ЕКСПЕРИМЕНТАЛЬНЕ ДОСЛІДЖЕННЯ АДАПТИВНОГО АЛГОРИТМУ МАРШРУТИЗАЦІЇ ДЛЯ C2C ЛОГІСТИКИ

Данило Коваленко; Ірина Замрій

doi:10.28925/2663-4023.2025.28.815

Автор(и)

Данило Коваленко Державний університет інформаційно-комунікаційних технологій https://orcid.org/0009-0002-2475-2883
Ірина Замрій Державний університет інформаційно-комунікаційних технологій https://orcid.org/0000-0001-5681-1871

DOI:

https://doi.org/10.28925/2663-4023.2025.28.815

Ключові слова:

C2C логістика, адаптивна маршрутизація, оптимізація, машинне навчання, підкріплювальне навчання, останній кілометр, реальний час

Анотація

У статті представлено результати емпіричного дослідження інноваційного адаптивного алгоритму маршрутизації, розробленого для підвищення ефективності системи доставки в сегменті «клієнт-до-клієнта» (C2C). Такий підхід є особливо актуальним в умовах зростаючої популярності онлайн-маркетплейсів і мобільних платформ, де основною проблемою залишається так званий «останній кілометр» доставки — фінальний етап переміщення вантажу до кінцевого отримувача. Запропонований алгоритм базується на поєднанні довготривалої пам’яті (LSTM) для прогнозування попиту та методів підкріплювального навчання (Reinforcement Learning) для прийняття рішень у реальному часі.

Експериментальні випробування проводились у середовищі середнього міста з типовою урбаністичною структурою. Для тестування використовувалися реальні дані про дорожню ситуацію, погодні умови та зміни в попиті на логістичні послуги. Результати продемонстрували значне зменшення логістичних витрат (до 18%) та часу доставки (на 15–20%) у порівнянні з традиційними алгоритмами (Дейкстра, A* тощо). Також підтверджено високу адаптивність алгоритму до змінних умов, що робить його придатним до інтеграції у динамічні C2C логістичні платформи.

У статті також детально описано методологію дослідження, зокрема архітектуру тестового фреймворку, метрики оцінювання (витрати, час, точність) і процедури валідації результатів. Окрему увагу приділено порівнянню з існуючими підходами, а також виявленню обмежень та потенційних шляхів подальшого вдосконалення. Робота становить інтерес як для академічного середовища, так і для бізнесу, що орієнтований на створення гнучких, масштабованих систем доставки нового покоління.

Завантаження

Дані завантаження ще не доступні.

Посилання

Boysen, N., Briskorn, D., & Emde, S. (2021). Last-mile delivery concepts: A survey from an operational research perspective. OR Spectrum, 43(1), 1–58. https://doi.org/10.1007/s00291-020-00607-4.

Lin, J., Zhou, W., & Cai, L. (2022). A review of last-mile delivery optimization using machine learning and soft computing. Transportation Research Part E: Logistics and Transportation Review, 160, Article 102655. https://doi.org/10.1016/j.tre.2022.102655.

Ghiani, G., Guerriero, F., Laporte, G., & Musmanno, R. (2003). Real-time vehicle routing: Solution concepts, algorithms and parallel computing strategies. European Journal of Operational Research, 151(1), 1–11. https://doi.org/10.1016/S0377-2217(02)00915-3.

Statista Research Department. (2024). C2C e-commerce market analysis in Eastern Europe. Retrieved May 20, 2025, from https://www.statista.com/statistics.

Yan Y., Chow A. H., Ho C. P., Kuo Y. H., Wu Q., Ying C. (2022). Reinforcement Learning for Logistics and Supply Chain Management: Methodologies, State of the Art, and Future Opportunities. Transportation Research Part E: Logistics and Transportation Review, 162, 102712. https://doi.org/10.1016/j.tre.2022.102712.

Liu H., Zhang J., Zhou Z., Dai Y., Qin L. (2024). A Deep Reinforcement Learning-Based Algorithm for Multi-Objective Agricultural Site Selection and Logistics Optimization Problem. Applied Sciences, 14(18), 8479. https://doi.org/10.3390/app14188479.

Cai H., Xu P., Tang X., Lin G. (2024). Solving the Vehicle Routing Problem with Stochastic Travel Cost Using Deep Reinforcement Learning. Electronics, 13(16), 3242. https://doi.org/10.3390/electronics13163242.

Akinola O. I. (2024). Adaptive location-based routing protocols for dynamic wireless sensor networks in urban cyber-physical systems. Journal of Engineering Research and Reports, 26(7), 424-443. https://doi.org/10.9734/jerr/2024/v26i71220.

Gen M., Lin L., Yun Y., Inoue H. (2018). Recent advances in hybrid priority-based genetic algorithms for logistics and SCM network design. Computers & Industrial Engineering, 125, 394–412. https://doi.org/10.1016/j.cie.2018.08.025.

Chai, H., Zhang, H. M., Ghosal, D., & Chuah, C. N. (2017). Dynamic traffic routing in a network with adaptive signal control. Transportation Research Part C: Emerging Technologies, 85, 64-85, https://doi.org/10.1016/j.trc.2017.08.017.

James, J. Q., Wen Yu, and Jiatao Gu. (2019), Online vehicle routing with neural combinatorial optimization and deep reinforcement learning. IEEE Transactions on Intelligent Transportation Systems, 20(10), 3806-3817. https://doi.org/10.1109/TITS.2019.2909109.

Shelke, O., Pathakota, P., Chauhan, A., Khadilkar, H., Meisheri, H., Ravindran, B. (2023). Multi-Agent Learning of Efficient Fulfilment and Routing Strategies in E-Commerce. Artificial Intelligence, https://doi.org/10.48550/arXiv.2311.16171

Singh A., Wiktorsson M., Hauge J. B. (2021). Trends In Machine Learning To Solve Problems In Logistics. Procedia CIRP, 103, 67–72. https://doi.org/10.1016/j.procir.2021.10.010.

Nimmagadda V. S. P. (2020). AI-Powered Predictive Analytics for Retail Supply Chain Risk Management: Advanced Techniques, Applications, and Real-World Case Studies. Distributed Learning and Broad Applications in Scientific Research, 6, 152-194, https://dlabi.org/index.php/journal/article/view/110.

Huang L. (2024). Evolving E-commerce Logistics Planning-Integrating Embedded Technology and Ant Colony Algorithm for Enhanced Efficiency. General Economics. https://doi.org/10.48550/arXiv.2402.15965.

Коваленко, Д. С., & Замрій, І. В. (2025). Розробка адаптивного алгоритму маршрутизації для C2C логістики із застосуванням підкріплювального навчання. Телекомунікаційні та інформаційні технології, 1(86), 31-49. https://doi.org/10.31673/2412-4338.2025.017718.

OLX Україна. (2023). Аналітичний звіт 2023: Попит на доставку в C2C сегменті. Retrieved May 20, 2025, from https://www.olx.ua.

Phiboonbanakit, T., Horanont, T., Huynh, V.-N., & Supnithi, T. (2021). A hybrid reinforcement learning-based model for the vehicle routing problem in transportation logistics. IEEE Access, 9, 163325–163347. https://doi.org/10.1109/ACCESS.2021.3131799.