좌표, 주중 쓰레기 물량 및 월간 수집 데이터가 사용될 수 있으며, 연령대는 10세 미만, 10-25세, 25-40세, 40-65세 및 65세 이상으로 구성될 수 있다.

이와 같은 속성의 데이터 셋은 사전 처리, 정규화 및 특정 그리드의 쓰레기 자료 수집에 필요한 파생 필드를 계산하고 유지하는 프로세스에 제공될 수 있다.

예측 모델 구성부(131)에서는 머신 러닝 분류기는 히스토그램 분석, 상관 계수 분석, 속성 우선순위화, 계절별 분석, 평일 계산, 총 쓰레기 계산, 주말 계산에 대해 선형 회귀, 벡터 회귀 분석, 나이브 베이시안을 적용하여 예측 모델을 구성할 수 있다.

최적화 모듈(140)은 모델 분석, 쓰레기량, 최적화 목적 함수, 구속 조건 모델링, 최적 경로 추천, 예측된 이벤트 유형, 예측 결과의 비교 등을 통해 최적 루트를 계산하여, 쓰레기 데이터 분석, 미래 쓰레기양 예측, 후보 대상 쓰레기통, 후보 경로, 최적의 인덱스, 비용, 최적 경로 등을 출력할 수 있다.

이와 같은 출력 단계에서는 처리 단계에서 처리 된 정보를 기반으로 쓰레기 자료 수집을 하여, 특정 그리드의 쓰레기 자료 수집에 따라 서로 다른 상관 패턴을 분석하고 찾을 수 있으며, 서로 다른 속성 간의 상관 관계는 다양할 수 있다.

쓰레기의 수거 시에는 쓰레기 수거가 최대가 되어야 하며, 트럭이 커버하는 거리가 최소가 되어야 한다. 또한, 사용 가능한 자원의 제한으로 인하여 허용 가능한 거리와 처리 가능 거리의 차이를 고려해야 한다.

목적 함수의 수학식에 사용될 데이터는 표 1에 기재되어 있다.

목적 함수의 설계 변수는 하기의 수학식 1과 같으며, 함수에는 예측 모델(훈련 모델: M)과 제약 조건(제약: C)이 입력된다.

허용 거리, 운송차량 용량, 운송 차량에 배정된 그리드 및 경로에 대한 최대 시간은 아래의 수학식 2와 같이 제약될 수 있다.

목적 함수는 종속 경로 거리, 수집된 쓰레기 양 및 허용 거리와 경로 거리의 차이를 나타내는 함수이다.

여기서, δ는 허용거리 (Da)와 후보 경로거리(R) 사이의 차이이다.

따라서, 시스템의 목적은 후보거리를 최소화하고, 쓰레기 수집을 최대화하며, 하기의 수학식 4에서와 같이 허용 거리와 후보경로 거리 사이의 차이를 최소화하는 것이다.

경로 R은 서로 다른 일련의 위치 {l1, l2, l3… L_N}이며, 여기서 l1은 하기의 수학식 5와 같이 위도와 경도를 기준으로 한 위치를 나타낸다.

l1에서 l2까지의 거리는 하기의 수학식 6에서와 같이 그 사이의 중심 각도의 해버싸인(Haversine)을 기반으로 계산된다.

그러므로, 거리는 하기의 수학식 7과 같이 계산한다.

주어진 경로의 거리

는 하기의 수학식 8에 의해 계산된다.

목표 중 하나인 거리 계산을 쓰레기의 양을 늘려서 거리를 최소화하는 방식으로 계산한다.

제약 조건에 따르면 수학식 9와 같은 결과가 도출된다.

쓰레기 물 양은 최소한의 정확도와 쓰레기 예측 모델의 함수이며, 최적의 모델을 계산하고 하이퍼 매개변수를 찾아 모델의 수학적 형식에 입력한다. 예를 들어, 모델이 선형회귀인 경우 하기의 수학식 10과 같이 구성된다.

w와 I가 선의 하이퍼 파라미터인 경우 모든 점이 그 선상에 있거나 아주 가까이 있는 경우 선이 가장 적합하다고 간주 된다(예: 모형훈련후 w = 2 및 I = 4).

위치는 2X + 3의 함수가 되며 여기서 X는 입력 특징 세트이다. R과 W의 값을 고려하면 목적 함수는 다음의 수학식 11과 같이 구성된다.

한편, 분모값은 최적의 성능 결과에 따라 변경 될 수 있으며 일부 기록을 삭제하여도 최종 결과에 큰 영향을 미치지 않는다.

도 3은 본 발명의 일실시예에 따른 쓰레기 운반 차량의 최적 경로 추천 방법을 설명하기 위한 흐름도이다.

본 발명의 일실시예에 따른 쓰레기 운반 차량의 최적 경로 추천 방법은 목표 함수를 기반으로 쓰레기 운반 차량의 경로를 최적화하고, 최적화 알고리즘을 통해 그리드 수량의 총 예상 쓰레기, 운반 차량의 현재 위치, 운반 차량의 현재 용량, 운반 차량의 총 용량, 가장 가까운 운송 차량의 수거함, 수집된 총 쓰레기 수, 수집된 수거함의 빈도 등의 제한에 기초하여 경로 거리를 최소화하고 쓰레기 물량을 최대화하는 최적 지수를 산출할 수 있다.

이와 같은 제약 조건과 데이터를 기반으로 운반 차량에게 제공할 추천 경로를 생성하며, 정립 목적 함수는 다음의 수학식 12와 같다.

여기서, M은 선택된 모델로서 벡터 회귀 분석(Support Vector Regression)이며, 다음의 수학식 13에 의해 계산할 수 있다.

도 3을 참조하면, 특정 지역(예를 들어 제주도)의 음식물 쓰레기 데이터가 데이터 수집 모듈에 입력으로 제공되며(S310), 전처리 모듈이 이와 같이 입력된 데이터(데이터 셋)를 전처리 한다(S320).

이때, 전처리는 누락된 항목의 파생 필드 계산과 보간이 포함될 수 있다.

이와 같은 전처리 이후에는, 예측 모듈이 상기 전처리된 데이터 셋을 예측 알고리즘에 적용하며, 보다 구체적으로 최적화 모듈이 운반 차량의 용량, 총 거리 및 기타 제약 조건을 목적 함수에 적용하며, 목적 함수에 따라 예측 모델과 제약 조건을 사용하여 최적 루트를 찾는다(S330).

한편, 상기 전처리 단계에서는 상기 전처리 모듈이 상기 데이터 셋을 훈련 데이터 셋과 테스트 데이터 셋으로 분할할 수 있다.

또한, 예측 계산 시에는, 상기 예측 모듈이 상기 테스트 데이터 셋을 예측 알고리즘에 적용하여 예측하고, 최적화 모듈이 일부 제약 조건과 예측 모델을 사용하고 목적 함수에 따라 가장 적합한 경로를 계산하고(S330), 이와 같이 계산한 선택된 쓰레기통, 선택된 트럭, 선택된 경로 등의 결과를 출력할 수 있다(S340).

도 4는 본 발명의 일실시예에 따른 쓰레기 운반 차량의 최적 경로 추천 방법을 설명하기 위한 도면이다.

도 4와 표 2에는 상위 3개의 최적 경로가 기재되어 있다.

경로 1은 운송 차량의 총 거리가 0.688km 이고 총 수거된 쓰레기는 12.2kg 이며, 따라서 목적 함수를 사용한 최적의 지수는 0.023이다.

또한, 경로 2는 운송 차량의 총 거리가 0.771km 이며 총 수거된 쓰레기는 13.5kg이며, 최적 지수는 0.019이고, 경로 3은 운송 차량의 총 거리가 0.683km 이고 총 수거된 쓰레기는 12.7kg이고 최적 지수는 0.021이다.

표 3에서와 같이 경로 2는 거리 및 거리 차이에 비해 쓰레기가 많다. 따라서, 경로 2가 최소 최적 지수를 갖는 최적 경로이다.

도 5는 본 발명의 다른 일실시예에 따른 쓰레기 운반 차량의 최적 경로 추천 방법을 설명하기 위한 도면이다.

경로 1은 운송 차량의 총 거리가 6.1km 이며 총 수거된 쓰레기는 990kg이며, 최적 지수는 0.06이고, 경로 2는 운송 차량의 총 거리가 6km 이고 총 수거된 쓰레기는 102.2kg이고 최적 지수는 0.058이다.

따라서, 경로 2가 거리 및 거리 차이에 비해 쓰레기가 많기 때문에 최적 지수가 낮으므로 최소 최적 지수를 갖는 최적 경로이다.

이와 같이, 본 발명의 실시예에 따르면 쓰레기 수집에 따른 쓰레기 처리 비용을 절감 하고 쓰레기 수집을 최대화할 수 있는 쓰레기 운반 차량의 최적의 경로를 제공할 수 있다.

전술한 바와 같은 본 발명의 상세한 설명에서는 구체적인 실시예에 관해 설명하였다. 그러나 본 발명의 범주에서 벗어나지 않는 한도 내에서는 여러 가지 변형이 가능하다. 본 발명의 기술적 사상은 본 발명의 전술한 실시예에 국한되어 정해져서는 안 되며, 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

110: 데이터 수집 모듈
101: 데이터 셋
120: 전처리 모듈
130: 예측 모듈
131: 예측 모델 구성부
140: 최적화 모듈

Claims

데이터 수집 모듈이 데이터 셋을 입력 받는 데이터 수집 단계;
전처리 모듈이 상기 입력된 데이터 셋을 전처리 하는 전처리 단계;
예측 모듈이 상기 전처리된 데이터 셋을 예측 알고리즘에 적용하는 예측 계산 단계; 및
최적화 모듈이 목적 함수에 따라 예측 모델과 제약 조건을 사용하여 최적 루트를 찾는 최적 루트 추천 단계;를 포함하고,
상기 전처리 단계는,
상기 전처리 모듈이 상기 데이터 셋을 훈련 데이터 셋과 테스트 데이터 셋으로 분할하는 단계;를 포함하고,
상기 예측 계산 단계는,
상기 예측 모듈이 상기 테스트 데이터 셋을 예측 알고리즘에 적용하여 예측하는 쓰레기 운반 차량의 최적 경로 추천 방법.
삭제
삭제
청구항 1에 있어서,
예측 모델 구성부가 상기 훈련 데이터 셋을 이용해 ANN(Artificial Neural Network)에 머신 러닝하여 상기 예측 모듈을 구성하는 예측 모델 구성 단계;
를 더 포함하는 쓰레기 운반 차량의 최적 경로 추천 방법.
청구항 4에 있어서,
상기 예측 모델 구성 단계는,
상기 예측 모델 구성부가 상기 훈련 데이터 셋을 다수의 예측 알고리즘에 적용하여 성능이 가장 좋은 알고리즘을 저장하여 상기 예측 모델을 구성하는 쓰레기 운반 차량의 최적 경로 추천 방법.
데이터 셋을 입력 받는 데이터 수집 모듈;
상기 입력된 데이터 셋을 전처리 하는 전처리 모듈;
상기 전처리된 데이터 셋을 예측 알고리즘에 적용하는 예측 모듈; 및
목적 함수에 따라 예측 모델과 제약 조건을 사용하여 최적 루트를 찾는 최적화 모듈;을 포함하고,
상기 전처리 모듈은,
상기 데이터 셋을 훈련 데이터 셋과 테스트 데이터 셋으로 분할하고,
상기 예측 모듈은,
상기 테스트 데이터 셋을 예측 알고리즘에 적용하여 예측하는 쓰레기 운반 차량의 최적 경로 추천 시스템.
삭제
삭제
청구항 6에 있어서,
상기 훈련 데이터 셋을 이용해 ANN(Artificial Neural Network)에 머신 러닝하여 상기 예측 모듈을 구성하는 예측 모델 구성부;
를 더 포함하는 쓰레기 운반 차량의 최적 경로 추천 시스템.
청구항 9에 있어서,
상기 예측 모델 구성부는,
상기 훈련 데이터 셋을 다수의 예측 알고리즘에 적용하여 성능이 가장 좋은 알고리즘을 저장하여 상기 예측 모델을 구성하는 쓰레기 운반 차량의 최적 경로 추천 시스템.