KR102649498B1 - 선사별 실시간 통합 예약 정보를 기반으로 한 화주의 해상 운송 예약 자동화 플랫폼 서비스 제공 방법, 장치 및 시스템 - Google Patents
선사별 실시간 통합 예약 정보를 기반으로 한 화주의 해상 운송 예약 자동화 플랫폼 서비스 제공 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR102649498B1 KR102649498B1 KR1020230175073A KR20230175073A KR102649498B1 KR 102649498 B1 KR102649498 B1 KR 102649498B1 KR 1020230175073 A KR1020230175073 A KR 1020230175073A KR 20230175073 A KR20230175073 A KR 20230175073A KR 102649498 B1 KR102649498 B1 KR 102649498B1
- Authority
- KR
- South Korea
- Prior art keywords
- ship
- reservation
- information
- schedule
- shipper
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000013473 artificial intelligence Methods 0.000 claims description 42
- 230000032258 transport Effects 0.000 claims description 5
- 238000007726 management method Methods 0.000 abstract description 8
- 238000012384 transportation and delivery Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 17
- 238000010801 machine learning Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001755 vocal effect Effects 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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
- G06Q10/06314—Calendaring for a resource
-
- 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
- G06Q10/0833—Tracking
-
- 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
- G06Q10/0838—Historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 개시의 일 실시예에 따른, 선사별 운항 정보에 기초한 해상 운송 예약 방법은 예약 시스템 서버의 운항 검색 모듈을 통해 선사별 선박의 운항 스케줄 정보및 견적 정보가 실시간으로 수집되는 단계, 선박 예약 앱이 설치된 화주 단말기를 통해 배송 국가, 항구 이름, 출발 날짜, 도착 날짜, 컨테이너 타입, 컨테이너 크기, 컨테이너 수량, 화물의 총 무게 및 물품 가격에 대한 정보를 포함하는 화물 운송 정보 및 견적 정보가 입력되는 단계, 상기 화주 단말기를 통해 입력된 상기 화물 운송 정보 및 상기 견적 정보와 매칭되는 적어도 하나의 선박을 상기 예약 시스템 서버의 스케줄 매칭 모듈를 통해 추출하는 단계, 상기 스케줄 매칭 모듈을 통해 매칭된 상기 선박의 배송 국가, 항구 이름, 선박 출항일, 선박 입항일, 선박 이름, 선사 이름에 대한 정보가 표시된 인터페이스를 상기 선박 예약 앱에 제공하는 단계, 상기 화주 단말기를 통해 선택된 선박을 기초로 선박 출항일, 선박 입항일, 선박 출하예정시간, 선박 도착예정시간, 화물 수취마감시간에 대한 정보가 표시된 인터페이스를 상기 선박 예약 앱에 제공하는 단계, 상기 화주 단말기를 통해 선택된 선박을 기초로 상기 예약 시스템 서버의 예약 관리 모듈에서 예약 정보를 생성하는 단계, 상기 예약 시스템 서버의 선박 이동 경로 수집부에 수집된 상기 선박의 추정 이동 경로를 상기 선박 예약 앱에 제공하고, 상기 화주 단말기를 통해 상기 추정 이동 경로의 특정 지점에 적어도 하나의 포인트가 입력되는 단계, 상기 예약 시스템 서버의 선박 추적 모듈을 통해 선박의 실시간 위치를 확인하는 단계, 선박의 위치가 상기 추정 이동 경로에 표시된 상기 포인트에 도달됨에 따라 상기 예약 시스템 서버의 알림 제공 모듈에서 상기 선박 예약 앱에 알림을 제공하는 단계 및 상기 예약 시스템 서버의 기간 연산 모듈을 통해 상기 포인트를 기점으로 도착 예정지까지 남은 시간을 연산하여 상기 선박 예약 앱에 제공하는 단계를 포함하고, 상기 예약 시스템 서버에서 상기 선박 예약 앱에 제공된 상기 선박 입항일 및 상기 선박 도착예정시간은, 상기 화주 단말기를 통해 선택된 선박의 과거 운항 정보를 기초로 상기 기간 연산 모듈에서 연산할 수 있다.
Description
본 문서에 개시된 다양한 실시예들은, 선사별 실시간 통합 예약 정보를 기반으로 한 화주의 해상 운송 예약 자동화 플랫폼 서비스 제공 방법, 장치 및 시스템에 관한 것이다.
특정지역을 중심으로 한 배후지역의 물류여건은 도로, 항만, 공항 등의 연계되어 있으며, 이를 중심으로 중소 포워딩/알선/종합물류업체들이 산재해 있으나 비효율적인 업무체계와 영세한 규모, 그리고 대부분의 업무를 실 질적으로 페이퍼 위크에 의해 처리하고 있는 실정이므로, 이로 인해 물류비용이 높아지고 국제 경쟁력을 상실하는 원인이 된다.
화주 측면에서는 복합한 국제화물유통관련 업무 및 화물 수령에 관련된 일체의 서류 작성 및 절차를 운송주선인이 대신하므로, 이와 관련된 인원, 시간, 및 비용이 절감되어 본업인 생산 및 판매에 전념하거나 화물 유통 및 수령에 관한 조언을 용이하게 얻을 수 있다. 또한 운송주선인은 다수의 송화인으로부터 위탁받은 선복교섭권을 활용하여 대형화된 화물양을 배경으로 운송인으로부터 화주에게 보다 유리한 레이트를 유도함으로써, 규모의 경제의 이익을 위탁자와 함께 누릴 수 있다.
한편, 선사에게도 다수의 일반 화주를 직접 대하는 것보다 몇몇의 포워더를 상대함으로써 영업비용을 절감하면 서도 안정적인 운송물량을 확보할 수 있다
종래에는 컨테이너(또는 벌크) 선박을 예약하기 위해서 선박회사(선사)의 컨테이너 선박 예약 업무를 대행하는 중간업자를 통하거나, 전화, 팩스(Fax)를 이용하여 선사에 직접 연락하여 예약을 하곤 하였는데, 소형 하주의 경우 직접 선사에 선박 예약을 한다는 것은 불가능하며, 또한 중간업자를 통한다고 하더라도 선박을 예약할 때까지는 시간이 많이 소요되고, 중간업자의 수수료가 반영되어 실제 선사의 운임보다 높은 운임을 중간업자에게 지불해야 하며, 선적 업무를 진행하기 위한 선적 서류를 작성을 위해 많은 시간 과 노력이 필요하다는 단점이 있다.
즉, 화주가 중간업자를 통하지 않고 선사와 직접 예약을 진행하는 것은 많은 시간과 비용이 소비될 수 있다. 따라서, 화주 입장에서는 여러 선사의 선박 운행 일정 및 견적을 비교하여 화주가 직접 선택하는 플랫폼이 필요한 실정이다.
본 개시의 일 실시예에 따른, 선사별 운항 정보에 기초한 해상 운송 예약 방법은 예약 시스템 서버의 운항 검색 모듈을 통해 선사별 선박의 운항 스케줄 정보및 견적 정보가 실시간으로 수집되는 단계, 선박 예약 앱이 설치된 화주 단말기를 통해 배송 국가, 항구 이름, 출발 날짜, 도착 날짜, 컨테이너 타입, 컨테이너 크기, 컨테이너 수량, 화물의 총 무게 및 물품 가격에 대한 정보를 포함하는 화물 운송 정보 및 견적 정보가 입력되는 단계, 상기 화주 단말기를 통해 입력된 상기 화물 운송 정보 및 상기 견적 정보와 매칭되는 적어도 하나의 선박을 상기 예약 시스템 서버의 스케줄 매칭 모듈를 통해 추출하는 단계, 상기 스케줄 매칭 모듈을 통해 매칭된 상기 선박의 배송 국가, 항구 이름, 선박 출항일, 선박 입항일, 선박 이름, 선사 이름에 대한 정보가 표시된 인터페이스를 상기 선박 예약 앱에 제공하는 단계, 상기 화주 단말기를 통해 선택된 선박을 기초로 선박 출항일, 선박 입항일, 선박 출하예정시간, 선박 도착예정시간, 화물 수취마감시간에 대한 정보가 표시된 인터페이스를 상기 선박 예약 앱에 제공하는 단계, 상기 화주 단말기를 통해 선택된 선박을 기초로 상기 예약 시스템 서버의 예약 관리 모듈에서 예약 정보를 생성하는 단계, 상기 예약 시스템 서버의 선박 이동 경로 수집부에 수집된 상기 선박의 추정 이동 경로를 상기 선박 예약 앱에 제공하고, 상기 화주 단말기를 통해 상기 추정 이동 경로의 특정 지점에 적어도 하나의 포인트가 입력되는 단계, 상기 예약 시스템 서버의 선박 추적 모듈을 통해 선박의 실시간 위치를 확인하는 단계, 선박의 위치가 상기 추정 이동 경로에 표시된 상기 포인트에 도달됨에 따라 상기 예약 시스템 서버의 알림 제공 모듈에서 상기 선박 예약 앱에 알림을 제공하는 단계 및 상기 예약 시스템 서버의 기간 연산 모듈을 통해 상기 포인트를 기점으로 도착 예정지까지 남은 시간을 연산하여 상기 선박 예약 앱에 제공하는 단계를 포함하고, 상기 예약 시스템 서버에서 상기 선박 예약 앱에 제공된 상기 선박 입항일 및 상기 선박 도착예정시간은, 상기 화주 단말기를 통해 선택된 선박의 과거 운항 정보를 기초로 상기 기간 연산 모듈에서 연산할 수 있다.
본 개시의 일 실시예에 따르면, 선박 예약 앱을 통해 실시간으로 원하는 항구와 날짜에 출발하는 선박의 운항 스케쥴 정보와 운임 정보를 검색할 수 있으며, 온라인 상에서 원하는 선박을 예약할 수 있는 선박 예약 플랫폼을 개시할 수 있다. 따라서, 화주는 선박 예약 앱을 통해 제공되는 선사별 선박 운항 일정 및 견적을 고려하여 최적의 일정 및 가격으로 화물 운송 예약을 진행할 수 있다.
도면의 설명과 관련하여, 동일 또는 유사한 구성 요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
도 1은 본 개시의 일 실시예에 따른, 화주 단말기와 예약 시스템 서버가 네트워크를 통해 통신적으로 연결된 상태를 설명하는 도면이다.
도 2는 본 개시의 일 실시예에 따른, 예약 시스템 서버의 구성을 설명하는 도면이다.
도 3은 본 개시의 일 실시예에 따른, 화주의 화물 운송 정보 및 견적 정보와 매칭되는 선박이 결정되는 일련의 과정을 설명하는 도면이다.
도 4는 본 개시의 일 실시예에 따른, 선박에 화주의 화물이 적재될 수 있는 장소에 대한 3차원 이미지를 선박 예약 앱에 제공하는 일련의 과정을 설명하는 도면이다.
도 5는 본 개시의 일 실시예에 따른, 화주의 화물 운송 일정을 추정하고, 추정된 기한으로부터 일정 시점 이전에 검색된 과거의 견적보다 낮은 견적을 가지며 추정된 화물 운송 일정 기한 내에 운행 예정인 선박에 대한 정보를 선박 예약 앱에 제공하는 일련의 과정을 설명하는 도면이다.
도 1은 본 개시의 일 실시예에 따른, 화주 단말기와 예약 시스템 서버가 네트워크를 통해 통신적으로 연결된 상태를 설명하는 도면이다.
도 2는 본 개시의 일 실시예에 따른, 예약 시스템 서버의 구성을 설명하는 도면이다.
도 3은 본 개시의 일 실시예에 따른, 화주의 화물 운송 정보 및 견적 정보와 매칭되는 선박이 결정되는 일련의 과정을 설명하는 도면이다.
도 4는 본 개시의 일 실시예에 따른, 선박에 화주의 화물이 적재될 수 있는 장소에 대한 3차원 이미지를 선박 예약 앱에 제공하는 일련의 과정을 설명하는 도면이다.
도 5는 본 개시의 일 실시예에 따른, 화주의 화물 운송 일정을 추정하고, 추정된 기한으로부터 일정 시점 이전에 검색된 과거의 견적보다 낮은 견적을 가지며 추정된 화물 운송 일정 기한 내에 운행 예정인 선박에 대한 정보를 선박 예약 앱에 제공하는 일련의 과정을 설명하는 도면이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 “연결되어” 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, “포함하다” 또는 “가지다” 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
실시예에서 인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템 은 사용할수록 인식률이 향상되고 판매자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제 어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술 로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험 정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.
도 1은 본 개시의 일 실시예에 따른, 화주 단말기와 예약 시스템 서버가 네트워크를 통해 통신적으로 연결된 상태를 설명하는 도면이다.
일 실시예에 따르면, 도 1에 도시된 것과 같이, 선박 예약 시스템은 선박 회사 서버(1), 화주 단말기(100) 및 예약 시스템 서버(200)을 포함할 수 있다. 일 실시예에서, 선박 회사 서버(1), 화주 단말기(100) 및 예약 시스템 서버(200)는 네트워크(10)를 통해 통신적으로 연결될 수 있다. 일 실시예에서, 네트워크(10)는 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다. 일 실시예에서, 네트워크(10)는 대용량, 장거리 음성 및 데이터 서비스가 가능한 대형 통신망의 고속 기간 망인 통신망일 수 있으며, 인터넷(internet) 또는 고속의 멀티미디어 서비스를 제공하기 위한 차세대 유선 및 무선 망일 수 있다. 예를 들어, 네트워크(10)는 RF, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5GPP(5rd Generation Partnership Project) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, NFC 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
일 실시예에 따르면, 화주 단말기(100)는 다양한 종류의 단말기일 수 있다. 일 실시예에서, 단말기는 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, 스마트 폰(smartphone), 스마트 패드(smart pad), 타블렛 PC(Tablet PC) 등과 같이 통신 가능한 휴대통신기기를 포함할 수도 있다.
일 실시예에서, 화주 단말기(100)는 네트워크 망을 통해 설치된 선박 예약 앱(예: 선박 예약 어플리케이션)을 포함할 수 있다. 일 실시예에서, 선박 예약 앱은 예약 시스템 서버(200)에서 전송된 정보를 화주 단말기(100) 상에 제공할 수 있다. 화주 단말기(100)는 선박 예약 앱에 입력된 정보를 네트워크(10)를 통해 예약 시스템 서버(200)에 전송할 수 있다.
일 실시예에서, 예약 시스템 서버(200)는 선박 회사 서버(1)와 통신적으로 연결되어 선박 회사(예: 선사)들의 선박 운항 스케줄 정보 및 적재 가능한 화물(예: 선박의 화물 적재 장소의 크기, 적재가 가능한 컨테이너의 크기, 적재가 가능한 화물이 포함된 컨테이너의 무게, 적재가 가능한 컨테이너의 개수)에 대한 정보를 수집할 수 있다. 일 실시예에서, 예약 시스템 서버(200)는 복수의 선박 회사 서버(1)들과 통신적으로 연결되어 선박의 운항 스케줄 정보를 실시간으로 통합하여 선박 예약 앱에 선박의 운항 스케줄 정보를 제공할 수 있다. 일 실시예에서, 화주는 화주 단말기(100)에 설치된 선박 예약 앱을 통해 배송 국가, 항구 이름, 출발 날짜, 도착 날짜, 컨테이너 타입, 컨테이너 크기, 컨테이너 수량, 화물의 총 무게 및 물품 가격에 대한 정보를 입력하고, 해당 정보와 매칭되는 선박을 예약 시스템 서버(200)로부터 제공받을 수 있다. 화주는 선박 예약 앱을 통해 다양한 선사들의 선박 운항 일정을 확인하고 화주의 화물 운송 일정에 맞는 선박을 선택할 수 있다. 따라서, 화주는 선사와 화주 사이에서 선박 예약을 대행하는 중간업자를 통하지 않고, 예약 시스템 서버(200)를 기반으로 한, 해상 운송 예약 플랫폼을 통해 선박을 예약할 수 있다.
일 실시예에서, 예약 시스템 서버(200)는 PC와 같은 전자 장치의 집합일 수 있다. 일 실시예에서, 예약 시스템 서버(200)는 일종의 클라우드(cloud) 서버일 수 있다.
도 2는 본 개시의 일 실시예에 따른, 예약 시스템 서버의 구성을 설명하는 도면이다.
일 실시예에 따르면, 도 2에 도시된 것과 같이, 예약 시스템 서버(200)는, 중앙 제어부(201), 운항 검색 모듈(210), 스케줄 매칭 모듈(220), 예약 관리 모듈(230), 선박 이동 경로 수집부(240), 선박 추적 모듈(250), 기간 연산 모듈(260), 알림 제공 모듈(270), 화물 정보 수집 모듈(280), 3차원 이미지 생성 모듈(290) 및/또는 제1 인공 지능 모델(300)을 포함할 수 있다. 예약 시스템 서버(200)는 상술한 구성 중 적어도 하나의 구성을 생략하거나 적어도 하나의 구성을 추가할 수 있다.
일 실시예에서, 중앙 제어부(201)는 CPU(Central Processing Unit)로서, OS(Operating System) 및 다양한 응용 프로그램을 실행하며 제어할 수 있다. 일 실시예에서, 중앙 제어부(201)는 운항 검색 모듈(210), 스케줄 매칭 모듈(220), 예약 관리 모듈(230), 선박 이동 경로 수집부(240), 선박 추적 모듈(250), 기간 연산 모듈(260), 알림 제공 모듈(270), 화물 정보 수집 모듈(280), 3차원 이미지 생성 모듈(290) 및 제1 인공 지능 모델(300)에 인스트럭션할 수 있다. 일 실시예에서, 운항 검색 모듈(210), 스케줄 매칭 모듈(220), 예약 관리 모듈(230), 선박 이동 경로 수집부(240), 선박 추적 모듈(250), 기간 연산 모듈(260), 알림 제공 모듈(270), 화물 정보 수집 모듈(280), 3차원 이미지 생성 모듈(290) 및 제1 인공 지능 모델(300)은 중앙 제어부(201)의 제어 명령, 실행 명령을 통해 동작이 실행될 수 있다.
일 실시예에서, 운항 검색 모듈(210)은 복수의 선사들의 선박 운행 스케줄 정보 및 견적 정보를 실시간을 수집할 수 있다. 예를 들어, 운항 검색 모듈(210)은 선박의 도착 예정 국가, 항구 이름, 선박 출항일, 선박 입항일, 선박 출하예정시간, 선박 도착예정시간, 화물 수취마감시간에 대한 정보를 선사들의 서버로부터 제공받을 수 있다. 또한, 특정 선박에 화물을 적재하였을 때 발생될 수 있는 견적에 대한 정보를 선박 회사 서버(1)로부터 제공받을 수 있다.
일 실시예에서, 스케줄 매칭 모듈(220)은 운항 검색 모듈(210)에 수집된 선박의 정보와 화주 단말기(100)를 통해 입력된 화물 운송 정보 및 견적 정보와 매칭되는 적어도 하나의 선박을 매칭하는 구성일 수 있다. 일 실시예에서, 화물 운송 정보는 화물의 배송 국가, 항구 이름, 출발 날짜, 도착 날짜, 컨테이너 타입, 컨테이너 크기, 컨테이너 수량, 화물의 총 무게 및 물품 가격에 대한 정보를 포함할 수 있다.
일 실시예에서, 예약 관리 모듈(230)은 스케줄 매칭 모듈(220)을 매칭된 선박들 중 화주가 선택한 선박에 대한 예약 정보를 생성하는 모듈일 수 있다. 일 실시예에서, 예약 정보에는 배송 국가, 항구 이름, 선박 출항일, 선박 입항일, 선박 이름, 선사 이름, 선박 출항일, 선박 입항일, 선박 출하예정시간, 선박 도착예정시간, 화물 수취마감시간, 견적에 대한 정보가 포함될 수 있다.
일 실시예에서, 선박 이동 경로 수집부(240)는 선박의 추정 이동 경로를 수집하는 구성일 수 있다. 일 실시예에서, 선박 이동 경로 수집부(240)는 선박 회사 서버(1)로부터 제공된 선박들의 항해 경로를 수집할 수 있다.
일 실시예에서, 선박 추적 모듈(250)는 예약 시스템 서버(200)와 통신적으로 연결된 선박의 실시간 위치를 수집할 수 있다. 예를 들어, 선박은 선박에 설치된 GPS(global positioning system)을 통해 선박의 실시간 위치 정보를 확인할 수 있다. 선박은 GPS 장치를 통해 확인된 선박의 위도, 경도, 좌표에 대한 정보를 포함한 실시간 위치 정보를 예약 시스템 서버(200)로 전송할 수 있다.
일 실시예에서, 기간 연산 모듈(260)은 선박 추적 모듈(250)을 통해 확인된 선박의 실시간 위치로부터 도착 예정지까지 남은 시간을 연산하는 구성일 수 있다. 일 실시예에서, 기간 연산 모듈(260)은 선박의 과거 운항 정보를 기초로 선박의 위치로부터 도착 예정지까지 남은 시간을 추정할 수 있다. 일 실시예에서, 기간 연산 모듈(260)은 선박의 실제 이동 속도와 선박의 현재 위치로부터 도착 예정지까지 남은 거리를 통해 남은 시간을 연산할 수 있다.
일 실시예에서, 알림 제공 모듈(270)은 화주의 화물이 적재된 선박이 화주가 선택한 특정 지점(예: 포인트)를 통과할 때마다 화주 단말기(100)에 설치된 선박 예약 앱을 통해 알림을 제공할 수 있다.
일 실시예에서, 화물 정보 수집 모듈(280)은 선박 회사 서버(1)로부터 제공된 선사별 선박의 화물 적재 장소의 크기, 적재가 가능한 컨테이너의 크기, 적재가 가능한 화물이 포함된 컨테이너의 무게, 적재가 가능한 컨테이너의 개수에 대한 정보를 수집할 수 있다.
일 실시예에서, 3차원 이미지 생성 모듈(290)은 선박 회사 서버(1)로부터 제공된 선박의 화물 적재 장소 및 컨테이너의 예상 배치 장소에 대한 이미지를 기초로 선박 예약 앱에 선박의 화물 적재 장소 및 컨테이너의 예상 배치 장소에 대한 3차원 이미지를 제공하는 구성일 수 있다.
일 실시예에서, 제1 인공 지능 모델(300)은 화주의 과거 예약 정보에 포함된 배송 국가, 출발 날짜, 도착 날짜, 상기 예약 정보의 생성일자 및 견적에 대한 정보를 분석하여 상기 화주의 특정 국가에 대한 화물 운송 추정 일정을 추정하는 인공 지능 알고리즘일 수 있다. 일 실시예에서, 제1 인공 지능 모델(300)은 화물 운송 추정 일정으로부터 일정 기간 이전의 시점에 과거의 견적보다 낮은 가격의 견적으로 책정되며 추정된 상기 화물 운송 추정 일정에 포함된 운항 일정을 가진 선박에 대한 정보를 출력할 수 있다. 예약 시스템 서버(200)는 재1 인공 지능 모델(300)에서 출력된 상기 선박에 대한 정보를 화주 단말기(100)에 설치된 선박 예약 앱에 제공할 수 있다.
일 실시예에서, 인공지능(Artificial Intelligence, AI)(예: 제1 인공 지능 모델(300))은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시 각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신 경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스 트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성 곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드 포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능 한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고 리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이 터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신 경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.
도 3은 본 개시의 일 실시예에 따른, 화주의 화물 운송 정보 및 견적 정보와 매칭되는 선박이 결정되는 일련의 과정을 설명하는 도면이다.
일 실시예에 따르면, 도 3에 도시된 것과 같이, 예약 시스템 서버(200)의 운항 검색 모듈(210)을 통해 선박 회사 서버(1)로부터 선사별 선박의 운항 스케줄 정보가 실시간으로 수집될 수 있다(S301). 일 실시예에서, 선박 예약 앱이 설치된 화주 단말기(100)를 통해 배송 국가, 항구 이름, 출발 날짜, 도착 날짜, 컨테이너 타입, 컨테이너 크기, 컨테이너 수량, 화물의 총 무게 및 물품 가격에 대한 정보를 포함하는 화물 운송 정보 및 견적 정보가 입력되어 예약 시스템 서버(200)에 전송될 수 있다(S302). 일 실시예에서, 화주 단말기(100)를 통해 입력된 상기 화물 운송 정보 및 상기 견적 정보와 매칭되는 적어도 하나의 선박을 예약 시스템 서버(200)의 스케줄 매칭 모듈(220)를 통해 추출할 수 있다(S303). 일 실시예에서, 스케줄 매칭 모듈(220)을 통해 매칭된 선박들의 배송 국가, 항구 이름, 선박 출항일, 선박 입항일, 선박 이름, 선사 이름에 대한 정보를 포함하는 인터페이스가 선박 예약 앱을 통해 제공될 수 있다. 화주는 상기 인터페이스에 표시된 선박들 중 어느 하나의 선박을 선택하는 입력을 화주 단말기(100)를 통해 할 수 있다. 화주 단말기(100)를 통해 선택된 선박을 기초로 선박 출항일, 선박 입항일, 선박 출하예정시간, 선박 도착예정시간, 화물 수취마감시간에 대한 정보가 표시된 인터페이스를 상기 선박 예약 앱에 제공될 수 있다. 화주 단말기(100)를 통해 선택된 선박을 기초로 예약 시스템 서버(200)의 예약 관리 모듈(230)에서 예약 정보를 생성할 수 있다(S304). 일 실시예에서, 예약 정보에는 배송 국가, 항구 이름, 선박 출항일, 선박 입항일, 선박 이름, 선사 이름, 선박 출항일, 선박 입항일, 선박 출하예정시간, 선박 도착예정시간, 화물 수취마감시간, 견적에 대한 정보가 포함될 수 있다.
일 실시예에서, 도 3을 참조하면, 예약 시스템 서버(200)의 선박 이동 경로 수집부(240)에 수집된 선박의 추정 이동 경로를 선박 예약 앱에 제공할 수 있다. 일 실시예에서, 화주는 화주 단말기(100)을 통해 추정 이동 경로 상에 특정 지점에 핀 포인트를 입력할 수 있다(S305). 일 실시예에서, 상기 포인트는 추정 이동 경로 상에 표시되며, 선박의 실시간 위치가 선박 추적 모듈(250)을 통해 실시간으로 확인됨에 따라(S306) 선박의 위치가 상기 포인트에 도달되었을 때 알림 제공 모듈(270)을 통해 선박 예약 앱에 알림을 제공할 수 있다(S307).
일 실시예에서, 도 3을 참조하면, 예약 시스템 서버(200)는 기간 연산 모듈(260)을 통해 화주가 선박의 추정 이동 경로 상에 입력한 포인트로부터 도착 예정지까지 남은 시간을 연산하여 선박 예약 앱에 제공할 수 있다(S308).
일 실시예에서, 도 3을 참조하면, 예약 시스템 서버(200)에서 상기 선박 예약 앱에 제공된 선박 입항일 및 선박 도착예정시간은, 상기 화주 단말기를 통해 선택된 선박의 과거 운항 정보를 기초로 상기 기간 연산 모듈에서 연산될 수 있다.
도 4는 본 개시의 일 실시예에 따른, 선박에 화주의 화물이 적재될 수 있는 장소에 대한 3차원 이미지를 선박 예약 앱에 제공하는 일련의 과정을 설명하는 도면이다.
일 실시예에서, 도 4를 참조하면, 예약 시스템 서버(200)의 화물 정보 수집 모듈(280)을 통해 선박 회사의 서버(1)로부터 제공된 선박의 화물 적재 장소의 크기, 적재가 가능한 컨테이너의 크기, 적재가 가능한 화물이 포함된 컨테이너의 무게, 적재가 가능한 컨테이너의 개수에 대한 정보가 수집하고, 선박 예약 앱에 상기 정보를 제공할 수 있다(S401). 일 실시예에서, 화주는 화주 단말기(100)를 통해 적재할 컨테이너의 크기, 화물이 포함된 컨테이너의 무게, 컨테이너의 개수를 입력하여 예약 시스템 서버(200)로부터 상기 정보와 매칭되는 선박을 추천받을 수 있다.
일 실시예에서, 도 4를 참조하면, 3차원 이미지 생성 모듈(290)은 선박의 화물 적재 장소 및 컨테이너의 예상 배치 장소에 대한 3차원 이미지를 생성하여 선박 예약 앱에 제공할 수 있다(S402). 일 실시예에서, 화주 단말기(100)를 통해 3차원 이미지를 통해 제공된 컨테이너의 예상 배치 장소 중 어느 하나의 장소가 선택될 수 있다(S403). 따라서, 화주에게 컨테이너의 배치 장소를 선택할 수 있는 기회가 제공될 수 있다.
도 5는 본 개시의 일 실시예에 따른, 화주의 화물 운송 일정을 추정하고, 추정된 기한으로부터 일정 시점 이전에 검색된 과거의 견적보다 낮은 견적을 가지며 추정된 화물 운송 일정 기한 내에 운행 예정인 선박에 대한 정보를 선박 예약 앱에 제공하는 일련의 과정을 설명하는 도면이다.
일 실시예에서, 예약 시스템 서버(200)의 제1 인공 지능 모델(300)은 화주의 과거 예약 정보에 포함된 배송 국가, 출발 날짜, 도착 날짜, 예약 정보의 생성일자 및 견적에 대한 정보를 분석하여 화주의 특정 국가에 대한 화물 운송 추정 일정을 추정할 수 있다(S501). 예를 들어, 제1 인공 지능 모델(300)은 화주의 과거 예약 정보를 기초로 특정 시점에 화주가 특정 국가에 대한 화물 운송을 준비할 것을 예측/추정할 수 있다. 일 실시예에서, 제1 인공 지능 모델(300)은 화물 운송 추정 일정으로부터 일정 기간 이전의 시점에 과거의 견적보다 낮은 가격의 견적으로 책정되며 추정된 상기 화물 운송 추정 일정에 포함된 운항 일정을 가진 선박에 대한 정보를 출력할 수 있다(S502). 예를 들어, 화물 운송 추정 일정이 23.04.15인 경우, 그보다 1개월 앞선 시점인 23.03.15부터 운항 검색 모듈(210)을 통해 수집된 선박의 운항 일정 및 견적 정보를 기초로 과거의 견적보다 낮은 가격의 견적으로 책정되며 추정된 상기 화물 운송 추정 일정에 포함된 운항 일정을 가진 선박에 대한 정보를 출력할 수 있다. 예약 시스템 서버(200)는 제1 인공 지능 모델(300)에서 출력된 선박에 대한 정보를 선박 예약 앱에 제공할 수 있다(S503).
일 실시예에서, 제1 인공 지능 모델(300)은 제1 인공 지능 모델(300)에서 추정된 화주의 특정 국가에 대한 화물 운송 추정 일정과 화주의 실제 예약 일정 간의 오차를 수학식을 통해 연산할 수 있다. 일 실시예에서, [수학식1]은 다음과 같을 수 있다.
[수학식1]
오차 =
f(xk)는 제1 인공 지능 모델(300)에서 추정된 화주의 특정 국가에 대한 화물 운송 추정 일정이고, g(yk)는 화주의 실제 예약 일정일 수 있다.
일 실시예에서, 제1 인공 지능 모델(300)은 f(xk)>g(yk) 인 것에 기초하여 화주의 특정 국가에 대한 화물 운송 추정 일정이 화주의 실제 예약 일정보다 느린 것으로 간주하여 화물 운송 추정 일정을 상기 화주의 실제 예약 일정으로 수정할 수 있다. 이와 반대로, 제1 인공 지능 모델(300)은 g(yk)>f(xk) 인 것에 기초하여 화주의 특정 국가에 대한 화물 운송 추정 일정이 화주의 실제 예약 일정보다 빠른 것으로 간주하여 화물 운송 추정 일정을 상기 화주의 실제 예약 일정으로 수정할 수 있다.
일 실시예에서, 제1 화물 운송 추정 일정이 23.4.16이고, 화주의 제1 실제 예약 일정일이 23.4.1인 경우, 상기 [수학식]에 따라 제1 오차는 +15일 일 수 있다. 이 경우, 제1 인공 지능 모델(300)은 f(xk)>g(yk) 인 것에 기초하여 화물 운송 추정 일정을 화주의 실제 예약 일정으로 수정할 수 있다.
일 실시예에서, 제2 화물 운송 추정 일정이 23.5.5이고, 화주의 제2 실제 예약 일정일이 23.5.15인 경우, 상기 [수학식]에 따라 제2 오차는 -10일 일 수 있다. 이 경우, 제1 인공 지능 모델(300)은 g(yk)>f(xk) 인 것에 기초하여 화물 운송 추정 일정을 화주의 실제 예약 일정으로 수정할 수 있다.
일 실시예에서, 제1 인공 지능 모델(300)은 아래의 [수학식2]를 통해 화물 운송 추정 일정을 화주의 실제 예약 일정으로 수정할 수 있다.
[수학식2]
수정된 화물 운송 추정 일정 = 제1 화물 운송 추정 일정 -
상술한 바와 같이, f(xk)는 제1 인공 지능 모델(300)에서 추정된 화주의 특정 국가에 대한 화물 운송 추정 일정이고, g(yk)는 화주의 실제 예약 일정일 수 있다. 제1 화물 운송 추정 일정은 제1 인공 지능 모델(300)에서 첫번째로 연산된 화물 운송 추정 일정일 수 있다. 즉, 수학식 2는 제1 화물 운송 추정 일정에 화물 운송 추정 일정과 실제 예약 일정의 오차를 누적으로 반영하여 수정된 화물 운송 추정 일정을 구하는 식일 수 있다.
일 실시예에서, 상기 제1 화물 운송 추정 일정(23.4.16)에서 제1 오차(+10)를 뺀 일정을 새로운 화물 운송 추정 일정(23.4.1)로 수정할 수 있다. 이후, 제2 오차(-10)를 제1 오차를 반영하여 화물 운송 추정 일정(23.4.1)에 뺀, 23.4.11을 새로운 화물 운송 추정 일정으로 생성할 수 있다. 제1 인공 지능 모델(300)은 제1 화물 운송 추정 일정에 오차를 누적으로 반영하여 화물 운송 추정 일정이 화주의 실제 예약 일정에 수렴하도록 수정할 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.
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.
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.
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 청구범위의 범위에 속한다.
1: 선박 회사 서버
10: 네트워크
100: 화주 단말기
200: 예약 시스템 서버
10: 네트워크
100: 화주 단말기
200: 예약 시스템 서버
Claims (3)
- 선사별 운항 정보에 기초한 해상 운송 예약 방법에 있어서,
예약 시스템 서버의 운항 검색 모듈을 통해 선사별 선박의 운항 스케줄 정보및 견적 정보가 실시간으로 수집되는 단계;
선박 예약 앱이 설치된 화주 단말기를 통해 배송 국가, 항구 이름, 출발 날짜, 도착 날짜, 컨테이너 타입, 컨테이너 크기, 컨테이너 수량, 화물의 총 무게 및 물품 가격에 대한 정보를 포함하는 화물 운송 정보 및 견적 정보가 입력되는 단계;
상기 화주 단말기를 통해 입력된 상기 화물 운송 정보 및 상기 견적 정보와 매칭되는 적어도 하나의 선박을 상기 예약 시스템 서버의 스케줄 매칭 모듈를 통해 추출하는 단계;
상기 스케줄 매칭 모듈을 통해 매칭된 상기 선박의 배송 국가, 항구 이름, 선박 출항일, 선박 입항일, 선박 이름, 선사 이름에 대한 정보가 표시된 인터페이스를 상기 선박 예약 앱에 제공하는 단계;
상기 화주 단말기를 통해 선택된 선박을 기초로 선박 출항일, 선박 입항일, 선박 출하예정시간, 선박 도착예정시간, 화물 수취마감시간에 대한 정보가 표시된 인터페이스를 상기 선박 예약 앱에 제공하는 단계;
상기 화주 단말기를 통해 선택된 선박을 기초로 상기 예약 시스템 서버의 예약 관리 모듈에서 예약 정보를 생성하는 단계;
상기 예약 시스템 서버의 선박 이동 경로 수집부에 수집된 상기 선박의 추정 이동 경로를 상기 선박 예약 앱에 제공하고, 상기 화주 단말기를 통해 상기 추정 이동 경로의 특정 지점에 적어도 하나의 포인트가 입력되는 단계;
상기 예약 시스템 서버의 선박 추적 모듈을 통해 선박의 실시간 위치를 확인하는 단계;
선박의 위치가 상기 추정 이동 경로에 표시된 상기 포인트에 도달됨에 따라 상기 예약 시스템 서버의 알림 제공 모듈에서 상기 선박 예약 앱에 알림을 제공하는 단계;
상기 예약 시스템 서버의 기간 연산 모듈을 통해 상기 포인트를 기점으로 도착 예정지까지 남은 시간을 연산하여 상기 선박 예약 앱에 제공하는 단계;
상기 예약 시스템 서버에서 상기 선박 예약 앱에 제공된 상기 선박 입항일 및 상기 선박 도착예정시간은, 상기 화주 단말기를 통해 선택된 선박의 과거 운항 정보를 기초로 상기 기간 연산 모듈에서 연산하는 단계;
상기 예약 시스템 서버의 화물 정보 수집 모듈을 통해 선사별 선박의 화물 적재 장소의 크기, 적재가 가능한 컨테이너의 크기, 적재가 가능한 화물이 포함된 컨테이너의 무게, 적재가 가능한 컨테이너의 개수에 대한 정보를 수집하는 단계;
상기 화주 단말기를 통해 입력된 적재할 컨테이너의 크기, 화물이 포함된 상기 컨테이너의 무게, 상기 컨테이너의 개수를 입력됨에 기초하여 상기 예약 시스템 서버로부터 매칭되는 선박이 추천되는 단계;
상기 예약 시스템 서버의 3차원 이미지 생성 모듈을 통해 선박의 화물 적재 장소 및 컨테이너의 예상 배치 장소에 대한 3차원 이미지를 생성하여 상기 선박 예약 앱에 제공하는 단계;
상기 컨테이너의 예상 배치 장소 중 어느 하나의 장소가 상기 선박 예약 앱을 통해 선택되는 단계;
상기 예약 시스템 서버의 제1 인공 지능 모델이 화주의 과거 예약 정보에 포함된 배송 국가, 출발 날짜, 도착 날짜, 상기 예약 정보의 생성일자 및 견적에 대한 정보를 분석하여 상기 화주의 특정 국가에 대한 화물 운송 추정 일정을 추정하는 단계;
상기 화물 운송 추정 일정으로부터 일정 기간 이전의 시점에 과거의 견적보다 낮은 가격의 견적으로 책정되며 추정된 상기 화물 운송 추정 일정에 포함된 운항 일정을 가진 선박에 대한 정보를 상기 제1 인공 지능 모델에서 출력하는 단계;
상기 제1 인공 지능 모델에서 출력된 상기 선박에 대한 정보를 상기 예약 시스템 서버에서 상기 선박 예약 앱에 제공하는 단계;
상기 제1 인공 지능 모델에서 추정된 상기 화주의 특정 국가에 대한 화물 운송 추정 일정과 상기 화주의 실제 예약 일정 간의 오차가 아래의 수학식1을 통해 연산되는 단계;
[수학식1]
오차 =
(상기 f(xk)는 상기 제1 인공 지능 모델에서 추정된 상기 화주의 특정 국가에 대한 화물 운송 추정 일정, 상기 g(yk)는 상기 화주의 실제 예약 일정)
상기 제1 인공 지능 모델은 상기 f(xk)> 상기 g(yk) 인 것에 기초하여 상기 화주의 특정 국가에 대한 화물 운송 추정 일정이 상기 화주의 실제 예약 일정보다 느린 것으로 간주하여 상기 화물 운송 추정 일정을 상기 화주의 실제 예약 일정으로 수정하는 단계;
상기 g(yk)> 상기 f(xk) 인 것에 기초하여 상기 화주의 특정 국가에 대한 화물 운송 추정 일정이 상기 화주의 실제 예약 일정보다 빠른 것으로 간주하여 상기 화물 운송 추정 일정을 상기 화주의 실제 예약 일정으로 수정하는 단계; 및
상기 수학식1을 통해 연산된 상기 오차를 반영하여 상기 화주의 특정 국가에 대한 화물 운송 추정 일정을 아래의 수학식 2를 통해 수정하는 단계;를 포함하는 선사별 운항 정보에 기초한 해상 운송 예약 방법.
[수학식2]
수정된 화물 운송 추정 일정 =제1 화물 운송 추정 일정 -
(상기 제1 화물 운송 추정 일정은 상기 제1 인공 지능 모델에서 첫번째로 연산된 화물 운송 추정 일정) - 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230175073A KR102649498B1 (ko) | 2023-12-06 | 2023-12-06 | 선사별 실시간 통합 예약 정보를 기반으로 한 화주의 해상 운송 예약 자동화 플랫폼 서비스 제공 방법, 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230175073A KR102649498B1 (ko) | 2023-12-06 | 2023-12-06 | 선사별 실시간 통합 예약 정보를 기반으로 한 화주의 해상 운송 예약 자동화 플랫폼 서비스 제공 방법, 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102649498B1 true KR102649498B1 (ko) | 2024-03-20 |
Family
ID=90483192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230175073A KR102649498B1 (ko) | 2023-12-06 | 2023-12-06 | 선사별 실시간 통합 예약 정보를 기반으로 한 화주의 해상 운송 예약 자동화 플랫폼 서비스 제공 방법, 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102649498B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20000053158A (ko) | 1996-11-14 | 2000-08-25 | 다케다 야쿠힌 고교 가부시키가이샤 | 벤즈이미다졸 유도체의 결정 및 이의 제조 방법 |
| KR20150022280A (ko) * | 2013-08-22 | 2015-03-04 | 에스케이플래닛 주식회사 | 알림 서비스를 제공하는 단말, 서버 및 그의 동작 방법, 그리고 이를 위한 컴퓨터 프로그램이 기록된 기록매체 |
| KR20190132728A (ko) | 2018-05-21 | 2019-11-29 | 삼성전자주식회사 | 자외선-led 램프 장치 및 그의 튜닝 방법 |
| KR20200087907A (ko) | 2019-01-11 | 2020-07-22 | 삼성디스플레이 주식회사 | 레이저 결정화 장치 |
| KR20220169924A (ko) * | 2021-06-21 | 2022-12-28 | (주) 훼밀리익스프레스 | 화물 운송비 견적 시스템, 방법 및 컴퓨터 프로그램 |
-
2023
- 2023-12-06 KR KR1020230175073A patent/KR102649498B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20000053158A (ko) | 1996-11-14 | 2000-08-25 | 다케다 야쿠힌 고교 가부시키가이샤 | 벤즈이미다졸 유도체의 결정 및 이의 제조 방법 |
| KR20150022280A (ko) * | 2013-08-22 | 2015-03-04 | 에스케이플래닛 주식회사 | 알림 서비스를 제공하는 단말, 서버 및 그의 동작 방법, 그리고 이를 위한 컴퓨터 프로그램이 기록된 기록매체 |
| KR20190132728A (ko) | 2018-05-21 | 2019-11-29 | 삼성전자주식회사 | 자외선-led 램프 장치 및 그의 튜닝 방법 |
| KR20200087907A (ko) | 2019-01-11 | 2020-07-22 | 삼성디스플레이 주식회사 | 레이저 결정화 장치 |
| KR20220169924A (ko) * | 2021-06-21 | 2022-12-28 | (주) 훼밀리익스프레스 | 화물 운송비 견적 시스템, 방법 및 컴퓨터 프로그램 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11727345B1 (en) | Integrated multi-location scheduling, routing, and task management | |
| US20220035342A1 (en) | Control tower and enterprise management platform with robotic process automation systems managing product outcomes and activities | |
| US20210357959A1 (en) | Control tower and enterprise management platform for value chain networks | |
| US20210133669A1 (en) | Control tower and enterprise management platform with robotic process automation layer to automate actions for subset of applications benefitting value chain network entities | |
| Nof et al. | Revolutionizing Collaboration through e-Work, e-Business, and e-Service | |
| Zhou et al. | Classification and literature review on the integration of simulation and optimization in maritime logistics studies | |
| KR102499177B1 (ko) | 인공지능 기반 화주 및 차주 매칭 자동화 방법 | |
| Zillner et al. | Data economy 2.0: From big data value to AI value and a European data space | |
| KR102601446B1 (ko) | 인공지능 모델을 활용한 인플루언서 기반 판매 제품매칭 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| van Heeswijk | Smart containers with bidding capacity: A policy gradient algorithm for semi-cooperative learning | |
| Mar-Ortiz et al. | Challenges in the design of decision support systems for port and maritime supply chains | |
| KR102649498B1 (ko) | 선사별 실시간 통합 예약 정보를 기반으로 한 화주의 해상 운송 예약 자동화 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102474974B1 (ko) | 인공지능 기반 브랜드 분석 방법, 장치 및 시스템 | |
| KR102410460B1 (ko) | 인공지능 기반 뷰티샵 예약 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102586532B1 (ko) | 가격 변동성의 예측 기반 농수산 식품 온라인 판매플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| Araújo et al. | Cooperative observation of smart target agents | |
| KR102669470B1 (ko) | 식자재 유통 처리를 위한 재고 관리 및 수요 예측 방법, 장치 및 시스템 | |
| US12002001B2 (en) | Integrated multi-location scheduling, routing, and task management | |
| Oucheikh et al. | Rolling Cargo Management Using a Deep Reinforcement Learning Approach. Logistics 2021, 5, 10 | |
| KR102533258B1 (ko) | 인공 신경망을 활용한 냉동식품의 효율적인 물류 서비스 제공 방법, 장치 및 시스템 | |
| KR102528613B1 (ko) | 인공지능 모델을 활용한 렌터카의 중고 가격 산출 방법, 장치 및 시스템 | |
| KR102580859B1 (ko) | 실시간 모니터링 가능한 화물 운송 관리 정보 처리 자동화 방법, 장치 및 시스템 | |
| KR102578734B1 (ko) | 산업용 자동화 장비의 용도 및 설계 정보를 기반으로 한 부품 정보의 제공, 주문 처리 및 재고 관리 시스템 | |
| El Makhloufi | AI Application in Transport and Logistics: Opportunities and Challenges (An Exploratory Study) | |
| Roberge et al. | Hybrid deterministic non-deterministic data-parallel algorithm for real-time unmanned aerial vehicle trajectory planning in CUDA |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |