پژوهشنامه حمل و نقل

پژوهشنامه حمل و نقل

بهینه‌سازی هوشمند لجستیک شهری با رویکرد یادگیری تقویتی عمیق (DQN) و تحلیل کلان‌داده

نوع مقاله : مقاله پژوهشی

نویسندگان
محمد امین ابراهیم زاده 1
علی عبدی کردانی 2
محمد حسین تاتلاری 3
1 گروه عمران برنامه ریزی حمل و نقل، دانشکده فنی‌ومهندسی، دانشگاه بین‌المللی امام خمینی (ره)، قزوین، ایران
2 استاد، گروه عمران برنامه ریزی حمل و نقل، دانشکده فنی‌ومهندسی، دانشگاه بین‌المللی امام خمینی (ره)، قزوین، ایران
3 گروه مهندسی صنایع‌، دانشکده فنی و مهندسی‌، دانشگاه آزاد اسلامی واحد کرج، ایران
10.22034/tri.2026.559946.3400
چکیده
افزایش پیچیدگی شبکه‌های حمل‌ونقل شهری، رشد سریع تجارت الکترونیک و نیاز روزافزون به تحویل‌های سریع، ارزان و پایدار، ضرورت به‌کارگیری رویکردهای هوشمند در لجستیک شهری را دوچندان کرده است. این پژوهش یک مدل نوآورانه مبتنی بر یادگیری تقویتی عمیق DQN ارائه می‌دهد که با ادغام کلان‌داده و اطلاعات زمان‌واقعی، مسیرهای تحویل را در محیط‌های پویا به‌صورت تطبیقی بهینه‌سازی می‌کند. مدل پیشنهادی در یک محیط شهری شبیه‌سازی‌شده شامل ۱۲ منطقه، ۱۲۰ مشتری، ۴ انبار و ۱۰ وسیله نقلیه ارزیابی شده است. نتایج تجربی نشان می‌دهد که الگوریتم DQN نسبت به روش‌های سنتی به‌طور قابل‌ملاحظه‌ای بهتر عمل می‌کند؛ به‌طوری که زمان تحویل تا ۳۵٪، مصرف سوخت تا ۳۳٪ و انتشار CO₂ تا ۵۵٪ کاهش یافته و هم‌زمان، نرخ تحویل به‌موقع به ۹۲٪ و رضایت مشتری تا ۴۰٪ افزایش یافته است. تحلیل حساسیت نیز نشان می‌دهد که مدل در مواجهه با ترافیک سنگین، افزایش تقاضا و داده‌های ناقص، عملکردی پایدار و قابل اتکا دارد.

این پژوهش با ادغام هوش مصنوعی، کلان‌داده و تحلیل سناریوهای آینده‌نگر مبتنی بر GPT، چارچوبی مقیاس‌پذیر برای توسعه لجستیک شهری هوشمند ارائه می‌دهد و می‌تواند به‌عنوان مبنایی برای طراحی سیاست‌های داده‌محور در کلان‌شهرهای در حال توسعه مورد استفاده قرار گیرد.
کلیدواژه‌ها
لجستیک شهری
یادگیری تقویتی عمیق
DQN
کلان‌داده
پایداری حمل‌ونقل

موضوعات

عنوان مقاله English

Intelligent Optimization of Urban Logistics Using Deep Reinforcement Learning (DQN) and Big Data Analytics

نویسندگان English

Mohamad Amin Ebrahimzadeh 1
Ali Abdi Kordani 2
Mohammad Hossein Tatlari 3
1 Transportation Planning Civil Engineering Group, Faculty of Engineering, Imam Khomeini International University (IKIU), Qazvin, Iran.
2 Professor, Department of Civil Engineering (Transportation Planning), Faculty of Engineering, Imam Khomeini International University, Qazvin, Iran.
3 Department of Industrial Engineering, Faculty of Engineering, Islamic Azad University, Karaj Branch, Iran.
چکیده English

The increasing complexity of urban transportation networks, the rapid growth of e-commerce, and the rising demand for fast, low-cost, and sustainable deliveries have intensified the need for intelligent approaches in urban logistics. This study presents an innovative Deep Q-Network (DQN) reinforcement learning model that integrates big data analytics and real-time information to adaptively optimize delivery routes in highly dynamic environments. The proposed model is evaluated within a simulated urban setting consisting of 12 districts, 120 customers, 4 distribution centers, and 10 delivery vehicles. Experimental results demonstrate that the DQN-based approach significantly outperforms traditional optimization methods; specifically, delivery time is reduced by up to 35%, fuel consumption by 33%, and CO₂ emissions by 55%, while on-time delivery performance improves to 92% and customer satisfaction increases by 40%. Sensitivity analysis further confirms the robustness and reliability of the model under conditions of heavy traffic, increased demand, and incomplete data.

By integrating artificial intelligence, big data analytics, and GPT-driven foresight scenario design, this research offers a scalable framework for advancing smart urban logistics. The findings provide a solid foundation for developing data-driven policies and decision-support systems in rapidly growing metropolitan areas.

کلیدواژه‌ها English

Keywords: Urban Logistics
Deep Reinforcement Learning (DRL)
Deep Q-Network (DQN)
Big Data Analytics
Transport Sustainability
-Allen, J., Browne, M., & Cherrett, T. (2017). Logistics management and urban freight transport: Challenges and solutions. Transport Reviews, 37(5), 647–671.
-Attah, R. U., Garba, B. M. P., Gil-Ozoudeh, I., & Iwuanyanwu, O. (2024). Enhancing supply chain resilience through artificial intelligence: Analyzing problem-solving approaches in logistics management. International Journal of Management & Entrepreneurship Research, 6(12), 3883–3901.
-Barbosa, M. W., Vicente, A., de la Calle, M. B., Ladeira, M. B., & Oliveira, M. P. V. (2018). Managing supply chain resources with big data analytics: A systematic review. International Journal of Logistics Research and Applications, 21(3), 177–200.
-Crainic, T. G., & Bektas, T. (2007). Urban logistics planning: Models and applications. European Journal of Operational Research, 200(3), 561–572.
-Govindan, K., Cheng, T. C. E., Mishra, N., & Shukla, N. (2018). Big data analytics and application for logistics and supply chain management. Transportation Research Part E: Logistics and Transportation Review, 114, 343–349.
-Grover, P. & Kar, A. K. (2017). Big data analytics: A review on theoretical contributions and tools used in literature. Global Journal of Flexible Systems Management, 18(3), 203–229.
-Gupta, A., Singh, R., & Kumar, V. (2019). Big data analytics in supply chain management: A systematic review and future research agenda. Journal of Business Research, 101, 533–546.
-Lee, H. L. (2018). Big data and the innovation cycle. Production and Operations Management, 27(9), 1642–1646.
-Macrina, G., Longo, F., & Musmanno, R. (2020). Human factors in smart logistics decision making: A review. International Journal of Logistics Management, 31(2),403–421.
-Maestrini, V., Luzzini, D., Maccarrone, P., & Caniato, F. (2017). Supply chain performance measurement systems: A systematic review and research agenda. International Journal of Production Economics, 183, 299–315.
-Mohsen, B. M. (2024). AI-driven optimization of urban logistics in smart cities: Integrating autonomous vehicles and IoT for efficient delivery systems. Sustainability, 16(24).
-Nazari, M., Oroojlooy, A., Snyder, L. V., & Takác, M. (2018). Reinforcement learning for solving the vehicle routing problem. Advances in Neural Information Processing Systems, 31, 9839–9849.
-Nguyen, T. T., Pathirana, P. N., & Ding, M. (2018). Big data analytics in supply chain management: Challenges and opportunities. Computers & Industrial Engineering, 115,337–349.
-Ojadi, J. O., Odionu, C. S., Onukwulu, E. C., & Owulade, O. A. (2024). Big data analytics and AI for optimizing supply chain sustainability and reducing greenhouse gas emissions in logistics and transportation. International Journal of Multidisciplinary Research and Growth Evaluation, 5(1),1536–1548.
-Papanagnou, A., & Matthews-Amune, C. (2018). Applications of RFID technology in logistics and supply chain management. International Journal of Logistics Research and Applications, 21(4), 345–360.
-Roy, S., Sarkar, B., & Sinha, P. (2018).Multi-objective optimization for sustainable supply chain management under uncertainty. Journal of Cleaner Production, 183, 916–928.
-Shawon, R. E. R., Hasan, M. R., Rahman, M. A., Al Jobaer, M. A., Islam, M. R., Kawsar, M., & Akter, R. (2025). Designing and deploying AI models for sustainable logistics optimization: A case study on eco-efficient supply chains in the USA. Journal of Ecohumanism, 4(2), 2143–2159.
 -Thuraka, B. (2021). AI-driven adaptive route optimization for sustainable urban logistics and supply chain management. International Journal of Scientific Research in Computer Science, Engineering and Information Technology, 7(3), 667–684.
-Yuan, H., Li, Y., & Wang, J. (2023). Deep learning-based real-time urban logistics optimization. Sustainability, 15(9), 4562.
-Zaman, J., Shoomal, A., Jahanbakht, M., & Ozay, D. (2025). Driving supply chain transformation with IoT and AI integration: A dual approach using bibliometric analysis and topic modeling. IoT, 6(2), 21.
-Zhan, Y., & Tan, B. (2020). The impact of big data analytics capabilities on supply chain performance: A resource-based view. Journal of Business & Industrial Marketing, 35(10), 1606–1618.
 -Zheng, G., lmahri, S., Xu, L., & Minaricova, M. (2025). LLMs in supply chain management: Opportunities and a case study. IFAC-Papers On Line. 59(10), 2951–2956. doi.org/10.1016/j.ifacol.2025.09.496
-Ebrahimzadeh, M. A., Saffarzadeh, M., & Norouzi, A. (2025). Evaluation and Prediction of Risk Management Impacts in the Supply Chain and Logistics with a Long-Term Approach. Journal of Transportation Research, 22(1), 423-436.
-Ebrahimzadeh, M. A., & Norouzi, A. (2024). Predicting the effects of risk management in logistics and supply of long-term facilities