Примечание. Версия этой статьи была впервые опубликована 23 июля 2019 года на FreightWaves.
В статье Решение проблемы изменения климата с помощью машинного обучения Дэвид Ролник и его соавторы рассматривают, как машинное обучение (МО) и искусственный интеллект (ИИ) могут быть применены к проблеме изменения климата. Они выявляют серьезные проблемы, в которых существующие пробелы могут быть заполнены с помощью машинного обучения в сотрудничестве с другими областями.
В этой статье я сосредоточусь на их рекомендациях по транспортировке. В документе они классифицируют решения, которые они обсуждают, как высокое кредитное плечо, долгосрочное и высокий риск. Я сосредоточусь только на упрощенном описании их рекомендаций по высокому кредитному плечу.
Авторы — ученые-исследователи, стремящиеся применить свои знания и опыт в реальных промышленных условиях. В предыдущих статьях в этой колонке я подчеркивал, что считаю, что большие проблемы в цепочке поставок и транспортировке требуют сотрудничества между отраслями и областями знаний. На самом деле именно это убеждение привело к созданию The New York Supply Chain Meetup в августе 2017 года и The Worldwide Supply Chain Federation в мае 2018 года. Статья Дэвида Ролника и его соавторов подтверждает это убеждение. Авторы призывают к сотрудничеству, и статья написана для исследователей и инженеров, предпринимателей и инвесторов, руководителей корпораций, а также местных и национальных органов власти.
Обобщенные проблемы динамического назначения
В общем, проблемы, которые необходимо решить, когда кто-то пытается применить машинное обучение, искусственный интеллект и другие вычислительные технологии к транспортным сетям и цепочкам поставок, относятся к классу проблем, которые я называю обобщенными задачами динамического назначения.
Вот постановка задачи: у нас есть ряд ресурсов и ряд требований, которые распределены по сети таким образом, что любой из ресурсов может быть назначен для удовлетворения любого из требований при условии бюджет. Каждый ресурс несет затраты в процессе удовлетворения любого заданного спроса. Каждый ресурс может приносить прибыль или нести убытки в процессе удовлетворения любого заданного спроса. Существует бюджет для конкретного ресурса, а также бюджет для всей сети. Назначьте все ресурсы в сети для удовлетворения потребностей таким образом, чтобы максимизировать прибыль сети.
Это трудные для решения проблемы. Они становятся еще более сложными, когда учитываются условия и переменные реального мира — постоянно меняющиеся неопределенности, присущие реальному миру, делают эти проблемы «динамическими».
В приведенном ниже обсуждении я не делаю различий между грузовыми и пассажирскими перевозками. Это просто разные типы грузов, и, как правило, проблемы в основном одинаковы.
Транспорт
Авторы определяют следующие стратегии сокращения выбросов парниковых газов (ПГ) от транспорта; «Снижение транспортной активности, повышение эффективности транспортных средств, снижение углеродного воздействия топлива и переход на варианты с более низким уровнем выбросов углерода, такие как железная дорога».
Снижение транспортной активности — это проблема, с которой большинство читателей FreightWaves уже знакомы, потому что она в основном сосредоточена на значительном снижении количества случаев пустого курса или порожнего участка. Этого можно достичь за счет улучшения сбора и анализа данных о перевозках, чтобы помочь в моделировании спроса и комплектации, консолидации и маршрутизации грузов.
Применение машинного обучения для эффективности транспортных средств может помочь:
- Разработка более эффективной аэродинамики во всех видах транспорта,
- Конструкция более совершенных двигателей внутреннего сгорания,
- Разработка и внедрение более совершенных методов управления мощностью в гибридных двигателях,
- Применение компьютерного зрения для более аэродинамической загрузки грузов и
- Производство более легких деталей для автомобилей с помощью аддитивного производства.
Электромобили предоставляют возможность значительно сократить выбросы парниковых газов в транспортной отрасли, если электричество, используемое для питания транспортных средств, само производится с использованием методов с низким уровнем выбросов углерода. ML может применяться к:
- Планирование и оптимизация заряда,
- Управление перегрузками,
- Алгоритмы транспортного средства к сети,
- Управление энергией батареи и
- Исследование и разработка новых типов аккумуляторов.
Методы машинного обучения могут быть реализованы для понимания моделей использования по мере того, как электромобили становятся все более распространенными и все больше людей переходят на них. Сетевым операторам необходимо будет понимать модели нагрузки, возникающие в результате совокупного использования между жилым и коммерческим использованием электромобилей и сопутствующих технологий.
Улучшение низкоуглеродных вариантов, вероятно, станет более приоритетным в будущем, чем в прошлом. Это особенно актуально в городских условиях, где более тесная интеграция между низкоуглеродными видами транспорта может быть лучше интегрирована с вариантами общественного транспорта. Машинное обучение особенно подходит для прогнозирования спроса на велосипеды в программах велопроката и согласования этого спроса с расписанием общественного транспорта таким образом, чтобы максимизировать пропускную способность. Машинное обучение также можно применять для координации графиков интермодальных грузовых перевозок, чтобы максимизировать время, затрачиваемое грузоперевозками на виды транспорта с низким уровнем выбросов углерода.
По данным Всемирной организации здравоохранения: «Транспортный сектор является самым быстрорастущим источником выбросов в атмосферу. Рост потребления энергии в транспортном секторе выше, чем в любом другом секторе конечного потребления. Основными драйверами роста глобальной транспортной энергетики являются наземный транспорт, в основном легковые автомобили, такие как автомобили, а также грузовой транспорт». Вклад транспортного сектора в изменение климата заключается в долгоживущих выбросах двуокиси углерода и короткоживущем черном углероде. Кроме того, транспорт также выбрасывает в воздух другие формы газообразных и твердых загрязнителей.
В отчете Новая климатическая экономика, опубликованном Глобальной комиссией по экономике и климату, авторы заявляют, что: Признавая недостатки существующих экономических моделей, анализ, проведенный для этого отчета, показал, что смелые действия могут привести к прямая экономическая выгода в размере 26 трлн долларов США до 2030 года по сравнению с обычным бизнесом. И это, вероятно, будет консервативной оценкой.
Именно эта возможность заставляет меня воодушевляться стартапами, создающими новые инновации для преобразования глобальных сетей транспорта и цепочек поставок. На следующей неделе мы обсудим, как можно применять машинное обучение и искусственный интеллект для улучшения цепочек поставок.