KR102604762B1 - 뉴럴 네트워크를 이용하여 예측된 배송량에 기반하여 물류 거점에 대한 배송량을 결정하는 방법 및 장치 - Google Patents
뉴럴 네트워크를 이용하여 예측된 배송량에 기반하여 물류 거점에 대한 배송량을 결정하는 방법 및 장치 Download PDFInfo
- Publication number
- KR102604762B1 KR102604762B1 KR1020220108531A KR20220108531A KR102604762B1 KR 102604762 B1 KR102604762 B1 KR 102604762B1 KR 1020220108531 A KR1020220108531 A KR 1020220108531A KR 20220108531 A KR20220108531 A KR 20220108531A KR 102604762 B1 KR102604762 B1 KR 102604762B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- delivery
- logistics base
- server
- base
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 210
- 230000000306 recurrent effect Effects 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims description 70
- 230000015654 memory Effects 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 43
- 230000005484 gravity Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 description 23
- 238000012545 processing Methods 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 17
- 238000007726 management method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000638 stimulation Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- VKWMGUNWDFIWNW-UHFFFAOYSA-N 2-chloro-1,1-dioxo-1,2-benzothiazol-3-one Chemical compound C1=CC=C2S(=O)(=O)N(Cl)C(=O)C2=C1 VKWMGUNWDFIWNW-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
-
- 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
- G06Q10/06—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
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
실시예들은 제1 서버가 뉴럴 네트워크(neural network)를 이용하여 물류 거점에 대한 배송량을 결정하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 제2 서버로부터 물류 거점에 대한 정보, 제1 주행과 관련된 정보 및 제2 주행과 관련된 정보를 수신하고, 상기 제1 주행과 관련된 정보는 물류 거점 내 복수의 자동 운송 단말로부터 획득되고, 상기 제2 주행과 관련된 정보는 복수의 제1 배송 단말로부터 획득되고, 제3 서버로부터 매장에 대한 정보 및 제3 주행과 관련된 정보를 수신하고, 상기 제3 주행과 관련된 정보는 복수의 제2 배송 단말로부터 획득되고, 상기 물류 거점에 대한 정보 및 상기 매장에 대한 정보에 기반하여 GRU(gated recurrent unit) 기반 뉴럴 네트워크를 이용한 예측 모델을 통해 물류 거점에 대한 예측 배송량을 결정하고, 상기 제1 주행과 관련된 정보, 상기 제2 주행과 관련된 정보 및 상기 제3 주행과 관련된 정보를 기반으로 상기 물류 거점에 대한 예측 배송량에 대해 사전 설정된 가상 시뮬레이션을 수행하고, 상기 사전 설정된 가상 시뮬레이션에 따라 결정된 예상 기간 및 사전 설정된 목표 기간에 기반하여 상기 물류 거점에 대한 배송량을 결정하고, 상기 물류 거점에 대한 배송량을 포함하는 메시지를 상기 제2 서버 및 상기 제3 서버에게 전송하는 단계를 포함될 수 있다.
Description
본 개시의 실시예들은 예측된 배송량에 기반하여 물류 거점에 대한 배송량을 결정하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 예측된 배송량에 기반하여 물류 거점에 대한 배송량을 결정하는 기술에 대한 것이다.
한편, 가맹 사업과 관련하여, 가맹 본사는 각 매장에 대해 물품을 효율적으로 공급하기 위해 복수의 물류 거점을 운영하고 있다. 이때, 가맹 본사는 각 매장에 공급되는 물품에 대해서 공장에서 복수의 물류 거점으로 배송되는 양을 결정하기 위해 많은 인력을 사용하여야 한다.
또한, 최근 AGV(automated guided vehicle)를 이용하여 물품의 분류를 자동화하는 물류 거점들이 늘어남에 따라, AGV가 물품을 분류하는 시간을 반영하여 매장에 배송되는 물품이 물류 거점에서 체류하는 시간을 계산할 필요가 있다.
이에, 각 매장에 공급되는 물품에 대해서 공장에서 복수의 물류 거점으로 배송되는 양을 결정하기 위해 사용되는 인력을 줄이고, 보다 정확한 예측 값을 도출하기 위해, 물류 거점에 대한 정보와 매장에 대한 정보를 기반으로 뉴럴 네트워크를 이용한 예측 모델을 통해 물류 거점에 대한 예측 배송량을 결정하고, AGV가 물품을 분류하는 시간을 반영하는 가상 시뮬레이션을 통해 예측 배송량을 검증함으로써, 물류 거점에 대한 배송량을 결정하는 방법이 필요할 수 있다.
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 예측된 배송량에 기반하여 물류 거점에 대한 배송량을 결정하는 방법 및 장치를 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 제1 서버가 뉴럴 네트워크(neural network)를 이용하여 물류 거점에 대한 배송량을 결정하는 방법은, 제2 서버로부터 물류 거점에 대한 정보, 제1 주행과 관련된 정보 및 제2 주행과 관련된 정보를 수신하고, 상기 제1 주행과 관련된 정보는 물류 거점 내 복수의 자동 운송 단말로부터 획득되고, 상기 제2 주행과 관련된 정보는 복수의 제1 배송 단말로부터 획득되고, 제3 서버로부터 매장에 대한 정보 및 제3 주행과 관련된 정보를 수신하고, 상기 제3 주행과 관련된 정보는 복수의 제2 배송 단말로부터 획득되고, 상기 물류 거점에 대한 정보 및 상기 매장에 대한 정보에 기반하여 GRU(gated recurrent unit) 기반 뉴럴 네트워크를 이용한 예측 모델을 통해 물류 거점에 대한 예측 배송량을 결정하고, 상기 제1 주행과 관련된 정보, 상기 제2 주행과 관련된 정보 및 상기 제3 주행과 관련된 정보를 기반으로 상기 물류 거점에 대한 예측 배송량에 대해 사전 설정된 가상 시뮬레이션을 수행하고, 상기 사전 설정된 가상 시뮬레이션에 따라 결정된 예상 기간 및 사전 설정된 목표 기간에 기반하여 상기 물류 거점에 대한 배송량을 결정하고, 상기 물류 거점에 대한 배송량을 포함하는 메시지를 상기 제2 서버 및 상기 제3 서버에게 전송하는 단계를 포함될 수 있다.
예를 들어, 상기 사전 설정된 가상 시뮬레이션 내 가상 공간은 물류 거점의 내부 지도, 공장과 물류 거점 및 각각의 매장이 포함된 외부 지도, 복수의 자동 운송 단말의 주행 경로, 공장에서 물류 거점까지 복수의 제1 배송 단말의 주행 경로 및 물류 거점에서 매장까지 복수의 제2 배송 단말의 주행 경로를 기반으로 설정될 수 있다. 상기 제1 주행과 관련된 정보는 자동 운송 단말의 주행 시간, 자동 운송 단말의 주행 경로에 대한 정보를 포함하는 제1 주행 정보와 자동 운송 단말에 대한 정보를 포함할 수 있다. 상기 제2 주행과 관련된 정보는 제1 배송 단말의 주행 시간 및 제1 배송 단말의 주행 경로에 대한 정보를 포함하는 제2 주행 정보와 제1 배송 단말에 대한 정보를 포함할 수 있다. 상기 제3 주행과 관련된 정보는 제2 배송 단말의 주행 시간 및 제2 배송 단말의 주행 경로에 대한 정보를 포함하는 제3 주행 정보와 제2 배송 단말에 대한 정보를 포함할 수 있다. 예를 들어, 상기 물류 거점에 대한 예측 배송량이 상기 사전 설정된 가상 시뮬레이션에 입력되는 것에 기반하여, 상기 예상 기간은 상기 물류 거점 내부의 자동 운송 단말의 개수, 상기 제1 배송 단말의 개수, 상기 제2 배송 단말의 개수, 상기 물류 거점과 관련된 매장의 개수, 상기 제1 주행과 관련된 정보, 상기 제2 주행과 관련된 정보 및 상기 제3 주행과 관련된 정보에 따라 상기 가상 공간에서 상기 예측 배송량에 해당하는 가상의 물품이 가상의 공장에서 가상의 물류 거점을 거쳐 가상의 매장까지 배송되는 기간으로 결정될 수 있다.
예를 들어, 상기 제1 주행 정보는 상기 복수의 자동 운송 단말에 구비된 라이다(RiDAR) 센서 및 RGB-D 카메라를 통해 측정된 정보에 기반하여 결정될 수 있다. 상기 제2 주행 정보는 상기 복수의 제1 배송 단말에 구비된 GPS(global positioning system)에 의해 측정된 정보에 기반하여 결정될 수 있다. 상기 제3 주행 정보는 상기 복수의 제2 배송 단말에 구비된 GPS에 의해 측정된 정보에 기반하여 결정될 수 있다.
일 실시 예에 따라, 상기 예상 기간이 상기 사전 설정된 목표 기간을 초과하는 것에 기반하여, 상기 물류 거점에 대한 배송량은 상기 예측 배송량에서 설정 값을 뺀 값으로 결정될 수 있다.
예를 들어, 상기 설정 값은 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 S는 상기 설정 값이고, 상기 pe는 상기 예상 기간이고, 상기 ptarget은 상기 사전 설정된 목표 기간이고, 상기 pmax는 최대 배송량을 공장으로부터 물류 거점을 거쳐 매장까지 배송하는 기간이고, 상기 k는 제1 배송 단말의 개수이고, 상기 Li는 i번째 제1 배송 단말의 최대 적재량일 수 있다.
일 실시예에 따라, 상기 예상 기간이 상기 사전 설정된 목표 기간을 초과하는 것에 기반하여, 추가 물류 거점이 결정될 수 있다. 예를 들어, 상기 추가 물류 거점은 상기 물류 거점에 대한 정보, 상기 매장에 대한 정보, 상기 제2 주행 정보 및 상기 제3 주행 정보에 기반하여 결정될 수 있다.
예를 들어, 상기 뉴럴 네트워크는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 복수의 물류 거점에 대한 정보 및 복수의 매장에 대한 정보 관련된 정보 및 정답 물류 거점에 대한 배송량으로 구성된 각각의 학습 데이터는 상기 뉴럴 네트워크의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터로 출력되고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실함수를 이용하여 손실 값을 출력하고, 상기 뉴럴 네트워크의 파라미터가 상기 손실 값이 작아지는 방향으로 학습될 수 있다.
부가적으로, 예를 들어, 상기 pmax는 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 pmax는 상기 최대 배송량을 공장으로부터 물류 거점을 거쳐 매장까지 배송하는 기간이고, 상기 Dx1 내지 Dxk는 상기 복수의 제1 배송 단말 각각에 대한 평균 주행 시간이고, 상기 Dy1 내지 Dyn은 상기 복수의 제2 배송 단말 각각에 대한 평균 주행 시간이고, 상기 k는 제1 배송 단말의 개수이고, 상기 Li는 i번째 제1 배송 단말의 최대 적재량이고, 상기 wavg는 하나의 자동 운송 단말이 물품을 운송할 수 있는 최대 운송 무게이고, 상기 na는 자동 운송 단말의 개수이고, 상기 ta는 최대 운송 무게를 운송하는 평균 주행 시간일 수 있다.
부가적으로, 예를 들어, 제1 서버는 상기 물류 거점에 대한 정보, 상기 매장에 대한 정보 및 상기 제2 주행과 관련된 정보에 기반하여 상기 사전 설정된 가상 시뮬레이션 내 가상 공간 상에서 복수의 거점 후보를 결정하고, 상기 복수의 거점 후보 각각에 대한 점수를 결정하고, 상기 복수의 거점 후보 각각에 대한 점수 중에서 사전 설정된 점수 이상인 거점 후보를 추가 물류 거점으로 결정할 수 있다.
예를 들어, 상기 점수는 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 point는 상기 점수이고, 상기 xc는 상기 후보 거점의 x 좌표 값이고, 상기 xw는 공장, 물류 거점 및 매장을 기준으로 결정된 무게 중심의 x 좌표 값이고, 상기 yc는 상기 후보 거점의 y 좌표 값이고, 상기 yw는 상기 무게 중심의 y 좌표 값이고, 상기 d는 디폴트 값이고, 상기 trth는 교통량에 대한 기준 값이고, 상기 tr은 상기 후보 거점에 대한 사전 설정된 범위 내 교통량의 평균 값일 수 있다.
예를 들어, 상기 d 및 상기 trth는 상기 제1 서버에 사전 설정된 값일 수 있다. 예를 들어, 상기 tr은 교통량 정보 제공과 관련된 웹 페이지로부터 획득된 값일 수 있다.
실시예들에 따르면, 제1 서버는 물류 거점에 대한 정보 및 매장에 대한 정보에 기반하여 GRU(gated recurrent unit) 기반 뉴럴 네트워크를 이용한 예측 모델을 통해 물류 거점에 대한 예측 배송량을 결정함으로써, 물류 거점에 대한 배송량을 빠르고 정확하게 예측할 수 있다.
실시예들에 따르면, 제1 서버는 제1 주행과 관련된 정보, 상기 제2 주행과 관련된 정보 및 상기 제3 주행과 관련된 정보를 기반으로 상기 물류 거점에 대한 예측 배송량에 대해 사전 설정된 가상 시뮬레이션을 수행함으로써, 예측 배송량에 대한 검증을 효율적으로 수행할 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 제1 서버가 뉴럴 네트워크를 이용하여 물류 거점에 대한 배송량을 결정하는 방법을 나타낸다.
도 4는 일 실시예에 따른 예측 모델을 나타낸 도면이다.
도 5는 일 실시예에 따른 제1 서버가 뉴럴 네트워크를 이용하여 물류 거점에 대한 배송량을 결정하는 방법을 나타낸 흐름도이다.
도 6은 일 실시예에 따른 제1 서버의 구성을 나타내는 블록도이다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 제1 서버가 뉴럴 네트워크를 이용하여 물류 거점에 대한 배송량을 결정하는 방법을 나타낸다.
도 4는 일 실시예에 따른 예측 모델을 나타낸 도면이다.
도 5는 일 실시예에 따른 제1 서버가 뉴럴 네트워크를 이용하여 물류 거점에 대한 배송량을 결정하는 방법을 나타낸 흐름도이다.
도 6은 일 실시예에 따른 제1 서버의 구성을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 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 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 3은 일 실시예에 따른 제1 서버가 뉴럴 네트워크를 이용하여 물류 거점에 대한 배송량을 결정하는 방법을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S301에서, 제1 서버(예: 도 1의 서버(108))는 제2 서버로부터 물류 거점에 대한 정보 및 제1 주행과 관련된 정보를 수신할 수 있다. 예를 들어, 물류 거점에 대한 정보는 물류 거점의 재고 정보, 물류 거점의 위치 및 규모에 대한 정보, 물류 거점의 입고량, 물류 거점의 출고량, 물류 거점의 위치 특성, 보관 물품의 종류, 각 매장과의 거리에 대한 정보 및 각 공장과의 거리에 대한 정보를 포함할 수 있다. 여기서, 물류 거점의 재고 정보, 물류 거점의 입고량 및 물류 거점의 출고량은 사전 설정된 기간에 대한 정보일 수 있다. 예를 들어, 물류 거점의 재고 정보, 물류 거점의 입고량 및 물류 거점의 출고량은 지난 5년 동안의 월별 재고량, 월별 입고량, 월별 출고량에 대한 정보일 수 있다. 여기서, 물류 거점의 위치 특성은 상기 물류 거점이 지하에 위치하는지 여부, 지상에 위치하는지 여부 또는 특정 건물의 옥상에 위치하는지 여부에 대한 정보일 수 있다.
예를 들어, 제2 서버는 도 1의 서버(108)와 같이 전자 장치(101)와 무선 통신을 수행할 수 있다. 예를 들어, 제2 서버는 자동 운송 단말 및 배송 단말과 무선 통신을 수행할 수 있다.
제1 주행과 관련된 정보는 물류 거점 내 복수의 자동 운송 단말로부터 획득될 수 있다. 여기서, 자동 운송 단말은 물류 거점 내부에서 자율 주행을 기반으로 물품을 분류하는 운송 차량 단말일 수 있다. 예를 들어, 물류 거점 내 복수의 자동 운송 단말은 제1 주행과 관련된 정보를 제2 서버에게 전송할 수 있다. 예를 들어, 제1 주행과 관련된 정보는 물류 거점 내부에서 자동 운송 단말의 주행 시간에 대한 정보 및 자동 운송 단말의 주행 경로에 대한 정보를 포함하는 제1 주행 정보와 자동 운송 단말에 대한 정보를 포함할 수 있다. 여기서, 자동 운송 단말에 대한 정보는 상기 자동 운송 단말의 성능에 대한 정보일 수 있다. 예를 들어, 상기 자동 운송 단말의 성능에 대한 정보는 상기 자동 운송 단말이 물품을 운반할 수 있는 최대 운송 무게에 대한 정보 및 최대 운송 무게에 따른 평균 주행 시간에 대한 정보를 포함할 수 있다.
예를 들어, 상기 제1 주행 정보는 상기 복수의 자동 운송 단말에 구비된 라이다(RiDAR, Light Detection And Ranging) 센서 및 RGB-D 카메라를 통해 측정된 정보에 기반하여 결정될 수 있다. 여기서, 라이다 센서는 근적외광 및 가시광, 자외선을 사용하여 대상물에 빛을 비추고, 그 반사광을 광 센서를 통해 검출하여 거리를 측정하는 리모트를 센싱하는 장치이다. 예를 들어, 라이다 센서는 채널 당 대응하는 광선이 물체에 부딪혀 반사되어 되돌아오는 시간을 정확히 측정하는 방식이므로, 채널의 개수가 많을수록 더 정밀하게 센싱할 수 있다. 예를 들어, 채널의 수는 16개, 32개 및 64개를 포함할 수 있다. 여기서, RGB-D 카메라는 각 픽셀에 대한 RGB(red green blue) 데이터 이외에 각 픽셀의 깊이(depth) 데이터를 동시에 저장하는 카메라이다.
부가적으로, 자동 운송 단말은 적어도 하나의 프로세서, 카메라 모듈, 통신부, 센서부 및 구동부를 포함할 수 있다. 예를 들어, 구동부는 엔진, 모터, 파워 트레인, 바퀴, 브레이크, 조향 장치 및 광 수신부 등을 포함할 수 있다. 예를 들어, 구동부는 하나 이상의 프로세서에 의해 제어될 수 있다. 자동 운송 단말은 카메라 모듈 및 구동부를 통해 주변 상황을 감지할 수 있다. 예를 들어, 자동 운송 단말은 카메라 모듈 및 구동부를 통해 적외선 광, 레어저 광 또는 초음파를 조사하고, 장애물에 부딪혀 반사하는 적외선 광 등을 광 수신부를 통해 수신함으로써, 장애물과의 거리, 장애물의 위치, 장애물의 높이 등을 감지할 수 있다. 예를 들어, 광 수신부는 매트릭스 형태로 배열된 복수 개의 단위 픽셀들의 집합체일 수 있다. 예를 들어, 각 단위 픽셀들은 다양한 수광소자로 구현될 수 있다. 예를 들어, 자동 운송 단말은 카메라 모듈 및 구동부를 통해 주행중인 경로를 유지하는 기술, 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등에 의해 자율 주행을 구현할 수 있다. 예를 들어, 자동 운송 단말은 통신부를 통해 외부 서버로부터 지도 데이터, 물류 거점 내 교통 데이터 등을 수신할 수 있다. 자동 운송 단말은 획득된 데이터를 기반으로 자율 주행 경로와 드라이빙 플랜을 생성할 수 있다. 자동 운송 단말은 드라이빙 플랜에 따라 수거 장치가 자율 주행 경로를 따라 이동하도록 구동부를 제어할 수 있다(예, 속도/방향 조절). 자율 주행 도중에 자동 운송 단말은 통신부를 통해 외부 서버로부터 최신 물류 거점 내 교통 데이터를 비/주기적으로 획득하며, 주변 단말로부터 주변 교통 데이터를 획득할 수 있다. 또한, 자동 운송 단말은 자율 주행 도중에 센서부를 통해 자동 운송 단말의 상태, 주변 환경 정보를 획득할 수 있다. 자동 운송 단말는 새로 획득된 데이터/정보에 기반하여 자율 주행 경로와 드라이빙 플랜을 갱신할 수 있다. 자동 운송 단말은 통신부를 통해 자동 운송 단말의 위치, 자율 주행 경로, 드라이빙 플랜 등에 관한 정보를 제2 서버로 전달할 수 있다. 제2 서버는 자동 운송 단말의 위치, 자율 주행 경로, 드라이빙 플랜 등에 관한 정보를 제1 서버에게 전송할 수 있고, 제1 서버는 차량 또는 자율 주행 차량들로부터 수집된 정보에 기반하여, AI 기술 등을 이용하여 교통 데이터를 미리 예측할 수 있고, 예측된 교통 데이터를 제2 서버에게 제공할 수 있다.
제2 주행과 관련된 정보는 복수의 제1 배송 단말로부터 획득될 수 있다. 여기서, 복수의 제1 배송 단말은 공장으로부터 물류 거점까지 물품을 배송하는 단말일 수 있다. 이때, 복수의 제1 배송 단말은 제2 주행과 관련된 정보를 제2 서버에게 전송할 수 있다. 예를 들어, 제2 주행과 관련된 정보는 공장으로부터 물류 거점까지의 제1 배송 단말의 주행 시간에 대한 정보 및 제1 배송 단말의 주행 경로에 대한 정보를 포함하는 제2 주행 정보와 제1 배송 단말에 대한 정보를 포함할 수 있다. 여기서, 제1 배송 단말에 대한 정보는 상기 제1 배송 단말의 성능에 대한 정보일 수 있다. 예를 들어, 상기 제1 배송 단말의 성능에 대한 정보는 상기 제1 배송 단말의 최대 적재량에 대한 정보 및 최대 적재량에 따른 평균 주행 시간에 대한 정보를 포함할 수 있다.
예를 들어, 상기 제2 주행 정보는 상기 복수의 제1 배송 단말에 구비된 GPS(global positioning system)에 의해 측정된 정보에 기반하여 결정될 수 있다.
단계 S302에서, 제1 서버는 제3 서버로부터 매장에 대한 정보 및 제2 주행과 관련된 정보를 수신할 수 있다. 예를 들어, 매장에 대한 정보는 매장의 매출액에 대한 정보, 매장의 재고 정보, 각 물류 거점과의 거리에 대한 정보 및 각 공장과의 거리에 대한 정보를 포함할 수 있다. 여기서, 매장의 매출액에 대한 정보 및 매장의 재고 정보는 사전 설정된 기간에 대한 정보일 수 있다. 예를 들어, 매장의 매출액에 대한 정보 및 매장의 재고 정보는 지난 5년 동안의 매장의 월별 매출액 및 매장의 월별 재고량에 대한 정보일 수 있다.
예를 들어, 제3 서버는 도 1의 서버(108)와 같이 전자 장치(101)와 무선 통신을 수행할 수 있다. 예를 들어, 제3 서버는 배송 단말과 무선 통신을 수행할 수 있다.
제3 주행과 관련된 정보는 복수의 제2 배송 단말로부터 획득될 수 있다. 여기서, 복수의 제2 배송 단말은 공장으로부터 물류 거점으로부터 매장까지 물품을 배송하는 단말일 수 있다. 이때, 복수의 제2 배송 단말은 제3 주행과 관련된 정보를 제3 서버에게 전송할 수 있다. 예를 들어, 제3 주행과 관련된 정보는 물류 거점으로부터 매장까지의 제2 배송 단말의 주행 시간에 대한 정보 및 제2 배송 단말의 주행 경로에 대한 정보를 포함하는 제3 주행 정보와 제2 배송 단말에 대한 정보를 포함할 수 있다. 여기서, 제2 배송 단말에 대한 정보는 상기 제2 배송 단말의 성능에 대한 정보일 수 있다. 예를 들어, 상기 제2 배송 단말의 성능에 대한 정보는 상기 제2 배송 단말의 최대 적재량에 대한 정보 및 최대 적재량에 따른 평균 주행 시간에 대한 정보를 포함할 수 있다.
예를 들어, 상기 제3 주행 정보는 상기 복수의 제2 배송 단말에 구비된 GPS에 의해 측정된 정보에 기반하여 결정될 수 있다.
단계 S303에서, 제1 서버는 상기 물류 거점에 대한 정보 및 상기 매장에 대한 정보에 기반하여 GRU(gated recurrent unit) 기반 뉴럴 네트워크를 이용한 예측 모델을 통해 물류 거점에 대한 예측 배송량을 결정할 수 있다. 여기서, GRU는 RNN(recurrent neural network)를 변형시킨 모델일 수 있다.
일반적으로 RNN은 내부에 저장된 기존 입력에 대한 히든 레이어 값이 다음 입력 값에 대한 출력에서 고려되기 때문에, 시계열적 정보를 효과적으로 모델링할 수 있다. 그러나, RNN은 과거 관측 값에 의존하는 구조이므로, 기울기가 소실(vanishing gradient)되거나 기울기가 매우 큰 값(exploding gradient)을 가지게 되는 문제가 발생할 수 있다. 이를 해결하기 위한 모델이 LSTM(long short term memory networks)이며, LSTM 내부의 노드는 메모리 셀로 대체함으로써, 정보를 축적하거나 과거 정보의 일부를 삭제가 가능하며, 상기 RNN의 문제를 보완할 수 있다. 이러한 LSTM의 구조를 간결하게 변형하여 속도를 개선한 모델이 GRU이다.
예를 들어, 상기 뉴럴 네트워크는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 복수의 물류 거점에 대한 정보 및 복수의 매장에 대한 정보 관련된 정보 및 정답 물류 거점에 대한 배송량으로 구성된 각각의 학습 데이터는 상기 뉴럴 네트워크의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터로 출력되고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실함수를 이용하여 손실 값을 출력하고, 상기 뉴럴 네트워크의 파라미터가 상기 손실 값이 작아지는 방향으로 학습될 수 있다.
단계 S304에서, 제1 서버는 상기 제1 주행과 관련된 정보, 상기 제2 주행과 관련된 정보 및 상기 제3 주행과 관련된 정보를 기반으로 상기 물류 거점에 대한 예측 배송량에 대해 사전 설정된 가상 시뮬레이션을 수행할 수 있다.
예를 들어, 상기 사전 설정된 가상 시뮬레이션 내 가상 공간은 물류 거점의 내부 지도, 공장과 물류 거점 및 매장이 포함된 외부 지도, 복수의 자동 운송 단말의 주행 경로, 공장에서 물류 거점까지 복수의 제1 배송 단말의 주행 경로 및 물류 거점에서 매장까지 복수의 제2 배송 단말의 주행 경로를 기반으로 설정될 수 있다. 즉, 상기 가상 시뮬레이션 내 가상 공간이 사전 저장된 물류 거점의 내부 지도, 사전 저장된 공장과 물류 거점 및 매장이 포함된 외부 지도, 복수의 자동 운송 단말의 사전 저장된 주행 경로, 공장에서 물류 거점까지 복수의 제1 배송 단말의 사전 저장된 주행 경로 및 물류 거점에서 매장까지 복수의 제2 배송 단말의 사전 저장된 주행 경로를 기반으로 상기 제1 서버에 대해 사전 설정될 수 있다.
부가적으로, 예를 들어, 물류 거점의 내부 지도는 상기 복수의 자동 운송 단말로부터 획득된 정보에 따라 결정될 수 있다. 이때, 자동 운송 단말은 16개 채널을 가진 라이다 센서로 획득된 객체와의 거리, 객체의 위치 및 형상을 포함하는 제1 정보를 획득할 수 있다. 자동 운송 단말은 RGB-D 카메라로 획득된 RGB 영상 정보 및 깊이 정보를 포함하는 제2 정보를 획득할 수 있다. 이때, 제1 서버는 제1 정보에 기반하여 시간 경과에 따라 자동 운송 단말의 위치 변화를 추정할 수 있다. 제1 서버는 제2 정보에 기반하여 거리가 가까운 영역만 보이도록 RGB 영상을 전처리할 수 있다. 제1 서버가 전처리된 영상에 YOLO(you only look once) 모델을 적용하여 3차원 구조물이 인식되면, 제1 서버는 테두리 박스(bounding box)의 시작 좌표와 높이, 너비 정보를 획득할 수 있다. 여기서, YOLO 모델은 테두리 상자 조정(bounding box coordinate)과 분류(classification)를 뉴럴 네트워크를 통해 동시에 실행하는 통합적 인식을 구현하는 인공지능 알고리즘이다. 제1 서버는 테두리 박스에 대한 정보를 기반으로 테두리 박스의 내부에 대한 깊이 정보를 획득할 수 있다. 제1 서버는 테두리 박스의 시작 좌표와 높이, 너비 정보, 테두리 박스의 깊이 정보를 기반으로 3차원 구조물의 위치를 파악할 수 있다. 제1 서버는 자동 운송 단말의 위치 변화와 3차원 구조물의 위치를 기반으로 물류 거점의 내부 지도를 결정할 수 있다.
상기 물류 거점에 대한 예측 배송량이 상기 사전 설정된 가상 시뮬레이션에 입력되는 것에 기반하여, 상기 예상 기간은 상기 물류 거점 내부의 자동 운송 단말의 개수, 상기 제1 배송 단말의 개수, 상기 제2 배송 단말의 개수, 상기 물류 거점과 관련된 매장의 개수, 상기 제1 주행과 관련된 정보, 상기 제2 주행과 관련된 정보 및 상기 제3 주행과 관련된 정보에 따라 상기 가상 공간에서 상기 예측 배송량에 해당하는 가상의 물품이 가상의 공장에서 가상의 물류 거점을 거쳐 가상의 매장까지 배송되는 기간으로 결정될 수 있다.
단계 S305에서, 제1 서버는 상기 사전 설정된 가상 시뮬레이션에 따라 결정된 예상 기간 및 사전 설정된 목표 기간에 기반하여 상기 물류 거점에 대한 배송량을 결정할 수 있다.
예를 들어, 상기 예상 기간은 제1 예상 기간, 제2 예상 기간 및 제3 예상 기간을 포함할 수 있다. 상기 제1 예상 기간은 상기 공장에서 상기 물류 거점까지의 배송에 대한 기간일 수 있다. 상기 제2 예상 기간은 상기 물류 거점 내부에 보관 물품이 분류되고 저장되는 기간일 수 있다. 상기 제3 예상 기간은 상기 물류 거점에서 상기 매장까지의 배송에 대한 기간일 수 있다.
예를 들어, 상기 예상 기간이 상기 사전 설정된 목표 기간 이하인 것에 기반하여, 상기 물류 거점에 대한 배송량은 상기 예측 배송량으로 결정될 수 있다.
예를 들어, 상기 예상 기간이 상기 사전 설정된 목표 기간을 초과하는 것에 기반하여, 상기 물류 거점에 대한 배송량은 상기 예측 배송량에서 설정 값을 뺀 값으로 결정될 수 있다.
상기 설정 값은 하기 수학식 1에 의해 결정될 수 있다.
상기 수학식 1에서, 상기 S는 상기 설정 값이고, 상기 pe는 상기 예상 기간이고, 상기 ptarget은 상기 사전 설정된 목표 기간이고, 상기 pmax는 최대 배송량을 공장으로부터 물류 거점을 거쳐 매장까지 배송하는 기간이고, 상기 k는 제1 배송 단말의 개수이고, 상기 Li는 i번째 제1 배송 단말의 최대 적재량일 수 있다.
이하에서 상기 최대 배송량을 공장으로부터 물류 거점을 거쳐 매장까지 배송하는 기간을 최대량 배송 기간(pmax)이라 지칭한다. 예를 들어, 상기 예상 기간과 상기 사전 설정된 목표 기간이 상기 pmax를 초과하는 경우, 제1 서버는 상기 예상 기간과 상기 사전 설정된 목표 기간에서 상기 pmax 값을 나눈 값에 올림 함수를 적용한 값, 즉 1보다 큰 정수 값에 최대 배송량을 곱한 값으로 상기 설정 값을 결정할 수 있다. 또한, 각 제1 배송 단말이 상이한 적재량을 가질 수 있기 때문에, 제1 서버는 각각의 제1 배송 단말에 대한 최대 적재량을 합한 값으로 최대 배송량을 결정함으로써, 보다 정확한 최대 배송량을 결정할 수 있다.
따라서, 제1 서버는 최대 배송량을 한번에 매장까지 배송하는 기간을 기준으로 설정 값을 결정하고, 상기 설정 값만큼 예측 배송량에서 제외할 수 있다.
예를 들어, 상기 예상 기간과 상기 사전 설정된 목표 기간이 상기 pmax 이하인 경우, 제1 서버는 최대 배송량을 설정 값으로 결정할 수 있다.
이를 통해, 제1 서버는 뉴럴 네트워크를 통해 결정된 예측 배송량에 대해 가상 시뮬레이션을 통해 한번 더 검증함으로써, 보다 정확한 배송량을 결정할 수 있다.
상기 pmax는 하기 수학식 2에 의해 결정될 수 있다.
상기 수학식 2에서, 상기 pmax는 상기 최대 배송량을 공장으로부터 물류 거점을 거쳐 매장까지 배송하는 기간이고, 상기 Dx1 내지 Dxk는 상기 복수의 제1 배송 단말 각각에 대한 평균 주행 시간이고, 상기 Dy1 내지 Dyn은 상기 복수의 제2 배송 단말 각각에 대한 평균 주행 시간이고, 상기 k는 제1 배송 단말의 개수이고, 상기 Li는 i번째 제1 배송 단말의 최대 적재량이고, 상기 wavg는 하나의 자동 운송 단말이 물품을 운송할 수 있는 최대 운송 무게이고, 상기 na는 자동 운송 단말의 개수이고, 상기 ta는 최대 운송 무게를 운송하는 평균 주행 시간일 수 있다.
예를 들어, 복수의 제1 배송 단말 각각에 대한 평균 주행 시간 중 최댓값과 복수의 제2 배송 단말 각각에 대한 평균 주행 시간 중 최댓값이 클수록, 상기 최대량 배송 기간을 길어질 수 있다. 또한, 예를 들어, 자동 운송 단말의 개수가 작고, 하나의 자동 운송 단말이 운송할 수 있는 최대 운송 무게가 작고, 최대 운송 무게를 운송하는 평균 주행 시간이 짧을수록, 상기 최대량 배송 기간이 짧아질 수 있다.
이로 인해, 제1 서버는 복수의 제1 배송 단말과 복수의 제2 배송 단말이 상이한 배송 단말인 경우에 대해서 소요되는 배송 시간을 고려하고, 자동 운송 단말의 최대 운송 무게와 개수를 고려함으로써, 보다 정확하게 최대량 배송 기간을 결정할 수 있다.
예를 들어, 상기 예상 기간이 상기 사전 설정된 목표 기간을 초과하는 것에 기반하여, 추가 물류 거점이 결정될 수 있다. 예를 들어, 상기 추가 물류 거점은 상기 물류 거점에 대한 정보, 상기 매장에 대한 정보, 상기 제1 주행과 관련된 정보 및 상기 제2 주행과 관련된 정보에 기반하여 결정될 수 있다.
부가적으로, 예를 들어, 제1 서버는 상기 물류 거점에 대한 정보, 상기 매장에 대한 정보 및 상기 제2 주행과 관련된 정보에 기반하여 상기 사전 설정된 가상 시뮬레이션 내 가상 공간 상에서 복수의 거점 후보를 결정하고, 상기 복수의 거점 후보 각각에 대한 점수를 결정하고, 상기 복수의 거점 후보 각각에 대한 점수 중에서 사전 설정된 점수 이상인 거점 후보를 추가 물류 거점으로 결정할 수 있다.
예를 들어, 상기 점수는 하기 수학식 3에 의해 결정될 수 있다.
상기 수학식 3에서, 상기 point는 상기 점수이고, 상기 xc는 상기 후보 거점의 x 좌표 값이고, 상기 xw는 공장, 물류 거점 및 매장을 기준으로 결정된 무게 중심의 x 좌표 값이고, 상기 yc는 상기 후보 거점의 y 좌표 값이고, 상기 yw는 상기 무게 중심의 y 좌표 값이고, 상기 d는 디폴트 값이고, 상기 trth는 교통량에 대한 기준 값이고, 상기 tr은 상기 후보 거점에 대한 사전 설정된 범위 내 교통량의 평균 값일 수 있다.
예를 들어, 상기 d 및 상기 trth는 상기 제1 서버에 사전 설정된 값일 수 있다. 예를 들어, 상기 tr은 교통량 정보 제공과 관련된 웹 페이지로부터 획득된 값일 수 있다.
예를 들어, 공장, 물류 거점 및 매장을 기준으로 결정된 무게 중심과 거점 후보의 거리가 가깝고, 후보 거점 주위의 교통량이 작은 값을 가질수록, 상기 점수가 높게 결정될 수 있다. 따라서, 제1 서버는 가상 공간 상의 좌표를 이용하여 보다 효율적으로 후보 거점을 탐색할 수 있고, 주변 교통량을 고려하여 적절한 추가 물류 거점을 결정할 수 있다.
예를 들어, 공장, 물류 거점 및 매장이 각각 복수 개인 경우, 제1 서버는 복수의 공장 각각에 대한 가상 공간 상의 제1 좌표, 복수의 물류 거점 각각에 대한 가상 공간 상의 제2 좌표 및 복수의 매장 각각에 대한 가상 공산 상의 제3 좌표를 결정하고, 제1 좌표, 제2 좌표 및 제3 좌표를 하나의 그룹으로 그룹핑하고, 각 그룹에 대한 무게 중심 좌표를 결정할 수 있다. 예를 들어, 제1 서버는 각 그룹에 대한 무게 중심 좌표 중 적어도 하나와의 거리가 가장 짧은 후보 거점을 추가 물류 거점으로 결정할 수 있다.
단계 S306에서, 제1 서버는 상기 물류 거점에 대한 배송량을 포함하는 메시지를 상기 제2 서버 및 상기 제3 서버에게 전송하는 단계를 포함할 수 있다.
도 4는 일 실시예에 따른 예측 모델을 나타낸 도면이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 예측 모델에 사용되는 뉴럴 네트워크는 GRU 기반의 뉴럴 네트워크일 수 있다. 뉴럴 네트워크는 입력 레이어(410), 하나 이상의 히든 레이어(420) 및 출력 레이어(430)을 포함할 수 있다.
예를 들어, 상기 하나 이상의 히든 레이어는 하나 이상의 GRU 블록을 포함하고, 하나의 GRU 블록은 리셋 게이트(reset gate)와 업데이트 게이트(update gate)를 포함할 수 있다. 여기서, 리셋 게이트와 업데이트 게이트는 시그모이드 레이어를 포함할 수 있다. 예를 들어, 시그모이드 레이어는 시그모이드 함수()가 활성화 함수인 레이어일 수 있다. 예를 들어, 리셋 게이트 및 업데이트 게이트를 통해 히든 스테이트가 제어되고, 각 게이트와 입력에 따른 가중치들이 존재할 수 있다.
예를 들어, 상기 복수의 물류 거점에 대한 정보 및 복수의 매장에 대한 정보에 대한 정보는 데이터 전처리를 통해 벡터화될 수 있다. 예를 들어, 물류 거점에 대한 정보는 물류 거점의 위치에 대한 값, 물류 거점의 규모에 대한 값, 월별 재고량, 월별 입고량, 월별 출고량, 물류 거점의 위치 특성에 대응하는 값, 매장과의 거리에 대한 값 및 공장과의 거리에 대한 값을 포함한 제1 입력 벡터로 변환될 수 있다. 상기 매장에 대한 정보는 매장의 월별 매출액, 월별 재고량, 물류 거점과의 거리에 대한 값 및 공장과의 거리에 대한 값을 포함한 제2 입력 벡터로 변환될 수 있다.
리셋 게이트는 과거의 정보를 리셋시키며, 이전 히든 레이어를 거쳐 도출된 가중치 r(t)는 수학식 4에 의해 결정될 수 있다.
예를 들어, 제1 입력 벡터 및 제2 입력 벡터가 상기 입력 레이어에 입력되고, 상기 리셋 게이트는 제1 입력 벡터 및 제2 입력 벡터를 기반으로 생성된 현재 시점의 입력 값(xt)이 입력되면 현재 시점의 가중치 Wr와 내적하고, 제1 입력 벡터 및 제2 입력 벡터를 기반으로 생성된, 이전 시점의 히든 스테이트(h(t-1))를 이전 시점의 가중치 Ur와 내적하고, 마지막으로 두 값을 합하여 시그모이드 함수에 입력되어 결과가 0과 1 사이의 값으로 출력될 수 있다. 이러한 0과 1 사이의 값을 통해 이전 시점의 히든 스테이트 값을 얼마나 활용할 것인지 결정될 수 있다.
업데이트 게이트는 과거와 현재의 정보에 대한 최신화 비율을 결정하며, z(t)는 현재 시점의 정보의 양으로, 수학식 5에 의해 결정될 수 있다.
예를 들어, 상기 현재 시점의 입력 값(xt)이 입력되면 현재 시점의 가중치 Wz와 내적하고, 상기 이전 시점의 히든 스테이트(h(t-1))는 이전 시점의 가중치 Uz와 내적하고, 마지막으로 두 값을 합하여 시그모이드 함수에 입력됨으로써 결과가 0과 1 사이의 값으로 출력될 수 있다. 그리고 1-z(t)를 직전 시점의 히든 레이어의 정보(h(t-1))에 곱할 수 있다.
이를 통해, z(t)는 현재 정보를 얼마나 사용할지와 1-z(t)를 과거 정보에 대해 얼마나 사용할지를 반영할 수 있다.
리셋 게이트의 결과를 곱하여 현재 시점 t의 정보 후보군이 수학식 6에 의해 결정될 수 있다.
예를 들어, 상기 현재 시점의 입력 값(xt)이 입력되면 현재 시점의 가중치 Wh와 내적한 값과, 상기 이전 시점의 히든 스테이트(h(t-1))는 이전 시점의 가중치 Uh와 내적하고, r(t)를 곱한 값을 합하여 tanh 함수에 입력될 수 있다. 예를 들어, tanh는 비선형 활성화 함수(하이퍼볼릭 탄젠트 함수)를 의미한다.
업데이트 게이트와 후보군의 결과를 결합함으로써, 현재 시점의 히든 레이어의 가중치를 수학식 7에 의해 결정할 수 있다.
예를 들어, 업데이트 게이트의 출력 값 z(t)와 현재 시점의 히든 스테이트(h(t))를 곱한 값과 업데이트 게이트에서 버려지는 값 1-z(t)와 이전 시점의 히든 스테이트(h(t-1))를 곱한 값의 합으로 현재 시점의 히든 레이어의 가중치가 결정될 수 있다.
예를 들어, 상기 예측 모델에서 사용되는 뉴럴 네트워크에 대한 가중치 초기화는, 각각의 레이어에 대해, 2에서 해당 레이어로 입력되는 입력 값의 개수와 해당 레이어에서 출력되는 출력 값의 개수를 합한 값을 나눈 가중치를 기반으로 수행될 수 있다. 따라서, 가중치의 시작 시점이 적절한 범위 내의 값으로 설정될 수 있다.
예를 들어, 상기 예측 모델에서 사용되는 뉴럴 네트워크에 대해 드롭 아웃이 적용될 수 있다. 여기서, 드롭 아웃은 서로 연결된 레이어에서 0에서 1사이의 확률로 뉴런을 제거하는 기법이다. 예를 들어, 드롭 아웃 비율이 0.5로 설정될 수 있다. 이러한 경우, 특정 레이어에 4개의 뉴런이 존재하면, 4개의 뉴런 각각에 대해 0.5의 확률로 랜덤하게 제거될 수 있다. 이를 통해, 예측 모델에 대한 과대적합(overfitting)을 방지할 수 있다.
예를 들어, 복수의 물류 거점에 대한 정보 및 복수의 매장에 대한 정보 관련된 정보 및 정답 물류 거점에 대한 배송량으로 구성된 각각의 학습 데이터는 상기 뉴럴 네트워크의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터로 출력되고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실함수를 이용하여 손실 값을 출력하고, 상기 뉴럴 네트워크의 파라미터가 상기 손실 값이 작아지는 방향으로 학습될 수 있다.
따라서, 제1 서버가 상기 예측 모델을 통해 학습된 뉴럴 네트워크의 파라미터를 사용할 수 있고, 제1 서버는 과거의 물류 거점에 대한 정보 및 과거의 매장에 대한 정보를 고려하여 물류 거점에 대한 예측 배송량을 결정할 수 있다.
도 5는 일 실시예에 따른 제1 서버가 뉴럴 네트워크를 이용하여 물류 거점에 대한 배송량을 결정하는 방법을 나타낸 흐름도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 단계 S501에서, 제1 서버는 상기 물류 거점에 대한 정보 및 상기 매장에 대한 정보에 기반하여 GRU 기반 뉴럴 네트워크를 이용한 예측 모델을 통해 예측 배송량을 결정할 수 있다.
단계 S502에서, 제1 서버는 가상 시뮬레이션을 통해 예측 배송량에 기반한 예상 기간을 결정할 수 있다. 예를 들어, 상기 물류 거점에 대한 예측 배송량이 상기 사전 설정된 가상 시뮬레이션에 입력되는 것에 기반하여, 상기 예상 기간은 상기 물류 거점 내부의 자동 운송 단말의 개수, 상기 제1 배송 단말의 개수, 상기 제2 배송 단말의 개수, 상기 물류 거점과 관련된 매장의 개수, 상기 제1 주행과 관련된 정보, 상기 제2 주행과 관련된 정보 및 상기 제3 주행과 관련된 정보에 따라 상기 가상 공간에서 상기 예측 배송량에 해당하는 가상의 물품이 가상의 공장에서 가상의 물류 거점을 거쳐 가상의 매장까지 배송되는 기간으로 결정될 수 있다.
단계 S503에서, 제1 서버는 예상 기간이 사전 설정된 목표 기간을 초과하는지 여부를 결정할 수 있다.
단계 S504에서, 예상 기간이 사전 설정된 목표 기간을 초과하는 경우, 제1 서버는 예상 기간과 사전 설정된 목표 기간의 차이 값이 최대량 배송 기간을 초과하는지 여부를 결정할 수 있다. 예를 들어, 최대량 배송 기간은 상술한 수학식 2에 의해 결정될 수 있다.
단계 S505에서, 예상 기간과 사전 설정된 목표 기간의 차이 값이 최대량 배송 기간을 초과하는 경우, 제1 서버는 최대 배송량의 배수로 설정 값을 결정할 수 있다. 예를 들어, 제1 서버는 상술한 수학식 1에서 예상 기간과 사전 설정된 목표 기간의 차이 값이 최대량 배송 기간을 초과하는 케이스를 기반으로 제1 설정 값을 결정할 수 있다.
단계 S506에서, 예상 기간과 사전 설정된 목표 기간의 차이 값이 최대량 배송 기간 이하인 경우, 제1 서버는 최대 배송량으로 설정 값을 결정할 수 있다. 예를 들어, 제1 서버는 상술한 수학식 1에서 예상 기간과 사전 설정된 목표 기간의 차이 값이 최대량 배송 기간 이하인 케이스를 기반으로 제2 설정 값을 결정할 수 있다.
단계 S507에서, 예상 기간이 사전 설정된 목표 기간을 초과하는 경우, 제1 서버는 복수의 거점 후보를 결정할 수 있다. 예를 들어, 제1 서버는 상기 물류 거점에 대한 정보, 상기 매장에 대한 정보 및 상기 제2 주행과 관련된 정보에 기반하여 상기 사전 설정된 가상 시뮬레이션 내 가상 공간 상에서 복수의 거점 후보를 결정하고, 상기 복수의 거점 후보 각각에 대한 점수를 상술한 수학식 3에 의해 결정할 수 있다.
단계 S508에서, 제1 서버는 복수의 거점 후보에 대한 점수 중에서 사전 설정된 점수 이상인 거점 후보가 존재하는지 결정할 수 있다.
단계 S509에서, 제1 서버는 사전 설정된 점수 이상인 점수를 가진 거점 후보를 추가 물류 거점으로 결정할 수 있다.
단계 S510에서, 제1 서버는 물류 거점에 대한 배송량을 결정할 수 있다. 예를 들어, 예상 기간이 사전 설정된 목표 기간 이하인 경우, 제1 서버는 예측 배송량을 물류 거점에 대한 배송량으로 결정할 수 있다. 예를 들어, 예상 기간이 사전 설정된 목표 기간을 초과하고, 예상 기간과 사전 설정된 목표 기간의 차이 값이 최대량 배송 기간을 초과하는 경우, 제1 서버는 예측 배송량에서 제1 설정 값을 뺀 값을 물류 거점에 대한 배송량으로 결정할 수 있다. 예를 들어, 예상 기간이 사전 설정된 목표 기간을 초과하고, 예상 기간과 사전 설정된 목표 기간의 차이 값이 최대량 배송 기간 이하인 경우, 제1 서버는 예측 배송량에서 제2 설정 값을 뺀 값을 물류 거점에 대한 배송량으로 결정할 수 있다.
도 6은 일 실시예에 따른 제1 서버의 구성을 나타내는 블록도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 6에 도시된 바와 같이, 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 서버(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(600)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(610)는, 통상적으로 서버(600)의 전반적인 동작을 제어한다. 프로세서(610)는 하나 이상의 프로세서를 구비하여, 서버(600)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(610)는, 메모리(630)에 저장된 프로그램들을 실행함으로써, 통신부(620) 및 메모리(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(610)는 메모리(630)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 5에 기재된 서버(600)의 기능을 수행할 수 있다.
일 실시예에 따라, 프로세서(610)는 통신부(620)를 통해 제2 서버로부터 물류 거점에 대한 정보, 제1 주행과 관련된 정보 및 제2 주행과 관련된 정보를 수신할 수 있다. 예를 들어, 상기 제1 주행과 관련된 정보는 물류 거점 내 복수의 자동 운송 단말로부터 획득될 수 있다. 예를 들어, 상기 제2 주행과 관련된 정보는 복수의 제1 배송 단말로부터 획득될 수 있다.
프로세서(610)는 통신부(620)를 통해 제3 서버로부터 매장에 대한 정보 및 제3 주행과 관련된 정보를 수신할 수 있다. 예를 들어, 상기 제3 주행과 관련된 정보는 복수의 제2 배송 단말로부터 획득될 수 있다.
프로세서(610)는 메모리(630)를 통해 상기 물류 거점에 대한 정보 및 상기 매장에 대한 정보에 기반하여 GRU(gated recurrent unit) 기반 뉴럴 네트워크를 이용한 예측 모델을 통해 물류 거점에 대한 예측 배송량을 결정할 수 있다. 프로세서(610)는 메모리(630)를 통해 상기 제1 주행과 관련된 정보, 상기 제2 주행과 관련된 정보 및 상기 제3 주행과 관련된 정보를 기반으로 상기 물류 거점에 대한 예측 배송량에 대해 사전 설정된 가상 시뮬레이션을 수행할 수 있다. 프로세서(610)는 메모리(630)를 통해 상기 사전 설정된 가상 시뮬레이션에 따라 결정된 예상 기간 및 사전 설정된 목표 기간에 기반하여 상기 물류 거점에 대한 배송량을 결정할 수 있다. 프로세서(610)는 통신부(620)를 통해 상기 물류 거점에 대한 배송량을 포함하는 메시지를 상기 제2 서버 및 상기 제3 서버 각각에게 전송할 수 있다. 프로세서(610)는 통신부(620)를 통해 상기 리포트 정보 및 상기 제1 단말과 관련된 광고 기업 리스트를 상기 제1 단말에게 제공할 수 있다.
프로세서(610)는 메모리(630)를 통해 상기 사전 설정된 가상 시뮬레이션 내 가상 공간을 물류 거점의 내부 지도, 공장과 물류 거점 및 각각의 매장이 포함된 외부 지도, 복수의 자동 운송 단말의 주행 경로, 공장에서 물류 거점까지 복수의 제1 배송 단말의 주행 경로 및 물류 거점에서 매장까지 복수의 제2 배송 단말의 주행 경로를 기반으로 설정할 수 있다. 예를 들어, 상기 제1 주행과 관련된 정보는 자동 운송 단말의 주행 시간, 자동 운송 단말의 주행 경로에 대한 정보를 포함하는 제1 주행 정보와 자동 운송 단말에 대한 정보를 포함할 수 있다. 예를 들어, 상기 제2 주행과 관련된 정보는 제1 배송 단말의 주행 시간 및 제1 배송 단말의 주행 경로에 대한 정보를 포함하는 제2 주행 정보와 제1 배송 단말에 대한 정보를 포함할 수 있다. 예를 들어, 상기 제3 주행과 관련된 정보는 제2 배송 단말의 주행 시간 및 제2 배송 단말의 주행 경로에 대한 정보를 포함하는 제3 주행 정보와 제2 배송 단말에 대한 정보를 포함할 수 있다. 예를 들어, 프로세서(610)는 메모리(630)를 통해 상기 물류 거점에 대한 예측 배송량이 상기 사전 설정된 가상 시뮬레이션에 입력되는 것에 기반하여, 상기 예상 기간을 상기 물류 거점 내부의 자동 운송 단말의 개수, 상기 제1 배송 단말의 개수, 상기 제2 배송 단말의 개수, 상기 물류 거점과 관련된 매장의 개수, 상기 제1 주행과 관련된 정보, 상기 제2 주행과 관련된 정보 및 상기 제3 주행과 관련된 정보에 따라 상기 가상 공간에서 상기 예측 배송량에 해당하는 가상의 물품이 가상의 공장에서 가상의 물류 거점을 거쳐 가상의 매장까지 배송되는 기간으로 결정할 수 있다.
프로세서(610)는 메모리(630)를 통해 상기 예상 기간이 상기 사전 설정된 목표 기간을 초과하는 것에 기반하여, 상기 물류 거점에 대한 배송량을 상기 예측 배송량에서 설정 값을 뺀 값으로 결정할 수 있다. 프로세서(610)는 메모리(630)를 통해 설정 값을 상술한 수학식 1에 의해 결정할 수 있다.
프로세서(610)는 메모리(630)를 통해 상기 예상 기간이 상기 사전 설정된 목표 기간을 초과하는 것에 기반하여, 추가 물류 거점을 결정할 수 있다. 프로세서(610)는 메모리(630)를 통해 상기 추가 물류 거점을 상기 물류 거점에 대한 정보, 상기 매장에 대한 정보, 상기 제2 주행 정보 및 상기 제3 주행 정보에 기반하여 결정할 수 있다.
예를 들어, 상기 뉴럴 네트워크는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 프로세서(610)는 메모리(630)를 통해 복수의 물류 거점에 대한 정보 및 복수의 매장에 대한 정보 관련된 정보 및 정답 물류 거점에 대한 배송량으로 구성된 각각의 학습 데이터를 상기 뉴럴 네트워크의 상기 입력 레이어에 입력시키고 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터로 출력하고, 상기 출력 벡터를 상기 출력 레이어에 연결된 손실함수 레이어에 입력시키고, 상기 손실함수 레이어를 통해 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실함수를 이용하여 손실 값을 출력하고, 상기 뉴럴 네트워크의 파라미터를 상기 손실 값이 작아지는 방향으로 학습시킬 수 있다.
통신부(620)는, 서버(600)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(600)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(620)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(620)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(620)는 프로세서(610)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(620)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(620)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(630)는, 프로세서(610)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(630)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(630)는 프로세서(610)에서 생성된 데이터를 저장할 수 있다. 메모리(630)는 서버(600)로 입력되거나 서버(600)로부터 출력되는 정보를 저장할 수도 있다.
메모리(630)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (5)
- 제1 서버가 뉴럴 네트워크(neural network)를 이용하여 물류 거점에 대한 배송량을 결정하는 방법에 있어서,
상기 제1 서버에 포함된 통신부에 의해, 제2 서버로부터 물류 거점에 대한 정보, 제1 주행과 관련된 정보 및 제2 주행과 관련된 정보를 수신하는 단계;
상기 제1 주행과 관련된 정보는 물류 거점 내 복수의 자동 운송 단말로부터 획득되고,
상기 제2 주행과 관련된 정보는 복수의 제1 배송 단말로부터 획득되고,
상기 제1 서버에 포함된 통신부에 의해, 제3 서버로부터 매장에 대한 정보 및 제3 주행과 관련된 정보를 수신하는 단계;
상기 제3 주행과 관련된 정보는 복수의 제2 배송 단말로부터 획득되고,
상기 제1 서버에 포함된 프로세서 및 메모리에 의해, 상기 물류 거점에 대한 정보 및 상기 매장에 대한 정보에 기반하여 GRU(gated recurrent unit) 기반 뉴럴 네트워크를 이용한 예측 모델을 통해 물류 거점에 대한 예측 배송량을 결정하는 단계;
상기 물류 거점에 대한 정보는 물류 거점의 재고 정보, 물류 거점의 위치 및 규모에 대한 정보, 물류 거점의 입고량, 물류 거점의 출고량, 물류 거점의 위치 특성, 보관 물품의 종류, 각 매장과의 거리에 대한 정보 및 각 공장과의 거리에 대한 정보를 포함하고,
상기 매장에 대한 정보는 매장의 매출액에 대한 정보, 매장의 재고 정보, 각 물류 거점과의 거리에 대한 정보 및 각 공장과의 거리에 대한 정보를 포함하고,
상기 제1 서버에 포함된 프로세서 및 메모리에 의해, 상기 제1 주행과 관련된 정보, 상기 제2 주행과 관련된 정보 및 상기 제3 주행과 관련된 정보를 기반으로 상기 물류 거점에 대한 예측 배송량에 대한 사전 설정된 가상 시뮬레이션을 통해 예상 기간을 결정하는 단계;
상기 사전 설정된 가상 시뮬레이션 내 가상 공간은 물류 거점의 내부 지도, 공장과 물류 거점 및 각각의 매장이 포함된 외부 지도, 복수의 자동 운송 단말의 주행 경로, 공장에서 물류 거점까지 복수의 제1 배송 단말의 주행 경로 및 물류 거점에서 매장까지 복수의 제2 배송 단말의 주행 경로를 기반으로 설정되고,
상기 물류 거점에 대한 예측 배송량이 상기 사전 설정된 가상 시뮬레이션에 입력되는 것에 기반하여, 상기 예상 기간은 상기 물류 거점 내부의 자동 운송 단말의 개수, 상기 제1 배송 단말의 개수, 상기 제2 배송 단말의 개수, 상기 물류 거점과 관련된 매장의 개수, 상기 제1 주행과 관련된 정보, 상기 제2 주행과 관련된 정보 및 상기 제3 주행과 관련된 정보에 따라 상기 가상 공간에서 상기 예측 배송량에 해당하는 가상의 물품이 가상의 공장에서 가상의 물류 거점을 거쳐 가상의 매장까지 배송되는 기간으로 결정되고,
상기 제1 주행과 관련된 정보는 자동 운송 단말의 주행 시간, 자동 운송 단말의 주행 경로에 대한 정보를 포함하는 제1 주행 정보와 자동 운송 단말에 대한 정보를 포함하고,
상기 제2 주행과 관련된 정보는 제1 배송 단말의 주행 시간 및 제1 배송 단말의 주행 경로에 대한 정보를 포함하는 제2 주행 정보와 제1 배송 단말에 대한 정보를 포함하고,
상기 제3 주행과 관련된 정보는 제2 배송 단말의 주행 시간 및 제2 배송 단말의 주행 경로에 대한 정보를 포함하는 제3 주행 정보와 제2 배송 단말에 대한 정보를 포함하고,
상기 제1 주행 정보는 상기 복수의 자동 운송 단말에 구비된 라이다(RiDAR) 센서 및 RGB-D 카메라를 통해 측정된 정보에 기반하여 결정되고,
상기 제2 주행 정보는 상기 복수의 제1 배송 단말에 구비된 GPS(global positioning system)에 의해 측정된 정보에 기반하여 결정되고,
상기 제3 주행 정보는 상기 복수의 제2 배송 단말에 구비된 GPS에 의해 측정된 정보에 기반하여 결정되고,
상기 제1 서버에 포함된 프로세서 및 메모리에 의해, 상기 예상 기간 및 사전 설정된 목표 기간에 기반하여 상기 물류 거점에 대한 배송량을 결정하는 단계; 및
상기 예상 기간이 상기 사전 설정된 목표 기간을 초과하는 것에 기반하여, 상기 예상 기간과 상기 사전 설정된 목표 기간의 차이 값이 최대량 배송 기간을 초과하는지 여부가 결정되고,
상기 최대량 배송 기간이 최대 배송량을 상기 공장으로부터 상기 물류 거점을 거쳐 상기 매장까지 배송하는 기간이고, 및 하기 수학식 1에 의해 결정되고,
[수학식 1]
상기 pmax는 상기 최대량 배송 기간이고, 상기 Dx1 내지 Dxk는 상기 복수의 제1 배송 단말 각각에 대한 평균 주행 시간이고, 상기 Dy1 내지 Dyn은 상기 복수의 제2 배송 단말 각각에 대한 평균 주행 시간이고, 상기 k는 제1 배송 단말의 개수이고, 상기 Li는 i번째 제1 배송 단말의 최대 적재량이고, 상기 wavg는 하나의 자동 운송 단말이 물품을 운송할 수 있는 최대 운송 무게이고, 상기 na는 자동 운송 단말의 개수이고, 상기 ta는 최대 운송 무게를 운송하는 평균 주행 시간이고,
상기 예상 기간과 상기 사전 설정된 목표 기간의 차이 값이 상기 최대량 배송 기간을 초과하는 경우, 설정 값이 하기 수학식 2에 의해 결정된 값에 올림 함수를 적용한 값으로 결정되고,
[수학식 2]
상기 pe는 상기 예상 기간이고, 상기 ptarget은 상기 사전 설정된 목표 기간이고, 상기 pmax는 최대량 배송 기간이고, 상기 k는 상기 제1 배송 단말의 개수이고, 상기 Li는 i번째 제1 배송 단말의 최대 적재량이고,
상기 물류 거점에 대한 배송량은 상기 물류 거점에 대한 예측 배송량에서 상기 설정 값을 뺀 값으로 결정되고,
상기 제1 서버에 포함된 통신부에 의해, 상기 물류 거점에 대한 배송량을 포함하는 메시지를 상기 제2 서버 및 상기 제3 서버에게 전송하는 단계를 포함하되,
상기 예상 기간이 상기 사전 설정된 목표 기간을 초과하는 것에 기반하여, 추가 물류 거점이 결정되고,
상기 물류 거점에 대한 정보, 상기 매장에 대한 정보 및 상기 제2 주행과 관련된 정보에 기반하여 상기 사전 설정된 가상 시뮬레이션 내 가상 공간 상에서 복수의 거점 후보가 결정되고,
상기 복수의 거점 후보 각각에 대한 점수가 하기 수학식 3에 의해 결정되고,
[수학식 3]
상기 point는 상기 점수이고, 상기 xc는 상기 후보 거점의 x 좌표 값이고, 상기 xw는 공장, 물류 거점 및 매장을 기준으로 결정된 무게 중심의 x 좌표 값이고, 상기 yc는 상기 후보 거점의 y 좌표 값이고, 상기 yw는 상기 무게 중심의 y 좌표 값이고, 상기 d는 디폴트 값이고, 상기 trth는 교통량에 대한 기준 값이고, 상기 tr은 상기 후보 거점에 대한 사전 설정된 범위 내 교통량의 평균 값이고,
상기 추가 물류 거점은 복수의 거점 후보 각각에 대한 점수 중에서 사전 설정된 점수 이상인 거점 후보로 결정되는,
방법.
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220108531A KR102604762B1 (ko) | 2022-08-29 | 2022-08-29 | 뉴럴 네트워크를 이용하여 예측된 배송량에 기반하여 물류 거점에 대한 배송량을 결정하는 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220108531A KR102604762B1 (ko) | 2022-08-29 | 2022-08-29 | 뉴럴 네트워크를 이용하여 예측된 배송량에 기반하여 물류 거점에 대한 배송량을 결정하는 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102604762B1 true KR102604762B1 (ko) | 2023-11-22 |
Family
ID=88973924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220108531A KR102604762B1 (ko) | 2022-08-29 | 2022-08-29 | 뉴럴 네트워크를 이용하여 예측된 배송량에 기반하여 물류 거점에 대한 배송량을 결정하는 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102604762B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050100906A (ko) * | 2004-04-16 | 2005-10-20 | 주식회사북스빌 | 네트웍정보망에 기반한 실시간 지능형출판물류종합서비스지원시스템 |
| KR101799458B1 (ko) * | 2016-06-02 | 2017-11-20 | 이정륜 | 공유경제형 협력적 배송 서비스를 위한 시스템 및 방법 |
| KR20220093171A (ko) * | 2019-11-06 | 2022-07-05 | 나노트로닉스 이미징, 인코포레이티드 | 제조 공정을 위한 시스템, 방법 및 매체 |
-
2022
- 2022-08-29 KR KR1020220108531A patent/KR102604762B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050100906A (ko) * | 2004-04-16 | 2005-10-20 | 주식회사북스빌 | 네트웍정보망에 기반한 실시간 지능형출판물류종합서비스지원시스템 |
| KR101799458B1 (ko) * | 2016-06-02 | 2017-11-20 | 이정륜 | 공유경제형 협력적 배송 서비스를 위한 시스템 및 방법 |
| KR20220093171A (ko) * | 2019-11-06 | 2022-07-05 | 나노트로닉스 이미징, 인코포레이티드 | 제조 공정을 위한 시스템, 방법 및 매체 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102557871B1 (ko) | 뉴럴 네트워크를 이용하여 물품 창고에 대한 정보를 기초로 물품의 재고 상태를 업데이트하는 방법 및 장치 | |
| KR102467890B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 방법 및 장치 | |
| KR102480969B1 (ko) | 뉴럴 네트워크를 이용하여 설정된 값을 기반으로 몰래 카메라를 탐지한 결과에 따라 전력을 공급하는 방법 및 장치 | |
| KR102582594B1 (ko) | 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치 | |
| KR102625772B1 (ko) | 뉴럴 네트워크를 이용한 공동 구매 방법 및 장치 | |
| KR20240013020A (ko) | 뉴럴 네트워크를 이용하여 보험금 청구와 관련된 정보에 따라 의료기관의 경영 정보를 단말에게 제공하는 방법 및 장치 | |
| KR102576380B1 (ko) | 뉴럴 네트워크를 이용하여 rMQR 코드에 날짜가 중첩되어 표기된 상품을 관리하는 방법 및 시스템 | |
| KR102573295B1 (ko) | 뉴럴 네트워크를 이용하여 무인 카페 내부의 복수의 좌석 영역을 관리하는 방법 및 장치 | |
| KR102604762B1 (ko) | 뉴럴 네트워크를 이용하여 예측된 배송량에 기반하여 물류 거점에 대한 배송량을 결정하는 방법 및 장치 | |
| KR102437112B1 (ko) | 뉴럴 네트워크 기반의 물류 분산 시스템 | |
| KR102439212B1 (ko) | 학습된 뉴럴 네트워크를 이용하여 온라인상에서 임대차 통합 서비스를 제공하는 시스템 | |
| KR102384892B1 (ko) | 뉴럴 네트워크를 이용한 기부 컨텐츠 추천 방법 및 장치 | |
| KR20230090979A (ko) | 뉴럴 네트워크를 이용한 상담 가이드 정보 추천 방법 및 장치 | |
| KR102669159B1 (ko) | 거시적 공간상황 인식을 위한 연결 공간 토폴로지를 활용한 인공지능 기반의 연속 이벤트를 추론하는 방법 및 장치 | |
| KR102636189B1 (ko) | 인공지능 영상 분석과 디지털 트윈 정합을 통한 객체 공간성 인지와 발생 이벤트의 공간-시간 맵 가시화 방법 및 장치 | |
| KR102678081B1 (ko) | 인공지능 영상 분석 기술을 활용한 영상 공간 커버리지 기반 디지털 트윈 모니터링 시각화 방법 및 장치 | |
| KR102602594B1 (ko) | 메타버스 상에서 공간 시멘틱 정보를 기반으로 아바타의 위치를 추적하는 방법 및 장치 | |
| KR102666423B1 (ko) | 유휴 공간과 연동된 팝업 스토어를 가상 공간에 생성하는 방법 및 시스템 | |
| KR102504950B1 (ko) | 뉴럴 네트워크를 이용하여 예측된 상품 판매량을 사용자 단말에게 제공하는 방법 및 장치 | |
| KR102602589B1 (ko) | 뉴럴 네트워크를 사용하여 오프라인 팝업 스토어와 관련된 정보를 기반으로 메타버스 팝업 스토어를 관리하는 방법 및 장치 | |
| KR102530412B1 (ko) | 뉴럴 네트워크를 이용하여 메타버스에 생성된 가상 건축물 내에서 미디어아트 조형물을 설치하기 위한 영역을 사용자 단말에게 추천하는 방법 및 장치 | |
| KR102643021B1 (ko) | 뉴럴 네트워크를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 방법 및 시스템 | |
| KR102585090B1 (ko) | 뉴럴 네트워크를 이용하여 웹툰과 연동된 게임을 사용자 단말에게 제공하는 방법 및 장치 | |
| KR102607631B1 (ko) | 인공지능 기반의 농축산물 직거래 플랫폼 서비스 제공 방법 및 시스템 | |
| KR102497016B1 (ko) | 농산물 추천 방법 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |