Research Task · RT-T17 · 2025.09
🔮 수요 예측 기반 사전 배차
TMS AI 라우팅 엔진 · Transformer 72h 시계열 예측 · D-1 배차 완성율 91.4% · 김지훈 수석연구원 · 연구노트 17p 대응
🎯 연구 배경
주문 확정 전에 수요를 예측하여 차량·운전자를 사전 배정함으로써 배차 리드타임을 단축하고 첨두 시간대 차량 부족 문제를 해소합니다. D-1 기준 배차 완성율 90% 달성을 목표로 합니다.
🧠 Transformer 기반 72시간 시계열 예측지역별 · 상품 카테고리별 주문량 예측
# 입력 시퀀스 구성
X = stack([
order_volume_hourly[-168:], # 7일 시간별 주문량 (168h)
weather_forecast_72h, # 72시간 기상 예보
promotion_calendar, # 프로모션 일정
holiday_flag # 공휴일
])
pred_72h = transformer_model.predict(X)
📊 주문량 시퀀스
shape = (168, 1)과거 7일간 시간대별 주문 수. 시즌성·요일 패턴 학습 기반.
🌤️ 기상 예보
shape = (72, 3)72h 선행 기상 예보 (강수량·기온·풍속). 배송 지연 위험 반영.
🎁 프로모션 캘린더
shape = (72, 1)할인/이벤트 일정. 수요 급증 구간 pre-warning.
📅 공휴일 플래그
shape = (72, 1)공휴일/영업일 구분. 수요 급감 혹은 이월 효과 학습.
🚦 사전 배차 의사결정 룰
수요 ≥ 80% 용량
추가 차량 사전 예약 알림
파트너사 용차·외주 차량 사전 섭외. 첨두 시간대 부족 대비.
수요 < 50% 용량
일부 차량 대기 전환 권고
유휴 차량은 다음 시간대 재배정 대기. 연료비·인건비 절감.
지역별 불균형
차량 사전 이동 배치
수요 과다 지역으로 공차 이동을 미리 수행. 첨두 대응력 향상.
📉 9월 운영 성과
✓ Transformer 72h 예측 도입 후 (2025.09 기준)
D-1 배차 완성율
91.4%
목표 90% 달성 · 전월 78.6% 대비 12.8%p↑
첨두 시간대 차량 부족률
6.7%
도입 전 18.3% · 63% 감소