بهینه سازی هوشمند لجستیک شهری با رویکرد یادگیری تقویتی عمیق (DQN) و تحلیل کلان داده

افزایش پیچیدگی شبکه های حمل ونقل شهری، رشد سریع تجارت الکترونیک و نیاز روزافزون به تحویل های سریع، ارزان و پایدار، ضرورت به کارگیری رویکردهای هوشمند در لجستیک شهری را دوچندان کرده است. این پژوهش یک مدل نوآورانه مبتنی بر یادگیری تقویتی عمیق DQN ارائه می دهد که با ادغام کلان داده و اطلاعات زمان واقعی، مسیرهای تحویل را در محیط های پویا به صورت تطبیقی بهینه سازی می کند. مدل پیشنهادی در یک محیط شهری شبیه سازی شده شامل ۱۲ منطقه، ۱۲۰ مشتری، ۴ انبار و ۱۰ وسیله نقلیه ارزیابی شده است. نتایج تجربی نشان می دهد که الگوریتم DQN نسبت به روش های سنتی به طور قابل ملاحظه ای بهتر عمل می کند؛ به طوری که زمان تحویل تا ۳۵٪، مصرف سوخت تا ۳۳٪ و انتشار CO₂ تا ۵۵٪ کاهش یافته و هم زمان، نرخ تحویل به موقع به ۹۲٪ و رضایت مشتری تا ۴۰٪ افزایش یافته است. تحلیل حساسیت نیز نشان می دهد که مدل در مواجهه با ترافیک سنگین، افزایش تقاضا و داده های ناقص، عملکردی پایدار و قابل اتکا دارد.این پژوهش با ادغام هوش مصنوعی، کلان داده و تحلیل سناریوهای آینده نگر مبتنی بر GPT، چارچوبی مقیاس پذیر برای توسعه لجستیک شهری هوشمند ارائه می دهد و می تواند به عنوان مبنایی برای طراحی سیاست های داده محور در کلان شهرهای در حال توسعه مورد استفاده قرار گیرد.

کلیدواژه ها:

لجستیک شهری ، یادگیری تقویتی عمیق ، DQN ، کلان داده ، پایداری حمل ونقل