按需最后一英里交通：利用位置智能进行实时路线优化

akhiislamakhi22

这篇文章可能描述旧版本的功能。在此处了解最新的云原生版本。近年来我们看到大量市场平台的出现将客户与各种产品和服务连接起来。和就是一个明显的例子它们允许你订购基本上任何东西的取货和送货服务从乘车到食物甚至小包裹并在一两个小时内送达。送货服务从物流的角度来看有效地运行这项服务是一项挑战并且在面对激烈的行业竞争时这一点变得越来越重要。由于问题的性质与标准物流公司的问题有很大同传统的物流解决方案再适合规划此类服务。如果我们看一下任何常规的第三方物流公司他们通常会在某个截止时间之前接受次日交货订单以便他们有足够的时间来计划第二天的路线。按需服务的情况并非如此在这种服务中必须几乎实时处理和分配新订单并且没有有关可能收到的订单的未来信息。众所周知这两个问题都很难解决特别是如果我们想确保我们以最佳方式运营或至少比竞争对手更好的话。

这就是空间数据科学可以发挥作用的地方因为它允许我们构建模拟现有条件的数据模型为我们提供有关现有约束低效分配等的见解。传统与按需最后一英里运输问题虽然这两个问 瑞典 WhatsApp 号码数据 题都很难解决但每个问题的复杂性都处于同的阶段。传统的最后一英里运输问题是车辆路径问题这是一种组合优化问题从算法设计和计算的角度来看其复杂性。与实时按需运输问题相比它们的明显优势在于有关订单和司机可用性的所有信息都是事先已知的通常需要立即提供解决方案。这使得更容易找到接近最优的解决方案。有几种算法旨在解决这个问题并且有几种求解器使用这些算法实现了商业和开源。另一方面实时按需运输问题是较小的问题因为可用信息较少但需要立即响应。在这里我们只知道在检查系统状态之前发生了什么并且大部分内容无法更改因为它已经交付了。由于缺乏未来信息并且无法改变过去的决策这可能导致路由效率非常低。



克服这种狭隘的问题视角成为主要挑战。下图很好地体现了这种狭隘的视野我们只能看到每分钟时间窗口下的订单。一旦过了这个时间窗口我们就无法改变我们所做的任务而且我们对即将到来的订单也没有愿景。在物流文献中对于如何克服这种狭隘视野问题达成了共识增加决策的灵活性并尝试获取尽可能多的未来信息。第一点与尽可能推迟决策并做出可以轻松撤消或更改的决策有关。第二个涉及使用其他数据科学技术例如预测来拓宽我们的视野。这个问题更难归类为问题类别因为这取决于所提供服务的复杂性以及我们想要优化路线的程度。它可以从简单分配问题如果我们只需要考虑与狭窄时间窗口相关的信息到如果我们需要考虑在算法的当前迭代之前驾驶员已经做了什么。主要的挑战是能够计算所有所需的成本并设计一种算法可以在几秒钟内找到接近最优的解决方案。还可能存在其他挑战需要克服例如在开始一天之前计算我们需要多少司机我们需要什么车队或者计算接下来的分钟小时的预测。这两种情况下要解决的问题存在巨大差异使得传统物流解决方案即使是可能也很难适应按需运输问题。