Het vinden van de kortste route tussen twee of meerdere locaties is waarschijnlijk een van de meest voorkomende optimalisatievraagstukken. In het dagelijkse leven grijp je al snel naar Google Maps of een GPS om je hierbij te helpen. Maar als logistiek dienstverlener met honderden of misschien wel duizenden orders, gebruik je liever professionele route optimalisatie software. Hoewel deze tools enorm van elkaar verschillen, maken ze hun berekeningen op basis van dezelfde input, namelijk time-distance matrices. Maar wat zijn dat eigenlijk? We leggen het hieronder uit en wat de bijhorende uitdagingen zijn in kader van professionele routing.
Wat is een Time-distance matrix?
Een time-distance matrix is in essentie een weergave van de rijdtijden en afstanden tussen alle op voorhand gekende locaties. Met andere woorden, het is een tabel die de rijtijden en afstanden van en naar elke locatie opslaat. De vertreklocaties staan in de eerste kolom en de eindlocaties staan in de bovenste rij. Het uiteindelijke doel hiervan is een overzicht te hebben van alle onderlinge afstanden zodat op basis hiervan de meest efficiënte routeplanning kan worden samengesteld.
Time-Distance Matrices voor Routeoptimalisatie
Een time-distance matrix zoals hier weergegeven, krijg je als gebruiker van route optimalisatie software nooit te zien. Deze wordt namelijk achter de schermen opgevraagd en opgeslagen, alvorens de optimalisatie van start gaat zodat slimme algoritmes deze tijdens de optimalisatie continu kunnen raadplegen.
Michiel van Couwenberghe, software developer bij Conundra, benadrukt dat vooral de accuraatheid van time-distance data van belang is voor het creëren van een realistische planning: “Alles valt of staat met goede time-distance matrices. Je kan je routes zo goed mogelijk maken als je wil, maar als je niet de juiste afstanden en rijtijden gebruikt, dan is je planning niets waard.”
Grootste uitdagingen
De grootste uitdaging ligt in het feit dat time-distance data kwadratisch groeit. Dit wil zeggen dat als je een planning hebt met 1.000 locaties, wat tegenwoordig niet uitzonderlijk meer is, dat er maar liefst een miljoen locatiekoppels zijn. Naarmate je dus grotere planningen wil gaan draaien, wordt het steeds moeilijker om de hoeveelheid data onder controle te houden.
Daarnaast zijn time-distance matrices zeer tijdsafhankelijk: het is niet op elk moment van de dag of iedere dag van de week, even lang rijden tussen punt A en punt B. Als er bijvoorbeeld een wekelijkse markt is die ervoor zorgt dat je moet omrijden, dan verandert logischerwijs ook de rijdtijd en afstand. Echter ook hiermee vergroot je de hoeveelheid data die verwerkt moet worden. De uitdaging ligt bijgevolg in het slim omgaan met deze data zodat planningen de werkelijkheid beter kunnen weerspiegelen.
Conclusie
Accurate time-distance matrices zijn de basis voor een kwalitatieve routeplanning. Met hoe meer zaken je rekening kan houden, hoe realistischer je planning wordt. In samenwerking met o.a. Conundra, een softwarebedrijf gespecialiseerd in route optimalisatie, heeft het Lastmile.info project tot doel allerlei relevante weg- en verkeersdata te consolideren zodat het kan dienen als bijkomstige input voor planningen van de toekomst.
