KR20150061324A - 차량 쉐어링 시스템에서 유전 알고리즘을 이용한 차량 재배치를 스케쥴링하는 방법 및 장치 - Google Patents

Abstract

차량 쉐어링 시스템에서 차량을 재배치하기 위한 스케쥴링 기법이 개시된다. 실시예들은 유전 알고리즘을 이용하여 오버플로 스테이션에 속하는 차량과 언더플로 스테이션 사이의 매칭 정보를 포함하는 차량 재배치 계획으로부터 차량 재배치를 스케쥴링할 수 있다.

Description

차량 쉐어링 시스템에서 유전 알고리즘을 이용한 차량 재배치를 스케쥴링하는 방법 및 장치{METHOD AND APPARATUS FOR SCHEDULING A RELOCATION OF VEHICLES USING A GENETIC ALGORITHM IN A CAR SHARING SYSTEM}

아래 실시예들은 차량 쉐어링 시스템에서 차량을 재배치하기 위한 스탭 혹은 요원들의 작업을 스케쥴링하는 기법에 관한 것이다.

차량 쉐어링 시스템(car sharing system)은 기업, 공공기관, 개인 등이 소유 및 관리하고 있는 차량들을 차량 쉐어링 시스템의 회원들이 자유롭게 사용할 수 있도록 한 새로운 개념의 서비스 체계이다. 구체적으로, 차량 쉐어링 시스템은 차량 구입, 유지 및 관리에 소요되는 비용과 각종 번거로운 일들이 개인 운전자 차원이 아닌 기업식 경영 체제 하에서 이루어지기 때문에 최근 들어 많은 도시에서 크게 각광을 받고 있다.

차량 쉐어링은 서비스 이용자들에게 편의를 제공할 뿐만 아니라, 자동차의 수를 감소시킴으로써 온실 가스의 배출 또한 감소시킨다. 전기 자동차(electric vehicle)를 쉐어링 한다면, 전기 자동차의 높은 구입 비용과 긴 충전 시간을 극복할 수 있다. 전기 자동차 쉐어링을 통해, 전기 자동차가 우리의 일상 생활에 도입될 수 있다. 전기 자동차 쉐어링이 도입되기 위해서는 서비스 제공 비용의 감축이 요구된다.

실시예들은 유전 알고리즘을 이용하여 차량의 재배치 계획을 생성하고, 차량의 재배치를 스케줄링 한다. 효율적인 차량 재배치는 서비스율의 향상과 서비스 제공 비용의 감축을 위하여 필수적이다. 유전 알고리즘을 통하여 효과적으로 차량 재배치를 스케줄링 함으로써 차량 쉐어링을 효율적으로 운영할 수 있다.

또한, 실시예들은 차량 재배치를 위한 전체 재배치 거리를 감소시킬 수 있는 재배치 전략을 제공함으로써, 차량 쉐어링 시스템의 재배치 거리를 감소시킬 수 있는 차량 재배치 기법을 제공한다.

일 측에 따른 차량 쉐어링(car sharing)에 제공되는 차량의 재배치를 스케쥴링하는 방법은 오버플로 스테이션(overflow)에 속하는 차량과 언더플로(underflow) 스테이션 사이의 매칭 정보를 포함하는 차량 재배치 계획을 획득하는 단계; 및 유전 알고리즘(genetic algorithm)을 이용하여 상기 차량 재배치 계획으로부터 차량 재배치를 스케쥴링하는 단계를 포함한다.

이 때, 차량 재배치 스케쥴링은 상기 차량 재배치 계획에 포함된 복수의 매칭 페어들을 포함하는 염색체(chromosome)로 표현되고, 상기 염색체의 품질은 상기 복수의 매칭 페어들의 순서에 따라 정해질 수 있다.

또한, 상기 유전 알고리즘은 차량을 재배치하기 위한 동선 거리에 기초한 적합도 함수를 이용할 수 있다.

또한, 상기 결정하는 단계는 부모 염색체들-상기 부모 염색체들은 상기 차량 재배치 계획에 포함된 복수의 매칭 페어들을 서로 다른 순서로 포함함-을 이용하여 교차 연산을 수행하는 단계; 상기 교차 연산을 수행함으로써 생성된 자식 염색체 내 중복된 매칭 페어 및 상기 자식 염색체 내 누락된 매칭 페어를 검출하는 단계; 및 상기 중복된 매칭 페어를 상기 누락된 매칭 페어로 대치하는 단계를 포함할 수 있다.

또한, 상기 결정하는 단계는 해 집단에 포함된 복수의 염색체들 각각에 포함된 복수의 매칭 페어들의 순서에 기초하여 상기 복수의 염색체들 각각에 대응되는 동선 거리를 계산하는 단계; 및 상기 복수의 염색체들 중 최소 동선 거리에 대응되는 염색체를 검출하는 단계를 포함할 수 있다.

또한, 상기 스케쥴링 방법은 복수의 스테이션들에 배치된 복수의 차량들의 현재 분포량에 대한 정보를 나타내는 현재 분포 정보를 획득하는 단계; 미리 정해진 재배치 스킴(relocation scheme)을 기초로 상기 복수의 스테이션들 각각의 목표 분포량에 대한 정보를 나타내는 목표 분포 정보를 획득하는 단계; 상기 현재 분포 정보 및 상기 목표 분포 정보를 이용하여 상기 복수의 스테이션들 각각에 대한 차량의 과부족 정보를 나타내는 현재 상황 정보를 추출하는 단계; 및 상기 현재 상황 정보를 기초로 상기 복수의 스테이션들 중 적어도 하나의 오버플로 스테이션 및 적어도 하나의 언더플로 스테이션을 식별하는 단계를 더 포함할 수 있다.

또한, 상기 미리 정해진 재배치 스킴은 이븐 재배치 스킴(even relocation scheme), 사용율 기반 스킴(utilization-based scheme) 또는 모닝 포커스 스킴(morning-focused scheme) 중 적어도 어느 하나를 포함할 수 있다.

또한, 상기 목표 분포 정보를 획득하는 단계는 상기 미리 정해진 재배치 스킴을 기초로 상기 복수의 스테이션들 각각의 재배치 가중치(relocation weight)를 획득하는 단계; 상기 복수의 차량의 전체 차량 대수를 식별하는 단계; 및 상기 각각의 스테이션의 재배치 가중치 및 상기 전체 차량 대수를 이용하여 상기 목표 분포 정보를 계산하는 단계를 포함할 수 있다.

또한, 상기 복수의 스테이션들 중 적어도 하나의 오버플로 스테이션 및 적어도 하나의 언더플로 스테이션을 식별하는 단계는 상기 복수의 스테이션들 중 상기 현재 분포량이 상기 목표 분포량을 초과하는 적어도 하나의 스테이션을 상기 오버플로 스테이션으로 설정하는 단계; 및 상기 복수의 스테이션들 중 상기 현재 분포량이 상기 목표 분포량보다 부족한 적어도 하나의 스테이션을 상기 언더플로 스테이션으로 설정하는 단계를 포함할 수 있다.

또한, 상기 차량 재배치 계획을 획득하는 단계는 적어도 하나의 오버플로 스테이션과 적어도 하나의 언더플로 스테이션을 이용하여 인덱스 테이블을 생성하는 단계; 상기 인덱스 테이블의 원소를 지시하는 정수 엘리먼트를 포함하는 복수의 벡터들을 생성하는 단계; 및 유전 알고리즘을 이용하여 상기 벡터들로부터 상기 차량 재배치 계획을 생성하는 단계를 포함할 수 있다.

또한, 상기 복수의 벡터들 각각은 오버플로 스테이션에 속하는 차량과 언더플로 스테이션 사이의 매칭 정보를 포함할 수 있다.

또한, 상기 복수의 벡터들 각각은 재배치 되어야 하는 차량들의 수만큼 정수 엘리먼트들을 포함하고, 정수 엘리먼트의 벡터 내의 위치는 상기 인덱스 테이블에 포함된 복수의 오버플로 스테이션들 중 어느 하나를 지시하며, 상기 정수 엘리먼트의 값은 상기 인덱스 테이블에 포함된 복수의 언더플로 스테이션들 중 어느 하나를 지시할 수 있다.

또한, 상기 인덱스 테이블을 생성하는 단계는 정수 엘리먼트의 벡터 내의 위치와 오버플로 스테이션의 차량을 대응시키기 위하여 오버플로 스테이션의 초과 차량의 수만큼 해당 오버플로 스테이션을 상기 인덱스 테이블에 복사하는 단계; 및 정수 엘리먼트들의 값과 언더플로 스테이션을 대응시키기 위하여 언더플로 스테이션을 부족 차량의 수만큼 해당 언더플로 스테이션을 상기 인덱스 테이블에 복사하는 단계를 포함할 수 있다.

또한, 상기 차량 재배치 계획은 재배치 되어야 하는 차량들의 수만큼의 정수 엘리먼트들을 포함하는 염색체로 표현되고, 상기 염색체의 품질은 상기 재배치 되어야 하는 차량들의 재배치 거리에 기초하여 계산될 수 있다.

다른 일 측에 따른 차량 쉐어링(car sharing)에 제공되는 차량의 재배치를 스케쥴링하는 장치는 오버플로 스테이션(overflow)에 속하는 차량과 언더플로(underflow) 스테이션 사이의 매칭 정보를 포함하는 차량 재배치 계획을 획득하는 획득부; 및 유전 알고리즘(genetic algorithm)을 이용하여 상기 차량 재배치 계획으로부터 차량 재배치를 스케쥴링하는 스케쥴링부를 포함한다.

이 때, 상기 결정부는 부모 염색체들-상기 부모 염색체들은 상기 차량 재배치 계획에 포함된 복수의 매칭 페어들을 서로 다른 순서로 포함함-을 이용하여 교차 연산을 수행하는 연산부; 상기 교차 연산을 수행함으로써 생성된 자식 염색체 내 중복된 매칭 페어 및 상기 자식 염색체 내 누락된 매칭 페어를 검출하는 매칭 페어 검출부; 및 상기 중복된 매칭 페어를 상기 누락된 매칭 페어로 대치하는 대치부를 포함한다.

또한, 상기 결정부는 해 집단에 포함된 복수의 염색체들 각각에 포함된 복수의 매칭 페어들의 순서에 기초하여 상기 복수의 염색체들 각각에 대응되는 동선 거리를 계산하는 계산부; 및 상기 복수의 염색체들 중 최소 동선 거리에 대응되는 염색체를 검출하는 염색체 검출부를 포함한다.

또한, 상기 스케쥴링 장치는 복수의 스테이션들에 배치된 복수의 차량들의 현재 분포량에 대한 정보를 나타내는 현재 분포 정보를 획득하는 현재 분포 정보 획득부; 미리 정해진 재배치 스킴(relocation scheme)을 기초로 상기 복수의 스테이션들 각각의 목표 분포량에 대한 정보를 나타내는 목표 분포 정보를 획득하는 목표 분포 정보 획득부; 상기 현재 분포 정보 및 상기 목표 분포 정보를 이용하여 상기 복수의 스테이션들 각각에 대한 차량의 과부족 정보를 나타내는 현재 상황 정보를 추출하는 현재 상황 정보 추출부; 및 상기 현재 상황 정보를 기초로 상기 복수의 스테이션들 중 적어도 하나의 오버플로 스테이션 및 적어도 하나의 언더플로 스테이션을 식별하는 식별부를 더 포함할 수 있다.

또한, 상기 목표 분포 정보 획득부는 상기 미리 정해진 재배치 스킴을 기초로 상기 복수의 스테이션들 각각의 재배치 가중치(relocation weight)를 획득하는 가중치 획득부; 상기 복수의 차량의 전체 차량 대수를 식별하는 전체 차량 대수 식별부; 및 상기 각각의 스테이션의 재배치 가중치 및 상기 전체 차량 대수를 이용하여 상기 목표 분포 정보를 계산하는 목표 분포 정보 계산부를 포함할 수 있다.

또한, 상기 복수의 스테이션들 중 적어도 하나의 오버플로 스테이션 및 적어도 하나의 언더플로 스테이션을 식별하는 식별부는 상기 복수의 스테이션들 중 상기 현재 분포량이 상기 목표 분포량을 초과하는 적어도 하나의 스테이션을 상기 오버플로 스테이션으로 설정하는 오버플로 스테이션 설정부; 및 상기 복수의 스테이션들 중 상기 현재 분포량이 상기 목표 분포량보다 부족한 적어도 하나의 스테이션을 상기 언더플로 스테이션으로 설정하는 언더플로 스테이션 설정부를 포함할 수 있다.

또한, 상기 획득부는 적어도 하나의 오버플로 스테이션과 적어도 하나의 언더플로 스테이션을 이용하여 인덱스 테이블을 생성하는 인덱스 테이블 생성부; 상기 인덱스 테이블의 원소를 지시하는 정수 엘리먼트를 포함하는 복수의 벡터들을 생성하는 벡터 생성부; 및 유전 알고리즘을 이용하여 상기 벡터들로부터 상기 차량 재배치 계획을 생성하는 차량 재배치 계획 생성부를 포함한다.

또한, 상기 인덱스 테이블 생성부는 정수 엘리먼트의 벡터 내의 위치와 오버플로 스테이션의 차량을 대응시키기 위하여 오버플로 스테이션의 초과 차량의 수만큼 해당 오버플로 스테이션을 상기 인덱스 테이블에 복사하는 제1 복사부; 및 정수 엘리먼트들의 값과 언더플로 스테이션을 대응시키기 위하여 언더플로 스테이션을 부족 차량의 수만큼 해당 언더플로 스테이션을 상기 인덱스 테이블에 복사하는 제2 복사부를 포함할 수 있다.

도 1은 일 실시예에 따른 차량 쉐어링 시스템을 설명하기 위한 도면.
도 2는 일 실시예에 따른 차량 쉐어링에 제공되는 차량을 재배치하는 동선을 결정하는 장치를 나타낸 블록도.
도 3은 일 실시예에 따른 스태프 오퍼레이션 플래닝 기법을 나타낸 동작 흐름도.
도 4는 일 실시예에 따른 차량 재배치 동선을 결정하는 방법을 설명하기 위한 도면.
도 5는 일 실시예에 따른 재배치 전략 기법을 나타낸 동작 흐름도.
도 6은 일 실시예에 따른 재배치 전략 장치의 동작을 설명하기 위한 도면.
도 7 내지 도 10은 일 실시예에 따른 액션 플래닝 장치의 동작을 설명하기 위한 도면.

일 실시예에 따른 차량 쉐어링 시스템

이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 본 발명이 일 실시예들에 의해 제한되거나 한정되는 것은 아니다. 또한, 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.

도 1은 일 실시예에 따른 차량 쉐어링 시스템을 설명하기 위한 도면이다.

도 1을 참조하면, 차량 쉐어링 시스템은 복수의 스테이션들(110 내지 150)을 포함할 수 있다. 차량 쉐어링 시스템은 단기간 동안 차량을 이용하기를 원하는 사용자들에게 적합한 서비스를 제공할 수 있다. 여기서, 차량은 전기 자동차(electric vehicle, EV)를 포함할 수 있다. 일반적으로, 사용자가 차량을 픽업한 스테이션에 차량을 반납하도록 하는 모델도 있지만, 일 실시예에 따른 차량 쉐어링 시스템(이하, 쉐어링 시스템)은 사용자가 자신이 차량을 픽업한 스테이션과 다른 스테이션에 차량을 반납할 수 있는 원 웨이 렌탈 모델(one-way rental model)을 사용할 수 있다. 이는 사용자의 편의성을 극대화하기 위한 것일 수 있다. 구체적으로, 사용자는 사용자가 픽업한 곳이 아닌 다른 스테이션에 차량을 반납할 수 있다.

사용자가 차량을 픽업하기 위해서는 픽업하려는 스테이션에 적어도 하나의 차량이 구비되어야 할 수 있다. 복수의 스테이션들마다 픽업 요청량 및 반납되는 차량의 수가 다를 수 있으므로, 각각의 스테이션이 보유하는 차량의 수는 다를 수 있다. 이러한 불균형 상태는 차량의 재배치 방법을 이용하여 해결할 수 있다.

차량의 재배치 방법은 재배치 시간, 종업원의 수, 재배치 목표와 같은 팩터(factor)들을 고려할 수 있다. 그리고, 차량의 재배치 방법은 영업 시간의 종료 후에 실행될 수 있다. 재배치 수행후의 각 스테이션의 차량의 수는 휴리스틱(heuristic)적인 방법 또는 미래 수요 예측(future demand prediction) 방법을 통하여 결정될 수 있다. 차량의 재배치 방법은 차량이 과잉 배치된 스테이션에서 차량의 추가적인 배치를 원하는 다른 스테이션으로 차량을 할당할 수 있다. 이 경우, 할당할 스테이션을 결정하기 위해 차량과 스테이션과의 거리를 우선적으로 고려할 수 있다. 이하, 거리는 두 지점 사이의 직선 거리를 의미할 수 있고, 두 지점 사이를 연결하는 도로의 길이를 의미할 수 있으며, 두 지점 사이를 규정 속도로 이동하는 경우 소모되는 시간을 의미할 수 있다.

일 실시예에 따른 차량 쉐어링에 제공되는 차량을 재배치하는 동선을 결정하는 기법

도 2는 일 실시예에 따른 차량 쉐어링에 제공되는 차량을 재배치하는 동선을 결정하는 장치를 나타낸 블록도이다.

도 2를 참조하면, 일 실시예에 따른 장치(200)는 리로케이션 전략 장치(210), 액션 플래닝 장치(220), 및 스태프 오퍼레이션 플래닝 장치(230)를 포함할 수 있다. 리로케이션 전략 장치(210), 액션 플래닝 장치(220), 및 스태프 오퍼레이션 플래닝 장치(230) 각각은 서로 독립적으로 동작할 수 있다. 예를 들어, 액션 플래닝 장치(220), 및 스태프 오퍼레이션 플래닝 장치(230)는 리로케이션 전략 장치(210)의 기능을 수행하는 어떠한 장치와도 호환될 수 있다.

리로케이션 전략 장치(210)는 현재 EV(Electric Vehicle) 분포로부터 재배치 벡터를 생성할 수 있다. 재배치 벡터는 재배치 이후 목표 EV 분포를 포함할 수 있다. 예를 들어, 리로케이션 전략 장치(210)는 차량 쉐어링 서비스의 영업이 종료된 시점에서의 EV 분포를 획득할 수 있다. 리로케이션 전략 장치(210)는 이븐 재배치 스킴(even relocation scheme), 사용율 기반 스킴(utilization-based scheme), 및 모닝 포커스 스킴(morning-focused scheme) 중 어느 하나를 이용하여 목표 EV 분포를 계산할 수 있다.

리로케이션 전략 장치(210)는 현재 EV 분포와 목표 EV 분포 사이의 차이에 기초하여 오버플로 스테이션들과 언더플로 스테이션들을 식별할 수 있다. 재배치 벡터는 오버플로 스테이션들에 대한 정보, 오버플로 스테이션들에 속하는 차량들에 대한 정보 및 언더플로 스테이션들에 대한 정보를 포함할 수 있다.

액션 플래닝 장치(220)는 재배치 벡터를 이용하여 재배치 페어들의 집합을 생성할 수 있다. 일 실시예에 따른 재배치 페어는 (오버플로 스테이션에 속하는 차량, 언더플로 스테이션)의 페어로 구성될 수 있다. 액션 플래닝 장치(220)는 목표 EV 분포로 차량들을 재배치 하기 위하여, 오버플로 스테이션에 속하는 차량들과 언더플로 스테이션을 매칭시킬 수 있다. 이하, 재배치 페어는 매칭 페어로 지칭될 수 있다. 액션 플래닝 장치(220)는 오버플로 스테이션들에 속하는 차량들의 총 수만큼의 재배치 페어들을 생성할 수 있다. 재배치 페어들의 집합은 오버플로 스테이션들에 속하는 차량들의 총 수만큼의 재배치 페어들을 포함할 수 있다.

액션 플래닝 장치(220)는 재배치 페어들 각각에 대응되는 재배치 거리의 총 합이 최소가 되도록 재배치 페어들을 생성할 수 있다. 재배치 거리는 해당 재배치 페어에 포함된 오버플로 스테이션에 속하는 차량이 언더플로 스테이션으로 재배치되기 위하여 이동되어야 하는 거리이다.

액션 플래닝 장치(220)는 다양한 방식으로 구현될 수 있다. 예를 들어, 액션 플래닝 장치(220)는 오버플로 스테이션과 언더플로 스테이션 사이의 거리에 기초하는 휴리스틱 기법을 이용하여 구현될 수 있다. 또는, 액션 플래닝 장치(220)는 유전 알고리즘(generic algorithm)을 이용하여 구현될 수 있다. 액션 플래닝 장치(220)의 다양한 구현 방식과 관련된 상세한 사항들은 도 7 내지 도 10을 참조하여 후술한다.

스태프 오퍼레이션 플래닝 장치(230)는 재배치 페어들의 집합을 이용하여 재배치 오퍼레이션 스케쥴을 생성할 수 있다. 재배치 오퍼레이션 스케쥴은 차량을 재배치하기 위한 동선을 포함할 수 있다.

스태프 오퍼레이션 플래닝 장치(230)는 차량을 재배치하기 위한 동선 거리가 최소화될 수 있도록 재배치 동선을 계산할 수 있다. 예를 들어, 스태프 오퍼레이션 플래닝 장치(230)는 차량을 재배치하기 위한 동선 거리가 최소화되도록 재배치 페어들의 순서를 결정할 수 있다. 일 실시예에 따르면, 2명 또는 그 이상의 스태프들로 구성된 팀에 의해 차량의 재배치가 수행될 수 있다. 예를 들어, 2명의 스태프들로 팀이 구성되는 경우, 두 명의 스태프들은 서비스 차량으로 재배치 오퍼레이션 스케쥴 상 첫 번째 오버플로 스테이션으로 이동한다. 한 명의 스태프는 재배치 오퍼레이션 스케쥴 상 첫 번째 차량을 재배치 페어에 의해 대응되는 언더플로 스테이션으로 이동시킨다. 이 때, 나머지 한 명의 스태프는 서비스 차량을 이용하여 동일한 언더플로 스테이션으로 함께 이동한다. 두 명의 스태프들은 서비스 차량으로 재배치 오퍼레이션 스케쥴 상 두 번째 오버플로 스테이션으로 이동한다. 이러한 과정을 통해 재배치 오퍼레이션 스케쥴에 포함된 모든 재배치 오퍼레이션들이 수행될 수 있다.

스태프 오퍼레이션 플래닝 장치(230)는 유전 알고리즘을 이용하여 주어진 시간 이내에 최선의 해를 계산할 수 있다. 이하, 도 2 내지 도 4를 참조하여, 스태프 오퍼레이션 플래닝 장치(230)의 동작을 상세히 설명한다.

일 실시예에 따른 스태프 오퍼레이션 플래닝 기법

도 3은 일 실시예에 따른 스태프 오퍼레이션 플래닝 기법을 나타낸 동작 흐름도이다.

도 3을 참조하면, 일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 차량 재배치 계획을 획득하는 단계(310) 및 차량 재배치 동선을 결정하는 단계(320)를 포함한다. 차량 재배치 계획은 도 2의 액션 플래닝 장치(220)로부터 출력되는 재배치 페어들의 집합을 포함할 수 있다.

일반적으로 n개의 원소들의 순서를 결정하는 경우의 수는 n!개 이므로, n개의 원소들의 순서를 결정하는 기법의 계산 복잡도는 O(n!)일 수 있다. 차량 재배치 계획에 포함된 재배치 페어들의 수를 n이라고 하면, 차량 재배치 동선을 결정하는 방법은 일반적으로 O(n!)의 계산 복잡도를 가질 수 있다.

일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 유전 알고리즘을 이용함으로써, 차량 재배치 동선을 결정하기 위한 계산 복잡도를 감소시키는 기술을 제공할 수 있다. 이로 인하여, 일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 실제 서비스에 이용되기에 적합한 제한 시간 이내에 차량 재배치 동선을 계산할 수 있다.

일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 차량 재배치 스케쥴(예를 들어, 차량 재배치 동선)을 정수 벡터에 의해 표현되는 염색체로 인코딩 할 수 있다. 또한, 일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 염색체로 표현되는 각각의 차량 재배치 스케쥴을 평가하는 적합도 함수(fitness function)을 모델링 할 수 있다.

도 4는 일 실시예에 따른 차량 재배치 동선을 결정하는 방법을 설명하기 위한 도면이다. 도 4를 참조하면, 도 3의 단계(320)에서 일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 복수의 매칭 페어들(411, 412, 413, 414)을 포함하는 차량 재배치 계획을 획득할 수 있다. 일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 각각의 매칭 페어들(411, 412, 413, 414)에 고유의 숫자를 할당할 수 있다. 차량 재배치 계획은 동일한 매칭 페어들을 포함할 수 있으나, 일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 각각의 메칭 페어들에 서로 다른 숫자를 할당할 수 있다. 예를 들어, 일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 각각의 매칭 페어들(411, 412, 413, 414)를 정수 벡터 0(421), 1(422), 2(423), 3(424)으로 넘버링(numbering)할 수 있다. 매칭 페어(411)과 매칭 페어(412)는 (A, B)로 동일한 값을 가지지만, 서로 다른 정수 벡터 0(421), 1(422)를 각각 할당 받을 수 있다.

정수 벡터들의 시퀀스는 스태프 오퍼레이션 스케쥴을 표현할 수 있다. 여기서, 복수의 스테이션들 사이의 거리는 이미 알고 있다고 가정할 수 있으며, 정수 벡터들의 시퀀스로부터 스태프 오퍼레이션 스케쥴에 의한 차량 재배치 동선 거리를 계산할 수 있다.

일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 도 3의 단계(320)에서 유전 알고리즘을 이용할 수 있다. 보다 구체적으로, 일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 각각의 세대(generation)에서 해 집단(population)의 품질을 계속 향상시킬 수 있다. 최초 해 집단을 위하여, 미리 정해진 수의 염색체들이 랜덤하게 생성될 수 있다. 일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 각각의 이터레이션(iteration)에서 선택(selection) 연산과 재생산(reproduction) 연산을 수행할 수 있다. 선택 연산은 적합도 함수에 따라 부모 해들을 선택하는 연산이고, 룰렛 휠 선택 기법(Roulette wheel selection scheme)이 이용될 수 있다. 재생산 연산 및 교차(crossover) 연산은 두 부모 해들을 이용하여 자식 해를 생성하는 연산이다. 교차 연산은 교차 지점(crossover point)를 랜덤하게 선택하고, 교차 지점을 기준으로 두 부모해들의 서브스트링(substring)들을 스왑(swap)하는 연산이다.

일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 교차 연산 이후에 누락된 정수 벡터 및 중복된 정수 벡터를 검출할 수 있다. 각각의 정수 벡터는 고유한 매칭 페어에 대응되므로, 일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 교차 연산 이후에 누락된 매칭 페어 및 중복된 매칭 페어를 검출할 수 있다.

일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 중복된 매칭 페어를 누락된 매칭 페어로 대체시킬 수 있다. 이로 인하여, 일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 교차 연산으로 인하여 잘못된 해가 생성되는 것을 방지할 수 있다.

또한, 일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 재생산 과정에서 동일한 염색체가 생성되는 것을 감지할 수 있다. 이 경우, 일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 랜덤하게 염색체를 생성하여 해당 염색체를 대체할 수 있다.

도 4를 참조하면, 해 집단은 염색체(431) 및 염색체(432)를 포함할 수 있다. 염색체(431)과 염색체(432)는 서로 다른 순서로 배치된 복수의 정수 벡터들을 포함할 수 있다.

염색체(431)은 (0, 1, 2, 3)으로, (A->B)->(A->B)->(A->D)->(C->D)의 동선(441)을 의미하고, 동선(441)의 동선 거리는

일 수 있다. 마찬가지로, 염색체(432)는 (0, 1, 3, 2)로, (A->B)->(A->B)->(C->D)->(A->D)의 동선(442)를 의미할 수 있다. 일 실시예에 따른 스태프 오퍼레이션 플래닝 기법은 동선(441) 및 동선 (442) 중 더 작은 동선 거리를 가지는 동선에 대응되는 염색체를 최적해로 선택할 수 있다.

일 실시예에 따른 재배치 전략 기법

도 5는 일 실시예에 따른 재배치 전략 기법을 나타낸 동작 흐름도이다.

도 5를 참조하면, 일 실시예에 따른 재배치 전략 기법(이하, 재배치 전략 기법)은 복수의 스테이션들에 할당된 적어도 하나의 차량의 현재 분포량에 대한 정보를 나타내는 현재 분포 정보를 획득할 수 있다(510). 구체적으로, 재배치 전략 기법은 복수의 스테이션들을 식별할 수 있다. 여기서, 스테이션은 차량을 픽업하거나, 반납할 수 있는 장소로써, 사용자는 픽업한 스테이션과 다른 스테이션에 반납할 수 있다. 그러나, 스테이션 외에 다른 장소에서는 픽업 및 반납을 못할 수 있다. 그리고, 사용자가 픽업한 스테이션과 반납한 스테이션이 일치하지 않을 수 있고, 각 스테이션마다 수요가 다를 수 있으므로, 각각의 스테이션이 보유하고 있는 차량의 수는 다를 수 있다. 예를 들어, 스테이션 1에서는 픽업을 하기 위한 사용자가 많고, 스테이션 2에서는 반납을 하기 위한 사용자가 많은 경우, 차량의 보유수는 스테이션 1 보다 스테이션 2가 더 많을 수 있다. 이 경우, 픽업율이 높은 스테이션 1은 보유하고 있는 차량의 수가 적으므로, 쉐어링 서비스의 중단이 발생할 수 있고, 이로 인해 쉐어링 시스템이 정상적으로 운영되지 못할 수 있다. 따라서, 재배치 전략 기법은 현재 각 쉐어링 시스템에서의 차량의 분포량에 대한 정보를 나타내는 현재 분포 정보를 획득함으로써, 재배치 계획을 수립할 수 있다.

또한, 재배치 전략 기법은 미리 정해진 재배치 스킴(relocation scheme)을 기초로 복수의 스테이션들 각각의 목표 분포량에 대한 정보를 나타내는 목표 분포 정보를 획득할 수 있다(520). 여기서, 재배치 스킴은 차량 쉐어링 시스템의 재배치 전략에 대응하는 것으로서, 재배치 방법의 기본 정책을 의미할 수 있다. 구체적으로, 미리 정해진 재배치 스킴은 이븐 재배치 스킴(even relocation scheme), 사용율 기반 스킴(utilization-based scheme) 또는 모닝 포커스 스킴(morning-focused scheme) 중 어느 하나를 의미할 수 있다. 보다 구체적으로, 이븐 재배치 스킴은 모든 스테이션들에 동일한 수의 차량을 할당하는 전략일 수 있다. 그리고, 이븐 재배치 스킴은 수요 패턴은 고려하지 않지만, 장기적인 관점에서 유리한 전략일 수 있다. 또한, 사용율 기반 스킴은 각 스테이션에서의 수요 비율(demand ratio)에 따라 차량을 할당하는 전략일 수 있다. 이는 차량의 픽업을 원하는 사용자가 많은 스테이션에 더 많은 차량을 할당하는 것을 의미할 수 있다. 또한, 모닝 포커스 스킴은 운영 시작시간 이후 일정 시간 동안의 사용자들의 픽업 요청 비율에 따라 차량을 할당하는 전략을 의미할 수 있다. 이는, 하루 단위로 사용자의 픽업 요청 비율을 파악함으로써, 신속하게 사용자의 수요를 충족시킬 수 있다.

그리고, 재배치 전략 기법은 미리 정해진 재배치 스킴을 기초로 상기 복수의 스테이션들 각각의 재배치 가중치를 획득할 수 있다. 여기서, 재배치 가중치는 각 스테이션에서의 차량의 할당 비율을 의미할 수 있다. 그리고, 재배치 가중치는 미리 정해진 재배치 스킴의 종류에 따라 상이할 수 있다. 그리고, 재배치 전략 기법은 적어도 하나의 차량의 전체 차량 대수를 식별할 수 있다. 이는, 차량 쉐어링 시스템에서 사용할 수 있는 전체 차량의 대수를 의미할 수 있다. 그리고, 재배치 전략 기법은 각각의 스테이션의 재배치 가중치 및 적어도 하나의 차량의 전체 차량 대수를 이용하여 목표 분포 정보를 계산할 수 있다. 일 실시예는, 각 스테이션에서의 재배치 가중치와 차량의 전체 차량 대수를 곱함으로써, 목표 분포 정보를 획득할 수 있다. 예를 들어, 차량 쉐어링 시스템에서 스테이션은 3곳이고, 사용할 수 있는 차량은 10대인 경우, 재배치 가중치는 (0.3, 0.3, 0.4) 일 수 있다. 그리고, 목표 분포 정보는 재배치 가중치와 차량의 전체 차량 대수를 곱함으로써 생성할 수 있으므로, 실시예에서의 목표 분포 정보는 {3, 3, 4}일 수 있다.

또한, 재배치 전략 기법은 현재 분포 정보 및 목표 분포 정보를 이용하여 복수의 스테이션들 각각에 대한 차량의 과부족 정보를 나타내는 현재 상황 정보를 추출할 수 있다(530). 여기서, 현재 상황 정보는 복수의 스테이션들 각각에 배치된 차량의 현재 분포가 과잉 상태인지 또는 부족한 상태인지를 나타낼 수 있다. 구체적으로, 재배치 전략 기법은 복수의 스테이션들 각각의 현재 분포량 및 목표 분포량의 차분 성분을 이용하여 현재 상황 정보를 계산할 수 있다.

일 실시예에서, 복수의 스테이션을

로 나타낼 수 있고, 현재 분포 정보를

로 나타낼 수 있으며, 목표 분포 정보를

로 나타낼 수 있다. 여기서, n은 전체 스테이션의 수를 의미할 수 있고,

는 각 스테이션에서의 현재 분포량을 의미할 수 있고,

는 목표 분포량을 의미할 수 있다. 그리고, 각 스테이션에서의 현재 상황 정보는 Vi로 나타낼 수 있다. 여기서, 현재 상황 정보는

와 같은 수식을 이용하여 계산할 수 있다. 이는, 각 스테이션에서의 목표 분포량과 현재 분포량의 차분 성분을 의미할 수 있다. 예를 들어, 스테이션 1에서, 현재 분포량 C1은 5 일 수 있고, 목표 분포량 T1은 7 인 경우, 현재 상황 정보 V1은 -2일 수 있다. 그리고, 이는 스테이션 1에서 목표 분포량보다 2대의 차량이 부족하다는 것을 의미할 수 있다. 또 다른 예로서, 스테이션 2에서, 현재 분포량 C2는 6일 수 있고, 목표 분포량 T2는 5인 경우, 현재 상황 정보 V2는 +1일 수 있다. 이는 스테이션 2에서 목표 분포량보다 1대의 차량이 초과하여 배치된 것을 의미할 수 있다.

또한, 재배치 전략 기법은 현재 상황 정보를 기초로 복수의 스테이션들 중 적어도 하나의 오버플로(overflow) 스테이션 및 적어도 하나의 언더플로(underflow) 스테이션을 식별할 수 있다(540). 이하, 상세한 설명에 기재된 쉐어링 지점 및 도면에 기재된 셰어링 지점은 모두 스테이션과 동일한 의미로 이해될 수 있다.

여기서, 오버플로 스테이션은 목표 분포량보다 과잉의 차량이 존재하는 스테이션을 의미할 수 있고, 언더플로 스테이션은 목표 분포량보다 부족한 차량이 존재하는 스테이션을 의미할 수 있다. 구체적으로, 재배치 전략 기법은 복수의 스테이션들 중 현재 분포량이 목표 분포량을 초과하는 적어도 하나의 스테이션을 오버플로 스테이션으로 설정할 수 있다. 예를 들어, 스테이션 2에서의 현재 상황 정보 V2가 양수인 경우는 스테이션 S2에 과잉의 차량이 배치된 것을 의미할 수 있다. 그리고, 과잉의 차량은 다른 스테이션으로 이동할 수 있다. 따라서, 재배치 전략 기법은 V2를 오버플로 스테이션으로 설정할 수 있다.

그리고, 재배치 전략 기법은 복수의 스테이션들 중 현재 분포량이 목표 분포량보다 부족한 적어도 하나의 스테이션을 언더플로 스테이션으로 설정할 수 있다. 예를 들어, 스테이션 4에서의 현재 상황 정보 V4가 음수인 경우는 스테이션 S4에 차량이 부족한 것을 의미할 수 있다. 이에 따라, 재배치 전략 기법은 V4를 언더플로 스테이션으로 설정할 수 있다. 이 경우, 스테이션 S4는 차량이 추가적으로 배치되기를 원할 수 있다. 따라서, 재배치 전략 기법은 과잉의 차량을 오버플로 스테이션에서 언더플로 스테이션으로 이동시키는 전략을 수립할 수 있다.

도 6은 일 실시예에 따른 재배치 전략 장치의 동작을 설명하기 위한 도면이다.

도 6을 참조하면, 일 실시예에 따른 재배치 전략 기법은 현재 분포 정보를 획득할 수 있고, 미리 정해진 재배치 스킴을 기초로 목표 분포 정보를 획득할 수 있다. 이 때, 목표 분포 정보는 재배치 가중치를 이용하여 획득할 수 있다. 일 실시예에서, 재배치 가중치는 재배치 가중치 테이블(610)을 이용하여 추출할 수 있다. 그리고, 재배치 가중치는 재배치 스킴에 따라 다를 수 있다. 예를 들어, 재배치 스킴은 이븐 로케이션 스킴(611), 사용율 기반 스킴(612) 및 모닝 포커스 스킴(613)을 포함할 수 있다. 보다 구체적으로, 이븐 로케이션 스킴(611)의 경우, 수요 패턴의 고려 없이 모든 스테이션들(621 내지 625)에 동일한 수의 차량을 할당할 수 있다. 따라서, 이븐 로케이션 스킴(611)의 재배치 가중치는 모든 스테이션들(621 내지 625)에서 동일할 수 있다. 그리고, 사용율 기반 스킴(612)은 각 스테이션에서 수요 비율에 따라 차량을 할당할 수 있고, 모닝 포커스 스킴(613)은 운영 시작시간 이후 일정 시간 동안의 사용자들의 픽업 요청 비율에 따라 차량을 할당할 수 있다. 따라서, 사용율 기반 스킴 및 모닝 포커스 스킴의 재배치 가중치는 각 스테이션에 따라 상이할 수 있다.

그리고, 재배치 전략 기법은 현재 분포 정보 및 목표 분포 정보를 획득할 수 있고, 이를 이용하여 현재 상황 정보를 추출할 수 있다. 예를 들어, 차량의 전체 차량 대수가 25 대인 경우, 현재 분포 정보(631)는 전체 스테이션들(341 내지 345)에서 {8, 3, 3, 7, 4}로 나타낼 수 있다. 그리고, 이븐 로케이션 스킴을 사용하는 경우, 재배치 가중치가 전체 스테이션들(341 내지 345)에서 동일할 수 있으므로, 목표 분포 정보는{5, 5, 5, 5, 5}로 나타낼 수 있다. 그리고, 현재 상황 정보(343)는 목표 분포 정보와 현재 분포 정보의 차분 성분을 이용하여 계산할 수 있다. 따라서, 현재 상황 정보(343)는 {+3, -2, -2, +2, -1}로 나타낼 수 있다. 이는, 스테이션 1에서 3대의 과잉 차량이 배치된 것을 의미할 수 있고, 스테이션 2에서 2대의 차량이 부족한 것을 의미할 수 있다. 그리고, 스테이션 3에서 2대의 차량이 부족한 것을 의미할 수 있고, 스테이션 4에서 2대의 과잉 차량이 배치된 것을 의미할 수 있으며, 스테이션 5에서 1대의 차량이 부족한 것을 의미할 수 있다.

일 실시예에 따른 액션 플래닝 기법

도 7 내지 도 10은 일 실시예에 따른 액션 플래닝 장치의 동작을 설명하기 위한 도면이다.

일 실시예에 따른 액션 플래닝 기법은 식별 결과를 기초로 현재 상황 정보 및 적어도 하나의 오버플로 스테이션과 적어도 하나의 언더플로 스테이션 사이의 거리를 이용하여 적어도 하나의 차량의 재배치를 수행할 수 있다(). 구체적으로, 오버플로 스테이션에는 현재 분포량이 목표 분포량보다 초과하는 과잉 차량이 존재할 수 있다. 그리고, 과잉 차량은 이를 필요로 하는 언더플로 스테이션으로 할당될 수 있다. 따라서, 액션 플래닝 기법은 현재 상황 정보를 기초로 오버플로 스테이션의 적어도 하나의 차량 중 언더플로 스테이션으로 이동시킬 로케이션 차량을 식별할 수 있다. 이 때, 로케이션 차량은 미리 정해진 규칙에 따라 식별할 수 있다. 예를 들어, 로케이션 차량은 임의적으로(randomly) 정해질 수도 있고, 충전 상태 또는 차량 상태를 기초로 정해질 수도 있다.

그리고, 액션 플래닝 기법은 적어도 하나의 재배치 차량과 적어도 하나의 언더플로 스테이션 사이의 거리를 나타내는 거리 정보를 계산할 수 있다. 구체적으로, 거리 정보는 적어도 하나의 재배치 차량과 대응되는 오버플로 스테이션 및 적어도 하나의 언더플로 스테이션 사이의 거리를 의미할 수 있다. 일 실시예에서, 액션 플래닝 기법은 재배치 거리를 A* 알고리즘(A* algorithm)을 이용하여 계산할 수 있다.

그리고, 액션 플래닝 기법은 거리 정보를 기초로 적어도 하나의 재배치 차량의 적어도 하나의 언더플로 스테이션에 대한 우선순위 정보를 포함하는 선호 리스트(preference list)를 생성할 수 있다. 여기서, 선호 리스트는 재배치 차량이 이동하기를 원하는 언더플로 스테이션에 대한 정보를 포함할 수 있고, 이는 언더플로 스테이션에 대한 우선순위 정보를 통해 식별할 수 있다. 그리고, 우선순위 정보는 재배치 차량과 적어도 하나의 언더플로 스테이션간의 거리 정보를 기초로 생성할 수 있다. 예를 들어, 오버플로 스테이션 1에 재배치 차량 1이 배치되고, 오버플로 스테이션 1과 언더플로 스테이션 2간의 거리는 5km일 수 있고, 오버플로 스테이션 1과 언더플로 스테이션 3간의 거리는 7km일 수 있으며, 오버플로 스테이션 1과 언더플로 스테이션 4간의 거리는 1km일 수 있다. 이 경우, 재배치 차량 1은 거리가 가까운 언더플로 스테이션을 선호할 수 있다. 따라서, 액션 플래닝 기법은 우선순위를 (스테이션 4, 스테이션 2, 스테이션 3)와 같이 할 수 있다.

그리고, 액션 플래닝 기법은 현재 상황 정보를 기초로 적어도 하나의 언더플로 스테이션에서의 차량의 할당 필요량에 대한 정보를 포함하는 할당 리스트(allocation list)를 생성할 수 있다. 여기서, 할당 필요량은 적어도 하나의 언더플로 스테이션에서 추가적인 할당이 필요한 차량의 수를 의미할 수 있다. 그리고, 할당 필요량은 목표 분포량과 현재 분포량의 차이인 현재 상황 정보를 이용하여 추출할 수 있다. 예를 들어, 언더플로 스테이션 1에서 목표 분포량이 5이고, 현재 분포량이 3인 경우, 현재 상황 정보는 -2이므로, 언더플로 스테이션1에서의 할당 필요량은 2일 수 있다. 그리고, 할당 리스트는 추가적으로 할당된 차량에 대한 정보를 포함할 수 있다.

그리고, 액션 플래닝 기법은 거리 정보를 기초로 선호 리스트 및 할당 리스트를 이용하여 적어도 하나의 재배치 차량을 적어도 하나의 언더플로 스테이션으로 할당할 수 있다. 구체적으로, 액션 플래닝 기법은 선호 리스트와 할당 리스트를 매칭할 수 있다. 여기서, 선호 리스트의 할당 리스트를 매칭을 위해 액션 플래닝 기법은 적어도 하나의 재배치 차량과 대응되는 선호 리스트의 우선순위 정보를 추출할 수 있다. 여기서, 우선순위 정보는 재배치 차량과 적어도 하나의 언더플로 스테이션간의 거리 정보를 기초로 생성된 것으로써, 일 실시예는 재배치 차량과 거리가 가까운 언더플로 스테이션의 순서로 나타낼 수 있다. 그리고, 액션 플래닝 기법은 선호 리스트 및 할당 리스트의 매칭을 이용하여 적어도 하나의 언더플로 스테이션에 대한 적어도 하나의 할당 후보 차량을 식별할 수 있다. 일 실시예에서, 재배치 차량은 선호 리스트의 우선순위가 가장 높은 언더플로 스테이션의 할당 후보 차량이 될 수 있다. 이 경우, 다른 할당 후보 차량에 의해 우선순위가 가장 높은 언더플로 스테이션에 할당되지 못한 할당 후보 차량은 다음 순위의 언더플로 스테이션의 할당 후보 차량이 될 수 있다.

그리고, 액션 플래닝 기법은 거리 정보를 이용하여 적어도 하나의 할당 후보 차량 중 언더플로 스테이션에 할당하기 위한 적어도 하나의 할당 차량을 결정할 수 있다. 예를 들어, 오버플로 스테이션 1에 배치된 재배치 차량 1 및 오버플로 스테이션 2에 배치된 재배치 차량 2의 선호 리스트의 최우선순위가 언더플로 스테이션 2인 경우, 할당 리스트의 할당 필요량이 3 이고, 이미 할당된 차량의 수가 1일 때는 재배치 차량 1 및 재배치 차량 2는 별도의 경쟁없이 언더플로 스테이션 2에 할당될 수 있다. 그러나, 할당 리스트의 할당 필요량이 3이고, 이미 할당된 차량의 수가 2인 경우에는, 재배치 차량 1 및 재배치 차량 2 중 하나의 차량은 언더플로 스테이션 2에 할당되지 못할 수 있다. 이 경우, 액션 플래닝 기법은 거리 정보를 이용하여 할당 차량을 결정할 수 있다. 즉, 언더플로 스테이션과 거리가 더 가까운 재배치 차량이 할당 차량으로 결정될 수 있다. 따라서, 언더플로 스테이션간의 거리가 재배치 차량 2보다 재배치 차량 1이 가까운 경우, 재배치 차량 1이 할당 차량으로 결정될 수 있다. 그리고, 재배치 차량 2는 선호 리스트의 우선순위에 따라 다음 언더플로 스테이션의 할당 후보 차량이 될 수 있다. 그리고, 이러한 반복을 통하여 모든 언더플로 스테이션에서 필요한 차량이 할당될 수 있다. 이 경우, 액션 플래닝 기법은 할당 결과를 (차량, 스테이션) 과 같은 페어(pair)로 나타낼 수 있다.

그리고, 액션 플래닝 기법은 적어도 하나의 할당 차량과 대응되는 오버플로 스테이션 및 언더플로 스테이션 사이의 거리를 이용하여 전체 재배치 거리를 계산할 수 있다. 예를 들어, 할당 결과가

와 같은 경우(여기서, Ei는 재배치 차량을 의미할 수 있고, Si는 언더플로 스테이션을 의미할 수 있다.), 전체 재배치 거리는 S1S2+S1S2+S1S3+S4S3+S4S5 와 같이 나타낼 수 있다.

도 7을 참조하면, 액션 플래닝 기법은 선호 리스트(750) 및 할당 리스트(760)을 생성할 수 있다. 구체적으로, 현재 상황 정보를 기초로 적어도 하나의 재배치 자동차를 식별할 수 있다. 여기서, 적어도 하나의 재배치 자동차는 적어도 하나의 오버플로 스테이션에 할당된 적어도 하나의 차량 중 적어도 하나의 언더플로 스테이션으로 할당될 차량을 의미할 수 있다. 일 실시예에서는 스테이션 1에서 3대의 과잉 차량이 배치되고, 쉐어링 지점 4에서 2대의 과잉 차량이 배치되었으므로, 재배치 차량은 총 5대일 수 있다. 그리고, 액션 플래닝 기법은 거리 정보를 계산할 수 있다. 여기서, 거리 정보는 재배치 자동차와 언더플로 스테이션 사이의 거리를 의미할 수 있으므로, 일 실시예에서는 스테이션 1과 스테이션 2, 3, 5 사이의 거리 및 지점 4과 스테이션 2, 3, 5 사이의 거리를 의미할 수 있다.

그리고, 액션 플래닝 기법은 거리 정보를 기초로 우선순위 정보를 포함하는 선호 리스트(750)를 생성할 수 있다. 이 때, 선호 리스트(750) 인덱스 필드(751), 현재 스테이션 필드(752), 우선순위 필드(753) 및 그에 따른 데이터 값을 포함할 수 있다. 그리고, 우선순위 필드(753)는 거리 정보를 기초로 생성될 수 있다. 구체적으로, 재배치 차량의 현재 스테이션에서 언더플로 스테이션 사이의 거리가 가까운 스테이션을 우선순위로 할 수 있다. 일 실시예에서는 스테이션 1에 있는 차량 1 내지 3의 우선순위는 스테이션 2, 3, 5의 순서일 수 있다. 그리고, 스테이션 4에 있는 차량 4 내지 5의 우선순위는 스테이션 3, 5, 2의 순서일 수 있다.

그리고, 액션 플래닝 기법은 현재 상황 정보를 기초로 언더플로 스테이션에서의 차량의 할당 필요량에 대한 정보를 포함하는 할당 리스트(760)를 생성할 수 있다. 구체적으로, 할당 리스트(760)는 스테이션 필드(761), 할당 필요량 필드(762) 및 할당 차량 필드(763) 및 그에 따른 데이터 값을 포함할 수 있다. 일 실시예에서, 언더플로 스테이션 2에서는 할당 필요량이 2대이고, 언더플로 스테이션 3에서는 할당 필요량이 2대이며, 언더플로 스테이션 5에서는 할당 필요량이 1대일 수 있다. 그리고, 할당 차량 필드(763)는 할당 차량에 대한 정보를 포함할 수 있다. 보다 구체적으로, 할당 차량은 선호 리스트 및 할당 리스트의 매칭을 통해 식별된 적어도 하나의 할당 후보 차량 중 거리 정보를 이용하여 결정된 해당 언더플로 스테이션에 할당하기 위한 적어도 하나의 차량을 의미할 수 있다. 일 실시예에서, 스테이션 2의 할당 차량은 우선순위가 가장 높은 스테이션 1의 차량 중 차량 1 및 2가 결정될 수 있다. 그리고, 스테이션 3의 할당 차량은 차량 3 내지 5 중 거리가 가까운 차량 3이 우선적으로 결정될 수 있고, 후 순위로써 스테이션 4의 차량 4가 결정될 수 있다. 그리고, 스테이션 5의 할당 차량은 차량 5가 결정될 수 있다.

도 8을 참조하면, 할당 리스트(360)의 할당 차량(363)을 보다 직관적으로 알 수 있다. 구체적으로, 오버플로 스테이션 1(871)의 재배치 차량은 3대로써, 언더플로 스테이션 2(872)에 2대의 할당 차량이 결정될 수 있고, 언더플로 스테이션 3(873)에 1대의 할당 차량이 결정될 수 있다. 그리고, 오버플로 스테이션 4(874)의 재배치 차량은 2대로써, 언더플로 스테이션 3(873)에 1대의 할당 차량이 결정될 수 있고, 언더플로 스테이션 5(875)에 1대의 할당 차량이 결정될 수 있다.

도 9를 참조하면, 다른 실시예에 따른 액션 플래닝 기법은 유전 알고리즘을 이용하여 재배치 페어들의 집합을 생성할 수 있다.

이를 위하여, 액션 플래닝 기법은 오버플로 스테이션과 언더플로 스테이션을 포함하는 인덱스 테이블(900)을 생성할 수 있다. 예를 들어, 액션 플래닝 기법은 과잉 보유 중인 차량의 수만큼의 오버플로 스테이션들을 인덱스 테이블에 복사하고, 부족한 차량의 수만큼의 언더플로 스테이션들을 인덱스 테이블에 복사할 수 있다.

설명의 편의를 위하여, 오버플로 스테이션 1은 3대의 과잉 차량들을 보유 중이고, 오버플로 스테이션 4는 2대의 과잉 차량들을 보유 중인 경우를 가정하자. 또한, 언더플로 스테이션 2는 2대의 차량들이 부족하고, 언더플로 스테이션 3은 2대의 차량들이 부족하며, 언더플로 스테이션 5는 1대의 차량이 부족한 경우를 가정하자.

이 경우, 액션 플래닝 기법은 오버플로 스테이션을 위한 행(920)에 3개의 S1, 2개의 S4를 포함시키고, 언더플로 스테이션을 위한 행(930)에 2개의 S2, 2개의 S3, 및 1개의 S5를 포함시킬 수 있다. 나아가, 액션 플래닝 기법은 각각의 원소들을 순차적으로 인덱싱하는 인덱싱 행(910)을 포함하는 인덱스 테이블(900)을 생성할 수 있다.

액션 플래닝 기법은 인덱스 테이블(900)을 이용하여 재배치 페어들의 집합을 나타내는 염색체를 인코딩할 수 있다. 예를 들어, 도 10을 참조하면, 액션 플래닝 기법은 정수 벡터들을 포함하는 염색체들(1010, 1020, 1030)을 생성할 수 있다. 각각의 염색체들(1010, 1020, 1030)은 복수의 재배치 페어들을 포함한다.

염색체(1010)은 [0, 1, 2, 3, 4]로, {(S1, S2), (S1, S2), (S1, S3), (S4, S3), (S4, S5)}를 의미할 수 있다. 보다 구체적으로, 염색체(1010)의 첫 번째 정수 벡터 0(1011)은 (S1, S2)를 의미할 수 있다. 정수 벡터 0(1011)의 염색체(1010) 내 위치는 도 9의 인덱스 테이블(900) 내 오버플로 스테이션을 지시하고, 정수 벡터 0(1011)의 값은 도 9의 인덱스 테이블(900) 내 언더플로 스테이션을 지시할 수 있다. 정수 벡터 0(1011)의 염색체(1010) 내 위치는 0번째(0부터 카운트함)이므로, 도 9의 인덱스 테이블(900) 내 0번 인덱스 위치의 오버플로 스테이션인 S1(921)을 지시한다. 정수 벡터 0(1011)의 값은 0이므로, 도 9의 인덱스 테이블(900) 내 0번 인덱스 위치의 언더플로 스테이션인 S2(931)를 지시한다. 이로 인하여, 정수 벡터 0(1011)은 (S1, S2)를 의미할 수 있다.

마찬가지로, 염색체(1015)의 다섯 번째 정수 벡터 4(1015)은 (S4, S5)를 의미할 수 있다. 정수 벡터 4(1015)의 염색체(1010) 내 위치는 도 9의 인덱스 테이블(900) 내 오버플로 스테이션을 지시하고, 정수 벡터 4(1015)의 값은 도 9의 인덱스 테이블(900) 내 언더플로 스테이션을 지시할 수 있다. 정수 벡터 4(1015)의 염색체(1010) 내 위치는 4번째(0부터 카운트함)이므로, 도 9의 인덱스 테이블(900) 내 4번 인덱스 위치의 오버플로 스테이션인 S4(925)를 지시한다. 정수 벡터 4(1015)의 값은 4이므로, 도 9의 인덱스 테이블(900) 내 4번 인덱스 위치의 언더플로 스테이션인 S5(935)를 지시한다. 이로 인하여, 정수 벡터 4(1015)은 (S4, S5)를 의미할 수 있다.

액션 플래닝 기법은 전술한 것과 같이 표현된 염색체를 이용하여 유전 알고리즘의 각 세대들을 발전시킬 수 있다. 액션 플래닝 기법은 염색체에 포함된 복수의 재배치 페어들에 대응되는 이동 거리들의 총 합이 작을수록 염색체의 품질을 높게 평가할 수 있다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (10)

1. 차량 쉐어링(car sharing)에 제공되는 차량의 재배치를 스케쥴링하는 방법에 있어서,
   오버플로 스테이션(overflow)에 속하는 차량과 언더플로(underflow) 스테이션 사이의 매칭 정보를 포함하는 차량 재배치 계획을 획득하는 단계; 및
   유전 알고리즘(genetic algorithm)을 이용하여 상기 차량 재배치 계획으로부터 차량 재배치를 스케쥴링하는 단계
   를 포함하는 스케쥴링 방법.
   
2. 제1항에 있어서,
   차량 재배치 스케쥴링은 상기 차량 재배치 계획에 포함된 복수의 매칭 페어들을 포함하는 염색체(chromosome)로 표현되고, 상기 염색체의 품질은 상기 복수의 매칭 페어들의 순서에 따라 정해지는 스케쥴링 방법.
   
3. 제1항에 있어서,
   상기 유전 알고리즘은 차량을 재배치하기 위한 동선 거리에 기초한 적합도 함수를 이용하는 스케쥴링 방법.
   
4. 제1항에 있어서,
   복수의 스테이션들에 배치된 복수의 차량들의 현재 분포량에 대한 정보를 나타내는 현재 분포 정보를 획득하는 단계;
   미리 정해진 재배치 스킴(relocation scheme)을 기초로 상기 복수의 스테이션들 각각의 목표 분포량에 대한 정보를 나타내는 목표 분포 정보를 획득하는 단계;
   상기 현재 분포 정보 및 상기 목표 분포 정보를 이용하여 상기 복수의 스테이션들 각각에 대한 차량의 과부족 정보를 나타내는 현재 상황 정보를 추출하는 단계; 및
   상기 현재 상황 정보를 기초로 상기 복수의 스테이션들 중 적어도 하나의 오버플로 스테이션 및 적어도 하나의 언더플로 스테이션을 식별하는 단계
   를 더 포함하는 스케쥴링 방법.
   
5. 제4항에 있어서,
   상기 미리 정해진 재배치 스킴은 이븐 재배치 스킴(even relocation scheme), 사용율 기반 스킴(utilization-based scheme) 또는 모닝 포커스 스킴(morning-focused scheme) 중 적어도 어느 하나를 포함하는 스케쥴링 방법.
   
6. 제4항에 있어서,
   상기 목표 분포 정보를 획득하는 단계는
   상기 미리 정해진 재배치 스킴을 기초로 상기 복수의 스테이션들 각각의 재배치 가중치(relocation weight)를 획득하는 단계;
   상기 복수의 차량의 전체 차량 대수를 식별하는 단계; 및
   상기 각각의 스테이션의 재배치 가중치 및 상기 전체 차량 대수를 이용하여 상기 목표 분포 정보를 계산하는 단계
   를 포함하는 스케쥴링 방법.
   
7. 제4항에 있어서,
   상기 복수의 스테이션들 중 적어도 하나의 오버플로 스테이션 및 적어도 하나의 언더플로 스테이션을 식별하는 단계는
   상기 복수의 스테이션들 중 상기 현재 분포량이 상기 목표 분포량을 초과하는 적어도 하나의 스테이션을 상기 오버플로 스테이션으로 설정하는 단계; 및
   상기 복수의 스테이션들 중 상기 현재 분포량이 상기 목표 분포량보다 부족한 적어도 하나의 스테이션을 상기 언더플로 스테이션으로 설정하는 단계
   를 포함하는 스케쥴링 방법.
   
8. 제1항에 있어서,
   상기 차량 재배치 계획을 획득하는 단계는
   적어도 하나의 오버플로 스테이션과 적어도 하나의 언더플로 스테이션을 이용하여 인덱스 테이블을 생성하는 단계;
   상기 인덱스 테이블의 원소를 지시하는 정수 엘리먼트를 포함하는 복수의 벡터들을 생성하는 단계; 및
   유전 알고리즘을 이용하여 상기 벡터들로부터 상기 차량 재배치 계획을 생성하는 단계
   를 포함하는 스케쥴링 방법.
   
9. 제8항에 있어서,
   상기 복수의 벡터들 각각은 재배치 되어야 하는 차량들의 수만큼 정수 엘리먼트들을 포함하고, 정수 엘리먼트의 벡터 내의 위치는 상기 인덱스 테이블에 포함된 복수의 오버플로 스테이션들 중 어느 하나를 지시하며, 상기 정수 엘리먼트의 값은 상기 인덱스 테이블에 포함된 복수의 언더플로 스테이션들 중 어느 하나를 지시하는 스케쥴링 방법.
   
10. 제8항에 있어서,
    상기 인덱스 테이블을 생성하는 단계는
    정수 엘리먼트의 벡터 내의 위치와 오버플로 스테이션의 차량을 대응시키기 위하여 오버플로 스테이션의 초과 차량의 수만큼 해당 오버플로 스테이션을 상기 인덱스 테이블에 복사하는 단계; 및
    정수 엘리먼트들의 값과 언더플로 스테이션을 대응시키기 위하여 언더플로 스테이션을 부족 차량의 수만큼 해당 언더플로 스테이션을 상기 인덱스 테이블에 복사하는 단계
    를 포함하는 스케쥴링 방법.
    

Images