스마트 창고 출고 지연 예측 AI 경진대회

대회 중반까지는 괜찮은 single backbone을 찾는 과정이 어느 정도 성과가 있었지만, 막판에는 public 점수를 조금씩 짜내기 위해 구조가 다소 복잡해졌습니다. 최종 핵심은 row 단위 예측보다 scenario_id 내부 25-slot 흐름을 잘 반영하는 것이었습니다.

Raw data는 train/test/layout_info를 사용했습니다. EDA에서는 target 분포, 예측 분포, public-local gap, layout/slot/pressure 구간별 residual을 확인했습니다.

Feature Engineering은 layout 메타 병합, slot/phase 생성, scenario 내부 lag/lead/diff/acceleration, rank/z-score, 주문량 대비 robot/pack/charger capacity, charge queue/congestion/dock/pack pressure, imbalance/urgency feature 중심으로 구성했습니다.

모델은 LGBM 기반 MAE/log-target backbone을 중심으로 만들고, QC pressure 모델, winner-pattern 모델, scenario curve 모델을 조합했습니다. 가장 중요한 base는 scenario 25-slot curve stack이었습니다.

마지막은 cell-error routing입니다. layout/slot/pressure/congestion cell별로 base보다 좋은 candidate만 부분 반영했고, 이후 route 방향을 보수적으로 확장해 최종 제출을 만들었습니다.