KR102447122B1 - 인공지능 기반의 환적배차 서비스 제공 장치 및 방법 - Google Patents
인공지능 기반의 환적배차 서비스 제공 장치 및 방법 Download PDFInfo
- Publication number
- KR102447122B1 KR102447122B1 KR1020200093482A KR20200093482A KR102447122B1 KR 102447122 B1 KR102447122 B1 KR 102447122B1 KR 1020200093482 A KR1020200093482 A KR 1020200093482A KR 20200093482 A KR20200093482 A KR 20200093482A KR 102447122 B1 KR102447122 B1 KR 102447122B1
- Authority
- KR
- South Korea
- Prior art keywords
- dispatch
- cargo
- information
- transshipment
- freight
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000010835 comparative analysis Methods 0.000 claims description 4
- 210000002741 palatine tonsil Anatomy 0.000 claims description 2
- 230000032258 transport Effects 0.000 description 29
- 230000008569 process Effects 0.000 description 17
- 238000007726 management method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G06Q50/28—
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
본 발명은 인공지능 기반의 환적배차 서비스 제공 장치 및 방법에 관한 것으로, 상기 장치는 화물운송 요청에 연관되는 편도화물 및 복귀화물 각각의 화물정보를 수신하는 화물정보 수신부; 상기 화물정보를 기초로 상기 편도화물 및 복귀화물에 대한 화물운송을 순차적으로 처리하기 위한 복화배차 정보를 생성하는 복화배차 생성부; 복수의 복화배차 정보들을 군집화 하여 복수의 복화배차 그룹들을 생성하는 복화배차 그룹 생성부; 각 복화배차 그룹에 대해 중간 경유지를 결정하고 상기 중간 경유지에서의 화물환적에 따른 결과를 예측하는 화물환적 예측부; 및 상기 예측된 결과에 대한 승인을 수신한 경우 해당 복화배차 그룹의 복화배차 정보를 갱신하여 환적배차 정보를 생성하는 환적배차 생성부를 포함한다.
Description
본 발명은 환적배차 서비스 제공 기술에 관한 것으로, 보다 상세하게는 인공지능을 기초로 중간 경유지를 동적으로 설정하여 화물차량 간의 환적을 제공하는 인공지능 기반의 환적배차 서비스 제공 장치 및 방법에 관한 것이다.
한국교통연구원의 보고에 의하면, 화물차의 하루 평균 통행회수는 2.95회(적재통행 1.6회, 공차통행 1.4회)로 조사되었다. 공차통행이란 화물차가 화물을 싣지 않고 운행하는 것을 말하며, 공차통행 비율이 높을수록 물류시스템이 비효율적이라는 의미한다.
한국교통연구원의 설문조사를 통해 조사된 바에 의하면, 약 42,000대의 화물차가 하루 동안 약 13만회의 통행을 하는데, 이 중 공차통행의 비율은 45.2%로 매우 높게 나타났다. 특히, 공차통행을 하는 차량은 1톤이하 화물차와 2.5 ~ 8.5톤 화물차가 가장 많은 비율을 차지하였으며, 2.5 ~ 8.5톤 화물차의 공차통행은 시군구 간의 통행보다 상대적으로 통행거리가 긴 광역시 간의 통행에서 보다 높게 나타났다.
한편, 화물차주는 편도화물을 배정받을 때 공차로 복귀하는 부분을 고려하여 운임을 책정하며, 화물을 보내는 화주는 이를 감수한 운임을 지급하고 있는데, 해당 운임을 받더라도 화물차주 또한 시간적, 비용적 손실을 감수해야 한다. 이러한 문제는 편도 운송 완료 후 복귀 시에도 화물 운송이 가능한 경우 해결할 수 있으며, 최근 공유경제를 통해 트럭의 공차 운행률을 낮추려는 시도가 존재한다.
본 발명의 일 실시예는 인공지능을 기초로 중간 경유지를 동적으로 설정하여 화물차량 간의 환적을 제공하는 인공지능 기반의 환적배차 서비스 제공 장치 및 방법을 제공하고자 한다.
본 발명의 일 실시예는 인공지능을 기초로 화물 환적을 위한 최적의 중간 경유지를 동적으로 결정하여 공차운행에 따른 물류비 손실을 최소화할 수 있는 인공지능 기반의 환적배차 서비스 제공 장치 및 방법을 제공하고자 한다.
본 발명의 일 실시예는 환적배차를 통해 복귀운임의 할인 및 편도운임의 절충을 제공하여 차주 및 화주 모두의 경제적인 손실을 줄일 수 있는 인공지능 기반의 환적배차 서비스 제공 장치 및 방법을 제공하고자 한다.
실시예들 중에서, 인공지능 기반의 환적배차 서비스 제공 장치는 화물운송 요청에 연관되는 편도화물 및 복귀화물 각각의 화물정보를 수신하는 화물정보 수신부; 상기 화물정보를 기초로 상기 편도화물 및 복귀화물에 대한 화물운송을 순차적으로 처리하기 위한 복화배차 정보를 생성하는 복화배차 생성부; 복수의 복화배차 정보들을 군집화 하여 복수의 복화배차 그룹들을 생성하는 복화배차 그룹 생성부; 각 복화배차 그룹에 대해 중간 경유지를 결정하고 상기 중간 경유지에서의 화물환적에 따른 결과를 예측하는 화물환적 예측부; 및 상기 예측된 결과에 대한 승인을 수신한 경우 해당 복화배차 그룹의 복화배차 정보를 갱신하여 환적배차 정보를 생성하는 환적배차 생성부를 포함한다.
상기 복화배차 정보 및 상기 환적배차 정보 각각은 상기 편도화물 및 복귀화물 간의 매칭정보 -상기 매칭정보는 1:1, 1:n, n:1 및 n:n 중 어느 하나에 해당함- 를 포함할 수 있다.
상기 AI 모델은 상기 화물정보를 기초로 상기 화물운송이 완료된 화물배차 정보를 데이터화 하는 단계; 상기 화물배차 정보를 상기 화물 및 차량에 관한 복수의 조합들로 분류하는 단계; 상기 복수의 조합들 각각에 대해 상차지와 하차지를 포함하고 각 화물배차 정보에 대응되는 화물운송 경로를 식별하는 단계; 상기 상차지와 하차지 각각의 유사도를 기초로 화물운송 경로들을 군집화 하는 단계; 및 상기 분류 결과와 상기 군집화 결과를 포함하는 학습 데이터를 생성하여 학습하는 단계를 통해 구축될 수 있다.
상기 화물환적 예측부는 복화배차 그룹의 복화배차 정보들과 연관되는 상차지들 및 하차지들 중 어느 하나를 상기 중간 경유지로서 결정할 수 있다.
상기 화물환적 예측부는 상기 중간 경유지를 기초로 상기 화물환적이 가능한 후보 복화배차 정보들을 결정하는 단계; 상기 후보 복화배차 정보들 각각의 화물정보에 상기 화물환적을 적용하여 예비 환적배차 정보들을 생성하는 단계; 및 상기 예비 환적배차 정보들을 기초로 상기 화물배차의 처리를 위한 배차단가를 예측하는 단계를 통해 동작할 수 있다.
상기 환적배차 생성부는 상기 예비 환적배차 정보들의 편도화물 및 복귀화물을 각각 분리하는 단계; 상기 분리된 편도화물 및 복귀화물에 관한 후보 조합들을 생성하는 단계; 및 상기 후보 조합들에 관한 비교분석을 통해 최적 조합을 결정하고 해당 최적 조합을 기초로 상기 환적배차 정보를 생성하는 단계를 통해 동작할 수 있다.
상기 화물환적 예측부는 적어도 두개의 복화배차 그룹들에 대해 상기 중간 경유지를 결정하고, 상기 환적배차 생성부는 상기 AI 모델의 입력 데이터로서 상기 적어도 두개의 복화배차 그룹들 및 상기 중간 경유지에 관한 정보를 포함시킬 수 있다.
실시예들 중에서, 인공지능 기반의 환적배차 서비스 제공 방법은 화물운송 요청에 연관되는 편도화물 및 복귀화물 각각의 화물정보를 수신하는 단계; 상기 화물정보를 기초로 상기 편도화물 및 복귀화물에 대한 화물운송을 순차적으로 처리하기 위한 복화배차 정보를 생성하는 단계; 복수의 복화배차 정보들을 군집화 하여 복수의 복화배차 그룹들을 생성하는 단계; 각 복화배차 그룹에 대해 중간 경유지를 결정하고 상기 중간 경유지에서의 화물환적에 따른 결과를 예측하는 단계; 및 상기 예측된 결과에 대한 승인을 수신한 경우 해당 복화배차 그룹의 복화배차 정보를 갱신하여 환적배차 정보를 생성하는 단계를 포함한다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 인공지능 기반의 환적배차 서비스 제공 장치 및 방법은 인공지능을 기초로 화물 환적을 위한 최적의 중간 경유지를 동적으로 결정하여 공차운행에 따른 물류비 손실을 최소화할 수 있다.
본 발명의 일 실시예에 따른 인공지능 기반의 환적배차 서비스 제공 장치 및 방법은 환적배차를 통해 복귀운임의 할인 및 편도운임의 절충을 제공하여 차주 및 화주 모두의 경제적인 손실을 줄일 수 있다.
도 1은 본 발명에 따른 환적배차 서비스 제공 시스템을 설명하는 도면이다.
도 2는 도 1의 환적배차 서비스 제공 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 환적배차 서비스 제공 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명의 일 실시예에 따른 인공지능 기반의 환적배차 서비스 제공 과정을 설명하는 순서도이다.
도 5 및 6은 본 발명에 따른 환적배차 서비스 제공 과정을 설명하는 도면이다.
도 2는 도 1의 환적배차 서비스 제공 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 환적배차 서비스 제공 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명의 일 실시예에 따른 인공지능 기반의 환적배차 서비스 제공 과정을 설명하는 순서도이다.
도 5 및 6은 본 발명에 따른 환적배차 서비스 제공 과정을 설명하는 도면이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명에 따른 환적배차 서비스 제공 시스템을 설명하는 도면이다.
도 1을 참조하면, 환적배차 서비스 제공 시스템(100)은 차주 단말(110), 화주 단말(130), 환적배차 서비스 제공 장치(150) 및 데이터베이스(170)를 포함할 수 있다.
차주 단말(110)은 화물운송을 제공하는 물류기업에서 운용하는 컴퓨팅 장치에 해당할 수 있고, 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 차주 단말(110)은 환적배차 서비스 제공 장치(150)와 네트워크를 통해 연결될 수 있고, 복수의 차주 단말(110)들은 환적배차 서비스 제공 장치(150)와 동시에 연결될 수 있다. 또한, 차주 단말(110)은 전용 프로그램을 통해 화물운송 주문을 접수하고 화물운송을 위한 화물배차 및 처리를 위한 통합 시스템을 제공할 수 있다.
일 실시예에서, 차주 단말(110)은 화물운송 주문을 접수 및 관리하는 주문 관리 모듈, 화물배차에 따른 운송현황을 관리하는 운송 관리 모듈 및 화물배차를 위한 화물차량에 관한 정보를 저장하는 차량 데이터베이스를 포함하여 구현될 수 있다.
화주 단말(130)은 화물운송을 요청하는 화물기업에서 운용하는 컴퓨팅 장치에 해당할 수 있고, 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 화주 단말(130)은 환적배차 서비스 제공 장치(150)와 네트워크를 통해 연결될 수 있고, 복수의 화주 단말(130)들은 환적배차 서비스 제공 장치(150)와 동시에 연결될 수 있다. 또한, 화주 단말(130)은 전용 프로그램을 통해 화물운송 주문을 입력하고 운송현황을 포함하여 화물 재고 및 관리를 위한 통합 시스템을 제공할 수 있다.
일 실시예에서, 화주 단말(130)은 화물운송 주문을 관리하는 주문 관리 모듈, 화물운송에 따른 재고를 관리하는 재고 관리 모듈 및 화물정보를 저장하는 화물 데이터베이스를 포함하여 구현될 수 있다.
환적배차 서비스 제공 장치(150)는 기존의 화물 배송 시스템의 단점을 보완하고 화물운송 빅데이터에 기반한 딥러닝으로 구축된 인공지능을 적용하여 환적배차 서비스를 제공할 수 있는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 여기에서, 환적배차 서비스는 상차지와 하차지 사이에 중간 경유지를 설정하고 해당 중간 경유지를 기점으로 화물차량 간의 화물 환적을 통해 화물 운송을 제공하기 위한 화물배차를 제공하는 서비스에 해당할 수 있다.
한편, 복화배차 서비스는 특정 화물의 운송 완료 후 출발지로의 복귀 시에도 다른 화물의 운송이 가능하도록 편도화물과 복귀화물에 대한 화물운송 주문을 하나로 통합하여 화물배차를 제공하는 서비스에 해당할 수 있다. 즉, 편도화물은 상차지에서 하차지로 운송되는 화물에 해당할 수 있고, 복귀화물은 역으로 하차지에서 상차지로 운송되는 화물에 해당할 수 있다.
환적배차 서비스 제공 장치(150)는 차주 단말(110) 및 화주 단말(130)과 네트워크를 통해 연결되어 데이터를 주고받을 수 있다. 또한, 환적배차 서비스 제공 장치(150)는 화물운송 주문을 처리하기 위한 화물배차를 제공하고 관리하기 위한 통합 시스템을 제공할 수 있다. 예를 들어, 환적배차 서비스 제공 장치(150)는 자동 주문관리, 자동 라우팅, 자동 배차관리, 실시간 차량관제, 최적화 단가산출 및 예상물량 산출 등의 부가기능을 제공할 수 있다.
일 실시예에서, 환적배차 서비스 제공 장치(150)는 데이터베이스(170)와 연동하여 인공지능 기반 환적배차 서비스 제공에 필요한 다양한 데이터를 저장할 수 있다. 또한, 환적배차 서비스 제공 장치(150)는 프로세서, 메모리, 사용자 입출력부 및 네트워크 입출력부를 포함하여 구현될 수 있으며, 이에 대해서는 도 2에서 보다 자세히 설명한다.
데이터베이스(170)는 환적배차 서비스 제공 장치(150)의 동작 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 데이터베이스(170)는 다양한 화물차량, 차주 및 화주에 관한 정보를 저장할 수 있고, 복화배차 및 환적배차 정보들을 생성하는 AI 모델에 관한 정보를 저장할 수 있으며, 반드시 이에 한정되지 않고, 환적배차 서비스 제공 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.
도 2는 도 1의 환적배차 서비스 제공 장치의 시스템 구성을 설명하는 도면이다.
도 2를 참조하면, 환적배차 서비스 제공 장치(150)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함하여 구현될 수 있다.
프로세서(210)는 환적배차 서비스 제공 장치(150)가 동작하는 과정에서의 각 단계들을 처리하는 프로시저를 실행할 수 있고, 그 과정 전반에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄할 수 있다. 프로세서(210)는 환적배차 서비스 제공 장치(150)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 환적배차 서비스 제공 장치(150)의 CPU(Central Processing Unit)로 구현될 수 있다.
메모리(230)는 SSD(Solid State Drive) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 환적배차 서비스 제공 장치(150)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다.
사용자 입출력부(250)는 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함할 수 있다. 예를 들어, 사용자 입출력부(250)는 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)는 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 환적배차 서비스 제공 장치(150)는 서버로서 수행될 수 있다.
네트워크 입출력부(270)은 네트워크를 통해 외부 장치 또는 시스템과 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다.
도 3은 도 1의 환적배차 서비스 제공 장치의 기능적 구성을 설명하는 도면이다.
도 3을 참조하면, 환적배차 서비스 제공 장치(150)는 화물정보 수신부(310), 복화배차 생성부(320), 복화배차 그룹 생성부(330), 화물환적 예측부(340), 환적배차 생성부(350) 및 제어부(360)를 포함할 수 있다.
화물정보 수신부(310)는 화물운송 요청에 연관되는 편도화물 및 복귀화물 각각의 화물정보를 수신할 수 있다. 여기에서, 편도화물은 상차지에서 하차지로 운송되는 화물에 해당할 수 있고, 복귀화물은 역으로 하차지에서 상차지로 운송되는 화물에 해당할 수 있다. 즉, 편도화물 및 복귀화물은 한 방향으로의 화물운송이 종료되면 출발지로 복귀하는 반대 방향으로의 운행은 공차운행인 경우에 해당할 수 있다. 화물정보는 화물운송에 연관된 정보로서 상·하차지, 상·하차시간, 차량 유형과 톤수, 화물 내용 등을 포함할 수 있다. 화물정보 수신부(310)는 화주 단말(130)로부터 화물운송에 관한 주문을 수신하여 화물배차를 위해 등록할 수 있다.
한편, 화물정보 수신부(310)는 차주 단말(110)로부터 화물운송에 관한 처리정보를 수신할 수 있고, 해당 처리정보는 화물운송과 연관된 화물정보에 반영되어 관리될 수 있다. 이 때, 처리정보는 화물의 입·출고시간, 운송거리, 운송시간, 운송경로, 대기시간, 날씨 및 교통상황 등을 포함할 수 있다.
복화배차 생성부(320)는 화물정보를 기초로 편도화물 및 복귀화물에 대한 화물운송을 순차적으로 처리하기 위한 복화배차 정보를 생성할 수 있다. 이 때, 복화배차 정보는 화물정보에서 화물 및 차량 각각의 편도, 왕복 및 복귀에 관한 정보를 학습하여 구축된 AI 모델에 의해 생성될 수 있다. 여기에서, 복화배차 정보는 편도화물과 복귀화물을 하나로 통합하여 하나의 화물차량에 배정하는 화물배차 정보에 해당할 수 있다. 즉, 환적배차 서비스 제공 장치(150)는 복화배차 생성부(320)를 통해 복화배차 정보를 생성하여 화물배차를 처리함으로써 화물운송 후 복귀 시 화물차량의 공차운행을 최소화시킬 수 있다.
또한, 복화배차 생성부(320)는 AI 모델을 적용하여 복화배차 정보의 생성 과정을 자동화할 수 있다. 이를 위하여, 복화배차 생성부(320)는 화물정보 수신부(310)가 수집한 화물정보와 그 처리정보를 학습하여 AI 모델을 구축할 수 있다. 즉, 복화배차 생성부(320)는 화물운송과 관련하여 화물과 차량 각각 관점에서 도출되는 편도, 왕복 및 복귀에 따른 정보를 학습 데이터로 활용하여 AI 모델을 구축할 수 있다.
일 실시예에서, 복화배차 정보는 편도화물 및 복귀화물 간의 매칭정보 -상기 매칭정보는 1:1, 1:n, n:1 및 n:n 중 어느 하나에 해당함- 를 포함할 수 있다. 복화배차 생성부(320)는 현재 등록된 화물운송 정보들을 기초로 AI 모델을 통해 복화배차 정보를 생성할 수 있다. 이 때, AI 모델을 통해 생성된 복화배차 정보는 편도화물과 복귀화물에 관한 조합, 즉 편도화물에 매칭되는 복귀화물에 대한 정보를 포함할 수 있다. 한편, 복화배차 정보는 하나의 편도화물에 대해 하나의 복귀화물이 매칭되는 1:1 매칭, 하나의 편도화물에 대해 복수의 복귀화물들이 매칭되는 1:n 매칭, 복수의 편도화물들에 하나의 복귀화물이 매칭되는 n:1 매칭 및 복수의 편도화물들에 복수의 복귀화물들이 매칭되는 n:n 매칭 중 어느 하나에 해당할 수 있다.
예를 들어, 하나의 편도화물에 대해 복수의 복귀화물들이 매칭되는 경우 화물운송의 경로는 하나의 편도화물을 운송한 이후 복수의 북귀화물들을 순차적으로 운송한 후 최초 출발지로 복귀하는 경로에 해당할 수 있다. 복화배차 생성부(320)는 기본적으로 편도화물과 복귀화물 간의 1:1 매칭을 기초로 복화배차 정보를 생성할 수 있으며, 필요에 따라 1:1 매칭보다 비용, 시간 및 거리 중 적어도 하나의 측면에서 더 나은 매칭이 존재하는 경우 선택적으로 1:1 매칭이 아닌 다른 매칭을 기초로 복화배차 정보를 생성할 수 있다.
일 실시예에서, 복화배차 생성부(320)는 다음의 단계들을 통해 AI 모델을 구축할 수 있다. 보다 구체적으로, AI 모델은 화물정보를 기초로 화물운송이 완료된 화물배차 정보를 데이터화 하는 제1 단계, 화물배차 정보를 화물 및 차량에 관한 복수의 조합들로 분류하는 제2 단계, 복수의 조합들 각각에 대해 상차지와 하차지를 포함하고 각 화물배차 정보에 대응되는 화물운송 경로를 식별하는 제3 단계, 상차지와 하차지 각각의 유사도를 기초로 화물운송 경로들을 군집화 하는 제4 단계 및 분류 결과와 군집화 결과를 포함하는 학습 데이터를 생성하여 학습하는 제5 단계를 통해 구축될 수 있다.
보다 구체적으로, AI 모델은 복화배차 생성부(320)에 의해 사전에 구축될 수 있으며, 화물정보 수신부(310)에 의해 수집된 화물정보를 기초로 모델 학습이 수행될 수 있다. 즉, 복화배차 생성부(320)는 화물운송과 관련된 정보들에서 화물운송이 완료된 화물배차 정보만으로 데이터베이스를 구축할 수 있다. 또한, 복화배차 생성부(320)는 화물과 차량에 관한 다양한 조합들을 정의한 후 구축된 정보들을 분류할 수 있다. 예를 들어, 화물운송이 가능한 차량 유형이 10개이고 화물운송 완료된 화물의 종류가 10개인 경우, 복화배차 생성부(320)는 차량과 화물 간의 총 100개의 조합들을 생성할 수 있고, 기 구축된 정보를 해당 조합들에 따라 분류할 수 있다.
또한, 복화배차 생성부(320)는 분류된 화물배차 정보 각각에 대해 화물운송 경로를 결정할 수 있다. 화물배차 정보는 화물정보를 포함할 수 있고, 화물운송이 완료된 경우 화물정보는 화물운송의 처리 결과를 반영하여 갱신될 수 있다. 화물운송에 관한 처리정보는 해당 화물차량의 이동경로에 대한 정보를 포함할 수 있고, 이를 기초로 복화배차 생성부(320)는 각 화물배차 정보에 대응되는 화물운송 경로를 식별할 수 있다. 이 때, 화물운송 경로는 상차지와 하자치에 대한 정보를 포함할 수 있다.
또한, 복화배차 생성부(320)는 화물운송 경로들에 대해 상차지 간의 유사도 및 하차지 간의 유사도를 기초로 군집화를 수행할 수 있다. 여기에서, 군집화는 개체들 사이의 공통성을 기초로 복수의 그룹들로 나누는 연산에 해당할 수 있다. 이를 통해, 복화배차 생성부(320)는 유사한 화물운송 경로들을 하나로 통합할 수 있고, 학습을 통해 해당 화물운송 경로들이 제공하는 공통 정보를 AI 모델에 효과적으로 적용시킬 수 있다. 즉, 복화배차 생성부(320)는 화물배차 정보의 분류 결과와 화물운송 경로의 군집화 결과를 기초로 학습 데이터를 생성하여 이를 학습할 수 있다.
복화배차 그룹 생성부(330)는 복수의 복화배차 정보들을 군집화 하여 복수의 복화배차 그룹들을 생성할 수 있다. 보다 구체적으로, 복화배차 그룹 생성부(330)는 각 복화배차 정보에 대응되는 화물운송 경로를 식별할 수 있고, 화물운송 경로들 간의 교차가 발생하는 복화배차 정보들을 1차적으로 군집화 할 수 있다. 또한, 복화배차 그룹 생성부(330)는 화물운송 경로의 교차점들 사이의 근접성을 기초로 복화배차 정보들을 2차적으로 군집화 할 수 있다. 예를 들어, 화물운송 경로들 간의 교차가 발생하는 경우라 하더라도 다른 교차점들과의 최장거리가 기 설정된 임계거리를 초과하는 경우 복화배차 그룹 생성부(330)는 해당 교차점에 연관된 복화배차 정보들을 군집화 된 그룹에서 제외시킬 수 있다.
한편, 복화배차 그룹 생성부(330)는 다양한 군집화 알고리즘을 적용하여 군집화를 수행할 수 있다. 예를 들어, 복화배차 그룹 생성부(330)는 k-평균 알고리즘((k-means algorithm), 계층적 군집화 알고리즘(hierarchical clustering algorithm) 등을 이용하여 복화배차 정보들 간의 군집화를 처리할 수 있다. 또한, 복화배차 그룹 생성부(330)는 화물운송 경로들 간의 교차점 이외에도 상차지, 하차지 또는 화물운송 경로 상의 경유지 등 다양한 위치를 중심으로 군집화를 수행할 수 있다.
화물환적 예측부(340)는 각 복화배차 그룹에 대해 중간 경유지를 결정하고 중간 경유지에서의 화물환적에 따른 결과를 예측할 수 있다. 즉, 화물환적 예측부(340)는 군집화의 결과로 생성된 복화배차 그룹에 대해 중간 경유지를 결정할 수 있으며, 복화배차 정보들이 교통량이나 날씨 등의 운송조건에 따라 동적으로 결정된 화물운송 경로를 포함하는 점에서 각 복화배차 그룹에 대한 중간 경유지 역시 동적으로 결정될 수 있다.
또한, 화물환적 예측부(340)는 복화배차 그룹에 대해 중간 경유지가 결정되는 경우 해당 중간 경유지를 상차지 또는 하차지로 포함하는 복화배차 정보를 재생성할 수 있고, 그에 따른 화물운송 결과를 예측할 수 있다. 화물환적 예측부(340)는 복화배차 그룹 별로 기존의 복화배차 정보에 따른 화물운송 결과와 중간 경유지를 기초로 새롭게 재생성된 복화배차 정보에 따른 화물운송 결과를 비교 분석하여 시간, 비용 및 거리 측면에서의 효율을 각각 산출할 수 있다.
일 실시예에서, 화물환적 예측부(340)는 복화배차 그룹의 복화배차 정보들과 연관되는 상차지들 및 하차지들 중 어느 하나를 중간 경유지로서 결정할 수 있다. 복화배차 정보에 포함되는 상차지 및 하차지의 경우 기존의 화물운송과 관련하여 상하차 시설이 구축된 상태이므로 화물환적 예측부(340)는 중간 경유지에서의 화물환적이 원활하게 수행될 수 있도록 기존의 상차지 및 하차지를 중심으로 중간 경유지를 결정할 수 있다.
일 실시예에서, 화물환적 예측부(340)는 중간 경유지를 기초로 화물환적이 가능한 후보 복화배차 정보들을 결정하는 단계, 후보 복화배차 정보들 각각의 화물정보에 화물환적을 적용하여 예비 환적배차 정보들을 생성하는 단계 및 예비 환적배차 정보들을 기초로 화물배차의 처리를 위한 배차단가를 예측하는 단계를 통해 동작할 수 있다.
보다 구체적으로, 화물환적 예측부(340)는 중간 경유지를 기초로 화물환적이 가능한 후보 복화배차 정보들을 결정할 수 있다. 복화배차 그룹 단위로 결정된 중간 경유지라고 하더라도 복화배차 그룹에 속한 모든 복화배차 정보가 환적배차 정보로 갱신될 필요는 없으며, 화물환적 예측부(340)는 복화배차 그룹에서 화물환적을 통해 기존의 시간, 비용 및 거리 측면에서 개선 가능한 복화배차 정보들을 추출하여 후보 복화배차 정보로 결정할 수 있다.
또한, 화물환적 예측부(340)는 후보 복화배차 정보들 각각의 화물정보에 화물환적을 적용하여 예비 환적배차 정보들을 생성할 수 있다. 즉, 복화배차 정보에 포함된 편도화물과 복귀화물에 대한 화물배차 정보는 중간 경유지에서의 화물환적을 기준으로 재설정되어 예비 환적배차 정보로 갱신될 수 있다.
예를 들어, 상차지에서 하차지까지 화물 A를 운송하는 편도화물의 화물배차 정보는 상차지에서 중간 경유지까지 화물 A를 운송하는 화물배차 정보를 포함하는 예비 환적배차 정보와 중간 경유지에서 하차지까지 화물 A를 운송하는 화물배차 정보를 포함하는 예비 환적배차 정보로 변경될 수 있다. 또한, 하차지에서 상차지까지 화물 B를 운송하는 복귀화물의 화물배차 정보는 하차지에서 중간 경유지까지 화물 B를 운송하는 화물배차 정보를 포함하는 예비 환적배차 정보와 중간 경유지에서 상차지까지 화물 B를 운송하는 화물배차 정보를 포함하는 예비 환적배차 정보로 변경될 수 있다.
또한, 화물환적 예측부(340)는 예비 환적배차 정보들을 기초로 화물배차의 처리를 위한 배차단가를 예측할 수 있다. 즉, 화물환적 예측부(340)는 중간 경유지를 기준으로 새롭게 갱신된 화물배차 정보에 기초하여 복화배차 그룹에 대한 화물배차의 처리 결과를 배차단가로서 예측할 수 있다.
일 실시예에서, 화물환적 예측부(340)는 적어도 두개의 복화배차 그룹들에 대해 중간 경유지를 결정할 수 있다. 즉, 화물환적 예측부(340)는 특정 복화배차 그룹에 대해 중간 경유지를 결정할 수 없는 경우 다른 복화배차 그룹을 추가적으로 고려하여 중간 경유지를 결정할 수 있다. 결과적으로, 복화배차 그룹은 환적배차 정보 생성을 위한 중간 경유지 결정 과정에서 기존의 복화배차 정보들을 검토함에 있어 기준 단위를 제시하는 역할을 수행할 수 있다.
한편, 화물환적 예측부(340)는 기존의 복화배차 그룹에 대한 전체 배차단가와 중간 경유지의 추가로 새롭게 생성된 환적배차 정보에 대한 배차단가를 예측·비교하여 배차방식에 관한 선택 정보를 제공할 수 있다.
환적배차 생성부(350)는 예측된 결과에 대한 승인을 수신한 경우 해당 복화배차 그룹의 복화배차 정보를 갱신하여 환적배차 정보를 생성할 수 있다. 즉, 환적배차 정보는 추가된 중간 경유지를 기점으로 기존의 복화배차 정보가 갱신된 결과에 해당할 수 있다. 따라서, 환적배차 생성부(350)에 의해 생성된 환적배차 정보는 기존의 복화배차 정보보다 결과적으로 공차운행이 감소되어 화물운송의 시간, 비용 및 거리 중 적어도 하나를 개선시킬 수 있는 배차계획에 해당할 수 있다.
한편, 환적배차 생성부(350)는 예측된 결과에 영향을 받는 차주 단말(110)들로부터 해당 변경에 대한 승인을 수신한 경우 환적배차 정보를 생성할 수 있다. 즉, 차주는 차주 단말(110)을 통해 변경된 내용을 확인하고 이에 대한 승인을 입력할 수 있고, 환적배차 생성부(350)는 해당 승인을 수신한 경우 최종적으로 기존의 정보를 새롭게 갱신할 수 있다. 또한, 환적배차 생성부(350)는 다양한 승인 방식을 적용하여 동작할 수 있고, 예를 들어, 다수결 방식에 따라 과반수 이상의 차주 단말(110)들로부터 승인을 수신한 경우 환적배차 정보의 생성 동작을 개시할 수 있다.
일 실시예에서, 환적배차 정보는 화물정보에서 화물 및 차량 각각의 편도, 왕복 및 복귀에 관한 정보를 학습하여 구축된 AI 모델에 의해 생성될 수 있다. 즉, 환적배차 생성부(350)는 AI 모델을 적용하여 환적배차 정보의 생성 과정을 자동화할 수 있다. 이를 위하여, 환적배차 생성부(350)는 화물정보 수신부(310)가 수집한 화물정보와 그 처리정보를 학습하여 AI 모델을 구축할 수 있다. 즉, 환적배차 생성부(350)는 화물운송과 관련하여 화물과 차량 각각 관점에서 도출되는 편도, 왕복 및 복귀에 따른 정보를 학습 데이터로 활용하여 AI 모델을 구축할 수 있다.
일 실시예에서, 환적배차 정보는 편도화물 및 복귀화물 간의 매칭정보 -상기 매칭정보는 1:1, 1:n, n:1 및 n:n 중 어느 하나에 해당함- 를 포함할 수 있다. 환적배차 생성부(350)에 의해 생성되는 환적배차 정보는 복화배차 생성부(320)에 의해 생성된 복화배차 정보를 기초로 갱신되어 생성되는 것이므로 복화배차 정보와 동일한 구조로 생성될 수 있으며, 이에 대한 구체적인 설명은 생략한다.
일 실시예에서, 환적배차 생성부(350)는 예비 환적배차 정보들의 편도화물 및 복귀화물을 각각 분리하는 단계, 분리된 편도화물 및 복귀화물에 관한 후보 조합들을 생성하는 단계 및 후보 조합들에 관한 비교분석을 통해 최적 조합을 결정하고 해당 최적 조합을 기초로 환적배차 정보를 생성하는 단계를 통해 동작할 수 있다.
보다 구체적으로, 환적배차 생성부(350)는 예비 환적배차 정보들의 편도화물 및 복귀화물을 각각 분리할 수 있다. 예비 환적배차 정보는 편도화물 및 복귀화물 각각에 대한 화물배차 정보를 포함할 수 있고, 환적배차 생성부(350)는 예비 환적배차 정보들에서 편도화물과 복귀화물에 관한 정보를 분류하여 그룹화 할 수 있다.
또한, 환적배차 생성부(350)는 분리된 편도화물 및 복귀화물에 관한 후보 조합들을 생성할 수 있다. 즉, 환적배차 생성부(350)는 복수의 편도화물들과 복수의 복귀화물들에 관한 다양한 조합을 생성하여 환적배차 정보를 구성하기 위한 후보 조합들을 생성할 수 있다.
또한, 환적배차 생성부(350)는 후보 조합들에 관한 비교분석을 통해 최적 조합을 결정하고 해당 최적 조합을 기초로 환적배차 정보를 생성할 수 있다. 환적배차 생성부(350)는 후보 조합들의 화물배차 정보를 기초로 배차단가를 예측할 수 있고, 최소의 배차단가에 대응되는 최적 조합을 결정하여 환적배차 정보를 생성할 수 있다.
일 실시예에서, 환적배차 생성부(350)는 AI 모델의 입력 데이터로서 적어도 두개의 복화배차 그룹들 및 중간 경유지에 관한 정보를 포함시킬 수 있다. 환적배차 생성부(350)는 AI 모델을 이용하여 환적배차 정보를 생성할 수 있으며, 이를 위하여 사전에 구축된 AI 모델을 활용할 수 있다. 특히, AI 모델은 적어도 두개의 복화배차 그룹들 및 중간 경유지에 관한 정보를 포함하는 입력 데이터를 기초로 최적의 환적배차 정보를 포함하는 출력 데이터를 생성할 수 있다. 이 때, 출력 데이터는 중간 경유지를 포함하는 화물정보와 이를 처리하기 위한 화물배차 정보를 포함할 수 있으며, 이 경우 화물배차 정보는 복화배차 정보 또는 환적배차 정보에 해당할 수 있다.
제어부(360)는 환적배차 서비스 제공 장치(150)의 전체적인 동작을 제어하고, 화물정보 수신부(310), 복화배차 생성부(320), 복화배차 그룹 생성부(330), 화물환적 예측부(340) 및 환적배차 생성부(350) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.
도 4는 본 발명의 일 실시예에 따른 인공지능 기반의 환적배차 서비스 제공 과정을 설명하는 순서도이다.
도 4를 참조하면, 환적배차 서비스 제공 장치(150)는 화물정보 수신부(310)를 통해 화물운송 요청에 연관되는 편도화물 및 복귀화물 각각의 화물정보를 수신할 수 있다(단계 S410). 또한, 환적배차 서비스 제공 장치(150)는 복화배차 생성부(320)를 통해 화물정보를 기초로 편도화물 및 복귀화물에 대한 화물운송을 순차적으로 처리하기 위한 복화배차 정보를 생성할 수 있다(단계 S420). 또한, 환적배차 서비스 제공 장치(150)는 복화배차 그룹 생성부(330)를 통해 복수의 복화배차 정보들을 군집화 하여 복수의 복화배차 그룹들을 생성할 수 있다(단계 S430).
또한, 환적배차 서비스 제공 장치(150)는 화물환적 예측부(340)를 통해 각 복화배차 그룹에 대해 중간 경유지를 결정할 수 있다(단계 S440). 또한, 환적배차 서비스 제공 장치(150)는 화물환적 예측부(340)를 통해 중간 경유지에서의 화물환적에 따른 결과를 예측할 수 있다(단계 S450). 또한, 환적배차 서비스 제공 장치(150)는 환적배차 생성부(350)를 통해 예측된 결과에 대한 승인을 수신한 경우 해당 복화배차 그룹의 복화배차 정보를 갱신하여 환적배차 정보를 생성할 수 있다(단계 S460).
일 실시예에서, 환적배차 서비스 제공 장치(150)는 화물배차 처리부(도면에 미도시함)를 통해 환적배차 정보에 따라 화물배차의 처리를 제공할 수 있다. 화물배차 처리부는 화물배차의 처리를 위해 복화배차 정보 또는 환적배차 정보에 따른 화물차량을 결정할 수 있고, 해당 화물차량에 대해 화물운송을 위한 운송경로를 포함하는 배차정보를 제공할 수 있으며, 해당 화물차량의 운송 상황에 대한 실시간 관제를 수행할 수 있다. 특히, 화물배차 처리부는 화물차량 또는 차주 단말(110)과의 연동을 통해 해당 화물차량이 상차지 또는 하차지에 도착하고, 화물을 상차 또는 하차하며, 상차 또는 하차 후 해당 상차지 또는 하차지를 출발하는 전 과정에 대한 모니터링을 수행하여 도착, 대기, 상차, 하차 및 출발에 관한 시간 정보를 수집할 수 있다.
도 5 및 6은 본 발명에 따른 환적배차 서비스 제공 과정을 설명하는 도면이다.
도 5 및 6을 참조하면, 환적배차 서비스 제공 장치(150)는 화물환적 예측부(340)를 통해 각 복화배차 그룹에 대해 중간 경유지를 결정하고 중간 경유지에서의 화물환적에 따른 결과를 예측할 수 있으며, 환적배차 생성부(350)를 통해 예측 결과에 따라 중간 경유지에 기초한 환적배차 정보를 생성할 수 있다. 여기에서, 환적배차 정보는 편도화물과 복귀화물로 구성된 복합화물에 대한 화물정보와 배차정보를 포함할 수 있으며, 해당 화물정보와 배차정보는 상차지 또는 하차지가 중간 경유지와 연관되어 설정될 수 있다.
도 5의 그림 (a)에서, 복화배차 정보는 상차지(510)에서 하차지(520)까지의 편도화물 운송(530)과 하차지(520)에서 상차지(510)까지의 복귀화물 운송(540)에 관한 정보를 포함할 수 있다. 즉, 환적배차 서비스 제공 장치(150)는 각각 개별적으로 접수된 화물운송 주문들 중에서 운행 방향을 기준으로 편도화물과 복귀화물로 분류할 수 있고, 각 화물의 상차지(510)와 하차지(520)의 연관성에 따라 편도화물과 복귀화물을 상호 매칭시킬 수 있다. 환적배차 서비스 제공 장치(150)는 매칭 결과를 반영하여 편도화물 운송(530)과 복귀화물 운송(540)으로 구성된 복화배차 정보를 생성하여 화물운송을 위한 화물배차를 제공할 수 있다.
도 5의 그림 (b)에서, 상차지(510)와 하차지(520) 사이에 중간 경유지(550)를 결정하고, 이를 기초로 기존의 복화배차 정보를 환적배차 정보로 갱신할 수 있다. 하나의 화물차량을 통해 상차지(510)에서 하차지(520)까지의 왕복을 통해 화물 운송을 처리하는 것보다는 서로 다른 화물차량들을 통해 각각 상차지(510)에서 중간 경유지(550)까지의 왕복 화물운송과 중간 경유지(550)에서 하차지(520)까지의 왕복 화물운송을 처리하는 것이 경우에 따라 더 효율적일 수 있다.
즉, 환적배차 서비스 제공 장치(150)에 의해 생성되는 환적배차 정보는 기존의 복화배차 정보와 비교하여 화물운송에 따른 시간, 비용 및 거리 중 적어도 하나의 측면에서 더 나은 결과를 제공할 수 있다. 이를 위하여, 환적배차 서비스 제공 장치(150)는 중간 경유지에 기초한 화물환적의 결과를 사전에 예측할 수 있으며, 해당 과정에서 사전에 수집된 화물운송에 관한 빅데이터를 활용할 수 있다.
도 6에서, 환적배차 서비스 제공 장치(150)는 복화배차 정보들과 연관된 화물운송 경로들 간의 교차점을 기초로 중간 경유지를 결정할 수 있다. 예를 들어, 편도화물의 운송경로들이 특정 지점에서 교차하는 경우 환적배차 서비스 제공 장치(150)는 해당 교차점을 중심으로 특정 반경 이내에 존재하는 상차지 또는 하차지를 중간 경유지로 결정할 수 있다. 기존의 상차지 또는 하차지의 경우 상·하차를 위한 시설을 갖추고 있기 때문에 화물환적이 용이할 수 있다.
한편, 환적배차 서비스 제공 장치(150)는 화물환적을 위한 환적지를 사전에 구축할 수 있고, 환적배차 정보의 생성 과정에서 이를 활용할 수 있다. 즉, 환적배차 서비스 제공 장치(150)는 기 구축된 환적지들 중 어느 하나를 중간 경유지로서 결정하여 환적배차 정보를 생성할 수 있다. 이 때, 환적배차 서비스 제공 장치(150)는 화물운송 경로들 간의 교차점을 기초로 복수의 환적지들 중 중간 경유지를 결정할 수 있다.
환적배차 서비스 제공 장치(150)는 동적으로 결정되는 중간 경유지를 기점으로 최적 경로(Route)를 생성하고 이에 기반한 화물계획 생성 및 화물배차를 처리하는 통합 플랫폼을 제공함으로써 화물 용차시장 내의 수요와 공급 간의 균형 최적화를 통해 가격구조를 효과적으로 개선시킬 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 환적배차 서비스 제공 시스템
110: 차주 단말 130: 화주 단말
150: 환적배차 서비스 제공 장치 170: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 화물정보 수신부 320: 복화배차 생성부
330: 복화배차 그룹 생성부 340: 화물환적 예측부
350: 환적배차 생성부 360: 제어부
510: 상차지 520: 하차지
530: 편도화물 운송 540: 복귀화물 운송
550: 중간 경유지
110: 차주 단말 130: 화주 단말
150: 환적배차 서비스 제공 장치 170: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 화물정보 수신부 320: 복화배차 생성부
330: 복화배차 그룹 생성부 340: 화물환적 예측부
350: 환적배차 생성부 360: 제어부
510: 상차지 520: 하차지
530: 편도화물 운송 540: 복귀화물 운송
550: 중간 경유지
Claims (8)
- 화물운송 요청에 연관되는 편도화물 및 복귀화물 각각의 화물정보를 수신하는 화물정보 수신부;
상기 화물정보를 기초로 상기 편도화물 및 복귀화물에 대한 화물운송을 순차적으로 처리하기 위한 복화배차 정보를 생성하는 복화배차 생성부;
복수의 복화배차 정보들을 군집화 하여 복수의 복화배차 그룹들을 생성하는 복화배차 그룹 생성부;
각 복화배차 그룹에 대해 중간 경유지를 결정하고 상기 중간 경유지에서의 화물환적에 따른 결과를 예측하는 화물환적 예측부; 및
상기 예측된 결과에 대한 승인을 수신한 경우 해당 복화배차 그룹의 복화배차 정보를 갱신하여 환적배차 정보를 생성하는 환적배차 생성부를 포함하되,
상기 복화배차 정보 및 상기 환적배차 정보 각각은 상기 화물정보에서 화물 및 차량 각각의 편도, 왕복 및 복귀에 관한 정보를 학습하여 구축된 AI 모델에 의해 생성되고,
상기 AI 모델은 상기 화물정보를 기초로 상기 화물운송이 완료된 화물배차 정보를 데이터화 하는 단계; 상기 화물배차 정보를 상기 화물 및 차량에 관한 복수의 조합들로 분류하는 단계; 상기 복수의 조합들 각각에 대해 상차지와 하차지를 포함하고 각 화물배차 정보에 대응되는 화물운송 경로를 식별하는 단계; 상기 상차지와 하차지 각각의 유사도를 기초로 화물운송 경로들을 군집화 하는 단계; 및 상기 분류 결과와 상기 군집화 결과를 포함하는 학습 데이터를 생성하여 학습하는 단계를 통해 구축되며,
상기 복화배차 그룹 생성부는 상기 복수의 복화배차 정보들의 화물운송 경로와 상기 화물운송 경로의 교차점들 사이의 근접성을 기초로 상기 군집화 하고,
상기 화물환적 예측부는 적어도 두개의 복화배차 그룹들에 대해 상기 중간 경유지를 결정하며,
상기 환적배차 생성부는 상기 AI 모델의 입력 데이터로서 상기 적어도 두개의 복화배차 그룹들 및 상기 중간 경유지에 관한 정보를 포함시키는 것을 특징으로 하는 인공지능 기반의 환적배차 서비스 제공 장치.
- 제1항에 있어서, 상기 복화배차 정보 및 상기 환적배차 정보 각각은
상기 편도화물 및 복귀화물 간의 매칭정보 -상기 매칭정보는 1:1, 1:n, n:1 및 n:n 중 어느 하나에 해당함- 를 포함하는 것을 특징으로 하는 인공지능 기반의 환적배차 서비스 제공 장치.
- 삭제
- 제1항에 있어서, 상기 화물환적 예측부는
복화배차 그룹의 복화배차 정보들과 연관되는 상차지들 및 하차지들 중 어느 하나를 상기 중간 경유지로서 결정하는 것을 특징으로 하는 인공지능 기반의 환적배차 서비스 제공 장치.
- 제1항에 있어서, 상기 화물환적 예측부는
상기 중간 경유지를 기초로 상기 화물환적이 가능한 후보 복화배차 정보들을 결정하는 단계;
상기 후보 복화배차 정보들 각각의 화물정보에 상기 화물환적을 적용하여 예비 환적배차 정보들을 생성하는 단계; 및
상기 예비 환적배차 정보들을 기초로 상기 화물배차의 처리를 위한 배차단가를 예측하는 단계를 통해 동작하는 것을 특징으로 하는 인공지능 기반의 환적배차 서비스 제공 장치.
- 제5항에 있어서, 상기 환적배차 생성부는
상기 예비 환적배차 정보들의 편도화물 및 복귀화물을 각각 분리하는 단계;
상기 분리된 편도화물 및 복귀화물에 관한 후보 조합들을 생성하는 단계; 및
상기 후보 조합들에 관한 비교분석을 통해 가장 작은 배차단가에 대응되는 조합을 결정하고 해당 조합을 기초로 상기 환적배차 정보를 생성하는 단계를 통해 동작하는 것을 특징으로 하는 인공지능 기반의 환적배차 서비스 제공 장치.
- 삭제
- 화물정보 수신부, 복화배차 생성부, 복화배차 그룹 생성부, 화물환적 예측부 및 환적배차 생성부를 포함하는 인공지능 기반의 환적배차 서비스 제공 장치에서 수행되는 인공지능 기반의 환적배차 서비스 제공 방법에 있어서,
상기 화물정보 수신부를 통해, 화물운송 요청에 연관되는 편도화물 및 복귀화물 각각의 화물정보를 수신하는 단계;
상기 복화배차 생성부를 통해, 상기 화물정보를 기초로 상기 편도화물 및 복귀화물에 대한 화물운송을 순차적으로 처리하기 위한 복화배차 정보를 생성하는 단계;
상기 복화배차 그룹 생성부를 통해, 복수의 복화배차 정보들을 군집화 하여 복수의 복화배차 그룹들을 생성하는 단계;
상기 화물환적 예측부를 통해, 각 복화배차 그룹에 대해 중간 경유지를 결정하고 상기 중간 경유지에서의 화물환적에 따른 결과를 예측하는 단계; 및
상기 환적배차 생성부를 통해, 상기 예측된 결과에 대한 승인을 수신한 경우 해당 복화배차 그룹의 복화배차 정보를 갱신하여 환적배차 정보를 생성하는 단계를 포함하되,
상기 복화배차 정보 및 상기 환적배차 정보 각각은 상기 화물정보에서 화물 및 차량 각각의 편도, 왕복 및 복귀에 관한 정보를 학습하여 구축된 AI 모델에 의해 생성되고, 상기 AI 모델은 상기 화물정보를 기초로 상기 화물운송이 완료된 화물배차 정보를 데이터화 하는 단계; 상기 화물배차 정보를 상기 화물 및 차량에 관한 복수의 조합들로 분류하는 단계; 상기 복수의 조합들 각각에 대해 상차지와 하차지를 포함하고 각 화물배차 정보에 대응되는 화물운송 경로를 식별하는 단계; 상기 상차지와 하차지 각각의 유사도를 기초로 화물운송 경로들을 군집화 하는 단계; 및 상기 분류 결과와 상기 군집화 결과를 포함하는 학습 데이터를 생성하여 학습하는 단계를 통해 구축되며,
상기 복수의 복화배차 그룹들을 생성하는 단계는 상기 복수의 복화배차 정보들의 화물운송 경로와 상기 화물운송 경로의 교차점들 사이의 근접성을 기초로 상기 군집화 하는 단계를 포함하고,
상기 화물환적에 따른 결과를 예측하는 단계는 적어도 두개의 복화배차 그룹들에 대해 상기 중간 경유지를 결정하는 단계를 포함하며,
상기 환적배차 정보를 생성하는 단계는 상기 AI 모델의 입력 데이터로서 상기 적어도 두개의 복화배차 그룹들 및 상기 중간 경유지에 관한 정보를 포함시키는 단계를 포함하는 것을 특징으로 하는 인공지능 기반의 환적배차 서비스 제공 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200093482A KR102447122B1 (ko) | 2020-07-28 | 2020-07-28 | 인공지능 기반의 환적배차 서비스 제공 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200093482A KR102447122B1 (ko) | 2020-07-28 | 2020-07-28 | 인공지능 기반의 환적배차 서비스 제공 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220013981A KR20220013981A (ko) | 2022-02-04 |
| KR102447122B1 true KR102447122B1 (ko) | 2022-09-27 |
Family
ID=80268469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200093482A KR102447122B1 (ko) | 2020-07-28 | 2020-07-28 | 인공지능 기반의 환적배차 서비스 제공 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102447122B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240094289A (ko) * | 2022-12-16 | 2024-06-25 | 주식회사 케이티 | 운송 경로를 제공하는 서버, 방법 및 컴퓨터 프로그램 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101981475B1 (ko) * | 2018-01-25 | 2019-05-23 | 김현대 | 인공지능화물배차매칭중개모듈을 통한 스마트 화물배차매칭장치 및 방법 |
| KR101992828B1 (ko) * | 2019-02-19 | 2019-06-25 | 정승범 | 유사경로 내 효율적 운송 가능한 화물배차시스템 및 방법 |
| KR102041971B1 (ko) * | 2018-05-09 | 2019-11-07 | 주식회사 모베이스 | 최적 배송경로 패턴 마이닝 학습 방법을 이용한 클라우드 배송 서비스 시스템 |
| KR102101814B1 (ko) * | 2020-01-03 | 2020-04-17 | 정만호 | 배차정보의 수정이 가능한 화물중개시스템 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101570879B1 (ko) * | 2009-04-03 | 2015-11-23 | 에스케이이노베이션 주식회사 | 화물/공차정보 수집 및 제공 시스템 |
| KR102100249B1 (ko) | 2018-05-21 | 2020-04-14 | 주식회사 와이엘피 | 화물배차 처리 장치 |
| KR20200068061A (ko) * | 2018-11-27 | 2020-06-15 | 주식회사 신나는세상 | 운송 빅데이터에 기반한 복화 퀵서비스 운용 방법 및 복화 퀵서비스 운용 시스템 |
-
2020
- 2020-07-28 KR KR1020200093482A patent/KR102447122B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101981475B1 (ko) * | 2018-01-25 | 2019-05-23 | 김현대 | 인공지능화물배차매칭중개모듈을 통한 스마트 화물배차매칭장치 및 방법 |
| KR102041971B1 (ko) * | 2018-05-09 | 2019-11-07 | 주식회사 모베이스 | 최적 배송경로 패턴 마이닝 학습 방법을 이용한 클라우드 배송 서비스 시스템 |
| KR101992828B1 (ko) * | 2019-02-19 | 2019-06-25 | 정승범 | 유사경로 내 효율적 운송 가능한 화물배차시스템 및 방법 |
| KR102101814B1 (ko) * | 2020-01-03 | 2020-04-17 | 정만호 | 배차정보의 수정이 가능한 화물중개시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220013981A (ko) | 2022-02-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Behiri et al. | Urban freight transport using passenger rail network: Scientific issues and quantitative analysis | |
| Reed et al. | The value of autonomous vehicles for last-mile deliveries in urban environments | |
| Crainic | Long-haul freight transportation | |
| Campbell | Hub location and the p-hub median problem | |
| Battarra et al. | Chapter 6: pickup-and-delivery problems for goods transportation | |
| Heilig et al. | From digitalization to data-driven decision making in container terminals | |
| Ghilas et al. | Integrating passenger and freight transportation: Model formulation and insights | |
| CN111815231B (zh) | 一种物流平台智能拼车方法及*** | |
| KR102142222B1 (ko) | 수출입항만 물류 효율화를 위한 운송관리방법 | |
| KR102503198B1 (ko) | 인공지능 기반의 최적 배송경로 제공 장치 및 방법 | |
| Zhang et al. | Synchromodal transport planning with flexible services: Mathematical model and heuristic algorithm | |
| Guo et al. | Global synchromodal transport with dynamic and stochastic shipment matching | |
| KR20220006726A (ko) | 경로 빅데이터 기반 밀크런 자동배차 제공 장치 및 방법 | |
| Mazaraki et al. | Development of a multimodal (railroad-water) chain of grain supply by the agent-based simulation method | |
| Cheng et al. | Integrated people-and-goods transportation systems: from a literature review to a general framework for future research | |
| Makarova et al. | Features of logistic terminal complexes functioning in the transition to the circular economy and digitalization | |
| KR100613858B1 (ko) | 물류 워크플로우용 차량 배차 방법 | |
| KR102447122B1 (ko) | 인공지능 기반의 환적배차 서비스 제공 장치 및 방법 | |
| KR102447123B1 (ko) | 인공지능 기반의 복화배차 서비스 제공 장치 및 방법 | |
| CN116090689A (zh) | 一种基于中转接驳的货运资源优化方法及优化*** | |
| CN108022070B (zh) | 一种混合装卸车辆协同调度运输方法 | |
| Dotoli et al. | A technique for the optimal management of containers' drayage at intermodal terminals | |
| JP2024512614A (ja) | 貨物輸送を監視及び自動制御する電子システム | |
| KR102382013B1 (ko) | Erp 연동 통합 물류배송 관리 장치 및 방법 | |
| Kravchenko et al. | MATHEMATICAL MODEL OF A RAILROAD GRAIN CARGO RIDESHARING SERVICE IN THE FORM OF COALITIONS IN CONGESTION GAMES. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |