Research Task · RT-T2 · 2025.01
🧮 2단계 정수계획 최적화 및 피드백 학습
TMS AI 라우팅 엔진 · 2단계 최적화 설계 · 김지훈 수석연구원 · 연구노트 2p 대응
🎯 2단계 정수계획 최적화 개요Stage 1 점수 → Stage 2 IP → 최종 배차 결정
1단계 점수 모델이 산출한 scorei,v 를 입력으로 받아 OR-Tools CP-SAT Solver로 최종 배차 결정.
이동 최소화 · 적재 균형 · 최대 적재율을 동시에 달성하는 다목적 정수계획(Multi-Objective IP) 모델.
📐 목적함수 (Objective Function)
변수 선언: xi,v ∈ {0, 1} · ShipTo
i를 차량 v에 배정하면 1Maximize:
점수 합계+Σᵢ,ᵥ scorei,v · xi,v
이동 비용−λ · Σᵢ,ᵥ xi,v
불균형 패널티−γ · Σᵥ |LoadRatev − Avg|
적재율 보상+μ · Σᵥ LoadRatev
score Stage 1 점수로 담당자 선호·적합도 반영
λ 이동 1건당 페널티 · 불필요 배차 억제
γ 차량별 적재율 편차 최소화 (균형 배차)
μ 차량 활용도 극대화 보상
🚧 제약 조건 (Constraints)
🎯 배정 유일성
Σᵥ xi,v ≤ 1각 ShipTo는 최대 1대의 차량에만 배정된다.
📦 차량 용량
Wv⁰ + Σᵢ wᵢ·xi,v ≤ Capv초기 적재 + 신규 배정 무게가 차량 용량을 초과할 수 없다.
🛣️ 이동 수 제한
Σᵢ,ᵥ xi,v ≤ K전체 배차 이동 건수 상한. 기사 피로·운영 시간 반영.
⏰ 타임윈도
xi,v = 0 (불허 조합)배송 가능 시간대가 맞지 않는 조합은 강제 0.
📊 평가 지표 (Evaluation Metrics)
Recall@K
K=3 @ 85%
AI 추천 상위 K개 안에 실제 담당자 선택이 포함된 비율
Load Rate σ
< 0.08
차량 간 적재율 표준편차 · 균형 배차 지표
이동 건수
최소화
이동 1건당 5분 비용 환산 · 기사 효율성
OTIF Rate
≥ 97%
On-Time In-Full · 배송 시간 준수율
🧪 1월 프로토타입 테스트 결과
📉 소규모 데이터셋 검증 · 10개 루트 × 50개 ShipTo
Recall@3
71%
목표 85% (−14%p)
OTIF
93%
목표 97% (−4%p)
결론
피처 부족으로
목표 미달
목표 미달
다음 계획
2월 피처
엔지니어링 강화 (RT-T3)
엔지니어링 강화 (RT-T3)
분석: 샘플 규모가 작아 일반화 부족. 특히 시간대별·운전자별·지역 피처가 누락되어 Recall이 목표 대비 14%p 미달.
조치: RT-T3(2월)에서 순환 인코딩·지역 클러스터링·교차 피처를 도입하여 79.1%까지 개선 예정.
조치: RT-T3(2월)에서 순환 인코딩·지역 클러스터링·교차 피처를 도입하여 79.1%까지 개선 예정.