공장 내에서의 신속한 자동 물류는 생산성을 극대화하는 데 필수적이다. 반도체 제조에서 가장 중요한 물류 관리의 하나는 오버헤드 호이스트 수송기(OHTs)의 효율적 운영이다. OHT를 통해 지연 없이 웨이퍼를 이송하기 위해서는 OHT 철도에서의 단기 교통 혼잡을 정확히 예측할 필요가 있다. 그러나 모든 교통 상황을 조사하고 동적 교통 변화를 반영해야 하므로, 혼잡 예측은 상당한 도전 과제이다. 이러한 문제를 해결하기 위해 여러 연구에서 기계학습 접근법을 활용해 왔으나, 대규모 입력 특성에서 비롯되는 성능 편향으로 인해 단기 혼잡 예측에는 한계가 있다. 순환 신경망은 교통 흐름 예측에 효과적이다. 그러나 예측 불가능한 상·하차 사건과 교통량의 변동성 때문에 OHT 철도 혼잡 예측에는 적합하지 않을 수 있다. 따라서 본 연구는 철도 네트워크의 현재 상태와 교통 상황의 예상 변화를 고려하여 여러 신경망을 학습하는 통합 신경망 기반 방법을 제안한다. 제안한 방법의 효과를 검증하기 위해, 실제 반도체 제조 공정의 환경을 반영하도록 시뮬레이션 데이터셋을 사용하였다. 실험 결과, 제안한 방법은 기계학습 및 딥러닝 기반 방법을 포함한 기존 방법들보다 우수한 성능을 보였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.