Повертаємні маловантажні контейнери (ММК) є основою сталого розвитку логістики, проте їхні багатосайтові цикли часто не мають прозорості через дефіцит даних та технологічні обмеження. Це стосується принаймні ММК без маркування. Наше останнє дослідження пропонує новий підхід на основі датчиків для збору, екстраполяції та моделювання даних про місцезнаходження ММК, що дозволяє реалістично моделювати цикли та приймати рішення на основі даних без необхідності повномасштабних інвестицій в інфраструктуру.

Більшість циклів SLC з немаркованими SLC страждають від:

• Немає відстеження в режимі реального часу через великий обсяг та низьку вартість окремих SLC.

• Небажання обмінюватися даними між партнерами по циклу, що обмежує точність моделювання.

• Технологічні прогалини в локалізації для невеликих немаркованих контейнерів у приміщенні/на відкритому повітрі.

Наша ідея – збір та екстраполяція даних на основі датчиків

Ми протестували три технології локалізації (GSM, BLE/GPS та A-GPS) у реальних циклах SLC, щоб визначити найекономічніше, масштабоване та найточніше рішення. Дізнайтеся, як ми це зробили:

1. Порівняння технологій

• GSM-мітки (недорогі, лише для зовнішнього використання) мали проблеми з локалізацією в приміщенні та часом роботи від батареї.

• Apple AirTags (BLE/GPS) пропонували високу точність, але вимагали ручного вилучення даних та не мали промислової масштабованості.

• Промислові мітки A-GPS (з Wi-Fi sniffing) забезпечували безперебійний перехід між приміщеннями та вулицями, але потребували додаткової інфраструктури для повної функціональності IPS (системи позиціонування в приміщенні).

2. Екстраполяція даних за допомогою PERT та моделювання Монте-Карло

• Дані датчиків об'єднано з навігаційними API (Google/Apple Maps) для оцінки мінімального, максимального та найімовірнішого (режим) часу пропускної здатності.

• Використовувалися розподіли PERT (замість трикутних розподілів) для зменшення зміщення від екстремальних значень та підвищення точності моделювання.

• Щодня проводив 10 000 симуляцій методом Монте-Карло для виявлення неефективних маршрутів та можливостей оптимізації.

3. Ключові висновки з моделювання:

• Виявлення циклів недостатньої та надмірної продуктивності.

• Можливе коригування плану.



Чому це важливо для промисловості та досліджень

• Для постачальників логістичних послуг: наш підхід дозволяє здійснювати низьковитратне та масштабоване відстеження логістичних контейнерів без повного циклу розгортання датчиків, зменшуючи ризики та витрати.

• Для сталого розвитку: кращі дані призводять до оптимізованих циклів одноразової упаковки, збільшення показників повторного використання та зменшення кількості відходів одноразової упаковки.

• Для науковців: Ми пропонуємо відтворювану методологію моделювання циклів багатосайтового SLC, що дозволяє подолати розрив між теоретичними моделями та реальними даними.



Що ми проаналізуємо далі:

• Як сезонні закономірності (наприклад, коливання попиту) можна інтегрувати в симуляції?

• Який оптимальний розмір вибірки для відстеження SLC на основі датчиків?

• Чи можуть моделі штучного інтелекту/машинного навчання ще більше уточнити прогнози часу пропускної здатності?



Наша робота — це крок до розумного управління SLC на основі даних, що доводить, що навіть невеликі вибірки даних можуть розкрити важливі ідеї для сталого розвитку та ефективності.



🔗 Читайте повну статтю для ознайомлення з технічними деталями та результатами:  [Повна стаття]