Бюро спецпроектов «Борника»

Все статьи о нашей деятельности, а так же установить с нами обратную связь, высказать свое мнение по различным вопросам Вы можете на странице «специалисту».

Статья в журнале «Логистика» № 10, 2014 г.

Перспективные подходы и информационные технологии для управления логистикой и автотранспортом. Часть 2

В настоящее время в нашей стране идут процессы все более тесной интеграции информационных технологий и транспортно-логистической деятельности. При этом следует отметить определенную неготовность бизнеса к трансформации механизмов управления автотранспортными и логистическими предприятиями в соответствии с современными подходами и тенденциями. В первой части статьи (Логистика. — 2014. — № 9) рассматривались проблемы текущего состояния дел в отрасли и был показан спектр вопросов, актуальных для повышения эффективности бизнес-процессов. Хорошим подходом к решению этих проблем является использование для моделирования и исследования поведения сложных систем, к которым относятся транспортные и дорожные системы, и агентоориентированных технологий [7]. Модели, использующие агентный подход, хорошо описывают структуры организаций и социальных систем: роли, правила, взаимодействие, индивидуальное поведение, автономность, способность к обучению и пр., — т.е. естественным образом отражают внутреннюю среду, сущности и связи между ними [8].

Так, в мультиагентных системах (МАС) координации дорожного движения и общественного транспорта в интеллектуальных транспортных системах для управления дорожным трафиком используются данные с метеодатчиков, датчиков движения, установленных на шоссе, GPS-устройств, а также данные, вводимые оператором вручную через специальный интерфейс. Распределенная мультиагентная архитектура позволяет объединить информацию с разных постов мониторинга, оперативно реагировать на изменение дорожной ситуации и осуществлять динамическую маршрутизацию в реальном режиме времени [9]. Практические внедрения показали, что децентрализованная МАС управления дорожным движением является гораздо более гибкой и масштабируемой, чем централизованная.

В транспортных системах широко распространена ситуация неопределенности, когда существует набор альтернатив, и невозможно предсказать, какой из вариантов окажется лучшим по прошествии достаточно длительного времени. При составлении расписаний, например, может существовать выбор между несколькими грузовиками, перевозящими грузы, несколькими дорогами, которые могут быть использованы для достижения разных точек назначения, и многими водителями, которые могут управлять грузовиками. Каждый ресурс (грузовик, дорога и водитель) имеют различные свойства. Неопределенность возрастает в ситуациях, когда возможны непредсказуемые события: изменения в условиях поставок или спроса, аварии или сбои ресурса, задержки, отмены заказов, и тому подобное. В МАС решение задачи достигается за счет большого числа взаимодействий между агентами системы, при этом агентам дают цели, которые они должны достигать, но не предопределяют сценарии исполнения задач по достижению этих целей. Эти сценарии формируются и исполняются агентами самостоятельно. На каждом шаге агенты рассматривают входы системы и реагируют на непредсказуемые события (задержки, сбои, изменения), причем эта реакция может быть самостоятельной или осуществляться во взаимодействии с оператором. Как результат переговоров агентов формируется текущее решение проблемы, которое гибко меняется в соответствии с динамикой среды./p>

Спектр применения мультиагентного подхода в приложениях для транспорта довольно широк, а концепции реализации могут отличаться в зависимости от предложенной модели. Так в управлении автобусным парком г. Малага (Испания) для минимизации задержек рейсов была разработана МАС [10–11], которая учитывала различные события, происходящие с автобусами на линии: задержки по причине неисправности, задержки из-за медленной посадки пассажиров, раннее прибытие на остановку, слишком близкое расположение автобусов друг от друга и пр. Полученные данные сравнивались с информацией из расписаний. При моделировании архитектуры за основу брался реальный процесс обмена сообщениями между всеми сотрудниками автопредприятия: водителями, диспетчерами, механиками. Описание бизнес-процесса происходило на основании интервью его участников, после чего исследовался информационный поток от начального поступления данных до момента выработки управленческого решения и рекомендаций водителям.

Формализованная модель имела набор сущностей: автобусы, маршруты, остановки, возможные проблемы на линии, рекомендации, действия агентов при возникновении той или иной проблемы. В рамках этой архитектуры были реализованы 4 типа агентов: агенты приема-передачи сообщений, агенты принятия решений, контролирующие агенты, внешние агенты. В другой похожей системе (французская система SATIR) используются только 2 типа агентов: агенты, отвечающие за управление расписанием, и агенты, фиксирующие отклонения от расписаний на основании информации, полученной из системы GPS-мониторинга, сообщений от водителей и пр. На этапе формализации модели были предусмотрены различные параметры и события, которые должна уметь распознавать и учитывать система: средняя скорость движения, время дня, интервал между соседними автобусами и пр. Таким образом, для описания реальных и практически идентичных бизнес-процессов были предложены две различные модели, причем каждая из них описывает собственную архитектуру.

Существует пример решения МАС для управления и планирования деятельности сети пунктов проката автомобилей [12]. В этой модели реализованы два агента: пункты проката и заказчики. Каждый пункт проката автомобилей имеет определенное количество транспортных средств, которые отличаются типом двигателя и размером. Для планирования используется статистическая информация о заявках на прокат автомобилей, аналитика по которым отражает частоту использования той или иной машины, временные интервалы аренды автомобиля, типы клиентов. На основании аналитики строится расписание возможных заявок на прокат, в котором также учитываются вероятные простои на техническом обслуживании (ТО) того или иного автомобиля. В случае простоя на ТО клиенту может быть предложен автомобиль аналогичной марки или класса. При поступлении заявки также анализируется, выгодна она или нет для пункта проката. В настоящее время приложение проходит стадию дальнейшего развития в виду сложности реализации всей системы в целом.

В проекте The PLATFORM реализована агентная модель планирования железнодорожного и автомобильного транспорта для принятия управленческих решений по улучшению функционирования транспортных терминалов [13]. В данной модели рассматриваются все фазы используемого в перевозках транспорта за счет использования нескольких типов агентов: агентов отправки, заказа и интермодальных агентов планирования цепочки продвижения транспортной единицы. Планирование интермодального транспорта осуществляется за счет средств агентоориентированной модели интермодальной транспортной цепи. Операторы транспортного сервиса представлены индивидами, каждый из которых имеет задание и специфические способности планирования и составления расписания, что позволяет распределять задания для решения в процессе транспортных заказов. В этом плане мультиагентные модели очень удобны для распределения проблем, так как они разделяют основные задания на подзадания.

Если такие подзадания содержат пересекающиеся цели, агенты совещаются по поводу необходимых ресурсов для выполнения задач и вырабатывают кооперативное решение. Потребители и транспортные агенты ведут переговоры по поводу контракта на перевозку грузов. Потребитель запрашивает транспортную единицу у отправляющей компании, также потребитель может анонсировать свой запрос нескольким транспортным операторам и выбрать наиболее приемлемый для себя вариант. Отправляющая компания получает запрос от клиента на отправку груза, понимает, что исполнение заказа требует интермодального транспорта, и активирует агент планирования. Последний разделяет заказ на несколько частей: основной этап доставки железнодорожным транспортом и начальный с конечным этапом доставки по дороге автомобилем.

Заказ на основной этап проходит к агенту заказа, который его планирует и передает план обратно планирующему агенту (с указанием самого позднего времени прибытия в терминал и самого раннего времени отправки оттуда), затем происходит планирование начального и конечного этапов. По окончании этой фазы получается транспортный план, состоящий из планов для различных этапов транспортировки. Таким образом, была сконструирована МАС, моделирующая весь процесс транспортировки груза с особым фокусом на бизнес-процессы в терминалах, что позволит менеджерам терминалов улучшить их функционирование и оценить влияние новых технологий.

Интеллектуальные транспортные системы и большие данные

С появлением интеллектуальных транспортных систем (ИТС), подобных описанным выше, существенно увеличивается объем данных, генерируемый этими системами, а также скорость их прироста. Все субъекты подобных ИТС, начиная от людей — участников транспортных систем, активно использующих современные мобильные компьютерные устройства, включая всевозможные камеры наружного наблюдения, радары, интеллектуальные системы регулирования дорожного движения и т.д., и заканчивая транспортными единицами, оборудуемыми все возрастающим количеством датчиков и сенсорных устройств и использующими возможности современных информационных и коммуникационных технологий, производят в реальном времени громадные потоки плохо структурированных данных. Таким образом, мы можем говорить о наличии в современных транспортных системах проблемы больших данных [14].

Потенциально эти большие данные могут предоставить содержательную информацию о пользователях и участниках транспортного процесса, но при этом весь анализ данных должен производиться децентрализованно агентами транспортных МАС с тем, чтобы по возможности уменьшить передаваемые объемы данных. Наиболее эффективным способом справиться с большими объемами децентрализованных данных и предоставить вычислительные ресурсы, необходимые для их обработки в рамках мобильных мультиагентных транспортных систем, является технология облачных вычислений. Системы облачных вычислений предоставляют собой хорошо масштабируемые инфраструктуры для высокопроизводительных вычислений, которые динамически адаптируются к нуждам пользователя и приложения. На данный момент облака по большей части используются для обеспечения интенсивной вычислительной нагрузки и предоставления больших объемов для хранения данных [15].

Действительно, МАС состоят из динамически взаимодействующих по определенным правилам агентов, что целиком укладывается в парадигму распределенных вычислений, характерную для облачных технологий. Другое базовое свойство МАС — умение динамически адаптироваться к изменяющейся (особенно часто — возрастающей) нагрузке и увеличивающимся объемам данных. С добавлением новых агентов увеличивается и число возможных коммуникаций между ними. Данная особенность МАС особенно характерна именно для систем управления транспортом: есть множество агентов, соответствующих как транспортным средствам, так и транспортируемым грузам. В системе постоянно появляются новые грузы, которые нужно доставить оптимальным образом, изменяется состав транспортных средств и других активных участников логистической цепочки. В случае изменения сети доставки или при появлении новых участников, не пользовавшихся системой ранее, необходима адаптация системы к новым требованиям. Кроме того, для транспортных систем в целом характерна нерегулярность нагрузки: интенсивность перевозок зависит от числа заказов (времени суток, выходных и будних дни и т.п.), загруженности транспортных путей и других факторов. Следовательно, и здесь модель облачных вычислений полностью соответствует требованию МАС к динамическому изменению или перераспределению требуемых вычислительных ресурсов [16–18].

Таким образом, облачная модель вычислений естественным образом подходит для реализации агентоориентированных транспортных систем. Агентоориентированные приложения могут использовать облачную инфраструктуру, чтобы задействовать огромное число процессоров, предоставляемых вычислительным облаком и обрабатывать значительные объемы данных [19]. Размещение МАС в облаке позволит повысить «интеллект» и эффективность агентов за счет использования более сложных алгоритмов или повышенной точности вычислений, предоставляемых вычислительными возможностями облака. При этом реализация программных агентов МАС на виртуальных облачных серверах в полной мере даст им возможность реализовать такие свои базовые свойства, как автономность, проактивность, способность к переговорам и обучению. Следовательно, реализация МАС в облаке позволит улучшить гибкость и адаптируемость агентов системы, повысить автономность в использовании ресурсов, улучшить качество предоставляемых услуг и способности к выполнению крупномасштабных задач.

Так, в работе [20] представлен прототип платформы облачных вычислений для реализации агентоориентированной транспортной системы (АТС). Авторы отмечают, что АТС, достаточно хорошо моделирующая реальную городскую транспортную систему, должна поддерживать весьма большое число агентов, имитирующих людей, транспортные средства, системы управления движением и т.д., что требует очень больших вычислительных ресурсов. В частности проведенные компьютерные эксперименты показали, что при использовании обычного персонального компьютера для моделирования АТС всего из 20 взаимодействующих агентов требуется десятки минут реального времени. Другая серьезная проблема возникает из-за того, что огромное количество данных, таких как конфигурация транспортных сцен, инструкции и информация от агентов различных типов, требует огромного количества компьютерной памяти. Решить эту задачу, отбрасывая явно невыполнимый вариант приобретения суперкомпьютера для каждой АТС, можно только путем использования технологии облачных вычислений.

Очевидно, что развитие технического обеспечения и технологий транспортной отрасли в нашей стране должно осуществляться, во-первых, за счет создания единой сбалансированной технически совместимой и технологически интегрированной инфраструктуры всех видов транспорта и грузовладельцев, обеспечивающей необходимый объем и качество транспортных услуг в области грузовых и пассажирских перевозок, во-вторых, за счет создания единой информационной среды транспортного комплекса и аналитических информационных систем поддержки управления его развитием и регулирования процессов функционирования. Единая информационная среда развития ИТС позволит решить задачи унификации, стандартизации применения и интеграции в составе ИТС различных элементов идентификации, навигации и позиционирования, телематического мониторинга и видеонаблюдения. В Транспортной стратегии РФ до 2030 года отмечается, что «развитие информационного обеспечения российских транспортных систем будет осуществляться на основе создания единой информационной среды транспортного комплекса» [21]. Однако отсутствие интеллектуально-интегрированных систем управления сегодня становится барьером на пути дальнейшего развития транспортной отрасли [22].

Перейти в раздел «специалисту».

Почтовый адрес: 119313, Москва, а/я 134.
Тел: (495) 764 31 44
E-mailinfo@bornica.ru

Создание сайта —
www.serokuz.ru

Создание сайта — www.serokuz.ru