AI-model kan reducere budbehovet med op til 6 procent i travle perioder

En ny AI-baseret model kan ifølge et forskningsstudie få takeaway-platforme til at håndtere flere leveringer med den samme budkapacitet. I travle perioder krævede modellen op til seks procent færre bude per ordre end den metode, der allerede blev anvendt på platformen i datagrundlaget.

Samtidig blev mere end 95 procent af ordrerne leveret rettidigt, og forbedringen blev opnået uden at øge den tid, som ordrerne blev holdt tilbage før afsendelse.

Modellen er udviklet af en forskergruppe med deltagelse af Yihua Wang, adjunkt ved Institut for Teknologi og Innovation på Syddansk Universitet, og er testet på data fra mere end 650.000 leveringer hos den kinesiske takeaway-platform Meituan.

Flere ordrer bliver samlet på samme tur

En central udfordring for takeaway-platforme er at afgøre, om en ordre skal sendes afsted med det samme, eller om den kortvarigt skal vente i håbet om, at den kan kombineres med en anden levering.

Ved at samle flere ordrer på samme tur kan en platform udnytte sine bude bedre. For lang ventetid risikerer omvendt at gå ud over leveringen til kunden.

I forskernes test identificerede AI-modellen flere ordrer, der kunne leveres sammen, end platformens eksisterende metode. Afhængigt af tidspunktet på dagen blev mellem 13 og 24 procent af ordrerne samlet. Med den eksisterende praksis var andelen mellem 7 og 17 procent.

Dataene omfatter 22 geografiske serviceområder med både travle byområder, forstæder og områder med lavere efterspørgsel.

– Det afgørende er, at modellen ikke kun forsøger at gøre leveringerne så hurtige eller billige som muligt. Den afvejer flere konkurrerende hensyn og finder en balance mellem effektive ruter, rettidige leveringer og den tilgængelige budkapacitet, siger Yihua Wang.

AI lærer af tidligere beslutninger

Modellen kombinerer to metoder til at håndtere den usikkerhed, der opstår, fordi en leveringsplatform ikke på forhånd ved, hvilke nye ordrer der kommer ind få minutter senere.

Først bruges invers optimering til at lære af platformens tidligere beslutninger og afdække, hvordan forskellige driftsmæssige hensyn bliver vægtet. Derefter anvendes deep reinforcement learning til at finde de beslutninger, der ifølge modellen giver de bedste resultater over tid.

På den baggrund vurderer systemet blandt andet, hvilke ordrer der bør sendes straks, hvilke der kortvarigt kan holdes tilbage, og hvilke leveringer der med fordel kan kombineres.

Resultaterne peger samtidig på, at den optimale beslutning afhænger af den konkrete situation. I områder og perioder med få nye ordrer kan lidt ekstra tilbageholdelse øge chancen for at finde en ordre, der passer til samme leveringstur. Ordrer over lange afstande er derimod mindre egnede til at vente, fordi sandsynligheden for at finde en passende kombination er lavere.

Endnu ikke testet i et levende leveringssystem

Modellen er foreløbig ikke taget i brug som en del af en platforms aktive leveringssystem. Det næste skridt vil ifølge Yihua Wang være at samarbejde med en platform om at integrere og afprøve løsningen under virkelige driftsforhold.

– Næste skridt vil være et tæt samarbejde med en leveringsplatform, så modellen kan integreres i dens system og testes under virkelige driftsforhold. Løsningen er imidlertid udviklet specifikt til den type hyppige beslutninger, som platformene træffer hver dag. Indtil videre er metoden testet på takeawaylevering, men den vil også kunne undersøges i samarbejde med logistikvirksomheder, der driver store netværk af distributionscentre – blandt andet i den dansk-tyske grænseregion. Det kan danne et stærkt grundlag for fremtidigt industrisamarbejde og bredere praktisk anvendelse, siger Yihua Wang.

Hvis resultaterne kan overføres til drift, vurderer forskerne, at platformene kan udnytte deres budkapacitet bedre og reducere logistikomkostningerne, mens buddene kan levere flere ordrer på samme tur og køre kortere per ordre. Det er dog endnu ikke dokumenteret gennem en implementering i et levende system.

Det fremgår af pressemeddelelsen fra Syddansk Universitet. Forskningsartiklen er skrevet af Yihua Wang, Long He, Zhengling Qi og Stefan Minner og er publiceret i Transportation Science.

Vores team kan have anvendt AI til at assistere i skabelsen af dette indhold, som er gennemgået af redaktørerne.