Автоматическое планирование рейсов городской автодоставки

Заказчик
ГК «Деловые Линии»
Руководитель проекта со стороны заказчика
ИТ-поставщик
BIA Technologies
Год завершения проекта
2020
Сроки выполнения проекта
Январь, 2017 - Декабрь, 2020
Масштаб проекта
90000 человеко-часов
Цели

Снижение затрат транспортной компании за счёт внедрения технологии автоматического планирования рейсов городской автодоставки, обеспечивающей:

· построение рациональных рейсов для повышения производительности автотранспорта, позволяющее выполнять большее число заказов без расширения парка;

· снижение трудозатрат логистов;

· повышение лояльности клиентов, благодаря автоматическому учёту его требований при формировании рейсов и снижения влияния человеческого фактора.

Уникальность проекта

Разработанная система автодоставки позволяет планировать около двух тысяч рейсов ежедневно для экспедирования грузов клиентов во всех городах РФ. Математическая модель содержит порядка 400 различных параметров, позволяющих задавать особенности планирования и учитывать факторы важные для каждого города и каждого клиента. При этом модель способна быстро распределять заявки на сотни машин, повышая производительность логиста.
Применение технологии автоматического планирования рейсов позволило повысить производительность использования автотранспорта, снизить нагрузку на логистов, сохранив при этом заданные показатели качества автодоставки. После внедрения системы, логист города-миллионника корректирует не более 10-15% рейсов, заменяя буквально считаные заказы, затрачивая на это 15-20 минут в конце рабочего дня.
Проект решает задачи импортозамещения
Нет
Использованное ПО

АРМ и учётная часть системы: 1С 8.3.10

Математический модуль:

JVM приложение (Ceylon, Kotlin с использованием Quarkus)

Шина - Apache Kafka

База данных - MongoDB

Логирование (отображение) - Kibana

Логирование (сбор) - Elasticsearch

Мониторинг (отображение) - Grafana

Мониторинг (сбор) - Prometheus

Оркестрация, поднятие расчётных под - Kubernetes

Контейнеры – Docker

Картографические сервисы: Google, Яндекс, СитиГид.
Сложность реализации

Для повышения производительности автотранспорта, при автоматическом планировании рейсов, использовались подходы, недоступные логистам. Но радикальное изменение логики планирования привело к построению слишком непривычных и по разным причинам неудобных рейсов, которые невозможно быстро скорректировать. Новая стратегия проекта потребовала сначала «научить» систему строить рейсы примерно так же как это делает логист, и после этого, с большей осторожностью изменять логику их формирования. Потребовалось расширить математическую модель, которая стала учитывать особенности планирования логистов, и позволила гибко применять политику качества планирования, в зависимости от особенностей режима работы логистов. Для решения задачи алгоритмизации, ранее не оцифрованных бизнес-правил планирования рейсов, потребовалось проведение множества исследований и учет огромного числа параметров.

Также мы столкнулись с ошибками в адресных данных, которые допускали клиенты, приводивших к неверному геокодированию и формированию некорректных рейсов. В системе были реализованы инструменты для быстрого поиска и исправления таких ошибок.

Начальное наполнение базы знаний, необходимой для полноценной работы математической модели, предполагает оцифровку опыта сотрудников, а это сложная и трудоёмкая задача, сдерживающая темпы внедрения всех возможностей системы. Для решения этой проблемы была подготовлена группа экспертов, которые помогают своим коллегам на местах справляться с наполнением базы знаний закрепленных за ними городов, и увеличивать их вовлеченность.
Описание проекта

В ходе проекта разработана новая TMS городской автодоставки, в которой потребовалось повторить все функциональные возможности и интеграции с другими системами и процессами, ранее использовавшиеся заказчиком, сделать их более технологичными и удобными. Все элементы системы разработаны самостоятельно, т.к. подходящих коробочных решений на рынке не существует.

Для реализации функциональности автоматического планирования потребовалось:

· разработать подсистему математического моделирования;

· сформировать базу знаний для хранения параметров, используемых при моделировании, а также модуль для её актуализации;

· выполнить интеграцию с сервисами прогноза пробок и геокодирования;

· модернизировать функциональность мобильного приложения для водителей;

· повысить уровень автоматизации многих процессов, чтобы изменения ситуаций фиксировались в системе для учёта при моделировании.

При автоматическом формировании рейсов система учитывает множество параметров:

· все требования каждого отдельного заказа (временные окна, ВГХ, услуги грузчиков, требования к транспорту, и др.);

· сведения об индивидуальных особенностях обслуживания клиентов, начиная с пропускного режима и наличия собственной погрузочной техники, заканчивая статистикой простоя в разные часы и запретом перевозки в одном кузове с грузами конкурентов (сетевые клиенты);

· оцифрованный опыт логистов и водителей о конкретных геозонах;

· данные о прогнозе дорожной ситуации (пробки);

· оценка опытности водителей по работе с конкретными клиентами и на определенных территориях;

· параметры автомобилей и установленного на них спецоборудования.

Система прогнозирует заказы, которые нужно будет доставить непосредственно в день их оформления клиентом. По факту появлении таких заказов, автоматически подбирается наиболее подходящий рейс, чтобы забрать груз у клиента.

АРМ логиста включает интерактивную карту и другие инструменты для быстрого и удобного анализа рейсов, их корректировки, или самостоятельного создания рейсов.

В проекте выполнен бесшовный переход во всех городах от ранее использовавшийся системы к новой.

Внедрение для каждого города проходит несколько стадий, при этом используется все больше возможностей заложенных в системе.

После завершения внедрения системы в нескольких крупных городах получено подтверждение достижения целевых показателей проекта. Кроме того, передача города от одного логиста к другому, больше не приводит к снижению производительности на длительный период, а обучение новых логистов упростилось и занимает меньше времени чем раньше.

В настоящее время продолжается этап масштабирования, для перехода от состояния «система планирует как логист» к повсеместному внедрению технологии автоматического формирования уплотнённых рейсов и достижения целевых эффектов проекта во всех городах.

География проекта
Российская Федерация (182 города)
Коментарии: 7

Комментировать могут только авторизованные пользователи.
Предлагаем Вам в систему или зарегистрироваться.

  • 16.11.2020 18:31

    Добрый день!
    А эта система может использоваться за пределами РФ, допустим, в странах СНГ?

    • Юрий Янушко
      Рейтинг: 550
      Инфотекс
      Руководитель группы стратегического процесса центра разработок
      22.12.2020 14:07

      За пределами РФ может потребоваться выполнение дополнительных требований местного законодательства к перевозкам и их документированию, а также перевод печатных документов и UI. Т.е. понадобится некоторая доработка учётной части системы и АРМ.
      Конечно понадобится закупка возможности использования картографических сервисов на этих территориях. После этого можно будет внедрять систему за пределами РФ.

  • 13.12.2020 21:19

    Масштаб задачи и результат вызывают уважение! использование методов мат.моделирования не очень частое явление, но это очень круто.

  • Станислав Тарасов
    Рейтинг: 144
    ГУП «Мосгортранс»
    Заместитель начальника отдела бортового оборудования
    14.12.2020 18:04

    добрый день,
    1. какая была глубина и объемы данных для обучения модели и сколько времени заняло обучение?
    2.Как определяли какие данные подходят для обучения, т.е. оптимальный маршрут или нет?
    3. насколько высокие требования к оборудованию?

    • Юрий Янушко Станислав
      Рейтинг: 550
      Инфотекс
      Руководитель группы стратегического процесса центра разработок
      22.12.2020 14:08

      Система не обучается на выборке рейсов. Она использует другие математические алгоритмы, которые позволяют, в частности, быстро изменять схему планирования с заданием дополнительных ограничений и параметров. Сейчас мы можем очень существенно поменять настройки планирования непосредственно перед запуском расчёта, без необходимости переобучать модель.
      Каждый расчёт проходит изолированно, потребляя от 1 до 8 ядер и от 0,25 до 32 ГБ ОЗУ, в зависимости от объема расчётов для конкретного города. Разброс по часовым поясам и балансировка нагрузки позволяет обходиться кластером из 6 достаточно скромных серверов (16 ядер 128 ГБ), для расчётов по всем городам РФ.

  • Евгений Чипаков
    Рейтинг: 13
    GLT
    Руководитель ИТ-подразделения
    21.12.2020 11:47

    Добрый день, очень объемная и впечатляющая работа. Интересно, что включает в себя оцифрованный опыт логистов и водителей о геозонах? И каким образом происходит оценка опытности водителя?

    • Юрий Янушко Евгений
      Рейтинг: 550
      Инфотекс
      Руководитель группы стратегического процесса центра разработок
      22.12.2020 14:09

      Логисты делят город на части, которые имеют определённые границы по многим причинам. Кроме того, логисты фиксируют как именно лучше работать с конкретным клиентом (из опыта и из договора).
      Опыт водителей в основном фиксирует особенности въезда на территорию клиента (в т.ч. геоточку) и наиболее удобные окна посещения (бывает важно учитывать обед в бюро пропусков или бухгалтерии, а также обычные периоды загруженности его склада).
      Менее опытный водитель (в этой геозоне) медленнее по ней перемещается и чаще кружит, дольше находится у клиентов. Это видно по фактическому треку рабочего дня и статистике за период.

Год
Предметная область
Отрасль
Управление
Мы используем файлы cookie в аналитических целях и для того, чтобы обеспечить вам наилучшие впечатления от работы с нашим сайтом. Заходя на сайт, вы соглашаетесь с Политикой использования файлов cookie.