KR102447123B1 - 인공지능 기반의 복화배차 서비스 제공 장치 및 방법 - Google Patents

인공지능 기반의 복화배차 서비스 제공 장치 및 방법 Download PDF

Info

Publication number
KR102447123B1
KR102447123B1 KR1020200093479A KR20200093479A KR102447123B1 KR 102447123 B1 KR102447123 B1 KR 102447123B1 KR 1020200093479 A KR1020200093479 A KR 1020200093479A KR 20200093479 A KR20200093479 A KR 20200093479A KR 102447123 B1 KR102447123 B1 KR 102447123B1
Authority
KR
South Korea
Prior art keywords
cargo
information
dispatch
freight
box
Prior art date
Application number
KR1020200093479A
Other languages
English (en)
Other versions
KR20220013980A (ko
Inventor
최형철
임재형
Original Assignee
주식회사 와이엘피
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 와이엘피 filed Critical 주식회사 와이엘피
Priority to KR1020200093479A priority Critical patent/KR102447123B1/ko
Publication of KR20220013980A publication Critical patent/KR20220013980A/ko
Application granted granted Critical
Publication of KR102447123B1 publication Critical patent/KR102447123B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G06Q50/28—

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

본 발명은 인공지능 기반의 복화배차 서비스 제공 장치 및 방법에 관한 것으로, 상기 장치는 화물운송 요청에 연관되는 편도화물 및 복귀화물 각각의 화물정보를 수신하는 화물정보 수신부; 상기 화물정보를 기초로 상기 편도화물 및 복귀화물에 대한 화물운송을 순차적으로 처리하기 위한 복화배차 정보를 생성하는 복화배차 생성부; 및 상기 복화배차 정보에 따라 화물배차의 처리를 제공하는 화물배차 처리부를 포함한다. 따라서, 본 발명은 인공지능을 기초로 복합배차 매칭의 소요시간을 최소화하고 성공률의 극대화를 유도할 수 있다.

Description

인공지능 기반의 복화배차 서비스 제공 장치 및 방법{APPARATUS AND METHOD OF PROVIDING FREIGHT ALLOCATION SERVICE BASED ON ARTIFICIAL INTELLIGENCE}
본 발명은 복화배차 서비스 제공 기술에 관한 것으로, 보다 상세하게는 화물의 편도 배송 후 발생하는 공차운행을 줄이기 위하여 인공지능을 이용해 편도 및 복귀화물을 매칭하여 배차하는 인공지능 기반의 복화배차 서비스 제공 장치 및 방법에 관한 것이다.
한국교통연구원의 보고에 의하면, 화물차의 하루 평균 통행회수는 2.95회(적재통행 1.6회, 공차통행 1.4회)로 조사되었다. 공차통행이란 화물차가 화물을 싣지 않고 운행하는 것을 말하며, 공차통행 비율이 높을수록 물류시스템이 비효율적이라는 의미한다.
한국교통연구원의 설문조사를 통해 조사된 바에 의하면, 약 42,000대의 화물차가 하루 동안 약 13만회의 통행을 하는데, 이 중 공차통행의 비율은 45.2%로 매우 높게 나타났다. 특히, 공차통행을 하는 차량은 1톤이하 화물차와 2.5 ~ 8.5톤 화물차가 가장 많은 비율을 차지하였으며, 2.5 ~ 8.5톤 화물차의 공차통행은 시군구 간의 통행보다 상대적으로 통행거리가 긴 광역시 간의 통행에서 보다 높게 나타났다.
한편, 화물차주는 편도화물을 배정받을 때 공차로 복귀하는 부분을 고려하여 운임을 책정하며, 화물을 보내는 화주는 이를 감수한 운임을 지급하고 있는데, 해당 운임을 받더라도 화물차주 또한 시간적, 비용적 손실을 감수해야 한다. 이러한 문제는 편도 운송 완료 후 복귀 시에도 화물 운송이 가능한 경우 해결할 수 있으며, 최근 공유경제를 통해 트럭의 공차 운행률을 낮추려는 시도가 존재한다.
한국공개특허 제10-2019-0132862호 (2019.11.29)
본 발명의 일 실시예는 화물의 편도 배송 후 발생하는 공차운행을 줄이기 위하여 인공지능을 이용해 편도 및 복귀화물을 매칭하여 배차하는 인공지능 기반의 복화배차 서비스 제공 장치 및 방법을 제공하고자 한다.
본 발명의 일 실시예는 인공지능을 기초로 복합화물 매칭의 소요시간을 최소화하고 성공률의 극대화를 유도할 수 있는 인공지능 기반의 복화배차 서비스 제공 장치 및 방법을 제공하고자 한다.
본 발명의 일 실시예는 복화배차를 통해 복귀운임의 할인 및 편도운임의 절충을 제공하여 차주 및 화주 모두의 경제적인 손실을 줄일 수 있는 인공지능 기반의 복화배차 서비스 제공 장치 및 방법을 제공하고자 한다.
실시예들 중에서, 인공지능 기반의 복화배차 서비스 제공 장치는 화물운송 요청에 연관되는 편도화물 및 복귀화물 각각의 화물정보를 수신하는 화물정보 수신부; 상기 화물정보를 기초로 상기 편도화물 및 복귀화물에 대한 화물운송을 순차적으로 처리하기 위한 복화배차 정보를 생성하는 복화배차 생성부; 및 상기 복화배차 정보에 따라 화물배차의 처리를 제공하는 화물배차 처리부를 포함한다.
상기 복화배차 정보는 상기 편도화물 및 복귀화물 간의 매칭정보 -상기 매칭정보는 1:1, 1:n, n:1 및 n:n 중 어느 하나에 해당함- 를 포함할 수 있다.
상기 AI 모델은 상기 화물정보를 기초로 상기 화물운송이 완료된 화물배차 정보를 데이터화 하는 단계; 상기 화물배차 정보를 상기 화물 및 차량에 관한 복수의 조합들로 분류하는 단계; 상기 복수의 조합들 각각에 대해 상차지와 하차지를 포함하고 각 화물배차 정보에 대응되는 화물운송 경로를 식별하는 단계; 상기 상차지와 하차지 각각의 유사도를 기초로 화물운송 경로들을 군집화 하는 단계; 및 상기 분류 결과와 상기 군집화 결과를 포함하는 학습 데이터를 생성하여 학습하는 단계를 통해 구축될 수 있다.
상기 복화배차 생성부는 상기 AI 모델의 입력 데이터로서 상기 편도화물의 하차지를 중심으로 정의되는 제1 매칭영역과 상기 복귀화물의 상차지를 중심으로 정의되는 제2 매칭영역 간의 중첩영역에 대한 면적 정보를 포함시킬 수 있다.
상기 복화배차 생성부는 기 생성된 복화배차 정보에 따라 해당 편도화물에 대한 화물운송이 완료되고 해당 복귀화물에 대한 화물운송이 개시되기 전 단계에서, 상기 해당 복귀화물을 상기 편도화물로 하는 새로운 복화배차 정보를 생성할 수 있다.
상기 화물배차 처리부는 상기 복화배차 정보에 따라 화물배차 가능한 화물차량의 차주 단말에게 화물정보를 제공하고 상기 차주 단말의 승인에 따라 상기 화물배차의 개시를 수행할 수 있다.
상기 장치는 상기 복화배차 정보를 기초로 상기 화물배차의 처리를 위한 전체 배차단가를 결정하고 상기 전체 배차단가에 따라 상기 편도화물 및 복귀화물 각각의 개별 배차단가를 결정하는 배차단가 결정부를 더 포함할 수 있다.
실시예들 중에서, 인공지능 기반의 복화배차 서비스 제공 방법은 화물운송 요청에 연관되는 편도화물 및 복귀화물 각각의 화물정보를 수신하는 단계; 상기 화물정보를 기초로 상기 편도화물 및 복귀화물에 대한 화물운송을 순차적으로 처리하기 위한 복화배차 정보를 생성하는 단계; 및 상기 복화배차 정보에 따라 화물배차의 처리를 제공하는 단계를 포함한다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 인공지능 기반의 복화배차 서비스 제공 장치 및 방법은 인공지능을 기초로 복합화물 매칭의 소요시간을 최소화하고 성공률의 극대화를 유도할 수 있다.
본 발명의 일 실시예에 따른 인공지능 기반의 복화배차 서비스 제공 장치 및 방법은 복화배차를 통해 복귀운임의 할인 및 편도운임의 절충을 제공하여 차주 및 화주 모두의 경제적인 손실을 줄일 수 있다.
도 1은 본 발명에 따른 복화배차 서비스 제공 시스템을 설명하는 도면이다.
도 2는 도 1의 복화배차 서비스 제공 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 복화배차 서비스 제공 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명의 일 실시예에 따른 인공지능 기반의 복화배차 서비스 제공 과정을 설명하는 순서도이다.
도 5 및 6은 본 발명에 따른 복화배차 서비스 제공 과정을 설명하는 도면이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명에 따른 복화배차 서비스 제공 시스템을 설명하는 도면이다.
도 1을 참조하면, 복화배차 서비스 제공 시스템(100)은 차주 단말(110), 화주 단말(130), 복화배차 서비스 제공 장치(150) 및 데이터베이스(170)를 포함할 수 있다.
차주 단말(110)은 화물운송을 제공하는 물류기업에서 운용하는 컴퓨팅 장치에 해당할 수 있고, 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 차주 단말(110)은 복화배차 서비스 제공 장치(150)와 네트워크를 통해 연결될 수 있고, 복수의 차주 단말(110)들은 복화배차 서비스 제공 장치(150)와 동시에 연결될 수 있다. 또한, 차주 단말(110)은 전용 프로그램을 통해 화물운송 주문을 접수하고 화물운송을 위한 화물배차 및 처리를 위한 통합 시스템을 제공할 수 있다.
일 실시예에서, 차주 단말(110)은 화물운송 주문을 접수 및 관리하는 주문 관리 모듈, 화물배차에 따른 운송현황을 관리하는 운송 관리 모듈 및 화물배차를 위한 화물차량에 관한 정보를 저장하는 차량 데이터베이스를 포함하여 구현될 수 있다.
화주 단말(130)은 화물운송을 요청하는 화물기업에서 운용하는 컴퓨팅 장치에 해당할 수 있고, 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 화주 단말(130)은 복화배차 서비스 제공 장치(150)와 네트워크를 통해 연결될 수 있고, 복수의 화주 단말(130)들은 복화배차 서비스 제공 장치(150)와 동시에 연결될 수 있다. 또한, 화주 단말(130)은 전용 프로그램을 통해 화물운송 주문을 입력하고 운송현황을 포함하여 화물 재고 및 관리를 위한 통합 시스템을 제공할 수 있다.
일 실시예에서, 화주 단말(130)은 화물운송 주문을 관리하는 주문 관리 모듈, 화물운송에 따른 재고를 관리하는 재고 관리 모듈 및 화물정보를 저장하는 화물 데이터베이스를 포함하여 구현될 수 있다.
복화배차 서비스 제공 장치(150)는 기존의 화물 배송 시스템의 단점을 보완하고 화물운송 빅데이터에 기반한 딥러닝으로 구축된 인공지능을 적용하여 복화배차 서비스를 제공할 수 있는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 여기에서, 복화배차 서비스는 특정 화물의 운송 완료 후 출발지로의 복귀 시에도 다른 화물의 운송이 가능하도록 편도화물과 복귀화물에 대한 화물운송 주문을 하나로 통합하여 화물배차를 제공하는 서비스에 해당할 수 있다. 즉, 편도화물은 상차지에서 하차지로 운송되는 화물에 해당할 수 있고, 복귀화물은 역으로 하차지에서 상차지로 운송되는 화물에 해당할 수 있다.
복화배차 서비스 제공 장치(150)는 차주 단말(110) 및 화주 단말(130)과 네트워크를 통해 연결되어 데이터를 주고받을 수 있다. 또한, 복화배차 서비스 제공 장치(150)는 화물운송 주문을 처리하기 위한 화물배차를 제공하고 관리하기 위한 통합 시스템을 제공할 수 있다. 예를 들어, 복화배차 서비스 제공 장치(150)는 자동 주문관리, 자동 라우팅, 자동 배차관리, 실시간 차량관제, 최적화 단가산출 및 예상물량 산출 등의 부가기능을 제공할 수 있다.
일 실시예에서, 복화배차 서비스 제공 장치(150)는 데이터베이스(170)와 연동하여 인공지능 기반 복화배차 서비스 제공에 필요한 다양한 데이터를 저장할 수 있다. 또한, 복화배차 서비스 제공 장치(150)는 프로세서, 메모리, 사용자 입출력부 및 네트워크 입출력부를 포함하여 구현될 수 있으며, 이에 대해서는 도 2에서 보다 자세히 설명한다.
데이터베이스(170)는 복화배차 서비스 제공 장치(150)의 동작 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 데이터베이스(170)는 다양한 화물차량, 차주 및 화주에 관한 정보를 저장할 수 있고, 복화배차 정보 생성을 위한 AI 모델에 관한 정보를 저장할 수 있으며, 반드시 이에 한정되지 않고, 복화배차 서비스 제공 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.
도 2는 도 1의 복화배차 서비스 제공 장치의 시스템 구성을 설명하는 도면이다.
도 2를 참조하면, 복화배차 서비스 제공 장치(150)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함하여 구현될 수 있다.
프로세서(210)는 복화배차 서비스 제공 장치(150)가 동작하는 과정에서의 각 단계들을 처리하는 프로시저를 실행할 수 있고, 그 과정 전반에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄할 수 있다. 프로세서(210)는 복화배차 서비스 제공 장치(150)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 복화배차 서비스 제공 장치(150)의 CPU(Central Processing Unit)로 구현될 수 있다.
메모리(230)는 SSD(Solid State Drive) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 복화배차 서비스 제공 장치(150)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다.
사용자 입출력부(250)는 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함할 수 있다. 예를 들어, 사용자 입출력부(250)는 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)는 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 복화배차 서비스 제공 장치(150)는 서버로서 수행될 수 있다.
네트워크 입출력부(270)은 네트워크를 통해 외부 장치 또는 시스템과 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다.
도 3은 도 1의 복화배차 서비스 제공 장치의 기능적 구성을 설명하는 도면이다.
도 3을 참조하면, 복화배차 서비스 제공 장치(150)는 화물정보 수신부(310), 복화배차 생성부(330), 화물배차 처리부(350), 배차단가 결정부(370) 및 제어부(390)를 포함할 수 있다.
화물정보 수신부(310)는 화물운송 요청에 연관되는 편도화물 및 복귀화물 각각의 화물정보를 수신할 수 있다. 여기에서, 편도화물은 상차지에서 하차지로 운송되는 화물에 해당할 수 있고, 복귀화물은 역으로 하차지에서 상차지로 운송되는 화물에 해당할 수 있다. 즉, 편도화물 및 복귀화물은 한 방향으로의 화물운송이 종료되면 출발지로 복귀하는 반대 방향으로의 운행은 공차운행인 경우에 해당할 수 있다. 화물정보는 화물운송에 연관된 정보로서 상·하차지, 상·하차시간, 차량 유형과 톤수, 화물 내용 등을 포함할 수 있다. 화물정보 수신부(310)는 화주 단말(130)로부터 화물운송에 관한 주문을 수신하여 화물배차를 위해 등록할 수 있다.
한편, 화물정보 수신부(310)는 차주 단말(110)로부터 화물운송에 관한 처리정보를 수신할 수 있고, 해당 처리정보는 화물운송과 연관된 화물정보에 반영되어 관리될 수 있다. 이 때, 처리정보는 화물의 입·출고시간, 운송거리, 운송시간, 운송경로, 대기시간, 날씨 및 교통상황 등을 포함할 수 있다.
복화배차 생성부(330)는 화물정보를 기초로 편도화물 및 복귀화물에 대한 화물운송을 순차적으로 처리하기 위한 복화배차 정보를 생성할 수 있다. 이 때, 복화배차 정보는 화물정보에서 화물 및 차량 각각의 편도, 왕복 및 복귀에 관한 정보를 학습하여 구축된 AI 모델에 의해 생성될 수 있다. 여기에서, 복화배차 정보는 편도화물과 복귀화물을 하나로 통합하여 하나의 화물차량에 배정하는 화물배차 정보에 해당할 수 있다. 즉, 복화배차 서비스 제공 장치(150)는 복화배차 생성부(330)를 통해 복화배차 정보를 생성하여 화물배차를 처리함으로써 화물운송 후 복귀 시 화물차량의 공차운행을 최소화시킬 수 있다.
또한, 복화배차 생성부(330)는 AI 모델을 적용하여 복화배차 정보의 생성 과정을 자동화할 수 있다. 이를 위하여, 복화배차 생성부(330)는 화물정보 수신부(310)가 수집한 화물정보와 그 처리정보를 학습하여 AI 모델을 구축할 수 있다. 즉, 복화배차 생성부(330)는 화물운송과 관련하여 화물과 차량 각각 관점에서 도출되는 편도, 왕복 및 복귀에 따른 정보를 학습 데이터로 활용하여 AI 모델을 구축할 수 있다.
일 실시예에서, 복화배차 정보는 편도화물 및 복귀화물 간의 매칭정보 -상기 매칭정보는 1:1, 1:n, n:1 및 n:n 중 어느 하나에 해당함- 를 포함할 수 있다. 복화배차 생성부(330)는 현재 등록된 화물운송 정보들을 기초로 AI 모델을 통해 복화배차 정보를 생성할 수 있다. 이 때, AI 모델을 통해 생성된 복화배차 정보는 편도화물과 복귀화물에 관한 조합, 즉 편도화물에 매칭되는 복귀화물에 대한 정보를 포함할 수 있다. 한편, 복화배차 정보는 하나의 편도화물에 대해 하나의 복귀화물이 매칭되는 1:1 매칭, 하나의 편도화물에 대해 복수의 복귀화물들이 매칭되는 1:n 매칭, 복수의 편도화물들에 하나의 복귀화물이 매칭되는 n:1 매칭 및 복수의 편도화물들에 복수의 복귀화물들이 매칭되는 n:n 매칭 중 어느 하나에 해당할 수 있다.
예를 들어, 하나의 편도화물에 대해 복수의 복귀화물들이 매칭되는 경우 화물운송의 경로는 하나의 편도화물을 운송한 이후 복수의 북귀화물들을 순차적으로 운송한 후 최초 출발지로 복귀하는 경로에 해당할 수 있다. 복화배차 생성부(330)는 기본적으로 편도화물과 복귀화물 간의 1:1 매칭을 기초로 복화배차 정보를 생성할 수 있으며, 필요에 따라 1:1 매칭보다 비용, 시간 및 거리 중 적어도 하나의 측면에서 더 나은 매칭이 존재하는 경우 선택적으로 1:1 매칭이 아닌 다른 매칭을 기초로 복화배차 정보를 생성할 수 있다.
일 실시예에서, 복화배차 생성부(330)는 다음의 단계를 통해 AI 모델을 구축할 수 있다. 즉, AI 모델은 화물정보를 기초로 화물운송이 완료된 화물배차 정보를 데이터화 하는 제1 단계, 화물배차 정보를 화물 및 차량에 관한 복수의 조합들로 분류하는 제2 단계, 복수의 조합들 각각에 대해 상차지와 하차지를 포함하고 각 화물배차 정보에 대응되는 화물운송 경로를 식별하는 제3 단계, 상차지와 하차지 각각의 유사도를 기초로 화물운송 경로들을 군집화 하는 제4 단계 및 분류 결과와 군집화 결과를 포함하는 학습 데이터를 생성하여 학습하는 제5 단계를 통해 구축될 수 있다.
보다 구체적으로, AI 모델은 복화배차 생성부(330)에 의해 사전에 구축될 수 있으며, 화물정보 수신부(310)에 의해 수집된 화물정보를 기초로 모델 학습이 수행될 수 있다. 즉, 복화배차 생성부(330)는 화물운송과 관련된 정보들에서 화물운송이 완료된 화물배차 정보만으로 데이터베이스를 구축할 수 있다. 또한, 복화배차 생성부(330)는 화물과 차량에 관한 다양한 조합들을 정의한 후 구축된 정보들을 분류할 수 있다. 예를 들어, 화물운송이 가능한 차량 유형이 10개이고 화물운송 완료된 화물의 종류가 10개인 경우, 복화배차 생성부(330)는 차량과 화물 간의 총 100개의 조합들을 생성할 수 있고, 기 구축된 정보를 해당 조합들에 따라 분류할 수 있다.
또한, 복화배차 생성부(330)는 분류된 화물배차 정보 각각에 대해 화물운송 경로를 결정할 수 있다. 화물배차 정보는 화물정보를 포함할 수 있고, 화물운송이 완료된 경우 화물정보는 화물운송의 처리 결과를 반영하여 갱신될 수 있다. 화물운송에 관한 처리정보는 해당 화물차량의 이동경로에 대한 정보를 포함할 수 있고, 이를 기초로 복화배차 생성부(330)는 각 화물배차 정보에 대응되는 화물운송 경로를 식별할 수 있다. 이 때, 화물운송 경로는 상차지와 하자치에 대한 정보를 포함할 수 있다.
또한, 복화배차 생성부(330)는 화물운송 경로들에 대해 상차지 간의 유사도 및 하차지 간의 유사도를 기초로 군집화를 수행할 수 있다. 여기에서, 군집화는 개체들 사이의 공통성을 기초로 복수의 그룹들로 나누는 연산에 해당할 수 있다. 이를 통해, 복화배차 생성부(330)는 유사한 화물운송 경로들을 하나로 통합할 수 있고, 학습을 통해 해당 화물운송 경로들이 제공하는 공통 정보를 AI 모델에 효과적으로 적용시킬 수 있다. 즉, 복화배차 생성부(330)는 화물배차 정보의 분류 결과와 화물운송 경로의 군집화 결과를 기초로 학습 데이터를 생성하여 이를 학습할 수 있다.
일 실시예에서, 복화배차 생성부(330)는 AI 모델의 입력 데이터로서 편도화물의 하차지를 중심으로 정의되는 제1 매칭영역과 복귀화물의 상차지를 중심으로 정의되는 제2 매칭영역 간의 중첩영역에 대한 면적 정보를 포함시킬 수 있다. 이 경우, 제1 및 제2 매칭영역은 복화배차 생성부(330)에 의해 사전에 정의될 수 있으며, 예를 들어, 매칭영역은 중심 위치를 기준으로 특정 반경 이내의 원형 영역으로 정의될 수 있다.
다른 예로서, 제1 및 제2 매칭영역은 중심 위치를 기준으로 형성되는 사각 영역으로 정의될 수 있다. 복화배차 생성부(330)는 편도화물의 하차지와 복귀화물의 상차지를 중심으로 정의되는 사각 형상의 매칭영역들 간의 중첩 면적을 기준으로 화물들 간의 매칭 연산을 수행할 수 있으며, AI 모델은 화물배차 정보를 이용하여 상차지 또는 하차지를 중심으로 정의되는 매칭영역들 간의 중첩 면적에 관한 정보를 다른 정보들과 함께 학습한 결과로서 구축될 수 있다.
일 실시예에서, 복화배차 생성부(330)는 기 생성된 복화배차 정보에 따라 해당 편도화물에 대한 화물운송이 완료되고 해당 복귀화물에 대한 화물운송이 개시되기 전 단계에서, 해당 복귀화물을 편도화물로 하는 새로운 복화배차 정보를 생성할 수 있다. 즉, 복화배차 생성부(330)는 복화배차 정보에 따라 화물배차가 처리되는 과정에서 남아 있는 화물에 대한 운송업무를 기준으로 새로운 복화배차 정보를 생성할 수 있다. 이 경우, 복화배차 생성부(330)에 의해 새롭게 생성된 복화배차 정보는 기존의 복화배차 정보의 화물배차에 대한 처리보다 비용, 시간 및 거리 중 적어도 하나의 측면에서 더 높은 효율을 가질 수 있다.
한편, 복화배차 생성부(330)는 기존의 복화배차 정보에 대한 화물배차의 처리를 수행중인 차주 단말(110)에게 새로운 복화배차 정보의 할당에 대한 승인을 별도로 수신할 수 있고, 해당 승인을 통해서만 새로운 복화배차 정보로의 변경 동작을 수행할 수 있다. 예를 들어, 새로운 복화배차 정보로의 변경은 기존의 복귀화물을 새로운 편도화물로 간주하여 이에 매칭되는 새로운 복귀화물을 결정하는 동작에 해당할 수 있다. 따라서, 새롭게 매칭된 복귀화물은 기존의 편도화물과 운송방향이 동일할 수 있다.
다른 예로서, 새로운 복화배차 정보로의 변경은 기존의 복귀화물을 새로운 편도화물로 간주한 다음 이에 매칭되는 새로운 복화배차 정보를 결정하는 동작에 해당할 수 있다. 즉, 새로운 복화배차 정보의 복귀화물은 기존의 복귀화물과 운송방향이 동일할 수 있다.
화물배차 처리부(350)는 복화배차 정보에 따라 화물배차의 처리를 제공할 수 있다. 화물배차 처리부(350)는 화물배차의 처리를 위해 복화배차 정보에 따른 화물차량을 결정할 수 있고, 해당 화물차량에 대해 화물운송을 위한 운송경로를 포함하는 배차정보를 제공할 수 있으며, 해당 화물차량의 운송 상황에 대한 실시간 관제를 수행할 수 있다. 특히, 화물배차 처리부(350)는 화물차량 또는 차주 단말(110)과의 연동을 통해 해당 화물차량이 상차지에 도착하고, 화물을 상차하며, 상차 후 해당 상차지를 출발하는 전 과정에 대한 모니터링을 수행하여 도착, 대기, 상차 및 출발에 관한 시간 정보를 수집할 수 있다.
일 실시예에서, 화물배차 처리부(350)는 복화배차 정보에 따라 화물배차 가능한 화물차량의 차주 단말(110)에게 화물정보를 제공하고 차주 단말(110)의 승인에 따라 화물배차의 개시를 수행할 수 있다. 화물배차 처리부(350)는 복화배차 정보를 기초로 해당 화물운송에 적합한 화물차량들을 후보군으로서 생성할 수 있고, 해당 후보군의 차주 단말(110)들에게 화물정보를 제공하여 배차여부에 관한 승인을 요청할 수 있다. 차주들은 해당 화물정보를 확인한 후 차주 단말(110)을 통해 승인여부를 통보할 수 있다. 화물배차 처리부(350)는 차주 단말(110)들로부터 복수의 승인들을 수신하는 경우 그리디(Greedy) 기법 등의 최적해 알고리즘을 적용하여 최종 차주 단말(110)을 결정할 수 있다.
일 실시예에서 화물배차 처리부(350)는 AI 모델을 통해 화물배차의 처리를 수행할 수 있다. 보다 구체적으로, 화물배차 처리부(350)는 복화배차 정보를 기 구축된 AI 모델에 입력으로 제공할 수 있고, AI 모델은 복화배차 정보에 적합한 화물차량을 출력으로 제공할 수 있다. 이 때, AI 모델이 출력으로 제공하는 화물차량은 사전에 등록된 화물차량에 해당할 수 있으며, AI 모델은 현재 가용 가능한 화물차량들 중에서 복화배차 정보에 가장 적합한 화물차량을 출력으로 생성하여 제공할 수 있다. 한편, AI 모델은 현재 가용 가능한 화물차량들에 대해 복화배차 정보에 적합한 정도를 확률 정보로서 제공할 수 있고, 화물배차 처리부(350)는 해당 확률 정보에 기초하여 화물배차의 처리를 위한 화물차량을 최종적으로 결정할 수 있다.
배차단가 결정부(370)는 복화배차 정보를 기초로 화물배차의 처리를 위한 전체 배차단가를 결정하고 전체 배차단가에 따라 편도화물 및 복귀화물 각각의 개별 배차단가를 결정할 수 있다. 즉, 복화배차 정보에 대한 전체 배차단가는 편도화물 및 복귀화물에 대한 개별 배차단가들의 총합으로 결정될 수 있으며, 편도화물 또는 복귀화물이 개별적으로 처리되는 경우에 있어서의 배차단가들의 총합보다 10% 이상 감액되어 책정될 수 있다. 배차단가 결정부(370)는 복화배차 정보에 미리 규정된 배차단가 산출 규정을 적용하여 전체 배차단가를 결정할 수 있으며, 전체 배차단가를 기준으로 편도화물 및 복귀화물에 대한 개별 배차단가를 결정할 수 있다.
한편, 배차단가 결정부(370)는 복화배차 정보에 포함된 편도화물 및 복귀화물에 대한 운송부담율을 각각 결정할 수 있고, 전체 배차단가를 기준으로 각 운송부담율에 따른 개별 배차단가를 산출할 수 있다. 이 경우, 운송부담율은 복화배차 정보에 대한 화물운송의 처리 과정에서 각 화물의 운송이 차지하는 비중을 수치화한 것에 해당할 수 있다. 구체적으로, 운송부담율은 전체 화물운송에 있어서 각 화물의 운송에 소요되는 시간, 거리 및 비용에 관한 직접 부담과 각 화물의 운송 시 교통량, 날씨 및 차량 가용상황으로 인한 간접 부담을 통합적으로 고려하여 결정될 수 있다.
일 실시예에서, 배차단가 결정부(370)는 AI 모델을 기초로 복화배차 정보에 대응하는 전체 배차단가 및 개별 배차단가를 각각 결정할 수 있다. 배차단가 결정부(370)는 화물정보 수신부(310)에 의해 수집된 화물운송에 관한 정보를 기초로 배차단가 산출을 위한 AI 모델을 구축할 수 있다. 즉, AI 모델은 배차단가에 영향을 주는 다양한 요소들, 예를 들어, 차량 유형과 톤수, 운송 거리와 시간 및 화물 내용 등을 포함하여 구성된 학습 데이터를 학습한 결과로서 생성될 수 있다.
제어부(390)는 복화배차 서비스 제공 장치(150)의 전체적인 동작을 제어하고, 화물정보 수신부(310), 복화배차 생성부(330), 화물배차 처리부(350) 및 배차단가 결정부(370) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.
도 4는 본 발명의 일 실시예에 따른 인공지능 기반의 복화배차 서비스 제공 과정을 설명하는 순서도이다.
도 4를 참조하면, 복화배차 서비스 제공 장치(150)는 화물정보 수신부(310)를 통해 화물운송 요청에 연관되는 편도화물 및 복귀화물 각각의 화물정보를 수신할 수 있다(단계 S410). 또한, 복화배차 서비스 제공 장치(150)는 복화배차 생성부(330)를 통해 화물정보를 기초로 편도화물 및 복귀화물에 대한 화물운송을 순차적으로 처리하기 위한 복화배차 정보를 생성할 수 있다(단계 S430). 또한, 복화배차 서비스 제공 장치(150)는 화물배차 처리부(350)를 통해 복화배차 정보에 따라 화물배차의 처리를 제공할 수 있다(단계 S450). 일 실시예에서, 복화배차 서비스 제공 장치(150)는 복화배차 정보를 기초로 화물배차의 처리를 위한 전체 배차단가를 결정하고 전체 배차단가에 따라 편도화물 및 복귀화물 각각의 개별 배차단가를 결정하는 배차단가 결정부(370)를 더 포함할 수 있다.
도 5 및 6은 본 발명에 따른 복화배차 서비스 제공 과정을 설명하는 도면이다.
도 5 및 6을 참조하면, 복화배차 서비스 제공 장치(150)는 복화배차 생성부(330)를 통해 화물정보를 기초로 편도화물 및 복귀화물에 대한 화물운송을 순차적으로 처리하기 위한 복화배차 정보를 생성할 수 있다. 여기에서, 복화배차 정보는 편도화물과 복귀화물로 구성된 복합화물에 대한 화물정보와 배차정보를 포함할 수 있다.
도 5의 그림 (a)에서, 복화배차 정보는 상차지에서 하차지까지의 편도화물 운송(530)과 하차지에서 상차지까지의 복귀화물 운송(540)에 관한 정보를 포함할 수 있다. 즉, 복화배차 서비스 제공 장치(150)는 각각 개별적으로 접수된 화물운송 주문들 중에서 운행 방향을 기준으로 편도화물과 복귀화물로 분류할 수 있고, 각 화물의 상차지와 하차지의 연관성에 따라 편도화물과 복귀화물을 상호 매칭시킬 수 있다. 복화배차 서비스 제공 장치(150)는 매칭 결과를 반영하여 편도화물 운송(530)과 복귀화물 운송(540)으로 구성된 복화배차 정보를 생성하여 화물운송을 위한 화물배차를 제공할 수 있다.
도 5의 그림 (b)에서, 복합화물을 구성하는 편도화물과 복귀화물의 각 상차지와 하차지는 서로 상이할 수 있다. 다만, 위치의 근접성에 따라 편도화물의 상차지(510)를 기준으로 소정의 영역으로 정의되는 매칭영역(550) 내에 복귀화물의 하차지(570)가 위치하는 경우 복합화물을 구성할 수 있으며, 이와 반대로 편도화물의 하차지(520)를 기준으로 소정의 영역으로 정의되는 매칭영역(550) 내에 복귀화물의 상차지(560)가 위치하는 경우에도 복합화물을 구성할 수 있다. 복화배차 서비스 제공 장치(150)는 복합화물로 매칭되는 편도화물 및 복귀화물에 대해 복화배차 정보를 생성하여 화물운송을 위한 화물차량의 배차를 결정할 수 있다.
도 6의 경우, 복화배차 서비스 제공 장치(150)는 복화배차 생성부(330)를 통해 각 화물의 상차지(510, 560) 또는 하차지(520, 570)를 중심으로 소정의 매칭영역(550)을 정의하고, 매칭영역(550) 간의 중첩영역(610, 630)의 면적을 기준으로 복합화물 구성을 위한 매칭을 수행할 수 있다.
예를 들어, 편도화물의 상차지(510)와 복귀화물의 하차지(570)를 중심으로 형성되는 사각 영역이 매칭영역(550)으로 정의되는 경우 해당 매칭영역(550)들 간의 제2 중첩영역(630)의 면적을 기준으로 매칭을 수행할 수 있다. 이 경우, 제2 중첩영역(630)의 면적이 기 설정된 임계기준(예를 들어, 전체 면적의 1/4)을 충족하지 않아 해당 편도화물과 복귀화물 간의 매칭은 실패할 수 있다. 이와 반대로, 편도화물의 하차지(520)와 복귀화물의 상차지(560) 각각에 대한 매칭영역(550)들 간의 제1 중첩영역(610)의 경우 해당 면적이 임계기준을 충족하기 때문에 해당 편도화물과 복귀화물 간의 매칭은 성공할 수 있다.
즉, 복화배차 서비스 제공 장치(150)는 상차지 및 하차지 간의 인접성을 기초로 복합화물을 구성하여 복화배차 정보를 생성함으로써 화물차량의 공차운행을 최소화할 수 있다. 또한, 복화배차 서비스 제공 장치(150)는 복화배차 정보의 생성을 위한 복합화물의 매칭 과정에서 인공지능을 활용함으로써 매칭 소요시간을 최소화하고 성공률을 개선시킬 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 복화배차 서비스 제공 시스템
110: 차주 단말 130: 화주 단말
150: 복화배차 서비스 제공 장치 170: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 화물정보 수신부 330: 복화배차 생성부
350: 화물배차 처리부 370: 배차단가 결정부
390: 제어부
510: 편도화물의 상차지 520: 편도화물의 하차지
530: 편도화물 운송 540: 복귀화물 운송
550: 매칭영역
560: 복귀화물의 상차지 570: 복귀화물의 하차지
610: 제1 중첩영역 630: 제2 중첩영역

Claims (8)

  1. 화물운송 요청에 연관되는 편도화물 및 복귀화물 각각의 화물정보를 수신하는 화물정보 수신부;
    상기 화물정보를 기초로 상기 편도화물 및 복귀화물에 대한 화물운송을 순차적으로 처리하기 위한 복화배차 정보를 생성하는 복화배차 생성부; 및
    상기 복화배차 정보에 따라 화물배차의 처리를 제공하는 화물배차 처리부를 포함하되,
    상기 복화배차 정보는 상기 화물정보에서 화물 및 차량 각각의 편도, 왕복 및 복귀에 관한 정보를 학습하여 구축된 AI 모델에 의해 생성되고,
    상기 AI 모델은 상기 화물정보를 기초로 상기 화물운송이 완료된 화물배차 정보를 데이터화 하는 단계; 상기 화물배차 정보를 상기 화물 및 차량에 관한 복수의 조합들로 분류하는 단계; 상기 복수의 조합들 각각에 대해 상차지와 하차지를 포함하고 각 화물배차 정보에 대응되는 화물운송 경로를 식별하는 단계; 상기 상차지와 하차지 각각의 유사도를 기초로 화물운송 경로들을 군집화 하는 단계; 및 상기 분류 결과와 상기 군집화 결과를 포함하는 학습 데이터를 생성하여 학습하는 단계를 통해 구축되며,
    상기 복화배차 생성부는 상기 AI 모델의 입력 데이터로서 상기 편도화물의 하차지를 중심으로 정의되는 제1 매칭영역과 상기 복귀화물의 상차지를 중심으로 정의되는 제2 매칭영역 간의 중첩영역에 대한 면적 정보- 상기 매칭영역은 각 중심을 기준으로 형성되는 사각 영역으로 정의됨 -를 포함시키는 것을 특징으로 하는 인공지능 기반의 복화배차 서비스 제공 장치.
  2. 제1항에 있어서, 상기 복화배차 정보는
    상기 편도화물 및 복귀화물 간의 매칭정보 -상기 매칭정보는 1:1, 1:n, n:1 및 n:n 중 어느 하나에 해당함- 를 포함하는 것을 특징으로 하는 인공지능 기반의 복화배차 서비스 제공 장치.
  3. 삭제
  4. 삭제
  5. 제1항에 있어서, 상기 복화배차 생성부는
    기 생성된 복화배차 정보에 따라 해당 편도화물에 대한 화물운송이 완료되고 해당 복귀화물에 대한 화물운송이 개시되기 전 단계에서, 상기 해당 복귀화물을 상기 편도화물로 하는 새로운 복화배차 정보를 생성하는 것을 특징으로 하는 인공지능 기반의 복화배차 서비스 제공 장치.
  6. 제1항에 있어서, 상기 화물배차 처리부는
    상기 복화배차 정보에 따라 화물배차 가능한 화물차량의 차주 단말에게 화물정보를 제공하고 상기 차주 단말의 승인에 따라 상기 화물배차의 개시를 수행하는 것을 특징으로 하는 인공지능 기반의 복화배차 서비스 제공 장치.
  7. 제1항에 있어서,
    상기 복화배차 정보를 기초로 상기 화물배차의 처리를 위한 전체 배차단가를 결정하고 상기 전체 배차단가에 따라 상기 편도화물 및 복귀화물 각각의 개별 배차단가를 결정하는 배차단가 결정부를 더 포함하는 것을 특징으로 하는 인공지능 기반의 복화배차 서비스 제공 장치.
  8. 화물정보 수신부, 복화배차 생성부 및 화물배차 처리부를 포함하는 인공지능 기반의 복화배차 서비스 제공 장치에서 수행되는 인공지능 기반의 복화배차 서비스 제공 방법에 있어서,
    상기 화물정보 수신부를 통해, 화물운송 요청에 연관되는 편도화물 및 복귀화물 각각의 화물정보를 수신하는 단계;
    상기 복화배차 생성부를 통해, 상기 화물정보를 기초로 상기 편도화물 및 복귀화물에 대한 화물운송을 순차적으로 처리하기 위한 복화배차 정보를 생성하는 단계; 및
    상기 화물배차 처리부를 통해, 상기 복화배차 정보에 따라 화물배차의 처리를 제공하는 단계를 포함하되,
    상기 복화배차 정보는 상기 화물정보에서 화물 및 차량 각각의 편도, 왕복 및 복귀에 관한 정보를 학습하여 구축된 AI 모델에 의해 생성되고,
    상기 AI 모델은 상기 화물정보를 기초로 상기 화물운송이 완료된 화물배차 정보를 데이터화 하는 단계; 상기 화물배차 정보를 상기 화물 및 차량에 관한 복수의 조합들로 분류하는 단계; 상기 복수의 조합들 각각에 대해 상차지와 하차지를 포함하고 각 화물배차 정보에 대응되는 화물운송 경로를 식별하는 단계; 상기 상차지와 하차지 각각의 유사도를 기초로 화물운송 경로들을 군집화 하는 단계; 및 상기 분류 결과와 상기 군집화 결과를 포함하는 학습 데이터를 생성하여 학습하는 단계를 통해 구축되며,
    상기 복화배차 정보를 생성하는 단계는 상기 AI 모델의 입력 데이터로서 상기 편도화물의 하차지를 중심으로 정의되는 제1 매칭영역과 상기 복귀화물의 상차지를 중심으로 정의되는 제2 매칭영역 간의 중첩영역에 대한 면적 정보- 상기 매칭영역은 각 중심을 기준으로 형성되는 사각 영역으로 정의됨 -를 포함시키는 단계를 포함하는 것을 특징으로 하는 인공지능 기반의 복화배차 서비스 제공 방법.
KR1020200093479A 2020-07-28 2020-07-28 인공지능 기반의 복화배차 서비스 제공 장치 및 방법 KR102447123B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200093479A KR102447123B1 (ko) 2020-07-28 2020-07-28 인공지능 기반의 복화배차 서비스 제공 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200093479A KR102447123B1 (ko) 2020-07-28 2020-07-28 인공지능 기반의 복화배차 서비스 제공 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220013980A KR20220013980A (ko) 2022-02-04
KR102447123B1 true KR102447123B1 (ko) 2022-09-27

Family

ID=80268478

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200093479A KR102447123B1 (ko) 2020-07-28 2020-07-28 인공지능 기반의 복화배차 서비스 제공 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102447123B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102041971B1 (ko) * 2018-05-09 2019-11-07 주식회사 모베이스 최적 배송경로 패턴 마이닝 학습 방법을 이용한 클라우드 배송 서비스 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101570879B1 (ko) * 2009-04-03 2015-11-23 에스케이이노베이션 주식회사 화물/공차정보 수집 및 제공 시스템
KR102100249B1 (ko) 2018-05-21 2020-04-14 주식회사 와이엘피 화물배차 처리 장치
KR20200068061A (ko) * 2018-11-27 2020-06-15 주식회사 신나는세상 운송 빅데이터에 기반한 복화 퀵서비스 운용 방법 및 복화 퀵서비스 운용 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102041971B1 (ko) * 2018-05-09 2019-11-07 주식회사 모베이스 최적 배송경로 패턴 마이닝 학습 방법을 이용한 클라우드 배송 서비스 시스템

Also Published As

Publication number Publication date
KR20220013980A (ko) 2022-02-04

Similar Documents

Publication Publication Date Title
Campbell Hub location and the p-hub median problem
US8386397B1 (en) System and method for constraint-based reduction of a solution space for vehicle routing
US20120226624A1 (en) Optimization system of smart logistics network
CN111815231B (zh) 一种物流平台智能拼车方法及系统
Azcuy et al. Designing integrated urban delivery systems using public transport
KR102503198B1 (ko) 인공지능 기반의 최적 배송경로 제공 장치 및 방법
KR101941934B1 (ko) 온라인 화물운송 차량중계장치
CN107180326A (zh) 一单闭环式智能货运方法
Guo et al. Global synchromodal transport with dynamic and stochastic shipment matching
KR20220006726A (ko) 경로 빅데이터 기반 밀크런 자동배차 제공 장치 및 방법
Bombelli et al. The ground handler dock capacitated pickup and delivery problem with time windows: A collaborative framework for air cargo operations
Zhu et al. Quay crane and yard truck dual-cycle scheduling with mixed storage strategy
KR20010075961A (ko) 물류 워크플로우용 차량 배차 방법
CN114386903A (zh) 运单管控方法、装置、电子设备以及存储介质
US20220164765A1 (en) Logistics planner
Kelleher et al. Scheduling for intermodal transport
KR102447123B1 (ko) 인공지능 기반의 복화배차 서비스 제공 장치 및 방법
KR101108622B1 (ko) 컨테이너의 복합운송 일정계획 결정 방법
KR102064279B1 (ko) Erp 연동 물류 배송 관리 방법 및 이를 수행하는 장치
KR102395527B1 (ko) 빅데이터에 기반하여 물류 서비스를 관리하는 컴퓨팅 시스템
KR102447122B1 (ko) 인공지능 기반의 환적배차 서비스 제공 장치 및 방법
US20230259870A1 (en) Method and system for multi-enterprise freight load consolidation and optimization
KR102382013B1 (ko) Erp 연동 통합 물류배송 관리 장치 및 방법
Dotoli et al. A technique for the optimal management of containers' drayage at intermodal terminals
Shepelev et al. Optimization of interaction of automobile and railway transport at container terminals

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant