Planowanie Learning AI, obszary dostaw i strefy zamknięte

Czym jest planowanie Learning AI?

System otrzymuje zamówienia z danego dnia i dostępnych kierowców. Planowanie Learning AI dzieli przystanki między kierowców, ustala na każdej trasie najlepszą kolejność, jaką potrafi znaleźć, i przypisuje każdej trasie kierowcę i pojazd. Linie dystrybucyjne buduje w miarę możliwości na podstawie doświadczeń z ostatnich planowań – tak jak zrobiłby to doświadczony planista: tam, gdzie się da, rozdziela miasta i utrzymuje krótkie odległości w obrębie każdej linii.

Metoda dostosowuje się do sposobu pracy firmy. Uczy się na trasach, którymi kierowcy faktycznie jeżdżą, więc im częściej się z nią planuje, tym bliżej trasy są własnego sposobu dystrybucji. Na każdej karcie trasy można otworzyć przesłanki stojące za tą trasą, dzięki czemu planista widzi, dlaczego system pogrupował przystanki tak, a nie inaczej, zamiast ufać czarnej skrzynce.

Planowanie Learning AI to metoda, którą kreator pierwszych kroków ustawia w każdej nowej firmie, a przewodniki zalecają ją na większość dni. W kreatorze planowania zawsze można przełączyć się na inną metodę, gdy wymaga tego dany dzień – pełną listę zawiera strona planowanie tras.

Jakie ustawienia sterują planerem AI?

Metoda ucząca się działa w granicach ustalonych przez firmę. Kreator pierwszych kroków pyta o najważniejsze rzeczy, a resztę zawierają ustawienia planowania. Każda wartość jest domyślna i kreator planowania pokazuje ją przed każdym uruchomieniem, więc na jeden dzień można ją zaostrzyć lub poluzować bez zmiany ustawienia firmy.

Każdy kierowca może też mieć obszar pracy – miejsce, w którym zwykle pracuje. W planowaniu Learning AI system preferuje kierowcę, którego obszar pracy leży blisko trasy; kierowca bez obszaru pracy jest dopasowywany na podstawie ostatnich tras.

Jak system uczy się na trasach firmy?

Planowanie Learning AI korzysta z dwóch rodzajów doświadczeń: ostatnich planowań, na podstawie których buduje linie dystrybucyjne tak, jak zrobiłby to człowiek, oraz tras, którymi kierowcy faktycznie jeżdżą. Dlatego jego plany z czasem są coraz lepsze i im częściej się z nim planuje, tym bliżej są rzeczywistej pracy firmy, zamiast pozostawać idealnymi liniami prostymi na mapie.

W praktyce najlepszy start jest prosty: zostawić wartości domyślne, zaplanować jeden prawdziwy dzień, obejrzeć trasy i dostosować limity do tego, co widać. To, co plan zrobił źle, poprawia się na ekranie tras – przystanek przeciągnięty na inną trasę, zmieniony kierowca – i dalej planuje tą samą metodą. Trasy, które nie mogą się zmienić, warto zablokować, aby późniejsze uruchomienie ich nie ruszało.

W firmach działających na obecnym serwerze OptiRoutes, czyli we wszystkich firmach, które rejestrują się samodzielnie, planowanie Learning AI oblicza trasy w zwartych terytoriach: przystanki danego dnia są dzielone na obszary dopasowane do ładowności pojazdów, każdy pojazd może obsługiwać swoje terytorium i sąsiednie, a wynik jest następnie ulepszany przez przenoszenie przystanków na najbliższe sąsiednie trasy wszędzie tam, gdzie skraca to dystans.

Obszary dostaw na każdy dzień tygodnia

Na ekranie Obszary rysuje się obszary dostaw na mapie. Każdy obszar to kształt z nazwą i opcjonalnie kierowcą – a wraz z kierowcą przychodzi jego numer linii. Obszary są przechowywane w szablonach, po jednym na dzień tygodnia: szablon 1 to niedziela, 2 to poniedziałek i tak dalej, aż do 7 – soboty. Gdy dzień nie ma szablonu lub jego szablon nie ma obszarów, używany jest szablon 1.

• Rysowanie wielokątem, linią z co najmniej trzech punktów lub kołem; następnie kształt przypisuje się do obszaru.
• Kopiowanie całego szablonu na inny dzień i zmiana tylko tego, co się różni.
• Sprawdzanie pokrycia przez wczytanie punktów na mapę: dostaw z okresu między dwiema datami, wszystkich klientów z lokalizacją na mapie lub własnego pliku CSV albo Excel z kolumnami szerokości i długości geograficznej.
• Eksport pliku Excel z obszarami szablonu lub ze wszystkimi wczytanymi punktami i obszarem, w który każdy z nich wpada.

Gdy planowanie jest ustawione na podział według obszarów, przystanki są najpierw rozdzielane według obszarów danego dnia, a trasa każdego obszaru otrzymuje jego kierowcę i linię. Wczytanie dostaw z całego tygodnia przed zmianą granicy pokazuje, gdzie naprawdę jest praca – a nie tylko dzisiejsze zamówienia.

Czym jest strefa zamknięta?

Strefa zamknięta to obszar, którego zamówienia muszą zawsze jechać razem i nigdy nie mieszać się z zamówieniami spoza niego. Strefy zamknięte tworzy się na tym samym ekranie Obszary: wystarczy nadać szablonowi nazwę zaczynającą się od @, a każdy kształt w tym szablonie stanie się strefą zamkniętą. Przy każdym planowaniu każde zamówienie, którego punkt leży w strefie, jest planowane wyłącznie z innymi zamówieniami tej samej strefy, jako jedna lub kilka osobnych linii.

• Planowane najpierw – strefy zamknięte są wydzielane i planowane, zanim zadziała jakakolwiek metoda planowania; wybrana metoda otrzymuje pozostałe zamówienia.
• Stały kierowca – jeśli strefa ma kierowcę, obsługuje ją wyłącznie on; w przeciwnym razie decyduje jej numer linii lub bierze ją dowolny wolny kierowca.
• Kierowcy pozostają zajęci – kierowca, który dostał trasę strefy, jest traktowany przez resztę planu jako zajęty.
• Nic nie ginie – zamówienia, których kierowca strefy nie zmieści, pozostają w nieprzypisanych przystankach z podaniem powodu.

Typowe zastosowania to odległa miejscowość obsługiwana raz dziennie przez dedykowany pojazd, duży obiekt klienta z własnym kierowcą lub dzielnica, która zawsze powinna być jedną linią, nawet gdy algorytm podzieliłby ją inaczej. Strefy zamknięte są domyślnie włączone.

Learning AI, obszary czy strefy zamknięte – co wybrać?

Podejścia można łączyć: strefy zamknięte są planowane najpierw, a reszta dnia trafia do planowania Learning AI lub dowolnej innej wybranej metody. Po zaplanowaniu na ekranie tras przegląda się i poprawia wynik, zanim trafi do kierowców.

Najczęściej zadawane pytania