Verbesserung der internationalen Logistik und des Supply Chain Managements: Deep Learning Strategien für verbesserte Routenplanung und Lageroptimierung

Logistik und Supply Chain Management (SCM) sind beide Schlüsselbereiche in der modernen Industrie und im Handel, die eine bessere Routenplanung und Lageroptimierung benötigen. Traditionelle Methoden, die in der Praxis verwendet werden, haben oft versagt, die dynamischen Komplexitäten moderner Logistik zu bewältigen, was zu ineffizienten Reisezeiten, Kraftstoffverbrauch und Raumnutzung führt. Um diese Einschränkungen zu überwinden, führt diese Studie ein integriertes Modell ein, das Long Short-Term Memory (LSTM) Netzwerke, Radial Basis Function Neural Networks (RBNN) und den Non-dominated Sorting Genetic Algorithm II (NSGA-II) zur Routenplanung und Lageroptimierung kombiniert. Das vorgeschlagene Modell nutzt LSTM, um Verkehrsarten vorherzusagen, und RBNN, um die Raumnutzung im Lager zu optimieren. Das NSGA-II Modell wird dann für die Multi-Objektiv-Optimierung zur Minimierung der Reisezeiten und Maximierung der Raumnutzung im Lager verwendet. In der Experimentalanalyse erreichte das vorgeschlagene Modell die höchste Genauigkeit und die geringste Variabilität in den Vorhersagen mit einem durchschnittlichen MAE, RMSE und MAPE von 0,57, 1,12 und 5,9 %.