KR20210131967A - 전자상거래 풀필먼트를 위한 효율적인 루트 선정의 시스템, 장치 및 방법 - Google Patents

전자상거래 풀필먼트를 위한 효율적인 루트 선정의 시스템, 장치 및 방법 Download PDF

Info

Publication number
KR20210131967A
KR20210131967A KR1020210143572A KR20210143572A KR20210131967A KR 20210131967 A KR20210131967 A KR 20210131967A KR 1020210143572 A KR1020210143572 A KR 1020210143572A KR 20210143572 A KR20210143572 A KR 20210143572A KR 20210131967 A KR20210131967 A KR 20210131967A
Authority
KR
South Korea
Prior art keywords
delivery
route
location
locations
target
Prior art date
Application number
KR1020210143572A
Other languages
English (en)
Other versions
KR102476482B1 (ko
Inventor
웬팅 모
위안위안 첸
Original Assignee
쿠팡 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 쿠팡 주식회사 filed Critical 쿠팡 주식회사
Publication of KR20210131967A publication Critical patent/KR20210131967A/ko
Application granted granted Critical
Publication of KR102476482B1 publication Critical patent/KR102476482B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0833—Tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

패키지 픽업 및 배달을 위한 루트 선정의 장치 및 컴퓨터 구현 방법으로서, 이 장치는 명령을 저장하는 메모리; 및 명령을 실행하도록 구성된 적어도 하나의 프로세서를 포함한다. 명령은: 미리 결정된 위치들을 연결하는 미리 결정된 루트를 나타내는 데이터를 수신하고; 미리 결정된 루트를 따른 미리 결정된 위치들의 순차적인 접근성에 기초하여 지역 내의 단위 영역들을 결정하고; 제1 기계 학습 모델을 이용하여 적어도 하나의 훈련 배달 패턴에 대한 스코어를 결정하고; 루트를 결정하는 배달 패턴들을 생성하고; 배달 패턴들을 이용하여 목표 위치들을 방문하기 위한 목표 루트를 결정하고; 그리고 모바일 장치로 목표 루트를 전송하는 것을 포함할 수 있다.

Description

전자상거래 풀필먼트를 위한 효율적인 루트 선정의 시스템, 장치 및 방법{SYSTEMS, APPARATUSES, AND METHODS OF EFFICIENT ROUTE PLANNING FOR E-COMMERCE FULFILLMENT}
본 개시는 일반적으로 픽업 및 배달에 대한 효율적인 루트 선정을 위한 컴퓨터 시스템 및 방법에 관한 것이다. 특히, 본 개시의 실시예는 빠른 전자상거래 주문 풀필먼트를 위한 효율적인 루트 선정에 관한 창의적이고 독특한 시스템에 관한 것이다.
요즘에는 온라인 쇼핑이 대중적이다. 전자상거래(또는 "e-commerce") 상인은 주문이 이루어지고서부터 구매자에게 주문의 패키지가 배달되기까지의 시간인 주문 풀필먼트 기간을 최소화시킴으로써 사용자 경험을 향상시키기 위해 노력한다. 풀필먼트 프로세스 중 하나의 시간 소비 부분은 "라스트 마일 딜리버리"(이송 허브부터 최종 목적지까지의 배달)이다. 높은 인구 밀도를 가지는 도시 영역은, 라스트 마일 딜리버리는 높은 배달 수요, 높은 인건비, 엄격히 약속된 배달 시간, 복잡한 교통 규정, 및 급변하는 도로 조건 때문에 특히 문제일 수 있다.
도시 영역에서 배달 루트 선정을 위한 종래 방법은, 트럭 운전사와 같이, 경험이 있는 배달원에 전형적으로 의지한다. 운전사는 효율적인 루트를 찾기 위해 3-5년 동안 같은 루트를 운전해야 할 수 있다. 루트 선정을 위한 종래의 백엔드 컴퓨터 시스템은 루트 선정의 그런 경험을 습득하는데 불충분한 능력을 가진다. 또한, 그런 발견된 루트는 일반적으로 "변경할 수 없다". 즉, 종래의 백엔드 시스템은 변경되는 배달 조건에 따라 루트를 조정하기 어려우며, 이는 부하 균형 문제를 초래할 수 있다. 예를 들면, 발견된 루트의 일부 목적지가 어느 날 특히 높은 수요를 가지는 경우, 그 루트의 운전사는 과도한 부담을 가질 수 있고, 반면에 다른 루트의 운전사는 제대로 이용되지 않을 수 있다. 그러나, 종래의 백엔드 시스템은 이러한 문제를 처리하기 위해 운전사의 배정을 적응적으로 재배치하는 데 최적화되어 있지 않다.
배달 루트 선정의 또다른 과제는 재저장(restoration) 즉, 공간 활용을 최적화시키기 위해 수송체 내 패키지를 분류하는 것이다. 전형적으로, 목적지를 방문하는 순서는 재저장에 영향을 미칠 것이다. 예를 들면, 배달 또는 픽업을 위한 패키지는 그것들을 저장하는 역순으로 빠져 나간다. 그것들의 위치 및 배치를 조정하는 것은 어렵다. 재저장 문제는 배달 루트 선정 문제와 관련이 있어, 종래의 백엔드 시스템은 적응성이 있게 처리되기 어렵다.
일부 배달 루트 선정 방법은 그 문제를 순회 외판원 문제(TSP; Traveling Salesman Problem)로서 다루고, 그것에 근접한 솔루션을 구하려고 시도했다. TSP를 해결하려는 것의 목표는 배달원("순회 외판원"과 유사)에 대해 모든 목적지를 방문하기 위한 시간 기간을 최소화시키는 것이다. 그러나, 종래의 백엔드 시스템은, 우회전이 좌회전보다 쉬운 것, 주차 공간의 주차 난이도, 근방의 운전 접근성, U턴에 대한 운전 시간 등과 같이, TSP 솔루션 내로 패키지 배달 또는 픽업의 일부 태스크 특성이나 조건을 고려하는 데 최적화되어 있지 않다.
그러므로, 전자상거래 풀필먼트를 위한 효율적이고, 다이내믹한 루트 선정이 필요하다.
본 개시의 일 형태는 패키지 픽업 및 배달을 위한 루트 선정의 컴퓨터 구현 방법에 관한 것이다. 컴퓨터 구현 방법은: 적어도 하나의 프로세서를 통해서, 지역 내의 미리 결정된 위치 및 미리 결정된 위치를 연결하는 미리 결정된 루트를 나타내는 데이터를 수신하는 단계; 적어도 하나의 프로세서를 이용하여, 미리 결정된 루트를 따른 미리 결정된 위치의 순차적인 접근성에 기초하여 지역 내의 단위 영역을 결정하는 단계 - 단위 영역은 제1 단위 영역 및 제2 단위 영역을 포함하고, 제1 단위 영역 내의 모든 위치가 제2 단위 영역의 위치를 방문하기 전에 방문되도록 구성됨-; 적어도 하나의 프로세서를 이용하여, 단위 영역 중 적어도 하나를 연결하는 루트를 결정하는 배달 패턴을 생성하는 단계 -각 배달 패턴은 방문 시퀀스와 연관된 단위 영역 중 적어도 하나를 포함함-; 방문할 목표 위치를 포함하는 태스크 데이터를 수신하는 것에 응답하여, 배달 패턴과 목표 데이터를 이용하여 목표 위치를 방문하기 위한 목표 루트를 결정하는 단계; 및 모바일 장치로 목표 루트를 전송하는 단계를 포함한다.
본 개시의 다른 형태는 패키지 픽업 및 배달을 위한 루트 선정의 장치에 관한 것이다. 장치는 메모리 및 적어도 하나의 프로세서를 포함한다. 메모리는 명령을 저장하고, 적어도 하나의 프로세서는: 지역 내의 미리 결정된 위치 및 미리 결정된 위치를 연결하는 미리 결정된 루트를 나타내는 데이터를 수신하고; 미리 결정된 루트를 따른 미리 결정된 위치의 순차적인 접근성에 기초하여 지역 내의 단위 영역을 결정하고 -단위 영역은 제1 단위 영역 및 제2 단위 영역을 포함하고, 제1 단위 영역 내의 모든 위치가 제2 단위 영역의 위치를 방문하기 전에 방문되도록 구성됨-; 단위 영역 중 적어도 하나를 연결하는 루트를 결정하는 배달 패턴을 생성하고 -각 배달 패턴은 방문 시퀀스와 연관된 단위 영역 중 적어도 하나를 포함함-; 방문할 목표 위치를 포함하는 태스크 데이터를 수신하는 것에 응답하여, 배달 패턴과 목표 데이터를 이용하여 목표 위치를 방문하기 위한 목표 루트를 결정하고; 그리고 모바일 장치로 목표 루트를 전송하는 것에 대한 명령을 실행하도록 구성된다.
본 개시의 또 다른 형태는 패키지 픽업 및 배달을 위한 루트 선정의 시스템에 관한 것이다. 시스템은 적어도 하나의 모바일 장치 및 네트워크를 이용하여 적어도 하나의 모바일 장치에 연결되는 루트 선정 컴퓨터 시스템을 포함한다. 적어도 하나의 모바일 장치는 명령을 저장하는 메모리, 및 적어도 하나의 프로세서를 포함하며, 적어도 하나의 프로세서는: 모바일 장치의 위치를 나타내는 위치 데이터를 결정하고; 및 루트 선정 컴퓨터 시스템에 위치 데이터를 전송하는 것에 대한 명령을 실행하도록 구성된다. 루트 선정 컴퓨터 시스템은 명령을 저장하는 메모리, 및 적어도 하나의 프로세서를 포함하며, 적어도 하나의 프로세서는: 적어도 하나의 모바일 장치로부터, 위치 데이터를 수신하고; 위치 데이터로부터, 지역 내의 템플릿 위치 및 템플릿 위치를 연결하는 템플릿 루트를 나타내는 데이터를 선택하고; 템플릿 루트를 따른 템플릿 위치의 순차적인 접근성에 기초하여 지역 내의 단위 영역을 결정하고 -단위 영역은 제1 단위 영역 및 제2 단위 영역을 포함하고, 제1 단위 영역 내의 모든 위치가 제2 단위 영역의 위치를 방문하기 전에 방문되도록 구성됨-; 단위 영역 중 적어도 하나를 연결하는 루트를 결정하는 배달 패턴을 생성하고 -각 배달 패턴은 방문 시퀀스와 연관된 단위 영역 중 적어도 하나를 포함함-; 적어도 하나의 모바일 장치로부터, 방문할 목표 위치를 포함하는 태스크 데이터를 수신하고; 배달 패턴과 목표 데이터를 이용하여 목표 위치를 방문하기 위한 목표 루트를 결정하고; 그리고 적어도 하나의 모바일 장치 중 하나로 목표 루트를 전송하는 것에 대한 명령을 실행하도록 구성된다.
본 개시의 또 다른 형태는 패키지 픽업 및 배달을 위한 루트 선정의 장치에 관한 것이다. 이 장치는 명령을 저장하는 메모리; 및 명령을 실행하도록 구성된 적어도 하나의 프로세서를 포함한다. 명령은: 미리 결정된 위치들을 연결하는 미리 결정된 루트를 나타내는 데이터를 수신하고; 미리 결정된 루트를 따른 미리 결정된 위치들의 순차적인 접근성에 기초하여 지역 내의 단위 영역들을 결정하고; 제1 기계 학습 모델을 이용하여 적어도 하나의 훈련 배달 패턴에 대한 스코어를 결정하고; 루트를 결정하는 배달 패턴들을 생성하고; 배달 패턴들을 이용하여 목표 위치들을 방문하기 위한 목표 루트를 결정하고; 그리고 모바일 장치로 목표 루트를 전송하는 것을 포함할 수 있다.
본 개시의 또 다른 형태는 패키지 픽업 및 배달을 위한 루트 선정의 컴퓨터 구현 방법에 관한 것이다. 이 방법은 미리 결정된 위치들을 연결하는 미리 결정된 루트를 나타내는 데이터를 수신하고; 적어도 하나의 프로세서에 의해, 미리 결정된 루트를 따른 미리 결정된 위치들의 순차적인 접근성에 기초하여 지역 내의 단위 영역들을 결정하고; 적어도 하나의 프로세서에 의해, 제1 기계 학습 모델을 이용하여 적어도 하나의 훈련 배달 패턴에 대한 스코어를 결정하고; 적어도 하나의 프로세서에 의해, 루트를 결정하는 배달 패턴들을 생성하고; 적어도 하나의 프로세서에 의해, 배달 패턴들을 이용하여 목표 위치들을 방문하기 위한 목표 루트를 결정하고; 그리고 모바일 장치로 목표 루트를 전송하는 것을 포함할 수 있다.
또한 다른 시스템, 방법, 및 컴퓨터 판독 가능 매체가 여기서 논의된다.
도 1a는 개시된 실시예와 관련되는, 배송, 운송, 및 물류 운영을 가능하게 하는 통신을 위한 컴퓨터 시스템을 포함하는 네트워크의 예시적인 실시예를 나타낸 개략적인 블록도이다.
도 1b는 개시된 실시예와 관련되는, 양방향 사용자 인터페이스 요소에 따라 검색 요청을 만족시키는 하나 이상의 검색 결과를 포함하는 검색 결과 페이지(SRP; Search Result Page)의 샘플을 나타낸 도면이다.
도 1c는 개시된 실시예와 관련되는, 양방향 사용자 인터페이스 요소에 따라 제품 및 제품에 대한 정보를 포함하는 싱글 디스플레이 페이지(SDP; Single Display Page)의 샘플을 나타낸 도면이다.
도 1d는 개시된 실시예와 관련되는, 양방향 사용자 인터페이스 요소에 따라 가상의 쇼핑 장바구니에 아이템을 포함하는 장바구니 페이지의 샘플을 나타낸 도면이다.
도 1e는 개시된 실시예와 관련되는, 양방향 사용자 인터페이스 요소에 따라, 가상의 쇼핑 장바구니로부터 구매 및 배송에 관한 정보에 따른 아이템을 포함하는 주문 페이지의 샘플을 나타낸 도면이다.
도 2는 개시된 실시예와 관련되는, 개시된 컴퓨터 시스템을 활용하도록 구성된 예시적인 풀필먼트 센터의 개략적인 도면이다.
도 3은 개시된 실시예와 관련되는, 패키지 픽업 및 배달을 위한 루트 선정의 예시적인 시스템의 개략적인 도면이다.
도 4는 개시된 실시예와 관련되는, 패키지 픽업 및 배달을 위한 루트 선정의 예시적인 프로세스의 플로차트이다.
도 5는 개시된 실시예와 관련되는, 예시적인 단위 영역 및 예시적인 배달 패턴을 보여주는 도면이다.
도 6은 개시된 실시예와 관련되는, 루트 생성을 위한 기계 학습 모델을 훈련시키는 예시적인 프로세스의 플로차트이다.
도 7은 개시된 실시예와 관련되는, 패키지 픽업 및 배달을 위한 루트 생성의 예시적인 프로세스의 플로차트이다.
이어서 첨부된 도면을 참조하여 자세하게 설명된다. 가능하면, 다음의 설명에서 같거나 유사한 부분에 대해 참조되도록 도면에서 같은 도면 부호가 사용된다. 여기에 몇몇 예시적인 실시예가 설명되지만, 변경, 조정 및 다른 실시예도 가능하다. 예를 들면, 도면 내의 구성 및 스텝에 대해 교체, 추가, 또는 변경이 이루어질 수 있고, 여기에 설명된 예시적인 방법은 개시된 방법에 대해 스텝을 교체, 순서 변경, 제거 또는 추가함으로써 변경될 수 있다. 따라서, 다음의 자세한 설명은 개시된 실시예 및 예시로 제한되는 것은 아니다. 대신에 본 발명의 적절한 범위는 청구범위에 의해 규정된다.
본 개시의 실시예는 효율적인 루트 선정을 위해 구성된 시스템, 장치 및 방법에 관한 것이다. 여기에 개시된 실시예에 따라서, 시스템은 지역 내의 경험 있는 배달원에 의해 발견된 효율적인 루트를 후보 루트 및 후보 루트와 연관된 후보 작업자의 조합을 결정하기 위해 휴리스틱 방법(또는 간단히 "휴리스틱")을 생성하는 기계 학습 기술의 입력으로서 사용할 수 있다. 일부 실시예에서, 기계 학습 기술은 배달을 위해 다수의 단위 영역으로 지역을 나눌 수 있고, 그것은 휴리스틱을 생성하도록 그래프 삽입법(graph embedding method)을 위한 단위로서 사용될 수 있다.
여기에 개시된 실시예에 따라서, 시스템은 태스크 조합을 생성하기 위해 휴리스틱에 이용 가능한 배달원의 수 및 목적지 위치의 수를 포함하는 배달 태스크 데이터를 수신할 수 있다. 일부 실시예에서, 이용 가능한 작업자는 시스템에 의해 수집된 그들의 작업 상태 데이터로 결정될 수 있다. 일부 실시예에서, 휴리스틱은 예를 들면 후보 루트에 대해 서브-루트를 추가하거나 제거함으로써, 또는 각각의 태스크 조합에서 다른 복잡성의 후보 루트를 다른 범주의 후보 작업자와 연관시킴으로써, 부하 불균형을 줄이는 태스크 조합을 생성할 수 있다. 일부 실시예에서, 휴리스틱은, 예를 들면 후보 루트를 따라 목적지 위치의 순서를 결정함으로써, 재저장 문제를 함께 완화시키는 태스크 조합을 생성할 수 있다.
일부 실시예에서, 시스템은 목표 작업자 및 목표 루트를 포함하는 목표 조합을 결정하기 위해 개선(refinement) 또는 최적화(optimization) 기법을 이용할 수 있다. 목표 작업자는 목표 조합에 대한 후보 작업자로부터 선택된다. 목표 루트는 목표 조합에 대한 후보 루트로부터 선택된다. 각 태스크 조합에 대해서, 후보 태스크 기간(time duration)은 후보 작업자가 목표 루트의 위치를 방문하여 배달 및/또는 픽업 태스크를 완료하는데 추정된 기간으로서 결정될 수 있다. 최적화 기법의 결과로서, 목표 태스크 조합과 연관된 태스크 기간은 모든 후보 태스크 조합의 후보 태스크 기간 중에서 가장 짧은 것일 수 있다. 다시 말해, 목표 태스크 조합은 순회 외판원 문제(TSP)에 대한 휴리스틱 솔루션일 수 있다. 휴리스틱 솔루션은 경험 있는 배달원에 의해 발견된 효율적인 루트를 이용하여 휴리스틱을 생성함으로써 태스크 특성을 고려할 수 있다.
도 1a를 참조하면, 배송, 운송 및 물류 운영을 가능하게 하는 통신을 위한 컴퓨터 시스템을 포함하는 시스템의 예시적인 실시예를 나타낸 개략적인 블록도(100)가 도시되어 있다. 도 1a에 나타낸 바와 같이, 시스템(100)은 다양한 시스템을 포함할 수 있으며, 이들 각각은 하나 이상의 네트워크를 통해 서로 연결될 수 있다. 시스템은, 예를 들면, 케이블을 이용한, 직접 연결을 통해 서로 연결될 수도 있다. 도시된 시스템은 배송 기관 기술(shipment authority technology, SAT) 시스템(101), 외부 프론트 엔드 시스템(103), 내부 프론트 엔드 시스템(105), 운송 시스템(107), 모바일 디바이스(107A, 107B, 107C), 판매자 포털(109), 배송 및 주문 트래킹(shipment and order tracking, SOT) 시스템(111), 풀필먼트 최적화(fulfillment optimization, FO) 시스템(113), 풀필먼트 메시징 게이트웨이(fulfillment messaging gateway, FMG)(115), 공급 체인 관리(supply chain management, SCM) 시스템(117), 인력 관리 시스템(119), 모바일 디바이스(119A, 119B, 119C)(풀필먼트 센터(fulfillment center, FC)(200) 내부에 있는 것으로 도시됨), 제3자 풀필먼트 시스템(121A, 121B, 121C), 풀필먼트 센터 인증 시스템(fulfillment center authorization system, FC Auth)(123), 및 노동 관리 시스템(labor management system, LMS)(125)을 포함한다.
일부 실시예에서, SAT 시스템(101)은 주문 상태와 배달 상태를 모니터링하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, SAT 시스템(101)은 주문이 약속된 배달 날짜(Promised Delivery Date, PDD)를 지났는지 여부를 결정할 수 있고, 새로운 주문을 개시시키고, 배달되지 않은 주문의 아이템을 다시 배송하며, 배달되지 않은 주문을 취소하고, 주문 고객과 연락을 시작하는 것 등을 포함하는 적절한 조치를 취할 수 있다. SAT 시스템(101)은 또한, (특정 기간 동안 배송된 패키지의 개수와 같은) 출력, 및 (배송시 사용하기 위해 수신된 빈 카드보드 박스의 개수와 같은) 입력을 포함하는 다른 데이터를 감시할 수 있다. SAT 시스템(101)은 또한, 외부 프론트 엔드 시스템(103) 및 FO 시스템(113)과 같은 장치들 간의 (예를 들면, 저장 전달(store-and-forward) 또는 다른 기술을 사용하는) 통신을 가능하게 하는 시스템(100)의 상이한 장치들 사이의 게이트웨이로서 동작할 수 있다.
일부 실시예에서, 외부 프론트 엔드 시스템(103)은 외부 사용자가 시스템(100) 내의 하나 이상의 시스템과 상호 작용할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 시스템(100)이 시스템의 프레젠테이션을 가능하게 하여 사용자가 아이템에 대한 주문을 할 수 있도록 하는 실시예에서, 외부 프론트 엔드 시스템(103)은 검색 요청을 수신하고, 아이템 페이지를 제시하며, 지불 정보를 요청하는 웹 서버로서 구현될 수 있다. 예를 들면, 외부 프론트 엔드 시스템(103)은 Apache HTTP 서버, Microsoft Internet Information Services(IIS), NGINX 등과 같은 소프트웨어를 실행하는 컴퓨터 또는 컴퓨터들로서 구현될 수 있다. 다른 실시예에서, 외부 프론트 엔드 시스템(103)은 외부 디바이스(예로써, 모바일 디바이스(102A) 또는 컴퓨터(102B))로부터 요청을 수신 및 처리하고, 이들 요청에 기초하여 데이터베이스 및 다른 데이터 저장 장치로부터 정보를 획득하며, 획득한 정보에 기초하여 수신된 요청에 대한 응답을 제공하도록 설계된 커스텀 웹 서버 소프트웨어를 실행할 수 있다.
일부 실시예에서, 외부 프론트 엔드 시스템(103)은 웹 캐싱 시스템, 데이터베이스, 검색 시스템, 또는 지불 시스템 중 하나 이상을 포함할 수 있다. 일 양상에서, 외부 프론트 엔드 시스템(103)은 이들 시스템 중 하나 이상을 포함할 수 있는 반면, 다른 양상에서는 외부 프론트 엔드 시스템(103)은 이들 시스템 중 하나 이상에 연결된 인터페이스(예를 들면, 서버 대 서버, 데이터베이스 대 데이터베이스, 또는 다른 네트워크 연결)를 포함할 수 있다.
도 1b, 1c, 1d 및 1e에 의해 나타낸 단계들의 예시적인 세트는 외부 프론트 엔드 시스템(103)의 일부 동작을 설명하는 것을 도울 것이다. 외부 프론트 엔드 시스템(103)은 프레젠테이션 및/또는 디스플레이를 위해 시스템(100)의 시스템 또는 디바이스로부터 정보를 수신할 수 있다. 예를 들면, 외부 프론트 엔드 시스템(103)은 검색 결과 페이지(Search Result Page, SRP)(예를 들면, 도 1b), 싱글 디테일 페이지(Single Detail Page, SDP)(예를 들면, 도 1c), 장바구니 페이지(Cart page)(예를 들면, 도 1d), 또는 주문 페이지(예를 들면, 도 1e)를 포함하는 하나 이상의 웹페이지를 호스팅하거나 제공할 수 있다. (예를 들면, 모바일 디바이스(102A) 또는 컴퓨터(102B)를 사용하는) 사용자 디바이스는 외부 프론트 엔드 시스템(103)으로 이동하거나 검색 박스에 정보를 입력함으로써 검색을 요청할 수 있다. 외부 프론트 엔드 시스템(103)은 시스템(100)의 하나 이상의 시스템으로부터 정보를 요청할 수 있다. 예를 들면, 외부 프론트 엔드 시스템(103)은 FO 시스템(113)으로부터 검색 요청을 만족시키는 정보를 요청할 수 있다. 외부 프론트 엔드 시스템(103)은 또한, (FO 시스템(113)으로부터) 검색 결과에 포함된 각 제품에 대한 약속된 배달 날짜(Promised Delivery Date) 또는 "PDD"를 요청하고 수신할 수 있다. 일부 실시예에서, PDD는 그 제품을 포함하는 패키지가 언제 사용자가 원하는 장소에 도착하는지 또는 특정 기간 이내, 예를 들면, 하루의 끝(PM 11:59)까지 주문되면 사용자가 원하는 장소에 제품이 배달되기로 약속된 날짜의 추정을 나타낼 수 있다(PDD는 FO 시스템(113)에 대하여 이하에서 더 논의된다).
외부 프론트 엔드 시스템(103)은 정보에 기초하여 SRP(예를 들면, 도 1b)를 준비할 수 있다. SRP는 검색 요청을 만족하는 정보를 포함할 수 있다. 예를 들면, 이는 검색 요청을 만족하는 제품의 사진을 포함할 수 있다. SRP는 또한, 각 제품에 대한 각각의 가격, 또는 각 제품, PDD, 무게, 크기, 오퍼(offer), 할인 등에 대한 개선된 배달 옵션에 관한 정보를 포함할 수 있다. 외부 프론트 엔드 시스템(103)은 (예를 들면, 네트워크를 통해) SRP를 요청 사용자 디바이스로 전송될 수 있다.
사용자 디바이스는 SRP에 나타낸 제품을 선택하기 위해, 예를 들면, 사용자 인터페이스를 클릭 또는 탭핑하거나, 다른 입력 디바이스를 사용하여 SRP로부터 제품을 선택할 수 있다. 사용자 디바이스는 선택된 제품에 관한 정보에 대한 요청을 만들어 내고 이를 외부 프론트 엔드 시스템(103)으로 전송할 수 있다. 이에 응답하여, 외부 프론트 엔드 시스템(103)은 선택된 제품에 관한 정보를 요청할 수 있다. 예를 들면, 정보는 각각의 SRP 상에 제품에 대해 제시된 것 이상의 추가 정보를 포함할 수 있다. 이는, 예를 들면, 유통 기한, 원산지, 무게, 크기, 패키지 내의 아이템 개수, 취급 지침, 또는 제품에 대한 다른 정보를 포함할 수 있다. 정보는 또한, (예를 들면, 이 제품 및 적어도 하나의 다른 제품을 구입한 고객의 빅 데이터 및/또는 기계 학습 분석에 기초한) 유사한 제품에 대한 추천, 자주 묻는 질문에 대한 답변, 고객의 후기, 제조 업체 정보, 사진 등을 포함할 수 있다.
외부 프론트 엔드 시스템(103)은 수신된 제품 정보에 기초하여 SDP(Single Detail Page)(예를 들면, 도 1c)를 준비할 수 있다. SDP는 또한, "지금 구매(Buy Now)" 버튼, "장바구니에 추가(Add to Cart)" 버튼, 수량 필드, 아이템 사진 등과 같은 다른 상호 작용 요소를 포함할 수 있다. SDP는 제품을 제공하는 판매자의 리스트를 더 포함할 수 있다. 리스트는 최저 가격으로 제품을 팔기 위해 제공하는 판매자가 맨위에 열거 될 수 있도록, 각 판매자가 제공하는 가격에 기초하여 순서가 매겨질 수 있다. 리스트는 최상위 랭크된 판매자가 맨 위에 열거될 수 있도록 판매자 랭킹에 기초하여 순서가 정해질 수도 있다. 판매자 랭킹은, 예를 들면, 약속한 PPD의 충족에 대한 판매자의 과거 실적을 포함하는, 다중 요인에 기초하여 공식화될 수 있다. 외부 프론트 엔드 시스템(103)은 (예를 들면, 네트워크를 통해) SDP를 요청 사용자 디바이스로 전달할 수 있다.
요청 사용자 디바이스는 제품 정보를 나열하는 SDP를 수신할 수 있다. SDP를 수신하면, 사용자 디바이스는 SDP와 상호 작용할 수 있다. 예를 들면, 요청 사용자 디바이스의 사용자는 SDP의 "장바구니에 담기(Place in Cart)" 버튼을 클릭하거나, 이와 상호 작용할 수 있다. 이렇게 하면 사용자와 연계된 쇼핑 장바구니에 제품이 추가된다. 사용자 디바이스는 제품을 쇼핑 장바구니에 추가하기 위해 외부 프론트 엔드 시스템(103)으로 이러한 요청을 전송할 수 있다.
외부 프론트 엔드 시스템(103)은 장바구니 페이지(예를 들면, 도 1d)를 생성할 수 있다. 일부 실시예에서, 장바구니 페이지는 사용자가 가상의 "쇼핑 장바구니(shopping cart)"에 추가한 제품을 나열한다. 사용자 디바이스는 SRP, SDP, 또는 다른 페이지의 아이콘을 클릭하거나, 상호 작용함으로써 장바구니 페이지를 요청할 수 있다. 일부 실시예에서, 장바구니 페이지는 사용자가 장바구니에 추가한 모든 제품 뿐 아니라 각 제품의 수량, 각 제품의 품목당 가격, 관련 수량에 기초한 각 제품의 가격, PDD에 관한 정보, 배달 방법, 배송 비용, 쇼핑 장바구니의 제품을 수정(예를 들면, 수량의 삭제 또는 수정)하기 위한 사용자 인터페이스 요소, 다른 제품의 주문 또는 제품의 정기적인 배달 설정에 대한 옵션, 할부(interest payment) 설정에 대한 옵션, 구매를 진행하기 위한 사용자 인터페이스 요소 등과 같은 장바구니의 제품에 관한 정보를 나열할 수 있다. 사용자 디바이스의 사용자는 쇼핑 장바구니에 있는 제품의 구매를 시작하기 위해 사용자 인터페이스 요소(예를 들면, "지금 구매(Buy Now)"라고 적혀있는 버튼)를 클릭하거나, 이와 상호 작용할 수 있다. 그렇게 하면, 사용자 디바이스는 구매를 시작하기 위해 이러한 요청을 외부 프론트 엔드 시스템(103)으로 전송할 수 있다.
외부 프론트 엔드 시스템(103)은 구매를 시작하는 요청을 수신하는 것에 응답하여 주문 페이지(예를 들면, 도 1e)를 생성할 수 있다. 일부 실시예에서, 주문 페이지는 쇼핑 장바구니로부터 아이템을 재나열하고, 지불 및 배송 정보의 입력을 요청한다. 예를 들면, 주문 페이지는 쇼핑 장바구니의 아이템 구매자에 관한 정보(예를 들면, 이름, 주소, 이메일 주소, 전화 번호), 수령인에 관한 정보(예를 들면, 이름, 주소, 전화 번호, 배달 정보), 배송 정보(예를 들면, 배달 및/또는 픽업 속도/방법), 지불 정보(예를 들면, 신용 카드, 은행 송금, 수표, 저장된 크레딧), 현금 영수증을 요청하는 사용자 인터페이스 요소(예를 들면, 세금 목적) 등을 요청하는 섹션을 포함할 수 있다. 외부 프론트 엔드 시스템(103)은 사용자 디바이스에 주문 페이지를 전송할 수 있다.
사용자 디바이스는 주문 페이지에 정보를 입력하고 외부 프론트 엔드 시스템(103)으로 정보를 전송하는 사용자 인터페이스 요소를 클릭하거나, 상호 작용할 수 있다. 그로부터, 외부 프론트 엔드 시스템(103)은 정보를 시스템(100) 내의 상이한 시스템으로 전송하여 쇼핑 장바구니의 제품으로 새로운 주문을 생성하고 처리할 수 있도록 한다.
일부 실시예에서, 외부 프론트 엔드 시스템(103)은 판매자가 주문과 관련된 정보를 전송 및 수신할 수 있도록 추가로 구성될 수 있다.
일부 실시예에서, 내부 프론트 엔드 시스템(105)은 내부 사용자(예를 들면, 시스템(100)을 소유, 운영 또는 임대하는 조직의 직원)가 시스템(100) 내의 하나 이상의 시스템과 상호작용할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 네트워크(101)가 사용자가 아이템에 대한 주문을 할 수 있게 하는 시스템의 프레젠테이션을 가능하게 하는 실시예에서, 내부 프론트 엔드 시스템(105)은 내부 사용자가 주문에 대한 진단 및 통계 정보를 볼 수 있게 하고, 아이템 정보를 수정하며, 또는 주문에 대한 통계를 검토할 수 있게 하는 웹 서버로서 구현될 수 있다. 예를 들면, 내부 프론트 엔드 시스템(105)은 Apache HTTP 서버, Microsoft Internet Information Services(IIS), NGINX 등과 같은 소프트웨어를 실행하는 컴퓨터 또는 컴퓨터들로서 구현될 수 있다. 다른 실시예에서, 내부 프론트 엔드 시스템(105)은 (도시되지 않은 다른 디바이스뿐 아니라) 시스템(100) 내에 나타낸 시스템 또는 디바이스로부터 요청을 수신하고 처리하도록 설계된 커스텀 웹 서버 소프트웨어를 실행하고, 그러한 요청에 기초하여 데이터베이스 및 다른 데이터 저장 장치로부터 정보를 획득하며, 획득한 정보에 기초하여 수신된 요청에 대한 응답을 제공할 수 있다.
일부 실시예에서, 내부 프론트 엔드 시스템(105)은 웹 캐싱 시스템, 데이터베이스, 검색 시스템, 지불 시스템, 분석 시스템, 주문 모니터링 시스템 등 중 하나 이상을 포함할 수 있다. 일 양상에서, 내부 프론트 엔드 시스템(105)은 이들 시스템 중 하나 이상을 포함할 수 있는 반면, 다른 양상에서는 내부 프론트 엔드 시스템(105)은 이들 시스템 중 하나 이상에 연결된 인터페이스(예를 들면, 서버 대 서버, 데이터베이스 대 데이터베이스, 또는 다른 네트워크 연결)를 포함할 수 있다.
일부 실시예에서, 운송 시스템(107)은 시스템(100) 내의 시스템이나 디바이스와 모바일 디바이스(107A-107C) 간의 통신을 가능하게 하는 컴퓨터 시스템으로서 구현될 수 있다. 일부 실시예에서, 운송 시스템(107)은 하나 이상의 모바일 디바이스(107A-107C)(예를 들면, 휴대 전화, 스마트폰, PDA 등)로부터 정보를 수신할 수 있다. 예를 들면, 일부 실시예에서, 모바일 디바이스(107A-107C)는 배달원에 의해 동작되는 디바이스를 포함할 수 있다. 영구적, 일시적 또는 교대 근무일 수 있는 배달원은 사용자에 의해 주문된 제품을 포함하는 패키지의 배달을 위해 모바일 디바이스(107A-107C)를 이용할 수 있다. 예를 들면, 패키지를 배달하기 위해, 배달원은 배달할 패키지와 배달할 위치를 나타내는 모바일 디바이스 상의 알림을 수신할 수 있다. 배달 장소에 도착하면, 배달원은 (예를 들면, 트럭의 뒤나 패키지 상자에) 패키지를 둘 수 있고, 모바일 디바이스를 사용하여 패키지 상의 식별자와 관련된 데이터(예를 들면, 바코드, 이미지, 텍스트 문자열, RFID 태그 등)를 스캔하거나, 캡처하며, (예를 들면, 현관문에 놓거나, 경비원에게 맡기거나, 수령인에게 전달하는 것 등에 의해) 패키지를 배달할 수 있다. 일부 실시예에서, 배달원은 패키지의 사진(들)을 찍거나 및/또는 모바일 디바이스를 사용하여 서명을 받을 수 있다. 모바일 디바이스는, 예를 들면, 시간, 날짜, GPS 위치, 사진(들), 배달원에 관련된 식별자, 모바일 디바이스에 관련된 식별자 등을 포함하는 배달에 관한 정보를 포함하는 정보를 운송 시스템(107)에 전송할 수 있다. 운송 시스템(107)은 시스템(100) 내의 다른 시스템에 의한 접근을 위해 데이터베이스(미도시)에 이러한 정보를 저장할 수 있다. 일부 실시예에서, 운송 시스템(107)은 다른 시스템에 특정 패키지의 위치를 나타내는 트래킹 데이터를 준비 및 전송하기 위해 이러한 정보를 사용할 수 있다.
일부 실시예에서, 특정 사용자는, 한 종류의 모바일 디바이스를 사용할 수 있는 반면(예를 들면, 정규 직원은 바코드 스캐너, 스타일러스 및 다른 장치와 같은 커스텀 하드웨어를 갖는 전문 PDA를 사용할 수 있음), 다른 사용자는 다른 종류의 모바일 디바이스를 사용할 수 있다(예를 들면, 임시 또는 교대 근무 직원이 기성 휴대 전화 및/또는 스마트폰을 사용할 수 있음).
일부 실시예에서, 운송 시스템(107)은 사용자를 각각의 디바이스와 연관시킬 수 있다. 예를 들면, 운송 시스템(107)은 사용자(예를 들면, 사용자 식별자, 직원 식별자, 또는 전화 번호에 의해 표현됨)와 모바일 디바이스(예를 들면, International Mobile Equipment Identity(IMEI), International Mobile Subscription Identifier(IMSI), 전화번호, Universal Unique Identifier(UUID), 또는 Globally Unique Identifier(GUID)에 의해 표현됨) 간의 연관성을 저장할 수 있다. 운송 시스템(107)은, 다른 것들 중에 작업자의 위치, 작업자의 효율성, 또는 작업자의 속도를 결정하기 위해 데이터베이스에 저장된 데이터를 분석하기 위해 배달시 수신되는 데이터와 관련하여 이러한 연관성을 사용할 수 있다.
일부 실시예에서, 판매자 포털(109)은 판매자 또는 다른 외부 엔티티(entity)가 시스템(100) 내의 하나 이상의 시스템과 전자 통신할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 판매자는 판매자 포털(109)을 사용하여 시스템(100)을 통해 판매하고자 하는 제품에 대하여, 제품 정보, 주문 정보, 연락처 정보 등을 업로드하거나 제공하는 컴퓨터 시스템(미도시)을 이용할 수 있다.
일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 고객(예를 들면, 디바이스(102A-102B)를 사용하는 사용자)에 의해 주문된 제품을 포함하는 패키지의 위치에 관한 정보를 수신, 저장 및 포워딩하는 컴퓨터 시스템으로서 구현될 수 있다. 일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 고객에 의해 주문된 제품을 포함하는 패키지를 배달하는 배송 회사에 의해 운영되는 웹 서버(미도시)로부터 정보를 요청하거나 저장할 수 있다.
일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 시스템(100)에 나타낸 시스템으로부터 정보를 요청하고 저장할 수 있다. 예를 들면, 배송 및 주문 트래킹 시스템(111)은 운송 시스템(107)으로부터 정보를 요청할 수 있다. 전술한 바와 같이, 운송 시스템(107)은 사용자(예를 들면, 배달원) 또는 차량(예를 들면, 배달 트럭) 중 하나 이상과 관련된 하나 이상의 모바일 디바이스(107A-107C)(예를 들면, 휴대 전화, 스마트폰, PDA 등)로부터 정보를 수신할 수 있다. 일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 또한, 물류 센터(예를 들면, 풀필먼트 센터(200)) 내부의 개별 제품의 위치를 결정하기 위해 인력 관리 시스템(WMS)으로부터 정보를 요청할 수 있다. 배송 및 주문 트래킹 시스템(111)은 운송 시스템(107) 또는 WMS(119) 중 하나 이상으로부터 데이터를 요청하고, 이를 처리하며, 요청시 디바이스(예를 들면, 사용자 디바이스(102A, 102B))로 제공할 수 있다.
일부 실시예에서, 풀필먼트 최적화(FO) 시스템(113)은 다른 시스템(예를 들면, 외부 프론트 엔드 시스템(103) 및/또는 배송 및 주문 트래킹 시스템(111))으로부터의 고객 주문에 대한 정보를 저장하는 컴퓨터 시스템으로서 구현될 수 있다. FO 시스템(113)은 또한, 특정 아이템이 유지 또는 저장되는 곳을 나타내는 정보를 저장할 수 있다. 예를 들면, 어느 아이템은 하나의 풀필먼트 센터에만 저장될 수 있는 반면, 어느 다른 아이템은 다수의 풀필먼트 센터에 저장될 수 있다. 또 다른 실시예에서, 특정 풀필먼트 센터는 아이템의 특정 세트(예를 들면, 신선한 농산물 또는 냉동 제품)만을 저장하도록 구성될 수 있다. FO 시스템(113)은 이러한 정보뿐 아니라 관련 정보(예를 들면, 수량, 크기, 수령 날짜, 유통 기한 등)를 저장한다.
FO 시스템(113)은 또한, 각 제품에 대해 대응하는 PDD(약속된 배달 날짜)를 계산할 수 있다. 일부 실시예에서, PDD는 하나 이상의 요소에 기초할 수 있다. 예를 들면, FO 시스템(113)은 제품에 대한 과거 수요(예를 들면, 그 제품이 일정 기간 동안 얼마나 주문되었는지), 제품에 대한 예상 수요(예를 들면, 얼마나 많은 고객이 다가오는 기간 동안 제품을 주문할 것으로 예상되는지), 일정 기간 동안 얼마나 많은 제품이 주문되었는지를 나타내는 네트워크 전반의 과거 수요, 다가오는 기간 동안 얼마나 많은 제품이 주문될 것으로 예상되는지를 나타내는 네트워크 전반의 예상 수요, 각각의 제품을 저장하는 각 풀필먼트 센터(200)에 저장된 제품의 하나 이상의 갯수, 그 제품에 대한 예상 또는 현재 주문 등에 기초하여 제품에 대한 PDD를 계산할 수 있다.
일부 실시예에서, FO 시스템(113)은 주기적으로(예를 들면, 시간별로) 각 제품에 대한 PDD를 결정하고, 검색하거나 다른 시스템(예를 들면, 외부 프론트 엔드 시스템(103), SAT 시스템(101), 배송 및 주문 트래킹 시스템(111))으로 전송하기 위해 이를 데이터베이스에 저장할 수 있다. 다른 실시예에서, FO 시스템(113)은 하나 이상의 시스템(예를 들면, 외부 프론트 엔드 시스템(103), SAT 시스템(101), 배송 및 주문 트래킹 시스템(111))으로부터 전자 요청을 수신하고 수요에 따라 PDD를 계산할 수 있다.
일부 실시예에서, 풀필먼트 메시징 게이트웨이(FMG)(115)는 FO 시스템(113)과 같은 시스템(100)의 하나 이상의 시스템으로부터 하나의 포맷이나 프로토콜의 요청 또는 응답을 수신하고, 그것을 다른 포맷이나 프로토콜로 변환하며, 그 변환된 포맷이나 프로토콜을 WMS(119) 또는 제3자 풀필먼트 시스템(121A, 121B, 또는 121C)과 같은 다른 시스템에 포워딩하며, 반대의 경우도 가능한 컴퓨터 시스템으로서 구현될 수 있다.
일부 실시예에서, 공급 체인 관리(SCM) 시스템(117)은 예측 기능을 수행하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, SCM 시스템(117)은, 예를 들어 제품에 대한 과거 수요, 제품에 대한 예상 수요, 네트워크 전반의 과거 수요, 네트워크 전반의 예상 수요, 각각의 풀필먼트 센터(200)에 저장된 제품의 갯수, 각 제품에 대한 예상 또는 현재 주문 등에 기초하여, 특정 제품에 대한 수요의 수준을 예상할 수 있다. 이러한 예상 수준과 모든 풀필먼트 센터를 통한 각 제품의 수량에 응답하여, SCM 시스템(117)은 특정 제품에 대한 예상 수요를 만족시키기 위해 충분한 양을 구매하여 갖추도록 하나 이상의 구매 주문을 생성할 수 있다.
일부 실시예에서, 인력 관리 시스템(WMS)(119)은 작업 흐름을 모니터링하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, WMS(119)는 개개의 디바이스(예를 들면, 디바이스(107A-107C 또는 119A-119C))로부터 별개의 이벤트를 나타내는 이벤트 데이터를 수신할 수 있다. 예를 들면, WMS(119)는 패키지를 스캔하는 이들 디바이스 중 하나의 사용을 나타내는 이벤트 데이터를 수신할 수 있다. 풀필먼트 센터(200) 및 도 2에 관하여 이하에서 논의되는 바와 같이, 풀필먼트 프로세스 동안, 패키지 식별자(예를 들면, 바코드 또는 RFID 태그 데이터)는 특정 단계(예를 들면, 자동 또는 핸드헬드 바코드 스캐너, RFID 판독기, 고속 카메라, 태블릿(119A), 모바일 디바이스/PDA(119B), 컴퓨터(119C)와 같은 디바이스 등)에서 기계에 의해 스캔되거나 판독될 수 있다. WMS(119)는 패키지 식별자, 시간, 날짜, 위치, 사용자 식별자, 또는 다른 정보와 함께 대응하는 데이터베이스(미도시)에 패키지 식별자의 스캔 또는 판독을 나타내는 각 이벤트를 저장할 수 있고, 이러한 정보를 다른 시스템(예를 들면, 배송 및 주문 트래킹 시스템(111))에 제공할 수 있다.
일부 실시예에서, WMS(119)는 하나 이상의 디바이스(예를 들면, 디바이스(107A-107C 또는 119A-119C))와 시스템(100)과 연관된 하나 이상의 유저를 연관시키는 정보를 저장할 수 있다. 예를 들면, 일부 상황에서, (파트 타임 또는 풀 타임 직원과 같은) 사용자는 모바일 디바이스(예를 들면, 모바일 디바이스는 스마트폰임)를 소유한다는 점에서, 모바일 디바이스와 연관될 수 있다. 다른 상황에서, 사용자는 임시로 모바일 디바이스를 보관한다는 점에서(예를 들면, 사용자는 하루의 시작에서부터 모바일 디바이스를 체크하고, 하루 동안 그것을 사용할 것이고, 하루가 끝날 때 그것을 반납할 것임), 모바일 디바이스와 연관될 수 있다.
일부 실시예에서, WMS(119)는 시스템(100)과 관련된 각각의 사용자에 대한 작업 로그를 유지할 수 있다. 예를 들면, WMS(119)는 임의의 할당된 프로세스(예를 들면, 트럭에서 내리기, 픽업 구역에서 아이템을 픽업하기, 리빈 월 작업, 아이템 패킹하기), 사용자 식별자, 위치(예를 들면, 풀필먼트 센터(200)의 바닥 또는 구역), 직원에 의해 시스템을 통해 이동된 유닛의 수(예를 들면, 픽업된 아이템의 수, 패킹된 아이템의 수), 디바이스(예를 들면, 디바이스(119A-119C))와 관련된 식별자 등을 포함하는, 각 직원과 관련된 정보를 저장할 수 있다. 일부 실시예에서, WMS(119)는 디바이스(119A-119C)에서 작동되는 계시(timekeeping) 시스템과 같은 계시 시스템으로부터 체크-인 및 체크-아웃 정보를 수신할 수 있다.
일부 실시예에서, 제3자 풀필먼트 (3PL) 시스템(121A-121C)은 물류 및 제품의 제3자 제공자와 관련된 컴퓨터 시스템을 나타낸다. 예를 들면, (도 2와 관련하여 이하에서 후술하는 바와 같이) 일부 제품이 풀필먼트 센터(200)에 저장되는 반면, 다른 제품은 오프-사이트(off-site)에 저장될 수 있거나, 수요에 따라 생산될 수 있으며, 달리 풀필먼트 센터(200)에 저장될 수 없다. 3PL 시스템(121A-121C)은 FO 시스템(113)으로부터 (예를 들면, FMG(115)를 통해) 주문을 수신하도록 구성될 수 있으며, 고객에게 직접 제품 및/또는 서비스(예를 들면, 배달 또는 설치)를 제공할 수 있다. 일부 실시예에서, 3PL 시스템(121A-121C) 중 하나 이상은 시스템(100)의 일부일 수 있고, 반면에 다른 실시예에서, 3PL 시스템(121A-121C) 중 하나 이상은 시스템(100) 밖(예로써, 제3자 제공자에 의해 소유되거나 동작됨)에 있을 수 있다.
일부 실시예에서, 풀필먼트 센터 인증 시스템(FC Auth)(123)은 다양한 기능을 갖는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 일부 실시예에서, FC Auth(123)는 시스템(100)의 하나 이상의 다른 시스템에 대한 단일-사인 온(single-sign on, SSO) 서비스로서 작동할 수 있다. 예를 들면, FC Auth(123)는 내부 프론트 엔드 시스템(105)을 통해 사용자가 로그인하게 하고, 사용자가 배송 및 주문 트래킹 시스템(111)에서 리소스에 액세스하기 위해 유사한 권한을 갖고 있다고 결정하며, 두번째 로그인 프로세스 요구 없이 사용자가 그러한 권한에 액세스할 수 있게 한다. 다른 실시예에서, FC Auth(123)는 사용자(예를 들면, 직원)가 자신을 특정 작업과 연관시킬 수 있게 한다. 예를 들면, 일부 직원은 (디바이스(119A-119C)와 같은) 전자 디바이스를 갖지 않을 수 있으며, 대신 하루 동안 풀필먼트 센터(200) 내에서 작업들 사이 및 구역들 사이에서 이동할 수 있다. FC Auth(123)는 이러한 직원들이 상이한 시간 대에 수행 중인 작업과 속해 있는 구역을 표시할 수 있도록 구성될 수 있다.
일부 실시예에서, 노동 관리 시스템(LMS)(125)은 직원(풀-타임 및 파트-타임 직원을 포함함)에 대한 출근 및 초과 근무 정보를 저장하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, LMS(125)는 FC Auth(123), WMA(119), 디바이스(119A-119C), 운송 시스템(107), 및/또는 디바이스(107A-107C)로부터 정보를 수신할 수 있다.
도 1a에 나타낸 특정 구성은 단지 예시일 뿐이다. 예를 들면, 도 1a는 FO 시스템(113)에 연결된 FC Auth 시스템(123)을 나타낸 반면, 모든 실시예가 이러한 특정 구성을 필요로 하는 것은 아니다. 실제로, 일부 실시예에서, 시스템(100) 내의 시스템은 인터넷, 인트라넷, WAN(Wide-Area Network), MAN(Metropolitan-Area Network), IEEE 802.11a/b/g/n 표준을 따르는 무선 네트워크, 임대 회선 등을 포함하는 하나 이상의 공공 또는 사설 네트워크를 통해 서로 연결될 수 있다. 일부 실시예에서, 시스템(100) 내의 시스템 중 하나 이상은 데이터 센터, 서버 팜 등에서 구현되는 하나 이상의 가상 서버로서 구현될 수 있다.
도 2는 풀필먼트 센터(200)를 나타낸다. 풀필먼트 센터(200)는 주문시 고객에게 배송하기 위한 아이템을 저장하는 물리적 장소의 예시이다. 풀필먼트 센터(FC)(200)는 다수의 구역으로 분할될 수 있으며, 각각이 도 2에 도시된다. 일부 실시예에서, 이러한 "구역(zones)"은 아이템을 수령하고, 아이템을 저장하고, 아이템을 검색하고, 아이템을 배송하는 과정의 상이한 단계 사이의 가상 구분으로 생각될 수 있다. 따라서, "구역"이 도 2에 나타나 있으나, 일부 실시예에서, 구역의 다른 구분도 가능하고, 도 2의 구역은 생략, 복제, 또는 수정될 수 있다.
인바운드 구역(203)은 도 1a의 시스템(100)을 사용하여 제품을 판매하고자 하는 판매자로부터 아이템이 수신되는 FC(200)의 영역을 나타낸다. 예를 들면, 판매자는 트럭(201)을 사용하여 아이템(202A, 202B)을 배달할 수 있다. 아이템(202A)은 자신의 배송 팔레트(pallet)를 점유하기에 충분히 큰 단일 아이템을 나타낼 수 있으며, 아이템(202B)은 공간을 절약하기 위해 동일한 팔레트 상에 함께 적층되는 아이템의 세트를 나타낼 수 있다.
작업자는 인바운드 구역(203)의 아이템을 수령하고, 선택적으로 컴퓨터 시스템(미도시)을 사용하여 손상 및 정확성을 위해 아이템을 체크할 수 있다. 예를 들면, 작업자는 아이템(202A, 202B)의 수량을 아이템의 주문 수량과 비교하기 위해 컴퓨터 시스템을 사용할 수 있다. 수량이 일치하지 않는다면, 해당 작업자는 아이템(202A, 202B) 중 하나 이상을 거부할 수 있다. 수량이 일치한다면, 작업자는 그 아이템들을 (예를 들면, 짐수레(dolly), 핸드트럭(handtruck), 포크리프트(forklift), 또는 수작업으로) 버퍼 구역(205)으로 이동시킬 수 있다. 버퍼 구역(205)은, 예를 들면, 예상 수요를 충족시키기 위해 픽업 구역에 그 아이템이 충분한 수량만큼 있기 때문에, 픽업 구역에서 현재 필요하지 않은 아이템에 대한 임시 저장 영역일 수 있다. 일부 실시예에서, 포크리프트(206)는 버퍼 구역(205) 주위와 인바운드 구역(203) 및 드랍 구역(207) 사이에서 아이템을 이동시키도록 작동한다. (예를 들면, 예상 수요로 인해) 픽업 구역에 아이템(202A, 202B)이 필요하면, 포크리프트는 아이템(202A, 202B)을 드랍 구역(207)으로 이동시킬 수 있다.
드랍 구역(207)은 픽업 구역(209)으로 이동하기 전에 아이템을 저장하는 FC(200)의 영역일 수 있다. 픽업 작업에 할당된 작업자("피커(picker)")는 픽업 구역의 아이템(202A, 202B)에 접근하고, 픽업 구역에 대한 바코드를 스캔하며, 모바일 디바이스(예를 들면, 디바이스(119B))를 사용하여 아이템(202A, 202B)과 관련된 바코드를 스캔할 수 있다. 그 다음 피커는 아이템을 (예를 들면, 카트에 놓거나 운반함으로써) 픽업 구역(209)에 아이템을 가져갈 수 있다.
픽업 구역(209)은 아이템(208)이 저장 유닛(210)에 저장되는 FC(200)의 영역일 수 있다. 일부 실시예에서, 저장 유닛(210)은 물리적 선반, 책꽂이, 박스, 토트(tote), 냉장고, 냉동고, 저온 저장고 등 중 하나를 포함할 수 있다. 일부 실시예에서, 픽업 구역(209)은 다수의 플로어로 편성될 수 있다. 일부 실시예에서, 작업자 또는 기계는, 예를 들면, 포크리프트, 엘리베이터, 컨베이어 벨트, 카트, 핸드트럭, 짐수레, 자동화된 로봇 또는 디바이스, 또는 수작업을 포함하는 다양한 방식으로 아이템을 픽업 구역(209)으로 이동시킬 수 있다. 예를 들면, 피커는 아이템(202A, 202B)을 드랍 구역(207)의 핸드트럭 또는 카트에 놓을 수 있으며, 아이템(202A, 202B)을 들고 픽업 구역(209)으로 걸어갈 수 있다.
피커는 저장 유닛(210) 상의 특정 공간과 같은 픽업 구역(209)의 특정 스팟에 아이템을 배치(또는 "적재(stow)")하라는 명령을 수신할 수 있다. 예를 들면, 피커는 모바일 디바이스(예를 들면, 디바이스(119B))를 사용하여 아이템(202A)을 스캔할 수 있다. 디바이스는, 예를 들면, 통로, 선반 및 위치를 나타내는 시스템을 사용하여, 아이템(202A)을 적재해야 하는 위치를 나타낼 수 있다. 그 다음 디바이스는 그 위치에 아이템(202A)을 적재하기 전에 피커가 그 위치에서 바코드를 스캔하도록 할 수 있다. 디바이스는 아이템(202A)이 디바이스(119B)를 사용하는 사용자에 의해 그 위치에 적재되었음을 나타내는 도 1a의 WMS(119)와 같은 컴퓨터 시스템에 데이터를 (예를 들면, 무선 네트워크를 통해) 전송할 수 있다.
일단 사용자가 주문을 하면, 피커는 저장 유닛(210)으로부터 하나 이상의 아이템(208)을 검색하기 위해 디바이스(119B)에 명령을 수신할 수 있다. 피커는 아이템(208)을 검색하고, 아이템(208) 상의 바코드를 스캔하며, 운송 기구(214) 상에 놓을 수 있다. 일부 실시예에서, 운송 기구(214)가 슬라이드로서 표현되지만, 운송 기구는 컨베이어 벨트, 엘리베이터, 카트, 포크리프트, 핸드트럭, 짐수레, 카트 등 중 하나로서 구현될 수 있다. 그 다음 아이템(208)은 패킹 구역(211)에 도착할 수 있다.
패킹 구역(211)은 아이템이 픽업 구역(209)으로부터 수령되고 고객에게 최종 배송하기 위해 박스 또는 가방에 패킹되는 FC(200)의 영역일 수 있다. 패킹 구역(211)에서, 아이템을 수령하도록 할당된 작업자("리비닝 작업자(rebin worker)")는 픽업 구역(209)으로부터 아이템(208)을 수령하고, 어느 주문에 대응하는 지를 결정할 것이다. 예를 들면, 리비닝 작업자는 아이템(208) 상의 바코드를 스캔하기 위해 컴퓨터(119C)와 같은 디바이스를 사용할 수 있다. 컴퓨터(119C)는 어느 주문이 아이템(208)과 관련이 있는지를 시각적으로 나타낼 수 있다. 이는, 예를 들면, 주문에 대응하는 월(216) 상의 공간 또는 "셀(cell)"을 포함할 수 있다. (예를 들면, 셀에 주문의 모든 아이템이 포함되어 있기 때문에) 일단 주문이 완료되면, 리비닝 작업자는 패킹 작업자(또는 "패커(packer)")에게 주문이 완료된 것을 알릴 수 있다. 패커는 셀로부터 아이템을 검색하고, 배송을 위해 이들을 박스 또는 가방에 놓을 수 있다. 그 다음 패커는, 예를 들면, 포크리프트, 카트, 짐수레, 핸드트럭, 컨베이어 벨트, 수작업 또는 다른 방법을 통해, 박스 또는 가방을 허브 구역(213)으로 보낼 수 있다.
허브 구역(213)은 패킹 구역(211)으로부터 모든 박스 또는 가방("패키지(packages)")을 검색하는 FC(200)의 영역일 수 있다. 허브 구역(213)의 작업자 및/또는 기계는 패키지(218)를 검색하고, 각 패키지가 배달 영역의 어느 부분으로 배달되도록 되어 있는지를 결정하며, 패키지를 적절한 캠프 구역(215)으로 보낼 수 있다. 예를 들면, 배달 영역이 2개의 작은 하위 영역을 갖는다면, 패키지는 2개의 캠프 구역(215) 중 하나로 배달될 것이다. 일부 실시예에서, 작업자 또는 기계는 최종 목적지를 결정하기 위해 (예를 들면, 디바이스(119A-119C) 중 하나를 사용하여) 패키지를 스캔할 수 있다. 패키지를 캠프 구역(215)으로 보내는 것은, 예를 들면, (우편 번호에 기초하여) 패키지가 향하는 지리적 영역의 부분을 결정하고, 지리적 영역의 부분과 관련된 캠프 구역(215)을 결정하는 것을 포함할 수 있다.
일부 실시예에서, 캠프 구역(215)은 루트 및/또는 서브-루트를 분류하기 위해 허브 구역(213)으로부터 패키지가 수령되는 하나 이상의 빌딩, 하나 이상의 물리적 공간, 또는 하나 이상의 영역을 포함할 수 있다. 일부 실시예에서, 캠프 구역(215)은 FC(200)로부터 물리적으로 분리되어 있는 반면, 다른 실시예에서는 캠프 구역(215)은 FC(200)의 일부를 형성할 수 있다.
캠프 구역(215)의 작업자 및/또는 기계는, 예를 들면, 목적지와 기존 루트 및/또는 서브-루트의 비교, 각각의 루트 및/또는 서브-루트에 대한 작업량의 계산, 하루 중 시간, 배송 방법, 패키지(220)를 배송하기 위한 비용, 패키지(220)의 아이템과 관련된 PDD 등에 기초하여 패키지(220)가 어느 루트 및/또는 서브-루트와 연관되어야 하는지를 결정할 수 있다. 일부 실시예에서, 작업자 또는 기계는 최종 목적지를 결정하기 위해 (예를 들면, 디바이스(119A-119C) 중 하나를 사용하여) 패키지를 스캔할 수 있다. 일단 패키지(220)가 특정 루트 및/또는 서브-루트에 할당되면, 작업자 및/또는 기계는 배송될 패키지(220)를 이동시킬 수 있다. 예시적인 도 2에서, 캠프 구역(215)은 트럭(222), 자동차(226), 배달원(224A, 224B)을 포함한다. 일부 실시예에서, 배달원(224A)이 트럭(222)을 운전할 수 있는데, 이 때 배달원(224A)은 FC(200)에 대한 패키지를 배달하는 풀-타임 직원이며, 트럭은 FC(200)를 소유, 임대 또는 운영하는 동일한 회사에 의해 소유, 임대, 또는 운행된다. 일부 실시예에서, 배달원(224B)이 자동차(226)를 운전할 수 있는데, 이 때 배달원(224B)은 필요에 따라(예를 들면, 계절에 따라) 배달하는 "플렉스(flex)" 또는 비상시적인 작업자이다. 자동차(226)는 배달원(224B)에 의해 소유, 임대 또는 운행될 수 있다.
일부 실시예에서, 주문의 아이템 분류는 FC(200)에서 구현될 수 있다. 예를 들면, 분류는 분류 장치(216)를 이용하여 패킹 구역(211)에서 구현될 수 있다.
도 3은 개시된 실시예와 관련되는, 패키지 픽업 및 배달을 위한 루트 선정의 예시적인 시스템(300)의 개략적인 도면이다. 시스템(300)은 적어도 하나의 모바일 디바이스(예로써, 모바일 디바이스(107A-107C)) 및 적어도 하나의 컴퓨터(예로써, 컴퓨터(302))를 포함한다. 비록 도 3은 예로써 하나의 컴퓨터(302)만을 도시하지만, 컴퓨터(302)와 유사한 하나 이상의 컴퓨터가 시스템(300)에 포함될 수 있음을 이해해야 한다. 모바일 디바이스(107A-107C)는 네트워크(310)를 이용하여 컴퓨터(302)에 연결된다. 일부 실시예에서, 컴퓨터(302)는 SAT(101), 운송 시스템(107), SOT(111), FO(113), 또는 WMS(119)에서의 컴퓨터로서 구현될 수 있다. 일부 실시예에서, 네트워크(310)는 시스템(100)의 일부 또는 전부일 수 있다.
컴퓨터(302)는, 마이크로컴퓨터, 메인프레임 컴퓨터, 슈퍼컴퓨터, 범용 컴퓨터, 특수용 컴퓨터, 통합형/내장형 컴퓨터, 서버 컴퓨터, 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 휴대폰, PDA(personal data assistant), 웨어러블 컴퓨팅 디바이스, 또는 클라우트 컴퓨터와 같이, 임의의 타입의 컴퓨터의 임의 수의 임의의 조합으로서 구현될 수 있다. 컴퓨터(302)와 같은, 시스템(300) 내 컴퓨터는, 네트워크(예로써, 네트워크(310))를 이용하여 상호 연결된 서로 다른 지리적 위치에 위치된 다수의 컴퓨터를 포함하는 가상의 컴퓨터로서 구현될 수도 있다.
컴퓨터(302)는 데이터베이스(304), 프로세서(306) 및 메모리(308)를 포함한다. 메모리(308)는 루트 선정을 위한 프로세스 또는 절차를 이행하기 위해 프로세서(306)에 의해 실행될 수 있는 명령을 저장할 수 있다. 데이터베이스(304)는 하나 이상의 로컬 혹은 원격 컴퓨터 또는 분산 컴퓨터 시스템 내에 저장되고 다른 컴퓨터에 접속 가능한 구조화된 데이터의 임의의 형태의 집합으로 구현될 수 있다.
프로세서(306)는 정보를 조작하거나 처리할 수 있는 일반 또는 특수의 전자 디바이스일 수 있다. 예를 들면, 프로세서(306)는 중앙 처리 장치(또는 "CPU"), 그래픽 처리 장치(또는 "GPU"), 광 프로세서, 프로그래머블 로직 컨트롤러, 마이크로컨트롤러, 마이크로프로세서, 디지털 신호 프로세서, 지적 재산(IP) 코어, PLA(Programmable Logic Array), PAL(Programmable Array Logic), GAL(Generic Array Logic), CPLD(Complex Programmable Logic Device), FPGA(Field-Programmable Gate Array), SoC(System On Chip), ASIC(Application-Specific Integrated Circuit), 및 데이터 처리 가능한 임의의 타입의 회로 중 임의 수의 임의의 조합을 포함할 수 있다. 프로세서(306)는 네트워크(예로써, 네트워크(310))를 통해 연결된 다수의 머신이나 디바이스에 걸쳐 분산된 하나 이상의 프로세서를 포함하는 가상의 프로세서일 수도 있다.
메모리(308)는 (예를 들면, 도시하지 않은 버스를 통해) 프로세서(306)에 의해 접속 가능한 코드 및 데이터를 저장할 수 있는 일반 또는 특수의 전자 디바이스일 수 있다. 예를 들어, 메모리(308)는 RAM(random-access memory), ROM(read-only memory), 광 디스크, 자기 디스크, 하드 드라이브, SSD(solid-state drive), 플래시 드라이브, SD(security digital) 카드, 메모리 스틱, CF(compact flash) 카드, 또는 임의의 타입의 저장 디바이스 중 임의 수의 임의의 조합을 포함할 수 있다. 코드는 운영 시스템(OS) 및 특정 태스크를 위한 하나 이상의 응용 프로그램(또는 "앱")을 포함할 수 있다. 메모리(308)는 네트워크(예로써, 네트워크(310))를 통해서 연결된 다수의 머신이나 디바이스에 걸쳐 분산된 하나 이상의 메모리를 포함하는 가상의 메모리일 수도 있다.
네트워크(310)는 하나 이상의 공용 또는 전용의 통신 네트워크일 수 있다. 예를 들면, 네트워크(310)는 인터넷, 인트라넷, LAN(Local-Area Network), WAN(Wide-Area Network), MAN(Metropolitan-Area Network), VPN(virtual private network), 무선 네트워크(예로써, IEEE 802.11a/b/g/n 준수), 유선 네트워크, 전용선, 셀룰러 데이터 네트워크, 및 블루투스 연결, 적외선 연결 혹은 NFC(Near-Field Communication) 연결을 이용한 네트워크 중 임의의 수의 임의의 조합을 포함할 수 있다.
일부 실시예에서, 배달원은 고용 상태(예로써, 정규직, 비정규직 또는 교대직), 선임 순위(예로써, 고참 사원 또는 초보 사원), 근무 교대(예로써, 종일직 또는 반나절직), 이송 방법(예로써, 도보, 오토바이, 또는 자동차 근무자)와 같이, 다양한 기준에 의한 범주로 분류될 수 있다. 작업자의 다양한 범주는 다양한 수요 특성을 가지는 배달 태스크에 할당될 수 있다. 일부 실시예에서, 배달원의 식별자는 데이터베이스(404) 내에 기록으로서 저장될 수 있고, 배달원의 범주는 그 기록의 속성으로서 저장될 수 있다. 여기서 "배달원"은 패키지 배달, 패키지 픽업, 또는 그것들의 조합의 태스크를 수행할 수 있다는 점에 유의해야 한다.
일부 실시예에서, 배달원의 식별자와 모바일 디바이스의 식별자 간의 연관성이 데이터베이스(304) 내에 기록으로서 저장될 수 있다. 예를 들면, 데이터베이스(304)는 항목으로 존재할 수 있는 모바일 디바이스의 식별자와 작업자의 식별자의 연관성을 저장할 수 있다. 일부 실시예에서, 모바일 디바이스(107A-107C)는 배달원 및/또는 배달 수단과 연관지어질 수 있다. 그런 연관성은 소유, 지정, 또는 임시 소유에 기초할 수 있다. 예를 들면, 배달원은 모바일 디바이스(107A)(예로써, 스마트폰)를 소유하여 연관지어질 수 있다. 다른 예로써, 모바일 디바이스(107B)(예로써, 기성품인 PDA)는 배달 트럭에 할당되어 연관지어질 수 있다. 또 다른 예로써, 배달원은 모바일 디바이스(107C)(예로서, 웨어러블 디바이스)에 로그인하여 그것과 연관지어질 수 있다.
일부 실시예에서, 모바일 디바이스(107A-107C)는 배달원 또는 이송 수단의 상태를 모니터하고 업데이트하며, 네트워크(310)를 통해 컴퓨터(302)에 그 상태 데이터를 나타내는 데이터를 전송하기 위해 이용될 수 있다. 상태 데이터는, 예를 들면, 배달원 또는 이송 수단이 한가하거나 또는 태스크로 바쁜지 여부, 배달원 또는 이송 수단이 새로운 배달 태스크에 할당되도록 이용 가능한지 여부, 배달원 또는 이송 수단의 위치, 배달원의 출근 및 초과시간 정보, 배달원이 이용한 경로, 배달원 또는 이송 수단의 이동 거리, 또는 배달 태스크 관리에 관련된 임의의 다른 상태 정보를 나타낼 수 있다.
본 개시에 따라 구현된 패키지 픽업 및 배달을 위한 루트 선정의 방법, 장치 및 시스템이 다음과 같이 도 4 내지 도 7과 관련하여 자세하게 설명될 것이다. 도 4 내지 도 7에서, 프로세스 400, 600, 700은 컴퓨터 판독 가능한 저장 매체에 저장된, 프로그램 코드 혹은 명령과 같이, 소프트웨어 또는 펌웨어로서 구현될 수 있다. 프로그램 코드 혹은 명령은 전술한 프로세스를 이행하기 위해 프로세서에 의해 판독되고 실행될 수 있다. 예를 들면, 컴퓨터 판독 가능한 저장 매체는 메모리(308)일 수 있고, 프로세서는 프로세서(306)일 수 있다. 일부 실시예에서, 전술한 프로세스는 PLA, PAL, GAL, CPLD, FPGA, SoC, 또는 ASIC와 같이, 특수 목적 하드웨어로서 구현될 수 있다. 전술한 프로세스는, 알고리즘에 의해 특정된 동작을 수행할 수 있는, 특수 목적 하드웨어에 프로그램된 알고리즘으로서 구현될 수 있다. 일부 실시예에서, 전술한 프로세스는 상술한 소프트웨어 및 하드웨어의 조합으로서 구현될 수있다.
도 4는 개시된 실시예와 관련되는, 패키지 픽업 및 배달을 위한 루트 선정의 예시적인 프로세스(400)의 플로차트이다.
스텝 402에서, 프로세서(306)는 지역 내의 미리 결정된 지리 위치 및 미리 결정된 지리 위치를 연결하는 미리 결정된 루트를 나타내는 데이터를 수신한다. 일부 실시예에서, 미리 결정된 지리 위치 및 미리 결정된 루트는 그 지역에서 일하는 경험 있는 배달원에 의해 이용된 루트일 수 있다. 그것은 예를 들면 관리자의 평가에 의해 수동적으로, 또는 예를 들면 머신에 의해 자동적으로, 미리 결정될 수 있다. 예를 들면, 프로세서(306)는 배달원의 배달 루트에 대한 스코어를 결정할 수 있다. 스코어는 그 배달 루트로 작업하는 배달원에 대한 배달 효율성 또는 경험 수준을 나타낼 수 있다. 일부 실시예에서, 스코어는 루트를 따라 배달을 완료하는데 걸리는 시간, 루트에 대해 배달되거나 픽업된 패키지의 수, 다른 우편 번호 간에 이동하는데 걸리는 시간 등과 같이, 다양한 요소에 기초하여 계산될 수 있다. 일부 실시예에서, 스코어는 배달 효율성과 비례할 수 있다. 일부 실시예에서, 스코어는 배달 효율성과 반비례할 수 있다. 미리 결정된 위치 및 미리 결정된 루트는 루트 선정을 위한 템플릿으로서 이용될 수 있고, 각각 "템플릿 위치" 및 "템플릿 루트"로 대신해서 불려질 수도 있다. 템플릿 위치에 대한 템플릿 루트를 결정하기 위해, 일부 실시예에서, 프로세서(306)는, 스코어가 배달 효율성과 비례한다고 가정할 때, 템플릿 위치를 연결하여 템플릿 루트로서 최고 스코어를 가지는 루트를 선택할 수 있다. 일부 실시예에서, 프로세서(306)는 템플릿 위치를 연결하여, 템플릿 루트로서 최단 이동 시간을 가지는 루트를 선택할 수 있다.
상술한 예에서, 스코어가 미리 결정된 값을 초과할 때, 프로세서(306)는 미리 결정된 루트로서 배달 루트 및 미리 결정된 지리 위치로서 배달 루트의 지리 위치를 결정할 수 있다. 일부 실시예에서, 프로세서(306)는 지역 내의 모든 배달원에 대한 스코어를 분류하고 경험 있는 작업자로서 그 최고 퍼센티지를 가진 자를 선택할 수 있다. 프로세서(306)는 선택된 경험 있는 작업자에 의해 방문된 지리 위치 및 루트를 입력으로서 사용할 수 있다.
또 다른 예로서, 경험 있는 배달원에 의해 사용된 루트는 배달원의 식별자 및 루트의 전체적인 방향이나 방문된 위치의 시퀀스에 따라서 분류될 수 있다. 같은 세트의 위치에 대해서, 다른 배달원은 대략적으로 같은 효율성 수준을 가져오지만, 다른 루트로 할 수 있다. 그들 다른 루트는 루트 선정의 다양한 고려 사항 및/또는 제한 사항을 포함할 수 있다. 그들 다른 루트를 포함하여 분류시킴으로써, 그 고려 사항 및 제한 사항의 특성 및 특징이 루트 선정을 위해 시스템에서 반영될 수 있다.
스텝 404에서, 프로세서(306)는 미리 결정된 루트를 따른 미리 결정된 위치의 순차적인 접근성에 기초하여 지역 내의 단위 영역을 결정한다. 단위 영역은 배달원이 방문할 독립된 지리적 개체일 수 있는 지리 단위의 세트를 포함하는 지리 영역이다. 예를 들면, 단위 영역은 빌딩, 몰, 주택 지구, 도로로 둘러싸인 영역, 커뮤니티, 또는 임의의 위치들의 세트일 수 있다. 지리 단위는 주택, 아파트, 스토어, 오피스, 또는 빌딩 내 룸, 또는 커뮤니티 내 빌딩일 수 있다.
도 5는 개시된 실시예와 관련되는, 예시적인 단위 영역을 보여주는 도면이다. 도 5에서, 도트는 지리 단위를 나타내고, 폴리곤(502-508)은 단위 영역을 나타낸다. 단위 영역(502) 내에 5개의 지리 단위, 단위 영역(504) 내에 4개의 지리 단위, 단위 영역(506) 내에 2개의 지리 단위, 및 단위 영역(508) 내에 3개의 지리 단위가 있다. 단위 영역(502-508)은 배달원이 단위 영역(502-508) 중 하나의 단위 영역 내의 지리 단위들을 어느 다른 단위 영역 내의 어느 다른 빌딩을 방문하기 전에 연속해서 방문하는 방식으로 나뉜다. 일부 실시예에서, 지리 단위의 다른 부분이 다른 단위 영역에 속하도록 결정될 수 있다. 예를 들면, 다수 입구의 단위 영역(예로서, 몰)은 큰 영역에 걸쳐 있고, 그 내부의 지리 단위(예로서, 룸 또는 스토어)는 각 입구에 대해 다른 거리를 가질 수 있다. 그들 입구는 제1 입구 및 제2 입구가 다른 거리(street)에 있는 것과 같이, 제2 입구로부터 떨어진 제1 입구를 포함할 수 있다. 제1 입구에 가까운 제1 지리 단위 및 제2 입구에 가까운 제2 지리 단위에 대해서, 제1 지리 단위, 및 제2 지리 단위는 효율적인 루트 선정을 위해서 2개의 다른 단위 영역으로 나뉠 수 있다.
일부 실시에에서, 단위 영역은 루트 선정 및 생성을 위한 단위로서 사용될 수 있다. 예를 들면, 정해진 세트의 위치에 대해 루트를 생성하기 위해서, 하나의 단위 영역 내의 모든 위치는 루트에서 원스톱(one stop)으로서 총괄적으로 취급될 수 있다. 즉, 배달원(예로서, 트럭 드라이버)는 패키지 배달 또는 픽업을 위해서 그들 위치에 정차하고, 현재 단위 영역에서 배달 태스크가 완료될 때 다음 정차할 곳으로 출발할 수 있다. 루트 선정 및 생성을 위한 단위로서 단위 영역을 사용하는 것은 연산 비용 및 복잡성을 줄이고, 배달 효율성을 증가시킬 수 있다. 예를 들면, 도 5에서, 단위 영역(502-508)은 선정된 루트의 정차할 곳으로서 처리될 수 있다.
다시 도 4를 참조하여, 스텝 406에서, 프로세서(306)는 단위 영역 중 적어도 하나를 연결하는 루트를 결정하기 위해 배달 패턴을 생성한다. 각 배달 패턴은 단위 영역 중 적어도 하나를 포함할 수 있고, 그 단위 영역 중 적어도 하나는 방문 시퀀스와 연관될 수 있다. 방문 시퀀스는 배달 패턴 내의 단위 영역 중 적어도 하나를 방문하는 순서를 나타낼 수 있다. 배달 패턴에서, 방문 시퀀스는 고정될 수 있다. 예를 들면, 도 5에서, 배달 패턴(500)은 단위 영역 502-506을 포함하고, 단위 영역 502-506은 도 5에서 화살표로 지시된 방문 시퀀스 502→504→506과 연관된다. 그들 배달 패턴은 루트 선정을 위해 사용될 수 있다.
스텝 408에서, 프로세서(306)가 방문할 목표 위치를 포함하는 태스크 데이터를 수신하면, 프로세서(306)는 배달 패턴 및 목표 데이터를 이용하여 목표 위치를 방문하기 위한 목표 루트를 결정한다. 일부 실시예에서, 태스크 데이터는 SAT(101)로부터 수신될 수 있다.
스텝 410에서, 프로세서(306)는 모바일 장치로 목표 루트를 전송한다. 예를 들면, 모바일 장치는 모바일 디바이스(107A-107C) 중 어느 하나일 수 있다. 일부 실시예에서, 모바일 장치는 배달원에 의해 휴대될 수 있다. 배달원은 모바일 장치에 의해 수신된 목표 루트를 따라서 패키지를 배달 또는 픽업하기 위한 태스크에 할당될 수 있다.
일부 실시예에서, 스텝 404에서, 프로세서(306)는 포함된 미리 결정된 루트를 따른 미리 결정된 위치의 순차적인 접근성에 기초하여 단위 영역을 결정할 수 있다. 예를 들면, 프로세서(306)는 지역 내의 배달 가능 위치를 수신할 수 있다. 배달 가능 위치는 배달 및 픽업이 가능한 위치일 수 있다.
프로세서(306)는 제1 기계 학습 모델을 이용하여 배달 가능 위치의 각각에 대한 위치 벡터를 결정할 수 있다. 위치 벡터는 배달 가능 위치의 벡터 표현일 수 있고, 2개의 위치 벡터 간의 거리가 배달 루트를 따른 2개의 위치 벡터에 대응하는 2개의 위치의 순차적인 접근성을 나타낼 수 있도록 결정될 수 있다. 거리는 2개의 위치 벡터 간의 차로서 결정될 수 있다. 순차적인 접근성은 배달 루트를 따라서 방문하는 2개의 위치가 얼마나 떨어져 있는지를 나타낼 수 있다. 일부 실시예에서, 제1 기계 학습 모델은 제1 뉴럴 네트워크 모델일 수 있다. 예를 들면, 제1 뉴럴 네트워크 모델은 워드투벡터(word2vec) 모델의 뉴럴 네트워크와 유사할 수 있다. 일부 실시예에서, 제1 뉴럴 네트워크 모델은 원 핫 벡터(one-hot vector) 포맷으로 배달 가능 위치의 주소를 입력으로서 사용하고, 배달 가능 위치에 대한 위치 벡터를 결정할 수 있다. 제1 뉴럴 네트워크 모델은 스텝 402에서 미리 결정된 위치를 이용하여 생성되어 훈련될 수 있다.
그 다음에 프로세서(306)는 배달 가능 위치의 각각에 대해서 특성 벡터를 결정할 수 있다. 특성 벡터는 배달 가능 위치의 위치 벡터 및 위치 속성을 포함할 수 있다. 일부 실시예에서, 위치 특성은 지리 좌표, 빌딩 번호, 지역 이름, 도로 이름 또는 우편 번호 중 적어도 하나를 포함할 수 있다. 예를 들면, 특성 벡터는, ([0.1,0.5,0.3], 3, "A", 10010)과 같이, 위치 벡터 및 다음의 속성: 빌딩 번호, 커뮤니티 이름, 및 우편 번호를 포함할 수 있다. 여기서, [0.1,0.5,0.3]은 위치 벡터, 3은 빌딩 번호, "A"는 커뮤니티 이름, 및 10010은 우편 번호이다.
그 다음에 프로세서(306)는 특성 벡터 간의 거리에 기초하여 배달 가능 위치를 그룹화함으로써 단위 영역을 결정할 수 있다. 2개의 특성 벡터 간의 거리는 2개의 특성 벡터 간의 차로서 결정될 수 있다. 하나의 단위 영역으로 그룹화된 배달 가능 위치의 특성 벡터 간의 거리는 미리 결정된 임계값 이내일 수 있다. 예를 들면, 제1 특성 벡터 ([0.1,0.5,0.3], 3, "A", 10010) 및 제2 특성 벡터 ([0.12,0.48,0.3], 5, "A", 10010)에 대해서, 거리는 그 2개의 특성 벡터 간의 직접 뺄셈, 예를 들면 ([0.02,-0.02,0], 2, 0, 0)과 같이 결정된 차분 벡터의 크기로서 결정될 수 있다. 문자에 대해, 뺄셈은 그것들의 ASCII 값을 이용하여 수행될 수 있다. 차분 벡터의 크기가 미리 결정된 임계값 이내이면, 그 2개의 대응하는 배달 가능 위치는 같은 단위 영역으로 그룹화될 수 있다. 일부 실시예에서, 2개의 배달 가능 위치가 같은 빌딩 번호, 같은 커뮤니티 이름, 또는 같은 우편 번호를 공유한다고 해도, 그것들은 차분 벡터의 크기가 미리 결정된 임계값을 초과하기만 하면 다른 단위 영역으로 그룹화될 수 있다.
일부 실시예에서, 위치 벡터를 결정하기 위한 제1 뉴럴 네트워크 모델은 다음과 같이 스텝 402에서 미리 결정된 위치를 이용하여 훈련될 수 있다. 프로세서(306)는 미리 결정된 위치의 각각에 대해서 위치 벡터를 결정할 수 있다. 예를 들면, 위치 벡터의 요소는 미리 결정된 위치의 주소의 속성을 포함할 수 있다. 속성은, 예를 들면, 거리 번호, 거리 이름, 룸 번호, 도시(city), 시(province) 또는 도(state), 또는 우편 번호를 포함할 수 있다.
그 다음에 프로세서(306)는 제1 뉴럴 네트워크 모델에 현재 위치의 위치 벡터를 입력함으로써 미리 결정된 위치의 현재 위치에 대한 확률값을 결정할 수 있다. 각 확률값은 미리 결정된 위치 중 하나에 대응하고 그 미리 결정된 위치 중 하나가 현재 위치 바로 다음에 방문되도록 하는 것의 확률을 나타낼 수 있다. 그 다음에 프로세서(306)는 제1 미리 결정된 위치를 기점으로 하는 미리 결정된 루트의 순서에서 미리 결정된 위치의 각각에 대한 확률값을 결정할 수 있다. 현재 위치는 확률값이 현재 결정 중인 것의 미리 결정된 위치일 수 있다.
그 다음에 프로세서(306)는 차후 위치가 최고 확률값에 대응하는지 여부를 결정할 수 있다. 차후 위치는 미리 결정된 루트를 따른 현재 위치 바로 다음의 위치이다. 이 스텝은 제1 뉴럴 네트워크 모델이 제대로 훈련되는지 여부를 판단하기 위한 것이다. 만일 제대로 훈련되는 것이면, 차후 위치는 최고 확률값을 가질 것이다. 즉, 제1 뉴럴 네트워크 모델은 현재 위치 후에 방문하게 될 다음 위치로서 차후 위치를 제대로 예측할 것이다.
만일 차후 위치가 최고 확률값에 대응하지 않으면, 프로세서(306)는 제1 뉴럴 네트워크 모델의 파라미터를 업데이트할 수 있다. 일부 실시예에서, 제1 뉴럴 네트워크 모델은 적어도 하나의 숨겨진 레이어를 포함할 수 있다. 파라미터는 숨겨진 레이어의 각 노드와 연관된 가중치일 수 있다. 업데이트하는 것은, 예를 들면, 오차 역전파법(back propagation)을 이용하여 구현될 수 있다.
만일 차후 위치가 최고 확률값에 대응하면, 프로세서(306)는 제1 뉴럴 네트워크 모델에 차후 위치의 위치 벡터를 입력함으로써 현재 위치 다음의 위치 -즉, 차후 위치- 에 대한 확률값을 결정하도록 진행될 수 있다. 그런 동작은 미리 결정된 루트를 따라서 모든 미리 결정된 위치가 처리될 때까지 반복될 수 있다. 그때까지, 제1 뉴럴 네트워크는 임의의 미리 결정된 위치가 제공되면 제1 뉴럴 네트워크 모델이 미리 결정된 루트를 따라서 방문할 다음 위치를 제대로 예측하도록 제대로 훈련될 것이다.
만일 미리 결정된 루트를 따른 미리 결정된 위치 각각의 다음의 위치가 미리 결정된 위치의 각각에 대해서 제1 뉴럴 네트워크 모델에 의해 결정된 확률값 중 최고 확률값에 대응하면, 프로세서(306)는 스텝 404에서 배달 가능 위치의 각각에 대해서 위치 벡터를 결정하기 위한 제1 뉴럴 네트워크 모델을 결정할 수 있다. 제1 뉴럴 네트워크 모델을 이용함으로서, 프로세서(306)는 더 효율적이고 더 높은 정확성으로 위치 벡터를 결정할 수 있다.
도 6은 개시된 실시예와 관련되는, 루트 생성을 위한 기계 학습 모델을 훈련시키는 예시적인 프로세스(600)의 플로차트이다. 프로세스(600)에서, 프로세스(400)의 스텝 406에서 생성된 배달 패턴은 루트 생성을 위해 이용될 수 있다.
스텝 602에서, 프로세서(306)는, 단위 영역의 각각에 대해서, 단위 영역의 벡터 표현(vector representation)을 결정한다. 일부 실시예에서, 프로세서(306)는 단위 영역 내의 위치의 주소에 대해 그래프 삽입 기법을 적용함으로써 벡터 표현을 결정할 수 있다. 그래프 삽입 기법은 저차원 정보(예로써, 벡터)에 고차원 정보(예로써, 그래프)를 매핑하도록 사용될 수 있다. 일부 실시예에서, 주소는 그 주소가 방문된 것인지 여부를 나타내는 태그와 연관될 수 있다. 그래프 삽입 기법은 주소에 대해 내재된 기능으로 그런 태그를 포함할 수 있다.
스텝 604에서, 프로세서(306)는 미리 결정된 위치를 포함시키는 단위 영역에 대한 훈련 배달 패턴을 결정한다. 각 훈련 배달 패턴은 방문 시퀀스로 순서가 정해진 단위 영역 중 적어도 하나를 포함할 수 있다. 훈련 배달 패턴은 기계 학습 모델만을 훈련시키는 목적을 위해 결정될 수 있다. 예를 들면, 훈련 배달 패턴은 미리 결정된 위치 중 적어도 하나를 포함하도록 식별된 모든 단위 영역으로부터 결정될 수 있다. 일부 실시예에서, 훈련 배달 패턴은 미리 결정된 루트를 따라서 식별된 단위 영역을 그룹화함으로써 결정될 수 있다. 일부 실시예에서, 훈련 배달 패턴의 각각은 최대 3개의 단위 영역을 포함할 수 있다.
일부 실시예에서, 훈련 배달 패턴은 프로세스(400)의 스텝 404에서의 단위 영역과 실질적으로 동시에 결정되고 저장될 수 있다. 그런 실시예에서, 프로세서(306)는 스텝 604에서 저장된 훈련 배달 패턴을 검색할 수 있다.
일부 실시예에서, 스텝 404에서, 프로세서(306)는 단위 영역과 훈련 배달 패턴을 실질적으로 동시에 결정하기 위해 제1 뉴럴 네트워크 모델을 이용할 수 있다. 예를 들면, 프로세서(306)는 패턴 연결(예로써, 위치들 간의 관계, 세그먼트, 또는 다른 관련성)을 생성하기 위해 제1 뉴럴 네트워크 모델에 의해 결정된 현재 위치와 이전 위치를 기록할 수 있다.
일례로서, 프로세서(306)는 그 다음에 특정 패턴 연결이 하나 이상의 미리 결정된 루트에서 얼마나 자주 발생하는지를 반영하는 빈도값을 결정할 수 있다. 만일 패턴 연결이 미리 결정된 값(예로써, 2, 3, 4, 또는 임의의 양의 정수)을 초과하는 빈도값에 대응하면, 프로세서(306)는 그 패턴 연결을 수용하고, 그것을 훈련 배달 패턴을 생성하기 위해 사용할 수 있다.
다른 예로서, 프로세서(306)는 그 다음에 제1 뉴럴 네트워크 모델에 의해 현재 위치에 대해 결정된 확률값에 기초하여 현재 연결을 수용할지 여부를 결정할 수 있다. 이 예에서, 만일 현재 위치가 이전 위치의 차후 위치로서 최고 확률값에 대응하면, 프로세서(306)는 현재 연결을 수용하고 그것을 훈련 배달 패턴을 생성하기 위해 사용할 수 있다.
스텝 606에서, 프로세서(306)는 각 훈련 배달 패턴에 대해 벡터 표현을 결정한다. 일부 실시예에서, 배달 패턴의 벡터 표현은 단위 영역의 벡터 표현과 유사할 수 있다. 일부 실시예에서, 훈련 배달 패턴의 벡터 표현은 그 안에 단위 영역의 벡터 표현을 추가함으로써 결정될 수 있다.
스텝 608에서, 프로세서(306)는 각 훈련 배달 패턴에 대한 스코어를 결정한다. 스코어는 방문 시퀀스를 따라 단위 영역을 방문하는 것에 대한 효율성 수준을 나타낼 수 있다. 일부 실시예에서, 프로세서(306)는 기계 학습 모델에 훈련 배달 패턴의 벡터 표현을 입력함으로써 스코어를 결정할 수 있다. 일부 실시예에서, 서로 다른 훈련 배달 패턴은 서로 다른 방문 시퀀스를 가지지만 같은 세트의 단위 영역을 포함할 수 있다. 그들 각각에 대해 스코어를 계산함으로써, 서로 다른 방문 시퀀스의 효율성 수준이 결정되고, 같은 세트의 단위 영역에 대해서 가장 효율적인 루트를 결정하도록 이용될 수 있다.
스텝 610에서, 만일 방문 시퀀스가 미리 결정된 루트와 일치하지 않으면, 프로세서(306)는 기계 학습 모델의 파라미터를 업데이트한다. 일부 실시예에서, 만일 방문 시퀀스가 미리 결정된 루트의 어느 일부와 같지 않으면, 프로세서(306)는 방문 시퀀스가 미리 결정된 루트와 일치하지 않는다고 결정할 수 있다. 일부 실시예에서, 기계 학습 모델은 제2 뉴럴 네트워크 모델일 수 있다. 일부 실시예에서, 제2 뉴럴 네트워크 모델은 적어도 하나의 숨겨진 레이어를 포함할 수 있다. 파라미터는 숨겨진 레이어의 각 노드와 연관된 가중치일 수 있다. 업데이트하는 것은, 예를 들면, 오차 역전파법을 이용하여 구현될 수 있다.
스텝 612에서, 만일 모든 훈련 배달 패턴의 방문 시퀀스가 미리 결정된 루트와 일치하면, 프로세서(306)는 배달 패턴을 생성하기 위한 기계 학습 모델을 결정한다. 일부 실시예에서, 만일 어느 훈련 배달 패턴의 방문 시퀀스가 미리 결정된 루트의 일부와 일치하면, 프로세서(306)는 모든 훈련 배달 패턴의 방문 시퀀스가 미리 결정된 루트와 일치한다고 결정할 수 있다. 이 스텝까지, 기계 학습 모델은 제대로 훈련될 수 있다. 기계 학습 모델을 이용함으로써, 프로세서(306)는 더 효율적이고 더 높은 정확성으로 배달 패턴을 생성할 수 있다.
일부 실시예에서, 도 4의 스텝 406에서 배달 패턴을 생성하는 것은 프로세스(600)에서 결정된 기계 학습 모델을 이용하여 구현될 수 있다. 예를 들면, 프로세서(306)는 단위 영역을 이용하여 후보 배달 패턴을 결정할 수 있다. 각 후보 배달 패턴은 방문 시퀀스로 순서가 정해진 단위 영역 중 적어도 하나를 포함할 수 있다. 이 스텝은 스텝 604와 유사하게 구현될 수 있다. 일부 실시예에서, 단위 영역의 모든 실행 가능한 조합은 후보 배달 패턴으로서 생성되고 결정될 수 있다.
그 다음에 프로세서(306)는 각 후보 배달 패턴에 대해서 벡터 표현을 결정할 수 있다. 일부 실시예에서, 후보 배달 패턴의 벡터 표현은 후보 배달 패턴 내에 단위 영역의 벡터 표현을 추가함으로써 결정될 수 있다. 이 스텝은 스텝 606과 유사하게 구현될 수 있다.
그 다음에 프로세서(306)는 훈련된 기계 학습 모델에 후보 배달 패턴의 벡터 표현을 입력함으로써 각 후보 배달 패턴에 대한 스코어를 결정할 수 있다. 이 스텝은 스텝 608과 유사하게 구현될 수 있다.
그 다음에 프로세서(306)는 미리 결정된 임계값보다 높은 스코어를 가지는 후보 배달 패턴으로서 배달 패턴을 생성할 수 있다. 프로세서(306)(또는 또 다른 디바이스)는, 도 7에 관하여 아래에서 논의되는 바와 같이, 루트를 생성하기 위해 배달 패턴을 이용할 수 있다.
도 7은 개시된 실시예와 관련되는, 패키지 픽업 및 배달을 위한 루트 생성의 예시적인 프로세스(700)의 플로차트이다.
스텝 702에서, 프로세서(306)는 방문할 목표 위치를 포함하는 태스크 데이터를 수신한다. 예를 들면, 목표 위치는, 고객의 주소와 같이, 배달 또는 픽업 목적지일 수 있다. 목표 위치는 프로세스(400)의 스텝 402에서와 같이 같은 지역 내에 존재할 수 있다. 일부 실시예에서, 목표 데이터는 목표 위치 간의 거리를 더 포함할 수 있다.
스텝 704에서, 프로세서(306)는 목표 위치를 포함시키는 단위 영역으로서 목표 단위 영역을 결정한다. 예를 들면, 목표 단위 영역은 목표 위치 중 적어도 하나를 포함하는 모든 단위 영역을 포함할 수 있다. 일부 실시예에서, 목표 단위 영역 간의 거리는 목표 위치 간의 거리로부터 결정될 수 있다.
스텝 706에서, 프로세서(306)는 목표 단위 영역을 연결짓는(link) 목표 루트를 결정한다. 배달원은 목표 루트를 따라서 한번만 각 목표 단위 영역을 방문할 수 있다. 일부 실시예에서, 프로세서(306)는 다음과 같이 목표 루트를 결정할 수 있다.
프로세서(306)는 목표 단위 영역을 연결짓는 실행 가능한 배달 패턴 중 적어도 하나의 세트를 결정할 수 있다. 일부 실시예에서, 실행 가능한 배달 패턴은, 목표 위치를 포함시키고 미리 결정된 임계값보다 높은 스코어를 가질 수 있는, 스텝 406에서 생성된 모든 배달 패턴을 포함한다. 엔드 투 엔드 방식으로 실행 가능한 배달 패턴의 방문 시퀀스를 연결지음으로써, 목표 단위 영역들은 단일의 후보 루트로 연결지어질 수 있다. 일부 실시예에서, 단일의 후보 루트로 목표 단위 영역들을 연결지을 수 있는 실행 가능한 배달 패턴의 하나 이상의 조합이 존재할 수 있다. 다시 말해, 목표 단위 영역들을 연결짓기 위해 다수의 후보 루트가 존재할 수 있다. 그 경우에, 프로세서(306)는 다음과 같이 목표 루트를 결정할 수 있다.
그 다음에 프로세서(306)는 배달원이 목표 단위 영역을 방문하는 것에 대한 최단 시간을 가지는 실행 가능한 배달 패턴으로서 목표 루트를 결정할 수 있다. 일부 실시예에서, 스텝 704에서 결정된 단위 영역 간의 거리에 기초하여, 배달원이 목표 단위 영역을 방문하기 위해 후보 루트를 따라서 이동하는 것에 대한 기간이 추정될 수 있다. 목표 루트는 최단 기간을 가지는 후보 루트로서 결정될 수 있다.
본 개시는 그 특정 실시예를 참조하여 도시되고 설명되었지만, 본 개시는 다른 환경에서, 변경없이, 실시될 수 있음을 이해할 것이다. 전술한 설명은 예시의 목적으로 제시되었다. 그것은 개시된 정확한 형태나 실시예에 대해 총망라된 것이 아니며 이것으로 한정되는 것은 아니다. 개시된 실시예의 설명 및 실시를 고려하는 것으로부터 변경 및 조정이 통상의 기술자에게 명백할 것이다. 추가적으로, 비록 개시된 실시예의 형태가 메모리에 저장되는 것으로서 설명되었지만, 통상의 기술자는 이들 형태가 2차 저장 디바이스, 예를 들면, 하드디스크나 CD ROM, 또는 다른 형태의 RAM이나 ROM, USB 매체, DVD, 블루레이, 또는 다른 광 드라이브 매체와 같이, 다른 형태의 컴퓨터 판독 가능한 매체에 저장될 수도 있는 것을 이해할 것이다.
상술한 설명 및 개시된 방법에 기초한 컴퓨터 프로그램은 숙련된 개발자의 기술 내에 있다. 여러 프로그램 혹은 프로그램 모듈은 통상의 기술자에게 알려진 어느 기술을 이용하여 생성되거나, 또는 기존의 소프트웨어와 연결하여 설계될 수 있다. 예를 들면, 프로그램 섹션 혹은 프로그램 모듈은 닷넷 프레임워크, 닷넷 컴팩트 프레임워크(및 비주얼 베이식, C 등과 같은, 관련 언어), 자바, C++, 오브젝티브 C, HTML, HTML/AJAX 조합, XML, 또는 자바 애플릿이 포함된 HTML 내에서 혹은 그것들에 의해서 설계될 수 있다.
게다가, 여기에서는 예시적인 실시예가 설명되었지만, 본 개시에 기초하여 통상의 기술자가 이해할 수 있는 바와 같이, 일부 또는 모든 실시예의 범위는 동등한 요소, 변경, 생략, 조합(예로써, 여러 실시예에 걸치는 형태의 조합), 조정 및/또는 수정을 가질 수 있다. 청구범위 내의 제한 사항은 그 청구범위 내에 적용된 언어에 기초하여 폭넓게 이해되도록 하는 것이며, 응용의 수행 동안 혹은 본 명세서 내에 설명된 예시로 한정되는 것은 아니다. 그 예시는 비배타적으로 해석되도록 하기 위한 것이다. 추가로, 개시된 방법의 스텝은 어떤 다른 방법으로 변경되거나, 스텝을 재배열 및/또는 스텝을 삽입하거나 삭제하는 것을 포함할 수 있다. 그러므로, 설명 및 예시는 오직 예시적으로 고려되는 것이며, 진정한 범위 및 기술 사상은 다음의 청구범위 및 그 동등한 전체 범위에 의해 나타내지는 것으로 의도된다.

Claims (20)

  1. 패키지 픽업 및 배달을 위한 루트 선정의 장치로서,
    명령을 저장하는 메모리; 및
    상기 명령을 실행하도록 구성된 적어도 하나의 프로세서를 포함하며,
    상기 명령은:
    미리 결정된 위치들을 연결하는 미리 결정된 루트를 나타내는 데이터를 수신하고;
    상기 미리 결정된 루트를 따른 상기 미리 결정된 위치들의 순차적인 접근성에 기초하여 지역 내의 단위 영역들을 결정하고;
    제1 기계 학습 모델을 이용하여 적어도 하나의 훈련 배달 패턴에 대한 스코어를 결정하고;
    루트를 결정하는 배달 패턴들을 생성하고;
    상기 배달 패턴들을 이용하여 목표 위치들을 방문하기 위한 목표 루트를 결정하고; 그리고
    모바일 장치로 상기 목표 루트를 전송하는 패키지 픽업 및 배달을 위한 루트 선정의 장치.
  2. 청구항 1에 있어서,
    상기 단위 영역들은 제1 단위 영역 및 제2 단위 영역을 포함하고, 상기 제1 단위 영역 내의 모든 위치들은 상기 제2 단위 영역의 위치들을 방문하기 전에 방문되도록 구성되는 패키지 픽업 및 배달을 위한 루트 선정의 장치.
  3. 청구항 1에 있어서,
    상기 단위 영역들의 각각에 대해서 상기 단위 영역들 각각 내의 위치들의 주소에 대해 그래프 삽입 기법을 적용함으로써 벡터 표현을 결정하는 것을 더 포함하는 패키지 픽업 및 배달을 위한 루트 선정의 장치.
  4. 청구항 1에 있어서,
    상기 스코어는 방문 시퀀스를 따라 상기 단위 영역들 중 적어도 하나를 방문하는 것에 대한 효율성 수준을 나타내는 패키지 픽업 및 배달을 위한 루트 선정의 장치.
  5. 청구항 1에 있어서,
    상기 지역 내의 단위 영역들을 결정하는 것은:
    상기 지역 내의 배달 가능 위치들을 수신하고;
    제2 기계 학습 모델을 이용하여 상기 배달 가능 위치들의 각각에 대한 위치 벡터를 결정하고 - 2개의 위치 벡터 간의 거리는 배달 루트를 따른 상기 2개의 위치 벡터에 대응하는 2개의 위치의 순차적인 접근성을 나타냄 - ;
    상기 배달 가능 위치들의 각각에 대해서, 상기 배달 가능 위치들의 상기 위치 벡터 및 위치 속성을 포함하는 특성 벡터를 결정하고; 그리고
    상기 특성 벡터 간의 거리에 기초하여 상기 배달 가능 위치들을 그룹화함으로써 상기 단위 영역들을 결정하는 것을 더 포함하고;
    단위 영역으로 그룹화된 배달 가능 위치들의 특성 벡터 간의 거리는 미리 결정된 임계값 이내인 패키지 픽업 및 배달을 위한 루트 선정의 장치.
  6. 청구항 5에 있어서,
    상기 위치 속성은 지리 좌표, 빌딩 번호, 지역 이름, 도로 이름 또는 우편 번호 중 적어도 하나를 포함하는 패키지 픽업 및 배달을 위한 루트 선정의 장치.
  7. 청구항 5에 있어서,
    상기 제2 기계 학습 모델은 뉴럴 네트워크 모델을 포함하고, 그리고
    상기 적어도 하나의 프로세서는 추가로:
    상기 미리 결정된 위치들 각각에 대해 위치 벡터를 결정하고 - 상기 위치 벡터의 요소는 상기 미리 결정된 위치들 각각의 주소의 속성을 포함함 - ;
    상기 뉴럴 네트워크 모델에 현재 위치의 위치 벡터를 입력함으로써 상기 미리 결정된 위치들의 상기 현재 위치에 대한 확률값을 결정하고 - 각 확률값은 상기 미리 결정된 위치들 중 하나에 대응하고 상기 미리 결정된 위치들 중 상기 하나가 상기 현재 위치 바로 다음에 방문될 확률을 나타냄 - ;
    상기 미리 결정된 루트에 따른 상기 현재 위치 바로 다음의 차후 위치가 최고 확률값에 대응하는지 여부를 결정하고;
    상기 차후 위치가 상기 최고 확률값에 대응하지 않는다는 결정에 기초하여 상기 뉴럴 네트워크 모델의 파라미터를 업데이트하고; 그리고
    상기 차후 위치가 상기 최고 확률값에 대응한다는 결정에 기초하여 상기 뉴럴 네트워크 모델에 상기 차후 위치의 위치 벡터를 입력함으로써 상기 차후 위치에 대한 확률값을 결정하는 명령을 실행하도록 구성된 패키지 픽업 및 배달을 위한 루트 선정의 장치.
  8. 청구항 7에 있어서,
    상기 적어도 하나의 프로세서는 추가로:
    상기 미리 결정된 루트에 따른 상기 미리 결정된 위치들 각각의 다음의 위치가 상기 미리 결정된 위치들 각각에 대해서 상기 뉴럴 네트워크 모델에 의해 결정된 확률값 중 최고 확률값에 대응한다는 결정에 기초하여 상기 배달 가능 위치들 각각에 대해서 상기 위치 벡터를 결정하기 위한 상기 뉴럴 네트워크 모델을 결정하는 명령을 실행하도록 구성된 패키지 픽업 및 배달을 위한 루트 선정의 장치.
  9. 청구항 1에 있어서,
    상기 제1 기계 학습 모델은 뉴럴 네트워크 모델을 포함하고, 그리고
    상기 배달 패턴을 생성하도록 구성된 상기 적어도 하나의 프로세서는 추가로:
    상기 단위 영역들을 이용하여 후보 배달 패턴들을 결정하고 - 각 후보 배달 패턴은 방문 시퀀스로 순서가 정해진 상기 단위 영역들 중 적어도 하나를 포함함 - ;
    상기 후보 배달 패턴 내에 상기 단위 영역들 중 상기 적어도 하나의 벡터 표현을 더함으로써 각 후보 배달 패턴의 벡터 표현을 결정하고;
    제1 기계 학습 모델에 각 후보 배달 패턴의 상기 벡터 표현을 입력함으로써 각 후보 배달 패턴에 대한 스코어를 결정하고; 그리고
    미리 결정된 임계값보다 높은 스코어를 가지는 후보 배달 패턴으로서 상기 배달 패턴을 생성하는 명령을 실행하도록 구성된 패키지 픽업 및 배달을 위한 루트 선정의 장치.
  10. 청구항 1에 있어서,
    상기 적어도 하나의 프로세서는 추가로:
    방문할 상기 목표 위치들을 포함하는 태스크 데이터를 수신하고;
    상기 목표 위치들을 포함시키는 단위 영역으로서 목표 단위 영역들을 결정하고; 그리고
    상기 목표 단위 영역들을 연결짓는 상기 목표 루트를 결정하는 명령을 실행하도록 구성되며,
    각 목표 단위 영역은 상기 목표 루트를 따라서 한번만 방문되도록 하는 것인 패키지 픽업 및 배달을 위한 루트 선정의 장치.
  11. 청구항 10에 있어서,
    상기 제1 기계 학습 모델은 뉴럴 네트워크 모델을 포함하고, 그리고
    상기 목표 단위 영역들을 연결짓는 상기 목표 루트를 결정하도록 구성된 상기 적어도 하나의 프로세서는 추가로:
    상기 목표 단위 영역들을 연결짓는 실행 가능한 배달 패턴들 중 적어도 하나의 세트를 결정하고; 그리고
    모든 상기 목표 단위 영역들을 방문하는 것에 대한 최단 시간을 가지는 실행 가능한 배달 패턴으로서 상기 목표 루트를 결정하는 명령을 실행하도록 구성된 패키지 픽업 및 배달을 위한 루트 선정의 장치.
  12. 패키지 픽업 및 배달을 위한 루트 선정의 컴퓨터 구현 방법으로서,
    미리 결정된 위치들을 연결하는 미리 결정된 루트를 나타내는 데이터를 수신하고;
    적어도 하나의 프로세서에 의해, 상기 미리 결정된 루트를 따른 상기 미리 결정된 위치들의 순차적인 접근성에 기초하여 지역 내의 단위 영역들을 결정하고;
    상기 적어도 하나의 프로세서에 의해, 제1 기계 학습 모델을 이용하여 적어도 하나의 훈련 배달 패턴에 대한 스코어를 결정하고;
    상기 적어도 하나의 프로세서에 의해, 루트를 결정하는 배달 패턴들을 생성하고;
    상기 적어도 하나의 프로세서에 의해, 상기 배달 패턴들을 이용하여 목표 위치들을 방문하기 위한 목표 루트를 결정하고; 그리고
    모바일 장치로 상기 목표 루트를 전송하는 것을 포함하는 패키지 픽업 및 배달을 위한 루트 선정의 컴퓨터 구현 방법.
  13. 청구항 12에 있어서,
    상기 스코어는 방문 시퀀스를 따라 상기 단위 영역들 중 적어도 하나를 방문하는 것에 대한 효율성 수준을 나타내는 패키지 픽업 및 배달을 위한 루트 선정의 컴퓨터 구현 방법.
  14. 청구항 12에 있어서,
    상기 단위 영역을 결정하는 것은:
    상기 지역 내의 배달 가능 위치들을 수신하고;
    제2 기계 학습 모델을 이용하여 상기 배달 가능 위치들의 각각에 대한 위치 벡터를 결정하고 - 2개의 위치 벡터 간의 거리는 배달 루트를 따른 상기 2개의 위치 벡터에 대응하는 2개의 위치의 순차적인 접근성을 나타냄 - ;
    상기 배달 가능 위치들의 각각에 대해서, 상기 배달 가능 위치들의 상기 위치 벡터 및 위치 속성을 포함하는 특성 벡터를 결정하고; 그리고
    상기 특성 벡터 간의 거리에 기초하여 상기 배달 가능 위치를 그룹화함으로써 상기 단위 영역들을 결정하는 것을 더 포함하고;
    단위 영역으로 그룹화된 배달 가능 위치들의 특성 벡터 간의 거리는 미리 결정된 임계값 이내인 패키지 픽업 및 배달을 위한 루트 선정의 컴퓨터 구현 방법.
  15. 청구항 14에 있어서,
    상기 위치 속성은 지리 좌표, 빌딩 번호, 지역 이름, 도로 이름 또는 우편 번호 중 적어도 하나를 포함하는 패키지 픽업 및 배달을 위한 루트 선정의 컴퓨터 구현 방법.
  16. 청구항 14에 있어서,
    상기 제2 기계 학습 모델은 뉴럴 네트워크 모델을 포함하고, 그리고
    상기 방법은:
    상기 미리 결정된 위치들 각각에 대해 위치 벡터를 결정하고 - 상기 위치 벡터의 요소는 상기 미리 결정된 위치들 각각의 주소의 속성을 포함함 - ;
    상기 뉴럴 네트워크 모델에 현재 위치의 위치 벡터를 입력함으로써 상기 미리 결정된 위치들의 상기 현재 위치에 대한 확률값을 결정하고 - 각 확률값은 상기 미리 결정된 위치들 중 하나에 대응하고 상기 미리 결정된 위치들 중 상기 하나가 상기 현재 위치 바로 다음에 방문될 확률을 나타냄 - ;
    상기 미리 결정된 루트에 따른 상기 현재 위치 바로 다음의 차후 위치가 최고 확률값에 대응하는지 여부를 결정하고;
    상기 차후 위치가 상기 최고 확률값에 대응하지 않는다는 결정에 기초하여 상기 뉴럴 네트워크 모델의 파라미터를 업데이트하고; 그리고
    상기 차후 위치가 상기 최고 확률값에 대응한다는 결정에 기초하여 상기 뉴럴 네트워크 모델에 상기 차후 위치의 위치 벡터를 입력함으로써 상기 차후 위치에 대한 확률값을 결정하는 것을 더 포함하는 패키지 픽업 및 배달을 위한 루트 선정의 컴퓨터 구현 방법.
  17. 청구항 16에 있어서,
    상기 미리 결정된 루트에 따른 상기 미리 결정된 위치들 각각의 다음의 위치가 상기 미리 결정된 위치들 각각에 대해서 상기 뉴럴 네트워크 모델에 의해 결정된 확률값 중 최고 확률값에 대응한다는 결정에 기초하여 상기 배달 가능 위치들 각각에 대해서 상기 위치 벡터를 결정하기 위한 상기 뉴럴 네트워크 모델을 결정하는 것을 더 포함하는 패키지 픽업 및 배달을 위한 루트 선정의 컴퓨터 구현 방법.
  18. 청구항 12에 있어서,
    각 훈련 배달 패턴은 최대 3개의 단위 영역을 포함하는 패키지 픽업 및 배달을 위한 루트 선정의 컴퓨터 구현 방법.
  19. 청구항 12에 있어서,
    상기 제1 기계 학습 모델은 뉴럴 네트워크 모델을 포함하고, 그리고
    상기 배달 패턴을 생성하는 것은:
    상기 단위 영역들을 이용하여 후보 배달 패턴들을 결정하고 - 각 후보 배달 패턴은 방문 시퀀스로 순서가 정해진 상기 단위 영역들 중 적어도 하나를 포함함 - ;
    상기 후보 배달 패턴 내에 상기 단위 영역들 중 상기 적어도 하나의 벡터 표현을 더함으로써 각 후보 배달 패턴의 벡터 표현을 결정하고;
    상기 제1 기계 학습 모델에 각 후보 배달 패턴의 상기 벡터 표현을 입력함으로써 각 후보 배달 패턴에 대한 스코어를 결정하고; 그리고
    미리 결정된 임계값보다 높은 스코어를 가지는 후보 배달 패턴으로서 상기 배달 패턴을 생성하는 것을 포함하는 패키지 픽업 및 배달을 위한 루트 선정의 컴퓨터 구현 방법.
  20. 청구항 14에 있어서,
    방문할 상기 목표 위치들을 포함하는 태스크 데이터를 수신하고;
    상기 목표 위치들을 포함시키는 단위 영역으로서 목표 단위 영역들을 결정하고; 그리고
    상기 목표 단위 영역들을 연결짓는 상기 목표 루트를 결정하는 것을 더 포함하며,
    각 목표 단위 영역은 상기 목표 루트를 따라서 한번만 방문되도록 하는 것인 패키지 픽업 및 배달을 위한 루트 선정의 컴퓨터 구현 방법.
KR1020210143572A 2019-03-01 2021-10-26 전자상거래 풀필먼트를 위한 효율적인 루트 선정의 시스템, 장치 및 방법 KR102476482B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/290,040 2019-03-01
US16/290,040 US10565543B1 (en) 2019-03-01 2019-03-01 Systems, apparatuses, and methods of efficient route planning for e-commerce fulfillment
KR1020190057666A KR102320179B1 (ko) 2019-03-01 2019-05-17 전자상거래 풀필먼트를 위한 효율적인 루트 선정의 시스템, 장치 및 방법

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020190057666A Division KR102320179B1 (ko) 2019-03-01 2019-05-17 전자상거래 풀필먼트를 위한 효율적인 루트 선정의 시스템, 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210131967A true KR20210131967A (ko) 2021-11-03
KR102476482B1 KR102476482B1 (ko) 2022-12-13

Family

ID=69528338

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020190057666A KR102320179B1 (ko) 2019-03-01 2019-05-17 전자상거래 풀필먼트를 위한 효율적인 루트 선정의 시스템, 장치 및 방법
KR1020210143572A KR102476482B1 (ko) 2019-03-01 2021-10-26 전자상거래 풀필먼트를 위한 효율적인 루트 선정의 시스템, 장치 및 방법

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020190057666A KR102320179B1 (ko) 2019-03-01 2019-05-17 전자상거래 풀필먼트를 위한 효율적인 루트 선정의 시스템, 장치 및 방법

Country Status (9)

Country Link
US (2) US10565543B1 (ko)
EP (1) EP3797393A4 (ko)
JP (2) JP6945076B2 (ko)
KR (2) KR102320179B1 (ko)
AU (2) AU2020104455A4 (ko)
PH (1) PH12020551782A1 (ko)
SG (1) SG11202011416SA (ko)
TW (2) TWI727667B (ko)
WO (1) WO2020178650A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024071500A1 (ko) * 2022-09-30 2024-04-04 쿠팡 주식회사 배송 주문을 처리하는 전자 장치 및 그 방법

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11068832B1 (en) * 2018-08-31 2021-07-20 VuTrans Solutions LLC System and method for identifying freight capacity
US10467563B1 (en) * 2019-02-18 2019-11-05 Coupang, Corp. Systems and methods for computerized balanced delivery route pre-assignment
US10467562B1 (en) * 2019-02-18 2019-11-05 Coupang, Corp. Systems and methods for computerized balanced delivery route assignment
US10565543B1 (en) 2019-03-01 2020-02-18 Coupang, Corp. Systems, apparatuses, and methods of efficient route planning for e-commerce fulfillment
US20210081894A1 (en) * 2019-09-13 2021-03-18 NEC Laboratories Europe GmbH Constrained vehicle routing using clusters
CN112288347A (zh) * 2020-02-21 2021-01-29 北京京东振世信息技术有限公司 冷链配送的路线确定方法、装置、服务器及存储介质
CN111222828A (zh) * 2020-02-27 2020-06-02 江苏满运软件科技有限公司 相似货主的确定方法、装置、计算机设备及存储介质
CN111445191B (zh) * 2020-03-30 2024-02-27 拉扎斯网络科技（上海）有限公司 一种配送难度的预估方法、装置和存储介质
CN111461430A (zh) * 2020-03-31 2020-07-28 北京百度网讯科技有限公司 用于生成路线信息的方法及装置
CN111664851B (zh) * 2020-06-11 2022-02-01 哈尔滨工业大学 基于序列优化的机器人状态规划方法、装置及存储介质
GB2601623A (en) 2020-11-17 2022-06-08 Walmart Apollo Llc Methods and apparatus for automatic route assignment
KR102270015B1 (ko) 2020-12-02 2021-06-28 쿠팡 주식회사 물류 창고의 반출을 관리하는 전자 장치 및 그 제어 방법
KR20230018966A (ko) 2021-07-30 2023-02-07 주식회사 디투시스 판매 지역 및 기간 설정이 가능한 상품 판매 및 구매 서비스 제공 시스템 및 방법
KR102431289B1 (ko) * 2021-12-09 2022-08-11 쿠팡 주식회사 아이템 배달 정보 제공 방법 및 그 장치
TWI828105B (zh) * 2022-04-01 2024-01-01 國立陽明交通大學 一種物流處理系統及其方法
KR20230166291A (ko) * 2022-05-30 2023-12-07 쿠팡 주식회사 배달 업무 관련 정보를 제공하는 전자 장치 및 그 방법
CN114881579A (zh) * 2022-07-11 2022-08-09 北京云迹科技股份有限公司 配送路径的确定方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990025643A (ko) * 1997-09-13 1999-04-06 강말길 물류 배송 관리방법
KR20160070699A (ko) * 2014-12-10 2016-06-20 티라텍(주) 권역지정을 통한 자동배차계획 설계방법
JP2018026086A (ja) * 2016-08-08 2018-02-15 メッシュ コリア カンパニー リミテッドＭｅｓｈ Ｋｏｒｅａ Ｃｏ．， Ｌｔｄ． 配送経路を学習して配送計画を生成する装置及び方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7363126B1 (en) * 2002-08-22 2008-04-22 United Parcel Service Of America Core area territory planning for optimizing driver familiarity and route flexibility
US8560223B2 (en) 2002-08-29 2013-10-15 Mapquest, Inc. Automated route determination
JP2004238129A (ja) 2003-02-05 2004-08-26 Jfe Steel Kk 配送計画立案方法およびその装置
JP2005158046A (ja) 2003-10-31 2005-06-16 Matsushita Electric Ind Co Ltd 担当者采配システム及び担当者采配方法
TW200816076A (en) 2006-09-19 2008-04-01 Xiao-Peng Li Mail distribution system
US20090048890A1 (en) 2007-08-16 2009-02-19 Burgh Stuart G Delivery Management System for Quick Service Restaurants
JP2010078571A (ja) 2008-09-29 2010-04-08 Miyagi Seikatsu Kyodo Kumiai 配達用地図作成装置、配達用地図作成方法、及び配達用地図作成プログラム
CN105224994A (zh) * 2014-07-03 2016-01-06 富士通株式会社 预测停留时间的装置和方法、确定投递路径的设备和方法
JP6439400B2 (ja) * 2014-11-17 2018-12-19 富士通株式会社 配送計画プログラム、配送計画方法、および配送計画装置
US9792575B2 (en) * 2016-03-11 2017-10-17 Route4Me, Inc. Complex dynamic route sequencing for multi-vehicle fleets using traffic and real-world constraints
US10380534B2 (en) 2016-03-11 2019-08-13 Route4Me, Inc. Autonomous supply and distribution chain
CN109076312A (zh) 2016-03-23 2018-12-21 福特全球技术公司 用于提供移动网络的系统和方法
DE112016006835B4 (de) 2016-06-06 2023-09-21 Ford Global Technologies, Llc System, verfahren und vorrichtungen für automatisierte fahrzeug- und drohnenlieferung
JP2018073032A (ja) 2016-10-27 2018-05-10 株式会社エステンナイン京都 配送支援のための情報処理装置および配送システムならびに配送支援方法
CN106779529A (zh) 2016-11-23 2017-05-31 合肥壹客送网络科技有限公司 一种商品货物配送方法及系统
US10930157B2 (en) * 2017-04-26 2021-02-23 Dropoff, Inc. Systems and methods for automated real-time and advisory routing within a fleet of geographically distributed drivers
KR101950996B1 (ko) 2017-05-12 2019-02-22 카페24 주식회사 택배서비스 운영 방법 및 장치, 통합 택배 서비스 시스템
US20190114564A1 (en) * 2017-10-18 2019-04-18 United Parcel Service Of America, Inc. Enriched Logistics System for Unmanned Vehicle Delivery of Parcels
US10565543B1 (en) 2019-03-01 2020-02-18 Coupang, Corp. Systems, apparatuses, and methods of efficient route planning for e-commerce fulfillment

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990025643A (ko) * 1997-09-13 1999-04-06 강말길 물류 배송 관리방법
KR20160070699A (ko) * 2014-12-10 2016-06-20 티라텍(주) 권역지정을 통한 자동배차계획 설계방법
JP2018026086A (ja) * 2016-08-08 2018-02-15 メッシュ コリア カンパニー リミテッドＭｅｓｈ Ｋｏｒｅａ Ｃｏ．， Ｌｔｄ． 配送経路を学習して配送計画を生成する装置及び方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024071500A1 (ko) * 2022-09-30 2024-04-04 쿠팡 주식회사 배송 주문을 처리하는 전자 장치 및 그 방법

Also Published As

Publication number Publication date
TW202129568A (zh) 2021-08-01
JP2022000783A (ja) 2022-01-04
KR20200105737A (ko) 2020-09-09
JP6945076B2 (ja) 2021-10-06
TWI792250B (zh) 2023-02-11
EP3797393A1 (en) 2021-03-31
KR102320179B1 (ko) 2021-11-02
JP2021513132A (ja) 2021-05-20
TWI727667B (zh) 2021-05-11
US11403590B2 (en) 2022-08-02
AU2020231084A1 (en) 2020-11-19
PH12020551782A1 (en) 2021-06-07
JP7266649B2 (ja) 2023-04-28
KR102476482B1 (ko) 2022-12-13
TW202038155A (zh) 2020-10-16
US10565543B1 (en) 2020-02-18
AU2020104455A4 (en) 2021-09-30
WO2020178650A1 (en) 2020-09-10
SG11202011416SA (en) 2020-12-30
EP3797393A4 (en) 2022-03-09
US20200279220A1 (en) 2020-09-03

Similar Documents

Publication Publication Date Title
KR102320179B1 (ko) 전자상거래 풀필먼트를 위한 효율적인 루트 선정의 시스템, 장치 및 방법
KR102435225B1 (ko) 컴퓨터 밸런싱된 배달 루트 할당을 위한 시스템 및 방법
KR102455378B1 (ko) 컴퓨터 밸런싱된 배달 루트 사전-할당을 위한 시스템 및 방법
KR102448968B1 (ko) 모듈러 캠프 분류 및 다이내믹 로딩 레이아웃 생성을 위한 시스템 및 방법
KR102549774B1 (ko) 컴퓨터 구현 인공 지능 배치 픽업 최적화 및 통신을 위한 시스템 및 방법
KR102548216B1 (ko) 비용 최적화된 구성을 생성하기 위한 패키지 구성의 시뮬레이션을 위한 시스템 및 방법
KR20210035012A (ko) 아웃바운드 예측을 위한 시스템 및 방법
JP2023546629A (ja) アイテム取得割り当て効率を最適化するためのシステムおよびコンピュータ化された方法
KR20210091094A (ko) 지역 민감성 해싱 및 지역 아웃라이어 요소 알고리즘을 이용하여 부정 트랜잭션을 검출하기 위한 컴퓨터-구현 방법
KR20240007737A (ko) 제품 추천을 생성하기 위해 인공 지능을 사용하는 컴퓨터 시스템 및 방법
TW202230235A (zh) 用於處理所退貨物件的電腦實行系統及電腦實行方法、以及非暫時性電腦可讀媒體
JP2021533432A (ja) 郵便番号マッピングに基づくアウトバウンドの予測のためのシステムおよび方法
KR20220057501A (ko) 커스텀 풀필먼트 센터를 위한 최상위 아이템을 결정하는 컴퓨터 구현 시스템 및 방법
KR20220029794A (ko) 주문의 온디멘드 분해 및 풀필먼트에 대한 아이템 조합의 긴급도 기반 식별을 위한 시스템 및 방법
KR20210025447A (ko) 개선된 k-평균 클러스터링 알고리즘을 이용하여 부정 트랜잭션을 검출하기 위한 컴퓨터-구현 방법
KR102354732B1 (ko) 제품 타이틀 부정확성을 검출하기 위한 컴퓨터화된 시스템 및 방법

Legal Events

Date Code Title Description
A107 Divisional application of patent
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant