Acta Informatica Pragensia 2020, 9(2), 200-209 | DOI: 10.18267/j.aip.1332864

Optimalizace trasy a dojezdových časů u zásilkových a obslužných služeb: Pohled praxe

Robin Jonák1, Zdeněk Smutný ORCID...2, Milan Šimůnek2, Michal Doležel ORCID...2
1 Telematix Software, a.s., Branická 66, 147 00 Prague, Czech Republic
2 Faculty of Informatics and Statistics, Prague University of Economics and Business, W. Churchill Sq. 1938/4, 130 67 Prague, Czech Republic

V souvislosti s kontinuálním nárůstem maloobchodních prodejů přes internet a s tím spojených aktivit zásilkových služeb přichází potřeba inovovat současná řešení v oblasti správy a řízení vozového parku. Uvedené podporuje také rozvoj konceptu Logistiky 4.0, který odkazuje na masivní digitální transformaci a zavádění kyber-fyzických systémů postavených na umělé inteligenci. Díky tomu mohou kupříkladu zásilkové firmy snížit své provozní náklady, zachovat si konkurenceschopnost a velikost marže. Cílem tohoto článku je představit základní principy, z kterých vychází nově navržená funkcionalita optimalizace trasy a dojezdových časů. Tato funkcionalita je zamýšlena jako součást inteligentních dopravních systémů pro podporu provozování zásilkových a obslužných služeb. Přínos předkládaného článku míří především do oblasti praxe. Článek poskytuje profesionálům vhled do této problematiky. Uvedeny jsou také rámcové propočty finanční úspory dosažené zavedením takového řešení v praxi.

Keywords: Rozvoz, Svoz, Dynamické směrování vozidel, Systém řízení a správy vozového parku, Systém pro řízení pracovních činností, Problém obchodního cestujícího

Route and Travel Time Optimization for Delivery and Utility Services: An Industrial Viewpoint

There is a need to innovate current solutions in the field of fleet management and control systems in connection with the continuous growth of retail sales via the Internet and the associated delivery services. This is also supported by the development of the Logistics 4.0 concept, which refers to the massive digital transformation and deployment of cyber-physical systems based on artificial intelligence. For example, thanks to this delivery companies can reduce their operating costs, maintain competitiveness and margin size. The aim of this article is to present the basic principles on which the newly designed functionality of route and travel times optimization is based. This functionality is intended as part of intelligent transportation systems supporting delivery and utility services. The contribution of this article refers mainly to the field of practice. The article provides professionals with insight into the stated issue. Exemplary calculations of financial savings achievable by implementing such a solution in practice are also given.

Keywords: Delivery, Pickup, Dynamic vehicle routing, Fleet management and control system, Workflow management system, Traveling salesman problem

Received: November 3, 2020; Revised: December 27, 2020; Accepted: December 31, 2020; Published: December 31, 2020  Show citation

ACS AIP APA ASA Harvard Chicago Chicago Notes IEEE ISO690 MLA NLM Turabian Vancouver
Jonák, R., Smutný, Z., Šimůnek, M., & Doležel, M. (2020). Route and Travel Time Optimization for Delivery and Utility Services: An Industrial Viewpoint. Acta Informatica Pragensia, 9(2), 200-209. doi: 10.18267/j.aip.133
Download citation
  • BibTeX (.bib)
  • Bookends (.ris)
  • EasyBib (.ris)
  • EndNote (.enw)
  • EndNote 8 (.xml)
  • ISI WoS (.isi)
  • Medlars (.medlars)
  • Mendeley (.ris)
  • MODS (.xml)
  • Papers (.ris)
  • RefWorks (.txt)
  • RefManager (.ris)
  • RIS (.ris)
  • MS Word (.xml)
  • Zotero (.ris)
    • Open full article

    References

    1. Bag, S., Gupta, S., & Luo, Z. (2020). Examining the role of logistics 4.0 enabled dynamic capabilities on firm performance. International Journal of Logistics Management, 31(3), 607-628. https://doi.org/10.1108/ijlm-11-2019-0311 Go to original source...
    2. Barreto, L., Amaral, A., & Pereira, T. (2017). Industry 4.0 implications in logistics: an overview. Procedia Manufacturing, 13, 1245-1252. https://doi.org/10.1016/j.promfg.2017.09.045 Go to original source...
    3. Businessinfo.cz. (2020). Firemní auta najedou denně jen 96 kilometrů, na to elektromobily bohatě stačí. https://www.businessinfo.cz/clanky/firemni-auta-najedou-denne-jen-96-kilometru-na-to-elektromobily-bohate-staci/
    4. Cao, M., Li, V. O. K., and Chan, V. W. S. (2020). A CNN-LSTM Model for Traffic Speed Prediction. In 2020 IEEE 91st Vehicular Technology Conference (VTC2020-Spring). IEEE. https://doi.org/10.1109/vtc2020-spring48590.2020.9129440 Go to original source...
    5. CCS. (2020). Průměrné ceny benzínu a nafty za posledních 12 měsíců. https://www.ccs.cz/phm
    6. Datex II. (2020). About Datex II. https://www.datex2.eu/datex2/about
    7. El-kaime, H., & Elhaq, S.L. (2021). Methodology for implementation of industry 4.0 technologies in supply chain for SMEs. In International Conference on Artificial Intelligence and Industrial Applications, A2IA 2020 (pp. 59-76). Springer. https://doi.org/10.1007/978-3-030-51186-9_5 Go to original source...
    8. Feillet, D., Dejax, P., & Gendreau, M. (2005). Traveling Salesman Problems with Profits. Transportation Science, 39(2), 188-205. https://doi.org/10.1287/trsc.1030.0079 Go to original source...
    9. iRozhlas.cz. (2018). Den v kolonách. Podívejte se, kolik hodin Češi stráví v zácpách a jak je na tom zbytek světa. https://www.irozhlas.cz/zivotni-styl/auto/dopravni-kolik-casu-stravime-v-kolonach_1803261308_rez
    10. Katsela, K., & Pålsson, H. (2020). Viable business models for city logistics: Exploring the cost structure and the economy of scale in a Swedish initiative. Research in Transportation Economics, 100857 (in press). https://doi.org/10.1016/j.retrec.2020.100857 Go to original source...
    11. Kodym, O., Kubáč, L., & Kavka, L. (2020). Risks associated with Logistics 4.0 and their minimization using Blockchain. Open Engineering, 10(1), 74-85. https://doi.org/10.1515/eng-2020-0017 Go to original source...
    12. Lokace.eu. (2017). Monitorování vozidel: efektivnost využití. https://lokace.eu/monitorovani-vozidel-efektivnost-vyuziti/
    13. Misra, P., & Enge, P. (2010). Global Positioning System: Signals, Measurements, and Performance. Ganga-Jamuna Press.
    14. Mladenow, A., Bauer, C., & Strauss, C. (2016). "Crowd logistics": the contribution of social crowds in logistics activities. International Journal of Web Information Systems, 12(3), 379-396. https://doi.org/10.1108/ijwis-04-2016-0020 Go to original source...
    15. Moradi Afrapoli, A., & Askari-Nasab, H. (2017). Mining fleet management systems: a review of models and algorithms. International Journal of Mining, Reclamation and Environment, 33(1), 42-60. https://doi.org/10.1080/17480930.2017.1336607 Go to original source...
    16. Müller, M. (2016). Test ojetiny: Volkswagen Transporter 2.0 TDI (Long) - duše osobáku a 3 europalety. Autanet.cz. https://www.autanet.cz/autonews-test-ojetiny-volkswagen-transporter-2-0-tdi-long-%C3%A2-duse-osobaku-a-3-europalety-3072
    17. Pecák, R. (2018). Systém eCall bude od dubna povinný. Přinášíme vše, co musíte vědět. Autorevue.cz. https://www.autorevue.cz/system-ecall-bude-od-dubna-povinny-zde-jsou-zasadni-otazky-a-odpovedi
    18. Platy.cz. (2020). Řidič Doprava, spedice, logistika. https://www.platy.cz/platy/doprava-spedice-logistika/ridic
    19. Sgarbossa, F., Grosse, E.H., Neumann, W.P., Battini, D., & Glock, C.H. (2020). Human factors in production and logistics systems of the future. Annual Reviews in Control, 49, 295-305. https://doi.org/10.1016/j.arcontrol.2020.04.007 Go to original source...
    20. Šimůnek, M., & Smutný, Z. (2021). Traffic Information Enrichment: Creating Long-Term Traffic Speed Prediction Ensemble Model for Better Navigation through Waypoints. Applied Sciences, 11(1), 315. https://doi.org/10.3390/app11010315 Go to original source...
    21. Wang, Y., Zhang, D., Liu, Q., Shen, F., & Lee, L. H. (2016). Towards enhancing the last-mile delivery: An effective crowd-tasking model with scalable solutions. Transportation Research Part E: Logistics and Transportation Review, 93, 279-293. https://doi.org/10.1016/j.tre.2016.06.002 Go to original source...
    22. Yao, B., McLean, C., & Yang, H. (2019). Robust optimization of dynamic route planning in same-day delivery networks with one-time observation of new demand. Networks, 73(4), 434-452. https://doi.org/10.1002/net.21890 Go to original source...
    23. Zang, D., Fang, Y., Wang, D., Wei, Z., Tang, K., and Li, X. (2018). Long Term Traffic Flow Prediction Using Residual Net and Deconvolutional Neural Network. In Pattern Recognition and Computer Vision (pp. 62-74). Springer. https://doi.org/10.1007/978-3-030-03335-4_6 Go to original source...
    24. Zhang, S., Campbell, A. M., & Ehmke, J. F. (2019). Impact of congestion pricing schemes on costs and emissions of commercial fleets in urban areas. Networks, 73(4), 466-489. https://doi.org/10.1002/net.21872 Go to original source...

    This is an open access article distributed under the terms of the Creative Commons Attribution 4.0 International License (CC BY 4.0), which permits use, distribution, and reproduction in any medium, provided the original publication is properly cited. No use, distribution or reproduction is permitted which does not comply with these terms.


    Return to the content