Routeoptimalisatie
We bouwen een model dat ritten plant volgens jullie regels, en de planner beslist. Voor Fokker maakten we een planningstool voor werkorders en capaciteit.
Fokker plant werkorders, onderdelen en capaciteit vooruit met de planningstool die we ontwikkelden
De tool combineert historische onderhoudsdata, sensordata en operationele gegevens, zodat mensen, onderdelen en hangarcapaciteit op elkaar zijn afgestemd. Geen routes, wel dezelfde vraag: schaarse capaciteit zo goed mogelijk verdelen.
Hoeveel tijd kost het plannen van de ritten van morgen?
Een ervaren planner kent de klanten en de wegen, maar met meer adressen, tijdvensters en voertuigen wordt de puzzel te groot voor het hoofd. Een model rekent varianten door en legt de beste voor.
Een ritplanning die jullie regels kent, en de planner die beslist
Regels als bouwstenen
Tijdvensters, laadvermogen, rij- en rusttijden, vaste klanten per chauffeur en voertuigen die niet overal mogen komen.
Ophalen en bezorgen
Ritten waarin geladen en gelost wordt, retourstromen en meerdere depots, in één planning.
Herplannen gedurende de dag
Een spoedorder of een file: het model rekent de rest van de dag opnieuw door en laat de planner kiezen.
Capaciteit verdelen
Zoals we voor Fokker mensen, onderdelen en hangarcapaciteit afstemden, verdelen we voertuigen en chauffeurs over de orders.
De planning van gisteren narekenen, voordat het model morgen plant
-
Regels en data
Met de planners leggen we regels vast en verzamelen we orders, adressen en eerdere ritten.
-
Terugrekenen
Het model plant een periode die al gereden is, en we vergelijken met wat er echt gebeurde.
-
Naast de planner
Eerst als voorstel aan de planner, daarna in het planningspakket, met correcties als leerstof.
Hoe ingewikkeld moet een ritplanning zijn voor een model?
Past als
Je plant elke dag veel adressen over meerdere voertuigen, met tijdvensters of capaciteitsgrenzen, en de planning hangt nu af van één of twee ervaren planners.
Past niet als
Je rijdt elke dag dezelfde vaste routes, of het gaat om een handvol adressen. Dan helpt een standaard routeplanner of een vaste rittenlijst al genoeg.
Waar de omvang van afhangt
Het aantal adressen en voertuigen, hoeveel regels er zijn, of er gedurende de dag herpland moet worden en met welk planningspakket het moet samenwerken.
Neemt het model het werk van de planner over?
Nee. De planner kent uitzonderingen die in geen bestand staan. Het model rekent door en stelt voor, de planner past aan en beslist.
Plannen met ervaring, een standaard routeplanner of een eigen optimalisatiemodel?
Plannen met ervaring
Kies dit als het aantal adressen klein is en de planner alles overziet. Het risico zit in de afhankelijkheid van die ene persoon.
Een standaard routeplanner
Kies dit als je regels gangbaar zijn: tijdvensters, capaciteit en rijtijden. Eigen afspraken met klanten passen er vaak niet in.
Een eigen optimalisatiemodel
Kies dit als jullie regels afwijken of de planning moet samenwerken met andere systemen. Ons advies: begin met één depot.
Planningstools voor mobiliteit en onderhoud bouwden we eerder
Voor Fokker bouwden we een planningstool en voor GVB een webapp waarmee verkeersspecialisten vervallen haltes communiceren. Data Science Lab bestaat sinds 2016, is Microsoft Partner en Databricks Partner.

Hoe de planning van morgen nu tot stand komt, bespreken we als eerste
Stef Stoelwinder
Business DevelopmentStef is je aanspreekpunt. In het eerste gesprek bespreken we je ritten, je regels en waar de planning nu knelt.
E-mail info@datasciencelab.nl
Telefoon +31 (0)20 3636 724
Welk deel van je ritplanning wil je als eerste laten doorrekenen?
Vertel hoeveel adressen en voertuigen je plant en met welk pakket. Je krijgt antwoord per mail, of we plannen een eerste gesprek.
Bericht verstuurd
Bedankt voor je bericht. We nemen zo snel mogelijk contact met je op.
Veelgestelde vragen
Het automatisch bepalen welk voertuig welke adressen bezoekt en in welke volgorde, zodat de regels kloppen en er zo min mogelijk gereden of gewacht wordt. In de vakliteratuur heet dat het vehicle routing problem.
Meer toepassingen lees je bij AI-toepassingen.
Allebei. Het plannen zelf is een optimalisatieprobleem dat een solver oplost. Machine learning helpt bij de invoer, bijvoorbeeld door rij- en stoptijden te voorspellen uit eerdere ritten.
Samen geven ze een planning die ook in de praktijk klopt.
Orders met adres, hoeveelheid en tijdvenster, voertuigen met capaciteit, chauffeurs en hun roosters, en rijtijden tussen adressen. Gereden ritten uit het verleden helpen om stoptijden goed in te schatten.
We kijken eerst wat er al is.
Vaak wel, als het pakket orders kan exporteren en een planning kan inlezen. Dan rekent het model in de achtergrond en blijft de planner in zijn eigen scherm werken.
Dat zoeken we per pakket uit voordat er iets gebouwd wordt.
Ja. Bij een spoedorder, een uitgevallen voertuig of vertraging rekent het de rest van de dag opnieuw door, met de ritten die al onderweg zijn als vast gegeven.
De planner ziet het voorstel en beslist.
Routeoptimalisatie gaat over ritten en volgorde. Voor roosters, productie of onderhoud lees je over planning optimaliseren met AI.
De aanpak is verwant: eerst de regels, dan het model.
We spreken vooraf af wat telt: gereden kilometers, op tijd geleverd, inzet van voertuigen. Die meet je in een logistiek dashboard, voor en na de invoering.
Zo zie je het verschil in je eigen cijfers.
Ja. Weet je beter hoeveel orders er per regio komen, dan plan je voertuigen en chauffeurs eerder in. Lees daarvoor over forecasting en de sector mobiliteit en logistiek.
Voorspellen en plannen versterken elkaar.