KR102560210B1 - 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템 - Google Patents
인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템 Download PDFInfo
- Publication number
- KR102560210B1 KR102560210B1 KR1020230010958A KR20230010958A KR102560210B1 KR 102560210 B1 KR102560210 B1 KR 102560210B1 KR 1020230010958 A KR1020230010958 A KR 1020230010958A KR 20230010958 A KR20230010958 A KR 20230010958A KR 102560210 B1 KR102560210 B1 KR 102560210B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- freight
- route
- cargo
- unit
- Prior art date
Links
- 230000008676 import Effects 0.000 title claims abstract description 103
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 238000010845 search algorithm Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000007726 management method Methods 0.000 claims description 40
- 238000010295 mobile communication Methods 0.000 claims description 38
- 238000004458 analytical method Methods 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000004044 response Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 4
- 230000001788 irregular Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 25
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 40
- 238000004891 communication Methods 0.000 description 22
- 101150080778 INPP5D gene Proteins 0.000 description 18
- 230000001186 cumulative effect Effects 0.000 description 11
- 239000003921 oil Substances 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000007774 longterm Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 101150098638 RNASE1 gene Proteins 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000010747 number 6 fuel oil Substances 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 238000007011 Robinson annulation reaction Methods 0.000 description 1
- 241000207961 Sesamum Species 0.000 description 1
- 235000003434 Sesamum indicum Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- -1 safari Chemical compound 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
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
- G06Q10/0834—Choice of carriers
- G06Q10/08345—Pricing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/083—Shipping
- G06Q10/0831—Overseas transactions
-
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템에 관한 것으로, 해결하고자 하는 과제는 출발지와 도착지 정보만으로 운송 가능한 경로 맵을 생성하고, 생성된 운송 경로 맵을 기반으로 다양한 경로탐색 알고리즘을 실행하여 최소 운송 비용 및 시간에 따른 최적의 수출입화물 운송경로 탐색하고, 등락을 거듭하는 해외운송비용과 관련된 데이터를 가공하고, 딥러닝 기술을 활용해 등락 추세를 분석하여 현재시점에서 향후 해외운송비에 대한 상승과 하락을 예측하며, 플랫폼 내에서 방치된 다양한 고객들의 정보를 취합하여 각각의 특성과 사용패턴을 파악하고, 파악된 고객특성과 사용패턴을 고객의 유형을 국가 및 품목 별로 그룹화하여 설문조사를 통해 고객 간의 유사성을 찾아 맞춤형 정보를 제공하는데 있다.
일례로, 출발지정보와 도착지정보를 기반으로 지상과 해상에 따른 다수의 운송구간정보를 생성하는 운송구간정보 생성부; 상기 운송구간정보를 구성하는 다수의 노드정보를 입력 받고, 입력된 상기 노드정보를 기반으로 운송경로 노드맵을 생성하고, 최단 경로탐색 알고리즘을 기반으로 상기 운송경로 노드맵에 대한 운송경로모델을 각각 생성하는 운송경로모델 생성부; 상기 운송경로모델을 각각 입력 받고, 최소시간/비용 경로탐색 알고리즘을 기반으로 상기 운송경로모델로부터 상기 운송구간정보에 대한 운송최적경로정보를 각각 산출하는 운송최적경로정보 산출부; 미리 설정된 과거범위에서 해상운임산출에 영향을 미치는 해상운임요소 데이터를 수집하는 해상운임요소 수집부; 적어도 하나 이상의 해상운임지수에 대한 시계열 특성을 파악하고, 파악된 시계열 특성을 데이터 셋으로 구성하여 미리 구축된 신경망 모델을 학습시키고, 현재 해상운임산출에 영향을 미치는 해상운임요소 데이터를 상기 신경망 모델에 입력하여 해상운임예측지수를 산출하는 해상운임지수 예측부; 상기 해상운임예측지수와 실제과거 해상운임데이터에 대한 상관관계를 분석하고, 분석된 상관관계를 기초로 상기 운송최적경로정보에 포함된 해상 경로를 포함한 항로 별 예상운임비를 산출하여 미래운임을 예측하는 해상운임비 예측부; 수출입화물서비스 플랫폼으로부터 고객 별 플랫폼등록정보 및 플랫폼사용정보 중 적어도 하나를 포함한 플랫폼고객정보를 수집하는 플랫폼고객정보 수집부; 고객별특성 및 플랫폼사용패턴에 따른 1차 클러스터링 분석을 수행하여 상기 플랫폼고객정보를 다수의 고객유형 세그먼트로 분류하고, 상기 고객유형 세그먼트 별 설문조사 응답정보를 기반으로 상기 고객유형 세그먼트에 대한 2차 클러스터링 분석을 수행하여 다수의 계층유형그룹을 생성하는 클러스터링 분석부; 및 상기 계층유형그룹 별로 매칭되는 수출입화물서비스에 대한 마케팅 전략 컨텐츠를 생성하는 마케팅 컨텐츠 생성부를 포함하는 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템을 개시한다.
일례로, 출발지정보와 도착지정보를 기반으로 지상과 해상에 따른 다수의 운송구간정보를 생성하는 운송구간정보 생성부; 상기 운송구간정보를 구성하는 다수의 노드정보를 입력 받고, 입력된 상기 노드정보를 기반으로 운송경로 노드맵을 생성하고, 최단 경로탐색 알고리즘을 기반으로 상기 운송경로 노드맵에 대한 운송경로모델을 각각 생성하는 운송경로모델 생성부; 상기 운송경로모델을 각각 입력 받고, 최소시간/비용 경로탐색 알고리즘을 기반으로 상기 운송경로모델로부터 상기 운송구간정보에 대한 운송최적경로정보를 각각 산출하는 운송최적경로정보 산출부; 미리 설정된 과거범위에서 해상운임산출에 영향을 미치는 해상운임요소 데이터를 수집하는 해상운임요소 수집부; 적어도 하나 이상의 해상운임지수에 대한 시계열 특성을 파악하고, 파악된 시계열 특성을 데이터 셋으로 구성하여 미리 구축된 신경망 모델을 학습시키고, 현재 해상운임산출에 영향을 미치는 해상운임요소 데이터를 상기 신경망 모델에 입력하여 해상운임예측지수를 산출하는 해상운임지수 예측부; 상기 해상운임예측지수와 실제과거 해상운임데이터에 대한 상관관계를 분석하고, 분석된 상관관계를 기초로 상기 운송최적경로정보에 포함된 해상 경로를 포함한 항로 별 예상운임비를 산출하여 미래운임을 예측하는 해상운임비 예측부; 수출입화물서비스 플랫폼으로부터 고객 별 플랫폼등록정보 및 플랫폼사용정보 중 적어도 하나를 포함한 플랫폼고객정보를 수집하는 플랫폼고객정보 수집부; 고객별특성 및 플랫폼사용패턴에 따른 1차 클러스터링 분석을 수행하여 상기 플랫폼고객정보를 다수의 고객유형 세그먼트로 분류하고, 상기 고객유형 세그먼트 별 설문조사 응답정보를 기반으로 상기 고객유형 세그먼트에 대한 2차 클러스터링 분석을 수행하여 다수의 계층유형그룹을 생성하는 클러스터링 분석부; 및 상기 계층유형그룹 별로 매칭되는 수출입화물서비스에 대한 마케팅 전략 컨텐츠를 생성하는 마케팅 컨텐츠 생성부를 포함하는 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템을 개시한다.
Description
본 발명의 실시예는 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템에 관한 것이다.
일반적으로 네비게이션 시스템(Navigation System)은 지구상에 떠 있는 GPS(global positioning system) 위성으로부터 항공기, 선박, 차량 등의 현재 위치 데이터를 수신하고, 위도, 경도, 고도를 포함하는 위치 데이터를 이용하여 사용자의 현재 위치에서부터 목적지까지의 이동 경로 정보, 교통 상황 정보 등 매우 다양한 정보를 제공하는 서비스 장치이다.
즉, 네비게이션 시스템은 GPS 위성으로부터 수신된 위치 데이터와 미리 저장된 지도 데이터를 이용하여 차량의 현재 위치에서 목적지까지의 최적 경로를 화면 상에 표시하거나 음성 출력으로 표시하는 방법을 사용하고 있다.
또한, 네비게이션 시스템은 이른바 추측 항법이 적용된다. 즉, 마이크로 컴퓨터가 각종센서에 의해 측정된 데이터를 기준으로 현재 위치를 산출하고, 이 산출된 현재위치 또는 이동궤적을 표시 장치의 표시화면에 표시된 도로지도 상에 표시한다.
한편, 네비게이션 시스템은 경로안내(route guidance) 기능이 구비되어 있는데, 이 경로안내 기능은 운전자가 차량을 주행하기 전에 네비게이션 시스템의 화면 상에 표시되는 목적지를 지정하면 현재 위치에서 목적지까지 최적의 주행 경로를 자동으로 찾아 표시한다.
이러한 네비게이션 시스템은, 지도 데이터 중 노드 및 링크로 구성된 도로망 정보를 이용하여 경로를 탐색하고, 탐색된 경로의 거리와 링크의 가중치를 고려하여 사용자가 선택한 바에 따라 다양한 경로를 제공한다.
그리고, 링크의 가중치에는 고속도로의 통행료나 상대적으로 혼잡한 경로를 고려하기 위한 가중치가 포함된다. 사용자는 출발지 및 목적지까지의 여러 가지 경로 중에서 최단 경로, 최저 비용 경로, 국도를 이용한 경로 및 최적경로 등 자신이 원하는 옵션을 부여하여 자신의 목적에 상응하는 경로를 전체 경로로서 선택한다.
상술한 바와 같이, 종래의 차량용 네비게이션 시스템은 경로는 항상 하나의 단일 경로를 가지는 경로 안내를 수 행하기 때문에 여러 목적지를 경유하여 경로 안내를 하는 경우 각각의 경유지를 입력된 순서대로 안내해주었다.
그러나, 해외 수출입 화물과 같이 특별한 우선 순위 없이 여러 경유지를 경유하는 경우 단순히 입력된 경유지 순으로 이동하게 되면 각각의 경유지의 위치에 따라 모든 경유지를 경유하는데 오랜 시간이 걸릴 수 있으며, 어떤 경로로 경유지를 거쳐 가야 최소한의 시간이 걸릴지 일일이 확인하기 힘든 문제점이 있다.
또한, 국제간 무역 거래가 활성화되어 컨테이너 운송수요의 증가와 선박의 대형화, 컨테이너 터미널의 자동화 등에 따른 해운 환경의 변화로 인해 기존의 운송경로가 컨테이너 운송수요에 정확히 대응하지 못하거나, 선박의 대형화로 인한 항구의 처리 능력 부족으로 인해 경로를 재편성 할 경우가 발생하는 등 컨테이너선의 경로 결정 업무가 최적화되어 관리되지 못함으로 인한 많은 문제점이 대두되고 있다.
이에 따라, 지상과 해상에서 변화되는 다양한 운송환경을 효율적으로 대응하기 위해 화물운송의 최적의 경로를 결정을 위한 알고리즘을 활용한 시스템의 필요성이 증대되고 있다.
한편, 해외에 제품을 수출하는 무역 업체들은 해외 수출 물류와 관련된 제반 업무를 자체적으로 처리하기 보다는 포워딩 업체를 통해 처리하고 있다. 이러한 포워딩 업체는 수출 물류를 수출 업체로부터 인계 받아 원하는 지점까지 운송해 주는 택배, 운송, 통관 등의 업무를 종합적으로 서비스하는 업체이다. 수출을 주력으로 하는 국내 실정상 이러 한 포워딩 업체들이 지속적으로 증가하고 있다.
포워딩 업체들이 늘어남에 따라 무역 업체들은 서비스의 질과 비용 측면을 고려하여 다수의 포워딩 업체들로부터 화물운임비용에 관한 견적을 비교하여 항공 관련 포워딩 업체를 선정하고 있다.
그러나, 선박 수출 물류 비용은 수시로 변동되는 비용이므로 견적을 통해 항공 수출 비용을 단순 비교하기 어려운 문제점이 있다. 즉, 무역 계약 시 몇 달 후에 화물 운송이 이루어지는 상황임에도 당월 유효한 운임만 알 수 있어 운송비 예측에 어려움을 겪고 있으며, 수출업자(또는 화주)가 현재 운송비로 무역계약을 했을 경우 2~3개월 후 운임이 많이 오를 경우 증가된 운송비로 인해 마진을 남기기 힘든 상황도 발생할 수 있다.
또한, 해외운송비는 무역 업체에게 중요한 수출입 원가의 한 부분이기 때문에 당월 운임으로는 만족할 수 없는 실정이며, 수출업자(또는 화주)는 무역 업체가 제시하는 가격이 적절한 가격인지 판단하기 어려운 문제가 있다.
한편, 일반적으로 수출입화물서비스 플랫폼은 고객의 다양한 수출입품목에 대한 정보 관리 및 운임 제공 등 다양한 서비스를 제공하고 있다.
이러한 수출입화물서비스 플랫폼을 사용하는 고객의 등록정보, 플랫폼이용정보, 견적정보 등 사용자들에 대한 정보들이 해당 플랫폼 내에서 점차 누적되고 있으나, 대부분 이러한 고객의 플랫폼정보들은 방치된 채로 아무런 활용도 하지 않고 있는 실정이다.
이에 따라, 플랫폼 내에서 방치된 고객들의 정보를 의미 있게 활용하여 각각의 고객들의 특성을 파악하고, 해당 플랫폼의 가치를 높여 고객 맞춤형 서비스를 제공해야 할 필요가 있다.
본 발명의 실시예는, 출발지와 도착지 정보만으로 운송 가능한 경로 맵을 생성하고, 생성된 운송 경로 맵을 기반으로 다양한 경로탐색 알고리즘을 실행하여 최소 운송 비용 및 시간에 따른 최적의 수출입화물 운송경로 탐색하고, 등락을 거듭하는 해외운송비용과 관련된 데이터를 가공하고, 딥러닝 기술을 활용해 등락 추세를 분석하여 현재시점에서 향후 해외운송비에 대한 상승과 하락을 예측하며, 플랫폼 내에서 방치된 다양한 고객들의 정보를 취합하여 각각의 특성과 사용패턴을 파악하고, 파악된 고객특성과 사용패턴을 고객의 유형을 국가 및 품목 별로 그룹화하여 설문조사를 통해 고객 간의 유사성을 찾아 맞춤형 정보를 제공할 수 있는 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템을 제공한다.
본 발명의 실시예에 따른 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템은, 출발지정보와 도착지정보를 기반으로 지상과 해상에 따른 다수의 운송구간정보를 생성하는 운송구간정보 생성부; 상기 운송구간정보를 구성하는 다수의 노드정보를 입력 받고, 입력된 상기 노드정보를 기반으로 운송경로 노드맵을 생성하고, 최단 경로탐색 알고리즘을 기반으로 상기 운송경로 노드맵에 대한 운송경로모델을 각각 생성하는 운송경로모델 생성부; 상기 운송경로모델을 각각 입력 받고, 최소시간/비용 경로탐색 알고리즘을 기반으로 상기 운송경로모델로부터 상기 운송구간정보에 대한 운송최적경로정보를 각각 산출하는 운송최적경로정보 산출부; 미리 설정된 과거범위에서 해상운임산출에 영향을 미치는 해상운임요소 데이터를 수집하는 해상운임요소 수집부; 적어도 하나 이상의 해상운임지수에 대한 시계열 특성을 파악하고, 파악된 시계열 특성을 데이터 셋으로 구성하여 미리 구축된 신경망 모델을 학습시키고, 현재 해상운임산출에 영향을 미치는 해상운임요소 데이터를 상기 신경망 모델에 입력하여 해상운임예측지수를 산출하는 해상운임지수 예측부; 상기 해상운임예측지수와 실제과거 해상운임데이터에 대한 상관관계를 분석하고, 분석된 상관관계를 기초로 상기 운송최적경로정보에 포함된 해상 경로를 포함한 항로 별 예상운임비를 산출하여 미래운임을 예측하는 해상운임비 예측부; 수출입화물서비스 플랫폼으로부터 고객 별 플랫폼등록정보 및 플랫폼사용정보 중 적어도 하나를 포함한 플랫폼고객정보를 수집하는 플랫폼고객정보 수집부; 고객별특성 및 플랫폼사용패턴에 따른 1차 클러스터링 분석을 수행하여 상기 플랫폼고객정보를 다수의 고객유형 세그먼트로 분류하고, 상기 고객유형 세그먼트 별 설문조사 응답정보를 기반으로 상기 고객유형 세그먼트에 대한 2차 클러스터링 분석을 수행하여 다수의 계층유형그룹을 생성하는 클러스터링 분석부; 및 상기 계층유형그룹 별로 매칭되는 수출입화물서비스에 대한 마케팅 전략 컨텐츠를 생성하는 마케팅 컨텐츠 생성부를 포함한다.
또한, 상기 최단 경로탐색 알고리즘은 다익스트라 알고리즘(Dijkstra algorithm)이고, 상기 최소시간/비용 경로탐색 알고리즘은 에이스타 알고리즘(A* algorithm)일 수 있다.
또한, 상기 운송구간정보 생성부는, 출발지정보와 도착지정보를 입력 받는 출발 및 도착지정보 입력부; 및 상기 출발지정보와 상기 도착지정보를 기반으로 국내지상 운송구간 노드그룹정보, 해상 운송구간 노드그룹정보 및 해외지상 운송구간 노드그룹정보를 각각 생성하여 운송구간을 분류하는 운송구간 분류부를 포함할 수 있다.
또한, 상기 운송경로모델 생성부는, 상기 국내지상 운송구간 노드그룹정보를 구성하는 국내지상출발지 및 국내출발항구 간의 각 노드정보를 기반으로 다수의 국내지상 운송경로 노드맵을 생성하고, 생성된 국내지상 운송경로 노드맵을 입력 받고, 상기 최단 경로탐색 알고리즘을 이용한 국내지상화물운송 경로탐색을 통해 적어도 하나의 국내지상화물 운송경로모델을 생성하는 국내지상화물 운송경로모델 생성부; 상기 해상 운송구간 노드그룹정보를 구성하는 상기 국내출발항구 및 해외도착항구 간의 각 노드정보를 기반으로 다수의 해상 운송경로 노드맵을 생성하고, 생성된 해상 운송경로 노드맵을 입력 받고, 상기 최단 경로탐색 알고리즘을 이용한 해상화물 운송경로탐색을 통해 적어도 하나의 해상화물 운송경로모델을 생성하는 해상화물 운송경로모델 생성부; 및 상기 해외지상 운송구간 노드그룹정보를 구성하는 상기 해외도착항구 및 해외지상도착지 간의 각 노드정보를 기반으로 다수의 해외지상 운송경로 노드맵을 생성하고, 생성된 해외지상 운송경로 노드맵을 입력 받고, 상기 최단 경로탐색 알고리즘을 이용한 해외지상화물 운송경로탐색을 통해 적어도 하나의 해외지상화물 운송경로모델을 생성하는 해외지상화물 운송경로모델 생성부를 포함할 수 있다.
또한, 상기 운송최적경로정보 산출부는, 상기 국내지상출발지 및 상기 국내출발항구에 대한 노드정보를 상기 국내지상화물 운송경로모델에 각각 설정하고, 해당 노드정보가 설정된 국내지상화물 운송경로모델정보 및 각 노드에 대한 휴리스틱 추정 값이 각각 입력된 상기 최소시간/비용 경로탐색 알고리즘을 기반으로 최소이동시간 및 최소비용을 갖는 국내지상화물 최적경로를 탐색하는 국내지상화물 최적경로 탐색부; 상기 국내출발항구 및 상기 해외도착항구에 대한 노드정보를 상기 해상화물 운송경로모델에 각각 설정하고, 해당 노드정보가 설정된 해상화물 운송경로모델정보 및 각 노드에 대한 휴리스틱 추정 값이 각각 입력된 상기 최소시간/비용 경로탐색 알고리즘을 기반으로 최소이동시간 및 최소비용을 갖는 해상화물 최적경로를 탐색하는 해상화물 최적경로 탐색부; 상기 해외도착항구 및 해외지상도착지에 대한 노드정보를 상기 해외지상화물 운송경로모델에 각각 설정하고, 해당 노드정보가 설정된 해외지상화물 운송경로모델정보 및 각 노드에 대한 휴리스틱 추정 값이 각각 입력된 상기 최소시간/비용 경로탐색 알고리즘을 기반으로 최소이동시간 및 최소비용을 갖는 해외지상화물 최적경로를 탐색하는 해외지상화물 최적경로 탐색부; 및 상기 국내지상화물 최적경로, 상기 해상화물 최적경로 및 상기 해외지상화물 최적경로에 대한 탐색 결과를 종합하여 적어도 하나의 수출입화물 추천운송경로를 제공하는 수출입화물 추천운송경로 제공부를 포함할 수 있다.
또한, 기 등록된 국내화물운송자의 이동통신단말로 국내지상화물 운송식별코드를 전송하고, 기 등록된 해상화물운송자의 이동통신단말로 해상화물 운송식별코드를 전송하고, 기 등록된 해외화물운송자의 이동통신단말로 해외지상화물 운송식별코드를 전송하는 운송식별코드 제공부; 상기 운송식별코드를 각각 이용하여 각 화물운송자의 이동통신단말에 설치되고, 상기 국내지상화물 최적경로, 상기 해상화물 최적경로 및 상기 해외지상화물 최적경로 별로 실제화물운송 시 각 화물운송자의 이동통신단말을 이용하여 각 최적경로 별 GPS 화물운송위치추적 및 상기 GPS 화물운송위치추적에 따른 각 노드 간 실제소요시간정보를 산출하는 어플리케이션부; 및 상기 최단 경로탐색 알고리즘을 통해 생성되는 운송경로모델에서의 노드 간 소요시간정보를 상기 실제소요시간정보에 따라 갱신하는 노드정보 갱신부를 더 포함하고, 상기 운송식별코드는, 각 화물운송자의 이동통신단말 별 GPS 실시간 위치정보수집을 위한 상기 어플리케이션부를 다운로드 받을 수 있는 URL 정보를 포함하고, 상기 어플리케이션부는, 상기 국내지상 운송구간, 상기 해상 운송구간 및 상기 해외지상 운송구간 별로 세션이 설정되고, 상기 세션은, 운송구간의 각 시작지점에서 자동 실행하여 운송구간의 각 종료지점에서 만료되고, 상기 어플리케이션부는, 상기 세션의 만료 시 각 화물운송자의 이동통신단말에서 자동 삭제될 수 있다.
또한, 상기 해상운임요소 수집부는, 선박항로 별 해상운임 데이터를 집계를 집계하는 항로해상운임 집계부; 온라인을 통해 공개된 해상운임지수 데이터를 수집하는 해상운임지수 수집부; 및 상기 항로 별 해상운임 및 상기 해상운임지수 데이터를 상기 신경망 모델의 입력변수로 활용하기 위한 데이터 정규화를 수행하는 데이터 정규화 수행부를 포함할 수 있다.
또한, 상기 해상운임지수 데이터는, 국제유가지수, SCFI(Shanghai Containerized Freight Index) 지수, HRCI(Howe Robinson Container Index) 지수 및 DXY(dollar index) 지수 중 적어도 하나를 포함할 수 있다.
또한, 상기 해상운임지수 예측부는, 상기 해상운임요소 데이터에 대한 시계열 분해(time series decomposition)를 통해 해상운임요소의 추세(trend), 순환(cycle), 계절(seasonality) 및 불규칙(irregular) 요인을 각각 분석하여 상기 시계열 특성을 파악하는 시계열 특성 파악부; 상기 시계열 특성을 미리 구축된 LSTM(Long Short Term Memory) 신경망 모델의 입력변수로 이용하여 상기 LSTM 신경망 모델을 학습시키는 LSTM 신경망 모델 학습부; 및 상기 LSTM 신경망 모델에 상기 해상운임요소 데이터를 입력하여 현재시점으로부터 미리 설정된 미래시점까지의 항로 별 해상운임예측지수를 산출하는 해상운임지수 예측 모델부를 포함할 수 있다.
또한, 상기 해상운임지수 예측 모델부는, 상기 해상운임요소 데이터로부터 화주에 의해 선택된 검증데이터를 활용한 하이퍼파라미터(hyperparameter)의 성능 최적화 과정을 수행하여 상기 해상운임예측지수의 예측 오차를 감소시킬 수 있다.
또한, 상기 해상운임비 예측부는, 상기 해상운임예측지수와 상기 실제과거 해상운임데이터를 미리 구축된 다중선형회귀 모델의 분석대상으로 입력하여 상기 해상운임예측지수의 변동에 따른 상기 실제과거 해상운임데이터의 변동율 간의 상관관계모형을 생성하는 다중선형회귀 분석부; 및 화주로부터 화물운송구간 및 컨테이너 타입을 포함하는 항로정보를 입력 받고, 상기 해상운임요소 데이터 중 상기 항로정보를 포함한 해상운임요소 데이터에 따라 생성된 상관관계모형을 이용하여 현재시점으로부터 미리 설정된 미래시점까지 상기 운송최적경로정보에 포함된 해상 경로를 포함한 항로 별 예상운임비를 산출하는 예상운임비 산출부를 포함할 수 있다.
또한, 상기 해상운임비 예측부를 통해 산출된 예상운임비를 화주로부터 선 입금 받고, 예측시점 도래 시 상기 예상운임비와 실제 해상운임비를 비교하여 상기 예상운임비가 상기 실제 해상운임비를 초과한 경우 해당 초과금액을 예치하되 미리 설정된 제1 요율을 적용하여 누적 예치한 후 운임비 대납 처리를 수행하고, 이후 동일 화주로부터 해상운임비의 대납 처리를 위한 선 입금 시 상기 해상운임비 예측부를 통해 산출된 예상운임비에서 누적 예치금액만큼 차감한 금액을 선 입금 받고, 누적 예치금액과 누적 예치금액만큼 차감된 예상운임비를 해당 화주의 해상운임비로 대납 처리하는 해상운임비 대납 처리부; 및 상기 해상운임비 예측부를 통해 산출된 예상운임비를 화주로부터 선 입금 받고, 예측시점 도래 시 상기 예상운임비와 실제 해상운임비와 비교하여 상기 예상운임비가 상기 실제 해상운임비 미만인 경우, 화주의 선택에 따라 해당 차액만큼을 대출 처리하여 해상운임비를 대납 처리하고, 해당 차액에 미리 설정된 제2 요율을 적용하여 해당 화주에 대한 채권을 발행하는 해상운임비 채권 발행부를 더 포함할 수 있다.
또한, 상기 플랫폼등록정보는 수출입화물서비스를 이용하기 위해 고객이 등록한 고객등록정보를 포함하고, 상기 플랫폼사용정보는 수출입화물서비스 플랫폼의 로그정보 및 견적정보를 포함할 수 있다.
또한, 상기 클러스터링 분석부는, 상기 플랫폼고객정보에 대한 데이터 정규화(MinMaxScaler)를 통한 전처리를 수행하는 데이터 전처리 수행부; 미리 구축된 K평균 군집화(K-means Clustering) 분석모델을 이용하여 상기 플랫폼고객정보를 고객별특성 및 플랫폼사용패턴에 따른 다수의 고객유형 세그먼트로 분류하는 고객유형 세그먼트 분류부; 미리 구축된 컨조인트(Conjoint) 분석모델을 이용하여 고객이 선호하는 수출입화물서비스들에 대한 유사성을 파악하기 위한 설문조사정보를 생성하는 설문조사정보 생성부; 상기 계층유형그룹 별로 상기 설문조사정보에 따른 설문조사를 수행하고, 상기 계층유형그룹 별로 설문응답정보를 수신하여 취합하는 설문조사 수행부; 및 미리 구축된 계층적 군집화(Hierarchical clustering) 분석모델을 이용하여 상기 설문응답정보의 유형 별로 상기 고객유형 세그먼트를 트리 형태의 하위계층으로 순차 분류하여 다수의 계층유형그룹을 생성하는 계층유형그룹 생성부를 포함할 수 있다.
또한, 상기 마케팅 컨텐츠 생성부는, 현재 제공 가능한 수출입화물서비스정보와 상기 계층유형그룹 별 유형정보를 비교하여 각 유형정보와 매칭되는 수출입화물서비스정보를 추출하는 수출입화물서비스정보 추출부; 및 미리 구축된 딥러닝 모델을 통해 상기 계층유형그룹의 유형정보와 상기 수출입화물서비스정보를 조합하여 상기 계층유형그룹 별로 마케팅 전략 컨텐츠를 결정하는 마케팅 전략 컨텐츠 결정부를 포함할 수 있다.
또한, 상기 맞춤형 맞춤형 고객 관리 시스템은, 상기 마케팅 전략 컨텐츠에 따른 마케팅 메시지를 생성하여 상기 계층유형그룹 별 고객으로 전달하는 마케팅 활동부를 더 포함할 수 있다.
또한, 상기 마케팅 전략 컨텐츠 및 각 마케팅 전략 컨텐츠에 해당하는 상기 수출입화물서비스정보에 각각 마케팅식별코드를 할당하고, 상기 마케팅 메시지를 수신하는 고객의 ID정보와 상기 마케팅식별코드를 매칭하는 마케팅식별코드 관리부; 수출입화물서비스 플랫폼을 통해 수출입화물서비스를 이용한 경우 해당 고객의 상기 ID정보와 매칭된 마케팅식별코드 및 해당 수출입화물서비스에 할당된 마케팅식별코드를 비교하고, 서로 동일한 마케팅식별코드가 존재하는지를 확인하는 마케팅식별코드 확인부; 및 서로 동일한 마케팅식별코드가 존재하는 경우 해당 고객에 대한 운임할인서비스를 제공하는 운임할인서비스 제공부를 더 포함할 수 있다.
본 발명에 따르면, 출발지와 도착지 정보만으로 운송 가능한 경로 맵을 생성하고, 생성된 운송 경로 맵을 기반으로 다양한 경로탐색 알고리즘을 실행하여 최소 운송 비용 및 시간에 따른 최적의 수출입화물 운송경로 탐색하고, 등락을 거듭하는 해외운송비용과 관련된 데이터를 가공하고, 딥러닝 기술을 활용해 등락 추세를 분석하여 현재시점에서 향후 해외운송비에 대한 상승과 하락을 예측하며, 플랫폼 내에서 방치된 다양한 고객들의 정보를 취합하여 각각의 특성과 사용패턴을 파악하고, 파악된 고객특성과 사용패턴을 고객의 유형을 국가 및 품목 별로 그룹화하여 설문조사를 통해 고객 간의 유사성을 찾아 맞춤형 정보를 제공할 수 있는 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템을 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템을 나타낸 개요도이다.
도 2는 본 발명의 실시예에 따른 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템의 전체 구성을 나타낸 블록도이다.
도 3은 본 발명의 실시예에 따른 운송구간정보 생성부의 구성을 나타낸 블록도이다.
도 4는 본 발명의 실시예에 따른 운송구간정보 생성부의 기능을 설명하기 위해 예시적으로 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 운송경로모델 생성부의 구성을 나타낸 블록도이다.
도 6은 본 발명의 실시예에 따른 운송경로모델 생성부의 기능을 설명하기 위해 예시적으로 나타낸 도면이다.
도 7은 본 발명의 실시예에 따른 운송경로 노드맵의 예시를 나타낸 도면이다.
도 8은 본 발명의 실시예에 따른 운송최적경로정보 산출부의 구성을 나타낸 블록도이다.
도 9 내지 도 11은 본 발명의 실시예에 따른 운송최적경로정보 산출부의 기능과 결과를 설명하기 위해 예시적으로 나타낸 도면이다.
도 12는 본 발명의 실시예에 따른 운송식별코드 제공부, 어플리케이션부 및 노드정보 갱신부의 기능을 설명하기 위해 예시적으로 나타낸 도면이다.
도 13은 본 발명의 실시예에 따른 해상운임요소 수집부의 구성을 나타낸 블록도이다.
도 14는 본 발명의 실시예에 따른 해상운임지수 예측부의 구성을 나타낸 블록도이다.
도 15는 본 발명의 실시예에 따른 해상운임지수 예측 모델부의 해상운임지수 예측결과 및 예측결과에 대한 오차감소를 설명하기 위해 나타낸 도면이다.
도 16은 본 발명의 실시예에 따른 해상운임비 예측부의 구성을 나타낸 블록도이다.
도 17은 본 발명의 실시예에 따른 해상운임비 예측부의 전체적인 동작 과정을 설명하기 위해 나타낸 도면이다.
도 18은 본 발명의 실시예에 따른 예상운임비 산출부를 통한 예상운임비 산출결과를 나타낸 도면이다.
도 19는 본 발명의 실시예에 따른 해상운임비 대납 처리부의 동작 과정을 설명하기 위해 나타낸 도면이다.
도 20은 본 발명의 실시예에 따른 해상운임비 채권 발행부의 동작 과정을 설명하기 위해 나타낸 도면이다.
도 21은 본 발명의 실시예에 따른 클러스터링 분석부의 구성을 나타낸 블록도이다.
도 22 및 도 23은 본 발명의 실시예에 따른 클러스터링 분석 방법을 설명하기 위해 나타낸 도면이다.
도 24는 본 발명의 실시예에 따른 마케팅 컨텐츠 생성부의 구성을 나타낸 블록도이다.
도 25는 본 발명의 실시예에 따른 마케팅 컨텐츠 생성 및 마케팅 활동 방법을 설명하기 위해 나타낸 도면이다.
도 26은 본 발명의 실시예에 따른 플랫폼고객정보 및 마케팅 전략 컨텐츠의 일례를 나타낸 도면이다.
도 27은 본 발명의 실시예에 따른 마케팅식별코드 관리, 마케팅식별코드 확인 및 운임할인서비스 제공 방법을 설명하기 위해 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템의 전체 구성을 나타낸 블록도이다.
도 3은 본 발명의 실시예에 따른 운송구간정보 생성부의 구성을 나타낸 블록도이다.
도 4는 본 발명의 실시예에 따른 운송구간정보 생성부의 기능을 설명하기 위해 예시적으로 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 운송경로모델 생성부의 구성을 나타낸 블록도이다.
도 6은 본 발명의 실시예에 따른 운송경로모델 생성부의 기능을 설명하기 위해 예시적으로 나타낸 도면이다.
도 7은 본 발명의 실시예에 따른 운송경로 노드맵의 예시를 나타낸 도면이다.
도 8은 본 발명의 실시예에 따른 운송최적경로정보 산출부의 구성을 나타낸 블록도이다.
도 9 내지 도 11은 본 발명의 실시예에 따른 운송최적경로정보 산출부의 기능과 결과를 설명하기 위해 예시적으로 나타낸 도면이다.
도 12는 본 발명의 실시예에 따른 운송식별코드 제공부, 어플리케이션부 및 노드정보 갱신부의 기능을 설명하기 위해 예시적으로 나타낸 도면이다.
도 13은 본 발명의 실시예에 따른 해상운임요소 수집부의 구성을 나타낸 블록도이다.
도 14는 본 발명의 실시예에 따른 해상운임지수 예측부의 구성을 나타낸 블록도이다.
도 15는 본 발명의 실시예에 따른 해상운임지수 예측 모델부의 해상운임지수 예측결과 및 예측결과에 대한 오차감소를 설명하기 위해 나타낸 도면이다.
도 16은 본 발명의 실시예에 따른 해상운임비 예측부의 구성을 나타낸 블록도이다.
도 17은 본 발명의 실시예에 따른 해상운임비 예측부의 전체적인 동작 과정을 설명하기 위해 나타낸 도면이다.
도 18은 본 발명의 실시예에 따른 예상운임비 산출부를 통한 예상운임비 산출결과를 나타낸 도면이다.
도 19는 본 발명의 실시예에 따른 해상운임비 대납 처리부의 동작 과정을 설명하기 위해 나타낸 도면이다.
도 20은 본 발명의 실시예에 따른 해상운임비 채권 발행부의 동작 과정을 설명하기 위해 나타낸 도면이다.
도 21은 본 발명의 실시예에 따른 클러스터링 분석부의 구성을 나타낸 블록도이다.
도 22 및 도 23은 본 발명의 실시예에 따른 클러스터링 분석 방법을 설명하기 위해 나타낸 도면이다.
도 24는 본 발명의 실시예에 따른 마케팅 컨텐츠 생성부의 구성을 나타낸 블록도이다.
도 25는 본 발명의 실시예에 따른 마케팅 컨텐츠 생성 및 마케팅 활동 방법을 설명하기 위해 나타낸 도면이다.
도 26은 본 발명의 실시예에 따른 플랫폼고객정보 및 마케팅 전략 컨텐츠의 일례를 나타낸 도면이다.
도 27은 본 발명의 실시예에 따른 마케팅식별코드 관리, 마케팅식별코드 확인 및 운임할인서비스 제공 방법을 설명하기 위해 나타낸 도면이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 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 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
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, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나 이상의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 본 발명의 실시예에 따른 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템을 나타낸 개요도이다.
도 1을 참조하면, 본 발명의 실시예에 따른 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템(10)은 화주/고객 통신단말(1), 수출입화물 관리서버(2), 차주/선박주 통신단말(3), 해상운임 예측 서버(4) 및 고객관리서버(5) 및 수출입화물서비스 플랫폼 서버(6)를 포함할 수 있으며, 해상운임 예측 서버(4)는 관세 물류 서버(5) 및 관계 기관 서버(6)와 연동되는 형태로 구현될 수 있다.
상기 화주/고객 통신단말(1) 및 차주/선박주 통신단말(3)은 경로탐색 알고리즘 기반의 수출입화물 운송 경로 최적화 서비스 즉, 수출입 화물 운송 신청 서비스 및 수출입 화물 배차 및 운송 서비스를 제공하기 위한 소프트웨어가 탑재되며, 무역 계약에 유용한 미래 해상운임 예측 서비스를 제공 받기 위한 전용 프로그램(예를 들어, 어플리케이션 관리 프로그램)이 설치 또는 탑재되거나, 화주/고객 통신단말(1)의 웹 브라우저를 통해 웹 사이트에 접속하는 방식을 통해 무역 계약에 유용한 미래 해상운임 예측 서비스를 제공받을 수 있도록 구현될 수 있다.
이러한 화주/고객 통신단말(1) 및 차주/선박주 통신단말(3)은, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(smartphone), 스마트 패드(smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 여기서, 웹 브라우저는 웹(WWW: world wide web) 서비스를 이용할 수 있게 하는 프로그램으로 HTML(hypertext mark-up language)로 서술된 하이퍼텍스트를 받아서 보여주는 프로그램을 의미하며, 예를 들어 크롬(chrome), 엣지(edge), 사파리(safari) 등을 포함한다. 또한, 애플리케이션은 단말 상의 응용 프로그램(application)을 의미하며, 즉 모바일 단말(스마트폰)에서 실행되는 어플리케이션을 포함할 수 있다.
상기 수출입화물 관리서버(2)는, 화주/고객 통신단말(1) 및 차주/선박주 통신단말(3)과 연결되어, 화주/고객 통신단말(1)로부터 수신된 수출화물정보(출발지정보, 도착지정보, 화물상세정보, 수출입 일자정보 등)를 입력 받고, 입력된 정보를 차주/선박주 통신단말(30)로 전송하여 해당 일정에 맞는 차량 및 선박 배차 관리를 수행하고, 배차된 이동수단과 수출화물정보를 기반으로 운송최적경로정보를 제공할 수 있다.
상기 수출입화물 관리서버(2)는, 하드웨어적으로 통상적인 웹 서버와 동일한 구성을 가지며, 소프트웨어적으로는 Java, Python, JavaScript, Php, C, C++ 등과 같은 다양한 형태의 언어를 통해 구현되어 여러 가지 기능을 하는 프로그램 모듈을 포함할 수 있다. 또한, 일반적인 서버용 하드웨어에 윈도우(window), 리눅스(linux), 유닉스(unix), 매킨토시(macintosi), 안드로이드(Android), 아이오에스(iOS) 등의 운영 체제에 따라 다양하게 제공되고 있는 웹 서버 프로그램을 이용하여 구현될 수 있다.
한편, 화주/고객 통신단말(1) 및 차주/선박주 통신단말(3)과 수출입화물 관리서버(20) 간을 연결하는 인터넷 네트워크의 통신망의 일 예로는, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced), 5G 등)에 따라 구축된 이동 통신망을 포함할 수 있으나, 특별히 한정하는 것은 아니다. 또한, 유선 통신망의 일 예로는, LAN(Local Area Network), WAN(Wide Area Network)등의 폐쇄형 네트워크일 수 있으며, 인터넷과 같은 개방형 네트워크인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전세계적인 개방형 컴퓨터 네트워크 구조를 의미한다.
상기 해상운임 예측 서버(4)는, 화주/고객 통신단말(1), 관세 물류 서버(5)와 관계 기관 서버(6)에 각각 연결되어, 화주/고객 통신단말(1)로부터 수신된 항로정보(출발항, 도착항, 컨테이너 타입 등)를 입력 받고, 입력된 정보를 미리 구축된 신경망 모델을 활용하여 화주가 원하는 시점에서의 해상운임예측지수 및 예상운임비 정보를 제공할 수 있다.
상기 해상운임 예측 서버(4)는, 하드웨어적으로 통상적인 웹 서버와 동일한 구성을 가지며, 소프트웨어적으로는 Java, Python, JavaScript, Php, C, C++ 등과 같은 다양한 형태의 언어를 통해 구현되어 여러 가지 기능을 하는 프로그램 모듈을 포함할 수 있다. 또한, 일반적인 서버용 하드웨어에 윈도우(window), 리눅스(linux), 유닉스(unix), 매킨토시(macintosi), 안드로이드(Android), 아이오에스(iOS) 등의 운영 체제에 따라 다양하게 제공되고 있는 웹 서버 프로그램을 이용하여 구현될 수 있다.
상기 고객관리서버(10)는, 수출입화물서비스 플랫폼 서버(20) 및 고객통신단말(30)과 각각 연결되어, 수출입화물서비스 플랫폼 서버(20)로부터 플랫폼고객정보(플랫폼등록정보(고객등록정보) 및 플랫폼사용정보(로그정보, 견적정보))를 수집하고, 수집된 정보를 기반으로 클러스터링을 통한 분류 및 고객의 특징 및 사용패턴을 파악하고, 설문조사정보를 기반으로 고객에 맞는 마케팅 전략 정보를 생성하는 서비스를 제공할 수 있다.
상기 고객관리서버(10)는, 하드웨어적으로 통상적인 웹 서버와 동일한 구성을 가지며, 소프트웨어적으로는 Java, Python, JavaScript, Php, C, C++ 등과 같은 다양한 형태의 언어를 통해 구현되어 여러 가지 기능을 하는 프로그램 모듈을 포함할 수 있다. 또한, 일반적인 서버용 하드웨어에 윈도우(window), 리눅스(linux), 유닉스(unix), 매킨토시(macintosi), 안드로이드(Android), 아이오에스(iOS) 등의 운영 체제에 따라 다양하게 제공되고 있는 웹 서버 프로그램을 이용하여 구현될 수 있다.
도 2는 본 발명의 실시예에 따른 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템의 전체 구성을 나타낸 블록도이고, 도 3은 본 발명의 실시예에 따른 운송구간정보 생성부의 구성을 나타낸 블록도이고, 도 4는 본 발명의 실시예에 따른 운송구간정보 생성부의 기능을 설명하기 위해 예시적으로 나타낸 도면이고, 도 5는 본 발명의 실시예에 따른 운송경로모델 생성부의 구성을 나타낸 블록도이고, 도 6은 본 발명의 실시예에 따른 운송경로모델 생성부의 기능을 설명하기 위해 예시적으로 나타낸 도면이고, 도 7은 본 발명의 실시예에 따른 운송경로 노드맵의 예시를 나타낸 도면이고, 도 8은 본 발명의 실시예에 따른 운송최적경로정보 산출부의 구성을 나타낸 블록도이고, 도 9 내지 도 11은 본 발명의 실시예에 따른 운송최적경로정보 산출부의 기능과 결과를 설명하기 위해 예시적으로 나타낸 도면이고, 도 12는 본 발명의 실시예에 따른 운송식별코드 제공부, 어플리케이션부 및 노드정보 갱신부의 기능을 설명하기 위해 예시적으로 나타낸 도면이고, 도 13은 본 발명의 실시예에 따른 해상운임요소 수집부의 구성을 나타낸 블록도이고, 도 14는 본 발명의 실시예에 따른 해상운임지수 예측부의 구성을 나타낸 블록도이고, 도 15는 본 발명의 실시예에 따른 해상운임지수 예측 모델부의 해상운임지수 예측결과 및 예측결과에 대한 오차감소를 설명하기 위해 나타낸 도면이고, 도 16은 본 발명의 실시예에 따른 해상운임비 예측부의 구성을 나타낸 블록도이고, 도 17은 본 발명의 실시예에 따른 해상운임비 예측부의 전체적인 동작 과정을 설명하기 위해 나타낸 도면이고, 도 18은 본 발명의 실시예에 따른 예상운임비 산출부를 통한 예상운임비 산출결과를 나타낸 도면이고, 도 19는 본 발명의 실시예에 따른 해상운임비 대납 처리부의 동작 과정을 설명하기 위해 나타낸 도면이며, 도 20은 본 발명의 실시예에 따른 해상운임비 채권 발행부의 동작 과정을 설명하기 위해 나타낸 도면이고, 도 21은 본 발명의 실시예에 따른 클러스터링 분석부의 구성을 나타낸 블록도이고, 도 22 및 도 23은 본 발명의 실시예에 따른 클러스터링 분석 방법을 설명하기 위해 나타낸 도면이고, 도 24는 본 발명의 실시예에 따른 마케팅 컨텐츠 생성부의 구성을 나타낸 블록도이고, 도 25는 본 발명의 실시예에 따른 마케팅 컨텐츠 생성 및 마케팅 활동 방법을 설명하기 위해 나타낸 도면이고, 도 26은 본 발명의 실시예에 따른 플랫폼고객정보 및 마케팅 전략 컨텐츠의 일례를 나타낸 도면이고, 도 27은 본 발명의 실시예에 따른 마케팅식별코드 관리, 마케팅식별코드 확인 및 운임할인서비스 제공 방법을 설명하기 위해 나타낸 도면이다.
도 2를 참조하면, 본 발명의 실시예에 따른 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템(10)은 운송구간정보 생성부(100), 운송경로모델 생성부(200), 운송최적경로정보 산출부(300), 운송식별코드 제공부(400), 어플리케이션부(500), 노드정보 갱신부(600), 해상운임요소 수집부(700), 해상운임지수 예측부(800), 해상운임비 예측부(900), 해상운임비 대납 처리부(1000), 해상운임비 채권 발행부(1100), 플랫폼고객정보 수집부(1200), 클러스터링 분석부(1300), 마케팅 컨텐츠 생성부(1400), 마케팅 활동부(1500), 마케팅식별코드 관리부(1600), 마케팅식별코드 확인부(1700) 및 운임할인서비스 제공부(1800) 중 적어도 하나를 포함할 수 있다.
상기 운송구간정보 생성부(100)는, 화주로부터 입력된 출발지정보(Ps)와 도착지정보(Pa)를 기반으로 지상과 해상에 따른 다수의 운송구간정보를 생성할 수 있다.
이를 위해 운송구간정보 생성부(100)는, 도 3에 도시된 바와 같이 출발 및 도착지정보 입력부(110) 및 운송구간 분류부(120) 중 적어도 하나를 포함할 수 있다.
상기 출발 및 도착지정보 입력부(110)는 화주로부터 출발지정보와 도착지정보를 입력 받을 수 있다. 좀 더 구체적으로, 출발지정보는 화물출발국가, 지상출발지역, 출발항구, 출발일자/시간정보, 화물상세정보 등을 포함할 수 있고, 도착지정보는 화물도착국가, 도착항구, 지상도착지역, 도착일자정보 등을 포함할 수 있다.
상기 운송구간 분류부(120)는, 출발지정보와 도착지정보를 기반으로 국내지상 운송구간 노드그룹정보, 해상 운송구간 노드그룹정보 및 해외지상 운송구간 노드그룹정보를 각각 생성하여 운송구간을 각각 분류할 수 있다.
좀 더 구체적으로, 운송구간 분류부(120)는, 도 4에 도시된 바와 같이 국내의 지상출발지역정보(Ps) 및 출발항구정보(Pa)를 기반으로 두 지점 간 국내지상운송이 가능한 모든 노드를 추출하여 국내지상 운송구간 노드그룹정보(Rn1)를 생성하고, 출발항구정보 및 도착항구정보를 기반으로 두 지점 간 해상운송이 가능한 모든 노드를 추출하여 해상 운송구간 노드그룹정보(Rn2)를 생성할 수 있으며, 해외의 도착항구정보 및 지상도착지역정보를 기반으로 두 지점 간 해외지상운송이 가능한 모든 노드를 추출하여 해외지상 운송구간 노드그룹정보(Rn3)를 생성함으로써, 국내지상 운송구간, 해외 운송구간, 해외지상 운송구간으로 분류되는 3개의 운송구간을 구성할 수 있다.
예를 들어, 한국의 트럭운송경로에 대한 노드가 약 5000개, 해운운송경로(한국항-배트남항)가 약 36개, 베트남의 트럭운송경로가 약 2400개가 존재하는 경우 총 432,000,000건(5000*36*2400)의 운송구간 노드그룹정보가 생성될 수 있다.
상기 운송경로모델 생성부(200)는, 운송구간정보를 구성하는 다수의 노드정보를 입력 받고, 입력된 각 노드정보를 기반으로 운송경로 노드맵을 생성하고, 최단 경로탐색 알고리즘을 기반으로 운송경로 노드맵에 대한 운송경로모델을 각각 생성할 수 있다.
이를 위해 운송경로모델 생성부(200)는 도 5에 도시된 바와 같이, 국내지상화물 운송경로모델 생성부(210), 해상화물 운송경로모델 생성부(220) 및 해외지상화물 운송경로모델 생성부(230) 중 적어도 하나를 포함할 수 있다.
상기 국내지상화물 운송경로모델 생성부(210)는, 국내지상 운송구간 노드그룹정보를 구성하는 국내지상출발지 및 국내출발항구 간의 각 노드정보를 기반으로 다수의 국내지상 운송경로 노드맵을 생성하고, 생성된 국내지상 운송경로 노드맵을 입력 받고, 최단 경로탐색 알고리즘을 이용한 국내지상화물운송 경로탐색을 통해 다수의 국내지상화물 운송경로모델을 생성할 수 있다.
좀 더 구체적으로, 도 6에 도시된 바와 같이 국내지상 운송구간 노드그룹정보를 구성하는 국내지상출발지(3) 및 국내출발항구(1) 간의 각 노드정보를 기반으로 출발 및 도착 노드에서 경로 생성이 가능한 다수의 국내지상 운송경로 노드맵을 생성할 수 있으며, 생성된 국내지상 운송경로 노드맵은 도 7에 도시된 바와 같은 그래프로 표시될 수 있다. 또한, 국내지상 운송경로 노드맵을 최단 경로탐색 알고리즘 중 하나인 다익스트라 알고리즘(Dijkstra algorithm)에 입력하고, 해당 알고리즘을 기반으로 국내지상화물운송 최단경로탐색을 수행하여 그에 따른 적어도 하나의 국내지상화물 운송경로모델을 생성할 수 있다. 이렇게 생성된 국내지상화물 운송경로모델에는 국내지상출발지(3)의 출발노드에서 국내출발항구(1)의 도착노드까지 최단경로를 포함한 실제운송경로정보가 포함될 수 있다.
상기 해상화물 운송경로모델 생성부(220)는, 해상 운송구간 노드그룹정보를 구성하는 국내출발항구 및 해외도착항구 간의 각 노드정보를 기반으로 다수의 해상 운송경로 노드맵을 생성하고, 생성된 해상 운송경로 노드맵을 입력 받고, 최단 경로탐색 알고리즘을 이용한 해상화물 운송경로탐색을 통해 적어도 하나의 해상화물 운송경로모델을 생성할 수 있다.
좀 더 구체적으로, 도 6에 도시된 바와 같이 해상 운송구간 노드그룹정보를 구성하는 국내출발항구(1) 및 해외도착항구(8) 간의 각 노드정보를 기반으로 출발 및 도착 노드에서 경로 생성이 가능한 다수의 해상 운송경로 노드맵을 생성할 수 있으며, 생성된 해상 운송경로 노드맵은 도 7에 도시된 바와 같은 그래프로 표시될 수 있다. 또한, 해상 운송경로 노드맵을 최단 경로탐색 알고리즘 중 하나인 다익스트라 알고리즘(Dijkstra algorithm)에 입력하고, 해당 알고리즘을 기반으로 해상화물운송 최단경로탐색을 수행하여 그에 따른 적어도 하나의 해상화물 운송경로모델을 생성할 수 있다. 이렇게 생성된 해상화물 운송경로모델에는 국내출발항구(1)의 출발노드에서 해외도착항구(8)의 도착노드까지 최단경로를 포함한 실제운송경로정보가 포함될 수 있다.
상기 해외지상화물 운송경로모델 생성부(230)는, 해외지상 운송구간 노드그룹정보를 구성하는 해외도착항구 및 해외지상도착지 간의 각 노드정보를 기반으로 다수의 해외지상 운송경로 노드맵을 생성하고, 생성된 해외지상 운송경로 노드맵을 입력 받고, 최단 경로탐색 알고리즘을 이용한 해외지상화물 운송경로탐색을 통해 적어도 하나의 해외지상화물 운송경로모델을 생성할 수 있다.
좀 더 구체적으로, 도 6에 도시된 바와 같이 해외지상 운송구간 노드그룹정보를 구성하는 해외도착항구(8) 및 해외지상도착지(11) 간의 각 노드정보를 기반으로 출발 및 도착 노드에서 경로 생성이 가능한 다수의 해외지상 운송경로 노드맵을 생성할 수 있으며, 생성된 해외지상 운송경로 노드맵은 도 7에 도시된 바와 같은 그래프로 표시될 수 있다. 또한, 해외지상 운송경로 노드맵을 최단 경로탐색 알고리즘 중 하나인 다익스트라 알고리즘(Dijkstra algorithm)에 입력하고, 해당 알고리즘을 기반으로 해외지상화물운송 최단경로탐색을 수행하여 그에 따른 적어도 하나의 해상화물 운송경로모델을 생성할 수 있다. 이렇게 생성된 해상화물 운송경로모델에는 해외도착항구(8)의 출발노드에서 해외지상도착지(11)의 도착노드까지 최단경로를 포함한 실제운송경로정보가 포함될 수 있다.
본 실시예에 따른 최단 경로탐색 알고리즘으로서 적용되는 다익스트라 알고리즘(Dijkstra algorithm)은, 출발지점에서 도착지점까지 가장 빠르게 도달할 수 있는 경로를 찾기 위한 알고리즘으로, 특정 노드에서 출발하여 다른 특정 노드로 가는 최단경로를 계산할 때 사용하며, 노드 및 간선과 같은 그래프 자료 구조의 데이터를 산출할 수 있다.
이러한 다익스트라 알고리즘의 동작 과정은 출발 노드를 설정하고, 최단 거리 테이블 내 모든 값을 '무한'으로 초기화하고, 방문하지 않은 노드 중에서 최단 거리 테이블 내 최단 거리에 있는 노드를 선택하고, 선택한 노드를 거쳐 다른 노드로 가는 거리를 각각 계산할 수 있다. 이때, 최단 거리 테이블 내 노드 별 거리가 계산한 값보다 클 경우 계산한 값으로 해당 노드의 거리를 갱신할 수 있으며, 이러한 최단 거리에 있는 노드 선택 과정에서 노드 거리 갱신 과정을 반복하여 출발지점에서 도착지점까지 가장 빠르게 도달할 수 있는 최단거리의 경로를 찾을 수 있다.
본 실시예에서는 일반적인 다익스트라 알고리즘을 적용하는 것이 가능하나, 시간 복잡도 문제(노드 개수의 제곱에 비례)에 대한 한계를 극복하기 위해 우선순위 큐(priority queue) 자료구조에 따른 개선된 다익스트라 알고리즘을 적용할 수도 있다.
상기 운송최적경로정보 산출부(300)는, 운송경로모델을 각각 입력 받고, 최소시간/비용 경로탐색 알고리즘을 기반으로 상기 운송경로모델로부터 상기 운송구간정보에 대한 운송최적경로정보를 각각 산출
이를 위해 운송최적경로정보 산출부(300)는 도 8에 도시된 바와 같이, 국내지상화물 최적경로 탐색부(310), 해상화물 최적경로 탐색부(320), 해외지상화물 최적경로 탐색부(330) 및 추천운송경로 제공부(340) 중 적어도 하나를 포함할 수 있다.
상기 국내지상화물 최적경로 탐색부(310)는, 국내지상출발지 및 국내출발항구에 대한 노드정보를 국내지상화물 운송경로모델에 각각 설정하고, 해당 노드정보가 설정된 국내지상화물 운송경로모델정보 및 휴리스틱 추정 값이 각각 입력된 최소시간/비용 경로탐색 알고리즘을 기반으로 최소이동시간 및 최소비용을 갖는 국내지상화물 최적경로를 탐색할 수 있다.
좀 더 구체적으로, 도 9에 도시된 바와 같이 국내지상출발지(Rns1) 및 국내출발항구(Rne1)에 대한 노드정보를 국내지상화물 운송경로모델에 각각 출발지와 도착지로 각각 설정한 후, 각 노드정보(Rns1, Rne1)이 설정된 국내지상화물 운송경로모델과, 국내지상화물의 비용 및 시간에 대하여 휴리스틱 추정 값을 최소시간/비용 경로탐색 알고리즘 중 하나인 에이스타 알고리즘(A* algorithm)에 입력하고, 해당 알고리즘을 이용하여 국내지상출발지(Rns1)에서 국내출발항구(Rne1)까지 최소비용 및 최소시간을 갖는 국내지상화물경로를 탐색하여 그 탐색결과에 따른 최적경로를 산출할 수 있다.
상기 해상화물 최적경로 탐색부(320)는, 국내출발항구(Rns2) 및 해외도착항구(Rne2)에 대한 노드정보를 해상화물 운송경로모델에 각각 설정하고, 해당 노드정보가 설정된 해상화물 운송경로모델정보 및 각 노드에 대한 휴리스틱 추정 값이 각각 입력된 최소시간/비용 경로탐색 알고리즘을 기반으로 최소이동시간 및 최소비용을 갖는 해상화물 최적경로를 탐색할 수 있다.
좀 더 구체적으로, 도 9에 도시된 바와 같이 국내출발항구(Rns2) 및 해외도착항구(Rne2)에 대한 노드정보를 해상화물 운송경로모델에 각각 출발지와 도착지로 각각 설정한 후, 각 노드정보(Rns2, Rne2)이 설정된 해상화물 운송경로모델과, 해상화물의 비용 및 시간에 대하여 각 노드에 대한 휴리스틱 추정 값을 최소시간/비용 경로탐색 알고리즘 중 하나인 에이스타 알고리즘(A* algorithm)에 입력하고, 해당 알고리즘을 이용하여 국내출발항구(Rns2)에서 해외도착항구(Rne2)까지 최소비용 및 최소시간을 갖는 해상화물경로를 탐색하여 그 탐색결과에 따른 최적경로를 산출할 수 있다.
상기 해외지상화물 최적경로 탐색부(330)는, 해외도착항구(Rns3) 및 해외지상도착지(Rne3)에 대한 노드정보를 해외지상화물 운송경로모델에 각각 설정하고, 해당 노드정보가 설정된 해외지상화물 운송경로모델정보 및 각 노드에 대한 휴리스틱 추정 값이 각각 입력된 최소시간/비용 경로탐색 알고리즘을 기반으로 최소이동시간 및 최소비용을 갖는 해외지상화물 최적경로를 탐색할 수 있다.
좀 더 구체적으로, 도 9에 도시된 바와 같이 해외도착항구(Rns3) 및 해외지상도착지(Rne3)에 대한 노드정보를 해외지상화물 운송경로모델에 각각 출발지와 도착지로 각각 설정한 후, 각 노드정보(Rns3, Rne3)이 설정된 해외지상화물 운송경로모델과, 해외지상화물의 비용 및 시간에 대하여 휴리스틱 추정 값을 최소시간/비용 경로탐색 알고리즘 중 하나인 에이스타 알고리즘(A* algorithm)에 입력하고, 해당 알고리즘을 이용하여 해외지상출발지(Rns3)에서 해외출발항구(Rne3)까지 최소비용 및 최소시간을 갖는 해외지상화물경로를 탐색하여 그 탐색결과에 따른 최적경로를 산출할 수 있다.
본 실시예에 따른 최소시간/비용 경로탐색 알고리즘 중 하나인 에이스타 알고리즘(A* algorithm)은, 연결 노드 간에 F값이 최소인 노드들을 연결하는 경로를 찾기 위한 알고리즘으로, F값은 G+H값으로, 여기서 G값은 시작노드에서 해당 노드까지의 실제 소요 경비 값이고, H는 휴리스틱 추정 값으로 해당 노드에서 최종 목적지까지 도달하는데 소요될 것이라고 추정되는 값을 의미한다.
상기 추천운송경로 제공부(340)는, 도 11에 도시된 바와 같이 국내지상화물 최적경로, 해상화물 최적경로 및 해외지상화물 최적경로에 대한 탐색 결과를 종합하여 적어도 하나의 수출입화물 추천운송경로를 제공할 수 있으며, 최종적으로 하기의 표 1과 같은 형태의 정보로 제공할 수 있다.
상기 운송식별코드 제공부(400)는, 기 등록된 국내화물운송자의 이동통신단말로 국내지상화물 운송식별코드를 전송하고, 기 등록된 해상화물운송자의 이동통신단말로 해상화물 운송식별코드를 전송하고, 기 등록된 해외화물운송자의 이동통신단말로 해외지상화물 운송식별코드를 전송할 수 있다.
본 실시예에 따른 운송식별코드는, 각 화물운송자의 이동통신단말 별 GPS 실시간 위치정보수집을 위한 어플리케이션부(500)를 다운로드 받을 수 있는 URL 정보를 포함할 수 있으며, 각각의 이동통신단말로 스캔 가능한 QR 코드 또는 bar 코드 형태로도 구현될 수 있다.
이러한 운송식별코드 제공부(400)는, 도 12에 도시된 바와 같이 기 등록된 국내화물운송자의 이동통신단말로 국내지상화물 운송식별코드를 메시지 형태로 전송하면, 국내화물운송자가 해당 메시지에서 운송식별코드를 선택하여 국내지상화물운송을 모니터링 하기 위한 어플리케이션부(500)를 이동통신단말로 다운로드 시킬 수 있고, 기 등록된 해상화물운송자의 이동통신단말로 해상화물 운송식별코드를 메시지 형태로 전송하면, 해상화물운송자가 해당 메시지에서 운송식별코드를 선택하여 해상화물 운송을 모니터링 하기 위한 어플리케이션부(500)를 이동통신단말로 다운로드 시킬 수 있으며, 기 등록된 해외화물운송자의 이동통신단말로 해외지상화물 운송식별코드를 메시지 형태로 전송하면, 해외지상화물운송자가 해당 메시지에서 운송식별코드를 선택하여 해당 해외지상화물운송을 모니터링 하기 위한 어플리케이션부(500)를 이동통신단말로 다운로드 시킬 수 있다.
상기 어플리케이션부(500)는, 운송식별코드를 각각 이용하여 각 화물운송자의 이동통신단말에 설치되고, 국내지상화물 최적경로, 해상화물 최적경로 및 해외지상화물 최적경로 별로 실제화물운송 시 각 화물운송자의 이동통신단말을 이용하여 각 최적경로 별 GPS 화물운송위치추적 및 상기 GPS 화물운송위치추적에 따른 각 노드 간 실제소요시간정보를 산출할 수 있다.
상기 어플리케이션부(500)는, 국내화물운송자의 이동통신단말에서 운송시작메시지를 수신하면 국내지상 운송구간에 대한 세션이 실행될 수 있다. 여기서, 세션은 국내운송구간의 시작시점에서 자동 실행하여 해당 운송구간이 종료되는 지점 또는 시점 즉 해상운송구간이 시작되는 시점 또는 지점에서 만료될 수 있으며, 이는 시작지점과 도착지점 별 등록된 GPS 위치정보에 따라 확인 가능하다. 이때, 각 세션이 유효한 구간에서는 국내화물운송자의 이동통신단말의 GPS 실시간 위치정보와 각 위치정보가 측정된 시간정보가 각각 수집될 수 있다.
또한, 어플리케이션부(500)는, 해상화물운송자의 이동통신단말에서 운송시작메시지를 수신하면 해상운송구간에 대한 세션이 실행될 수 있다. 여기서, 세션은 해상운송구간의 시작시점에서 자동 실행하여 해당 운송구간이 종료되는 지점 또는 시적 즉, 해외지상 운송구간이 시작되는 시점 또는 지점에서 만료될 수 있으며, 이는 시작지점과 도착지점 별 등록된 GPS 위치정보에 따라 확인 가능하다. 이때, 각 세션이 유효한 구간에서는 해상화물운송자의 이동통신단말의 GPS 실시간 위치정보와 각 위치정보가 측정된 시간정보가 각각 수집될 수 있다.
또한, 어플리케이션부(500)는, 해외화물운송자의 이동통신단말에서 운송시작메시지를 수신하면 해외지상 운송구간에 대한 세션이 실행될 수 있다. 여기서, 세션은 해외운송구간의 시작시점에서 자동 실행하여 해당 운송구간이 종료되는 지점 또는 시점에서 만료될 수 있으며, 이는 시작지점과 도착지점 별 등록된 GPS 위치정보에 따라 확인 가능하다. 이때, 각 세션이 유효한 구간에서는 국내화물운송자의 이동통신단말의 GPS 실시간 위치정보와 각 위치정보가 측정된 시간정보가 각각 수집될 수 있다.
상기 어플리케이션부(500)는, 각 최적경로 별 GPS 화물운송위치추적 및 상기 GPS 화물운송위치추적에 따른 각 노드 간 실제소요시간정보를 산출할 수 있으며, 각각의 이동통신단말에서 해당 세션이 만료되면 해당 이동통신단말에서 자동 삭제될 수 있어, 화물 건, 운송구간 또는 화물운송자 별로 일회성으로 사용될 수 있다.
상기 노드정보 갱신부(600)는, 최단 경로탐색 알고리즘을 통해 생성되는 운송경로모델에서의 노드 간 소요시간정보를 어플리케이션부(500)에서 산출된 실제소요시간정보에 따라 갱신할 수 있다. 즉, 에이스타 알고리즘에서 최소시간/비용 경로를 탐색하기 위한 운송경로모델에서 제공하는 노드 간 소요시간 및 비용에 대한 기본정보를 실제 운행기록에 근거하여 미리 설정된 오차 이상인 경우 새로운 데이터로 갱신하여 에이스타 알고리즘을 통한 최적경로탐색에 대한 정확도를 향상시킬 수 있다.
상기 해상운임요소 수집부(700)는, 미리 설정된 과거범위에서 해상운임산출에 영향을 미치는 해상운임요소 데이터를 수집할 수 있다.
이를 위해 해상운임요소 수집부(700)는 도 13에 도시된 바와 같이, 항로해상운임 집계부(710), 해상운임지수 수집부(720) 및 데이터 정규화 수행부(730) 중 적어도 하나를 포함할 수 있다.
상기 항로해상운임 집계부(710)는 선박항로 별 해상운임 데이터를 집계를 집계할 수 있다.
선박항로는, 통상적으로 바다를 통로로 하여 정기적으로 선박이 지나다니는 길을 의미하는 것으로, 구체적으로는 선박에 의하여 사람 및 재화를 이전시키는 길로 적하가 가장 많은 지점 간을 연결하는 최단 거리가 가장 가까운 통로를 의미한다.
이러한 항로해상운임 집계부(710)는 한국관세물류협회 등이 운영하는 관세 물류 서버(5)와 연동하여 각 국가의 항로 별 해상운임에 관한 데이터를 집계할 수 있다.
상기 해상운임지수 수집부(720)는, 온라인을 통해 공개된 해상운임지수 데이터를 수집할 수 있다. 이러한 해상운임지수 수집부(720)는, 다양한 관계 기관 서버(6)와 연동하여 데이터 마이닝을 통해 국제유가지수, SCFI(Shanghai Containerized Freight Index) 지수, HRCI(Howe Robinson Container Index) 지수 및 DXY(dollar index) 지수 중 적어도 하나를 포함하는 해상운임지수 데이터를 각각 수집(ex. 2011년~2021년 까지 10년 이상의 데이터를 수집)할 수 있다.
상기 국제유가지수(벙커C유)는, 컨테이너 선의 원료가격으로 해당 지수의 등락이 운임에 영향을 주는 요소로서, 한국석유공사 등의 관계 기관 서버(6)로부터 수집될 수 있다. 상기 SCFI(Shanghai Containerized Freight Index) 지수는, 상하이항 컨테이너 운송항로(15항로)의 운임 평균을 의미하고, 'Shanghai Shipping Exchange' 등의 관계 기관 서버(6)로부터 수집될 수 있다. 상기 HRCI(Howe Robinson Container Index) 지수는, 컨테이너선박을 하루 용선하는데 소요되는 비용에 대한 지표로서, 'Howe Robinsons Partners' 등의 관계 기관 서버(6)로부터 수집될 수 있다. 상기 DXY(dollar index) 지수는, 세계 주요 6개국 통화 대비 미국 달러의 평균적인 가치 지표로서, 'US Dollar Index(USDX)' 등의 관계 기관 서버(6)로부터 수집될 수 있다. 상기 데이터 정규화 수행부(730)는, 선박항로 별 해상운임 데이터 및 해상운임지수 데이터를 미리 구축된 신경망 모델의 입력변수로 활용하기 위한 데이터 정규화(또는 데이터 가공)를 수행할 수 있다.
상기 해상운임지수 예측부(800)는, 적어도 하나 이상의 해상운임지수에 대한 시계열 특성을 파악하고, 파악된 시계열 특성을 데이터 셋으로 구성하여 미리 구축된 신경망 모델을 학습시키고, 현재 해상운임산출에 영향을 미치는 해상운임요소 데이터를 신경망 모델에 입력하여 해상운임예측지수를 산출할 수 있다.
이를 위해 해상운임지수 예측부(800)는 도 14에 도시된 바와 같이, 시계열 특성 파악부(810), 신경망 모델 학습부(820) 및 해상운임지수 예측 모델부(830) 중 적어도 하나를 포함할 수 있다.
상기 시계열 특성 파악부(810)는, 해상운임요소 데이터에 대한 시계열 분해(time series decomposition)를 통해 해상운임요소의 추세(trend), 순환(cycle), 계절(seasonality) 및 불규칙(irregular) 요인을 각각 분석하여 시계열 특성을 파악할 수 있다.
상기 시계열 분해(time series decomposition)는, 관측치가 시간의 흐름에 따라 나열되어 있는 시계열 데이터(time series data)의 특성을 활용하여 추세를 파악하거나, 패턴을 파악하여 원인 분석 및 예측에 사용하는 분석 방법이다. 이러한 시계열 데이터는 추세(trend), 순환(cycle), 계절(seasonality), 불규칙(irregular) 요인으로 구성될 수 있는데, 여기서 추세는 시간의 경과에 따른 데이터의 방향성을 의미하고, 순환과 계절은 데이터가 반복적으로 보이는 패턴을 의미하나, 계절은 1년을 기준으로 주, 월, 분기단위로 반복되는 패턴을 의미하고 순환은 1년 이상의 장기간 동안 간격을 두고 보이는 데이터의 변화 패턴을 의미한다. 그리고, 불규칙이란 추세, 순환, 계절로는 설명되지 않는 규칙성이 발견되지 않는 요인으로, 본 실시예에서는 상기한 시계열 데이터인 운임의 구성요인을 분해(decomposition)하여 신경망 모델의 학습과정에서 입력변수로 활용될 수 있다.
상기 신경망 모델 학습부(820)는, 시계열 특성 파악부(810)를 통해 분석된 시계열 특성을 미리 구축된 LSTM(Long Short Term Memory) 신경망 모델의 입력변수로 이용하여 LSTM 신경망 모델을 학습(또는 훈련)시킴으로써 운임지수 예측모델을 구조화할 수 있다.
일반적으로, LSTM 신경망은 체인구조를 가지고 있으며, 체인구조를 구성하는 각 모듈은 다른 구조를 가진 순환 신경망 중 하나이다. RNN(Recurrent neural network)은 설계 구조상 이전 정보에 대한 기억만을 활용해 ht-1 이전의 정보가 현재에 영향을 미치는 중요한 정보를 포함한다 하더라도 활용할 수 없는 문제가 발생한다. 이를 장기의존성(long-term dependency)라고 하며, 이러한 구조적 결함을 보완하기 위해 LSTM은 셀 스테이트(Cell State)라는 개념을 도입해 직전 정보뿐만 아니라, ht-1 이전의 장기간 정보를 활용하여 예측에 활용할 수 있도록 설계해 RNN의 장기의존성 문제를 해결할 수 있다.
이러한 LSTM은 셀이라는 구조를 가지고 있으며, 셀은 망각 게이트(forget gate), 입력 게이트(input gate)와 출력 게이트(output)로 구성되는데, 각 게이트를 통해 이전 단계의 정보를 저장하여 셀(cell)의 형태로 흘려 보낸다는 특징이 있다. 즉, 이러한 과정을 통해 불필요한 정보에 부여하는 가중치의 크기를 조정하는 것이다. 기존의 RNN이 이전 시점 t-1의 은닉층 값과 현재 t의 입력층 값에 가중치를 곱한 결과를 합하여 활성화 함수 중 하나인 하이퍼볼릭 탄젠트(hyperbolic tangent) 함수에 적용하여 출력 값을 계산하는 과정을 반복했다면, 본 실시예에 따른 LSTM은 셀이라는 개념을 도입해 단계 별로 연산 과정을 수행함으로써 RNN의 장기의존성 문제를 해결할 수 있다.
이와 같이, 본 실시예에 따른 신경망으로는 LSTM을 포함한 기계학습 모델 예를 들어, RNN, Linear Model, Random forest, XGBoost 등을 포함할 수 있다.
상기 해상운임지수 예측 모델부(830)는, 상기와 같이 구축된 신경망 모델에 해상운임요소 데이터를 입력 즉 입력변수로 적용하여 현재시점으로부터 미리 설정된 미래시점(대략 6개월 후)까지의 항로 별 해상운임예측지수를 산출할 수 있다. 여기서, 신경망 모델의 입력변수로 적용되는 해상운임요소 데이터는 화주가 무역거래를 원하는 미래의 시점에서 해상운임에 영향을 줄 수 있는 데이터를 의미한다. 좀 더 구체적으로는 화주로부터 입력된 항로정보 즉 화물운송구간(출입항, 도착항) 및 컨테이너 타입에 대한 정보를 포함하며, 이러한 해상운임요소 데이터는 해상운임요소 수집부(700)의 데이터베이스로부터 수집될 수 있다.
또한, 해상운임지수 예측 모델부(830)는, 신경망 모델을 훈련하는 과정에서 도 15에 도시된 바와 같이 원 데이터(실제 해상운임지수)와 예측데이터(해상운임예측지수)의 오차를 비교하고, 해상운임요소 데이터(실제 해상운임지수)로부터 사용자(프로그램 관리자)에 의해 선택된 검증데이터를 활용한 하이퍼파라미터(hyperparameter)의 성능 최적화 과정을 수행하여 해상운임예측지수의 예측 오차를 감소시킬 수 있다.
여기서, 사용자에 의해 선택된 검증데이터는 프로그램 관리자가 원 데이터(실제 해상운임지수)에서 검증용으로 사용할 데이터로서 선택된 것을 의미한다. 하이퍼파라미터는 머신러닝에서 최적의 훈련 모델을 구현하기 위해 모델에 설정하는 변수로, 학습율(learning), 에포크 수(훈련 반복 횟수), 가중치 초기화 등을 결정할 수 있다. 또한, 하이퍼파라미터 튜닝 기법을 적용하여 훈련 모델의 최적 값을 찾을 수 있다.
상기 해상운임비 예측부(900)는, 해상운임예측지수와 실제과거 해상운임데이터에 대한 상관관계를 분석하고, 분석된 상관관계를 기초로 항로 별 예상운임비를 산출하여 미래운임을 예측할 수 있으며, 이때 항로는 운송최적경로정보 산출부(300)를 통해 산출된 운송최적경로정보에 포함된 해상 경로를 포함할 수 있다.
이를 위해 해상운임비 예측부(900)는 도 16에 도시된 바와 같이, 다중선형회귀 분석부(910) 및 예상운임비 산출부(920) 중 적어도 하나를 포함할 수 있다.
상기 다중선형회귀 분석부(910)는, 해상운임예측지수와 실제과거 해상운임데이터를 미리 구축된 다중선형회귀 모델의 분석대상으로 입력하여 해상운임예측지수의 변동에 따른 실제과거 해상운임데이터의 변동율 간의 상관관계모형을 생성할 수 있다.
상기 다중선형회귀 모델은 독립변수가 두 개 이상인 경우에 쓰는 선형회귀분석 솔루션으로, 해상운임예측지수와 실제과거 해상운임데이터를 독립변수로 두고 해상운임예측지수라는 하나의 독립변수가 변화함에 따라 실제과거 해상운임데이터(운임지수)의 변동율이 어떻게 변화하는지에 대한 상관관계모형을 만들 수 있다.
예를 들어, 실제과거 해상운임데이터 중 국제유가지수(벙커C유)는 컨테이너선의 원료가격으로 해당 지수의 등락이 운임에 영향을 주는 지표로서 유가가 상승하면 해상운임도 상승한다는 해상운임지수와의 상관관계를 가지며, 해당 상관관계에 관한 모형을 만들어 국제유가지수의 변동에 따른 해양운임지수의 변동율에 대한 데이터를 산출할 수 있다.
또한, 실제과거 해상운임데이터 중 SCFI(Shanghai Containerized Freight Index) 지수는 상하이항 컨테이너 운송항로(15항로)의 운임 평균을 의미하는 지표로서 SCFI지수가 상승하면 해상운임도 상승한다는 해상운임지수와의 상관관계를 가지며, 해당 상관관계에 관한 모형을 만들어 SCFI 지수의 변동에 따른 해양운임지수의 변동율에 대한 데이터를 산출할 수 있다.
또한, 실제과거 해상운임데이터 중 HRCI(Howe Robinson Container Index) 지수는 컨테이너선박을 하루 용선하는데 소요되는 비용에 대한 지표로서 HRCI지수와 SCFI지수가 비슷하게 움직인다는 해상운임지수와의 상관관계를 가지며, 해당 상관관계에 관한 모형을 만들어 HRCI 지수의 변동에 따른 해양운임지수의 변동율에 대한 데이터를 산출할 수 있다.
또한, 실제과거 해상운임데이터 중 DXY(dollar index) 지수는 세계 주요 6개국 통화 대비 미국 달러의 평균적인 가치 지표로서 DXY지수가 상승하면 유가가 하락한다는 해상운임지수와의 상관관계를 가지며, 해당 상관관계에 관한 모형을 만들어 DXY 지수의 변동에 따른 해양운임지수의 변동율에 대한 데이터를 산출할 수 있다.
상기 예상운임비 산출부(920)는, 화주로부터 화물운송구간 및 컨테이너 타입을 포함하는 항로정보를 입력 받고, 해상운임요소 수집부(700)를 통해 수집된 해상운임요소 데이터 중 해당 항로정보를 포함한 해상운임요소 데이터에 따라서 생성된 상관관계모형을 바탕으로 현재시점으로부터 미리 설정된 미래시점까지의 예상운임비를 산출할 수 있으며, 부가적으로 운송최적경로정보 산출부(300)를 통해 산출된 운송최적경로정보에 포함된 해상 경로에 해당하는 항로에 대한 예상운임비를 산출할 수 있다. 즉, 최적의 해상경로에 대한 미래 예상운임비를 산출하여 그에 따른 정보를 부가 서비스로서 제공할 수 있다.
예를 들어 도 17에 도시된 바와 같이, 해상운임지수 A와 실제과거 해상운임데이터 B를 분석대상(또는 독립변수)로 하는 다중선형회귀 분석을 통하여 A와 B 간의 상관관계 즉, 운임지수 변동에 따른 실제운임 변동율에 관한 데이터를 시각화하여 제공할 수 있으며, 이러한 분석결과를 바탕으로 화주가 원하는 미래 시점(ex. 현시점에서부터 2개월 후의 시점)에서의 해상운임비(ex. $1,300)를 예측하여 제공할 수 있다.
좀 더 구체적으로, 본 실시예에 따른 다중선형회귀 모델은 도 8에 도시된 바와 같이, 화주가 입력한 항로정보(출발항-'부산항', 도착항-'하이퐁', 컨테이너 타입-'40피트 컨테이너')에 따라 최대 6개월 후의 해상운임비를 예상할 수 있고, 이러한 예측결과를 월 단위로 제공할 수 있으며, 예측결과 중 운임비가 가장 저렴한 미래시점(ex. 현시점 기준 3개월 후 $1,100)에 대한 결과를 추천할 수도 있다.
상기 해상운임비 대납 처리부(1000)는, 해상운임비 예측부(900)를 통해 산출된 예상운임비를 화주로부터 선 입금 받고, 예측시점 도래 시, 선 입금된 예상운임비와 실제 해상운임비를 비교하여 예상운임비가 실제 해상운임비를 초과한 경우 해당 초과금액을 예치하되 미리 설정된 제1 요율을 적용하여 누적 예치하고, 이후 동일 화주로부터 해상운임비의 대납 처리를 위한 선 입금 시 해상운임비 예측부(900)를 통해 산출된 예상운임비에서 누적 예치금액만큼 차감한 금액을 선 입금 받고, 누적 예치금액과 누적 예치금액만큼 차감된 예상운임비를 해당 화주의 해상운임비로 대납 처리할 수 있다.
도 19를 참조하여 좀 더 구체적으로 설명 하면, 화주에게 알려 준 예상운임비 A($1,000)(①)로 무역거래1을 진행하고자 할 때, 해당 예상운임비 A($1,000)를 화주로부터 선 입금 받고(②), 예측시점 도래 시(③) 예상운임비 A($1,000)와 실제 해상운임비 B($800)를 비교하여 예상운임비가 실제 해상운임비 B($800)를 초과한 경우 해당 초과금액 C($200)을 예치(④)한 후, 해당 무역거래계약에 따른 운임비 대납 처리를 수행할 수 있다(⑤). 이때, 미리 설정된 제1 요율(R1)을 적용하여 누적 예치할 수 있으며(⑥), 제1 요율(R1)은 이율의 개념으로서 예를 들어 25%의 요율이 적용된 경우 누적 예치금액 D는 대략 $250가 될 수 있다.
이후 동일 화주가 다른 무역거래계약을 진행하고자 할 때, 해당 화주에게 예상운임비 정보 A'($1,200)와 함께 실제 선 입금해야 할 금액 K'($950) 및 누적 예치금액 D($250)에 대한 정보를 제공할 수 있다(⑧). 이때, 예상운임비 A'($1,200)를 그대로 받는 것이 아니라, 해당 정보 제공 이전에 예상운임비 A'($1,200)에서 누적 예치금액 D($250)만큼 차감한 금액 K'($950)이 있는지를 확인한 후(⑦) 남는 금액이 존재하는 경우 해당 금액 K'($950)을 선 입금 받을 수 있도록 안내할 수 있다(⑨). 이후, 무역거래 2에 대한 예측시점이 도래되면(⑨), 누적 예치금액 D($250)과 선 입금된 예상운임비 K'($950)로 대납 처리할 수 있으며(⑪), 이때 무역거래2의 실제 해상운임비 B'($1,100)이므로, 남은 금액 C($50)이 발생(⑫)되므로, 해당 금액 C($50) 또한 제1 요율에 따라 누적예치금액 D($62.5)를 예치할 수 있다(⑬). 본 실시예에서 누적예치금액 D($62.5)은 이해를 돕기 위해 1개월 기준으로 설정한 값을 설명한 것이며, 예치 기간과 제1 요율에 따라 상이할 수 있다.
상기 해상운임비 채권 발행부(1100)는, 해상운임비 예측부(900)를 통해 산출된 예상운임비를 화주로부터 선 입금 받아 해당 화주의 해상운임비로 대납 처리하고, 예측시점 도래 시 실제 해상운임비와 비교하여 해당 예상운임비가 실제 해상운임비 미만인 경우, 화주의 선택에 따라 해당 차액만큼을 대출 처리하여 해상운임비를 대납 처리하고, 해당 차액에 미리 설정된 제2 요율을 적용하여 해당 화주에 대한 채권을 발행할 수 있다.
도 20을 참조하여 좀 더 구체적으로 설명 하면, 화주에게 알려 준 예상운임비 A($1,000)(①)로 무역거래를 진행하고자 할 때, 해당 예상운임비 A($1,000)를 화주로부터 선 입금 받고(②), 예측시점 도래 시 예상운임비 A($1,000)와 실제 해상운임비 B($1,200)를 비교하여 해당 예상운임비 A($1,000)가 실제 해상운임비 B($1,200) 미만인 경우 그에 따른 차액 C(-$200)이 발생되고, 화주의 선택(대출신청)에 따라 해당 차액 C(-$200)만큼을 대출 처리하여 해상운임비를 대납 처리하며, 해당 차액 C(-$200)에 미리 설정된 제2 요율(R2, ex 25%)을 적용하여 해당 화주에 대한 채권을 발행할 수 있다(⑤). 이러한 제2 요율(R2)에 따라 차액 C($200)은 누적대출금액 D(-$250)으로 예치될 수 있다. 본 실시예에서 누적대출액 D(-$250)은 이해를 돕기 위해 1개월 기준으로 설정한 값을 설명한 것이며, 대출 기간과 제2 요율에 따라 상이할 수 있다.
상기 플랫폼고객정보 수집부(1200)는, 수출입화물서비스 플랫폼 서버(20)의 데이터베이스로부터 고객 별 플랫폼등록정보 및 플랫폼사용정보 중 적어도 하나를 포함한 플랫폼고객정보를 주기적으로 수집할 수 있다. 본 실시예에서 플랫폼등록정보는 수출입화물서비스를 이용하기 위해 고객이 플랫폼에 등록한 고객등록정보를 포함할 수 있으며, 예를 들어 해당 플랫폼의 가입일, 고객의 지역, 고객이 취급하는 상품종류 등을 포함할 수 있다. 플랫폼사용정보는 수출입화물서비스 플랫폼의 로그정보 및 견적정보를 포함할 수 있으며, 예를 들어 견적정보에는 수출입 국가구간, 운임비, 가격만족도 등을 포함할 수 있고, 로그정보에는 플랫폼 방문 횟수, 누적 견적액 등을 포함할 수 있다.
상기 클러스터링 분석부(1300)는, 고객별특성 및 플랫폼사용패턴에 따른 1차 클러스터링 분석을 수행하여 플랫폼고객정보를 다수의 고객유형 세그먼트로 분류하고, 고객유형 세그먼트 별 설문조사 응답정보를 기반으로 고객유형 세그먼트에 대한 2차 클러스터링 분석을 수행하여 다수의 계층유형그룹을 생성할 수 있다.
이를 위해 클러스터링 분석부(1300)는 도 21에 도시된 바와 같이, 데이터 전처리 수행부(1310), 고객유형 세그먼트 분류부(1320), 설문조사정보 생성부(1330), 설문조사 수행부(1340) 및 계층유형그룹 생성부(1350) 중 적어도 하나를 포함할 수 있다.
상기 데이터 전처리 수행부(1310)는, 플랫폼고객정보에 대한 데이터 정규화(MinMaxScaler)를 통한 전처리를 수행할 수 있다. 즉, 도 22에 도시된 바와 같이 가입일, 고객의 지역, 고객이 취급하는 상품종류 등을 포함하는 고객등록정보, 플랫폼 방문 횟수, 누적 견적액 등을 포함하는 로그정보, 및 수출입 국가구간, 운임비, 가격만족도 등을 포함하는 견적정보 등은 각기 상이한 데이터 값을 갖는 정보로서, 이러한 각각의 데이터 값(음수도 예외 없음)을 '0~1' 사이의 값으로 변환함으로써 후속 처리가 수월하도록 해당 정보에 대한 데이터 전처리를 수행할 수 있다.
상기 고객유형 세그먼트 분류부(1320)는, 미리 구축된 K평균 군집화(K-means Clustering) 분석모델을 이용하여 플랫폼고객정보를 고객별특성 및 플랫폼사용패턴에 따른 다수의 고객유형 세그먼트로 분류할 수 있다.
좀 더 구체적으로 설명하면, 정규화된 고객등록데이터, 로그데이터, 견적데이터 등을 고객의 특성과 플랫폼의 사용패턴에 따라서 각각의 고객들을 다수의 유형 세그먼트로 분류 또는 군집화할 수 있다. 이때, 세그먼트 분류 또는 군집화를 위해 K평균 군집화(K-means Clustering) 분석모델을 이용하는데, K평균 군집화에서 "K"는 주어진 데이터로부터 그룹화 할 그룹, 즉 클러스터의 수를 의미하고, "Means"은 각 클러스터의 중심과 데이터들의 평균 거리를 의미한다. 이러한 K평균 군집화 과정은 정규화된 플랫폼고객정보에 관한 데이터 셋에서 K 개의 도심(centroid)을 임의로 지정하고, 각 데이터들을 가장 가까운 도심이 속한 그룹에 할당한 후, 해당 과정에서 할당된 결과를 바탕으로 새로운 도심을 지정하며, 이러한 과정을 반복 수행하여 더 이상 도심이 변하지 않을 때까지 반복함으로써, 도 22에 도시된 바와 같이 플랫폼고객정보가 각각의 도심을 중심으로 형성되는 다수의 유형 세그먼트들(Type 1, 2, 3, 4)로 분류될 수 있으며, 이러한 클러스터링을 통해 고객별특성 및 플랫폼사용패턴이 대략적으로 파악될 수 있다.
상기 설문조사정보 생성부(1330)는, 미리 구축된 컨조인트(Conjoint) 분석모델을 이용하여 고객이 선호하는 수출입화물서비스들에 대한 유사성을 파악하기 위한 설문조사정보를 생성할 수 있다. 컨조인트 분석은 수출입화물서비스가 갖고 있는 각각의 속성에 고객이 부여하는 가치(효용)와 그에 따른 선호도를 추정함으로써, 각각 고객이 어떤 서비스를 선호 또는 선택할지를 예측하고, 특정 서비스를 선호하는 고객 사이의 유사성을 파악할 수 있는 다양한 설문항목들을 생성하여 설문조사정보를 구성할 수 있다.
상기 설문조사 수행부(1340)는, 계층유형그룹 별로 각각의 고객들을 대상으로 설문조사정보를 제공하고, 그에 따른 설문조사를 수행하여 각 고객들로부터 설문응답정보를 수신할 수 있다. 설문조사정보는 화주/고객 통신단말(1)로 제공되고, 설문조사는 화주/고객 통신단말(1)에 설치된 전용 어플리케이션 또는 웹 브라우저를 통해 진행될 수 있으며, 설문조사완료 시 해당 응답정보는 계층유형그룹 별로 수집 및 취합될 수 있다.
상기 계층유형그룹 생성부(1350)는, 미리 구축된 계층적 군집화(Hierarchical clustering) 분석모델을 이용하여 설문응답정보의 유형 별로 고객유형 세그먼트를 트리 형태의 하위계층으로 순차 분류하여 다수의 계층유형그룹을 생성할 수 있다.
좀 더 구체적으로, 계층적 군집화 분석모델은 유사한 관측치끼리 묶어나가는 알고리즘으로, 필요한 정밀도가 얻어지는 수준의 군집 수 K까지 순차적으로 분류를 이어나갈 수 있으며, 이러한 과정에서 덴드로그램(Dendrogram)이라는 트리 구조의 계층적 군집 결과를 시각적으로 얻을 수 있다.
예를 들어, 도 23에 도시된 바와 같이 군집화된 다수의 고객유형 세그먼트의 각 고객을 설문조사응답의 유형(A, B, C, D) 별 하위계층으로 계층 구조를 생성할 수 있으며, 미리 설정된 군집 수 K에 이를 때까지 계층적 군집화 프로세스를 진행할 수 있다. 여기서, 유형 A는 '베트남 수입', 유형 B는 '미국 수출'이라는 국가 유형을 포함할 수 있고, 유형 C는 '화장품 운송', 유형 D는 '참깨 운송'이라는 품목 유형을 포함할 수 있으며, 이는 설문조사응답에 대한 일례일 뿐 본 실시예에서는 이러한 내용만을 설문조사응답유형으로 한정하지는 않는다.
상기 마케팅 컨텐츠 생성부(1400)는, 계층유형그룹 별로 매칭되는 수출입화물서비스에 대한 마케팅 전략 컨텐츠를 생성할 수 있다.
이를 위해 마케팅 컨텐츠 생성부(1400)는 도 24에 도시된 바와 같이, 수출입화물서비스정보 추출부(1410) 및 마케팅 전략 컨텐츠 결정부(1420) 중 적어도 하나를 포함할 수 있다.
상기 수출입화물서비스정보 추출부(1410)는, 현재 제공 가능한 수출입화물서비스정보와 계층유형그룹의 설문응답정보를 비교하여 설문응답정보와 매칭되는 수출입화물서비스정보를 추출할 수 있다. 즉, 계층유형그룹의 설문응답정보를 구성하는 핵심키워드(또는 대표키워드)와 수출입화물서비스정보를 구성하는 핵심키워드(또는 대표키워드) 간을 비교하고, 일치하는 키워드 간을 연결하여 설문응답정보와 수출입화물서비스정보를 매칭하고, 매칭된 수출입화물서비스정보의 내용을 추출할 수 있다.
본 실시예에서 수출입화물서비스정보는 수출입화물서비스 플랫폼을 통해 현재 제공할 수 있는 서비스에 관한 정보로, 예를 들어, 계절 별, 월 별, 국가 별 향후 예상운임정보 예측 서비스와, 수출입화물 운송 경로 최적화 서비스 등을 포함할 수 있다.
상기 향후 예상운임정보 예측 서비스는, 해외운송비용과 관련된 데이터를 가공하고, 딥러닝 기술을 활용해 등락 추세를 분석하여 현재시점에서 향후 해외운송비에 대한 상승과 하락을 예측해주는 서비스일 수 있다.
상기 수출입화물 운송 경로 최적화 서비스는, 고객의 수출입 국가(출발지, 도착지 정보 포함)에 기초하여 운송 가능한 경로 맵을 생성하고, 생성된 운송 경로 맵을 기반으로 다양한 경로탐색 알고리즘을 실행하여 최소 운송 비용 및 시간에 따른 최적의 수출입화물 운송경로 탐색하여 그 결과를 제공해주는 서비스일 수 있다.
상기 마케팅 전략 컨텐츠 결정부(1420)는, 미리 구축된 딥러닝 모델을 통해 계층유형그룹에 각각 구성되는 적어도 하나의 공통속성정보와, 추출된 수출입화물서비스정보를 조합하여 계층유형그룹 별로 마케팅 전략 컨텐츠를 결정할 수 있다.
예를 들어, 도 26에 도시된 바와 같이, 계층유형그룹 A의 공통속성정보 중 '계절'에 대한 속성정보에는 '여름에 냉방기 수출'이라는 내용이 있고, 이와 매칭되는 수출입화물서비스정보에는 '여름철 예상운임제공서비스'라는 항목이 있는 경우, 딥러닝 모델을 통해 이들의 내용을 조합하여 '여름이 오기 전 경쟁력 있는 운임과 향후 예상운임을 보냄'이라는 내용의 추천 마케팅 전략을 결정 또는 생성할 수 있다.
또한, 도 26에 도시된 바와 같이, 계층유형그룹 B의 공통속성정보 중 '화물 타입'에 대한 속성정보에는 '냉장 컨테이너'이라는 내용과, '계절'에 대한 속성정보에는 '여름'이라는 내용이 있고, 이와 매칭되는 수출입화물서비스정보에는 '여름철 냉장 컨테이너 운임제공서비스'라는 항목이 있는 경우, 딥러닝 모델을 통해 이들의 내용을 조합하여 '여름에 냉장 컨테이너 운임을 메일로 발송'이라는 내용의 추천 마케팅 전략을 결정 또는 생성할 수 있다.
또한, 도 26에 도시된 바와 같이, 계층유형그룹 C의 공통속성정보 중 '화물 타입'에 대한 속성정보에는 '수량 LCL 화물'이라는 내용이 있고, '계절'에 대한 속성정보는 무관할 경우 이와 매칭되는 수출입화물서비스정보에는 '지역 별 최저운임제공서비스'라는 항목이 있는 경우, 딥러닝 모델을 통해 이들의 내용을 조합하여 '해당 지역의 경쟁력 있는 운임을 매월 발송'이라는 내용의 추천 마케팅 전략을 결정 또는 생성할 수 있다.
또한, 도 26에 도시된 바와 같이, 계층유형그룹 D의 공통속성정보 중 '계절'에 대한 속성정보에는 '봄, 가을 수출'이라는 내용이 있고, '품목'에 대한 속성정보에는 '화학제품'이라는 내용이 있고, 이와 매칭되는 수출입화물서비스정보에는 '봄, 가을 시즌 화학물질 통관정보 및 예상운임제공서비스'라는 항목이 있는 경우, 딥러닝 모델을 통해 이들의 내용을 조합하여 '봄, 가을에 걸쳐 현지 화학물질 통관정보와 예상운임을 보냄'이라는 내용의 추천 마케팅 전략을 결정 또는 생성할 수 있다.
상기 마케팅 활동부(1500)는, 마케팅 전략 컨텐츠에 따른 마케팅 메시지를 생성하여 계층유형그룹 별 고객으로 전달할 수 있다.
예를 들어, 계층유형그룹 A에 속한 고객들을 대상으로 "여름 시즌 최저운임정보와 예상운임정보 서비스"라는 내용 또는 해당 내용에 관한 실질적인 정보나 데이터를 마케팅 메시지를 통해 제공할 수 있다.
또한, 계층그룹유형 B에 속한 고객들을 대상으로 "여름에 냉장 컨테이너 운임정보 안내서비스"라는 내용 또는 해당 내용에 관한 실질적인 정보나 데이터를 마케팅 메시지를 통해 제공할 수 있다.
또한, 계층그룹유형 C에 속한 고객들을 대상으로 "지역 별 최저가 운임정보 안내서비스"라는 내용 또는 해당 내용에 관한 실질적인 정보나 데이터를 마케팅 메시지를 통해 제공할 수 있다.
또한, 계층그룹유형 D에 속한 고객들을 대상으로 "화학물질 통관정보 및 운임정보 안내서비스"라는 내용 또는 해당 내용에 관한 실질적인 정보나 데이터를 마케팅 메시지를 통해 제공할 수 있다.
상기 마케팅식별코드 관리부(1600)는, 마케팅 전략 컨텐츠 및 각 마케팅 전략 컨텐츠에 해당하는 수출입화물서비스정보에 각각 마케팅식별코드를 할당하고, 마케팅 메시지를 수신하는 고객의 ID정보와 마케팅식별코드를 매칭할 수 있다.
예를 들어, 도 27에 도시된 바와 같이 계층그룹유형 B에 속한 고객들을 대상으로 보낸 해당 마케팅 전략 컨텐츠에 대하여 마케팅식별코드 '#a12c71'를 할당함으로써 해당 메시지를 수신한 고객의 ID정보와 마케팅식별코드 '#a12c71'를 매칭하고, 해당 마케팅 메시지에 포함되어 있는 수출입화물서비스 항목에 대해서도 '#a12c71'를 할당할 수 있다.
상기 마케팅식별코드 확인부(1700)는, 수출입화물서비스 플랫폼을 통해 수출입화물서비스를 이용한 경우 해당 고객의 ID정보와 매칭된 마케팅식별코드 및 해당 수출입화물서비스에 할당된 마케팅식별코드를 비교하고, 서로 동일한 마케팅식별코드가 존재하는지를 확인할 수 있다.
예를 들어, 해당 메시지를 받은 고객이 자신의 ID로 해당 플랫폼 내에서 특정 수출입화물서비스를 이용할 때(예를 들어 결제 시), 해당 ID정보와 매칭된 마케팅식별코드가 수출입화물서비스 항목에 대하여 할당된 마케팅식별코드 '#a12c71'와 일치하는 것이 있는지를 확인한 후, 일치하는 마케팅식별코드 '#a12c71'가 존재하는 경우, 해당 고객이 자신이 받은 마케팅 정보를 보고 새로운 수출입화물서비스를 이용하는 것으로 판단할 수 있다.
상기 운임할인서비스 제공부(1800)는 서로 동일한 마케팅식별코드가 존재하는 경우 해당 고객에 대한 운임할인서비스를 제공할 수 있다. 즉, 해당 고객이 자신이 받은 마케팅 정보를 보고 새로운 수출입화물서비스를 이용하는 경우에 해당되므로, 그에 상응하는 운임비 할인 혜택을 제공하거나, 그에 준하는 다양한 혜택을 제공할 수 있다.
이상에서 설명한 것은 본 발명에 의한 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템을 실시하기 위한 하나의 실시예에 불과한 것으로서, 본 발명은 상기 실시예에 한정되지 않고, 이하의 특허청구범위에서 청구하는 바와 같이 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변경 실시가 가능한 범위까지 본 발명의 기술적 정신이 있다고 할 것이다.
10: 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템
100: 운송구간정보 생성부
110: 출발 및 도착지정보 입력부
120: 운송구간 분류부
200: 운송경로모델 생성부
210: 국내지상화물 운송경로모델 생성부
220: 해상화물 운송경로모델 생성부
230: 해외지상화물 운송경로모델 생성부
300: 운송최적경로정보 산출부
310: 국내지상화물 최적경로 탐색부
320: 해상화물 최적경로 탐색부
330: 해외지상화물 최적경로 탐색부
340: 추천운송경로 제공부
400: 운송식별코드 제공부
500: 어플리케이션부
600: 노드정보 갱신부
700: 해상운임요소 수집부
710: 항로해상운임 집계부
720: 해상운임지수 수집부
730: 데이터 정규화 수행부
800: 해상운임지수 예측부
810: 시계열 특성 파악부
820: 신경망 모델 학습부
830: 해상운임지수 예측 모델부
900: 해상운임비 예측부
910: 다중선형회귀 분석부
920: 예상운임비 산출부
1000: 해상운임비 대납 처리부
1100: 해상운임비 채권 발행부
1200: 플랫폼고객정보 수집부
1300: 클러스터링 분석부
1310: 데이터 전처리 수행부
1320: 고객유형 세그먼트 분류부
1330: 설문조사정보 생성부
1340: 설문조사 수행부
1350: 계층유형그룹 생성부
1400: 마케팅 컨텐츠 생성부
1410: 수출입화물서비스정보 추출부
1420: 마케팅 전략 컨텐츠 결정부
1500: 마케팅 활동부
1600: 마케팅식별코드 관리부
1700: 마케팅식별코드 확인부
1800: 운임할인서비스 제공부
100: 운송구간정보 생성부
110: 출발 및 도착지정보 입력부
120: 운송구간 분류부
200: 운송경로모델 생성부
210: 국내지상화물 운송경로모델 생성부
220: 해상화물 운송경로모델 생성부
230: 해외지상화물 운송경로모델 생성부
300: 운송최적경로정보 산출부
310: 국내지상화물 최적경로 탐색부
320: 해상화물 최적경로 탐색부
330: 해외지상화물 최적경로 탐색부
340: 추천운송경로 제공부
400: 운송식별코드 제공부
500: 어플리케이션부
600: 노드정보 갱신부
700: 해상운임요소 수집부
710: 항로해상운임 집계부
720: 해상운임지수 수집부
730: 데이터 정규화 수행부
800: 해상운임지수 예측부
810: 시계열 특성 파악부
820: 신경망 모델 학습부
830: 해상운임지수 예측 모델부
900: 해상운임비 예측부
910: 다중선형회귀 분석부
920: 예상운임비 산출부
1000: 해상운임비 대납 처리부
1100: 해상운임비 채권 발행부
1200: 플랫폼고객정보 수집부
1300: 클러스터링 분석부
1310: 데이터 전처리 수행부
1320: 고객유형 세그먼트 분류부
1330: 설문조사정보 생성부
1340: 설문조사 수행부
1350: 계층유형그룹 생성부
1400: 마케팅 컨텐츠 생성부
1410: 수출입화물서비스정보 추출부
1420: 마케팅 전략 컨텐츠 결정부
1500: 마케팅 활동부
1600: 마케팅식별코드 관리부
1700: 마케팅식별코드 확인부
1800: 운임할인서비스 제공부
Claims (14)
- 출발지정보와 도착지정보를 기반으로 지상과 해상에 따른 다수의 운송구간정보를 생성하는 운송구간정보 생성부;
상기 운송구간정보를 구성하는 다수의 노드정보를 입력 받고, 입력된 상기 노드정보를 기반으로 운송경로 노드맵을 생성하고, 최단 경로탐색 알고리즘을 기반으로 상기 운송경로 노드맵에 대한 운송경로모델을 각각 생성하는 운송경로모델 생성부;
상기 운송경로모델을 각각 입력 받고, 최소시간/비용 경로탐색 알고리즘을 기반으로 상기 운송경로모델로부터 상기 운송구간정보에 대한 운송최적경로정보를 각각 산출하는 운송최적경로정보 산출부;
미리 설정된 과거범위에서 해상운임산출에 영향을 미치는 해상운임요소 데이터를 수집하는 해상운임요소 수집부;
선박을 활용한 화물운송의 대가를 수치로 나타낸 적어도 하나 이상의 해상운임지수 데이터에 대한 시계열 특성을 파악하고, 파악된 시계열 특성을 데이터 셋으로 구성하여 미리 구축된 신경망 모델을 학습시키고, 현재 해상운임산출에 영향을 미치는 해상운임요소 데이터를 상기 신경망 모델에 입력하여 해상운임예측지수를 산출하는 해상운임지수 예측부;
상기 해상운임예측지수와 실제과거 해상운임데이터에 대한 상관관계를 분석하고, 분석된 상관관계를 기초로 상기 운송최적경로정보에 포함된 해상 경로를 포함한 선박항로 별 예상운임비를 산출하여 미래운임을 예측하는 해상운임비 예측부;
수출입화물서비스 플랫폼으로부터 고객 별 플랫폼등록정보 및 플랫폼사용정보 중 적어도 하나를 포함한 플랫폼고객정보를 수집하는 플랫폼고객정보 수집부;
기 설정된 분류 기준인 고객별특성 및 플랫폼사용패턴에 따른 1차 클러스터링 분석을 수행하여 상기 플랫폼고객정보를 다수의 고객유형 세그먼트로 분류하고, 상기 고객유형 세그먼트 별 설문조사 응답정보를 기반으로 상기 고객유형 세그먼트에 대한 2차 클러스터링 분석을 수행하여 다수의 계층유형그룹을 생성하는 클러스터링 분석부; 및
상기 계층유형그룹 별로 매칭되는 수출입화물서비스에 대한 마케팅 전략 컨텐츠를 생성하는 마케팅 컨텐츠 생성부를 포함하고,
기 등록된 국내화물운송자의 이동통신단말로 국내지상화물 운송식별코드를 전송하고, 기 등록된 해상화물운송자의 이동통신단말로 해상화물 운송식별코드를 전송하고, 기 등록된 해외화물운송자의 이동통신단말로 해외지상화물 운송식별코드를 전송하는 운송식별코드 제공부;
상기 운송식별코드를 각각 이용하여 각 화물운송자의 이동통신단말에 설치되고, 상기 국내지상화물 최적경로, 상기 해상화물 최적경로 및 상기 해외지상화물 최적경로 별로 실제화물운송 시 각 화물운송자의 이동통신단말을 이용하여 각 최적경로 별 GPS 화물운송위치추적 및 상기 GPS 화물운송위치추적에 따른 각 노드 간 실제소요시간정보를 산출하는 어플리케이션부; 및
상기 최단 경로탐색 알고리즘을 통해 생성되는 운송경로모델에서의 노드 간 소요시간정보를 상기 실제소요시간정보에 따라 갱신하는 노드정보 갱신부를 포함하고,
상기 운송식별코드는, 각 화물운송자의 이동통신단말 별 GPS 실시간 위치정보수집을 위한 상기 어플리케이션부를 다운로드 받을 수 있는 URL 정보를 포함하고,
상기 어플리케이션부는, 상기 국내지상화물의 운송구간, 상기 해상화물의 운송구간 및 상기 해외지상화물의 운송구간 별로 세션이 설정되고,
상기 세션은, 운송구간의 각 시작지점에서 자동 실행하여 운송구간의 각 종료지점에서 만료되고,
상기 어플리케이션부는, 상기 세션의 만료 시 각 화물운송자의 이동통신단말에서 자동 삭제되고,
상기 플랫폼등록정보는 수출입화물서비스를 이용하기 위해 고객이 등록한 고객등록정보를 포함하고,
상기 플랫폼사용정보는 수출입화물서비스 플랫폼의 로그정보 및 견적정보를 포함하는 것을 특징으로 하는 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템.
- 제1 항에 있어서,
상기 최단 경로탐색 알고리즘은 다익스트라 알고리즘(Dijkstra algorithm)이고,
상기 최소시간/비용 경로탐색 알고리즘은 에이스타 알고리즘(A* algorithm)인 것을 특징으로 하는 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템.
- 제1 항에 있어서,
상기 운송구간정보 생성부는,
출발지정보와 도착지정보를 입력 받는 출발 및 도착지정보 입력부; 및
상기 출발지정보와 상기 도착지정보를 기반으로 국내지상 운송구간 노드그룹정보, 해상 운송구간 노드그룹정보 및 해외지상 운송구간 노드그룹정보를 각각 생성하여 운송구간을 분류하는 운송구간 분류부를 포함하는 것을 특징으로 하는 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템.
- 제3 항에 있어서,
상기 운송경로모델 생성부는,
상기 국내지상 운송구간 노드그룹정보를 구성하는 국내지상출발지 및 국내출발항구 간의 각 노드정보를 기반으로 다수의 국내지상 운송경로 노드맵을 생성하고, 생성된 국내지상 운송경로 노드맵을 입력 받고, 상기 최단 경로탐색 알고리즘을 이용한 국내지상화물운송 경로탐색을 통해 적어도 하나의 국내지상화물 운송경로모델을 생성하는 국내지상화물 운송경로모델 생성부;
상기 해상 운송구간 노드그룹정보를 구성하는 상기 국내출발항구 및 해외도착항구 간의 각 노드정보를 기반으로 다수의 해상 운송경로 노드맵을 생성하고, 생성된 해상 운송경로 노드맵을 입력 받고, 상기 최단 경로탐색 알고리즘을 이용한 해상화물 운송경로탐색을 통해 적어도 하나의 해상화물 운송경로모델을 생성하는 해상화물 운송경로모델 생성부; 및
상기 해외지상 운송구간 노드그룹정보를 구성하는 상기 해외도착항구 및 해외지상도착지 간의 각 노드정보를 기반으로 다수의 해외지상 운송경로 노드맵을 생성하고, 생성된 해외지상 운송경로 노드맵을 입력 받고, 상기 최단 경로탐색 알고리즘을 이용한 해외지상화물 운송경로탐색을 통해 적어도 하나의 해외지상화물 운송경로모델을 생성하는 해외지상화물 운송경로모델 생성부를 포함하는 것을 특징으로 하는 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템.
- 제4 항에 있어서,
상기 운송최적경로정보 산출부는,
상기 국내지상출발지 및 상기 국내출발항구에 대한 노드정보를 상기 국내지상화물 운송경로모델에 각각 설정하고, 해당 노드정보가 설정된 국내지상화물 운송경로모델정보 및 각 노드에 대한 휴리스틱 추정 값이 각각 입력된 상기 최소시간/비용 경로탐색 알고리즘을 기반으로 최소이동시간 및 최소비용을 갖는 국내지상화물 최적경로를 탐색하는 국내지상화물 최적경로 탐색부;
상기 국내출발항구 및 상기 해외도착항구에 대한 노드정보를 상기 해상화물 운송경로모델에 각각 설정하고, 해당 노드정보가 설정된 해상화물 운송경로모델정보 및 각 노드에 대한 휴리스틱 추정 값이 각각 입력된 상기 최소시간/비용 경로탐색 알고리즘을 기반으로 최소이동시간 및 최소비용을 갖는 해상화물 최적경로를 탐색하는 해상화물 최적경로 탐색부;
상기 해외도착항구 및 해외지상도착지에 대한 노드정보를 상기 해외지상화물 운송경로모델에 각각 설정하고, 해당 노드정보가 설정된 해외지상화물 운송경로모델정보 및 각 노드에 대한 휴리스틱 추정 값이 각각 입력된 상기 최소시간/비용 경로탐색 알고리즘을 기반으로 최소이동시간 및 최소비용을 갖는 해외지상화물 최적경로를 탐색하는 해외지상화물 최적경로 탐색부; 및
상기 국내지상화물 최적경로, 상기 해상화물 최적경로 및 상기 해외지상화물 최적경로에 대한 탐색 결과를 종합하여 적어도 하나의 수출입화물 추천운송경로를 제공하는 수출입화물 추천운송경로 제공부를 포함하고,
상기 휴리스틱 추정 값에서 휴리스틱은, 최단 경로탐색 알고리즘에서 탐색 트리의 노드에 정의된 함수로서 특정 노드에서 목표 노드까지 가장 비용이 적게 드는 경로를 찾아 그 비용을 추정하여 가장 값싼 비용을 갖는 노드를 선택하기 위한 기술을 의미하고,
상기 휴리스틱 추정 값은, 각 운송경로모델에 포함된 노드정보 중 특정 노드에서 목표 노드 사이의 경로를 구성하는 다수의 노드 간 예상 거리에 비례하여 소요되는 비용을 의미하는 것을 특징으로 하는 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템.
- 제1 항에 있어서,
상기 해상운임요소 수집부는,
선박항로 별 실제과거 해상운임데이터를 집계하는 항로해상운임 집계부;
온라인을 통해 공개된 해상운임지수 데이터를 수집하는 해상운임지수 수집부; 및
상기 해상운임요소 데이터에 포함되는 상기 선박항로 별 실제과거 해상운임데이터 및 상기 해상운임지수 데이터를 상기 신경망 모델의 입력변수로 활용하기 위한 데이터 정규화를 수행하는 데이터 정규화 수행부를 포함하는 것을 특징으로 하는 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템.
- 제6 항에 있어서,
상기 해상운임지수 데이터는,
국제유가지수, SCFI(Shanghai Containerized Freight Index) 지수, HRCI(Howe Robinson Container Index) 지수 및 DXY(dollar index) 지수 중 적어도 하나를 포함하는 것을 특징으로 하는 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템.
- 제6 항에 있어서,
상기 해상운임지수 예측부는,
상기 해상운임요소 데이터에 대한 시계열 분해(time series decomposition)를 통해 해상운임요소의 추세(trend), 순환(cycle), 계절(seasonality) 및 불규칙(irregular) 요인을 각각 분석하여 상기 시계열 특성을 파악하는 시계열 특성 파악부;
상기 시계열 특성을 미리 구축된 LSTM(Long Short Term Memory) 신경망 모델의 입력변수로 이용하여 상기 LSTM 신경망 모델을 학습시키는 LSTM 신경망 모델 학습부; 및
상기 LSTM 신경망 모델에 상기 해상운임요소 데이터를 입력하여 현재시점으로부터 미리 설정된 미래시점까지의 선박항로 별 해상운임예측지수를 산출하는 해상운임지수 예측 모델부를 포함하는 것을 특징으로 하는 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템.
- 삭제
- 제8 항에 있어서,
상기 해상운임비 예측부는,
상기 해상운임예측지수와 상기 실제과거 해상운임데이터를 미리 구축된 다중선형회귀 모델의 분석대상으로 입력하여 상기 해상운임예측지수의 변동에 따른 상기 실제과거 해상운임데이터의 변동율 간의 상관관계모형을 생성하는 다중선형회귀 분석부; 및
화주로부터 화물운송구간 및 컨테이너 타입을 포함하는 항로정보를 입력 받고, 상기 해상운임요소 데이터 중 상기 항로정보를 포함한 해상운임요소 데이터에 따라 생성된 상관관계모형을 이용하여 현재시점으로부터 미리 설정된 미래시점까지 상기 운송최적경로정보에 포함된 해상 경로를 포함한 선박항로 별 예상운임비를 산출하는 예상운임비 산출부를 포함하는 것을 특징으로 하는 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템.
- 삭제
- 제1 항에 있어서,
상기 클러스터링 분석부는,
상기 플랫폼고객정보에 대한 데이터 정규화(MinMaxScaler)를 통한 전처리를 수행하는 데이터 전처리 수행부;
미리 구축된 K평균 군집화(K-means Clustering) 분석모델을 이용하여 상기 플랫폼고객정보를 고객별특성 및 플랫폼사용패턴에 따른 다수의 고객유형 세그먼트로 분류하는 고객유형 세그먼트 분류부;
미리 구축된 컨조인트(Conjoint) 분석모델을 이용하여 고객이 선호하는 수출입화물서비스들에 대한 유사성을 파악하기 위한 설문조사정보를 생성하는 설문조사정보 생성부;
상기 계층유형그룹 별로 상기 설문조사정보에 따른 설문조사를 수행하고, 상기 계층유형그룹 별로 설문응답정보를 수신하여 취합하는 설문조사 수행부; 및
미리 구축된 계층적 군집화(Hierarchical clustering) 분석모델을 이용하여 상기 설문응답정보의 유형 별로 상기 고객유형 세그먼트를 트리 형태의 하위계층으로 순차 분류하여 다수의 계층유형그룹을 생성하는 계층유형그룹 생성부를 포함하는 것을 특징으로 하는 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템.
- 제1 항에 있어서,
상기 마케팅 컨텐츠 생성부는,
현재 제공 가능한 수출입화물서비스정보와 상기 계층유형그룹 별 유형정보를 비교하여 각 유형정보와 매칭되는 수출입화물서비스정보를 추출하는 수출입화물서비스정보 추출부; 및
미리 구축된 딥러닝 모델을 통해 상기 계층유형그룹의 유형정보와 상기 수출입화물서비스정보를 조합하여 상기 계층유형그룹 별로 마케팅 전략 컨텐츠를 결정하는 마케팅 전략 컨텐츠 결정부를 포함하는 것을 특징으로 하는 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템.
- 제13 항에 있어서,
상기 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템은,
상기 마케팅 전략 컨텐츠에 따른 마케팅 메시지를 생성하여 상기 계층유형그룹 별 고객으로 전달하는 마케팅 활동부를 더 포함하는 것을 특징으로 하는 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230010958A KR102560210B1 (ko) | 2023-01-27 | 2023-01-27 | 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230010958A KR102560210B1 (ko) | 2023-01-27 | 2023-01-27 | 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102560210B1 true KR102560210B1 (ko) | 2023-07-27 |
Family
ID=87433115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230010958A KR102560210B1 (ko) | 2023-01-27 | 2023-01-27 | 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102560210B1 (ko) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574409A (zh) * | 2024-01-15 | 2024-02-20 | 北京易油互联科技有限公司 | 一种化工产品运输数据加密方法 |
| CN117854064A (zh) * | 2024-03-04 | 2024-04-09 | 江苏源坤电子科技有限公司 | 一种基于人工智能的冷柜货品识别系统及方法 |
| CN118097316A (zh) * | 2024-04-26 | 2024-05-28 | 一物一码数据(广州)实业有限公司 | 一种货物转移进度及用户行为监控与货物分类方法 |
| CN118333501A (zh) * | 2024-03-05 | 2024-07-12 | 深圳市瑞迪优科技技术有限公司 | 基于rfid的物流与供应链管理系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020004062A (ko) | 2000-06-30 | 2002-01-16 | 김순철 | 화물운송시스템 및 그 운송 방법 |
| KR20100043444A (ko) | 2008-10-20 | 2010-04-29 | 부산대학교 산학협력단 | 해상운송 네트워크 상 컨테이너선 경로 결정 시스템 및 방법 |
| KR20130111801A (ko) | 2012-04-02 | 2013-10-11 | 한국전자통신연구원 | 다수의 경유지에 대한 경로 설정 방법 |
| JP2014048780A (ja) * | 2012-08-30 | 2014-03-17 | Accenture Global Services Ltd | マーケティング装置、マーケティング方法、プログラム、及び記録媒体 |
| KR20150116121A (ko) | 2014-04-04 | 2015-10-15 | 아시아나아이디티 주식회사 | 연속형 종속변수 예측 시스템 및 방법, 이를 이용한 항공 화물 운임 예측 시스템 및 방법 |
| KR20170095071A (ko) | 2016-02-12 | 2017-08-22 | 주식회사 트레드링스 | 운송 정보 제공 장치, 방법 및 컴퓨터 프로그램 |
| KR101805402B1 (ko) * | 2017-03-23 | 2018-01-11 | 대한민국(해양수산부장관) | 아시아 컨테이너 해상운임지수를 제공하기 위한 해상운임지수 산출 방법 및 그를 이용한 해운정보 중개서비스 방법 |
| KR102174756B1 (ko) | 2018-11-26 | 2020-11-05 | 박진우 | 화물 운송 정보와 차주 관련 운송 정보를 통해 가격 산출 프로그램과 빅데이터의 상호작용 모델을 적용한 화물 운임 추정 시스템 |
| KR20210010170A (ko) | 2019-07-19 | 2021-01-27 | 조충근 | 빅데이터 기반 정보수집과 인공지능 솔루션을 이용한 개인 맞춤형 여행 및 테마여행 추천방법 |
| KR20210108007A (ko) | 2020-02-25 | 2021-09-02 | 에이지스쿼드 주식회사 | 소셜 미디어 전략 관리 시스템 |
| KR20210149023A (ko) * | 2018-10-23 | 2021-12-08 | 오프쇼어 내비게이션 리미티드 | 해상 선박의 최적 경로를 결정하기 위한 장치 |
| KR20220063350A (ko) | 2020-11-10 | 2022-05-17 | 서대호 | 마케팅 정보 제공 방법 및 마케팅 정보 제공 장치 |
-
2023
- 2023-01-27 KR KR1020230010958A patent/KR102560210B1/ko active IP Right Grant
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020004062A (ko) | 2000-06-30 | 2002-01-16 | 김순철 | 화물운송시스템 및 그 운송 방법 |
| KR20100043444A (ko) | 2008-10-20 | 2010-04-29 | 부산대학교 산학협력단 | 해상운송 네트워크 상 컨테이너선 경로 결정 시스템 및 방법 |
| KR20130111801A (ko) | 2012-04-02 | 2013-10-11 | 한국전자통신연구원 | 다수의 경유지에 대한 경로 설정 방법 |
| JP2014048780A (ja) * | 2012-08-30 | 2014-03-17 | Accenture Global Services Ltd | マーケティング装置、マーケティング方法、プログラム、及び記録媒体 |
| KR20150116121A (ko) | 2014-04-04 | 2015-10-15 | 아시아나아이디티 주식회사 | 연속형 종속변수 예측 시스템 및 방법, 이를 이용한 항공 화물 운임 예측 시스템 및 방법 |
| KR20170095071A (ko) | 2016-02-12 | 2017-08-22 | 주식회사 트레드링스 | 운송 정보 제공 장치, 방법 및 컴퓨터 프로그램 |
| KR101805402B1 (ko) * | 2017-03-23 | 2018-01-11 | 대한민국(해양수산부장관) | 아시아 컨테이너 해상운임지수를 제공하기 위한 해상운임지수 산출 방법 및 그를 이용한 해운정보 중개서비스 방법 |
| KR20210149023A (ko) * | 2018-10-23 | 2021-12-08 | 오프쇼어 내비게이션 리미티드 | 해상 선박의 최적 경로를 결정하기 위한 장치 |
| KR102174756B1 (ko) | 2018-11-26 | 2020-11-05 | 박진우 | 화물 운송 정보와 차주 관련 운송 정보를 통해 가격 산출 프로그램과 빅데이터의 상호작용 모델을 적용한 화물 운임 추정 시스템 |
| KR20210010170A (ko) | 2019-07-19 | 2021-01-27 | 조충근 | 빅데이터 기반 정보수집과 인공지능 솔루션을 이용한 개인 맞춤형 여행 및 테마여행 추천방법 |
| KR20210108007A (ko) | 2020-02-25 | 2021-09-02 | 에이지스쿼드 주식회사 | 소셜 미디어 전략 관리 시스템 |
| KR20220063350A (ko) | 2020-11-10 | 2022-05-17 | 서대호 | 마케팅 정보 제공 방법 및 마케팅 정보 제공 장치 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574409A (zh) * | 2024-01-15 | 2024-02-20 | 北京易油互联科技有限公司 | 一种化工产品运输数据加密方法 |
| CN117574409B (zh) * | 2024-01-15 | 2024-04-12 | 北京易油互联科技有限公司 | 一种化工产品运输数据加密方法 |
| CN117854064A (zh) * | 2024-03-04 | 2024-04-09 | 江苏源坤电子科技有限公司 | 一种基于人工智能的冷柜货品识别系统及方法 |
| CN117854064B (zh) * | 2024-03-04 | 2024-05-28 | 江苏源坤电子科技有限公司 | 一种基于人工智能的冷柜货品识别系统及方法 |
| CN118333501A (zh) * | 2024-03-05 | 2024-07-12 | 深圳市瑞迪优科技技术有限公司 | 基于rfid的物流与供应链管理系统 |
| CN118097316A (zh) * | 2024-04-26 | 2024-05-28 | 一物一码数据(广州)实业有限公司 | 一种货物转移进度及用户行为监控与货物分类方法 |
| CN118097316B (zh) * | 2024-04-26 | 2024-07-02 | 一物一码数据(广州)实业有限公司 | 一种基于货物转移进度及用户行为监控的货物分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102560208B1 (ko) | 최적화된 수출입화물 운송경로의 운임 예측 시스템 | |
| KR102560210B1 (ko) | 인공지능 기반의 최적화된 수출입화물 운송경로의 운임 예측 및 맞춤형 고객 관리 시스템 | |
| Gao et al. | Optimize taxi driving strategies based on reinforcement learning | |
| Ehmke | Integration of information and optimization models for routing in city logistics | |
| US11651326B2 (en) | Automatically predicting shipper behavior using machine learning models | |
| CN111461624A (zh) | 物流线路规划方法、装置、设备及存储介质 | |
| CN111768030B (zh) | 银行运输配送线路规划方法和装置、设备以及介质 | |
| KR102565446B1 (ko) | 인공지능 기반의 해상 운임 예측 및 맞춤형 고객 관리 시스템 | |
| CN108038651A (zh) | 一种物流运输监控追溯管理系统 | |
| Gattuso et al. | Advanced methodological researches concerning ITS in freight transport | |
| Žunić et al. | Adaptive multi-phase approach for solving the realistic vehicle routing problems in logistics with innovative comparison method for evaluation based on real GPS data | |
| CN113780956B (zh) | 物流运费生成方法、装置、设备及存储介质 | |
| Nchimbi et al. | MAGITS: A mobile-based information sharing framework for integrating intelligent transport system in agro-goods e-commerce in developing countries | |
| Flamini et al. | The value of real-time traffic information in urban freight distribution | |
| Subramanian et al. | Airline fare prediction using machine learning algorithms | |
| CN116955853A (zh) | 订单签收时间预计查询方法、装置、设备及存储介质 | |
| GS et al. | Prediction of bus passenger traffic using Gaussian process regression | |
| CN113033924A (zh) | 基于Boosting算法历史数据驱动的包裹交付时长预测方法 | |
| Gracious et al. | Performance Evaluation of Passenger Information Systems | |
| Faial et al. | A methodology for taxi demand prediction using stream learning | |
| Kolbeinsson et al. | Galactic air improves ancillary revenues with dynamic personalized pricing | |
| Zenezini et al. | Experts' opinions about lasting innovative technologies in City Logistics | |
| Miwa et al. | Efficiency of routing and scheduling system for small and medium size enterprises utilizing vehicle location data | |
| Sethuraman et al. | Amazon locker capacity management | |
| Rizzo et al. | Uncertainty-bounded reinforcement learning for revenue optimization in air cargo: a prescriptive learning approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |