Improving Last-Mile Delivery: Harnessing Driver Expertise Through a Hybrid Solution

• Autor(a) principal: Carvalhosa, Maria João de Araújo
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.22/24052
• topic: Last-mile delivery; VRP; TSP; Machine Learning; Hybrid Solutions; PPM; Rollout Algorithm; Domínio/Área Científica::Engenharia e Tecnologia

Nos últimos anos, o problema da last-mile delivery sofreu uma transformação notável, impulsionada principalmente pelo crescimento exponencial do comércio online. O aumento das compras online e a comodidade que estas oferecem impulsionaram o sector da logística a entrar numa nova era onde a criação e desenvolvimento de soluções inovadoras de otimização de rotas é imperativo. Atualmente, a última etapa da cadeia de abastecimento tornou-se um ponto fulcral para as empresas que pretendem satisfazer as altas expectativas dos clientes quanto a opções de entrega. À medida que o ecossistema global de comércio online continua a evoluir, a capacidade de simplificar as operações da last-mile delivery e de proporcionar experiências positivas aos clientes torna-se cada vez mais um fator diferenciador crítico para as empresas. Esta dissertação tem como objetivo colmatar a lacuna existente entre as rotas programadas e as rotas efetivamente percorridas pelos condutores, que são muitas vezes obrigados a efetuar mudanças em tempo real para se adaptarem às realidades da estrada. Esta questão foi destacada pelo Amazon Last-Mile Routing Research Challenge 2021, que visava estimular os investigadores a melhorar a qualidade dos itinerários programados, tornando-os mais realistas. A solução para esta temática foi conseguida através do desenvolvimento de uma abordagem híbrida que explora algoritmos de machine learning e otimiza automaticamente os seus hiperparâmetros. Esta solução aprende as combinações ótimas das zonas com base em padrões extraídos de sequências históricas. Além disso, a solução demonstra a capacidade de aplicar eficazmente este conhecimento a rotas desconhecidas, melhorando significativamente o planeamento e a adaptação de rotas a cenários reais. O principal objetivo desta solução é prever sequências de zonas em vez de paragens individuais. Só depois da sequência de zonas ter sido determinada é que o algoritmo procede ao sequenciamento das paragens dentro de cada zona. Foi utilizado um processo sistemático, começando com o pré-processamento do conjunto de dados com o objetivo de o preparar para as fases subsequentes. A etapa seguinte recorreu a um algoritmo de Prediction by Partial Matching para identificar as combinações de zonas ótimas. Na fase subsequente, o conhecimento obtido foi utilizado para calcular sequências de zonas para rotas inexploradas, utilizando um algoritmo de Rollout. Finalmente, foi implementado o Lin-Kernighan-Helsgaun solver para efetuar o sequenciamento zona a zona, assegurando a integridade da sequência de zonas. Todas estas etapas críticas estão perfeitamente integradas num pipeline repetível que ajusta automaticamente os valores do hiperparâmetro do algoritmo Prediction by Partial Matching. Os resultados obtidos são muito satisfatórios e indicam que a solução desenvolvida é eficaz na previsão de rotas efetivamente percorridas. A avaliação global foi de 0,0727, demonstrando um desempenho robusto. A otimização do hiperparâmetro resultou em melhorias em 85% dos casos, que variam entre 0,0001 e 0,0006 e possuem uma média de 0,00021, confirmando ainda mais a sua eficácia. Estes resultados realçam a capacidade da solução tirar partido do conhecimento dos condutores, salientando o seu valor prático e estabelecendo-a como uma ferramenta fiável na geração de previsões de elevada qualidade.