왜 라우팅은 느린가 — 예측이 답이다
기존 라우팅이 느린 핵심 이유는, 배차할 때마다 모든 지점 쌍의 거리·시간 행렬(Matrix)을 반복해서 계산하기 때문입니다. 배송지가 n개면 비교해야 할 쌍이 n×n로 불어나, 대규모 배송에서 연산이 급증합니다. 게다가 '현재 교통'만 반영해 출발시간이 바뀌면 결과가 흔들리고 익일 계획에는 약합니다. TDTP는 시간대별 통행 패턴을 미리 학습해 출발시간을 반영한 Matrix를 즉시 추론(예측)하므로, 반복 호출이 사라져 엔진 연산이 10배 이상 빨라질 것으로 기대됩니다(2026년 7월말 상용화 예정).
배차 솔루션을 쓰다 보면 한 번쯤 겪습니다 — 배송지가 늘어나니 자동배차가 눈에 띄게 느려지고, 출발시간을 바꿔 다시 돌리면 결과가 또 달라집니다. 왜 그럴까요? 그리고 이걸 근본적으로 바꾸는 방법은 무엇일까요?
라우팅이 느려지는 진짜 이유 — Matrix와 반복 호출
배차의 출발점은 **거리·시간 행렬(Matrix)**입니다. 배송지가 n개라면, “A에서 B까지 얼마나 걸리는가”를 모든 쌍에 대해 알아야 하므로 n × n 규모의 표가 필요합니다. 배송지가 100개면 약 1만 쌍, 1,000개면 약 100만 쌍입니다.
문제는 배차 엔진이 좋은 동선을 찾는 과정에서 이 Matrix를 수없이 다시 들여다본다는 점입니다. 경로 후보를 바꿔 가며 비교하는 매 순간 거리·시간을 반복 조회·계산하기 때문에, 배송지가 늘면 연산량이 급격히 불어납니다. 라우팅이 느려지는 체감의 대부분이 여기서 옵니다.
참고로 SEECARGO의 현재 상용 엔진은 이 구조에서도 3,000 배송지·100대를 5분 이내, 153대·886지를 2분 이내(상용 P95 수준)로 처리합니다. 그럼에도 규모가 더 커질수록 반복 계산의 비용은 계속 증가합니다.
‘지금 교통’만 보는 또 하나의 한계
속도만 문제가 아닙니다. 대부분의 라우팅은 현재 시점의 교통을 반영합니다. 그래서 같은 배송지라도 출발시간을 아침에서 오후로 바꾸면 결과가 달라지고, 무엇보다 내일 아침의 배송을 오늘 계획하려 할 때 “내일 그 시간대의 통행”을 알 수 없습니다. 익일 운영계획을 미리 세우려는 현장일수록 이 한계가 큽니다.
예측이 답이다 — TDTP는 어떻게 작동하나
발상의 전환은 단순합니다. 매번 다시 계산하지 말고, 미리 학습해서 예측하자.
TDTP(Time-Dependent Travel Prediction)는 ITS 교통정보센터의 교통 데이터를 1억 건 이상 학습해, **출발시간을 반영한 거리·시간 Matrix를 즉시 추론(예측)**합니다. 즉 “이 구간을 오전 8시에 가면 얼마, 오후 2시에 가면 얼마”를 학습된 모델이 바로 내놓습니다.
| 기존 라우팅 | TDTP(예측 기반) | |
|---|---|---|
| Matrix 생성 | 그때그때 반복 계산 | 학습 모델이 즉시 추론 |
| 시간 반영 | 현재 교통 위주 | 출발 시간대별 통행 반영 |
| 익일 계획 | 약함(미래 미지) | 시간대 예측으로 사전 수립 가능 |
어떻게 10배 빨라지고, 무엇이 가능해지나
반복 호출이 사라지면 가장 먼저 속도가 바뀝니다. TDTP는 기존의 라우팅 반복 호출 구조를 학습 기반 즉시 추론으로 대체해, TMS 엔진 연산을 10배 이상 가속할 것으로 기대됩니다(2026년 7월말 상용화 예정).
그리고 속도보다 더 중요한 변화가 따라옵니다. 시간대별 통행을 예측할 수 있으면, 익일 배송 운영계획(차량 배정·경로·출발시간)을 미리 세울 수 있습니다. 이것이 다음 단계인 AI Scheduler(2026년 말 서비스 적용 목표)의 토대입니다. 운영 구조가 “사람이 그때그때 계획을 짜는 추천형”에서 “AI가 익일 계획을 사전 생성하고 관리자가 검토·승인하는 실행형”으로 옮겨 가는 것입니다.
(기술 박스) H3 + GCN-MLP
TDTP의 추론은 두 가지를 결합한 하이브리드 구조입니다.
- H3 공간 인덱스 — 지도를 육각형 격자로 나눠 위치와 도로를 효율적으로 다룹니다.
- GCN-MLP — 도로망의 공간 연결관계(어디가 어디로 이어지는가)를 그래프로 학습하고, 거기에 시간·수치 특성(시간대, 속도 등)을 결합해 이동시간을 추론합니다.
이 접근은 단순 통계 평균을 넘어, 도로가 서로 연결된 구조와 시간의 흐름을 함께 반영한다는 점에서 차이가 있습니다. 그 기반에는 라우팅 관련 특허(노이징 기반 차량 라우팅)도 자리합니다.
SEECARGO는 이렇게 해결합니다
SEECARGO의 배차는 두 단계로 이 문제를 풉니다 — 지금 쓸 수 있는 것과, 곧 더해질 것을 명확히 구분합니다.
- 현재(상용) — 자체 TMS 배차·경로 엔진으로, 반복 호출 구조에서도 3,000 배송지·100대를 5분 이내로 처리합니다(상용 P95 수준).
- 2026년 7월말(예정) — TDTP — 시간대별 통행을 1억 건 이상 학습해 출발시간을 반영한 Matrix를 즉시 추론합니다. 반복 계산이 사라져 엔진 연산이 10배 이상 빨라질 것으로 기대됩니다.
- 2026년 말(목표) — AI Scheduler — 예측 Matrix에 익일 주문·차량 가용성을 결합해, AI가 익일 운영계획(차량 배정·경로·출발시간)을 사전 수립하고 관리자가 검토·승인합니다.
즉 “현재 교통 반영 최적경로”에 머무는 것이 아니라, 예측 기반으로 한발 앞서 익일을 계획하는 실행형 운영으로 나아가는 것입니다. 그 기반에는 라우팅 관련 특허(노이징 기반 차량 라우팅)와 14년 엔진 트랙레코드(TMAP TMS 엔진 등)가 있습니다.