lscmЛогистика и управление цепями поставокLogistics and Supply Chain Management2587-67752587-6767Российский университет транспортаlscm-30Research ArticleСтатьиМодели принятия решений с применением инструментов искусственного интеллекта при планировании интермодальных маршрутовDecision-making models using artificial intelligence tools in planning intermodal routesЛондарьВ. А.LondarV. A.

Аспирант

Москва

Postgraduate student

Moscow

751men@gmail.comЛахметкинаН. Ю.LakhmetkinaN. Y.

К.т.н., доцент

Москва

AuthorID: 528739

Candidate of Technical Sciences, Associate Professor

Moscow

aturla@mail.ruРоссийский университет транспортаРоссияRussian University of TransportRussian Federation2024301220242115261Copyright © Лондарь В.А., Лахметкина Н.Ю., 20242024Лондарь В.А., Лахметкина Н.Ю.Londar V.A., Lakhmetkina N.Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://lscm.elpub.ru/jour/article/view/30

В настоящее время индустрия контейнерных перевозок активно развивается благодаря внедрению новых технологий и современных информационных систем. Они позволяют оптимизировать процессы управления цепочками поставок и автоматизировать транспортно-логистические процессы, что в свою очередь повышает эффективность управления. При этом, одной из важных задач при планировании интермодальной перевозки является выбор оптимального маршрута, что напрямую влияет на стоимость и скорость доставки груза. Для ее решения необходимо разработать инструмент, с помощью которого будет возможно оперативно анализировать все сценарии перевозки, выбирать оптимальный маршрут и предлагать его клиенту. В статье рассматриваются существующие методы машинного обучения, применяемые для оптимизации маршрута транспортных средств. Основная цель данной статьи заключается в исследовании разработанных решений для их дальнейшего применения в транспортно-логистических процессах. Внедрение изученных инструментов поможет участникам транспортно-логистического рынка эффективно сопоставлять инфраструктурные возможности с возникающим спросом на перевозки.

 

Currently, the container transportation industry is undergoing active development due to the implementation of new technologies and modern information systems. These innovations allow for the optimization of supply chain management processes and the automation of transportation and logistics operations, which in turn enhances management efficiency. One of the crucial aspects in planning intermodal transportation is selecting the optimal route, as it directly impacts the cost and speed of cargo delivery. To address this challenge, it is essential to develop a tool that allows for a swift analysis of all transportation options, selection of the best route, and presentation of it to clients. The article discusses the existing machine learning methods used to optimize the route of vehicles. The main purpose of this article is to study the developed solutions for their further application in transport and logistics processes. The introduction of the studied tools will help participants in the transport and logistics market to effectively compare infrastructure opportunities with the emerging demand for transportation.

интермодальные перевозкимодели принятия решениймашинное обучениеискусственный интеллектлогистикаintermodal transportationdecision-making modelsmachine learningartificial intelligencelogisticsReferencesТранспортная стратегия Российской Федерации на период до 2030 года утвержденная распоряжением Правительства Российской Федерации от 22 ноября 2008 года № 1734-р.The Transport strategy of the Russian Federation for the period up to 2030 approved by the Decree of the Government of the Russian Federation dated November 22, 2008 No. 1734-R.Бубнова Г.В. Цифровая логистика – инновационный механизм развития и эффективного функционирования транспортно-логистических систем и комплексов / Г.В. Бубнова, Б.А. Лёвин // International Journal of Open InformationTechnologies. – 2017. – №3. – C.72–78. EDN XYBPGP.Bubnova G.V. Digital logistics – an innovative mechanism for the effective development and functioning of transport and logistics systems and complexes / G.V. Bubnova, B.A. Levin // International Journal of Open Information Technologies. - 2017. – No.3. – pp.72-78. EDN XYBPGP.Joe, W., Lau, H.C.: Deep reinforcement learning approach to solve dynamic vehicle routing problem with stochastic customers. In: Proceedings of the International Conference on Automated Planning and Scheduling, vol. 30, pp. 394–402 (2020)Joe, W., Lau, H.C.: Deep reinforcement learning approach to solve dynamic vehicle routing problem with stochastic customers. In: Proceedings of the International Conference on Automated Planning and Scheduling, vol. 30, pp. 394–402 (2020)Nazari, M. R., Oroojlooy, A., Snyder, L., Takac, M.: Reinforcement learning for solving the vehicle routing problem. In: Advances in Neural Information Processing Systems, pp. 9860–9870 (2018)Nazari, M. R., Oroojlooy, A., Snyder, L., Takac, M.: Reinforcement learning for solving the vehicle routing problem. In: Advances in Neural Information Processing Systems, pp. 9860–9870 (2018)Nalepa, J.: Wheremachine learning meets smart delivery systems. In: Smart Delivery Systems. pp. 203–226. Elsevier (2020)Nalepa, J.: Wheremachine learning meets smart delivery systems. In: Smart Delivery Systems. pp. 203–226. Elsevier (2020)Kool,W., Van, H.,Welling, M.: Attention, learn to solve routing problems! arXiv:1803.08475 [cs, stat] (2019)Kool,W., Van, H.,Welling, M.: Attention, learn to solve routing problems! arXiv:1803.08475 [cs, stat] (2019)Lu, H., Zhang, X., Yang, S.: A learning-based iterative method for solving vehicle routing problems. In: Presented at the International Conference on Learning Representations Sept 25 (2019)Lu, H., Zhang, X., Yang, S.: A learning-based iterative method for solving vehicle routing problems. In: Presented at the International Conference on Learning Representations Sept 25 (2019)Yu, J.J., Yu, W., Gu, J.: Online vehicle routing with neural combinatorial optimization and deep reinforcement learning. In: Presented at the IEEE Transactions on Intelligent Transportation Systems 20, 3806–3817 (2019)Yu, J.J., Yu, W., Gu, J.: Online vehicle routing with neural combinatorial optimization and deep reinforcement learning. In: Presented at the IEEE Transactions on Intelligent Transportation Systems 20, 3806–3817 (2019)Zhao, J., Mao, M., Zhao, X., Zou, J.: A hybrid of deep reinforcement learning and local search for the vehicle routing problems. IEEE Trans. Intell. Transport. Syst. 1–11 (2020)Zhao, J., Mao, M., Zhao, X., Zou, J.: A hybrid of deep reinforcement learning and local search for the vehicle routing problems. IEEE Trans. Intell. Transport. Syst. 1–11 (2020)Kalakanti, A.K., Verma, S., Paul, T., Yoshida, T.: RL SolVeR Pro: reinforcement learning for solving vehicle routing problem. In: 2019 1st InternationalConference on Artificial Intelligence and Data Sciences (AiDAS), pp. 94–99. IEEE, Ipoh, Perak, Malaysia (2019)Kalakanti, A.K., Verma, S., Paul, T., Yoshida, T.: RL SolVeR Pro: reinforcement learning for solving vehicle routing problem. In: 2019 1st InternationalConference on Artificial Intelligence and Data Sciences (AiDAS), pp. 94–99. IEEE, Ipoh, Perak, Malaysia (2019)Lin, B., Ghaddar, B., Nathwani, J.: Deep reinforcement learning for electric vehicle routing problem with time windows arXiv:2010.02068 [cs, math, stat] (2021)Lin, B., Ghaddar, B., Nathwani, J.: Deep reinforcement learning for electric vehicle routing problem with time windows arXiv:2010.02068 [cs, math, stat] (2021)Tomljenovic, V., Merzifonluoglu, Y. & Spigler, G. Optimizing inland container shipping through reinforcement learning. Annals of Operations Research (2024) https://doi.org/10.1007/s10479-024-05927-4.Tomljenovic, V., Merzifonluoglu, Y. & Spigler, G. Optimizing inland container shipping through reinforcement learning. Annals of Operations Research (2024) https://doi.org/10.1007/s10479-024-05927-4.

The authors declare that there are no conflicts of interest present.