Приложения машинного обучения для прогнозирования сроков доставки и планирования перевозок
Ключевые слова:
задача маршрутизации транспортных средств с временными окнами (VRPTW), модели машинного обучения, оптимизация логистики, прогнозирование времени в пути, улучшение моделей случайного леса, методы обработки данныхАннотация
Стремительное развитие технологий оказывает огромное влияние на логистику и грузоперевозки. Эффективное управление графиками перевозок критически важно для предприятий, стремящихся минимизировать затраты, сократить задержки доставки и повысить удовлетворенность клиентов. Одна из ключевых задач в этой области – задача маршрутизации транспортных средств с временными окнами (VRPTW), которая требует не только поиска оптимальных маршрутов доставки, но и соблюдения определенных временных ограничений для каждого клиента или пункта доставки. Традиционные методы оптимизации часто сталкиваются со сложностью и динамичностью реальных логистических процессов, особенно при работе с большими объемами данных и непредсказуемыми факторами, такими как пробки на дорогах или погодные условия. Для устранения этих ограничений в данном исследовании представлена система на основе машинного обучения, которая повышает производительность существующих решений VRPTW. В отличие от традиционных подходов, которые полагаются исключительно на эвристику или статическое планирование, наша система использует современные модели машинного обучения для прогнозирования ключевых временных параметров, включая время доставки, время доступности и время обслуживания, на основе исторических и контекстных данных. Эти возможности прогнозирования позволяют алгоритмам маршрутизации принимать более обоснованные решения, что приводит к более точному и адаптируемому планированию. Опираясь на предыдущие исследования с использованием моделей случайного леса, мы предлагаем более надежную структуру, которая включает в себя передовые методы предварительной обработки и проектирование признаков для повышения точности модели. Обучая и оценивая систему с использованием реальных наборов данных, мы можем моделировать практические сценарии и подтверждать эффективность нашего подхода. Результаты экспериментов показывают, что предложенный метод стабильно превосходит распространенные модели машинного обучения с точки зрения средней абсолютной ошибки (MAE), тем самым подтверждая его потенциал для практического применения. Таким образом, данное исследование вносит свой вклад в масштабируемое и интеллектуальное решение давней логистической проблемы, открывая путь к более гибким и экономически эффективным транспортным системам.
Литература
2. Li F., Yang X., Zhu R., Li T., Liu J. Growth mechanism in transformation and upgrading of logistics industry. Systems. 2025. vol. 13. no. 3. p. 202.
3. Hung N.V., Luu D.L., Dong N.S., Lupu C. Reducing time headway for cooperative vehicle following in platoon via information flow topology. Journal of Control Engineering and Applied Informatics. 2024. vol. 26. no. 2. pp. 77–87.
4. Maroof A., Ayvaz B., Naeem K. Logistics optimization using hybrid genetic algorithm (hga): a solution to the vehicle routing problem with time windows (vrptw). IEEE Access. 2024.
5. Leng K., Li S. Distribution path optimization for intelligent logistics vehicles of urban rail transportation using VRP optimization model. IEEE Transactions on Intelligent Transportation Systems. 2021. vol. 23. no. 2. pp. 1661–1669.
6. Luu D.L., Hung N.V., Lupu C. Tracking trajectory by using the polynomial method for acc system based on smart car platform. 17th International Conference on Engineering of Modern Electric Systems (EMES). IEEE, 2023. pp. 1–4.
7. Kovacs L., Jlidi A. Neural networks for vehicle routing problem. arXiv preprint arXiv:2409.11290. 2024.
8. Osman O., Rakha H., Mittal A. Application of long short term memory networks for long-and short-term bus travel time prediction. Preprints. 2021. vol. 2021040269.
9. Iklassov Z., Sobirov I., Solozabal R., Takac M. Reinforcement learning for solving stochastic vehicle routing problem with time windows. arXiv preprint arXiv:2402.09765. 2024.
10. Daouda A.S.M., Atila U. A hybrid particle swarm optimization with tabu search for optimizing aid distribution route. Artificial Intelligence Studies. 2024. vol. 7. no. 1. pp. 10–27.
11. Dewantoro R.W., Sihombing P. et al. The combination of ant colony optimization (aco) and tabu search (ts) algorithm to solve the traveling salesman problem (tsp). 3rd International Conference on Electrical, Telecommunication and Computer Engineering (ELTICOM). IEEE, 2019. pp. 160–164.
12. Rohini V., Natarajan A. Comparison of genetic algorithm with particle swarm optimisation, ant colony optimisation and tabu search based on university course scheduling system. Indian Journal of Science and Technology. 2016. vol. 9. no. 21. pp. 1–5.
13. Chen J., Gui P., Ding T., Na S., Zhou Y. Optimization of transportation routing problem for fresh food by improved ant colony algorithm based on tabu search. Sustainability. 2019. vol. 11. no. 23. p. 6584.
14. Zinov V., Kartak V., Valiakhmetova Y. Solving multi-objective rational placement of load-bearing walls problem via genetic algorithm. Informatics and Automation. 2025. vol. 24. no. 2. pp. 464–491.
15. Gharbi A., Ayari M., El Touati Y. Intelligent agent-controlled elevator system: Algorithm and efficiency optimization. Informatics and Automation. 2025. vol. 24. no. 1. pp. 30–50.
16. Nazari M., Oroojlooy A., Snyder L., Takac M. Reinforcement learning for solving the vehicle routing problem. Advances in neural information processing systems. 2018. vol. 31.
17. Wu R., Wang R., Hao J., Wu Q., Wang P., Niyato D. Multiobjective vehicle routing optimization with time windows: A hybrid approach using deep reinforcement learning and nsga-ii. IEEE Transactions on Intelligent Transportation Systems. 2024.
18. Ata K.I.M., Hassan M.K., Ismaeel A.G., Al-Haddad S.A.R., Alani S. et al. A multi-layer cnn-gruskip model based on transformer for spatial-temporal traffic flow prediction. Ain Shams Engineering Journal. 2024. vol. 15. no. 12. p. 103045.
19. Zhang X., Chan K.W., Li H., Wang H., Qiu J., Wang G. Deep-learning-based probabilistic forecasting of electric vehicle charging load with a novel queuing model. IEEE transactions on cybernetics. 2020. vol. 51. no. 6. pp. 3157–3170.
20. Yang Y.-Q., Lin J., Zheng Y.-B. Short-time traffic forecasting in tourist service areas based on a cnn and gru neural network. Applied Sciences. 2022. vol. 12. no. 18. p. 9114.
21. Guo F., Wei Q., Wang M., Guo Z., Wallace S.W. Deep attention models with dimension-reduction and gate mechanisms for solving practical time-dependent vehicle routing problems. Transportation research part E: logistics and transportation review. 2023. vol. 173. p. 103095.
22. Zafar N., Haq I.U., Chughtai J.-u.-R., Shafiq O. Applying hybrid lstm-gru model based on heterogeneous data sources for traffic speed prediction in urban areas. Sensors. 2022. vol. 22. no. 9. p. 3348.
23. Hou M., Liu S., Zheng Q., Liu C., Zhang X., Kang C. A deep learning based communication traffic prediction approach for smart monitoring of distributed energy resources in virtual power plants. IET Smart Grid. 2024. vol. 7. no. 5. pp. 653–671.
24. Hung N.V., Luu D.L., Pham Q.T., Lupu C. Comparative analysis of different spacing policies for longitudinal control in vehicle platooning. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering. 2024. DOI: 10.1177/09544070241273985.
25. Kool W., Van Hoof H., Welling M. Attention, learn to solve routing problems! arXiv preprint arXiv:1803.08475. 2018.
26. Cheng Q., Yuangyai C., Zhan Y.-Q., Cheng C.-Y. Optimizing vehicle routing by incorporating driver preferences: A pointer network and deep q network (pndqn) approach.
27. Li K., Zhang T., Wang R. Deep reinforcement learning for multiobjective optimization. IEEE transactions on cybernetics. 2020. vol. 51. no. 6. pp. 3103–3114.
28. Jiang W., Han H., Zhang Y., Wang J., He M., Gu W., Mu J., Cheng X. Graph neural networks for routing optimization: Challenges and opportunities. Sustainability. 2024. vol. 16. no. 21. p. 9239. DOI: 10.3390/su16219239.
29. Bahovska E. Graph neural networks in neighbourhood selection for a vehicle routing problem solver. Master’s thesis. 2023.
30. Tien Z.C., Qi-lee J. Enhancing vehicle routing problem solutions through deep reinforcement learning and graph neural networks. International Journal of Enterprise Modelling. 2022. vol. 16. no. 3. pp. 125–135.
31. Nguyen H., Dao T.N., Pham N.S., Dang T.L., Nguyen T.D., Truong T.H. An accurate viewport estimation method for 360 video streaming using deep learning. EAI Endorsed Trans. Ind. Networks Intell. Syst. 2022. vol. 9. no. 4. p. e2. DOI: 10.4108/eetinis.v9i4.2218.
32. Inzillo V., Garompolo D., Giglio C. Enhancing smart city connectivity: A multi-metric cnn-lstm beamforming based approach to optimize dynamic source routing in 6g networks for MANETs and VANETs. Smart Cities. 2024. vol. 7. no. 5. pp. 3022–3054.
33. “solomon-100”. Available at: https://www.sintef.no/globalassets/project/top/vrptw/solomon/solomon-100.zip (accessed 30.05.2025).
34. “solomon-200”. Available at: https://www.sintef.no/globalassets/project/top/vrptw/homberger/200/homberger_200_customer_instances.zip (accessed 30.05.2025).
35. “solomon-400”. Available at: https://www.sintef.no/globalassets/project/top/vrptw/homberger/400/homberger_400_customer_instances.zip (accessed 30.05.2025).
36. Weisstein E.W. Distance. html, 2003, from MathWorld – A Wolfram Web Resource. Available at: https://mathworld.wolfram.com/Distance (accessed 30.05.2025).
37. Solomon M.M. Algorithms for the Vehicle Routing and Scheduling Problems with Time Window Constraints. Operations Research. 1987. vol. 35. no. 2. pp. 166–324.
38. Kim Y.H., Kim I., Kim Y.-J., Kim M., Cho J.-H., Hong M., Kang K.-H., Lim S.-H., Kim S.-J., Kim N. et al. The prediction of sagittal chin point relapse following two-jaw surgery using machine learning. Scientific Reports. 2023. vol. 13. no. 1. DOI: 10.1038/s41598-023-44207-2.
39. Sulistio B., Warnars H.L.H.S., Gaol F.L., Soewito B. Energy sector stock price prediction using the CNN, GRU & LSTM hybrid algorithm. International Conference on Computer Science, Information Technology and Engineering (ICCoSITE). IEEE, 2023. pp. 178–182.
40. Gorishniy Y., Rubachev I., Khrulkov V., Babenko A. Revisiting deep learning models for tabular data. Advances in neural information processing systems. 2021. vol. 34. pp. 18932–18943.
41. Popov S., Morozov S., Babenko A. Neural oblivious decision ensembles for deep learning on tabular data. arXiv preprint arXiv:1909.06312. 2019.
Опубликован
Как цитировать
Раздел
Copyright (c) Нгуен Вьет Viet Хунг, Unknown, Unknown, Unknown, Unknown

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).