The strategy of determining the OHT path is such an important issue that the productivity of the logistics system is determined by how efficient OHTs move in the semiconductor process. With the recent development of the performance of deep learning, the field in which deep learning is used has expanded, reaching the field of predicting future traffic. Most traffic prediction algorithms only use information from the current state of the system. However, semiconductor process logistics systems utilize the characteristics that we can know and adjust the movements of all vehicles in advance. Using path information from all the vehicles, we attempt to understand future congestion situations using methods such as simple simulations to predict more accurate future track passing times.
반도체 공정에서 OHT들이 얼마나 효율적으로 움직이냐에 따라 해당 물류 시스템의 생산성이 결정될 정도로 OHT 경로 결정 전략은 중요한 문제이다. 최근 심층학습의 성능이 발전함에 따라 심층학습이 이용되는 분야가 넓어지고 있고, 이는 미래의 교통량을 예측하는 분야까지 이르렀다. 대부분의 교통량 예측 알고리즘은 시스템의 현재 상태의 정보만 사용한다. 하지만, 반도체 공정 물류 시스템에서는 우리가 모든 대차의 움직임을 미리 알 수 있고, 조정할 수 있다는 특징을 이용한다. 우리는 모든 대차들의 경로 정보를 이용하여 단순 시뮬레이션 등의 방법을 이용하여 미래의 혼잡 상황을 이해하여 더 정확한 미래의 선로 통과 시간을 예측하려고 한다.
