26225

ارائه مدلي به منظور تخصيص بهينه كاميون به بار در شرايط عدم قطعيت تقاضا براساس سيستم حمل ونقل هوشمند (ITS) و مطالعه موردي بر روي يك شركت حمل ونقل (شركت اوبار)

كارشناسي ارشد

مهندسي صنايع- بهينه‌سازي سيستم‌ها

1400-1401

1400/09/17

دكتر احمد ماكوئي

دكتر مير سامان پيشوايي

مهندسي صنايع

صنعت حمل ونقل به عنوان يكي از مهم ترين حوزه هاي سيستم لجستيك در كشورهاي هاي پيشرفته و رو به رشد جايگاه خاصي داشته و همواره قسمت عمده اي از امكانات و منابع را به صورت مستقيم يا غير مستقيم به خود اختصاص داده است. قيمت گذاري در حمل و نقل بار و كالا يكي از مهم‌ترين مباحثي است كه مي¬تواند به رشد اقتصادي يك كشور كمك نمايد. در تعيين قيمت حمل و نقل بار، اهداف به طور معمول در دو دسته¬ي تعيين نرخ حمل و نقل لحظه اي و تعيين نرخ حمل و نقل قراردادي طبقه بندي مي شوند. يكي از چالش¬هاي موجود در حمل و نقل كشور، قيمت گذاري صحيح هزينه حمل بار است. هدف اين پژوهش، پيش بيني نرخ لحظه¬اي حمل جاده اي بار در داخل كشور به روشي منصفانه و پايدار است كه به صورت مطالعه موردي بر روي شركت حمل و نقل اوبار انجام مي شود. با توجه به محدوديت¬هاي اطلاعاتي در سفارشات دريافتي حمل بار از شركت اوبار، شاخص‌هاي جديدي براي توصيف بهتر قيمت حمل بار تعريف شده است كه شامل روز تعطيلي، زمان حمل بار، روز از هفته، فاصله زماني بين زمان سفارش و زمان حمل، ضريب بار و ضريب جذابيت حمل بار به مقصد مي باشند. جهت مدل سازي، بعد از پاكسازي و آماده سازي داده¬ها، مطابق با اكثر مطالعات پيشين مورد بررسي از مدل رگرسيون خطي چندگانه استفاده شده است. ليكن اين مدل به دليل عدم وجود رابطه خطي ميان متغيرهاي توصيف كننده و هزينه حمل، دقت بالايي در پيش بيني ارائه نداده است. به عنوان نوآوري و عدم نياز به تعريف روابط ميان متغيرهاي توصيف كننده از مدل¬هاي ناپارامتري جنگل تصادفي و شبكه عصبي استفاده شده است. نتايج حاصل از مدل¬سازي و راستي آزمايي مدل ها، عملكرد بهترمدل جنگل تصادفي را نسبت به مدل رگرسيون خطي چندگانه و شبكه عصبي نشان مي دهد. به منظور مقايسه عملكرد مدل ها از ضرايب خوبي برازشR^2 و RMSE استفاده شده است كه مدل جنگل تصادفي R^2 بيشتر(20 درصد بيشتر از مدل رگرسيون خطي چندگانه و 6 درصد بيشتر از مدل شبكه عصبي) و خطاي كمتري جهت پيش بيني هزينه حمل داشته است.

1400/12/21

Providing a model for Optimal allocation of cargo to trucks under Demand Uncertainty Based on Intelligent Transportation System ( ITS ) and Case Study on a Transport Company(Ubar Company)

12/8/2022 12:00:00 AM

As one of the most important aspects of logistics systems in developed and developing countries, transportation has always played a major role in facilities and resources. A country's economic growth is directly related to pricing in the freight industry. Freight rates are typically classified into two types: instantaneous rates and contractual rates. The pricing of freight costs in Iran is one of the challenges of transportation. The purpose of this study is to predict the instantaneous rate of freight road transport in Iran in a fair and stable way, using a case study of the company Ubar. As a result of the information limitations in freight orders received from the company, new indicators were developed to better describe freight prices, including holidays, freight time, freight day, the time interval between order and freight time, load factor, and attractiveness of the destination. In the majority of previous studies, the multiple linear regression model was used as a modeling strategy after clearing and preparing the data. However, this model does not provide high accuracy in forecasting due to the lack of a linear relation between descriptive variables and freight costs. In this study, non-parametric random forest and neural network models were used without the need to define relationships between descriptive variables. The results of modeling and verification of the models show better performance of the random forest model in comparison with the multiple linear regression model and neural network. In order to compare the performance of the models, accuracy and RMSE have been used as the goodness of fitting. The results have shown that the random forest model has more accuracy (20% more than the multiple linear regression model and 6% more than the neural network model) and less error to predict the pricing of freight costs.

حمل و نقل , پيش بيني قيمت , يادگيري ماشين

Transportation , Price Forecasting , Machine Learning

Sattar Yarahmadi

Dr. Ahmad Makui