الگوریتم‌هایی برای تعیین کمیت تأثیر ازدحام بر شبکه‌های توزیع بار شهری وابسته به زمان در دنیای واقعی

ازدحام شهری چالش‌های قابل توجهی را برای ارائه دهندگان خدمات حمل و نقل با زمان مشخص ایجاد می‌کند. عملیات و هزینه‌های بسته‌بندی، پیک و کامیون‌های کمتر از ظرفیت، به شدت تحت تأثیر افزایش سطح ازدحام قرار می‌گیرند. با افزایش ازدحام در ساعات اوج صبح و بعد از ظهر، سیاست‌های عمومی و استراتژی‌های لجستیکی که از تحویل در طول دوره‌های شلوغی جلوگیری می‌کنند یا آن را به حداقل می‌رسانند، برای بسیاری از اپراتورها و سازمان‌های دولتی بسیار مهم شده‌اند. با این حال، در بسیاری از موارد، این استراتژی‌ها یا سیاست‌ها می‌توانند عوارض جانبی ناخواسته‌ای مانند هزینه‌های بالاتر نیروی کار، ساعات کاری کوتاه‌تر و پنجره‌های زمانی محدودتر برای مشتریان ایجاد کنند. تلاش‌های تحقیقاتی برای تجزیه و تحلیل و تعیین کمیت تأثیر ازدحام به دلیل پیچیدگی‌های مسائل مسیریابی وسایل نقلیه با زمان سفر وابسته به زمان و فقدان داده‌های ازدحام در سطح شبکه، با مشکل مواجه شده است. تحقیقات از داده‌های شبکه جاده‌ای دنیای واقعی برای تخمین ماتریس‌های مسافت و زمان سفر، از داده‌های کاربری زمین و مشتری برای تعیین و توصیف الگوهای تقاضا، از داده‌های ازدحام از بایگانی گسترده داده‌های حسگر ترافیک بزرگراه‌ها و خیابان‌های شریانی برای تخمین زمان سفر وابسته به زمان و از یک روش کارآمد مسیریابی وسایل نقلیه وابسته به زمان (TDVRP) برای طراحی مسیرها استفاده کرده‌اند. الگوریتم‌های جدیدی برای ادغام داده‌های شبکه جاده‌ای و سفر در دنیای واقعی با روش‌های حل TDVRP توسعه داده شدند. نتایج، تأثیر ازدحام را بر مکان ایستگاه، اندازه ناوگان و مسافت طی شده نشان می‌دهد.

مقدمه

مناطق شهری شلوغ، چالش‌های قابل توجهی را برای شرکت‌های حمل و نقل با بار کمتر از کامیون (LTL)، خدمات پیک و صنایعی که نیاز به تحویل‌های مکرر و حساس به زمان دارند، ایجاد می‌کنند. با افزایش ازدحام در ساعات اوج صبح و بعد از ظهر، سیاست‌های عمومی و استراتژی‌های لجستیکی که از تحویل‌ها در طول دوره‌های شلوغی جلوگیری می‌کنند یا آنها را به حداقل می‌رسانند، برای بسیاری از اپراتورها و سازمان‌های دولتی بسیار مهم شده‌اند. با این حال، در بسیاری از موارد، این استراتژی‌ها و سیاست‌ها می‌توانند عوارض جانبی ناخواسته‌ای مانند هزینه‌های بالاتر نیروی کار، ساعات کاری کوتاه‌تر و محدودتر شدن زمان انتظار مشتری را به همراه داشته باشند.

اگرچه تحقیقات فعلی در مورد الگوریتم‌های مسیریابی وسایل نقلیه گسترده است، اما توجه بسیار کمتری به بررسی تأثیر ازدحام بر عملیات حمل و نقل شده است. علاوه بر این، اکثر الگوریتم‌های حل مسئله مسیریابی وسایل نقلیه وابسته به زمان (TDVRP) که در ادبیات موجود یافت می‌شوند، به تخمین ماتریس‌های فاصله و زمان سفر وابسته به زمان نمی‌پردازند. بنابراین، این تحقیق بر دو هدف اصلی تمرکز دارد: (الف) توسعه الگوریتم‌های کارآمد برای اعمال روش‌های حل TDVRP به شبکه‌های جاده‌ای واقعی با استفاده از داده‌های ترافیک تاریخی با افزایش محدود در زمان و حافظه محاسباتی، و (ب) استفاده از رابط برنامه‌نویسی کاربردی (API) منبع باز گوگل مپ و داده‌های شبکه برای تولید ماتریس‌های مسافت و زمان سفر. تا آنجا که نویسندگان می‌دانند، هیچ تلاش تحقیقاتی الگوریتم‌های مسیریابی وابسته به زمان، داده‌های ترافیک تاریخی، داده‌های شبکه جاده‌ای دنیای واقعی و APIهای منبع باز عمومی را برای گنجاندن تأثیر ازدحام بر مسیرهای تحویل، ادغام نکرده است.(منبع).