مروری ساختارمند بر کاربردهای یادگیری ماشین در مدل سازی و پیش بینی حمل ونقل کالای جاده ای

هدف این مقاله، مرور ساختارمند کاربردهای یادگیری ماشین در حمل ونقل کالای جاده ای و صورت بندی الگوهای رایج «مسئله–داده–روش» در ادبیات پژوهش است. بر این اساس، مجموعه ای از مطالعات منتخب تحلیل شد و حوزه های کاربرد غالب، نوع داده های مورد استفاده، خانواده های مدل های رایج و شیوه های ارزیابی عملکرد استخراج و دسته بندی گردید. نتایج مرور نشان می دهد کاربردهای یادگیری ماشین در این حوزه عمدتا در چهار محور اصلی قابل صورت بندی است: (۱) پیش بینی حجم/تقاضا/جریان، (۲) عملکرد حرکت شامل پیش بینی سرعت، زمان سفر، توقف و انتظار (به همراه برخی شاخص های عملیاتی)، (۳) پیش بینی قیمت/نرخ و متغیرهای رفتاری بازار، و (۴) مسائل تصمیم محور مانند مسیریابی و اعزام. همچنین مشاهده می شود که انتخاب روش ها تا حد زیادی به نوع داده و جزئیات زمانی–مکانی آن وابسته است؛ به این معنا که وقتی داده ها با فاصله های زمانی کوتاه و به صورت پیوسته ثبت می شوند، مدل های یادگیری عمیق و رویکردهای ترکیبی بیشتر به کار می روند، اما وقتی داده ها کم تعدادتر هستند یا متغیر هدف رفتار نامتقارن و دنباله دار دارد، مدل های ساده تر یا روش های آماری متناسب با ماهیت داده نیز در مقایسه های درون مطالعه ای عملکرد قابل قبولی نشان داده اند. در نهایت، این مرور به جای رتبه بندی الگوریتم ها، یک نقشه کاربردی از حوزه ها و انتخاب های متداول داده و مدل ارائه می دهد که می تواند برای طراحی پژوهش های بعدی و پیاده سازی های صنعتی به عنوان چارچوب مرجع مورد استفاده قرار گیرد.

کلیدواژه ها:

حمل ونقل کالای جاده ای ، یادگیری ماشین ، لجستیک ، پیش بینی تقاضا ، پیش بینی زمان سفر ، قیمت گذاری حمل ، مسیریابی و اعزام ، یادگیری عمیق