Iparági ÚTMUTATÓ

AI az utolsó mérföldes kézbesítésben és az útvonaloptimalizálásban

Az utolsó mérföldes kézbesítés során az AI optimalizálási algoritmusokat és gépi tanulást használ annak eldöntésére, hogy melyik sofőr melyik csomagot szállítsa, milyen sorrendben kell meglátogatni a megállókat, és mikor érkezzen meg az egyes kézbesítés.

Hallgassa meg ezt az útmutatótAI-narrált · ~3 min

Ezen az oldalon4 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. Az AI jövője az utolsó mérföldes kézbesítésben és az útvonaloptimalizálásban
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

Ez azért fontos, mert az utolsó szakasz a küszöbig gyakran a szállítás legdrágább része. A kisebb útvonalnövekedés üzemanyagot, időt és károsanyag-kibocsátást takarít meg több millió megálláson keresztül.

Mély merülés

A szállítójárművek útvonaltervezése a járműútválasztási probléma (VRP) tankönyvi esete, az utazó eladó problémájának általánosítása. Adott egy raktár, egy flotta és egy sor megállót, a cél olyan útvonalak, amelyek minimalizálják a teljes költséget, miközben megfelelnek a korlátoknak. Ide tartozik a jármű kapacitása, a sofőr műszakának hossza, az ügyfélidő-ablakok, és néha az átvétel és a kiszállítás párja. A probléma NP-nehéz: a megállóhelyek számának növekedésével a pontos megoldások nem praktikusak, ezért a valódi rendszerek a heurisztikákra támaszkodnak (ökölszabályok, amelyek megtalálják a jó, nem garantáltan legjobb válaszokat). A klasszikus módszerek közé tartozik a Clarke-Wright megtakarítási algoritmus 1964-ből és a helyi keresési lépések, például a 2-opt, amely feloldja a keresztező útvonalszakaszokat. A modern megoldók, köztük az olyan nyílt forráskódú eszközök, mint a Google OR-Tools, kombinálják ezeket a metaheurisztikákkal, amelyek számos lehetséges megoldást feltárnak. Jól ismert példa a UPS ORION rendszere, amelyet a 2010-es években vezettek be. Optimalizálja az egyes vezetők megállásának sorrendjét. A UPS arról is ismert, hogy régóta előnyben részesíti azokat az útvonalakat, amelyek elkerülik a balra kanyarodást, ahol praktikus, és valamivel nagyobb távolságokat keres a kevesebb üresjárat és kockázatos kanyar érdekében. A gépi tanulás előrejelzést ad az optimalizáláson felül. A modellek megbecsülik az utazási időt a napszak, a szervizelési idő szerint az egyes megállóknál (parkoló megtalálása, lépcsőzés, aláírás beszerzése), valamint a szállítás meghiúsulásának esélyét. 2021-ben a Amazon és az MIT kutatási kihívást indított, amelyben arra kérte a csapatokat, hogy ismerjék meg a tapasztalt járművezetők által ténylegesen előnyben részesített útvonalakat, mert nem mindig a matematikailag legrövidebb út az, amelyik az utcán működik. Az élelmiszer- és élelmiszerbolt-alkalmazások keményebb, dinamikus verzióval néznek szembe. A rendelések folyamatosan érkeznek, így a feladás valós időben dönti el, hogy melyik futár melyik rendelést kapja meg, és hogy csomagolja-e a rendeléseket, egyensúlyba hozva a sebességet a futárok elfoglaltságával. Gyakori tévhit, hogy az útvonaltervezés csak a legrövidebb útvonalú navigáció. A navigáció két pont között talál egy utat. Az útvonaloptimalizálás több száz megállóhely sorrendjét és hozzárendelését határozza meg.

Valós megvalósítás

A csomagszállító tervezőrendszere egyik napról a másikra felosztja a másnapi csomagokat a furgonjai között, figyelembe véve az egyes járművek kapacitását és az ügyfelek kézbesítési ablakait.

Az ételszállítási platform két rendelést ad egy futárnak ugyanabból az étteremből, amikor az előre jelzett főzési és utazási idő azt jelenti, hogy mindkettő melegen érkezik.

Az élelmiszer-kiszállítási szolgáltatás előrejelzi az érkezési időket a múltbeli adatok alapján, amelyek arra vonatkoznak, hogy a sofőrök mennyi ideig tartanak a parkoláshoz és az apartmanok ajtajáig való gyalogláshoz, nem csak az úton töltött idejüket.

Amikor egy út a műszak közepén lezárul, a dinamikus átirányítás átrendeli az egyik vezető hátralévő megállóit, ahelyett, hogy a teljes flotta tervet újraszámítaná.

Az AI jövője az utolsó mérföldes kézbesítésben és az útvonaloptimalizálásban

Az útvonaltervezés kiforrott terület, így a haladás valószínűleg fokozatos lesz: az utazási és szolgáltatási idő jobb előrejelzése, a tanult heurisztika, amely felgyorsítja a megoldásokat, és szorosabb kapcsolatok az érkezési időszakok ügyfelek felé történő kommunikálásával. Az elektromos kisteherautók olyan korlátozásokat adnak, mint a hatótáv és a töltési leállások. A járdarobotokkal, drónokkal és csomagmegőrzőkkel végzett kísérletek új járműtípusok és átadási pontok hozzáadásával változtatják meg a problémát, bár ezek használatának elterjedése helyenként nagymértékben változik. Mindezek révén a mag ugyanaz marad: a pontos előrejelzések egy jó optimalizálót táplálnak, és a járművezetők helyismerete továbbra is értékes.

A gyakorlatba ültetés

Miért számít

  • Kontextus és szabályok. Az iparági kontextus határozza meg, hogy az AI ötletek túlélik-e a valósággal való érintkezést.
  • Minőségellenőrzés. A tartományi korlátok befolyásolják az elfogadható hibaarányt és a felügyeleti modelleket.
  • Építési lehetőségek. A sikeres telepítések összehangolják a műszaki képességeket a frontvonalbeli munkafolyamatokkal.

Vigyázz

  • A szabályozási követelmények érvényteleníthetik az egyébként erős prototípusokat.
  • A korábbi adatok olyan elfogultságot kódolhatnak, amely bizonyos közösségeket károsít.
  • Az örökölt rendszerek szűk keresztmetszeteket és rejtett költségeket okozhatnak az integrációban.

Következő lépések

  1. Vonjon be területi szakértőket a probléma megfogalmazásától az értékelésig.
  2. Tervezze meg az ellenőrzési nyomvonalakat és a dokumentációt az indítás előtt.
  3. Korán érvényesítse a megfelelési és biztonsági kötelezettségeket.
  4. Fázisokban történő bevezetés egyértelmű leállítási és visszaállítási kritériumokkal.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.

Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.

Teszteld magad

Take the AI in Last-Mile Delivery and Route Optimization quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

Mi az AI az utolsó mérföldes kézbesítésben és az útvonaloptimalizálásban?

Az utolsó mérföldes kézbesítés során az AI optimalizálási algoritmusokat és gépi tanulást használ annak eldöntésére, hogy melyik sofőr melyik csomagot szállítsa, milyen sorrendben kell meglátogatni a megállókat, és mikor érkezzen meg az egyes kézbesítés. Ez azért fontos, mert az utolsó szakasz a küszöbig gyakran a szállítás legdrágább része. A kisebb útvonalnövekedés üzemanyagot, időt és károsanyag-kibocsátást takarít meg több millió megálláson keresztül.

Melyik klasszikus probléma általánosítása a jármű-útválasztási probléma?

A VRP kiterjeszti az utazó eladó problémáját több járműre, kapacitással, időablakkal és egyéb korlátokkal.

Miért támaszkodnak a valós útválasztási rendszerek a heurisztikára az egzakt megoldások helyett?

Mivel a VRP NP-kemény, a pontos válaszokhoz szükséges számítási szám robbanásszerűen megnő. A heurisztika gyakorlati időhatárokon belül jó megoldásokat talál.

Mit csinál a 2-opt lépés?

A 2-opt eltávolítja a két élt, és a másik irányba kapcsolja újra az útvonalat, ami feloldja a kereszteződéseket, és általában lerövidíti az útvonalat.

Mi volt a 2021-es Amazon és MIT kutatási kihívás célja?

A kihívás arra kérte a csapatokat, hogy modellezzék, milyen útvonalakat járnak be a járművezetők, mert a matematikailag legrövidebb útvonal nem mindig működik a gyakorlatban.

A szállítás tervezésénél mire vonatkozik a szolgáltatási idő?

A szolgálati idő az egyes megállókban eltöltött idő, a vezetésen kívül. Nehéz megjósolni, és az érkezési idő hiba fő forrása, ezért az ML modellek címenként becsülik meg.