KR102673892B1 - 강화학습 기반의 화물 운송 차량 배차 방법 및 시스템 - Google Patents
강화학습 기반의 화물 운송 차량 배차 방법 및 시스템 Download PDFInfo
- Publication number
- KR102673892B1 KR102673892B1 KR1020220185510A KR20220185510A KR102673892B1 KR 102673892 B1 KR102673892 B1 KR 102673892B1 KR 1020220185510 A KR1020220185510 A KR 1020220185510A KR 20220185510 A KR20220185510 A KR 20220185510A KR 102673892 B1 KR102673892 B1 KR 102673892B1
- Authority
- KR
- South Korea
- Prior art keywords
- cargo
- transport
- driver
- transported
- scheduled
- Prior art date
Links
- 230000002787 reinforcement Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 64
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 title 1
- 230000010365 information processing Effects 0.000 claims abstract description 68
- 230000015654 memory Effects 0.000 claims description 40
- 238000004891 communication Methods 0.000 claims description 35
- 230000004044 response Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 239000000446 fuel Substances 0.000 claims description 7
- 230000008676 import Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 description 28
- 239000003795 chemical substances by application Substances 0.000 description 23
- 230000006870 function Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007704 transition Effects 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
- G06Q10/0835—Relationships between shipper or supplier and carriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/092—Reinforcement learning
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0834—Choice of carriers
- G06Q10/08345—Pricing
-
- G—PHYSICS
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 개시는 정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행되는, 강화학습 기반의 화물 운송 차량 배차 방법에 관한 것이다. 강화학습 기반의 화물 운송 차량 배차 방법은, 화물 운송 기사와 연관된 정보를 수신하는 단계, 운송 예정 화물과 연관된 정보를 수신하는 단계, 항만과 연관된 정보를 수신하는 단계 - 항만은 운송 예정 화물의 출발 위치, 도착 위치 또는 반출입 위치 중 적어도 하나에 해당함- 및 운송 적합도를 산출하도록 학습된 강화학습 모델에 화물 운송 기사와 연관된 정보, 운송 예정 화물과 연관된 정보 및 항만과 연관된 정보를 입력하여 화물 운송 기사의 운송 적합도를 산출하는 단계를 포함한다.
Description
본 개시는 강화학습 기반의 화물 운송 차량 배차 방법 및 시스템에 관한 것으로, 구체적으로 학습된 에이전트에 의해, 복수의 배차 조건에 기초하여 화물 운송 차량의 배차 결과를 산출하는 방법 및 장치에 관한 것이다.
항만 물류 환경에서 컨테이너 화물의 운송 업무를 위해, 운송사의 배차 업무원이 컨테이너 화물에 대한 운송 작업을 컨테이너 운송 기사에게 할당하는 것을 배차 업무라고 한다. 항만 물류 환경에서 이러한 배차 업무는 운송 기사의 현황 및 운행 효율 등의 운송 환경을 고려하지 않는 경우 화물을 적재하지 않은 상태로 유류비를 낭비하는 공차 운행, 컨테이너 화물을 차량에 상차하기 위한 불필요한 대기 시간 등의 비효율적인 문제가 발생할 수 있다.
그러나, 이를 해결하기 위한 기존의 자동 배차 알고리즘은 특정 목적함수를 기반으로 알고리즘이 설계되어 운송 기사, 운송사 및 화주의 다양한 요구사항과 실시간으로 변동하는 환경 요소를 고려하지 못한다는 문제가 있다.
본 개시는 상기와 같은 문제를 해결하기 위한 강화학습 기반의 화물 운송 차량 배차 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.
정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행되는, 강화학습 기반의 화물 운송 차량 배차 방법에 있어서, 화물 운송 기사와 연관된 정보를 수신하는 단계, 운송 예정 화물과 연관된 정보를 수신하는 단계, 항만과 연관된 정보를 수신하는 단계 -항만은 운송 예정 화물의 출발 위치, 도착 위치 또는 반출입 위치 중 적어도 하나에 해당함- 및 운송 적합도를 산출하도록 학습된 강화학습 모델에 화물 운송 기사와 연관된 정보, 운송 예정 화물과 연관된 정보 및 항만과 연관된 정보를 입력하여 화물 운송 기사의 운송 적합도를 산출하는 단계를 포함한다.
본 개시의 일 실시예에 있어서, 화물 운송 기사와 연관된 정보는, 화물 운송 기사의 주요 거점 출발지, 운송 선호 지역, 운송 형태, 위험물 운송 가능 여부, 특수화물 운송 가능 여부, 현 위치 또는 운행 대기 여부 중 적어도 하나와 연관된 정보를 포함한다.
본 개시의 일 실시예에 있어서, 운송 예정 화물과 연관된 정보는, 운송 예정 화물의 출발지, 도착지, 출발 예정 시각, 도착 예정 시각 또는 종류 중 적어도 하나와 연관된 정보를 포함한다.
본 개시의 일 실시예에 있어서, 운송 예정 화물의 운송 경로와 연관된 정보를 수신하는 단계, 화물 운송 기사에게 지급되는 안전 운임과 연관된 정보를 수신하는 단계 및 유가와 연관된 정보를 수신하는 단계를 더 포함한다.
본 개시의 일 실시예에 있어서, 화물 운송 기사의 운송 적합도를 산출하는 단계는, 운송 경로와 연관된 정보, 안전 운임과 연관된 정보 또는 유가와 연관된 정보 중 적어도 하나를 강화학습 모델에 더 입력하여 운송 적합도를 산출하는 단계를 포함한다.
본 개시의 일 실시예에 있어서, 강화학습 모델은, 운송 예정 화물이 운송 예정 화물의 도착 예정 시각 내에 목적지에 도착 가능한 것으로 판단되는 경우 강화학습 모델에 양의 보상을 부여하고, 도착 예정 시각 내에 목적지에 도착 불가능한 것으로 판단되는 경우 강화학습 모델에 음의 보상을 부여함으로써 학습된다.
본 개시의 일 실시예에 있어서, 강화학습 모델은, 상기 화물 운송 기사 중 가장 높은 운송 적합도를 갖는 제1 기사의 위험물 운송 가능 여부 및 특수화물 운송 가능 여부와 연관된 정보와 운송 예정 화물과 연관된 정보가 서로 대응되는 경우, 추가 양의 보상을 강화학습 모델에 부여한다.
본 개시의 일 실시예에 있어서, 화물 운송 기사 중 가장 높은 운송 적합도를 갖는 제1 기사의 사용자 단말에 운송 예정 화물과 연관된 정보를 송신하는 단계를 더 포함한다.
본 개시의 일 실시예에 있어서, 제1 기사가 운송 예정 화물의 운송을 수락하는 것에 응답하여, 운송 예정 화물의 화물주에게 제1 기사와 연관된 정보를 송신하는 단계를 더 포함한다.
본 개시의 일 실시예에 있어서, 제1 기사가 운송 예정 화물의 운송을 거부하는 것에 응답하여, 제1 기사 다음으로 높은 운송 적합도를 가지는 제2 기사의 사용자 단말에 운송 예정 화물과 연관된 정보를 송신하는 단계를 더 포함한다.
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 시스템은, 통신 모듈, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 통신 모듈은, 화물 운송 기사와 연관된 정보를 수신하고, 운송 예정 화물과 연관된 정보를 수신하고, 항만과 연관된 정보를 수신하고-항만은 운송 예정 화물의 출발 위치, 도착 위치 또는 반출입 위치 중 적어도 하나에 해당함-, 적어도 하나의 프로그램은, 운송 적합도를 산출하도록 학습된 강화학습 모델에 화물 운송 기사와 연관된 정보, 운송 예정 화물과 연관된 정보 및 항만과 연관된 정보를 입력하여 화물 운송 기사의 운송 적합도를 산출하기 위한 명령어들을 포함한다.
본 개시의 일 실시예에 있어서, 화물 운송 기사와 연관된 정보는, 화물 운송 기사의 주요 거점 출발지, 운송 선호 지역, 운송 형태, 위험물 운송 가능 여부, 특수화물 운송 가능 여부, 현 위치 또는 운행 대기 여부 중 적어도 하나와 연관된 정보를 포함한다.
본 개시의 일 실시예에 있어서, 운송 예정 화물과 연관된 정보는, 운송 예정 화물의 출발지, 도착지, 출발 예정 시각, 도착 예정 시각 또는 종류 중 적어도 하나와 연관된 정보를 포함한다.
본 개시의 일 실시예에 있어서, 통신 모듈은, 운송 예정 화물의 운송 경로와 연관된 정보, 화물 운송 기사에게 지급되는 안전 운임과 연관된 정보 및 유가와 연관된 정보를 더 수신한다.
본 개시의 일 실시예에 있어서, 화물 운송 기사의 운송 적합도를 산출하는 것은, 운송 경로와 연관된 정보, 안전 운임과 연관된 정보 또는 유가와 연관된 정보 중 적어도 하나를 상기 강화학습 모델에 더 입력하여 운송 적합도를 산출하는 것을 포함한다.
본 개시의 일 실시예에 있어서, 강화학습 모델은, 운송 예정 화물이 운송 예정 화물의 도착 예정 시각 내에 목적지에 도착 가능한 것으로 판단되는 경우 상기 강화학습 모델에 양의 보상을 부여하고, 도착 예정 시각 내에 목적지에 도착 불가능한 것으로 판단되는 경우 상기 강화학습 모델에 음의 보상을 부여함으로써 학습된다.
본 개시의 일 실시예에 있어서, 강화학습 모델은, 상기 화물 운송 기사 중 가장 높은 운송 적합도를 갖는 제1 기사의 위험물 운송 가능 여부 및 특수화물 운송 가능 여부와 연관된 정보와 운송 예정 화물과 연관된 정보가 서로 대응되는 경우, 추가 양의 보상을 상기 강화학습 모델에 부여한다.
본 개시의 일 실시예에 있어서, 통신 모듈은, 화물 운송 기사 중 가장 높은 운송 적합도를 갖는 제1 기사의 사용자 단말에 운송 예정 화물과 연관된 정보를 송신한다.
본 개시의 일 실시예에 있어서, 통신 모듈은, 제1 기사가 운송 예정 화물의 운송을 수락하는 것에 응답하여, 운송 예정 화물의 화물주에게 제1 기사와 연관된 정보를 송신한다.
본 개시의 일 실시예에 따르면, 운송사, 운송기사 및 화주의 요구사항 등을 고려함으로써, 다양한 상황에서 적합한 화물 운송 기사를 선정하고 활용하여 화물 차량을 배차할 수 있다.
본 개시의 일 실시예에 따르면, 자동 배차 알고리즘을 통해 임의로 컨테이너에 차량을 배차하던 기존의 배차 업무에 비해 업무 효율을 극대화할 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 강화학습 기반의 화물 운송 차량 배차 방법이 사용되는 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 화물 운송 차량 배차 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 강화학습 모델의 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 화물 운송 기사의 배차 수락 시 화물 운송 차량 배차 방법을 나타내는 흐름도이다.
도 7은 본 개시의 일 실시예에 따른 화물 운송 기사의 배차 거절 시 화물 운송 차량 배차 방법을 나타내는 흐름도이다.
도 8은 본 개시의 일 실시예에 따른 강화학습 기반의 화물 운송 차량 배차 방법을 나타내는 흐름도이다.
도 1은 본 개시의 일 실시예에 따른 강화학습 기반의 화물 운송 차량 배차 방법이 사용되는 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 화물 운송 차량 배차 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 강화학습 모델의 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 화물 운송 기사의 배차 수락 시 화물 운송 차량 배차 방법을 나타내는 흐름도이다.
도 7은 본 개시의 일 실시예에 따른 화물 운송 기사의 배차 거절 시 화물 운송 차량 배차 방법을 나타내는 흐름도이다.
도 8은 본 개시의 일 실시예에 따른 강화학습 기반의 화물 운송 차량 배차 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, '복수의 A의 각각' 또는 '복수의 A 각각'은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다. 예를 들어, 복수의 보상 함수 각각은, 복수의 보상 함수에 포함된 모든 보상 함수의 각각을 지칭하거나 복수의 보상 함수에 포함된 일부 보상 함수의 각각을 지칭할 수 있다.
본 개시에서, '강화학습(Reinforcement Learning, RL)'은 기계학습의 한 영역으로, 컴퓨터가 주어진 상태(state)에 대해 선택 가능한 액션(action)들 중 보상(reward)을 최대화하는 액션을 선택하는 학습 방법을 지칭할 수 있다. 여기서, 강화학습의 대상이 되는 컴퓨터 프로그램을 에이전트(agent)라고 지칭할 수 있고, 에이전트는 주어진 환경을 탐색하여 현재의 상태에서 자신이 취할 수 있는 액션의 확률을 나타내는 정책(policy)을 수립할 수 있다. 또한, 주어진 환경(environment)에 의해 에이전트에게 특정 상태(state)가 주어지면(에이전트가 관찰에 의해 상태를 얻게 된다고 볼 수도 있음), 에이전트는 상태에 따라 액션을 하고, 환경은 에이전트에게 보상을 주게 된다. 이러한 과정으로 에이전트는 환경과 상호작용을 하며 보상을 많이 취할 수 있는 액션들 또는 정책을 학습할 수 있다. 즉, 주어진 환경과 에이전트 사이에서 상태, 액션, 보상을 상호작용하면서 에이전트 또는 에이전트의 정책이 학습되고, 이를 통해 에이전트가 최대의 보상을 받을 수 있는 정책을 수립하는 것이 강화학습의 목표일 수 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. 본 개시에서, 기계학습 모델은 인공신경망 모델을 지칭할 수 있으며, 인공신경망 모델은 기계학습 모델을 지칭할 수 있다.
도 1은 본 개시의 일 실시예에 따른 강화학습 기반의 화물 운송 차량 배차 방법이 사용되는 예시를 나타내는 도면이다. 일 실시예에 따르면, 정보 처리 시스템(150)은 화물 운송 기사와 연관된 정보(110), 운송 예정 화물과 연관된 정보(120), 항만과 연관된 정보(130) 및 기타 정보(140) 중 적어도 하나에 기초하여 화물 운송 차량을 배차하고, 배차 사실을 해당 화물 운송 차량의 화물 운송 기사의 사용자 단말(160)에 전달할 수 있다.
일 실시예에서, 정보 처리 시스템(150)은 화물 운송 기사와 연관된 정보(110)를 화물 운송 기사의 사용자 단말(160)로부터 수신할 수 있다. 예를 들어, 화물 운송 기사와 연관된 정보(110)는 화물 운송 기사의 주요 거점 출발지, 운송 선호 지역, 운송 형태(예를 들어, 장거리, 근거리, 환적 여부 등), 위험물 운송 가능 여부, 특수화물 운송 가능 여부, 현 위치 또는 운행 대기 여부, 운송 차량의 연비 중 적어도 하나와 연관된 정보를 포함할 수 있다.
일 실시예에서, 정보 처리 시스템(150)은 운송 예정 화물과 연관된 정보(120)를 운송 예정 화물의 화물주의 사용자 단말로부터 수신할 수 있다. 예를 들어, 운송 예정 화물과 연관된 정보(120)는, 운송 예정 화물의 출발지, 도착지, 출발 예정 시각(Estimated Time of Departure, ETD), 도착 예정 시각(Estimated Time of Arrival, ETA) 또는 화물 종류 중 적어도 하나와 연관된 정보를 포함할 수 있다.
일 실시예에 따르면, 정보 처리 시스템(150)은 항만과 연관된 정보(130)를 수신할 수 있다. 정보 처리 시스템(150)은 각 항만에 대응되는 항만 공사와 연관된 정보 처리 시스템으로부터 항만과 연관된 정보(130)를 수신할 수 있다. 예를 들어, 항만과 연관된 정보(130)는 운송 예정 화물의 출발 위치, 예정 도착 위치 및 반출입 위치를 포함하는 반출입(COPINO) 정보, 그리고 항만의 혼잡도, 컨테이너 적치 가능 여부 및 상하차 작업 총 소요 시간과 연관된 정보 등을 포함할 수 있다.
추가적으로, 정보 처리 시스템(150)은 기타 정보(140)를 더 수신할 수 있다. 기타 정보(140)는 운송 예정 화물의 운송 경로와 연관된 정보, 화물 운송 기사에게 지급되는 안전 운임과 연관된 정보, 날씨 정보 및 유가와 연관된 정보 등을 포함할 수 있다. 예를 들어, 정보 처리 시스템(150)은 국가교통정보센터 서버로부터 운송 경로와 연관된 정보를, 공공 데이터 포털 서버로부터 안전 운임과 연관된 정보를, 한국석유공사 서버로부터 유가와 연관된 정보를, 기상청 서버로부터 날씨 정보를 각각 수신할 수 있다.
일 실시예에서, 정보 처리 시스템(150)은 수신한 정보에 기초하여 운송 적합도를 산출함으로써 화물 운송 차량을 배차할 수 있다. 예를 들어, 정보 처리 시스템(150)은 운송 적합도를 산출하도록 학습된 강화학습 모델에 수신한 정보를 입력함으로써 화물 운송 기사의 운송 적합도를 산출할 수 있다. 강화학습 모델의 구체적인 구성 및 학습 방법 등에 대해서는 도 5에서 자세히 후술한다.
이후, 정보 처리 시스템(150)은 산출된 운송 적합도 중 가장 높은 운송 적합도를 갖는 화물 운송 기사에게 운송 예정 화물을 배차하고, 해당 화물 운송 기사의 사용자 단말(160)에 배차 사실, 운송 예정 화물과 연관된 정보(120), 항만과 연관된 정보(130) 및/또는 기타 정보(140) 등을 송신할 수 있다.
화물 운송 기사는 사용자 단말(160)에서 운송 예정 화물의 운송 수락 여부를 선택할 수 있다. 일 실시예에서, 정보 처리 시스템(150)은 화물 운송 기사가 운송 예정 화물의 운송을 수락하는 것에 응답하여, 운송 예정 화물의 화물주에게 화물 운송 기사와 연관된 정보(110)를 송신할 수 있다.
다른 실시예에서, 정보 처리 시스템(150)은 화물 운송 기사가 운송 예정 화물의 운송을 거부하는 것에 응답하여, 해당 화물 운송 기사 다음으로 높은 운송 적합도를 가지는 다른 화물 운송 기사의 사용자 단말에 배차 사실, 운송 예정 화물과 연관된 정보(120), 항만과 연관된 정보(130) 및/또는 기타 정보(140)를 송신할 수 있으며, 이러한 과정은 대기 상태인 화물 운송 기사가 더 이상 존재하지 않을 때까지 반복될 수 있다.
도 2는 본 개시의 일 실시예에 따른 화물 운송 차량 배차 서비스를 제공하기 위하여, 정보 처리 시스템(230)이 복수의 사용자 단말(210_1, 210_2, 210_3)과 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 화물 운송 차량 배차 서비스를 제공할 수 있는 시스템(들)을 포함할 수 있다. 일 실시예에서, 정보 처리 시스템(230)은 화물 운송 차량 배차 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 화물 운송 차량 배차 서비스를 위한 별도의 시스템(예를 들어, 서버)들을 포함할 수 있다.
정보 처리 시스템(230)에 의해 제공되는 화물 운송 차량 배차 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. 일 실시예에서, 복수의 사용자 단말(210_1, 210_2, 210_3)의 적어도 일부는 운송 예정 화물의 화물주의 사용자 단말에 해당하고, 복수의 사용자 단말(210_1, 210_2, 210_3)의 다른 일부는 화물 운송 기사의 사용자 단말에 해당할 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)의 적어도 일부는 화물 운송 기사와 연관된 정보 또는 운송 예정 화물과 연관된 정보를 정보 처리 시스템(230)에 제공하고, 정보 처리 시스템(230)은 사용자 단말(210_1, 210_2, 210_3)의 다른 일부에 화물 운송 기사와 연관된 정보 또는 운송 예정 화물과 연관된 정보를 제공할 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 화물 운송 차량 배차 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, 화물 운송 차량 배차 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, 화물 운송 차량 배차 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 화물 운송 차량 배차 서비스를 제공하는 화물 운송 차량 배차 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.
화물 운송 차량 배차 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 화물 운송 차량 배차 정보(예를 들어, 배차 사실, 화물 운송 기사와 연관된 정보, 운송 예정 화물과 연관된 정보, 항만과 연관된 정보, 기타 정보 등)를 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 차량 배차 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 시스템(230)의 프로세서(400)의 내부 구성을 나타내는 블록도이다. 프로세서(400)는 전처리부(410), 강화학습 모델부(420) 및 배차 결정부(430)를 포함할 수 있다. 이 경우, 전처리부(410), 강화학습 모델부(420) 및 배차 결정부(430)와 관련된 프로그램은 임의의 저장 매체(예: 메모리(310) 등)에 저장되거나 로딩되어, 프로세서(400)에 의해 접근되거나 실행될 수 있다. 도 4에서 프로세서(400) 각각의 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로, 복수의 구성요소가 실제 물리적 환경에서 서로 통합되는 형태로 구현될 수 있다. 또한, 도 4에서는 프로세서(400)는 전처리부(410), 강화학습 모델부(420) 및 배차 결정부(430)로 나누어서 구현되었으나, 이에 한정되지 않으며, 일부 구성이 생략되거나 다른 구성이 추가될 수 있다.
일 실시예에 따르면, 전처리부(410)는 도 1에서의 화물 운송 기사와 연관된 정보(110), 운송 예정 화물과 연관된 정보(120), 항만과 연관된 정보(130) 및 기타 정보(140)를 전처리할 수 있다. 예를 들어, 전처리부(410)는 정보 처리 시스템이 수신한 정보 중 화물 운송 차량 배차 서비스를 제공하는 데 불필요한 데이터를 제거하거나, 기존 데이터를 사용하기 편리한 데이터로 변환할 수 있다. 가령, 전처리부(410)가 GPS 수집 모듈로부터 수신한 화물 운송 기사, 운송 예정 화물, 항만 등의 경도 값 및 위도 값을 미리 정해진 수치로 나눔으로써(예를 들어, 경도 값은 0.0113으로, 위도 값은 0.0091으로), 결과 값을 기초로 곧바로 km 단위의 두 위치 간 거리가 산출될 수 있다. 이러한 구성을 통해, 1km의 운송 거리 단위로 운임 규칙이 명시된 안전운임제에 따른 운임이 용이하게 산출될 수 있다.
일 실시예에서, 강화학습 모델부(420)는 운송 적합도를 산출하도록 학습될 수 있다. 강화학습 모델은 화물 운송 기사와 연관된 정보, 운송 예정 화물과 연관된 정보, 항만과 연관된 정보 및 기타 정보 중 적어도 하나에 기초하여 화물 운송 기사 각각의 운송 적합도를 산출할 수 있다. 강화학습 모델의 자세한 구성 및 학습 방법 등에 대해서는 도 5에서 자세히 후술한다.
일 실시예에서, 배차 결정부(430)는 강화학습 모델부(420)에서 산출된 화물 운송 기사 각각의 운송 적합도에 기초하여 배차를 결정할 수 있다. 예를 들어, 배차 결정부(430)는 화물 운송 기사 중 가장 높은 운송 적합도를 갖는 화물 운송 기사에게 운송 예정 화물을 배차할 수 있다. 이후, 배차 결정부는 가장 높은 운송 적합도를 갖는 화물 운송 기사가 운송 예정 화물의 운송을 거부하는 것에 응답하여, 그 다음으로 높은 운송 적합도를 가지는 화물 운송 기사에게 운송 예정 화물을 배차할 수 있고, 이러한 과정은 운송 대기 중인 화물 운송 기사가 더 이상 존재하지 않을 때까지 반복될 수 있다.
도 5는 본 개시의 일 실시예에 따른 강화학습 모델의 예시를 나타내는 도면이다.
강화학습(Reinforcement Learning, RL)은 기계학습의 한 분야로, 에이전트(510)가 주어진 환경(500)에서의 현재 상태에 대해 선택 가능한 액션들 중 보상을 최대화하는 액션을 선택하는 학습 방법을 지칭할 수 있다. 여기서, 에이전트(510)는 강화학습의 대상이 되는 알고리즘 및/또는 기계학습 모델(예: 인공신경망 모델 등)을 포함할 수 있고, 주어진 환경을 탐색하여 현재의 상태에서 자신이 취할 수 있는 액션의 확률을 나타내는 정책(policy)을 수립할 수 있다.
본 개시에서, 강화학습은 연속적인 액션을 다룰 수 있는 알고리즘들 중 어느 것도 포함할 수 있다. 일 실시예에서, 에이전트는 정책 기반 강화학습(policy-based RL)을 이용하여 학습될 수 있다. 여기서, 정책 기반 강화학습은 신경망을 이용하여 정책(policy)을 함수로 직접 모델링하는 학습 방식을 지칭할 수 있다. 이렇게 모델링된 정책 신경망에 상태(state)가 입력으로 들어오면, 이에 대한 액션(action)을 직접 출력할 수 있다. 다른 실시예에서, 에이전트는 매 단계마다 현재 네트워크의 가중치를 적용하여 액션을 선택하고, 다음 네트워크의 가중치를 적용하여 액션을 평가하며 학습을 진행하는 DDQN(Double Deep Q-Network) 알고리즘으로 학습될 수 있다.
또 다른 실시예에서, 에이전트는 액터-크리틱(actor-critic) 알고리즘을 이용하여 학습될 수 있다. 여기서, 액터-크리틱 알고리즘은 정책 기반 강화학습을 통해 액션을 결정할 수 있고, 가치 함수(value function)를 이용하여 이 정책의 학습을 도와줄 수 있다. 예를 들어, A2C(Advantage Actor-Critic), A3C(Asynchronous Advantage Actor-Critic), PPO(Proximal Policy Optimization) 등이 액터-크리틱 알고리즘에 포함될 수 있다.
즉, 본 개시는, 정책 기반 강화학습 알고리즘 및 액터-크리틱 알고리즘을 모두 포함할 수 있는데, 두 방식은 모두 정책 그래디언트(Policy Gradient, PG)를 이용할 수 있다. 여기서, 정책 그래디언트는 에이전트가 더 많은 보상(reward)을 받을 수 있도록 정책의 파라미터를 조금씩 바꿔가는 방식을 지칭할 수 있다. 이를 통해, 모델링된 정책 신경망은 최적의 정책을 실행하도록 학습될 수 있다.
이러한 정책 그래디언트 알고리즘은, 주어진 상태에 대하여 액션의 확률을 출력하는 방식인 확률 정책 그래디언트(Stochastic Policy Optimization) 및 주어진 상태에 대한 액션을 직접 출력하는 방식인 결정 정책 그래디언트(Deterministic Policy Optimization)을 포함할 수 있다. 여기서, 액션의 확률을 출력하는 알고리즘(확률 정책 그래디언트)에는 A2C(Advantage Actor-Critic), SAC(Soft Actor Critic), PPO(Proximal Policy Optimization), TRPO(Trust Region Policy Optimization) 등이 사용될 수 있으며, 액션을 직접 출력하는 알고리즘(결정 정책 그래디언트)에는 DDPG(Deep Deterministic Policy Gradient), TD3(Twin Delayed Deep Deterministic Policy Gradient) 등이 사용될 수 있으나, 이에 한정되지 않는다.
본 개시에서, 상태(520)는 대상 객체의 현재 정보를 지칭할 수 있다. 구체적으로, 현재 정보는, 화물 운송 기사의 현 위치 및 운행 대기 여부, 그리고 운송 예정 화물의 현 위치 및 도착지 등과 연관된 정보를 포함할 수 있으나 이에 한정되지 않는다.
액션(540)은 화물 운송 차량의 배차 결과를 산출하는 것을 포함할 수 있다. 예를 들어, 액션(540)은 화물 운송 기사에 대응되는 운송 예정 화물을 산출하는 것을 포함할 수 있다. 일 실시예에서, 액션(540)은 상술한 DDQN에 따라 선택될 수 있다.
또한, 보상(530)은 대상 객체의 액션에 대해 얻는 이익으로서, 대상 객체가 배차 결과를 산출하는 경우 갱신되는 에이전트의 기계학습 모델(예: 인공신경망 모델)의 가중치를 지칭할 수 있으나, 이에 한정되지 않으며, 강화학습의 목적 함수를 최대화할 수 있는 파라미터는 보상을 통해 갱신될 수 있다.
일 실시예에서, 운송 예정 화물이 운송 예정 화물의 도착 예정 시각 내에 목적지에 도착 가능한 것으로 판단되는 경우 강화학습 모델에 양의 보상이 부여되고, 도착 예정 시각 내에 목적지에 도착 불가능한 것으로 판단되는 경우 강화학습 모델에 음의 보상이 부여될 수 있다.
추가적으로, 제1 기사의 위험물 운송 가능 여부 및 특수화물 운송 가능 여부와 연관된 정보와 운송 예정 화물과 연관된 정보가 서로 대응되는 경우, 추가 양의 보상이 강화학습 모델에 부여될 수 있다. 예를 들어, 운송 예정 화물이 위험물 또는 특수화물에 해당하고, 제1 기사가 위험물 또는 특수화물의 운송이 가능한 경우 추가 양의 보상이 강화학습 모델에 부여될 수 있다. 반대로, 운송 예정 화물이 위험물 또는 특수화물에 해당하지 않고 제1 기사가 위험물 또는 특수화물의 운송이 불가능한 경우에도 추가 양의 보상이 강화학습 모델에 부여될 수 있다. 이러한 구성을 통해, 위험물 또는 특수화물의 운송이 가능한 인력을 효율적으로 활용할 수 있다.
환경(500)은 운송 기사 정보, 운송사 정보 또는 외부 운송 환경 정보를 나타내거나 특징화하는 임의의 환경을 지칭하며, 예를 들어, 도 1의 화물 운송 기사와 연관된 정보(110), 운송 예정 화물과 연관된 정보(120), 항만과 연관된 정보(130) 및 기타 정보(140) 등을 포함할 수 있다.
일 실시예에 따르면, 에이전트(510)가 주어진 환경(500)로부터 특정 상태를 수신하면(또는 에이전트가 모니터링을 통해 특정 상태를 획득하게 되면), 에이전트(510)는 상태에 따라 제어 명령을 생성하고, 생성된 제어 명령을 환경(500)의 대상 객체에 전달할 수 있다. 이에 응답하여, 환경(500)의 대상 객체는 액션에 대한 보상(530)을 에이전트(510)에 제공할 수 있다. 이러한 과정은 모든 배차가 완료될 때까지 반복될 수 있으며, 이러한 과정을 반복함으로써, 에이전트(510)는 환경(500)과 상호작용을 하며 보상을 많이 취할 수 있는 액션들이 결정하도록 학습될 수 있다.
일 실시예에 따르면, 상술된 강화학습의 대상을 표현하기 위하여, 의사결정 과정을 모델링한 MDP(Markov Decision Process)가 이용될 수 있다. MDP는 시간이 진행함에 따라 상태가 확률적으로 변화하는 과정을 나타내는 Markov Process에서 보상(530), 액션(540) 및 정책(policy)이라는 개념이 추가된 의사결정 모델이다.
이에 따라, MDP를 기초로 대상 객체의 네비게이션 작업 M은 수학식 1로 표현될 수 있다.
위 수학식 1의 작업 M에서, O는 관측값(observation)을 나타내고, A는 액션(540)의 공간을 나타낼 수 있다. 여기서, 관측값은 상태(520)를 지칭할 수 있는 대상 객체의 상태와 연관된 임의의 정보, 예를 들어, 화물 운송 기사와 연관된 정보, 운송 예정 화물과 연관된 정보, 항만과 연관된 정보 및 기타 정보 등을 나타낼 수 있고, 액션(540)은 화물 운송 차량 배차에 대한 제어 명령을 나타낼 수 있다. 또한, 작업 M에서 r은 대상 객체의 액션에 대한 보상 함수를 나타낼 수 있다. 또한, 작업 M에서 P 및 γ의 각각은 상태 전이 확률과 감가율을 나타낼 수 있다.
도 6은 본 개시의 일 실시예에 따른 화물 운송 기사의 배차 수락 시 화물 운송 차량 배차 방법을 나타내는 흐름도이고, 도 7은 본 개시의 일 실시예에 따른 화물 운송 기사의 배차 거절 시 화물 운송 차량 배차 방법을 나타내는 흐름도이다. 도 6 및 도 7에서 화물 운송 기사(610)는 배차 최우선순위인 화물 운송 기사의 사용자 단말을 지칭할 수 있고, 화물주(630)는 운송 예정 화물의 화물주의 사용자 단말을 지칭할 수 있다.
도시된 바와 같이, 화물 운송 차량 배차 방법은, 화물 운송 기사(610)가 화물 운송 기사(610)의 운송 상태를 운송 대기 상태로 변경하고, 운송 예정 화물의 화물주(630)가 화물 운송 예약을 정보 처리 시스템(620)에 등록함으로써 개시될 수 있다.
이후, 정보 처리 시스템(620)은 화물 운송 기사의 각각의 우선순위 및 최우선순위 화물 운송 기사를 판단할 수 있다. 예를 들어, 정보 처리 시스템(620)은 화물 운송 기사와 연관된 정보, 운송 예정 화물과 연관된 정보, 항만과 연관된 정보 및 기타 정보 중 적어도 하나에 기초하여 화물 운송 기사의 운송 적합도를 산출하고, 가장 높은 운송 적합도를 가지는 화물 운송 기사(610)를 최우선순위 운송 기사로 판단할 수 있다. 정보 처리 시스템(620)은, 운송 적합도를 산출하도록 학습된 강화학습 모델에, 화물 운송 기사와 연관된 정보, 운송 예정 화물과 연관된 정보, 항만과 연관된 정보 및 기타 정보 중 적어도 하나를 입력하여 화물 운송 기사의 운송 적합도를 산출할 수 있다.
이후, 정보 처리 시스템(620)은 화물 운송 기사(610)에게 화물 배차 정보 알림을 송신할 수 있다. 추가적으로, 정보 처리 시스템(620)은 화물 배차 사실과 함께 운송 예정 화물과 연관된 정보, 항만과 연관된 정보, 날씨 정보, 안전 운임과 연관된 정보, 운송 예정 화물의 운송 경로와 연관된 정보 등을 화물 운송 기사(610)에게 송신할 수 있다.
도 6에 도시된 바와 같이, 일 실시예에서, 정보 처리 시스템(620)은 화물 운송 기사(610)가 운송 예정 화물의 운송을 수락하는 것에 응답하여, 화물주(630)에게 화물 운송 기사(610)와 연관된 정보를 송신할 수 있다. 이후, 화물주(630)는 배차 수락 여부를 결정한 뒤 그 결과를 정보 처리 시스템(620)에 송신할 수 있다. 그런 다음, 정보 처리 시스템(620)은 화물주(630)의 배차 수락 여부를 화물 운송 기사(610)에게 알릴 수 있다. 화물주(630)가 배차를 수락한 경우, 비로소 화물 운송 차량의 배차가 확정적으로 완료될 수 있다.
도 7에 도시된 바와 같이, 다른 실시예에서, 화물 운송 기사(610)가 배차를 거절하거나 화물주(630)가 배차를 거절한 경우, 정보 처리 시스템(620)은 화물 운송 기사(610) 다음으로 높은 우선순위 내지 높은 운송 적합도를 가지는 차우선순위 화물 운송 기사를 판단할 수 있다. 정보 처리 시스템(620)은 화물 운송 기사(610) 다음으로 높은 운송 적합도를 가지는 차우선순위 화물 운송 기사를 판단한 뒤, 차우선순위 화물 운송 기사의 사용자 단말에 화물 배차 정보를 송신할 수 있다. 이러한 과정은 더 이상 운송 대기 상태의 화물 운송 기사가 존재하지 않을 때까지 반복될 수 있다.
도 8은 본 개시의 일 실시예에 따른 강화학습 기반의 화물 운송 차량 배차 방법(800)을 나타내는 흐름도이다. 방법(800)은 정보 처리 시스템의 적어도 하나의 프로세서(예: 프로세서(334))에 의해 수행될 수 있다. 방법(800)은 프로세서가 화물 운송 기사와 연관된 정보를 수신함으로써 개시될 수 있다(S810). 일 실시예에서, 화물 운송 기사와 연관된 정보는 화물 운송 기사의 주요 거점 출발지, 운송 선호 지역, 운송 형태, 위험물 운송 가능 여부, 특수화물 운송 가능 여부, 현 위치 또는 운행 대기 여부 중 적어도 하나와 연관된 정보를 포함할 수 있다.
그 후, 프로세서는 운송 예정 화물과 연관된 정보를 수신할 수 있다(S820). 일 실시예에서, 운송 예정 화물과 연관된 정보는, 운송 예정 화물의 출발지, 도착지, 출발 예정 시각, 도착 예정 시각 또는 종류 중 적어도 하나와 연관된 정보를 포함할 수 있다.
그 후, 프로세서는 항만과 연관된 정보를 수신할 수 있다(S830). 이 때, 항만은 운송 예정 화물의 출발 위치, 도착 위치 또는 반출입 위치 중 적어도 하나에 해당할 수 있다. 일 실시예에서, 항만과 연관된 정보는 운송 예정 화물의 출발 위치, 예정 도착 위치 및 반출입(COPINO) 정보, 그리고 항만의 혼잡도, 컨테이너 적치 가능 여부 및 상하차 작업 총 소요 시간과 연관된 정보 등을 포함할 수 있다.
추가적으로, 프로세서는 운송 경로와 연관된 정보, 안전 운임과 연관된 정보, 날씨 정보 또는 유가와 연관된 정보를 더 수신할 수 있다.
그 후, 프로세서는 운송 적합도를 산출하도록 학습된 강화학습 모델에 화물 운송 기사와 연관된 정보, 운송 예정 화물과 연관된 정보 및 항만과 연관된 정보를 입력하여 화물 운송 기사의 운송 적합도를 산출할 수 있다(S840). 추가적으로, 프로세서는 운송 경로와 연관된 정보, 안전 운임과 연관된 정보 또는 유가와 연관된 정보 중 적어도 하나를 강화학습 모델에 더 입력하여 운송 적합도를 산출할 수 있다.
일 실시예에서, 강화학습 모델은 운송 예정 화물이 운송 예정 화물의 도착 예정 시각 내에 목적지에 도착 가능한 것으로 판단되는 경우 양의 보상을 강화학습 모델에 부여하고, 도착 예정 시각 내에 목적지에 도착 불가능한 것으로 판단되는 경우 강화학습 모델에 음의 보상을 부여함으로써 학습될 수 있다. 추가적으로, 강화학습 모델은 제1 기사의 위험물 운송 가능 여부 및 특수화물 운송 가능 여부와 연관된 정보와 운송 예정 화물과 연관된 정보가 서로 대응되는 경우, 추가 양의 보상을 강화학습 모델에 부여할 수 있다.
그 후, 프로세서는, 화물 운송 기사 중 가장 높은 운송 적합도를 갖는 제1 기사의 사용자 단말에 운송 예정 화물과 연관된 정보를 송신할 수 있다. 일 실시예에서, 프로세서는 제1 기사가 운송 예정 화물의 운송을 수락하는 것에 응답하여, 운송 예정 화물의 화물주에게 제1 기사와 연관된 정보를 송신할 수 있다. 다른 실시예에서, 프로세서는 제1 기사가 운송 예정 화물의 운송을 거부하는 것에 응답하여, 제1 기사 다음으로 높은 운송 적합도를 가지는 제2 기사의 사용자 단말에 운송 예정 화물과 연관된 정보를 송신할 수 있다.
도 8에서 도시한 흐름도 및 상술한 설명은 일 예시일 뿐이며, 일부 실시예에서는 다르게 구현될 수 있다. 예를 들어, 일부 실시예에서는 각 단계의 순서가 바뀌거나, 일부 단계가 반복 수행되거나, 일부 단계가 생략되거나, 일부 단계가 추가될 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 안 된다.
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: 화물 운송 기사와 연관된 정보
120: 운송 예정 화물과 연관된 정보
130: 항만과 연관된 정보 140: 기타 정보
150: 정보 처리 시스템 160: 사용자 단말
120: 운송 예정 화물과 연관된 정보
130: 항만과 연관된 정보 140: 기타 정보
150: 정보 처리 시스템 160: 사용자 단말
Claims (20)
- 정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행되는, 강화학습 기반의 화물 운송 차량 배차 방법에 있어서,
화물 운송 기사와 연관된 정보를 수신하는 단계;
운송 예정 화물과 연관된 정보를 수신하는 단계;
상기 운송 예정 화물의 운송 경로와 연관된 정보를 수신하는 단계;
상기 화물 운송 기사에게 지급되는 안전 운임과 연관된 정보를 수신하는 단계;
유가와 연관된 정보를 수신하는 단계;
항만과 연관된 정보를 수신하는 단계 - 상기 항만은 상기 운송 예정 화물의 출발 위치, 도착 위치 또는 반출입 위치 중 적어도 하나에 해당함 -;
날씨 정보를 수신하는 단계; 및
운송 적합도를 산출하도록 학습된 강화학습 모델에 상기 화물 운송 기사와 연관된 정보, 상기 운송 예정 화물과 연관된 정보 및 상기 항만과 연관된 정보를 입력하여 상기 화물 운송 기사의 운송 적합도를 산출하는 단계
를 포함하고,
상기 화물 운송 기사의 운송 적합도를 산출하는 단계는,
상기 운송 경로와 연관된 정보, 상기 안전 운임과 연관된 정보, 상기 유가와 연관된 정보 또는 상기 날씨 정보 중 적어도 하나를 상기 강화학습 모델에 더 입력하여 상기 운송 적합도를 산출하는 단계를 포함하고,
상기 강화학습 모델은,
상기 운송 예정 화물이 상기 운송 예정 화물의 도착 예정 시각 내에 목적지에 도착 가능한 것으로 판단되는 경우 양의 보상을 상기 강화학습 모델에 부여하고, 상기 도착 예정 시각 내에 목적지에 도착 불가능한 것으로 판단되는 경우 상기 강화학습 모델에 음의 보상을 부여하고, 상기 화물 운송 기사 중 가장 높은 운송 적합도를 갖는 제1 기사의 위험물 운송 가능 여부 및 특수화물 운송 가능 여부와 연관된 정보와 상기 운송 예정 화물과 연관된 정보가 서로 대응되는 경우, 추가 양의 보상을 상기 강화학습 모델에 부여함으로써 학습되는, 강화학습 기반의 화물 운송 차량 배차 방법.
- 제1항에 있어서,
상기 화물 운송 기사와 연관된 정보는,
상기 화물 운송 기사의 주요 거점 출발지, 운송 선호 지역, 운송 형태, 위험물 운송 가능 여부, 특수화물 운송 가능 여부, 현 위치 또는 운행 대기 여부 중 적어도 하나와 연관된 정보를 포함하는, 강화학습 기반의 화물 운송 차량 배차 방법.
- 제1항에 있어서,
상기 운송 예정 화물과 연관된 정보는,
상기 운송 예정 화물의 출발지, 도착지, 출발 예정 시각, 도착 예정 시각 또는 종류 중 적어도 하나와 연관된 정보를 포함하는, 강화학습 기반의 화물 운송 차량 배차 방법.
- 삭제
- 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 화물 운송 기사 중 가장 높은 운송 적합도를 갖는 제1 기사의 사용자 단말에 상기 운송 예정 화물과 연관된 정보를 송신하는 단계를 더 포함하는, 강화학습 기반의 화물 운송 차량 배차 방법.
- 제8항에 있어서,
상기 제1 기사가 상기 운송 예정 화물의 운송을 수락하는 것에 응답하여, 상기 운송 예정 화물의 화물주에게 상기 제1 기사와 연관된 정보를 송신하는 단계를 더 포함하는, 강화학습 기반의 화물 운송 차량 배차 방법.
- 제8항에 있어서,
상기 제1 기사가 상기 운송 예정 화물의 운송을 거부하는 것에 응답하여,
상기 제1 기사 다음으로 높은 운송 적합도를 가지는 제2 기사의 사용자 단말에 상기 운송 예정 화물과 연관된 정보를 송신하는 단계를 더 포함하는, 강화학습 기반의 화물 운송 차량 배차 방법.
- 제1항 내지 제3항 및 제8항 내지 제10항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
- 정보 처리 시스템으로서,
통신 모듈;
메모리; 및
상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
상기 통신 모듈은,
화물 운송 기사와 연관된 정보를 수신하고,
운송 예정 화물과 연관된 정보를 수신하고,
항만과 연관된 정보를 수신하고 -상기 항만은 상기 운송 예정 화물의 출발 위치, 도착 위치 또는 반출입 위치 중 적어도 하나에 해당함-,
상기 적어도 하나의 프로그램은,
운송 적합도를 산출하도록 학습된 강화학습 모델에 상기 화물 운송 기사와 연관된 정보, 상기 운송 예정 화물과 연관된 정보 및 상기 항만과 연관된 정보를 입력하여 상기 화물 운송 기사의 운송 적합도를 산출하기 위한 명령어들을 포함하고,
상기 통신 모듈은,
상기 운송 예정 화물의 운송 경로와 연관된 정보, 상기 화물 운송 기사에게 지급되는 안전 운임과 연관된 정보, 유가와 연관된 정보 및 날씨 정보를 더 수신하고,
상기 화물 운송 기사의 운송 적합도를 산출하는 것은,
상기 운송 경로와 연관된 정보, 상기 안전 운임과 연관된 정보, 상기 유가와 연관된 정보 또는 상기 날씨 정보 중 적어도 하나를 상기 강화학습 모델에 더 입력하여 상기 운송 적합도를 산출하는 것을 포함하고,
상기 강화학습 모델은,
상기 운송 예정 화물이 상기 운송 예정 화물의 도착 예정 시각 내에 목적지에 도착 가능한 것으로 판단되는 경우 상기 강화학습 모델에 양의 보상을 부여하고, 상기 도착 예정 시각 내에 목적지에 도착 불가능한 것으로 판단되는 경우 상기 강화학습 모델에 음의 보상을 부여하고, 상기 화물 운송 기사 중 가장 높은 운송 적합도를 갖는 제1 기사의 위험물 운송 가능 여부 및 특수화물 운송 가능 여부와 연관된 정보와 상기 운송 예정 화물과 연관된 정보가 서로 대응되는 경우, 추가 양의 보상을 상기 강화학습 모델에 부여함으로써 학습되는, 정보 처리 시스템.
- 제12항에 있어서,
상기 화물 운송 기사와 연관된 정보는,
상기 화물 운송 기사의 주요 거점 출발지, 운송 선호 지역, 운송 형태, 위험물 운송 가능 여부, 특수화물 운송 가능 여부, 현 위치 또는 운행 대기 여부 중 적어도 하나와 연관된 정보를 포함하는, 정보 처리 시스템.
- 제12항에 있어서,
상기 운송 예정 화물과 연관된 정보는,
상기 운송 예정 화물의 출발지, 도착지, 출발 예정 시각, 도착 예정 시각 또는 종류 중 적어도 하나와 연관된 정보를 포함하는, 정보 처리 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
- 제12항에 있어서,
상기 통신 모듈은,
상기 화물 운송 기사 중 가장 높은 운송 적합도를 갖는 제1 기사의 사용자 단말에 상기 운송 예정 화물과 연관된 정보를 송신하는, 정보 처리 시스템.
- 제19항에 있어서,
상기 통신 모듈은,
상기 제1 기사가 상기 운송 예정 화물의 운송을 수락하는 것에 응답하여, 상기 운송 예정 화물의 화물주에게 상기 제1 기사와 연관된 정보를 송신하는, 정보 처리 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220185510A KR102673892B1 (ko) | 2022-12-27 | 2022-12-27 | 강화학습 기반의 화물 운송 차량 배차 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220185510A KR102673892B1 (ko) | 2022-12-27 | 2022-12-27 | 강화학습 기반의 화물 운송 차량 배차 방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102673892B1 true KR102673892B1 (ko) | 2024-06-10 |
Family
ID=91482774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220185510A KR102673892B1 (ko) | 2022-12-27 | 2022-12-27 | 강화학습 기반의 화물 운송 차량 배차 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102673892B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170012941A (ko) * | 2015-07-27 | 2017-02-06 | 박태일 | 화물운송 중계 시스템 및 방법 |
| KR20200027730A (ko) * | 2018-09-05 | 2020-03-13 | (주)이음 커뮤니티 | 운송 중개 플랫폼 제공 방법 및 장치 |
| KR102324121B1 (ko) * | 2021-05-24 | 2021-11-11 | 금파콜트럭공차정보 주식회사 | 스마트 배차를 이용한 화물 운송 주선 플랫폼 시스템 |
| KR20220119900A (ko) * | 2021-02-22 | 2022-08-30 | 주식회사 컨테인어스 | 블록체인 기반의 화물 차량 배차 방법 및 시스템 |
-
2022
- 2022-12-27 KR KR1020220185510A patent/KR102673892B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170012941A (ko) * | 2015-07-27 | 2017-02-06 | 박태일 | 화물운송 중계 시스템 및 방법 |
| KR20200027730A (ko) * | 2018-09-05 | 2020-03-13 | (주)이음 커뮤니티 | 운송 중개 플랫폼 제공 방법 및 장치 |
| KR20220119900A (ko) * | 2021-02-22 | 2022-08-30 | 주식회사 컨테인어스 | 블록체인 기반의 화물 차량 배차 방법 및 시스템 |
| KR102324121B1 (ko) * | 2021-05-24 | 2021-11-11 | 금파콜트럭공차정보 주식회사 | 스마트 배차를 이용한 화물 운송 주선 플랫폼 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11111090B2 (en) | Load planning optimization using automated 3D packing | |
| US20200118071A1 (en) | Delivery prediction generation system | |
| US11885628B2 (en) | Route coordination and navigation based on user proximity to points of interest | |
| US20200173795A1 (en) | Request and provide assistance to avoid trip interruption | |
| US11615370B1 (en) | Optimized package delivery | |
| KR20220169924A (ko) | 화물 운송비 견적 시스템, 방법 및 컴퓨터 프로그램 | |
| KR20230053581A (ko) | 딥러닝에 기반한 화물 운송 가격 결정 방법 및 장치 | |
| Yang et al. | Combined strip and discharge delivery of containers in heterogeneous fleets with time windows | |
| KR102673892B1 (ko) | 강화학습 기반의 화물 운송 차량 배차 방법 및 시스템 | |
| KR102544350B1 (ko) | 인공 지능을 이용한 화물 장치 및 리핸들링 관리 시스템 및 방법 | |
| US20220164765A1 (en) | Logistics planner | |
| KR102471984B1 (ko) | 하역장 상태에 기초하여 운송 서비스를 제공하는 방법 및 장치 | |
| US20220324476A1 (en) | Autonomous self-driving vehicles user profiles | |
| JP7453131B2 (ja) | 配車システム、および、車両候補表示方法 | |
| EP4352460A1 (en) | Vehicle routing with dynamic selection of turns across opposing traffic | |
| KR102655184B1 (ko) | 메타 학습 기반의 화물차량 운행기록 추론 방법 및 장치 | |
| KR102673897B1 (ko) | 강화학습 보상 함수 가중치 및 계층화 기반 컨테이너 화물 운송 차량 배차 방법 및 시스템 | |
| US11511771B2 (en) | Enhanced navigation and ride hailing | |
| KR20230006893A (ko) | 도착지로 운행 중인 차량의 배차 관리 방법, 이에 사용되는 관리 서버 및 도착지로 운행 중인 차량의 배차 관리 방법을 실행시키는 프로그램이 기록된 기록 매체 | |
| US20200082335A1 (en) | Methods and apparatus for load and route assignments in a delivery system | |
| US20210166186A1 (en) | Information processing device, moving device, information processing system, method, and program | |
| CN105976300B (zh) | 基于多层架构的物流信息系统 | |
| KR102671292B1 (ko) | 혼적 가능성을 기초로 화물 운송경로를 선택하는 사용자 인터페이스 제공 방법 및 장치 | |
| CN112556706A (zh) | 一种导航方法、装置、设备和机器可读介质 | |
| US11880801B2 (en) | Delivery system utilizing a secondary transportation service provider |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |