徒歩での移動からキャラバンによる輸送まで、グローバルな輸送は数世紀にわたって存在してきました。
しかしながら、この10年間でグローバリゼーションが進んだことにより、輸送される人々と資産の量が大幅に増加しました。昨年は、世界の主要市場13か所で、毎秒4,000個を超える荷物が配送されました。China Railwayは、2022年9月に1分あたり147,520人の乗客を輸送するという記録を達成しました。
上記の数値は、決して頭打ちになっているわけではありません。都市人口は増加しています。一方、燃料費の上昇と排出ガスに関する懸念から、人々は自家用車の所有をやめ、MaaS(Mobility as a Service)のサービスを利用するようになっています。物流企業は、排出量を削減しつつ、同時に配達時間を短縮するという喫緊の課題に直面しています。
上記のすべての要因により、ビッグデータと機械学習(ML)アルゴリズムを活用したリアルタイムのルート最適化ソリューションの必要性が高まっています。
しかし、あらゆる新技術と同様に、当然ながら次のような疑問が生じます。ルート最適化ソフトウェアは、輸送事業者にとってどのような具体的な成果をもたらすことができるのでしょうか?一緒に答えを紐解いていきましょう。
ルート最適化ソフトウェアとは?

ルート最適化とは、最適なコストや最も早い到着予定時刻(ETA)などの入力要素に基づいて、移動のための最適なルートを決定するプロセスです。ルート最適化アルゴリズムは、さまざまな移動ルートを分析し、ナビゲーション指示を自動的に生成し、リアルタイムで更新します。
ルート最適化の目的は、最短ルートや最速ルートを見つけることではなく、事前にプログラムされた条件(停車回数、予定された配達時間帯、交通渋滞のレベルなど)に基づいて、最も効率的なルートを提案することです。
ルート最適化の一般的なユースケースには、次のようなものがあります。
- 配送ルートの最適化
- 公共交通機関のルート最適化
- 貨物輸送ルートの最適化
- マルチモーダル輸送ルートの最適化
いずれの場合も、究極の目標は輸送効率の向上とコスト削減の実現であり、これはほとんどの企業にとって喫緊の優先事項です。英国の物流企業の70%以上が、2022年第1四半期に輸送コストが25%以上上昇したと報告しています。米国では、2010年から2022年の間に運賃が28%上昇しました。
輸送コストの上昇は、消費者の購買力が低下し続けている世界市場において、さらなる混乱を引き起こす可能性があります。
輸送コストは、世界中でインフレを押し上げる重要な要因です。運賃が2倍になると、インフレ率は約0.7ポイント上昇します。最も重要なのは、その影響がかなり持続的であり、1年後にピークを迎えてから最長18か月続くことです。これは、2021年に観察された輸送コストの上昇が、2022年のインフレを約1.5ポイント押し上げる可能性があることを示唆しています。
乗客側では、パンデミック後に新たな乗客が急増しており、交通事業者各社がその影響を受けています。同時に、多くの企業が、政府が定めた運輸部門の脱炭素化目標を達成するために、車両の近代化を迫られています。
移動時間の短縮と利便性が、消費者が自家用車よりも公共交通機関を選ぶ主な理由となっています。しかし、米国では公共交通機関の配分効率は68%、コスト効率は50%にとどまっています。
運輸業界では、現在続く混乱を解消するために、動的計画機能を備えたルート最適化ソフトウェアが必要です。幸いなことに、そのテクノロジーはすでに利用可能です。
リアルタイムのルート計画最適化はどのように機能するのか

リアルタイムの動的ルート設定ソフトウェアは、車両のテレメトリデータ、ルートの過去の所要時間、交通データなどの利用可能なビッグデータを使用して、複数の地理的地点間の最適な経路を決定します。
ルート作成の部分は、アルゴリズムによって自動的に行われます。このアルゴリズムは、さまざまなルート、スケジュール、停車地点の組み合わせを評価して最適な移動ルートを見つけるよう訓練された、統計モデルまたは機械学習モデルです。
機械学習ベースのルート最適化アルゴリズムは、システムに関する事前知識がなくても、大規模なデータセット内のパターンを特定できます。また、クラス最高のシステムは、1秒あたり数百万のデータポイントを評価して、より最適な組み合わせを見つけることができます。
車両ルート最適化システムの仕組みをよりよく理解するために、その2つの構成要素であるビッグデータと最適化アルゴリズムを詳しく見てみましょう。
ビッグデータ
交通分野におけるビッグデータには、交通量予測からよりスマートな駐車場管理まで、さまざまなユースケースがあります。
一方、フリート管理企業や輸送企業は、車両テレマティクス、位置情報ベースのサービス、地理空間インテリジェンスを活用して、資産の利用を最適化し、運用コストを削減し、ネットワークの効率を向上させています。
車両のルート計画と最適化も、利用可能なビッグデータソース(独自のものと外部のもの)の増加から多大な恩恵を受けることができます。
車両のルート最適化を実行するには、少なくとも次のデータソースへのアクセスが必要です。
タスクオーダーデータ(目的地、荷物の重量/寸法、輸送条件、配達時間帯など)
- 利用可能なリソース(ドライバー、稼働していない車両、車両の種類と積載量など)
- 運用データ(配送拠点の住所、アクセス上の制約、特別なコンプライアンス要件や顧客の指示など)
- 道路インテリジェンス(地図データ、交通情報、過去の配達時間、道路状況など)
これらのデータポイントは、おそらく貴社のフリート管理ソフトウェアおよび車両テレマティクスシステムで利用可能です。マッピング、交通、GISデータは、リアルタイムのルート最適化のために、多数存在する公開APIまたは非公開APIを介して取得できます。
ルート最適化アルゴリズム
最適な車両ルートを導き出す取り組みは、1959年に遡ります。当時、George DantzigとJohn Ramserは、車両配送計画問題(VRP)に対する最初のアルゴリズム的解法を提案しました。
車両配送計画問題とは、一連の顧客にサービスを提供する車両群が走行する経路の最適設計を見出す組合せ最適化問題です。
それ以降、他の科学者たちが、トラックや公共交通機関の車両群向けに、車両配送計画問題に対する複数のアルゴリズム的解法を提案してきました。
動的ルート計画アルゴリズムの分類

出典:Core — A Comparative Study of Vehicles’ Routing Algorithms for Route Planning in Smart Cities
提案されている動的ルート最適化アルゴリズムはそれぞれ異なるパフォーマンスを示し、3つの品質パラメータによって評価されます。
- 計算の複雑さ。最速のルートを見つけられるものの、計算時間が長いアルゴリズムは、特に動的ルート計画においては最適な候補とはなりません。
- スケーラビリティ。道路ネットワークの規模が大きくなると、アルゴリズムのスケーラビリティの程度は低下します。小さなサンプルで優れた性能を発揮するアルゴリズムでも、大規模なネットワークには必ずしも適用できない場合があります。
- 最適なルートの品質。どのアルゴリズムが最適なルートを計算しているかを判断するために、この指標は、同じ指標(走行距離、走行時間、燃料消費量など)に基づいて異なるアルゴリズムが計算した最良のルートを比較します。
さらに、ルート最適化アルゴリズムのパフォーマンスは、次のような追加データを用いることでさらに向上させることができます。
- リアルタイムの道路情報:現在の交通状況、事故発生率、気象条件など。
- 目的地に関する情報:移動の目的、現地での配達に関する制約など。
- 車両情報:残りの燃料(またはEVのバッテリー残量)、リアルタイムの車両性能状態、メンテナンス状況など。
しかし長年の間に、元の車両配送計画問題からは、輸送会社が日々直面する新たな派生問題が生まれています。
- 容量制約付き車両配送計画問題(CVRP) — 積載容量が異なる車両に対して、最適なルート最適化アプローチを導き出すこと
- 時間枠付き車両配送計画問題(VRPTW) — エンドカスタマーが選択した特定の時間枠(または事前に定義された輸送スケジュール)に基づいて、配送ルートを最適化すること
- 集配車両配送計画問題(PDVRP) — ある場所で荷物や乗客を乗せ、別の場所で降ろす車両の動的ルート計画を行うこと
上記のルーティング問題は、ニューラルネットワーク(NN)、サポートベクトルマシン(SVM)アルゴリズム、ナイーブベイズ分類器などの機械学習アルゴリズムによって最もよく解決されます。
このようなアルゴリズムは、コネクテッド車両、車載テレマティクスユニット、および/または外部データソースから収集されたより多くのデータポイントを取得し、動的に処理することで、リアルタイムでルート計画の最適化を実現できます。ただし、いくつかの制限があります。
機械学習アルゴリズムの比較
| 手法 | 概要 | 限界 | 用途 |
|---|---|---|---|
| SVM | SVMは個々の観測値の座標付けを行います。このモデルの結果として、クラスを分離する最適な超平面が作成されます。 | SVMの学習およびテスト処理は低速です。 | IoVのコンテキスト認識型セキュリティ |
| ニューラルネットワーク | 生物の神経回路を模したANNであり、相互接続された複数の「ノード」で構成される層に編成されています。 | 処理に長い時間がかかり、大規模なデータセットを必要とします。 | IoVにおける速度予測 |
| ナイーブベイズ | 互いに接続された層で構成される、生物に着想を得たニューラルシステムです。 | ベイズ法の機能はハードウェアに依存し、説明のつかない動作が繰り返し発生します。 | 高速な車両間通信 |
| K近傍法(KNN) | データベースを利用していくつかのクラスに分類し、単純な点を予測するアルゴリズムです。 | 学習プロセスが遅い。 | IoVの通信が高速 |
| HMM | HMMの機能は、部分的に観測可能なものに対してのみ処理されます。 | 大量の計算時間が必要です。 | 最適なルーティングプロセス |
出典:Hindawi — A Study to Enhance the Route Optimization Algorithm for the Internet of Vehicle
実際には、ルート計画用の独自ソフトウェアの多くが、上記の手法に依拠しています。たとえば、FedEx Groundの動的ルート最適化(DRO)ソフトウェアは、ネットワーク全体で荷物の不均等な配分を回避するために、ルートを動的に調整するように設計されています。
FedExのCOOであるRaj Subramaniam氏によると、このシステムはほぼリアルタイムのルートデータを同社の膨大な数の請負業者に提供し、彼らはそれを効果的なルート計画の最適化に活用できます。その後Bloombergは、このシステムが特定のルートの収益性を高め、従業員の生産性を大幅に向上させ、時間どおりの配達を増加させたと報じました。
Ocadoの計画・配送システム責任者であるJames Lohr氏も、同社の動的ルーティングソフトウェアの仕組みについて説明しています。システムはまず、利用可能なタスクオーダーデータを使用して、特定の地理的地域を担当するバンにランダムに配達を割り当てます。次に、各ルートの所要時間を計算し、配達ルートを最大限に最適化するために、より詳細な改善案を提案します。
[当社のシステム]は、2つの配達先の順序を入れ替えるような小さな変更から、配達のまとまった部分を車両間で入れ替えるような大きな変更まで、さまざまな変更を組み合わせて行い、その都度それが改善につながるかどうかを評価します。1秒あたり400万回の変更を行い、最良のソリューションを追跡しながら、徐々に可能な限り最適なルートに近づいていきます。
AmazonのRabbitとUPSのOrion VRPソフトウェアも、同程度の高度さを備えています。バックエンドでは、RabbitはGPSデータ、リアルタイムの交通状況、過去のルートデータ、現在の天候など、さまざまなデータポイントを処理し、ドライバーに最適化されたルート計画の指示を提供します。
一般的に、カスタムのルート最適化アルゴリズムは、輸送会社が抱える複数の問題を解決できます。
- 多数の必要な停車地点
- 複数日にわたるルート計画
- マルチモーダル輸送の組み合わせ
- 最適化された作業負荷の割り当て
- 特別な運行間隔(例:給油のため)
- カスタムの出発/到着場所
さらに、動的ルート最適化モジュールは、フリート管理ソフトウェア、貨物マーケットプレイス、エンタープライズリソースプランニング(ERP)システムなど、貴社が使用している他のビジネスシステムと統合することが可能です(そして統合すべきです!)。これにより、サプライチェーン全体の可視性を高め、起こりうる混乱を初期段階で緩和できます。
ルートプランナーソフトウェアに必須の機能
ルートプランナーソフトウェア市場は、2020年に43億2,000万ドルに達し、2030年までに162億5,000万ドルに達すると見込まれています(輸送量の急増を考えると、これは驚くべきことではありません)。
実際には、上記のことから、輸送会社が商用のルーティングソフトウェアに事欠くことはないと言えます。それにもかかわらず、多くの企業が独自の車両ルート最適化アルゴリズムを開発することを選択しています。
どちらの選択肢にもメリットがあります。小規模なフリートは、多くの場合、市販の車両ルーティングプラットフォームを利用し、その後、追加機能や他のシステムとの統合で拡張することが有益です。
カスタムルート計画ソフトウェアの開発は、大規模な物流部門を持つ企業にとって理にかなっています。この場合、運用ワークフローに合わせた、より堅牢な処理アルゴリズムを作成できます。その後、計画エンジンを他のソフトウェア(輸送管理システム、MaaSプラットフォーム、またはフリート管理ソリューション)に統合できます。
どの方法を選択する場合でも、次のルーティングソフトウェア機能を備えておくことをお勧めします。
複数停車地点を含むルート計画
複数箇所の停車は、ラストワンマイル物流では当然のことですが、中長距離輸送でもますます一般的になっています。一般的な最適化されたルート計画のアプローチは、トラックに空き容量があるドライバーを追加のデポに誘導し、追加の貨物を積み込んでもらうことです。複数の停車地点を経由する方が、エンドツーエンドの輸送のために別のドライバーを派遣するよりも、多くの場合、コスト効率が高くなります。
eモビリティへの移行により、EVは定期的な充電を必要とするため、複数停車地点を含むルートや特別な間隔での運行計画のニーズがさらに高まるでしょう。動的ルート計画エンジンは、将来を見据えた優れた投資でもあります。
動的配車管理
車両のルート計画は、最適な走行ルートを策定するだけにとどまりません。また、ルートを稼働可能な人員に割り当て、従業員が適切な時間働いていることを確認する必要があります(従業員の離職やコンプライアンス上の問題を回避するため)。
これを実現するには、ルーティングソフトウェアが配車管理ソリューションと連携する(またはその一部である)必要があります。このようなツールは、フリートマネージャーがドライバーのスケジュール作成を効率化し、トラックの配車を自動化し、ドライバーと車両のパフォーマンスに関する豊富なインサイトを収集するのに役立ちます。
ETA予測
到着予定時刻は、フリートマネージャーにとって極めて重要な数値です。今日、ほとんどの顧客は、選択した時間帯に正確に配達されることを期待しています。しかし、宣伝されている「超高速」配達の約束を果たすことができる物流企業ははるかに少ないのが現状です。オーストラリアでは、今年、なんと88%もの現地企業が国内および国際配送の遅延を経験しています。
動的ルート最適化アルゴリズムは、交通状況、車両のGPSデータ、平均走行速度に関するリアルタイム情報を使用して、正確なETAを計算するのに役立ちます。これらの詳細情報はすべて、エンドカスタマーやビジネスパートナーと共有できます。これにより、彼らは自社側で必要な準備を行うことができます(たとえば、デポで荷降ろしを担当するスタッフを手配したり、指定された時間帯に受け取りができない場合は配達を再設定したりできます)。
マルチモーダル輸送のサポート
物流および公共交通機関のネットワークは拡大し、荷主と乗客の両方がより多くの輸送手段を積極的に利用するようになりました。一方、世界各国の政府も、深刻な渋滞問題の解決と環境負荷の軽減のため、道路交通量の削減に取り組んでいます。たとえばEUは、2030年までに長距離貨物輸送の30%を道路からより持続可能な輸送手段(鉄道など)に移行し、2050年までにさらに20%を移行する計画を立てています。一方、乗客は自家用車の所有に代わる選択肢として、オンデマンド交通やその他のMaaSサービスを検討しています。
これらの変化により、輸送会社はマルチモーダル輸送ルートの導入を促されています。こうしたルートは、多くの場合、より費用対効果が高くなります。競争力のあるマルチモーダル輸送の貨物契約で顧客を満足させるには、貨物の種類、目的地、顧客の仕様(特別な輸送条件など)、その他の要因に基づいてさまざまな輸送シナリオをモデル化できる、目的に合ったルート最適化エンジンが必要です。機械学習モデルはこのタスクに十分対応できます。
乗客側では、シームレスな乗客輸送体験を提供するために、都市交通管理システムやその他のモビリティ事業者との安全な統合が必要になります。このようなソリューションを構築するには、APIプログラミング、ビッグデータ分析、およびマッピングの専門知識が必要です。
ジオフェンシング
ジオフェンシングは、ドライバーに特定の配達ゾーンを割り当て、(自らの判断で市内を走り回るのではなく)指定されたエリアのみをカバーするようにできるため、ラストワンマイル物流に便利な機能です。
動的ルート最適化ソリューションは、GPS技術を使用して車両の位置に関するライブ追跡データを提供し、計画されたルートからの逸脱を通知することができます。これにより、考えられる問題(突然の故障やドライバーの不適切な行動など)を迅速に調査できます。ジオフェンシング機能は、資産の盗難や不正使用を防止するのにも役立ちます。たとえば、割り当てられたエリアを1時間以上離れている車両について、エンジンを自動的に停止するようにプログラムできます。
EVルート設定
電気自動車(EV)のフリート管理には、特有の制約が伴います。バッテリーの航続距離は、車両の種類、積載量、および運転条件(具体的には天候や地形など)によって大きく異なります。多くのEVでは、氷点下の気温で航続距離が最大20%低下するため、そのようなフリートは一部の目的地において効率が低下します。同様に、急加速などの乱暴な運転も充電状態に影響を及ぼします。
さらに、eフリートは充電の必要性があるため、ルート計画に異なるアプローチが必要です。現在、EV充電インフラは完全な移行を支えるにはまだ不十分ですが、着実な進展が見られます。急速充電ステーションは数が少なく、電化高速道路などの長距離トラック向け充電ソリューションは、まだ概念実証の段階にあります。これらの制約があるため、eフリートのオペレーターは、帰路が確保できなくなる事態を回避し、最適な充電頻度を確保するために、綿密なルート最適化に取り組む必要があります。
よりスマートな車両ルート最適化への道
1960年代以降、業界は車両配送計画問題の解決において目覚ましい進歩を遂げてきました。2020年代には、機械学習とデータエンジニアリングの技術進歩により、ルート計画の効率性においてさらなる水準を確立できるようになりました。
OEMベースのテレマティクスユニットおよび外部テレマティクスユニットを通じて、多くの新しいデータが利用可能になりました。GISツールにより、輸送会社はHDマップ用のより包括的な地理空間インテリジェンスを収集できるようになりました。また、道路インフラの接続性が向上したことで、リアルタイムの交通データを収集できるようになっています。
残された課題は、これらのデータを最適に活用することですが、これはIntelliasのようなテクノロジーコンサルティング会社がサポートできる分野です。
Intelliasは、グローバルな輸送企業がテクノロジーを業務の中核に据えるお手伝いをしています。貴社のビジネスにおける動的ルート最適化のさまざまなアプローチについてご相談いただくには、お問い合わせください。