Optymalizacja przejazdów
Modele uczenia maszynowego planujące trasy i przydział pojazdów — przykład, jak nasza wiedza wykracza poza obraz, w stronę optymalizacji procesów.
Wartość biznesowa
_Jesteś o krok
Firma Lilli Trans Sp. z o.o., operator taksówkowy obsługujący miesięczny wolumen blisko miliona kilometrów, zgłosiła potrzebę optymalizacji procesu planowania tras przejazdów. Dynamika pracy oraz liczba warunków, takich jak liczba pasażerów, dynamiczne okna czasowe czy maksymalny czas pracy kierowcy, powodowały, że decyzje podejmowane przez dyspozytorów stawały się nieefektywne. Celem projektu było opracowanie algorytmu sztucznej inteligencji, który ograniczy liczbę przejechanych kilometrów, zapewniając jednocześnie sprawne dowiezienie pasażerów do miejsc docelowych.
_Stawiasz krok
Stworzony przez nas algorytm oparty na sztucznej inteligencji analizuje w czasie rzeczywistym zapotrzebowanie na przejazdy oraz warunki operacyjne, takie jak liczba pasażerów czy okna czasowe. Na podstawie tych danych generuje rekomendacje optymalizacji tras dla dyspozytorów, którzy podejmują ostateczne decyzje. Algorytm uwzględnia maksymalny czas pracy kierowców, zapewniając zgodność z regulacjami. Nasze rozwiązanie zostało ponadto zintegrowane z wewnętrznym systemem klienta, a dane zbierane podczas działania algorytmu są archiwizowane, umożliwiając historyczną analizę i doskonalenie modelu.
_Zrobiłeś ten krok
Dzięki wdrożeniu algorytmu Edge AI firma Lilli Trans Sp. z o.o. zredukowała liczbę przejechanych kilometrów, generując oszczędności na poziomie kilkunastu tysięcy złotych miesięcznie. Zastosowanie systemu zwiększyło efektywność operacyjną i odciążyło dyspozytorów w procesie planowania, pozwalając skupić się na nadzorowaniu realizacji kursów. Nasze rozwiązanie przyczyniło się do bardziej efektywnego wykorzystania floty, co umocniło pozycję firmy na rynku przewozów.
Krótsze trasy
Lepsze wykorzystanie floty
_Mapa tras
Plan optymalny
_Prognoza popytu
Model predykcyjny
_Przydział floty
Optymalizacja w czasie rzeczywistym
