其他行业 · AI应用
利用机器学习实现最优货运匹配和减少浪费
Convoy面临货运行业的重大挑战：空驶里程（卡车无货运行）占重型卡车行驶里程的30-35%。为解决此问题，Convoy利用移动应用、先进算法和机器学习模型分析可用卡车和司机组合，确保最优货物匹配。这一创新方法显著减少了空驶里程，避免了超过2亿公吨的碳排放，并大幅提高了运营效率。结果，卡车司机通过减少无报酬的空驶时间增加了收入，同时整体环境影响显著降低。
空驶减少
减少空驶里程
来源披露
01
业务背景
Convoy面临货运行业的重大挑战：空驶里程（卡车无货运行）占重型卡车行驶里程的30-35%。为解决此问题，Convoy利用移动应用、先进算法和机器学习模型分析可用卡车和司机组合，确保最优货物匹配。这一创新方法显著减少了空驶里程，避免了超过2亿公吨的碳排放，并大幅提高了运营效率。结果，卡车司机通过减少无报酬的空驶时间增加了收入，同时整体环境影响显著降低。
02
遇到的问题
美国卡车运输业空驶率极高：每年有40%的里程是空车行驶（约950亿英里的公路里程中大量浪费），导致时间和燃料成本高昂，行业碎片化、传统经纪匹配方式低效。
03
AI 解决方案
通过移动应用建立数字化在线交易市场，利用Amazon SageMaker训练机器学习模型，分析数百万货运任务与卡车司机可用性，推荐成本低且时效优的匹配方案；应用中优先展示与司机最相关的订单，并为返程提供推荐工作，从而减少空驶。
04
实施结果
空驶减少：减少空驶里程（显著降低空驶，增加司机收入并减少环境影响）
05
风险与边界
未披露
“Leveraging AI to build out models to facilitate that relevance is something we put quite a bit of emphasis on.”
Casey Olives · Head of Data Science, Convoy
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。