Локационная разведка для оптимизации дорожной навигации в секторе логистики

Дальнобойщики или водители грузовиков – невидимые герои любой национальной экономики. Их часы и мили, обеспечивающие своевременную доставку товаров, стимулируют бизнес и увеличивают доходы. Это тяжёлая работа. Им случается маневрировать в труднопроходимой местности, независимо от условий трафика, времени года и окружающей среды – и всё это ради нас. Хороший водитель необходим для качественной логистики. Плохой водитель – увеличение сроков доставки и затрат. Эффективность водителей – важнейший показатель работы автопарка: доходы напрямую зависят от доставки грузов из пункта отправления в пункт назначения с минимальными затратами. Этот процесс сложен и требует вмешательства аналитики, основанной на ГНСС, чтобы помочь водителям сэкономить значительное количество времени, денег и ресурсов для своей компании, приводятся рассуждения в блоге компании CSS Corp.

ГНСС спешит на помощь

Спутниковая навигация используется для обеспечения точного, непрерывного определения местоположения и хронометража движения грузовика в любых погодных условиях. Экосистема ГНСС состоит из спутниковых группировок, наземных станций управления и приёмников. Приёмники ловят спутниковые радиосигналы, а станции управления отслеживают и обновляют позиции спутников, одновременно передавая данные о местоположении  грузовика с Земли обратно на спутники.

Большие наборы геопространственных, ГНСС и локационных данных связаны с физическим местоположением грузовика на дороге. К ним относятся точка отправки, пункт назначения, режим вождения грузовика, товары, которые необходимо доставить, дорожное покрытие, демографические данные, трафик, погода и т.д. Наборы данных собираются и анализируются с помощью алгоритмов на основе машинного обучения для создания интеллектуальной карты, которая помогает визуализировать понимание и распознавание закономерностей, встроенных в данные. Назовём всё это локационной разведкой.

Наборы данных могут быть разделены на «координатные данные» для представления географического положения, «растровые данные» для непрерывного представления данных (высоты, повороты, температура) и «векторные данные» для обозначения дорог, зданий, зон остановки и т.д. Описания каждого местоположения прилагаются к каждому набор данных и называются «атрибутами».

Все наборы данных сгруппированы в слои, и каждый слой можно проанализировать с помощью сложных механизмов Искусственного интеллекта, чтобы ответить на вопросы водителя. Этот процесс объединяет географические точки зрения со статистическими данными в атрибутах. Слои объединены в сетку и имеют географическую привязку путём добавления географической информации, а изображение отображается на устройстве водителя, чтобы показать реальное местоположение. Интеллектуальные карты могут расширить возможности водителей за счёт визуализации нескольких шаблонов атрибутов данных на одной карте. Двумерное сопоставление используется для иллюстрации взаимосвязи между двумя пространственно распределёнными переменными, оно помогает различать шаблоны по цвету и размеру, что позволяет исследовать данные и отображать удобную для водителя информацию на карте.

Таким образом, анализ местоположения является мощным инструментом, позволяющим логистическим компаниям планировать, отслеживать и управлять потребностями в каждой точке взаимодействия с водителем.

Использование локационной разведки

Вот несколько способов использования информации о местоположении для оптимизации эффективности водителя:

1. Возможность избежать заторы на дорогах: оптимизируйте время в пути, непрерывно отслеживая проезжую часть, собирая данные о дорожном движении с датчиков дороги, анализируя количество въездов и выездов, чтобы рассчитать оптимальное время включения светофора в густонаселенных районах, чтобы помочь водителю двигаться быстрее с меньшим временем простоя. Водители также могут определять места скопления людей, факторы, вызывающие заторы, определять новые маршруты и находить способы быстрого маневрирования по выбранным маршрутам.

2. Управление топливом: расходы на топливо составляют большую часть эксплуатационных расходов парка. Затраты на топливо увеличиваются, и водители должны использовать меньше топлива во время поездок. Данные о расходе топлива в реальном времени и в прошлом могут помочь рассчитать и снизить стоимость мили для определённых маршрутов.

3. Предсказуемость обслуживания: объединяя данные о местонахождении транспортного средства, имущества и водителя, время прибытия может быть предсказано с хорошим уровнем точности в каждом транзитном пункте. Водителей можно перенаправить в случае плохой погоды или происшествий, сократить время погрузки / разгрузки на складах и сообщить клиентам о перенесенных графиках.

4. Обеспечьте безопасность водителя: отслеживайте привычки и поведение водителя за рулём, предупреждайте водителей об ограничениях скорости, планируйте рабочие нагрузки водителя, расположение транспортных средств и состояние двигателя в режиме реального времени. Привычки вождения могут быть зафиксированы для оценки профиля риска водителя, который может использоваться для разработки индивидуальных полисов страхования транспортных средств с соответствующими страховыми взносами.

5. Очередь на пунктах взимания платы за проезд: уменьшите скопление транспортных средств на пунктах за счёт электронного сбора платы за проезд, отслеживая его положение и траекторию. Расчёт платы за проезд также не содержит ошибок и гарантирует, что транспортные средства не будут взиматься неправильно.

Перед сектором логистики стоит задача сокращения растущих транспортных расходов и расходов на распространение при одновременном удовлетворении ожиданий клиентов в отношении приоритетных поставок. Для этого сектора крайне важна информация о местоположении, чтобы предоставить ценную информацию о преодолении ограничений и неэффективности за счёт своевременной доставки товаров, сведения к минимуму задержек или повреждений при одновременном повышении удовлетворенности клиентов.

О беспилотных системах, использующихся в секторе логистики, читайте в журнале «Вестник ГЛОНАСС».