NVIDIA cuOpt systeem voor real-time optimalisatie van intermodaal transport
⚠️ Dit project valt onder een NDA met Move Intermodal. Specifieke bedrijfsdata, routes en klantinformatie kunnen niet publiekelijk gedeeld worden.
🔄 Dit project is momenteel in de refinement fase (Week 13-14). De onderstaande informatie beschrijft de huidige status en resterende werkzaamheden.
Een 18-weken academisch onderzoeksproject voor Move Intermodal waarin een proof of concept wordt ontwikkeld voor een GPU-accelerated optimalisatiesysteem met NVIDIA cuOpt voor geautomatiseerde truckplanning. Het systeem ondersteunt planners bij het optimaliseren van het huidige handmatige planningsproces door orders met trucks te matchen op basis van formeel gedocumenteerde bedrijfsregels. De datapipeline is gekoppeld met Snowflake en verwerkt orders, vlootstatus, en chauffeurbeschikbaarheid om optimale routes te genereren met minimale lege kilometers en maximale vlootproductiviteit. Het eindresultaat is een interactief dashboard waarmee planners geoptimaliseerde truckplanningen kunnen visualiseren, evalueren en waar nodig handmatig aanpassen.
Het huidige handmatige planningsproces resulteert in suboptimale routes, excessieve lege kilometers en inefficiënte truckcapaciteitsbenutting. Planners moeten handmatig trucks aan jobs koppelen, starttijden van chauffeurs berekenen, leveringsvensters controleren, en geografische kennis gebruiken voor containerherlaadoperaties. Het kernprobleem is een NP-hard multi-constraint optimalisatievraagstuk waarbij alle bedrijfsregels (ADR-certificering, tijdvensters, containerbeschikbaarheid, chauffeursvoorkeuren) tegelijk in balans moeten worden gebracht. De grootste uitdaging is het vertalen van deels ongedocumenteerde planningsregels naar een geautomatiseerd model dat binnen afzienbare tijd tot optimale oplossingen komt.
Het project is gestart in september 2025 en loopt tot januari 2026 (18 weken). De infrastructuur is volledig opgezet met GPU compute-omgeving en Snowflake-connectiviteit. De ETL-pipeline verwerkt orders, trucks, en chauffeursdata met datakwaliteitscontroles. Momenteel (week 13-14) bevindt het project zich in de refinement fase met focus op fine-tuning van cost functions, constraint weights, en algoritme-parameters. Het eerste MVP (Working Planning Tool) is opgeleverd op 28/11/2025, het volledige geoptimaliseerde systeem wordt afgerond op 22/01/2026. Verwachte impact: 15-20% reductie in gereden kilometers, kostenbesparing per kilometer door geoptimaliseerde routes en verkorting van planningstijd van 2-3 uur naar <5 minuten.
Voordelen van GPU-acceleratie voor routeoptimalisatie:
Het systeem verwerkt drie hoofdcategorieën van constraints die stapsgewijs zijn geïmplementeerd (week 7-12). Elke constraint heeft harde varianten (moet kloppen) en zachte voorkeuren (optimalisatie-doelen). De implementatie volgde een gefaseerde aanpak: eerst order-specifieke restricties (week 8), daarna truck- en chauffeurseisen (week 8), vervolgens volledige optimalisatie (week 9-10), en tot slot complexe containerrestricties (week 11-12):
Het combineren van al deze constraints in één optimalisatiemodel is een NP-hard probleem. Traditionele solvers gebruiken branch-and-bound of constraint programming, maar deze schalen slecht bij hoge complexiteit. GPU-acceleratie maakt het mogelijk om via parallel search veel meer oplossingsruimte te verkennen in dezelfde tijd.
Het project wordt uitgevoerd door een 5-persoons academisch onderzoeksteam volgens de CRISP-ML methodologie:
De iteratieve ontwikkelaanpak combineert wekelijkse sprints met regelmatige feedback van Move Intermodal planners. Elke Function Plan stap is gedocumenteerd en gevalideerd voordat naar de volgende fase werd gegaan.
Het systeem volgt een gefaseerde pipeline gebaseerd op de Function Plan (week 7-14):
load_orders(date) en load_trucks(date) functies halen real-time data uit Snowflake met alle relevante restricties per fase.constraints_validation(order, truck) creëert een binaire matrix die aangeeft of een truck een order kan uitvoeren (1=ja, 0=nee).cost_function(order, truck) berekent de kosten van een truck-order toewijzing op basis van afstand, tijd, en brandstofverbruik.create_planning(trucks, orders) gebruikt cuOpt API voor parallelle routezoektocht op GPU-cores met alle constraints.generate_schedule(trucks) en save_schedule(schedule, date) maken definitieve planningen voor chauffeurs.Het systeem integreert met Snowflake voor real-time data-access. Elke ochtend wordt de pipeline getriggerd voor de planning van de volgende dag. De datapipeline haalt het volgende op:
De NVIDIA cuOpt API gebruikt parallel computing op GPU's. Waar een traditionele CPU-solver sequentieel duizenden routecombinaties moet evalueren, kan de GPU dit parallel doen op duizenden cores tegelijk. Dit reduceert de oplostijd van uren naar minder dan 5 minuten, zelfs met complexe multi-constraint optimalisatie.
load_orders(), load_trucks(), create_planning() functies voor basis truck-order matching op één specifieke dag.constraints_validation() en cost_function(). cuOpt optimalisatie met alle restricties behalve containers.