clicOH 利用 NVIDIA cuOpt 提升最后一英里配送效率 20 倍
realtime news Aug 30, 2024 08:14
clicOH 利用 NVIDIA cuOpt 实现了最后一英里配送效率提升 20 倍，并通过先进的 AI 和机器学习解决了车辆路径问题。
受消费者行为变化和疫情的推动，电子商务继续呈爆发性增长和转型。因此，物流和运输公司处于包裹配送革命的前沿。根据 NVIDIA 技术博客，这种新现实在最后一英里配送中特别明显，因为它现在是供应链物流中最昂贵的部分，占各行业供应链总成本的 41% 以上，从零售到制造业。
改造路径服务
这些挑战因车辆路径问题 (VRP) 而加剧，这是一种旅行推销员问题 (TSP) 的泛化，询问“车队应该进行哪一组优化路线，以向特定的客户群体进行配送？”有 10 个配送目的地时，可能有超过 300 万种排列组合。目的地达到 15 个时，可能的路线数目能超过 1 万亿，超过了即使是最快的超级计算机的能力。这还未考虑如车队可用性、导航能力和访问限制等操作约束条件。
clicOH 是 NVIDIA 创业加速计划的成员，公司开发了一种专有的路径模型来应对这些挑战。借助 NVIDIA 的尖端技术，包括启发式和元启发式优化算法、机器学习和 AI，clicOH 的解决方案可以适应不同需求，如包裹分布密度、成本效率和最后一英里配送的时间优化。
优化最后一英里配送成本
为应对路径挑战，clicOH 采用了 NVIDIA cuOpt 来支持与旅行推销员问题相关的工作，并确定最佳配送路线。cuOpt 库与 GPU 和其他 NVIDIA 库（如 RAPIDS 和 CUDA）协同工作，以生成更快更准确的配送路线。
RAPIDS 使 clicOH 可以在不修改代码的情况下实现无监督机器学习算法，从而进行更高效的数据分析。这些算法将高需求邮政编码进行集群化以实现更高效的配送，并识别难以到达的区域。结合 NVIDIA cuOpt，这些算法可以在几分钟甚至几秒钟内处理数千条路径，优化配送时间，同时考虑到本地路径限制，从而最终降低配送成本。
使用 AWS 开发环境中的 NVIDIA GPU，clicOH 分析了多座城市的数千条现有路线，以绘制路径中的缺陷。这一分析简化了公司物流解决方案的开发并增强了应用的适应能力。
clicOH 还开发了一个深度学习模型，以优化配送时间，最大限度地利用车队，并识别由于调度限制而存在配送挑战的邮政编码。通过使用 NVIDIA 加速计算优化其 AI 模型，clicOH 在集群路径规划方面实现了 20 倍的速度提升，并整体运营成本降低了 15%。
欲了解有关 clicOH 的加速物流解决方案的更多信息，请访问 NVIDIA 技术博客。
Image source: Shutterstock