Аналіз практик застосування штучного інтелекту та машинного навчання для удосконалення результатів прокладання маршрутів у місті

DOI: 10.31673/2412-9070.2023.049000

Анотація

На тлі пандемії COVID-19 з 2019-го року, а саме через впровадження жорстких карантинних обмежень на перебування у громадських містах та загального страху від поширення вірусу, значно зріс світовий попит на послуги електронної комерції [8–11], зокрема доставки товарів до дверей. Набув значно ширшого застосування сценарій доставки товарів з магазину безпосередньо до дверей навіть у межах мікрорайонів міст [9; 10]. Особливо цей показник зріс у розвинених країнах. Відповідно, ринок кур’єрських та поштових послуг суттєво зріс [12; 13].
Активне використання кур’єрських послуг та послаблення карантинних заходів, що спричинило до повернення допандемійних рівнів використання громадського та персонального транспорту, з часом збільшили навантаження на міські дорожні комунікації. І хоча через підвищення світових цін на нафту, а, відповідно, підвищення цін на всі види пального, що виробляються з нафти, купівельна спроможність та настрої, щодо великих витрат, у споживачів падають [14], попит на кур’єрські і поштові послуги загалом не змінився, оскільки спостерігається тенденція зростання попиту на доставку продуктів харчування та товарів першої необхідності на тлі обмежень, як це було під час пандемії [9]. Окрім того, конкуренція на цьому ринку постійно зростає [15]. Ці чинники ставлять перед постачальниками цих послуг низку викликів, один з яких покращення методів та алгоритмів розрахунку маршрутів доставки у місті, оскільки багато з цих постачальників також покривають доставку в останній кілометр. Це необхідно в першу чергу для мінімізації супутніх витрат (паливо, технічне обслуговування транспорту тощо) і, відповідно, для створення кращої пропозиції для користувача.
У більшості випадків розрахунок маршруту доставки є типовою «задачею комівояжера». Більшість існуючих алгоритми для розрахунку маршрутів використовують статичні дані. На сьогоднішній день такі розрахунки для доставки в межах міста можуть швидко застарівати через низку факторів, такі як затори, що можуть бути спричинені різними обставинами, несприятливі погодні, тощо. Основна проблема класичних алгоритмів це необхідність у коригуванні маршрутів «на льоту», що вимагає постійного перерахунків. Класичні алгоритми, хоча і вираховують оптимальні маршрути ефективно, але є досить повільними, щоб за допомогою їх коригувати маршрути у режимі реального часу.
Одним із шляхів вирішення питання ефективного розрахунку маршрутів є застосування штучного інтелекту (ШІ) та машинного навчання (МН) та елементів машинного навчання у коригуванні результатів розрахунків через звичайні алгоритми або і повністю покласти на ШІ прокладання ефективних маршрутів.
У цій статті дослідження проводиться у контексті C2C доставки малогабаритних вантажів. Розглядається можливість покращення розрахунків прокладання ефективного шляху між точками зборів та видачі посилок на одному маршруті. Така схема передбачає збір та доставку посилок як супутній процес для кур’єра, наприклад у сценарії, коли людина для компенсації власних витрат на дорогу персональним транспортом хоче та може виконати доставку деяких посилок протягом свого маршруту. Таким чином, це дослідження розглядає можливості та практику покращення розрахунків таких маршрутів за допомогою ШІ та МН на основі попередніх пов’язаних досліджень.

Ключові слова: штучний інтелект; машинне навчання; доставка в останній кілометр; логістика; розрахунки у реальному часі; С2С.

Список використаної літератури
1. Kervola H., Kallionpää E., Liimatainen H. Delivering Goods Using a Baby Pram: The Sustainability of Last-Mile Logistics Business Models. URL: h t t p s : / / d o i . o r g / 1 0 . 3 3 9 0 / s u 1 4 2 1 1 4 0 3 1 (22.10.2022 р.)
2. Collaborative Mechanism for Pickup and Delivery Problems with Heterogeneous Vehicles under Time Windows / Y. Wang, Y. Yuan, X. Guan [et al.]. URL: https://doi.org/10.3390/su11123492 (25.06.2019 р.)
3. Recent advances in hybrid priority-based genetic algorithms for logistics and SCM network design / M. Gen, L. Lin, Y. Yun, H. Inoue. URL: https://doi.org/10.1016/j.cie.2018.08.025 (2018 р.)
4. Singh A., Wiktorsson M., Hauge J. B. Trends In Machine Learning To Solve Problems In Logistics. URL: https://doi.org/10.1016/j.procir.2021.10.010 (2021 р.)
5. Bosse S. Self-adaptive Traffic and Logistics Flow Control using Learning Agents and Ubiquitous Sensors. URL: https://doi.org/10.1016/j.promfg.2020.11.013 (2020 р.)
6. Knoll D., Prüglmeier М., Reinhart G. Predicting Future Inbound Logistics Processes Using Machine Learning. URL: https://doi.org/10.1016/j.procir.2016.07.078 (2016 р.)
7. A machine learning optimization approach for last-mile delivery and third-party logistics / M. E. Bruni, E. Fadda, S. Fedorov, G. Perboli // URL: https://doi.org/10.1016/j.cor.2023.106262 (2023 р.)
8. Covid-19 Pandemic as Sustainability Determinant of e-Commerce in the Creation of Information Society / W. Chmielarz, M. Zborowski, J. Xuetao [et al.]. URL: https://doi.org/10.1016/j.procs.2022.09.501 (2022 р.)
9. Telecommuting and food E-commerce: Socially sustainable practices during the COVID-19 pandemic in Canada / J. Music, S. Charlebois, V. Toole, C. Large. URL: https://doi.org/10.1016/j.trip.2021.100513 (2021 р.)
10. Has COVID-19 accelerated the E-commerce of agricultural products? Evidence from sales data of E-stores in China / J. Guo, S. Jin, J. Zhao [et al.]. URL: https://doi.org/10.1016/j.foodpol.2022.102377 (2022 р.)
11. Bilińska-Reformat K., Dewalska-Opitek A. Ecommerce as the predominant business model of fast fashion retailers in the era of global COVID 19 pandemics. URL: https://doi.org/10.1016/j.procs.2021.09.017 (2021 р.)
12. Kaplan M., Hotle S., Heaslip K. How has COVID-19 impacted customer perceptions and demand for delivery services: An exploratory analysis. URL: https://doi.org/10.1016/j.tranpol.2023.02.020 (2023 р.)
13. A literature review of the main factors influencing the e-commerce and last-mile delivery projects during COVID-19 pandemic / T. Campisi, A. Russo, S. Basbas [et al]. URL: https://doi.org/10.1016/j.trpro.2023.02.207 (2023 р.)
14. What matters for consumer sentiment in the euro area? World crude oil price or retail gasoline price? / S. Clerides, S. I. Krokida, N. Lambertides, D. Tsouknidis. URL: https://doi.org/10.1016/j.eneco.2021.105743 (2021 р.)
15. Ciani A., Mau K. Delivery times in international competition: An empirical investigation. URL: https://doi.org/10.1016/j.jdeveco.2022.103017 (2022 р.)
16. Hu J., Haddud A. Exploring the Impact of Globalization and Technology on Supply Chain Management: A Case of International E-Commerce Business.
URL: https://www.researchgate.net/publica -tion/338308216_Exploring_the_Impact_of_Globalization_and_Technology_on_Supply_Chain_Management_A_Case_of_International_E-Commerce_Business.