Оптимізація проблеми маршруту транспортного засобу за допомогою машинного навчання в незбаланованій класифікації даних маршруту транспортного засобу

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2023.288280

Ключові слова:

задача маршрутизації транспортного засобу, машинне навчання, класифікація, незбалансовані дані

Анотація

Об’єктом дослідження є комбінаторна оптимізаційна задача, що виникає в задачі про маршрут транспортних засобів доставки вантажів. У цьому дослідженні запропонований метод розв’язування задач комбінаторної оптимізації складається з кількох етапів: очищення даних, попередня обробка даних, K-NN і модель проблеми маршрутизації транспортного засобу Cavacity. Результати показують, що підхід машинного навчання може оптимізувати проблеми комбінаторної оптимізації, особливо при створенні точок маршруту транспортного засобу та потужності доставки. Характеристики визначення маршрутів транспортних засобів з урахуванням широти та довготи. Це дослідження створює структуру та реалізує її в багатокласовій оптимізаційній моделі для зменшення результатів переобладнання та неправильної класифікації, спричинених незбалансованою мультикласифікацією через вплив кількості «вузлів» на маршрутах транспортних засобів за допомогою машинного навчання. Загалом мета моделі полягає в тому, щоб отримати розуміння механізму проблеми, щоб вона могла класифікувати незбалансовані дані маршруту транспортного засобу на основі маршрутів доставки Jalur Nugraha Ekakurir. Так що при наявності моделі можна використовувати модель при визначенні транспортних маршрутів на основі ліміту пропускної здатності кількості відправлень вантажів. Результати дослідження з моделями машинного навчання та задачами маршрутизації транспортного засобу з тестуванням значень K 11, 13, 15. Де воно має відсоток K=11 точності 57,3265 % і K=13 точності 57,3265 % і K=15 точності 81,8645 %. З результатів випробування з непарними значеннями K є краща точність, а значення K 15 K=15 краще з відсотком 81,8645 % порівняно з K 11 K=11 і 13 K=13. Як наслідок, розроблена модель з точки зору точності моделі задачі маршрутизації транспортного засобу в порожнисті має точність 93,80 %, а часовий ряд досягає середньої точності 93,31 % і зі значенням відкликання 93,80 %. Отримані результати можуть бути корисними для розробки більш сучасної моделі Cavacity Vehicle Routing Problem with Machine Learning.

Біографії авторів

Muhammad Syahputra Novelan, Universitas Sumatera Utara

Doctoral Program of Computer Science

Department of Computer Science and Information Technology

Syahril Efendi, Universitas Sumatera Utara

Department of Computer Science

Department of Computer Science and Information Technology

Poltak Sihombing, Universitas Sumatera Utara

Department of Computer Science

Department of Computer Science and Information Technology

Herman Mawengkang, Universitas Sumatera Utara

Professor of Mathematics and Natural Sciences

Department of Mathematics and Natural Sciences

Посилання

  1. Soenandi, I. A., Marpaung, B., Ginting, M. (2017). Optimasi Vehicle Routing Problem (Vrp)Dengan Pendekatan Metaheuristik(Studi Kasus Distribusi Bahan Baku Makanan). Jurnal Ilmiah Teknik Industri, 2 (2). doi: https://doi.org/10.24912/jitiuntar.v2i2.487
  2. Juliandri, D., Mawengkang, H., Bu’ulolo, F. (2018). Discrete Optimization Model for Vehicle Routing Problem with Scheduling Side Cosntraints. IOP Conference Series: Materials Science and Engineering, 300, 012024. doi: https://doi.org/10.1088/1757-899x/300/1/012024
  3. Liong, C.-Y., Wan, I., Omar, K. (2008). Vehicle routing problem: Models and solutions. Journal of Quality Measurement and Analysis, 4 (1), 205–218. Available at: https://www.researchgate.net/publication/313005083_Vehicle_routing_problem_Models_and_solutions
  4. Alweshah, M., Almiani, M., Almansour, N., Al Khalaileh, S., Aldabbas, H., Alomoush, W., Alshareef, A. (2022). Vehicle routing problems based on Harris Hawks optimization. Journal of Big Data, 9 (1). doi: https://doi.org/10.1186/s40537-022-00593-4
  5. Zhu, X., Yan, R., Huang, Z., Wei, W., Yang, J., Kudratova, S. (2020). Logistic Optimization for Multi Depots Loading Capacitated Electric Vehicle Routing Problem From Low Carbon Perspective. IEEE Access, 8, 31934–31947. doi: https://doi.org/10.1109/access.2020.2971220
  6. Jayarathna, D. G. N. D., Lanel, G. H. J., Juman, Z. A. M. S. (2022). Industrial vehicle routing problem: a case study. Journal of Shipping and Trade, 7 (1). doi: https://doi.org/10.1186/s41072-022-00108-7
  7. Faiz, A., Subiyanto, S., Arief, U. M. (2018). A Modified Meta-Heuristic Approach for Vehicle Routing Problem with Simultaneous Pickup and Delivery. International Journal of Artificial Intelligence Research, 2 (2), 81. doi: https://doi.org/10.29099/ijair.v2i2.71
  8. Basso, R., Kulcsár, B., Sanchez-Diaz, I. (2021). Electric vehicle routing problem with machine learning for energy prediction. Transportation Research Part B: Methodological, 145, 24–55. doi: https://doi.org/10.1016/j.trb.2020.12.007
  9. Amelia, A., Zarlis, M., Suherman, S., Efendi, S. (2023). Vehicle detection system based on shape, color, and time-motion. IAES International Journal of Artificial Intelligence (IJ-AI), 12 (3), 1070. doi: https://doi.org/10.11591/ijai.v12.i3.pp1070-1082
  10. Ajie Sukarno, S., Erdani, Y. (2020). Desain Antarmuka Pada Vehicle Routing Problem Untuk Manajemen Armada Multi-Drone. Jurnal Ilmiah Ilmu Komputer, 6 (2), 7–14. doi: https://doi.org/10.35329/jiik.v6i2.150
  11. Ramadhanti, N. S., Kusuma, W. A., Annisa, A. (2020). Optimasi Data Tidak Seimbang pada Interaksi Drug Target dengan Sampling dan Ensemble Support Vector Machine. Jurnal Teknologi Informasi Dan Ilmu Komputer, 7 (6), 1221. doi: https://doi.org/10.25126/jtiik.2020762857
  12. Bujang, S. D. A., Selamat, A., Ibrahim, R., Krejcar, O., Herrera-Viedma, E., Fujita, H., Ghani, N. A. Md. (2021). Multiclass Prediction Model for Student Grade Prediction Using Machine Learning. IEEE Access, 9, 95608–95621. doi: https://doi.org/10.1109/access.2021.3093563
  13. Gurcan, F. (2018). Multi-Class Classification of Turkish Texts with Machine Learning Algorithms. 2018 2nd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT). doi: https://doi.org/10.1109/ismsit.2018.8567307
  14. Genkin, M. (2020). Zero-Shot Machine Learning Technique for Classification of Multi-User Big Data Workloads. 2020 IEEE International Conference on Big Data (Big Data). doi: https://doi.org/10.1109/bigdata50022.2020.9378023
  15. von Rueden, L., Mayer, S., Beckh, K., Georgiev, B., Giesselbach, S., Heese, R. et al. (2021). Informed Machine Learning - A Taxonomy and Survey of Integrating Prior Knowledge into Learning Systems. IEEE Transactions on Knowledge and Data Engineering, 1–1. doi: https://doi.org/10.1109/tkde.2021.3079836
  16. Furian, N., O’Sullivan, M., Walker, C., Çela, E. (2021). A machine learning-based branch and price algorithm for a sampled vehicle routing problem. OR Spectrum, 43 (3), 693–732. doi: https://doi.org/10.1007/s00291-020-00615-8
  17. Hirst, J. D., Boobier, S., Coughlan, J., Streets, J., Jacob, P. L., Pugh, O. et al. (2023). ML meets MLn: Machine learning in ligand promoted homogeneous catalysis. Artificial Intelligence Chemistry, 1 (2), 100006. doi: https://doi.org/10.1016/j.aichem.2023.100006
  18. Bansal, M., Goyal, A., Choudhary, A. (2022). A comparative analysis of K-Nearest Neighbor, Genetic, Support Vector Machine, Decision Tree, and Long Short Term Memory algorithms in machine learning. Decision Analytics Journal, 3, 100071. doi: https://doi.org/10.1016/j.dajour.2022.100071
  19. Jin, H., Kim, Y.-G., Jin, Z., Rushchitc, A. A., Al-Shati, A. S. (2022). Optimization and analysis of bioenergy production using machine learning modeling: Multi-layer perceptron, Gaussian processes regression, K-nearest neighbors, and Artificial neural network models. Energy Reports, 8, 13979–13996. doi: https://doi.org/10.1016/j.egyr.2022.10.334
  20. Cardarilli, G. C., Di Nunzio, L., Fazzolari, R., Nannarelli, A., Re, M., Spano, S. (2020). N -Dimensional Approximation of Euclidean Distance. IEEE Transactions on Circuits and Systems II: Express Briefs, 67 (3), 565–569. doi: https://doi.org/10.1109/tcsii.2019.2919545
  21. Wazery, Y. M., Saber, E., Houssein, E. H., Ali, A. A., Amer, E. (2021). An Efficient Slime Mould Algorithm Combined With K-Nearest Neighbor for Medical Classification Tasks. IEEE Access, 9, 113666–113682. doi: https://doi.org/10.1109/access.2021.3105485
  22. Sumayli, A. (2023). Development of advanced machine learning models for optimization of methyl ester biofuel production from papaya oil: Gaussian process regression (GPR), multilayer perceptron (MLP), and K-nearest neighbor (KNN) regression models. Arabian Journal of Chemistry, 16 (7), 104833. doi: https://doi.org/10.1016/j.arabjc.2023.104833
  23. Habib, Y., Filchenkov, A. (2022). Multi-Agent Reinforcement Learning For Multi Vehicles One-commodity Vehicle Routing Problem. Procedia Computer Science, 212, 418–428. doi: https://doi.org/10.1016/j.procs.2022.11.026
  24. Margossian, H., Deconinck, G., Sachau, J. (2015). Distribution network protection considering grid code requirements for distributed generation. IET Generation, Transmission & Distribution, 9 (12), 1377–1381. doi: https://doi.org/10.1049/iet-gtd.2014.0987
  25. Núñez-Mata, O., Palma-Behnke, R., Valencia, F., Urrutia-Molina, A., Mendoza-Araya, P., Jiménez-Estévez, G. (2019). Coupling an adaptive protection system with an energy management system for microgrids. The Electricity Journal, 32 (10), 106675. doi: https://doi.org/10.1016/j.tej.2019.106675
Оптимізація проблеми маршруту транспортного засобу за допомогою машинного навчання в незбаланованій класифікації даних маршруту транспортного засобу

##submission.downloads##

Опубліковано

2023-10-31

Як цитувати

Novelan, M. S., Efendi, S., Sihombing, P., & Mawengkang, H. (2023). Оптимізація проблеми маршруту транспортного засобу за допомогою машинного навчання в незбаланованій класифікації даних маршруту транспортного засобу. Eastern-European Journal of Enterprise Technologies, 5(3 (125), 49–56. https://doi.org/10.15587/1729-4061.2023.288280

Номер

Том 5 № 3 (125) (2023): Процеси управління

Розділ

Процеси управління

Ліцензія

Авторське право (c) 2023 Muhammad Syahputra Novelan, Syahril Efendi, Poltak Sihombing, Herman Mawengkang

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.