Research Task · RT-T1 · 2025.01
🧭 학습 모델 설계 및 데이터 구조 정의
TMS AI 라우팅 엔진 · 2-Stage 설계 개요 · 김지훈 수석연구원 · 연구노트 1p 대응
🧭 2-Stage 파이프라인 개요과거 배차 이력 → 점수 모델 → 정수계획 최적화 → 배차 결정
INPUT
과거 배차 이력
RouteHeader · ShipTo · Vehicle · AssignmentLabel · RouteSummary
▶
STAGE 1
점수 모델 · LightGBM
(ShipTo × Vehicle) 조합별
score 예측 · 설명 가능성 확보▶
STAGE 2
정수계획 · OR-Tools
CP-SAT 솔버로 용량·타임윈도·최대 이동 제약하 다목적 최적화
▶
OUTPUT
최종 배차 결정
수작업 80%↓ · Recall@3 85% · OTIF 97% 목표
🎯 기대효과 KPI 목표
배차 자동화율
80%↑
배차 담당자 수작업 감소 목표
Recall@3
85%
AI 상위 3개 추천 내 실제 선택 포함률
OTIF Rate
97%
On-Time In-Full · 배송 시간 준수율
🗂️ 데이터 구조 정의학습·추론 파이프라인에서 공통으로 사용
RouteHeader
배차 단위 상위 메타
- RouteID · RouteDate
- VehicleID · DriverID
- TotalCapacityKg · TotalCapacityVol
ShipToNode
배송지 노드
- ShipToID · Address
- Lat · Lng
- OrderWeightKg · OrderVol
- TimeWindowStart/End · Priority
VehicleState
차량 실시간 상태
- VehicleID
- CurrentLoadKg
- LoadingRateByWeight
- LoadingRateByVol · RouteSeq
AssignmentLabel
학습 라벨 (과거 실제 배차)
- ShipToID → VehicleID
- y_hist ∈ {0, 1}
RouteSummary
사후 집계 · 평가
- RouteID
- TotalDistance · AvgLoadingRate
- OTIF_Rate · DelayCount
📐 1단계 점수 모델 · Loss 함수
Loss = w₁ · BCE(score_hat, y_hist) + w₂ · MSE(score_hat, benefit_label)
초기 가중치: w₁ = 0.6, w₂ = 0.4
초기 가중치: w₁ = 0.6, w₂ = 0.4
y_hist — 과거 실제 배차 결과 {0, 1}. 모사 손실(BCE)로 담당자 선택 재현.
benefit_label — 배정 시 적재율·균형·이동비용 개선량. 목표지향 회귀(MSE)로 정책 반영.
w₁ / w₂ — 모사 vs 정책 비중. 현업 운영 방침에 따라 조정 가능.
🧬 피처 설계 초안 (4계열)
⚖️ 균형 (Balance)
VehicleLoadingRateNowRouteAvgLoadingRateGapToAvg
📦 적재 (Load)
ShipToWeightKgExpectedRateAfterMove- = (CurLoad + W) / Cap
🛣️ 이동 (Movement)
DistanceFromCurrentPosTimeWindowCompatibility(0/1)
📜 이력 (History)
AvgAssignRate_past30d- 해당 ShipTo의 30일 배정 이력 비율