UPDATED. 2020-09-25 19:20 (금)
2020.09.26(토)
  • 서울
  • B
  • 좋음
  • 경기
  • B
  • 좋음
  • 인천
  • B
  • 좋음
  • 광주
  • B
  • 좋음
  • 대전
  • B
  • 좋음
  • 대구
  • B
  • 좋음
  • 울산
  • B
  • 좋음
  • 부산
  • B
  • 좋음
  • 강원
  • B
  • 좋음
  • 충북
  • B
  • 좋음
  • 충남
  • B
  • 좋음
  • 전북
  • B
  • 좋음
  • 전남
  • B
  • 좋음
  • 경북
  • B
  • 좋음
  • 경남
  • B
  • 좋음
  • 제주
  • B
  • 좋음
  • 세종
  • B
  • 좋음
머신러닝 활용 배차 알고리즘…이동수요 미리 예측해 배차 성공률↑
머신러닝 활용 배차 알고리즘…이동수요 미리 예측해 배차 성공률↑
  • 고승환 기자
  • 승인 2020.09.16 15:29
  • 댓글 0
이 기사를 공유합니다

머신러닝 배차 알고리즘 [뉴스1]
머신러닝 배차 알고리즘 [뉴스1]

이동수요에 대해 탄력적인 요금제를 채택하거나 라이드 헤일링 또는 라이드 셰어링을 통해 절대적인 공급량을 늘리더라도 수요와 공급의 불일치 문제를 완전히 해결할 수는 없다.

이동 서비스는 일반적인 전자상거래와는 다르게 수요와 공급이 시간과 공간에 따라 빠르게 발생하고 소멸하기를 반복한다.

쿠팡이나 G마켓에서 어떤 물건을 구입한다고 가정해 보자. 이 경우에는 하루나 이틀 후에 배송이 이뤄져도 되고, 공간적으로 판매자와 구매자가 멀리 떨어져 있어도 택배를 통해 보내기 때문에 시간과 공간이 큰 문제가 되지 않는다.

그러나 이동 서비스는 다르다. 내가 이동을 필요로 하는 것은 바로 지금이고 그 순간에 이용 가능한 자동차가 공간적으로 바로 근처에 있어야 한다.

많은 라이드 헤일링 기업들이 수요와 공급을 매칭하는 데 있어 빅데이터에 기반한 인공지능 기술을 활용하고 있다.

승차공유가 서로 가까이 있는 승객과 기사를 단순히 연결만 해주는 간단한 서비스가 아니고 소위 말하는 4차 산업혁명의 기반기술이 활용된 고도화된 서비스인 이유가 여기에 있다.

보통 사람들은 모든 택시기사들이 동질적인 특성을 가진 이동 공급자라고 생각한다. 그러나 실제로 택시기사들의 마음 속에는 본인이 선호하는 영업지역이 있다.

같은 서울 내에서도 차고지의 위치, 본인이 거주하고 있는 곳, 자신이 태어나고 자란 지역, 그 외의 여러 이유로 선호하는 지역이 정해져 있는 경우가 많다. 데이터를 살펴보면 이러한 선호가 뚜렷하게 나타난다.

알고리즘이 제대로 기능하기 위해서는 택시기사의 운행 정보가 오랜 기간에 걸쳐 빅데이터로 쌓여 있어야 하고 머신러닝을 통해 선호를 정확하게 추출할 수 있어야 한다.

카카오 T 택시는 이러한 머신러닝을 활용한 배차 알고리즘을 지난 2018년부터 실제 시스템에 적용하고 있다.

탄력적인 요금제나 탄력적인 공급이 제한받고 있는 상황에서 이런 기술들은 택시기사와 승객의 배차 성공률을 높이는 데 크게 기여하고 있다.

이와 함께 머신러닝 기반으로 거시적인 관점에서 지역별, 시간대별 이동수요를 미리 예측하는 작업도 진행하고 있다.

지역별, 시간대별, 요일별, 계절별 이동수요를 사전에 알고 있다면, 해당 지역에 미리 공급을 확보해 둘 수 있다. 플랫폼 한편에 자율적 의지를 가진 운전자가 있는 현재 상황에서는 운전자들에게 미리 수요정보를 알려줘 조금이나마 그쪽으로의 공급을 유도할 수 있다.


댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.