ترجمه مقاله نقش ضروری ارتباطات 6G با چشم انداز صنعت 4.0
- مبلغ: ۸۶,۰۰۰ تومان
ترجمه مقاله پایداری توسعه شهری، تعدیل ساختار صنعتی و کارایی کاربری زمین
- مبلغ: ۹۱,۰۰۰ تومان
Abstract
Emergency service providers are supposed to locate ambulances such that in case of emergency patients can be reached in a time-efficient manner. Two fundamental decisions and choices need to be made real-time. First of all immediately after a request emerges an appropriate vehicle needs to be dispatched and send to the requests’ site. After having served a request the vehicle needs to be relocated to its next waiting location. We are going to propose a model and solve the underlying optimization problem using approximate dynamic programming (ADP), an emerging and powerful tool for solving stochastic and dynamic problems typically arising in the field of operations research. Empirical tests based on real data from the city of Vienna indicate that by deviating from the classical dispatching rules the average response time can be decreased from 4.60 to 4.01 minutes, which corresponds to an improvement of 12.89%. Furthermore we are going to show that it is essential to consider time-dependent information such as travel times and changes with respect to the request volume explicitly. Ignoring the current time and its consequences thereafter during the stage of modeling and optimization leads to suboptimal decisions.
1. Introduction and related work
Emergency service providers are supposed to locate ambulances such that in case of emergency patients can be reached in a time-efficient manner. Two fundamental decisions and choices need to be made real-time. First of all immediately after a request emerges an appropriate vehicle needs to be dispatched and send to the requests’ site. Ambulances, when idle, are located at designated waiting sites. Hence after having served a request the vehicle needs to be relocated (i.e. its next waiting site has to be chosen). For a close match to reality, time-dependent information for both traveling times and the request volume will be considered explicitly. We are going to solve the underlying optimization problem using approximate dynamic programming (ADP), an emerging and powerful tool for solving stochastic and dynamic problems typically arising in the field of operations research.
6. Conclusion and outlook
In this paper we formulate a dynamic version of the ambulance dispatching and relocation problem, which has been solved using ADP. Extensive testing and comparison with real-world data have shown that ADP can provide high-quality solutions and is able to outperform policies that are currently in use in practice. The average response time can be decreased by 12.89%. This improvement is due to two main sources for improvement: the dispatching and relocation decisions involved. By deviating from the traditional rule of dispatching the closest ambulance available and relocating them to their home base after having finished serving a request we are able to make high-quality dispatching decisions in an anticipatory manner. By explicitly taking into account the current state of the system we are able to improve the performance thereafter. Due to regulatory reasons ambulances are not allowed to travel around empty and to be relocated from one waiting location to another one in order to response to potentially undercovered areas. But we are able to compensate for that by locating ambulances after becoming available again in a reasonable way.
فرض بر این است که ارائه دهندگان خدمات اورژانسی، آمبولانس ها را به گونه ای مکان یابی می کنند که بتوانند در موارد بیماران اورژانسی، در یک زمان مناسب به آنها برسند. دو تصمیم و انتخاب اساسی باید در زمان واقعی انجام شوند. اول از همه، بلافاصله بعد از ارائه یک درخواست، یک وسیله نقلیه مناسب باید اعزام و به محل درخواست ارسال شود. پس از ارائه خدمات، وسیله نقلیه باید به محل انتظار بعدی برود. ما قصد داریم که یک مدل پیشنهاد دهیم و مشکل بهینه سازی اصلی را با استفاده از برنامه نویسی تقریبی دینامیک (ADP)، که یک ابزار نوظهور و قدرتمند برای حل مسائل احتمالی و دینامیکی است که معمولا در زمینه تحقیقات عملیاتی رخ می دهد، حل کنیم. آزمایشات تجربی مبتنی بر داده های واقعی از شهر وین نشان می دهد که با انحراف از قوانین اعزام کلاسیک، میانگین زمان پاسخ می تواند از 4.60 تا 4.01 دقیقه کاهش پیدا کند که مربوط به یک بهبود 12.89 درصدی است. علاوه بر این ما قصد داریم نشان دهیم که توجه به اطلاعات مربوط به زمان، مانند زمان سفر و تغییرات با توجه به حجم درخواست، ضروری است. نادیده گرفتن زمان فعلی و عواقب بعدی آن در طول مرحله مدل سازی و بهینه سازی، منجر به تصمیم گیری های زیر بهینه می شود.
1. مقدمه و آثار مرتبط
فرض بر این است که ارائه دهندگان خدمات اورژانسی، آمبولانس ها را به گونه ای مکان یابی می کنند که بتوانند در موارد بیماران اورژانسی، در یک زمان مناسب به آنها برسند. دو تصمیم و انتخاب اساسی باید در زمان واقعی انجام شوند. اول از همه، بلافاصله بعد از ارائه یک درخواست، یک وسیله نقلیه مناسب باید اعزام و به محل درخواست ارسال شود. آمبولانس ها در زمانی که بیکار هستند، در سایت های انتظار تعیین شده قرار می گیرند. از این رو وسیله نقلیه باید پس از ارائه خدمات به یک درخواست، جابجا شود (به عنوان مثال، محل انتظار بعدی که برای آن انتخاب شده است). برای نزدیک شدن به واقعیت، اطلاعات وابسته به زمان برای زمان سفر و حجم درخواست باید به صراحت مورد توجه قرار بگیرند. ما قصد داریم که مشکل بهینه سازی اصلی را با استفاده از برنامه نویسی تقریبی دینامیک (ADP)، که یک ابزار نوظهور و قدرتمند برای حل مسائل احتمالی و دینامیکی است که معمولا در زمینه تحقیقات عملیاتی رخ می دهد، حل کنیم.
6. نتیجه گیری و چشم انداز
در این مقاله، ما یک نسخه دینامیک از مسئله اعزام و جابجایی آمبولانس را فرمول بندی می کنیم که با استفاده از ADP حل شده است. آزمایشات گسترده و مقایسه با داده های دنیای واقعی نشان داده اند که ADP می تواند راه حل هایی با کیفیت بالا ارائه دهد و می تواند عملکرد سیاست هایی را که در حال حاضر در عمل استفاده می شوند، بهبود ببخشد. میانگین زمان پاسخ را می توان تا 12.89٪ کاهش داد. این بهبود به دلیل دو منبع اصلی برای بهبود است: تصمیمات مربوط به اعزام و جابجایی. با انحراف از قانون سنتی اعزام نزدیکترین آمبولانس در دسترس و انتقال آنها به پایگاه اصلی خود پس از اتمام ارائه خدمات به یک درخواست، ما قادر به تصمیم گیری باکیفیت با یک روش پیش بینانه در مورد اعزام هستیم. با توجه صریح به وضعیت فعلی سیستم، ما قادر به بهبود عملکرد هستیم. با توجه به دلایل نظارتی، آمبولانس ها مجاز به حرکت به صورت خالی و جابجایی از یک مکان انتظار به یک مکان دیگر به منظور پاسخ به مناطق تحت پوشش بالقوه نیستند. اما ما با مکان یابی آمبولانس ها پس از دسترسی مجدد به یک روش مناسب، می توانیم آن را جبران کنیم.