Kuljetuskaluston sijoittamisen ja määrän ennakkosuunnittelu hyödyntäen tekoälyavusteista resursointianalyysia

Abstract

Logistiikka-alan dynaamisuus ja nopea muutosvauhti vaativat perinteisen, reaktiivisen kalustonhallinnan täydentämistä ennakoivilla ja dataohjautuvilla menetelmillä. Tämän soveltavan tapaustutkimuksen tavoitteena oli selvittää, miten tekoälyä, koneoppimista ja optimointimenetelmiä voidaan hyödyntää Postin valtakunnallisen kuljetusverkoston kalustonhallinnassa. Nykytila-analyysi ja asiantuntijahaastattelut osoittivat, että operatiivisen tehokkuuden merkittävä este on luotettavan ja reaaliaikaisen tilannekuvan puute. Tämä haaste tulee datan pirstaleisuudesta, kaluston fyysisen sijaintitiedon epätarkkuudesta sekä manuaalisista viiveistä operatiivisten tilojen kirjaamisessa. Puutteellinen näkyvyys kaluston todelliseen saatavuuteen pakottaa ylläpitämään tarpeettomia varmuusvarastoja ja johtaa reaktiivisiin, alioptimoituihin siirtoajoihin.

Tutkimus toteutettiin noudattaen tekoäly- ja analytiikkahankkeiden ohjaamiseen tarkoitettua CRISP-DM-viitekehystä. Empiirinen aineisto kerättiin organisaation asiantuntijahaastatteluilla sekä analysoimalla operatiivisia prosesseja ja järjestelmäkuvauksia. Kerätyn tiedon pohjalta arvioitiin erilaisten ennuste- ja optimointimenetelmien soveltuvuutta suhteessa verkoston dynaamisiin reunaehtoihin, tiukkoihin aikaikkunoihin ja nykyisen datan laadun asettamiin rajoitteisiin.

Tutkimuksen tuloksena kehitettiin tekoälyavusteinen hybridimalli, joka toimii asiantuntijoiden päätöksenteon proaktiivisena tukijärjestelmänä. Malli yhdistää selitettävät aikasarjamallit (XAI) kapasiteettitarpeen ennakointiin, matemaattisen optimoinnin (MILP) kaluston kustannustehokkaaseen sijoitteluun hierarkkisia rajoitteita noudattaen sekä sääntöpohjaiset heuristiikat päivittäisten poikkeamien nopeaan hallintaan.

Lisäksi työssä laadittiin datan kehitystiekartta, joka korostaa "Data First" -periaatetta: mallin täyden potentiaalin realisoituminen edellyttää perusparametrien vakiointia ja kaluston reaaliaikaisen näkyvyyden järjestelmällistä parantamista. Skenaariotarkastelu osoittaa, että ehdotettu hybridimalli mahdollistaa kaluston käyttöasteen parantumisen, tyhjien siirtoajojen vähentymisen sekä logistisen resilienssin merkittävän kasvun muuttuvassa toimintaympäristössä.