МЕТОДЫ ОПТИМИЗАЦИИ, ОСНОВАННЫЕ НА КЛАСТЕРИЗАЦИИ НА ОСНОВЕ ДАННЫХ ГОРОДСКОЙ КУРЬЕРСКОЙ ЛОГИСТИКИ

В условиях стремительного развития городов и их инфраструктуры спрос к качественным городским доставкам возрастает с той же скоростью. Данная работа исследует возможности динамического распределения зон доставки для курьерских доставок на основе данных, предоставляемых курьерской компанией. Традиционные зоны доставки, создаваемые вручную, часто не обеспечивают релевантность картины по отношению к реальной ситуации в городе (погода, трафик, дороги и т.д.). В данном исследовании приводятся результаты того, как алгоритмы кластеризации K-Means и DBSCAN могут способствовать динамическому распределению зон доставок в виде кластеров. Сравнительный анализ включает в себя учет таких показателей, как значение Silhouette и вычислительная сложность Big-O Notation. Результаты показывают, что K-Means алгоритм создает структурированные и равномерные кластеры, в то время как DBSCAN показывает результаты в определении гибких кластеров с учетом плотности данных в регионе. Многоуровневый DBSCAN предоставляет возможность уменьшить концентрацию «шумов», тем самым увеличивая охват всех точек доставок. Полученные результаты отмечают преимущества использования алгоритмов кластеризации в создании динамических зон доставки для улучшения процессов распределения заказов между курьерами и уменьшением операционных расходов. В дальнейшие исследования следует включить получение данных в реальном времени для наблюдений за работой алгоритмов в динамической среде.

1. Kinelski G. Smart-city trends in the environment of sustainability as support for decarbonization processes // Polityka Energetyczna. – 2022. – Vol. 25. – No. 2.

2. Janjevic M., Winkenbach M. Characterizing urban last-mile distribution strategies in mature and emerging e-commerce markets // Transportation Research Part A: Policy and Practice. – 2020. – Vol. 133. – P. 164–196.

3. Russo F., Comi A. Urban courier delivery in a smart city: the user learning process of travel costs enhanced by emerging technologies // Sustainability. – 2023. – Vol. 15. – No. 23. – P. 16253.

4. Monferdini L., Bottani E. Examining the Response to COVID-19 in Logistics and Supply Chain Processes: Insights from a State-of-the-Art Literature Review and Case Study Analysis // Applied Sciences. – 2024. – Vol. 14. – No. 12. – P. 5317.

5. Li Z., Gu W., Meng Q. The impact of COVID-19 on logistics and coping strategies: a literature review // Regional Science Policy & Practice. – 2023. – Vol. 15. – No. 8. – P. 1768–1795.

6. Yang J. et al. Optimization of real-time traffic network assignment based on IoT data using DBN and clustering model in smart city // Future Generation Computer Systems. – 2020. – Vol. 108. – P. 976–986.

7. Rahman M. A. et al. Logistics Hub Location Optimization: A K-Means and P-Median Model Hybrid Approach Using Road Network Distances // arXiv preprint arXiv:2308.11038. – 2023.

8. Mandal M.P., Archetti C. A Decomposition Approach to Last Mile Delivery Using Public Transportation Systems // arXiv preprint arXiv:2306.04219. – 2023.

9. Barreto S. et al. Using clustering analysis in a capacitated location-routing problem //European journal of operational research. – 2007. – Vol. 179. – No. 3. – P. 968–977.

10. Mandal M.P., Archetti C. A Decomposition Approach to Last Mile Delivery Using Public Transportation Systems // arXiv preprint arXiv:2306.04219. – 2023.

11. Hess A., Spinler S., Winkenbach M. Real-time demand forecasting for an urban delivery platform // Transportation Research Part E: Logistics and Transportation Review. – 2021. – Vol. 145. – P. 102147.

12. Sawik B. Optimizing Last-Mile Delivery: A Multi-Criteria Approach with Automated Smart Lockers, Capillary Distribution and Crowdshipping // Logistics. – 2024. – Vol. 8. – No. 2. – P. 52.

13. Google Sites. K-means clustering algorithm. URL: https://sites.google.com/site/dataclusteringalgorithms/k-means-clustering-algorithm (дата обращения: 31.01.2025).

14. DataCamp. DBSCAN clustering algorithm URL: https://www.datacamp.com/tutorial/dbscanclustering-algorithm (дата обращения: 31.01.2025).

15. KDnuggets. DBSCAN clustering algorithm in machine learningю – 2020, апрель. URL: https://www.kdnuggets.com/2020/04/dbscan-clustering-algorithm-machine-learning.html (дата обращения: 31.01.2025).

16. Shahapure K.R., Nicholas C. Cluster quality analysis using silhouette score // 2020 IEEE 7th international conference on data science and advanced analytics (DSAA). – IEEE, 2020. – С. 747–748.

17. Ogbuabor G., Ugwoke F. N. Clustering algorithm for a healthcare dataset using silhouette score value // Int. J. Comput. Sci. Inf. Technol. – 2018. – Vol. 10. – No. 2. – P. 27–37.

18. Analytics Vidhya. K-means: Getting the optimal number of clusters. – 2021, май. URL: https://www.analyticsvidhya.com/blog/2021/05/k-mean-getting-the-optimal-number-of-clusters/ (дата обращения: 31.01.2025).

19. GeeksforGeeks. Elbow method for optimal value of k in K-means. URL: https://www.geeksforgeeks.org/elbow-method-for-optimal-value-of-k-in-kmeans/ (дата обращения: 31.01.2025).

20. GeeksforGeeks. DBSCAN clustering in ML: Density-based clustering. URL: https://www.geeksforgeeks.org/dbscan-clustering-in-ml-density-based-clustering/ (дата обращения: 31.01.2025).

21. Srilekha S., Priyadharshini P., Adhilakshmi M. Comparative evaluation of K-Means, hierarchical clustering, and DBSCAN in blood donor segmentation // International Journal for Multidisciplinary Research. – 2024. – Vol. 6. – No. 4. – P. 1–5. https://doi.org/10.36948/ijfmr.2024.v06i04.26755.