Cet article présente une plateforme de fret numérique basée sur un graphe spatio-temporel pour favoriser la collaboration entre expéditeurs et transporteurs. Il offre une approche basée sur les données pour aborder les complexités de la planification du transport de fret en tenant compte des contraintes géographiques et temporelles. En utilisant la modélisation par graphe, la plateforme fournit des solutions pratiques qui améliorent l'efficacité opérationnelle et la durabilité dans le transport de fret au sein d'un marché mondial hautement compétitif. La plateforme traite le problème de routage sélectif des véhicules à multi-dépôts avec fenêtres temporelles (SFTMDVRPTW), impliquant des commandes de voyages confirmés déjà attribuées. Pour résoudre ce problème, un moteur de recommandation est développé, offrant un planificateur d'itinéraires en deux phases pour les camionneurs : d'abord, le système identifie les tâches de transport en fonction des critères temporels et géographiques d'un itinéraire de camion en utilisant une carte interactive. Ensuite, des algorithmes de parcours de graphe sont appliqués pour explorer le graphe construit et générer des horaires de camions visant à maximiser la rentabilité tout en tenant compte des modèles mono et multi-objectifs. La performance de la plateforme est évaluée à l'aide d'expériences numériques, démontrant sa pertinence dans la planification des itinéraires et l'amélioration de l'efficacité logistique. • Plateforme de fret numérique basée sur les données construite sur un modèle de graphe. • Modélisation intégrée du graphe spatio-temporel des opérations de transport de fret. • Moteur de recommandation en deux phases génère des itinéraires de camions réalisables et flexibles. • Optimisation bi-objective équilibre performance économique et opérationnelle. • Soutient le routage sélectif et la planification de transport collaborative.
Saoud et al. (Mercredi,) ont étudié cette question.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: