ДалееСледующее руководство
ИИ в оптимизации лигандов-кандидатов
Отрасли
РУКОВОДСТВО ПО Отраслям
ИИ в доставке «последней мили» использует алгоритмы оптимизации и машинное обучение, чтобы решить, какой водитель какие посылки везет, в каком порядке посещать остановки и когда прибудет каждая доставка.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Это важно, потому что последний этап доставки зачастую является самой дорогой частью доставки. Небольшая выгода от маршрутизации экономит топливо, время и выбросы на миллионах остановок.
Маршрутизация транспортных средств доставки — это хрестоматийный пример задачи маршрутизации транспортных средств (VRP), обобщения задачи коммивояжера. Учитывая наличие депо, автопарка и набора остановок, целью являются маршруты, которые минимизируют общие затраты при соблюдении ограничений. К ним относятся вместимость транспортного средства, продолжительность смены водителя, временные окна для клиентов, а иногда и пары пикапов и доставок. Проблема NP-сложна: точные решения становятся непрактичными по мере роста числа остановок, поэтому реальные системы полагаются на эвристику (эмпирические правила, которые находят хорошие, а не гарантированно лучшие ответы). Классические методы включают в себя алгоритм экономии Кларка-Райта 1964 года и ходы локального поиска, такие как 2-opt, который распутывает пересекающиеся сегменты маршрута. Современные решатели, в том числе инструменты с открытым исходным кодом, такие как OR-Tools от Google, сочетают их с метаэвристикой, которая исследует множество возможных решений. Хорошо известным примером является система UPS ORION, развернутая в 2010-х годах. Он оптимизирует порядок остановок каждого водителя. UPS также известна своим давним предпочтением маршрутов, которые избегают левых поворотов на перекрестках, где это возможно, и обменивают немного большие расстояния на меньшие простои на холостом ходу и меньше рискованных поворотов. Машинное обучение добавляет прогнозирование поверх оптимизации. Модели оценивают время в пути по времени суток, времени обслуживания на каждой остановке (поиск парковки, подъем по лестнице, получение подписи) и вероятности срыва доставки. В 2021 году Amazon и MIT провели исследование, предложив командам изучить маршруты, которые на самом деле предпочитают опытные водители, поскольку математически самый короткий маршрут не всегда подходит для улицы. Приложения для продуктов питания и продуктов питания сталкиваются с более сложной и динамичной версией. Заказы поступают постоянно, поэтому диспетчерская служба в режиме реального времени решает, какой курьер какой заказ получит и следует ли объединять заказы, балансируя между скоростью и занятостью курьеров. Распространенным заблуждением является то, что маршрутизация — это всего лишь навигация по кратчайшему пути. Навигация находит путь между двумя точками. Оптимизация маршрута определяет порядок и назначение сотен остановок.
В одночасье система планирования курьерской службы распределяет посылки на следующий день между своими фургонами с учетом вместимости каждого транспортного средства и окон доставки клиентов.
Платформа доставки еды дает одному курьеру два заказа из одного и того же ресторана, хотя прогнозируемое время приготовления и время в пути означают, что оба заказа все равно прибудут теплыми.
Служба доставки продуктов прогнозирует время прибытия, используя прошлые данные о том, сколько времени водителям требуется, чтобы припарковаться и дойти до дверей квартиры, а не только время в дороге.
Когда дорога закрывается в середине смены, динамическое изменение маршрута меняет порядок оставшихся остановок одного водителя вместо перерасчета плана для всего автопарка.
Маршрутизация — это зрелая область, поэтому прогресс, скорее всего, будет постепенным: более точные прогнозы времени в пути и обслуживания, изученные эвристики, которые ускоряют работу решателей, и более тесные связи с тем, как окна прибытия сообщаются клиентам. Электрические фургоны добавляют ограничения, такие как запас хода и остановки для зарядки. Эксперименты с тротуарными роботами, дронами и камерами хранения посылок решают проблему, добавляя новые типы транспортных средств и точки передачи, хотя то, насколько широко они используются, сильно зависит от региона. Несмотря на все это, суть остается прежней: точные прогнозы, необходимые для хорошего оптимизатора, при этом знания водителей о местных условиях по-прежнему ценны.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
ИИ в доставке «последней мили» использует алгоритмы оптимизации и машинное обучение, чтобы решить, какой водитель какие посылки везет, в каком порядке посещать остановки и когда прибудет каждая доставка. Это важно, потому что последний этап доставки зачастую является самой дорогой частью доставки. Небольшая выгода от маршрутизации экономит топливо, время и выбросы на миллионах остановок.
VRP расширяет задачу коммивояжера на несколько транспортных средств с вместимостью, временными окнами и другими ограничениями.
Поскольку VRP является NP-сложным, объем вычислений, необходимых для получения точных ответов, стремительно растет. Эвристика находит хорошие решения в практические сроки.
2-opt удаляет два ребра и соединяет маршрут в другую сторону, что распутывает пересечения и обычно сокращает маршрут.
Задача состояла в том, чтобы команды смоделировали маршруты, которые на самом деле выбирают водители, поскольку математически кратчайший маршрут не всегда работает на практике.
Время обслуживания – это время, проведенное на каждой остановке, не считая времени вождения. Это трудно предсказать, и это основной источник ошибки времени прибытия, поэтому модели машинного обучения оценивают ее для каждого адреса.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
ИИ в оптимизации лигандов-кандидатов
Отрасли