KR102655184B1 - 메타 학습 기반의 화물차량 운행기록 추론 방법 및 장치 - Google Patents

Abstract

본 개시는 사용자 단말의 적어도 하나의 프로세서에 의해 수행되는, 메타 학습 기반의 화물차량 운행기록 추론 방법에 관한 것이다. 메타 학습 기반의 화물차량 운행기록 추론 방법은, 사용자의 화물 운송 경로 요청에 응답하여, 화물 운송 경로 요청에 따라 결정된 경로를 정보 처리 시스템에 송신하는 단계, 결정된 경로에 기초하여 산출된 경로에 대한 운행기록 추론 정보를 정보 처리 시스템으로부터 수신하는 단계 및 운행기록 추론 정보에 기초하여 화물 운임 정보를 산정하는 단계를 포함한다.

Description

메타 학습 기반의 화물차량 운행기록 추론 방법 및 장치{METHOD AND APPARATUS FOR INFERRING VEHICLE DRIVING RECORD BASED ON META-LEARNING}

본 개시는 메타 학습 기반의 화물차량 운행기록 추론 방법 및 장치에 관한 것으로, 구체적으로 화물 운송 경로 요청에 따라 결정된 경로에 기초하여 경로에 대한 운행기록을 추론하는 방법 및 장치에 관한 것이다.

항만 물류 시스템에서 화물 차량에 의한 화물 운송이 활발히 이루어짐에 따라, 국토교통부에서는 과로, 과적, 과속 운행이 잦은 화물 운송 종사자의 근로 여건을 개선하기 위해 화물자동차 안전운임 고시를 통해 화물 운송 종사자의 최소 운임을 보장하고 있다. 화물 차량 기사는 화물 운송 시 자신의 예상 수입을 바탕으로 운송할 화물을 선택하며, 안전운임 고시에 따른 안전운임료를 기준으로 화물 운송 건을 선택하는 것이 일반적이다.

한편, 개별 화물 운송은 물론 전체 운행기록을 관리하고 정산하는 시스템에 대한 수요가 증가하고 있다. 그러나, GPS 정보를 사용하지 못하는 경우, 전자적 수단으로 자동적인 운행기록 관리 또는 정산이 어려운 한계가 있다.

본 개시는 상기와 같은 문제를 해결하기 위한 메타 학습 기반의 화물차량 운행기록 추론 방법, 기록 매체에 저장된 컴퓨터 프로그램 및 시스템(장치)을 제공한다.

본 개시는 방법, 시스템(장치) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.

사용자 단말의 적어도 하나의 프로세서에 의해 수행되는, 메타 학습 기반의 화물차량 운행기록 추론 방법에 있어서, 사용자의 화물 운송 경로 요청에 응답하여, 화물 운송 경로 요청에 따라 결정된 경로를 정보 처리 시스템에 송신하는 단계, 결정된 경로에 기초하여 산출된 경로에 대한 운행기록 추론 정보를 정보 처리 시스템으로부터 수신하는 단계 및 운행기록 추론 정보에 기초하여 화물 운임 정보를 산정하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 운행기록 추론 정보는, 사용자가 실제 운행한 것으로 추정되는 경로, 거리 또는 경유 화물 터미널 중 적어도 하나를 포함한다.

본 개시의 일 실시예에 따르면, 운행기록 추론 정보는, 경로에 기초하여 사용자의 운행기록 추론 정보를 결정하도록 학습된 기계학습 모델에 결정된 경로를 입력함으로써 결정된다.

본 개시의 일 실시예에 따르면, 기계학습 모델은, 복수의 사용자의 화물 운송 경로 및 안전 운임 요청에 따라 결정된 복수의 경로에 기초하여 학습된다.

본 개시의 일 실시예에 따르면, 복수의 경로는 하나 이상의 화물터미널을 포함하는 경로에 해당한다.

본 개시의 일 실시예에 따르면, 복수의 경로의 각각은, 복수의 사용자 각각의 실제 운행 경로 또는 단순 조회 경로 중 하나에 해당하고, 실제 운행 경로는, 하나 이상의 화물터미널에서 복수의 사용자 각각의 화물 반출입 이력이 존재하는 경로에 해당하고, 단순 조회 경로는, 화물터미널에서 복수의 사용자 각각의 화물 반출입 이력이 존재하지 않는 경로에 해당한다.

본 개시의 일 실시예에 따르면, 기계학습 모델은, 기계학습 모델에 의해 사용자가 실제 운행한 것으로 결정된 운행기록 추론 정보 및 실제 운행하지 않은 것으로 결정된 경로와 연관된 정보에 기초하여 적합도 평가값을 산출하도록 더 학습된다.

본 개시의 일 실시예에 따르면, 기계학습 모델은, 복수의 경로 중 최근 결정된 경로에 대해 더 높은 가중치가 부여되도록 학습된다.

본 개시의 일 실시예에 따른 사용자 단말에 있어서, 통신 모듈, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 통신 모듈은, 사용자의 화물 운송 경로 요청에 응답하여, 화물 운송 경로 요청에 따라 결정된 경로를 정보 처리 시스템에 송신하고, 결정된 경로에 기초하여 산출된 경로에 대한 운행기록 추론 정보를 정보 처리 시스템으로부터 수신하고, 적어도 하나의 프로그램은, 운행기록 추론 정보에 기초하여 화물 운임 정보를 산정하기 위한 명령어들을 포함한다.

정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행되는, 화물차량 운행기록 추론 방법에 있어서, 사용자의 화물 운송 경로 요청에 응답하여, 화물 운송 경로 요청에 따라 결정된 경로를 수신하는 단계, 결정된 경로에 기초하여 경로에 대한 운행기록 추론 정보를 산출하는 단계 및 운행기록 추론 정보에 기초하여 화물 운임 정보를 산정하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 산정된 화물 운임 정보를 사용자 단말로 송신하는 단계를 더 포함한다.

본 개시의 일 실시예에 따르면, 운행기록 추론 정보는, 사용자가 실제 운행한 것으로 추정되는 경로, 거리 또는 경유 화물 터미널 중 적어도 하나를 포함한다.

본 개시의 일 실시예에 따르면, 경로에 기초하여 사용자의 운행기록 추론 정보를 결정하도록 학습된 기계학습 모델에 결정된 경로를 입력함으로써 운행기록 추론 정보를 결정하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 기계학습 모델은, 복수의 사용자의 화물 운송 경로 및 안전 운임 요청에 따라 결정된 복수의 경로에 기초하여 학습된다.

본 개시의 일 실시예에 따르면, 복수의 경로는 하나 이상의 화물터미널을 포함하는 경로에 해당한다.

본 개시의 일 실시예에 따르면, 복수의 경로의 각각은, 복수의 사용자 각각의 실제 운행 경로 또는 단순 조회 경로 중 하나에 해당하고, 실제 운행 경로는, 하나 이상의 화물터미널에서 복수의 사용자 각각의 화물 반출입 이력이 존재하는 경로에 해당하고, 단순 조회 경로는, 화물터미널에서 복수의 사용자 각각의 화물 반출입 이력이 존재하지 않는 경로에 해당한다.

본 개시의 일 실시예에 따르면, 기계학습 모델은, 기계학습 모델에 의해 사용자가 실제 운행한 것으로 결정된 운행기록 추론 정보 및 실제 운행하지 않은 것으로 결정된 경로와 연관된 정보에 기초하여 적합도 평가값을 산출하도록 더 학습된다.

본 개시의 일 실시예에 따르면, 기계학습 모델은, 복수의 경로 중 최근 결정된 경로에 대해 더 높은 가중치가 부여되도록 학습된다.

본 개시의 일 실시예에 따른 상술한 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.

본 개시의 일 실시예에 따른 정보 처리 시스템에 있어서, 통신 모듈, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 통신 모듈은, 사용자의 화물 운송 경로 요청에 응답하여, 화물 운송 경로 요청에 따라 결정된 경로를 수신하고, 적어도 하나의 프로그램은, 결정된 경로에 기초하여 경로에 대한 운행기록 추론 정보를 산출하고, 운행기록 추론 정보에 기초하여 화물 운임 정보를 산정하기 위한 명령어들을 포함한다.

본 개시의 다양한 실시예에서, GPS 정보 없이 운행기록을 생성하고 관리할 수 있다.

본 개시의 다양한 실시예에서, 메타 학습을 기반으로 운행기록을 추론함으로써, 서비스 이용 형태 및 차량 운행 패턴이 서로 상이한 사용자들에 대해서도 각자에게 최적화된 운행기록을 제공할 수 있다.

본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자(이하, '통상의 기술자'라 함)에게 명확하게 이해될 수 있을 것이다.

본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른 사용자의 화물 운송 경로 요청을 위한 제1 화면 및 운행기록 추론 정보가 표시되는 제2 화면을 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따른 식별자 인식 기반 위치 결정 서비스를 제공하기 위하여, 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 정보 처리 시스템의 프로세서의 내부 구성을 나타내는 블록도이다.
도 5는 본 개시의 일 실시예에 따른 화물차량 운행기록 추론 방법의 흐름도이다.
도 6은 본 개시의 일 실시예에 따른 기계학습 모델이 사용자의 실제 운행 여부를 판단하는 과정을 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따른 기계학습 모델 및 기계학습 모델의 학습 데이터를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 인공신경망 모델을 나타내는 예시도이다.
도 9는 본 개시의 일 실시예에 따른 화물차량 운행기록 추론 방법을 나타내는 흐름도이다.

이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.

첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.

개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.

또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.

본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.

본 개시에서, '기계학습 모델'은 주어진 입력에 대한 해답(answer)을 추론하는데 사용하는 임의의 모델을 포함할 수 있다. 일 실시예에 따르면, 기계학습 모델은 입력 레이어(층), 복수 개의 은닉 레이어 및 출력 레이어를 포함한 인공신경망 모델을 포함할 수 있다. 여기서, 각 레이어는 복수의 노드를 포함할 수 있다. 예를 들어, 본 개시에서 기계학습 모델은 특정 유형의 시계열 또는 경로 패턴을 인식하거나 이를 근거로 결정을 내리도록 학습되는 모델로서, RNN(recurrent neural network) 기반의 LSTM(long short term memory) 신경망 또는 이에 기반한 메타학습 모델을 포함할 수 있다. 여기서, '메타학습'은 일반적으로 하나 이상의 도메인에서 학습된 정보를 이용하여 다른 도메인에서 수집된 학습 데이터만으로도 효율적이고 빠른 학습이 가능한 방법을 의미할 수 있다.

도 1은 본 개시의 일 실시예에 따른 사용자의 화물 운송 경로 요청을 위한 제1 화면(110) 및 운행기록 추론 정보가 표시되는 제2 화면(120)을 도시한 도면이다. 사용자는 화물 운송 경로 요청 내지 화물 운임 정보 산정을 위해, 예정된 운송 정보를 제1 화면(110)에 입력할 수 있다. 예를 들어, 사용자는 예정된 운송 기간, 품목, 컨테이너 종류, 운임 형태, 기점, 행선지, 할증 요인, 추가비용 요인 등의 항목을 사용자 단말에 표시된 제1 화면(110)에 입력함으로써, 화물 운송 경로 요청을 할 수 있다.

일 실시예에서, 사용자의 화물 운송 경로 요청에 응답하여 화물 운송 경로 요청에 따른 운행 경로가 결정될 수 있다. 예를 들어, 화물 운송 경로 요청에 기초하여, 사용자가 출발지에서 행선지로 이동하는 동안 이용할 도로, 경유지 등의 구체적인 경로가 결정될 수 있다.

사용자의 화물 운송 경로 요청에 따라 운행 경로가 결정된 뒤, 결정된 경로에 기초한 운행기록 추론 정보가 산출될 수 있다. 제2 화면(120)에 표시된 바와 같이, 운행기록 추론 정보는 사용자가 실제 운행한 것으로 추정되는 경로, 거리 또는 경유 화물 터미널 중 적어도 하나를 포함할 수 있다. 일 실시예에서, 운행기록 추론 정보는, 경로에 기초하여 사용자의 운행기록 추론 정보를 결정하도록 학습된 기계학습 모델에 결정된 경로를 입력함으로써 결정될 수 있다. 기계학습 모델의 학습 방법 및 추론 과정은 도 5 내지 8에서 자세히 후술한다.

이후, 산출된 운행기록 추론 정보에 기초하여, 화물 운임 정보가 산정될 수 있다. 운행기록 추론 정보에 기초한 화물 운임 정보는 사용자 단말에서 산정되거나, 별도의 정보 처리 시스템에서 산정될 수 있다.

도 2는 본 개시의 일 실시예에 따른 화물차량 운행기록 추론 서비스를 제공하기 위하여, 정보 처리 시스템(230)이 복수의 사용자 단말(210_1, 210_2, 210_3)과 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 화물차량 운행기록 추론 서비스를 제공할 수 있는 시스템(들)을 포함할 수 있다. 일 실시예에서, 정보 처리 시스템(230)은 화물차량 운행기록 추론 서비스와 관련된 컴퓨터 실행 가능한 프로그램(예를 들어, 다운로드 가능한 애플리케이션) 및 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스, 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스를 포함할 수 있다. 예를 들어, 정보 처리 시스템(230)은 화물차량 운행기록 추론 서비스를 위한 별도의 시스템(예를 들어, 서버)들을 포함할 수 있다.

정보 처리 시스템(230)에 의해 제공되는 화물차량 운행기록 추론 서비스 등은, 복수의 사용자 단말(210_1, 210_2, 210_3)의 각각에 설치된 애플리케이션 등을 통해 사용자에게 제공될 수 있다.

복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 네트워크(220)는 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다.

도 2에서 휴대폰 단말(210_1), 태블릿 단말(210_2) 및 PC 단말(210_3)이 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 애플리케이션 등이 설치되어 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말은, 스마트폰, 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다.

일 실시예에서, 사용자 단말(210_1, 210_2, 210_3)은 사용자의 화물 운송 경로 요청에 응답하여, 화물 운송 경로 요청에 따라 결정된 경로를 정보 처리 시스템(230)에 제공하고, 정보 처리 시스템(230)은 사용자 단말(210_1, 210_2, 210_3)에 사용자가 실제 운행한 것으로 추정되는 경로, 거리 또는 경유 화물 터미널 중 적어도 하나를 포함하는 운행기록 추론 정보를 제공할 수 있다.

다른 실시예에서, 정보 처리 시스템(230)은 산정된 화물 운임 정보를 사용자 단말(210_1, 210_2, 210_3)로 송신할 수 있다.

도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 정보 처리 시스템(230)의 내부 구성을 나타내는 블록도이다. 사용자 단말(210)은 화물차량 운행기록 추론 애플리케이션 등이 실행 가능하고 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 휴대폰 단말(210_1), 태블릿 단말(210_2), PC 단말(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 정보 처리 시스템(230)은 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에 도시된 바와 같이, 사용자 단말(210) 및 정보 처리 시스템(230)은 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.

메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 332)는 ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 정보 처리 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 화물차량 운행기록 추론 서비스와 연관된 애플리케이션 등을 위한 코드)가 저장될 수 있다.

이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 이러한 사용자 단말(210) 및 정보 처리 시스템(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(316, 336)을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예를 들어, 화물차량 운행기록 추론 서비스와 연관된 애플리케이션 등)에 기반하여 메모리(312, 332)에 로딩될 수 있다.

프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.

통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 정보 처리 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 정보 처리 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청 또는 데이터는 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 정보 처리 시스템(230)으로 전달될 수 있다. 역으로, 정보 처리 시스템(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다.

입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 키보드, 마이크로폰, 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 정보 처리 시스템(230)의 입출력 인터페이스(338)는 정보 처리 시스템(230)과 연결되거나 정보 처리 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.

사용자 단말(210) 및 정보 처리 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에서, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 예를 들어, 사용자 단말(210)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소를 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 마이크 모듈, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(210)에 더 포함되도록 구현될 수 있다.

일 실시예에 따르면, 사용자 단말(210)의 프로세서(314)는 화물차량 운행기록 추론 서비스를 제공하는 화물차량 운행기록 추론 애플리케이션 또는 화물차량 운행기록 관리 애플리케이션이 동작하도록 구성될 수 있다. 이 때, 해당 애플리케이션과 연관된 프로그램 코드가 사용자 단말(210)의 메모리(312)에 로딩될 수 있다. 애플리케이션이 동작되는 동안에, 사용자 단말(210)의 프로세서(314)는 입출력 장치(320)로부터 제공된 정보 및/또는 데이터를 입출력 인터페이스(318)를 통해 수신하거나 통신 모듈(316)을 통해 정보 처리 시스템(230)으로부터 정보 및/또는 데이터를 수신할 수 있으며, 수신된 정보 및/또는 데이터를 처리하여 메모리(312)에 저장할 수 있다. 또한, 이러한 정보 및/또는 데이터는 통신 모듈(316)을 통해 정보 처리 시스템(230)에 제공될 수 있다.

화물차량 운행기록 추론 애플리케이션이 동작되는 동안에, 프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드, 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 마이크로폰 등의 입력 장치를 통해 입력되거나 선택된 음성 데이터, 텍스트, 이미지, 영상 등을 수신할 수 있으며, 수신된 음성 데이터, 텍스트, 이미지 및/또는 영상 등을 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다.

사용자 단말(210)의 프로세서(314)는 정보 및/또는 데이터를 입출력 인터페이스(318)를 통해 입출력 장치(320)로 전송하여, 출력할 수 있다. 예를 들어, 사용자 단말(210)의 프로세서(314)는 디스플레이 출력 가능 장치(예: 터치 스크린, 디스플레이 등), 음성 출력 가능 장치(예: 스피커) 등의 출력 장치(320)를 통해 처리된 정보 및/또는 데이터를 출력할 수 있다. 일 실시예에서, 프로세서(314)는 운행기록 추론 정보를 사용자 단말(210)의 디스플레이 상에 표시할 수 있다.

정보 처리 시스템(230)의 프로세서(334)는 복수의 사용자 단말(210) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(334)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(336) 및 네트워크(220)를 통해 사용자 단말(210)에 제공될 수 있다. 일 실시예에서, 정보 처리 시스템(230)의 프로세서(334)는 화물 운송 경로 요청에 따라 결정된 경로에 기초하여 산출된 운행기록 추론 정보를 통신 모듈(336) 및 네트워크(220)를 통해 사용자 단말(210)에 제공할 수 있다.

도 4는 본 개시의 일 실시예에 따른 정보 처리 시스템의 프로세서(334)의 내부 구성을 나타내는 블록도이다. 도시된 바와 같이, 프로세서(334)는 안전운임 산출부(410), 운행기록 추론 정보 산출부(420) 및 기계학습 모델부(430)를 포함할 수 있다.

안전운임 산출부(410)는, 사용자의 화물 운임 정보를 산정하도록 구성될 수 있다. 일 실시예에서, 안전운임 산출부(410)는 사용자의 화물 운송 경로 요청에 기초하여 예상 안전운임을 산정할 수 있다. 예를 들어, 안전운임 산출부(410)는 사용자의 화물 운송 경로 요청에 포함된 출발지 및 행선지 등의 정보에 기초하여 해당 경로에 대한 예상 안전운임을 산정할 수 있다. 이러한 구성을 통해, 화물 차량 운전자는 산정된 예상 안전운임에 기초하여 운송 계약의 체결 여부를 결정할 수 있다.

다른 실시예에서, 안전운임 산출부(410)는 운행기록 추론 정보 산출부(420) 또는 기계학습 모델부(430)에 의해 산출된 운행기록 추론 정보에 기초한 화물 운임 정보를 산정할 수 있다. 이러한 구성을 통해, 안전운임 산출부(410)는 사용자의 실제 운행에 따라 실제로 사용자가 수령 가능한 안전운임을 추론할 수 있다.

안전운임 산출부(410)는, 국토교통부고시 화물자동차 안전운임 고시의 안전운임 산정 기준에 기초하여 사용자의 화물 운송 경로 요청 또는 운행기록 추론 정보에 따른 운임을 산정할 수 있다.

운행기록 추론 정보 산출부(420)는 사용자의 화물 운송 경로 요청에 따라 결정된 경로에 기초하여 운행기록 추론 정보를 산출할 수 있다. 이 때, 운행기록 추론 정보 산출부(420)가 산출하는 운행기록 추론 정보는 사용자가 실제 운행한 것으로 추정되는 경로, 거리 또는 경유 화물 터미널 중 적어도 하나를 포함할 수 있다.

일 실시예에서, 운행기록 추론 정보 산출부(420)는 기계학습 모델부(430)가 운행기록 추론 정보를 산출하지 않는 경우에 한하여 운행기록 추론 정보를 산출하도록 구성될 수 있다. 다시 말해, 기계학습 모델을 사용하지 않고도 사용자가 실제로 운행한 것으로 추정할 수 있는 경우에 한해 운행기록 추론 정보 산출부(420)에 의해 운행기록 추론 정보가 산출될 수 있다. 예를 들어, 사용자의 화물 운송 경로 요청에 따라 결정된 경로 내에 화물 터미널이 포함되고 해당 화물 터미널에서 사용자의 화물 반/출입 데이터가 존재하는 경우, 기계학습 모델에 의한 운행기록 추론 없이도 사용자가 실제로 운행한 것으로 볼 수 있으므로, 운행기록 추론 정보 산출부(420)는 해당 결정된 경로에 기초하여 운행기록 추론 정보를 산출할 수 있다.

기계학습 모델부(430)는 경로에 기초하여 사용자의 운행기록 추론 정보를 결정하도록 학습됨으로써, 사용자의 화물 운송 경로 요청에 따라 결정된 경로에 기초하여 운행기록 추론 정보를 산출하도록 구성될 수 있다. 기계학습 모델의 학습 데이터 및 입출력 등에 대해서는 도 5 내지 8에 자세히 후술한다.

도 4에서 도시한 프로세서(334)의 내부 구성은 예시일 뿐이며, 일부 실시예에서는 도시한 내부 구성 외 다른 구성을 추가로 포함할 수 있으며, 일부 구성이 생략될 수도 있다. 예를 들어, 위 내부 구성 중 일부가 생략되는 경우, 사용자 단말의 프로세서(314)가 생략된 일부 내부 구성의 기능을 수행하도록 구성될 수 있다(예를 들어, 안전운임 산출부(410)). 또한, 도 4에서 프로세서(334)의 내부 구성을 기능별로 구분하여 설명하였으나, 반드시 물리적으로 구분되는 것을 의미하지 않는다. 안전운임 산출부(410), 운행기록 추론 정보 산출부(420) 및 기계학습 모델부(430)는 구분되어 상술되었으나, 이는 발명의 이해를 돕기 위한 것으로서, 이에 한정되지 않는다.

도 5는 본 개시의 일 실시예에 따른 메타학습 기반의 화물차량 운행기록 추론 방법(500)의 흐름도이다. 화물차량 운행기록 추론 방법(500)은 사용자의 화물 운송 경로 요청으로 개시될 수 있다(S510). 이 때, 출발지 및 행선지 등의 정보를 포함하는 사용자의 화물 운송 경로 요청에 따라, 예상 운송 경로가 결정될 수 있다.

이후, 화물 터미널 내 사용자의 화물 반출입 이력 존재 여부가 판단될 수 있다(S520). 이 때, 화물 반출입 이력은 별도의 조회 서버에서 사용자의 화물차량 번호를 입력함으로써 조회될 수 있다. 화물 운송 경로 요청과 실제 운행 사이 시간차가 존재하므로, 화물 반출입 이력은 화물 운송 경로 요청으로부터 일정 시간(예를 들어, 일주일)이 지난 뒤 조회될 수 있다. 일 실시예에서, 화물 운송 경로 요청과 화물 반출입 이력 조회 사이의 시간차는 각 사용자의 과거 화물 운송 경로 요청 시간과 이에 대응되는 화물 터미널 내 화물 반출입 시간을 기초로 결정될 수 있다. 예를 들어, 사용자의 과거 화물 운송 경로 요청과 이에 대응되는 실제 화물 반출입 시간 사이의 시차의 최댓값이 상술한 시차로 결정될 수 있다.

예를 들어, 결정된 경로 내 화물 터미널이 포함되고 해당 화물 터미널 내 사용자의 화물 반출입 이력이 존재하는 경우, 해당 경로는 사용자의 실제 운행 경로로서 결정되어 운행기록 추론 정보에 포함될 수 있다. 반면, 결정된 경로 내에 화물 터미널이 포함되어 있지 않거나, 포함되더라도 해당 화물 터미널 내 사용자의 화물 반출입 이력이 존재하지 않는 경우, 해당 경로는 사용자의 단순 조회 경로로 결정되어, 운행기록 추론 정보에 포함되지 않을 수 있다.

화물 반출입 이력이 존재하지 않는 경우에는, 화물 운송 경로 요청에 따라 결정된 경로가 기계학습 모델에 입력됨으로써, 결정된 경로가 사용자의 실제 운행 경로인지 여부가 결정될 수 있다(S530). 이 때, 기계학습 모델은 사용자의 실제 운행 경로에 기초하여 사용자의 운행기록 추론 정보를 결정하도록 학습된 모델일 수 있다.

결정된 경로가 사용자의 실제 운행 경로가 아니라 단순 조회 경로인 것으로 판단되는 경우, 운행기록 추론 정보가 생성되지 않을 수 있다(S540). 반면, 결정된 경로가 사용자의 실제 운행 경로인 것으로 판단되는 경우, 운행기록 추론 정보가 생성될 수 있다(S550). 이후, 사용자가 실제 운행한 것으로 결정된 운행기록 추론 정보 및/또는 실제 운행하지 않은 것으로 결정된 경로와 연관된 정보는 기계학습 모델의 학습 데이터로 활용될 수 있다. 이와 같이, 기계학습 모델의 학습 데이터는 화물 반입 또는 출입 이력 조회가 가능한 실제 운행 경로에 한정되지 않고, 기계학습 모델에 의해 실제 운행한 것으로 결정된 운행기록 추론 정보 및/또는 실제 운행하지 않은 것으로 결정된 경로와 연관된 정보도 포함하기 때문에, 기계학습 모델이 다양한 화물 차량의 운행 패턴을 나타내는 경로에 대해서도 최적의 운행 기록을 추론할 수 있다.

생성된 운행기록 추론 정보는 정보 처리 시스템 또는 사용자 단말에 저장되거나, 사용자 단말에 출력될 수 있다(S560).

도 6은 본 개시의 일 실시예에 따른 기계학습 모델(600)이 사용자의 실제 운행 여부를 판단하는 과정을 나타내는 도면이다. 기계학습 모델(600)에는 사용자의 화물 운송 경로 요청에 따라 결정된 경로(610)가 입력될 수 있다. 구체적으로, 사용자의 화물 운송 경로 요청에 따라 결정된 경로(610)는 기계학습 모델(600)의 LSTM 레이어(620)에 입력될 수 있다.

LSTM 레이어(620)는, 결정된 경로의 실제 운행 신뢰도를 예측하도록 구성될 수 있다. 구체적으로, LSTM 레이어(620)에는 2개의 노드(630, 640)가 연결될 수 있다. '실제 운행' 노드(630)에서는 결정된 경로가 사용자의 실제 운행 경로에 해당하는지 여부를, '실제 운행 아님' 노드(640)에서는 결정된 경로가 사용자의 단순 조회 경로에 해당하는지 여부를 적합도 값으로 산출할 수 있다. 일 실시예에서, 각 노드의 적합도 값은 LSTM 레이어(620)의 각 입력 데이터에 대응되어 학습된 가중치에 기초하여 결정될 수 있다.

본 개시에서 LSTM 레이어(620)는, RNN(recurrent neural network)의 구성을 포함하는 LSTM(long short term memory) 신경망 구조를 포함할 수 있다.

이후, 2개의 노드(630, 640)의 적합도 값에 기초하여, 적합도 평가(650)를 통해 실제 운행 여부가 판단될 수 있다. 예를 들어, '실제 운행' 노드(630)의 적합도 값이 '실제 운행 아님' 노드(640)의 적합도 값보다 큰 경우, 결정된 경로가 사용자의 실제 운행 경로에 해당하는 것으로 판단될 수 있다. 기계학습 모델의 결과값(660)은 '실제 운행 경로' 또는 '단순 조회 경로' 중 하나에 해당할 수 있다.

도 7은 본 개시의 일 실시예에 따른 기계학습 모델(730) 및 기계학습 모델의 학습 데이터를 나타내는 도면이다. 기계학습 모델(730)은 복수의 사용자의 화물 운송 경로 및 안전 운임 요청에 따라 결정된 복수의 경로에 기초하여 학습될 수 있다. 이 때, 복수의 경로는 하나 이상의 화물터미널을 포함하는 경로에 해당할 수 있다.

구체적으로, 복수의 경로의 각각은 복수의 사용자 각각의 실제 운행 경로(710) 또는 단순 조회 경로(720)에 해당할 수 있다. 이 때, 실제 운행 경로는, 하나 이상의 화물터미널에서 복수의 사용자 각각의 화물 반출입 이력이 존재하는 경로에 해당하고, 단순 조회 경로는, 화물터미널에서 복수의 사용자 각각의 화물 반출입 이력이 존재하지 않는 경로에 해당할 수 있다. 즉, 기계학습 모델(730)은 화물 터미널을 포함하는 경로를 통해 학습된 뒤, 이후 화물 터미널을 포함하지 않는 경로에 대해서도 실제 운행 경로 또는 단순 조회 경로 중 어느 경로에 해당하는지 결정할 수 있도록 구성될 수 있다.

일 실시예에서, 기계학습 모델(730)은 복수의 경로 중 최근 결정된 경로에 대해 더 높은 가중치가 부여되도록 학습될 수 있다. 추가적으로, 기계학습 모델(730)은 기계학습 모델에 의해 사용자가 실제 운행한 것으로 결정된 운행기록 추론 정보 및 실제 운행하지 않은 것으로 결정된 경로와 연관된 정보에 기초하여 적합도 평가값을 산출하도록 더 학습될 수 있다. 예를 들어, 기계학습 모델(730)은 RNN 기반의 LSTM 신경망 모델을 포함할 수 있다.

도 8은 본 개시의 일 실시예에 따른 인공신경망 모델(800)을 나타내는 예시도이다. 인공신경망 모델(800)은, 기계학습 모델의 일 예로서, 상술된 화물차량 운행기록 추론 모델에 해당할 수 있다. 예를 들어, 인공신경망 모델(800)은 사용자의 화물 운송 경로 요청에 따라 결정된 경로를 입력받음으로써 운행기록 추론 정보를 추출할 수 있다.

인공신경망 모델(800)은 RNN 기반의 LSTM 신경망 모델을 이용하여 구현된다. 도 8에 도시된 바와 같이, 인공신경망 모델(800)은, 복수의 셀(810, 820, 830)이 시계열적으로 연결되어 구성된다. 각 셀(810, 820, 830)에는 입력 경로를 나타내는 벡터 요소들(814, 824, 834)이 입력되고, 운행기록 추론 정보를 나타내는 벡터 요소들(812, 822, 832)이 출력되도록 구성될 수 있다.

각 셀(810, 820, 830)의 셀 스테이트(S_t-1, S_t, S_t+1)는 forget gate(826)와 input gate(828)를 거친 후 다음 상태로 이동하는데 주로 정보 기억을 담당하고, forget gate(826)는 해당 셀(820)상에서 크게 중요하지 않은 정보를 삭제한다. 즉, 셀(820)은 forget gate(826)의 첫째 시그모이드 함수를 사용하여 삭제할 정보를 결정하고, input gate(828)의 또 다른 시그모이드 함수와 tanh 함수를 사용하여 새로운 정보를 셀 스테이트에 저장할지 결정하여 셀 스테이트(S_t)를 갱신하며, output gate(829)의 마지막 시그모이드 함수와 셀 스테이트(S_t)에서 나오는 출력을 통과한 마지막 tanh 함수로 어떤 값을 출력할지를 결정한다.

인공신경망 모델(800)의 학습 방법에는, 교사 신호(정답)의 입력에 의해서 문제의 해결에 최적화되도록 학습하는 지도 학습(Supervised Learning) 방법과, 교사 신호를 필요로 하지 않는 비지도 학습(Unsupervised Learning) 방법이 있다. 일 실시예에 따르면, 정보 처리 시스템은 복수의 사용자의 화물 운송 경로 및 안전 운임 요청에 따라 결정된 복수의 경로를 이용하여 인공신경망 모델(800)을 학습시킬 수 있다. 다른 실시예에서, 정보 처리 시스템은 인공신경망 모델(800)의 출력 결과 생성된, 사용자가 실제 운행한 것으로 결정된 운행기록 추론 정보 및 실제 운행하지 않은 것으로 결정된 경로와 연관된 정보를 이용하여 인공신경망 모델(800)을 더 학습시킬 수 있다.

일 실시예에 따르면, 정보 처리 시스템은 인공신경망 모델(800)을 학습시키기 위한 학습 데이터를 직접 생성할 수 있다. 예를 들어, 정보 처리 시스템은 복수의 사용자의 화물 운송 경로 및 안전 운임 요청 중 적어도 하나를 포함하는 학습 데이터 세트를 생성할 수 있다. 그리고나서, 정보 처리 시스템은 생성된 학습 데이터 세트 및 이에 따라 결정된 복수의 경로를 기초로 화물차량 운행기록을 추론하기 위한 인공신경망 모델(800)을 학습시킬 수 있다.

일 실시예에 따르면, 인공신경망 모델(800)의 입력변수(814, 824, 834)는, 사용자의 화물 운송 경로 요청에 따라 결정된 경로를 포함할 수 있다. 이와 같이 상술된 입력변수(814, 824, 834)에 기초하여, 인공신경망 모델(800)에 의해 산출된 출력변수(812, 822, 832)는 운행기록 추론 정보가 될 수 있다.

도 9는 본 개시의 일 실시예에 따른 화물차량 운행기록 추론 방법 (900)을 나타내는 흐름도이다. 일 실시예에서, 화물차량 운행기록 추론 방법(900)은 프로세서(예를 들어, 컴퓨팅 장치의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 화물차량 운행기록 추론 방법(900)은 프로세서가 사용자의 화물 운송 경로 요청에 응답하여, 화물 운송 경로 요청에 따라 결정된 경로를 정보 처리 시스템에 송신함으로써 개시될 수 있다(S910).

그 후, 프로세서는 결정된 경로에 기초하여 산출된 경로에 대한 운행기록 추론 정보를 정보 처리 시스템으로부터 수신할 수 있다(S920). 이 때, 운행기록 추론 정보는, 사용자가 실제 운행한 것으로 추정되는 경로, 거리 또는 경유 화물 터미널 중 적어도 하나를 포함할 수 있다.

운행기록 추론 정보는, 경로에 기초하여 사용자의 운행기록 추론 정보를 결정하도록 학습된 기계학습 모델에 결정된 경로를 입력함으로써 결정될 수 있다. 기계학습 모델은, 복수의 사용자의 화물 운송 경로 및 안전 운임 요청에 따라 결정된 복수의 경로에 기초하여 학습될 수 있으며, 복수의 경로는 하나 이상의 화물터미널을 포함하는 경로에 해당할 수 있다. 구체적으로, 복수의 경로의 각각은, 복수의 사용자 각각의 실제 운행 경로 또는 단순 조회 경로 중 하나에 해당하고, 실제 운행 경로는, 하나 이상의 화물터미널에서 복수의 사용자 각각의 화물 반출입 이력이 존재하는 경로에 해당하고, 단순 조회 경로는, 화물터미널에서 복수의 사용자 각각의 화물 반출입 이력이 존재하지 않는 경로에 해당할 수 있다. 일 실시예에서, 기계학습 모델에 의해 사용자가 실제 운행한 것으로 결정된 운행기록 추론 정보 및 실제 운행하지 않은 것으로 결정된 운행기록 추론 정보에 기초하여 적합도 평가값을 산출하도록 더 학습될 수 있다. 또 다른 실시예에서, 기계학습 모델은, 복수의 경로 중 최근 결정된 경로에 대해 더 높은 가중치가 부여되도록 학습될 수 있다.

그 후, 프로세서는 운행기록 추론 정보에 기초하여 화물 운임 정보를 산정할 수 있다(S930). 다른 실시예에서, 화물 운임 정보는 정보 처리 시스템에서 산정되어 사용자 단말에 제공될 수 있다.

상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.

하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.

따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로 구현될 수도 있다.

펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령어들로 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.

이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.

본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.

110: 제1 화면 120: 제2 화면

Claims (20)

1. 사용자 단말의 적어도 하나의 프로세서에 의해 수행되는, 메타 학습 기반의 화물차량 운행기록 추론 방법에 있어서,
   사용자의 화물 운송 경로 요청에 응답하여, 상기 화물 운송 경로 요청에 따라 결정된 경로를 정보 처리 시스템에 송신하는 단계;
   상기 결정된 경로에 기초하여 산출된 상기 경로에 대한 운행기록 추론 정보를 상기 정보 처리 시스템으로부터 수신하는 단계; 및
   상기 운행기록 추론 정보에 기초하여 화물 운임 정보를 산정하는 단계를 포함하고,
   상기 운행기록 추론 정보는,
   상기 사용자가 실제 운행한 것으로 추정되는 경로, 거리 또는 경유 화물 터미널 중 적어도 하나를 포함하고,
   경로에 기초하여 사용자의 운행기록 추론 정보를 결정하도록 학습된 기계학습 모델에 상기 결정된 경로를 입력함으로써 결정되고,
   상기 기계학습 모델은,
   복수의 사용자의 화물 운송 경로 및 안전 운임 요청에 따라 결정된 복수의 경로에 기초하여 학습되고,
   상기 복수의 경로는 하나 이상의 화물터미널을 포함하는 경로에 해당하고,
   상기 복수의 경로의 각각은,
   복수의 사용자 각각이 실제 운행한 것으로 결정된 실제 운행 경로 또는 실제 운행하지 않은 것으로 결정된 단순 조회 경로 중 하나에 해당하고,
   상기 실제 운행 경로는, 상기 하나 이상의 화물터미널에서 상기 복수의 사용자 각각의 화물 반출입 이력이 존재하는 경로에 해당하고,
   상기 단순 조회 경로는, 상기 화물터미널에서 상기 복수의 사용자 각각의 화물 반출입 이력이 존재하지 않는 경로에 해당하며,
   상기 기계학습 모델은,
   상기 기계학습 모델에 의해 상기 사용자가 실제 운행한 것으로 결정된 운행기록 추론 정보 및 실제 운행하지 않은 것으로 결정된 경로와 연관된 정보에 기초하여 적합도 평가값을 산출하도록 더 학습되는, 화물차량 운행기록 추론 방법.
   
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 삭제
7. 삭제
8. 제1항에 있어서,
   상기 기계학습 모델은,
   상기 복수의 경로 중 최근 결정된 경로에 대해 더 높은 가중치가 부여되도록 학습되는, 화물차량 운행기록 추론 방법.
   
9. 사용자 단말에 있어서,
   통신 모듈;
   메모리; 및
   상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
   를 포함하고,
   상기 통신 모듈은,
   사용자의 화물 운송 경로 요청에 응답하여, 상기 화물 운송 경로 요청에 따라 결정된 경로를 정보 처리 시스템에 송신하고,
   상기 결정된 경로에 기초하여 산출된 상기 경로에 대한 운행기록 추론 정보를 상기 정보 처리 시스템으로부터 수신하고,
   상기 적어도 하나의 프로그램은,
   상기 운행기록 추론 정보에 기초하여 화물 운임 정보를 산정하기 위한 명령어들을 포함하고,
   상기 운행기록 추론 정보는,
   상기 사용자가 실제 운행한 것으로 추정되는 경로, 거리 또는 경유 화물 터미널 중 적어도 하나를 포함하고,
   경로에 기초하여 사용자의 운행기록 추론 정보를 결정하도록 학습된 기계학습 모델에 상기 결정된 경로를 입력함으로써 결정되고,
   상기 기계학습 모델은,
   복수의 사용자의 화물 운송 경로 및 안전 운임 요청에 따라 결정된 복수의 경로에 기초하여 학습되고,
   상기 복수의 경로는 하나 이상의 화물터미널을 포함하는 경로에 해당하고,
   상기 복수의 경로의 각각은,
   복수의 사용자 각각이 실제 운행한 것으로 결정된 실제 운행 경로 또는 실제 운행하지 않은 것으로 결정된 단순 조회 경로 중 하나에 해당하고,
   상기 실제 운행 경로는, 상기 하나 이상의 화물터미널에서 상기 복수의 사용자 각각의 화물 반출입 이력이 존재하는 경로에 해당하고,
   상기 단순 조회 경로는, 상기 화물터미널에서 상기 복수의 사용자 각각의 화물 반출입 이력이 존재하지 않는 경로에 해당하며,
   상기 기계학습 모델은,
   상기 기계학습 모델에 의해 상기 사용자가 실제 운행한 것으로 결정된 운행기록 추론 정보 및 실제 운행하지 않은 것으로 결정된 경로와 연관된 정보에 기초하여 적합도 평가값을 산출하도록 더 학습되는, 사용자 단말.
   
10. 정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행되는, 화물차량 운행기록 추론 방법에 있어서,
    사용자의 화물 운송 경로 요청에 응답하여, 상기 화물 운송 경로 요청에 따라 결정된 경로를 수신하는 단계;
    상기 결정된 경로에 기초하여 상기 경로에 대한 운행기록 추론 정보를 산출하는 단계; 및
    상기 운행기록 추론 정보에 기초하여 화물 운임 정보를 산정하는 단계를 포함하고,
    상기 운행기록 추론 정보는,
    상기 사용자가 실제 운행한 것으로 추정되는 경로, 거리 또는 경유 화물 터미널 중 적어도 하나를 포함하고,
    경로에 기초하여 사용자의 운행기록 추론 정보를 결정하도록 학습된 기계학습 모델에 상기 결정된 경로를 입력함으로써 결정되고,
    상기 기계학습 모델은,
    복수의 사용자의 화물 운송 경로 및 안전 운임 요청에 따라 결정된 복수의 경로에 기초하여 학습되고,
    상기 복수의 경로는 하나 이상의 화물터미널을 포함하는 경로에 해당하고,
    상기 복수의 경로의 각각은,
    복수의 사용자 각각이 실제 운행한 것으로 결정된 실제 운행 경로 또는 실제 운행하지 않은 것으로 결정된 단순 조회 경로 중 하나에 해당하고,
    상기 실제 운행 경로는, 상기 하나 이상의 화물터미널에서 상기 복수의 사용자 각각의 화물 반출입 이력이 존재하는 경로에 해당하고,
    상기 단순 조회 경로는, 상기 화물터미널에서 상기 복수의 사용자 각각의 화물 반출입 이력이 존재하지 않는 경로에 해당하며,
    상기 기계학습 모델은,
    상기 기계학습 모델에 의해 상기 사용자가 실제 운행한 것으로 결정된 운행기록 추론 정보 및 실제 운행하지 않은 것으로 결정된 경로와 연관된 정보에 기초하여 적합도 평가값을 산출하도록 더 학습되는, 화물차량 운행기록 추론 방법.
    
11. 제10항에 있어서,
    상기 산정된 화물 운임 정보를 사용자 단말로 송신하는 단계를 더 포함하는, 화물차량 운행기록 추론 방법.
    
12. 삭제
13. 삭제
14. 삭제
15. 삭제
16. 삭제
17. 삭제
18. 제10항에 있어서,
    상기 기계학습 모델은,
    상기 복수의 경로 중 최근 결정된 경로에 대해 더 높은 가중치가 부여되도록 학습되는, 화물차량 운행기록 추론 방법.
    
19. 제1항, 제8항, 제10항, 제11항 및 제18항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
    
20. 정보 처리 시스템에 있어서,
    통신 모듈;
    메모리; 및
    상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 통신 모듈은,
    사용자의 화물 운송 경로 요청에 응답하여, 상기 화물 운송 경로 요청에 따라 결정된 경로를 수신하고,
    상기 적어도 하나의 프로그램은,
    상기 결정된 경로에 기초하여 상기 경로에 대한 운행기록 추론 정보를 산출하고, 상기 운행기록 추론 정보에 기초하여 화물 운임 정보를 산정하기 위한 명령어들을 포함하고,
    상기 운행기록 추론 정보는,
    상기 사용자가 실제 운행한 것으로 추정되는 경로, 거리 또는 경유 화물 터미널 중 적어도 하나를 포함하고,
    경로에 기초하여 사용자의 운행기록 추론 정보를 결정하도록 학습된 기계학습 모델에 상기 결정된 경로를 입력함으로써 결정되고,
    상기 기계학습 모델은,
    복수의 사용자의 화물 운송 경로 및 안전 운임 요청에 따라 결정된 복수의 경로에 기초하여 학습되고,
    상기 복수의 경로는 하나 이상의 화물터미널을 포함하는 경로에 해당하고,
    상기 복수의 경로의 각각은,
    복수의 사용자 각각이 실제 운행한 것으로 결정된 실제 운행 경로 또는 실제 운행하지 않은 것으로 결정된 단순 조회 경로 중 하나에 해당하고,
    상기 실제 운행 경로는, 상기 하나 이상의 화물터미널에서 상기 복수의 사용자 각각의 화물 반출입 이력이 존재하는 경로에 해당하고,
    상기 단순 조회 경로는, 상기 화물터미널에서 상기 복수의 사용자 각각의 화물 반출입 이력이 존재하지 않는 경로에 해당하며,
    상기 기계학습 모델은,
    상기 기계학습 모델에 의해 상기 사용자가 실제 운행한 것으로 결정된 운행기록 추론 정보 및 실제 운행하지 않은 것으로 결정된 경로와 연관된 정보에 기초하여 적합도 평가값을 산출하도록 더 학습되는, 정보 처리 시스템.

Images