Разработка AI-системы для оптимизации загрузки транспорта

Разработка AI-системы для оптимизации загрузки транспорта

Неоптимальная загрузка — прямые потери: лишние рейсы, незаполненные кузова, неправильный порядок укладки = повреждённый груз. AI-оптимизатор загрузки снижает количество рейсов на 12–20% и устраняет ошибки при укладке.

Задача 3D bin packing

Загрузка транспортного средства — трёхмерная задача упаковки (3D Bin Packing Problem): разместить N коробок в M контейнеров/машин при ограничениях по размеру, весу, последовательности выгрузки и совместимости грузов.

Ограничения реальной загрузки:

• Вес на оси: ПДД ограничивают нагрузку на переднюю/заднюю ось
• Fragile-on-top: хрупкие грузы нельзя придавливать
• Последовательность выгрузки: первая точка доставки = последняя при загрузке
• Температурные режимы: разделение зон (заморозка/охлаждение/сухой)
• LIFO / FIFO требования для конкретных клиентов

from py3dbp import Packer, Bin, Item

def optimize_load(orders, vehicle_dimensions, sequence_required=True):
    """
    3D bin packing с учётом последовательности выгрузки.
    orders: список {'id', 'dims': (l,w,h), 'weight', 'delivery_seq', 'fragile'}
    """
    packer = Packer()

    # Добавить транспортное средство
    l, w, h = vehicle_dimensions
    packer.add_bin(Bin('truck', l, w, h, max_weight=20000))

    # Сортировка: обратный порядок выгрузки = первым в списке = грузится последним
    if sequence_required:
        orders_sorted = sorted(orders, key=lambda x: -x['delivery_seq'])
    else:
        orders_sorted = orders

    for order in orders_sorted:
        # Rotation: разрешить ли поворачивать коробку
        allow_rotation = not order.get('fragile', False)
        packer.add_item(Item(
            order['id'],
            order['dims'][0], order['dims'][1], order['dims'][2],
            order['weight']
        ))

    packer.pack(bigger_first=True, distribute_items=False)
    return packer.bins[0]

ML-улучшения поверх классических эвристик:

• Reinforcement Learning (PPO, SAC) для обучения политики укладки: обходит застревание в локальных оптимумах
• Graph Neural Network: моделирует контейнер как граф уже размещённых объектов → предсказывает лучшую следующую позицию

Консолидация грузов (LTL → FTL)

Less-than-Truckload отправки консолидируются в Full-Truckload:

• Кластеризация заказов по направлению и срокам
• Оценка выгоды консолидации: экономия на фрахте vs. ожидание попутного груза
• ML-прогноз: когда ещё появятся грузы в это направление в ближайшие 24–48 часов

Алгоритм консолидации:

1. Онлайн-кластеризация новых заказов: DBSCAN по геокоординатам и временным окнам
2. Для каждого кластера → bin packing → процент заполнения
3. Если заполнение >80% → формировать рейс
4. Если <80% → ожидать до deadline или добавить заказы из буфера

Оптимизация для разных типов транспорта

Интеграция

• Получение заказов из WMS/TMS (REST API или EDI)
• Визуализация схемы загрузки в PDF/3D viewer для водителя и грузчиков
• Мобильное приложение: пошаговые инструкции загрузки с AR-наложением

Экономический эффект: при парке 50 машин с ежедневной загрузкой — экономия 15–25 рейсов/день, что при стоимости рейса 15 000 руб. = 2.25–3.75 млн руб./месяц.

Срок разработки: 3–4 месяца для 3D packing системы с консолидацией и интеграцией в TMS.