JP2021156684A

JP2021156684A - 配送最適化装置

Info

Publication number: JP2021156684A
Application number: JP2020055861A
Authority: JP
Inventors: 直道榊原; Naomichi Sakakibara
Original assignee: Nomura Research Institute Ltd
Current assignee: Nomura Research Institute Ltd
Priority date: 2020-03-26
Filing date: 2020-03-26
Publication date: 2021-10-07

Abstract

【課題】小売りの業態の多様性を考慮した最適な配送計画を作成する。【解決手段】配送最適化装置は、複数の店舗への配送を最適化するための配送最適化装置であって、店舗間の移動時間を取得する移動時間取得手段と、店舗、配送量、配送者および配送時刻のうちの少なくともひとつに応じて変動する店舗滞留時間を取得する滞留時間取得手段と、移動時間取得手段によって取得された移動時間および滞留時間取得手段によって取得された店舗滞留時間を用いて所定の最適化アルゴリズムを実行することによって、配送のルートを算出する算出手段と、を備える。【選択図】図１０

Description

本発明は、配送最適化装置に関する。

現在、小売店には、コンビニエンスストア、量販店、個人商店、ドラッグストア、スーパーマーケット、百貨店など様々な業態がある。そして、店舗毎に納品の方法や形態も異なるという実情がある。このような小売業界の実情により、店舗に商品を届ける配送の業界では労働力が恒常的に不足しており、その解消が急務の課題となっている。

例えば、特許文献１には、実績を利用して配送計画を作成するシステムが開示されている。また特許文献２には、クラスタ化を用いて配送スケジュールを計画する技術が開示されている。

特開２０１７−０６８５５５号公報特開２００３−０２６３３５号公報

しかしながら、特許文献１や特許文献２に開示される技術を用いて作成される配送計画は、店舗毎に納品の方法や形態が異なるという実情を考慮したものではなく、したがって最適とは言えない。

本発明はこうした課題に鑑みてなされたものであり、その目的は、小売店舗毎に納品の方法や形態が異なる実情下で、最適な配送計画の作成を可能とし、配送労働力の不足の解消に資する技術の提供にある。

本発明のある態様は、配送最適化装置に関する。この配送最適化装置は、複数の店舗への配送を最適化するための配送最適化装置であって、店舗間の移動時間を取得する移動時間取得手段と、店舗、配送量、配送者および配送時刻のうちの少なくともひとつに応じて変動する店舗滞留時間を取得する滞留時間取得手段と、移動時間取得手段によって取得された移動時間および滞留時間取得手段によって取得された店舗滞留時間を用いて所定の最適化アルゴリズムを実行することによって、配送のルートを算出する算出手段と、を備える。

なお、以上の構成要素の任意の組み合わせや、本発明の構成要素や表現を装置、方法、システム、コンピュータプログラム、コンピュータプログラムを格納した記録媒体などの間で相互に置換したものもまた、本発明の態様として有効である。

本発明によれば、小売りの業態の多様性を考慮した最適な配送計画を作成できる。

実施の形態に係る配送最適化装置を組み込んだ物流業務プロセスの概要を示す模式図である。工場から店舗への商品の配送コースを示す模式図である。実施の形態に係る配送最適化装置における配送ルートの最適化の説明図である。配送の時間帯によって店舗滞留時間が変わることの説明図である。店舗ごとに店舗滞留時間が変わることの説明図である。店舗ごとに店舗滞留時間が変わることの説明図である。店舗ごとに店舗滞留時間が変わることの説明図である。店舗滞留時間の予測精度と配送ルートの最適化との関係の説明図である。店舗滞留時間の予測精度と配送ルートの最適化との関係の説明図である。実施の形態に係る配送最適化装置の機能および構成を示すブロック図である。図１０の配送最適化装置のハードウエア構成図である。図１０の統合データ保持部の一例を示すデータ構造図である。図１０のルート算出部におけるクラスタ化を説明するための模式図である。図１０のルート算出部におけるクラスタ化を説明するための模式図である。機械学習による予測の精度を示すグラフである。図１０の配送最適化装置における一連の処理の流れを示すフローチャートである。従来技術に係る配送ルートを示す図である。実施の形態に係る配送ルートを示す図である。図１０の配送最適化装置により実現される作用効果の例を示す模式図である。店舗滞留時間を店舗に依らず一定に設定した場合の最適化された配送ルートの一例を示す模式図である。図２０から店舗滞留時間が変化した例を示す模式図である。図２１のように店舗滞留時間が変動する場合の最適化された配送ルートの一例を示す模式図である。

以下、各図面に示される同一または同等の構成要素、部材、処理、信号には、同一の符号を付するものとし、適宜重複した説明は省略する。また、各図面において説明上重要ではない部材の一部は省略して表示する。

実施の形態に係る配送最適化装置は、複数の店舗へ商品を配送する業務を最適化する。この配送最適化装置における最適化は、配送業務時間が移動時間と店舗滞留時間とに分けられ、後者の予測精度を高めれば、全体配送業務時間を最小化できる。加えて、ルートごとの配送業務時間のバラツキを抑えることもできるという本発明者らの気づきに基づく。本発明者らの試算では、配送業務時間に占める店舗滞留時間の割合は５０％に達する場合もある。したがって、店舗滞留時間の予測精度を例えば機械学習により向上させることによって、最適化の精度を高めることができる。
なお、最適化とは、あくまで計算に使用する数値が確定している場合に計算できる。例えば過去実績時点の最も良い配送経路の算出は可能である。しかし、未来の計算をする場合、例えば滞留時間や移動時間など、不確定要素を含んでいる場合に真値に対する答えの精度が低くなる。

図１は、実施の形態に係る配送最適化装置を組み込んだ物流業務プロセスの概要を示す模式図である。リソース管理ソリューション５００はＳＣＭ（ＳｕｐｐｌｙＣｈａｉｎＭａｎａｇｅｍｅｎｔ）計画系ソリューション５０２から計画データなどを取り込み、ＷＭＳ（ＷａｒｅｈｏｕｓｅＭａｎａｇｅｍｅｎｔＳｙｓｔｅｍ）５０４から出荷データなどを取り込む。リソース管理ソリューション５００は、Ｉｎｐｕｔ（入力）、Ｐｒｏｃｅｓｓ（処理）、Ｏｕｔｐｕｔ（出力）からなる最適化エンジン５０６を備える。

リソース管理ソリューション５００では、最適化エンジン５０６から出力される指示データに基づいて、配送計画−＞バース管理−＞コース別仕分け−＞要員計画と処理が進む。実際の配送の結果得られた各種パラメータの実績値は機械学習５０８に入力される。機械学習５０８では実績に基づく予測値が生成され、最適化エンジン５０６にフィードバックされる。実施の形態に係る配送最適化装置は、最適化エンジン５０６のＰｒｏｃｅｓｓ内の配送計画を担当する。

図２は、工場５１０から店舗５１２への商品の配送コースを示す模式図である。配送コースは、工場５１０（生産工場）から店舗５１２への直送コース５１４と、工場間配送・仕分け業務の工場５１６を経るコース５１８と、営業所５２０を経るコース５２２と、を含む。本実施の形態に係る配送最適化装置は店舗５１２に到達するコース全て（破線の枠２で囲まれる）を対象とする。

図３は、本実施の形態に係る配送最適化装置における配送ルートの最適化の説明図である。配送ルートの最適化は、例えばＮ個（Ｎは２以上の自然数）の配送先にＭ台（Ｍは２以上の自然数）のトラックで商品を配送する際に、どういう順番が合計で最も配送業務時間が短くなるか、を解く問題である。配送先の地理的位置関係が固定されていたとしても、配送先ごとの配送量や滞留時間が異なれば、異なる最適解（例えば、配送ルート１または配送ルート２）が得られることとなる。

図４は、配送の時間帯によって店舗滞留時間が変わることの説明図である。図４の例では、工場５２６から店舗５２４への商品の配送が一日二回発生する。早朝の時間帯に行われる１便の配送では、各店舗５２４において停車、納品作業に加えて鍵解錠作業が発生する。午前中の時間帯に行われる２便の配送では、各店舗５２４において停車、納品作業に加えて商談が発生する。したがって、各店舗５２４で発生する作業が異なるので、１便における店舗滞留時間と２便における店舗滞留時間とは異なるものとなる。

図５は、店舗ごとに店舗滞留時間が変わることの説明図である。図５の店舗１６は広い駐車場２０を有しているが、納品のトラック１０が駐車場２０に入ることを許していない。したがって、納品のトラック１０は店舗１６前の道路に駐車し、そこからドライバーが台車１２に商品を乗せて入口１４を通り、広い駐車場２０を横切って店舗１６の納品口１８に運ぶこととなる。この場合、この店舗１６での店舗滞留時間は長くなる傾向にある。

図６は、店舗ごとに店舗滞留時間が変わることの説明図である。図６の店舗２８は駐車場２６に納品のトラック２２が入ることを許している。したがって、トラック２２を駐車した後台車２４に商品を乗せて納品する作業にかかる時間は、図５の店舗１６よりも短くなる。したがって、この店舗２８での店舗滞留時間は短くなる傾向にある。

図７は、店舗ごとに店舗滞留時間が変わることの説明図である。図７の店舗３４はエレベータで昇った先の２階の売り場３６に商品を納品することを要求している。したがって、納品のトラック３０を店舗３４の脇に駐車した後、ドライバーは商品３２を台車に乗せて店舗３４に入り、エレベータに乗って２階に上がり、そこから売り場３６まで移動して納品する必要がある。したがって、この場合、トラック３０を店舗３４の近くに駐車できるものの、店舗滞留時間は長くなる傾向にある。

このように、店舗滞留時間は配送の時間帯によって変動するし、店舗によっても変動する。また、同じ店舗に同じ時間帯に配送する場合でも配送量が多くなれば店舗滞留時間も長くなる。また、熟練のドライバーのほうが新米のドライバーよりも店舗滞留時間が短くなる傾向にある。したがって、店舗滞留時間は、店舗、配送量、配送者および配送時刻のうちの少なくともひとつに応じて変動するパラメータである。

図８は、店舗滞留時間の予測精度と配送ルートの最適化との関係の説明図である。図８の例では、店舗Ａにおける店舗滞留時間を１時間とした場合の最適化された配送ルートが示されている。最適化の結果、総配送業務時間を最小化するために、店舗Ａのためだけにトラックを１台追加し合計２台で配送するのが最適であるとの結果が出ている。

図９は、店舗滞留時間の予測精度と配送ルートの最適化との関係の説明図である。図９の例では、店舗Ａにおける店舗滞留時間を５分とした場合の最適化された配送ルートが示されている。最適化の結果、合計１台のトラックで店舗Ａを含む全ての店舗をまわることができるとの結果が出ている。このように、店舗滞留時間によって最適化された配送ルートは変わりうる。本実施の形態では、最適化のための重要なパラメータである店舗滞留時間の予測精度を機械学習により向上させたので、最適化の精度が向上する。図８、図９の例では、店舗滞留時間の予測精度が低くて店舗Ａにおける店舗滞留時間を誤って１時間と予測してしまうと、トラックが２台必要になるとの結果になるが、予測精度が高くて店舗Ａにおける店舗滞留時間を正しく５分と予測できたならば、トラックは１台でよいとの結果が得られる。

図１０は、本実施の形態に係る配送最適化装置１００の機能および構成を示すブロック図である。ここに示す各ブロックは、ハードウエア的には、コンピュータのＣＰＵをはじめとする素子や機械装置で実現でき、ソフトウエア的にはコンピュータプログラム等によって実現されるが、ここでは、それらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックはハードウエア、ソフトウエアの組合せによっていろいろなかたちで実現できることは、本明細書に触れた当業者には理解されるところである。

配送最適化装置１００は、移動時間取得部１０２と、滞留時間取得部１０４と、ルート算出部１０６と、機械学習部１０８と、統合データ保持部１１０と、滞留時間予測モデル１１２と、を備える。

図１１は、図１０の配送最適化装置１００のハードウエア構成図である。配送最適化装置１００は、メモリ１５０と、プロセッサ１５２と、通信インタフェース１５４と、ディスプレイ１５６と、入力インタフェース１５８と、を備える。これらの要素はそれぞれバス１６０に接続され、バス１６０を介して互いに通信する。

メモリ１５０は、データやプログラムを記憶するための記憶領域である。データやプログラムは、メモリ１５０に恒久的に記憶されてもよいし、一時的に記憶されてもよい。プロセッサ１５２は、メモリ１５０に記憶されているプログラムを実行することにより、配送最適化装置１００における各種機能を実現する。通信インタフェース１５４は、配送最適化装置１００の外部との間でデータの送受信を行うためのインタフェースである。例えば、通信インタフェース１５４は、無線通信網にアクセスするためのインタフェースや、無線ＬＡＮ（ＬｏｃａｌＡｒｅａＮｅｔｗｏｒｋ）にアクセスするためのインタフェース等を含む。また、通信インタフェース１５４は、例えば、ＵＳＢ（ＵｎｉｖｅｒｓａｌＳｅｒｉａｌＢｕｓ）等の有線ネットワークのインタフェースを含んでいてもよい。ディスプレイ１５６は、各種情報を表示するためのデバイスであり、例えば、液晶ディスプレイや有機ＥＬ（Ｅｌｅｃｔｒｏｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイである。入力インタフェース１５８は、ユーザからの入力を受け付けるためのデバイスである。入力インタフェース１５８は、例えばマウスやキーボードを含む。

図１２は、図１０の統合データ保持部１１０の一例を示すデータ構造図である。統合データ保持部１１０は、過去の配送に係るトランザクションデータ（実績データ）とマスタデータ（店舗の緯度経度の情報など）とを統合した統合データを保持し、特に、過去の店舗滞留時間に関するデータを保持する。統合データ保持部１１０は、日付と、便名と、コースを特定するコースＩＤと、ドライバー（従業員）を特定する配送者ＩＤである従業員コードと、当該コースにおいて店舗に着いた順番と、配送先の店舗の業態ＣＤと、業態名と、店舗を特定する店舗ＩＤである店番と、店名と、配送のトラックが店舗に着いた時刻と、店舗を出発した時刻と、店舗滞留時間と、店舗に着いたときのトラックの位置座標（緯度、経度）と、店舗への商品の配送量と、を対応付けて保持する。店舗滞留時間は、店舗を出発した時刻から店舗に着いた時刻を減じた時間として算出される。

図１０に戻り、移動時間取得部１０２は、店舗間の移動時間を取得する。移動時間取得部１０２は、不図示のデータベースから移動時間を取得してもよいし、地図情報サービスから移動時間の情報を購入することで取得してもよい。あるいはまた、移動時間取得部１０２は、統合データ保持部１１０に保持される過去の移動時間に基づいて移動時間を予測してもよい。

滞留時間取得部１０４は、各店舗の店舗滞留時間を取得する。滞留時間取得部１０４は、統合データ保持部１１０に保持される過去の店舗滞留時間に関するデータを機械学習することにより生成される滞留時間予測モデル１１２を用いて店舗滞留時間を予測する。

機械学習部１０８は、統合データ保持部１１０に保持されるデータを基にランダムフォレストアルゴリズムを用いて滞留時間予測モデル１１２を生成または更新する。

図１５は、機械学習による予測の精度を示すグラフである。図１５は実際に収集されたデータに基づく。図１５は店舗滞留時間について、滞留時間予測モデル１１２による予測値と実績値との残差（絶対誤差）の分布（各時間における左側の棒グラフ）と、店舗・曜日別平均値と実績値との残差（絶対誤差）の分布（各時間における右側の棒グラフ）と、を示す。このグラフから、滞留時間予測モデル１１２による予測の方が平均値を用いる場合よりも絶対誤差が小さくなる傾向を見て取れる。また、絶対平均誤差（ＭｅａｎＡｂｓｏｌｕｔｅＥｒｒｏｒ、ＭＡＥ）は、予測値について８０秒、平均値について１６０秒となった。このように、本発明者らは、ランダムフォレストアルゴリズムを用いて実際のデータから予測モデルを構築し、構築された予測モデルにより予測の精度が向上することを実際のデータを用いて確認した。

得られた滞留時間予測モデル１１２について特徴量を解析した結果、少なくとも店舗ＩＤおよび配送量が比較的重要な特徴量であることが見出された。これは、店舗により、また、配送量により店舗滞留時間が変わりうるという上述の考察と合致する。また、上述の考察によると配送時刻および配送者によっても店舗滞留時間が変化しうるので、店に着いた時刻および従業員コードも比較的重要な特徴量である。特に機械学習部１０８のランダムフォレストアルゴリズムにおける特徴量は、店舗ＩＤ、配送量および従業員コードのうちの少なくともひとつを含む。

図１０に戻り、ルート算出部１０６は、移動時間取得部１０２によって取得された移動時間および滞留時間取得部１０４によって取得された店舗滞留時間を用いて所定の最適化アルゴリズムを実行することによって、配送のルートを算出する。ルート算出部１０６で用いられる最適化アルゴリズムは、例えばシュミレーテッド・アニーリング手法などの近似解法、または分岐限定法などの厳密解法であってもよい。用いられる最適化アルゴリズムは、求められる最適化の精度と、算出に必要な時間と、のバランスを考慮して決定されてもよい。

ルート算出部１０６における最適化計算の例（平準化考慮なし）：
（Ａ）６台のトラックのそれぞれにドライバーを割り当て、トラックごとに配送業務時間を移動時間と店舗滞留時間との和として算出する。算出された配送業務時間を６台のトラックに亘って足し合わせることで全体配送業務時間を得る。この全体配送業務時間が最小となるように各トラックのルートを決定する。
（Ｂ）トラックの台数を変えて（例えば５として）同様の計算を行い、また６台のトラックに割り当てるドライバーを変更して同様の計算を行う。
（Ｃ）このようにして最小の全体配送業務時間の集合が得られる。最後にこの集合のなかの最小値を与えるトラックの台数、ドライバーの割り当て、各トラックのルート、を算出結果とする。

最適化計算の制約として、トラックの台数を固定したり、トラックへのドライバーの割り当てを固定してもよい。この場合、計算時間を短縮できる。

図２０は、店舗滞留時間を店舗に依らず一定に設定した場合の最適化された配送ルートの一例を示す模式図である。図２０の例では店舗Ａ〜Ｆのそれぞれにおける店舗滞留時間を一律５分に設定している。この場合、最適化された配送ルートは第１ルートＲＴ１および第２ルートＲＴ２からなり、それぞれの配送業務時間および全体配送業務時間は以下のとおりに算出される。
ＲＴ１の配送業務時間
＝移動時間＋店舗滞留時間
＝（１０＋５＋５＋１０）＋（５×３）
＝４５
ＲＴ２の配送業務時間
＝移動時間＋店舗滞留時間
＝（１２＋５＋５＋８）＋（５×３）
＝４５
全体配送業務時間
＝ＲＴ１の配送業務時間＋ＲＴ２の配送業務時間
＝４５＋４５
＝９０

図２１は、図２０から店舗滞留時間が変化した例を示す模式図である。図２０では店舗滞留時間を店舗に依らず一定としたが、上述のとおり、店舗滞留時間は店舗により、店舗への配送量により、ドライバーにより、および／または配送時刻により、変わりうるものである。図２１では、本実施の形態に係る滞留時間予測モデル１１２により予測した結果、一律でない店舗滞留時間が得られた場合を示す。この状況で図２０と同じ配送ルートを設定したとすると、第１ルートＲＴ１および第２ルートＲＴ２のそれぞれの配送業務時間並びに全体配送業務時間は以下のとおりに算出される。
ＲＴ１の配送業務時間
＝移動時間＋店舗滞留時間
＝（１０＋５＋５＋１０）＋（３＋４＋４）
＝４１
ＲＴ２の配送業務時間
＝移動時間＋店舗滞留時間
＝（１２＋５＋５＋８）＋（１５＋６＋３）
＝５４
全体配送業務時間
＝ＲＴ１の配送業務時間＋ＲＴ２の配送業務時間
＝４１＋５４
＝９５
このように、図２１に示されるような変動する店舗滞留時間のもとでは、第１ルートＲＴ１の配送業務時間と第２ルートＲＴ２の配送業務時間とに大きな差が生じ、平準化が達成されないこととなる。

なお、図２１に示されるような店舗滞留時間の変動は、各店舗Ａ〜Ｆへの配送量が同じであっても図５、図６、図７で説明したような店舗ごとの特性により生じうる。また、店舗Ａ〜Ｆが全て同じ特性（例えば、全てコンビニエンスストア）であったとしても、各店舗Ａ〜Ｆへの配送量の違いにより店舗滞留時間の変動が生じうる。

図２２は、図２１のように店舗滞留時間が変動する場合の最適化された配送ルートの一例を示す模式図である。本実施の形態に係るルート算出部１０６は、図２２に示されるような店舗滞留時間の変動を組み入れた上で最適な、すなわち全体配送業務時間が最小化され、かつ、ルートごとの配送業務時間が平準化された配送のルートを算出する。図２２の例では、このように最適化された配送のルートは第３ルートＲＴ３および第４ルートＲＴ４からなり、それぞれの配送業務時間および全体配送業務時間は以下のとおりに算出される。
ＲＴ３の配送業務時間
＝移動時間＋店舗滞留時間
＝（１０＋５＋５＋５＋８）＋（３＋４＋４＋３）
＝４７
ＲＴ４の配送業務時間
＝移動時間＋店舗滞留時間
＝（１２＋５＋８）＋（１５＋６）
＝４６
全体配送業務時間
＝ＲＴ３の配送業務時間＋ＲＴ４の配送業務時間
＝４７＋４６
＝９３
このように、本実施の形態に係る変動する店舗滞留時間を考慮に入れた最適化により、第３ルートＲＴ３の配送業務時間と第４ルートＲＴ４の配送業務時間との差（４７−４６＝１）は図２１で得られた差（５４−４１＝１３）よりも顕著に小さくなり、ルートごとの配送業務時間の平準化が達成される。加えて、全体配送業務時間（９３）も図２１で得られた全体配送業務時間（９５）よりも短くなり、全体配送業務時間の低減も達成される。

ルート算出部１０６は、最適化アルゴリズムを実行する前に複数の店舗をクラスタ化する。ルート算出部１０６は、各クラスタごとに最適化アルゴリズムを実行することによって配送のルートを算出する。

図１３は、ルート算出部１０６におけるクラスタ化を説明するための模式図である。図１３には合計２４個の店舗７０がある。この２４個の店舗７０全てを対象に最適化計算を行うと計算時間が長くなる。そこで、ルート算出部１０６は２４個の店舗７０を３つのクラスタＣＬ１、ＣＬ２、ＣＬ３に分ける。ルート算出部１０６は、各クラスタごとに最適化アルゴリズムを実行する。これにより、店舗７０間の組み合わせの数を低減することができ、計算時間を短縮することができる。

クラスタ化の手法として、（１）個体の帰属情報が０か１で判断される「ｋｍｅａｎｓ＋＋法」と、（２）個体の帰属割合を連続値で表現する「ｃｍｅａｎｓ法」と、が知られている。本発明者らが実際のデータを用いて検討した結果、ｋｍｅａｎｓ＋＋法ではクラスタの重心が外れ値の影響を受けやすく、クラスタ内の店舗数がばらつくことが見出された。一方ｃｍｅａｎｓ法を用いてクラスタへの帰属度合いを決めるパラメータｍをチューニングし、クラスタ重心を調整すると、クラスタ内の店舗数のばらつきを抑えることができることを見出した。そこで、本実施の形態ではクラスタ化の手法としてｃｍｅａｎｓ法を採用する。

図１４は、ルート算出部１０６におけるクラスタ化を説明するための模式図である。図１４では図１３の合計２４個の店舗７０に加えて工場などの出発地点７２を考慮に入れる。この場合、各クラスタの集合が、出発地点７２からの距離（時間）について同等となることが、配送最適化において重要である。そこで図１４のクラスタ化では、出発地点７２から見て距離同等・且つ店舗数同等となるような３つのクラスタＣＬ４、ＣＬ５、ＣＬ６を設定する。３つのクラスタＣＬ４、ＣＬ５、ＣＬ６は出発地点７２から見て放射状に配置されていると言える。これにより、配送最適化問題に特化したクラスタ化を実現できる。

以上の構成による配送最適化装置１００の動作を説明する。
図１６は、図１０の配送最適化装置１００における一連の処理の流れを示すフローチャートである。配送最適化装置１００は、店舗間の移動時間を取得する（Ｓ２０２）。配送最適化装置１００は、滞留時間予測モデル１１２を用いて各店舗における店舗滞留時間を予測する（Ｓ２０４）。配送最適化装置１００は、取得された移動時間および予測で得られた店舗滞留時間を用いて最適化アルゴリズムを実行する（Ｓ２０６）。配送最適化装置１００は、最適化アルゴリズムの実行により得られた最適な配送ルートをユーザに提示する（Ｓ２０８）。

上述の実施の形態において、保持部の例は、ハードディスクや半導体メモリである。また、本明細書の記載に基づき、各部を、図示しないＣＰＵや、インストールされたアプリケーションプログラムのモジュールや、システムプログラムのモジュールや、ハードディスクから読み出したデータの内容を一時的に記憶する半導体メモリなどにより実現できることは本明細書に触れた当業者には理解される。

本実施の形態に係る配送最適化装置１００によると、配送の最適化において、配送業務時間に大きな影響を与える店舗滞留時間を機械学習により精度良く予測することで、最適化自体の精度を高めることができる。特に全体配送業務時間の最小化の精度およびルートごとの配送業務時間の平準化の精度を高めることができる。図１９は、図１０の配送最適化装置１００により実現される作用効果の例を示す模式図である。従来技術ではドライバーごとに労働時間にばらつきがあり、トータルの労働時間も長くなる傾向にあった。これを、本実施の形態に係る配送最適化装置１００を用いて配送の最適化を行うことで、トータルの業務時間を削減してトータルの労働時間を削減することができると共に、各ドライバーの労働時間を平準化することができる。

また、本実施の形態に係る配送最適化装置１００では店舗滞留時間の予測モデルの特徴量として配送者ＩＤを採用し、ルート算出部１０６により算出される配送ルートにおいても配送者の数およびルートへの割り当てを可変としている。これにより、従来の配送者とルートとの組み合わせを固定する手法と比較してより最適な配送ルートを提案することができる。

図１７は、従来技術に係る配送ルートを示す図である。従来技術ではトラックの台数およびルートは固定であるから、図示の通り非効率的な運用となっている。
図１８は、本実施の形態に係る配送ルートを示す図である。本実施の形態では配送量や日時や店舗滞留時間などの上位システムデータと配送実績データとから動的に最適なルートが指示されるので、従来であればドライバが２名必要であったところを１名のドライバで運用することが可能となる。

以上、実施の形態に係る配送最適化装置１００の構成と動作について説明した。この実施の形態は例示であり、各構成要素や各処理の組み合わせにいろいろな変形例が可能なこと、またそうした変形例も本発明の範囲にあることは当業者に理解される。

１００配送最適化装置、１０２移動時間取得部、１０４滞留時間取得部、１０６ルート算出部、１０８機械学習部、１１０統合データ保持部、１１２滞留時間予測モデル。

Claims

複数の店舗への配送を最適化するための配送最適化装置であって、
店舗間の移動時間を取得する移動時間取得手段と、
店舗、配送量、配送者および配送時刻のうちの少なくともひとつに応じて変動する店舗滞留時間を取得する滞留時間取得手段と、
前記移動時間取得手段によって取得された移動時間および前記滞留時間取得手段によって取得された店舗滞留時間を用いて所定の最適化アルゴリズムを実行することによって、配送のルートを算出する算出手段と、を備える配送最適化装置。
前記滞留時間取得手段は、過去の店舗滞留時間に関するデータを機械学習することにより生成されるモデルを用いて店舗滞留時間を予測する請求項１に記載の配送最適化装置。
前記機械学習はランダムフォレストアルゴリズムを用いる請求項２に記載の配送最適化装置。
前記ランダムフォレストアルゴリズムにおける特徴量が、店舗ＩＤ、配送量および配送者ＩＤのうちの少なくともひとつを含む請求項３に記載の配送最適化装置。
前記算出手段は、前記所定の最適化アルゴリズムを実行する前に複数の店舗をクラスタ化し、各クラスタごとに前記所定の最適化アルゴリズムを実行することによって配送のルートを算出する請求項１から４のいずれか一項に記載の配送最適化装置。