Τα επιστρεφόμενα μικρά μεταφορικά μέσα (SLC) αποτελούν ακρογωνιαίο λίθο της βιώσιμης εφοδιαστικής, ωστόσο οι κύκλοι πολλαπλών τοποθεσιών τους συχνά δεν έχουν διαφάνεια λόγω έλλειψης δεδομένων και τεχνολογικών περιορισμών. Αυτό ισχύει τουλάχιστον για τα SLC χωρίς ετικέτα. Η τελευταία μας έρευνα εισάγει μια νέα προσέγγιση βασισμένη σε αισθητήρες για τη συλλογή, την παρέκταση και την προσομοίωση δεδομένων τοποθεσίας για τα SLC, επιτρέποντας ρεαλιστικές προσομοιώσεις κύκλου και λήψη αποφάσεων βάσει δεδομένων χωρίς να απαιτούνται επενδύσεις σε υποδομές πλήρους κλίμακας.

Οι περισσότεροι κύκλοι SLC με μη επισημασμένα SLC υποφέρουν από:

• Δεν υπάρχει παρακολούθηση σε πραγματικό χρόνο λόγω του μεγάλου όγκου και του χαμηλού κόστους των μεμονωμένων SLC.

• Απροθυμία για κοινή χρήση δεδομένων μεταξύ των εταίρων ποδηλασίας, περιορίζοντας την ακρίβεια της προσομοίωσης.

• Τεχνολογικά κενά στον εσωτερικό/εξωτερικό εντοπισμό μικρών, μη ετικετοποιημένων δοχείων.

Η Ιδέα μας - Συλλογή Δεδομένων με Αισθητήρες & Παρέκταση

Δοκιμάσαμε τρεις τεχνολογίες εντοπισμού (GSM, BLE/GPS και A-GPS) σε πραγματικούς κύκλους SLC για να εντοπίσουμε την πιο οικονομική, επεκτάσιμη και ακριβή λύση. Δείτε πώς το κάναμε αυτό:

1. Σύγκριση Τεχνολογίας

• Οι ετικέτες GSM (χαμηλού κόστους, μόνο για εξωτερικούς χώρους) δυσκολεύονταν με τον εντοπισμό εσωτερικών χώρων και τη διάρκεια ζωής της μπαταρίας.

• Τα Apple AirTags (BLE/GPS) προσέφεραν υψηλή ακρίβεια, αλλά απαιτούσαν χειροκίνητη εξαγωγή δεδομένων και δεν είχαν βιομηχανική επεκτασιμότητα.

• Οι βιομηχανικές ετικέτες A-GPS (με ανίχνευση WiFi) παρείχαν απρόσκοπτες μεταβάσεις εσωτερικού/εξωτερικού χώρου, αλλά χρειάζονταν πρόσθετη υποδομή για πλήρη λειτουργικότητα του IPS (Indoor Positioning System).

2. Παρέκταση Δεδομένων με PERT & Προσομοίωση Monte Carlo

• Συνδυασμένα δεδομένα αισθητήρων με API πλοήγησης (Google/Apple Maps) για την εκτίμηση του ελάχιστου, του μέγιστου και του πιθανότερου (λειτουργίας) χρόνου απόδοσης.

• Χρησιμοποιήθηκαν κατανομές PERT (αντί για τριγωνικές κατανομές) για τη μείωση της μεροληψίας από ακραίες τιμές και τη βελτίωση της ακρίβειας της προσομοίωσης.

• Έτρεξα 10.000 προσομοιώσεις Monte Carlo την ημέρα για να εντοπίσω διαδρομές με χαμηλές επιδόσεις και ευκαιρίες βελτιστοποίησης.

3. Βασικά συμπεράσματα από την προσομοίωση:

• Εύρεση κύκλων χαμηλής και υπεραπόδοσης.

• Πιθανή προσαρμογή σχεδιασμού.



Γιατί αυτό έχει σημασία για τη βιομηχανία και την έρευνα

• Για παρόχους υπηρεσιών logistics: Η προσέγγισή μας επιτρέπει την χαμηλού κόστους, κλιμακούμενη παρακολούθηση των SLC χωρίς την ανάπτυξη αισθητήρων πλήρους κύκλου, μειώνοντας τους κινδύνους και το κόστος.

• Για τη Βιωσιμότητα: Τα καλύτερα δεδομένα οδηγούν σε βελτιστοποιημένους κύκλους SLC, αυξάνοντας τα ποσοστά επαναχρησιμοποίησης και μειώνοντας τα απορρίμματα συσκευασιών μίας χρήσης.

• Για Ακαδημαϊκούς: Παρέχουμε μια αναπαραγώγιμη μεθοδολογία για την προσομοίωση κύκλων SLC πολλαπλών τοποθεσιών—γεφυρώνοντας το χάσμα μεταξύ θεωρητικών μοντέλων και δεδομένων πραγματικού κόσμου.



Τι θα αναλύσουμε στη συνέχεια:

• Πώς μπορούν να ενσωματωθούν εποχιακά πρότυπα (π.χ. διακυμάνσεις της ζήτησης) στις προσομοιώσεις;

• Ποιο είναι το βέλτιστο μέγεθος δείγματος για την παρακολούθηση SLC με βάση αισθητήρες;

• Μπορούν τα μοντέλα AI/ML να βελτιώσουν περαιτέρω τις προβλέψεις χρόνου απόδοσης;



Η εργασία μας αποτελεί ένα βήμα προς την έξυπνη, βασισμένη σε δεδομένα διαχείριση της SLC, αποδεικνύοντας ότι ακόμη και μικρά δείγματα δεδομένων μπορούν να αποκαλύψουν σημαντικές πληροφορίες για τη βιωσιμότητα και την αποτελεσματικότητα.



🔗 Διαβάστε ολόκληρη την εργασία για τεχνικές λεπτομέρειες και αποτελέσματα:  [Ολόκληρη η εργασία]