-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathmessage.txt
More file actions
166 lines (132 loc) · 5.79 KB
/
Copy pathmessage.txt
File metadata and controls
166 lines (132 loc) · 5.79 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
Predictive Fleet Swap AI
Hackathon 24H — Technischools × LSP Group
Opis problemu :
Firma LSP GROUP jest czołowym partnerem logistycznym dla takich firm jak DPD, InPost, UPS,
GLS, Carrefour i wielu innych.
Flota przedsiębiorstwa obejmuje ponad 200 ciągników siodłowych .
Każdy pojazd posiada roczny limit przebiegu wynoszący 150 000 km , wynikający z warunków
umowy serwisowej. Przekroczenie tego limitu wiąże się z dodatkowym kosztem w wysokości x
PLN/km.
Ciągniki realizują stałe trasy o długości od 50 do 1 050 km dziennie, pracując 5–7 dni w
tygodniu . Dodatkowo występują przejazdy dojazdowe, trasy weekendowe oraz zlecenia
dodatkowe. Należy również uwzględnić okresy przeglądów i napraw , podczas których pojazdy
są czasowo wyłączone z eksploatacji.
Problem:
Każdy pojazd jest odbierany w innym terminie, a po 12 miesiącach od odbioru jego przebieg
powinien maksymalnie zbliżać się do limitu 150 000 km – bez przekroczenia (lub z
kontrolowanym przekroczeniem przy minimalnym koszcie).
W tym celu konieczne jest rotowanie pojazdów między trasami , przy ograniczeniu do
maksymalnie 1 zamiany na pojazd w ciągu 3 miesięcy
Misja:
W 24 godziny zbudujcie prototyp inteligentnego planera floty ciężarowej, który potrafi :
planować zamiany pojazdów, tak aby utrzymać maksymalne limity km rocznie .
A przy tym ;
• przewidywać przebiegi na podstawie tras i dotychczasowych przebiegów ,
• wyznacza optymalny plan przypisań i zamian pojazdów,
• monitoruje stan licznika, serwisy i limity leasingowe ,
• minimalizuje dodatkowe koszty przy 100% realizacji tras .
Dlaczego warto?
• Realny case z branży transportowej. Wasze decyzje przełożą się na konkretne koszty w
€ / PLN (nadprzebieg, serwis, przestój, zamiana).
• End -to-end w 24h. Przejdziecie cały cykl: prognoza → plan → dashboard
(Gantt/KPI/alerty) → demo.
• Pełna swoboda metody. Możecie użyć prostych reguł, arkuszy, algorytmów, ML lub AI —
byle działało i było zrozumiale.
• Nagroda główna :
o 2000 zł dla wybranego zespółu który przygotuje najlepszy projekt.
o Nagrody indywidualne
o Płatne staże w firmie LSP GROUP
1) Co zrobicie w 24h — skrót
1. Wytrenowanie modelu i analiza danych treningowych (zbiór 12 miesięcy) przetestowanie
systemu na zbiorze testowym (1 msc. danych)
2. Wizualizacja predykcji modelu oraz stworzony system z informacjami o aktualnym
położeniu pojazdów i ich przebiegu, powiadomieniami o zbliżających się rotacjach,
serwisach, historia zmian.
3. Dodatkowy koszt policzony i pokazany: rotacja pojazdu , przekroczone kilometry.
4. Czytelny system gotowy do wdrożenia
2) Dane wejściowe
Dostarczymy zestaw plików CSV odzwierciedlających operacje flotowe (pojazdy, trasy, odcinki
tras, lokalizacje) . Nie narzucamy schematu tabel.
Schematy plików z danymi
Vehicles.csv
Column Type
Id INT
registration_number NVARCHAR(32)
brand NVARCHAR(100)
service_interval_km INT
Leasing_start_km INT
leasing_limit_km INT
leasing_start_ date DATETIME
leasing_end_date DATETIME
current_odometer_km INT
Current_location_id ID
Locations.csv
Column Type
id INT
name NVARCHAR(64)
lat DECIMAL(9,6)
long DECIMAL(9,6)
is_hub BIT
Locations_relations.csv
Column Type
id INT
id_loc_1 INT
id_loc_2 INT
dist DECIMAL(10,3)
time DECIMAL(10,2)
Routes.csv
Column Type
id INT
IDENTITY(1,1)
start_datetime DATETIME2(0)
end_datetime DATETIME2(0)
Segments.csv
Column Type
id INT
route_id INT
seq INT
start_loc_id INT
end_loc_id INT
start_datetime DATETIME
end_datetime DATETIME
distance_travelled_km INT
relation_id INT
3) Ograniczenia i reguły (constraints)
3.1 Twarde (feasibility)
1. Trasy stałe – czas/przebieg narzucony przez klienta.
2. Brak podwójnych przydziałów – jeden pojazd ≠ dwie trasy równocześnie.
3. Limit częstotliwości zamian – max 1 zamiana/pojazd/3 miesiące .
4. Interwały serwisów i limity kontraktowe
5. Limity roczne — zgodnie z CSV per pojazd; przekroczenia dozwolone z kosztem
(nadprzebieg)
6. Serwis musi zostać wykonany po trasie która przekroczy limit kilometrów i
„blokuje” pojazd na 48h
7. Pojazdy na początek nie mają przypisanej początkowej lokalizacji
3.3 Koszty (dodatkowe parametry )
• Zamiana lokalizacji pojazdu : 1000 PLN + 1 PLN/km + 150 PLN/h
• Nadprzebieg : 0.92 PLN /km.
3.4 Interwały i limity
Marka Rodzaj Interwał przeglądowy (km) Limit przebiegu kontraktowego (km)
DAF Ciągnik siodłowy 120 000 450 000
Scania Ciągnik siodłowy 120 000 750 000
Volvo Ciągnik siodłowy 110 000 450 000
Roczne limity : w drugim zbiorze CSV limity roczne są określone per pojazd (np. 150 000 lub
163 200 km/rok). Planner musi respektować oba poziomy : limit roczny (kara = nadprzebieg)
oraz kontraktowy łączny (km przez cały okres), a także interwały przeglądowe między
serwisami.
4) Funkcja celu i KPI
4.1 KPI (raportowane)
• % pojazdów bez przekroczeń limitów
• liczba zamian
• szacowany czas do osiągnięcia limitu (km)
• % wykorzystania kontraktów (km przejchane/ km dostępne)
5) Output (co ma wypluwać system)
1. Propozycja przypisani na podstawie dostarczonych tras
2. Raport dodatkowych kosztów : zamiany, dodatkowe kilometry
3. Alerty: przekroczenia limitów, konflikty okien, zbliżające się serwisy .
4. Panel zmian : historia przyjętych aktualizacji i ich wpływ na rekomendacje.
6) Bonusowe punkty
• Interaktywn a predykcja wizualizacja
• Responsywny system
• Rzeczywista lokalizacja pojazdów
• Prognoza na najbliższy rok na bazie danych historycznych