Manage and streamline operations across multiple locations, sales channels, and employees to has improve efficiency and your bottom line.

Problémy, které dobu jízdy označují jako závislou na dopravní zácpě

Závislé cestovní časy

Cestovní časy nejsou nezávislé – délka jedné trasy ovlivňuje další (např. kvůli dopravní špičce, počasí, poruchám). Model zohledňuje korelace mezi jednotlivými úseky.

Problémy, které dobu jízdy označují jako závislou na dopravní zácpě (Woensel a kol., 2007; Lecluyse a kol., 2009), předpokládají vztah mezi počtem vozidel, hustotou provozu a rychlostí. Časový horizont je rozdělen do určitého počtu období a s každým obdobím je spojena jiná rychlost. Rovněž 3PL operátoři se často potýkají s variabilitou v dopravě, jako jsou dopravní zácpy či nepředvídatelné podmínky na trase (Gobbato, 2015).

Tato varianta:

  • rozšiřuje klasické stochastické cestovní časy o časovou závislost,
  • cestovní časy nejsou jen náhodné, ale jejich pravděpodobnostní rozdělení závisí na čase výjezdu, segmentu, nebo denní době.

To znamená, že cesta z bodu A do B může být v 7:00 jiná než v 10:00 – a to nejen v průměru, ale i ve variabilitě. Model musí zohlednit nejen vzdálenost, ale také pravděpodobnostní „kalendář“ dopravy.

Zajímavost

  • Využívá se korelovaná náhodná veličina nebo scénářová simulace.
  • Přesnější model reality, kde dopravní situace ovlivňuje více tras najednou.
  • Výpočetně náročnější kvůli potřebě simulací nebo robustních odhadů.

Praktické využití

  • Městská logistika, kde zácpa ovlivní více tras zároveň.
  • Zásobování během extrémního počasí.
  • Rozvoz v oblastech s vysokou hustotou provozu.
  • Technická obsluha zařízení s požadavkem na přesnost dojezdu.

Metody řešení

Model umožňuje realistickou predikci rizikových kaskád, ale vyžaduje pokročilé techniky predikce a optimalizace. Hodí se pro detailní a pokročilé logistické scénáře. Je zvlášť vhodný pro využití reálných dopravních dat, například ze senzorů, Waze, navigačních systémů nebo historických profilů jízdy. Umožňuje navrhnout trasu nejen s ohledem na vzdálenost, ale na „časovou propustnost“ sítě.

Zdroj:
[1] Bertsimas, D. J., & Van Ryzin, G. (1991). A stochastic and dynamic vehicle routing problem in the Euclidean plane. Operations Research, 39(4).
[2] Oyola, J., Arntzen, H., & Woodruff, D. L. (2017). The stochastic vehicle routing problem, a literature review, part II: solution methods. EURO Journal on Transportation and Logistics, 6(4).
[3] Oyola, J., Arntzen, H., & Woodruff, D. L. (2018). The stochastic vehicle routing problem, a literature review, part I: models. EURO Journal on Transportation and Logistics, 7(3).
[4] Woensel, T. V., Kerbache, L., Peremans, H., & Vandaele, N. (2007). A queueing framework for routing problems with time-dependent travel times. Journal of Mathematical Modelling and Algorithms, 6(1).
[5] Lecluyse, C., Van Woensel, T., & Peremans, H. (2009). Vehicle routing with stochastic time-dependent travel times. 4OR, 7(4).
[6] Gobbato, L. (2015). Stochastic programming for City Logistics: new models and methods.