FleetCharge
FleetCharge — اعزام و شارژ ناوگان برقی — مسیریابی انرژیمحدود EV، زمانبندی شارژ صفآگاه و طراحی شبکه شارژر با بهینهسازی بیزی.
این صفحه دموی POC است، نه سامانه تحویلی. خدمت متناظر: بهینهسازی عملیاتی · هاب دموها.
دموی نمونه تعاملیبرای مدیر: نتیجه کسبوکار
صف شارژ روزانه ساعتها وقت ناوگان را میگرفت؛ شارژ سریع بیبرنامه باتری را فرسوده میکرد.
۲۰–۳۵٪ هزینه برق کمتر؛ ۳۰–۵۰٪ کاهش انتظار صف؛ مسیر بهینه زیر ۱۰ ثانیه.
- ۲۰–۳۵٪ هزینه برق
- ۳۰–۵۰٪ انتظار صف
- EVRP < ۱۰ s
- طراحی شارژر بیزی
«جابجایی دو شارژر سریع انتظار را ۴۰٪ کم کرد — بدون ایستگاه جدید.»
مستندات عمومی
چه میکند؟
FleetCharge یکی از محصولات پورتفولیوی هوش مصنوعی آریا اِیآی است که برای تصمیمگیری عملیاتی سازمانهای ایرانی و بینالمللی طراحی شده. نسخه عمومی روی Hugging Face یک دموی نمونه است؛ نسخه تولید با یکپارچهسازی داده، SSO و audit trail استقرار مییابد.
مخاطب غیرفنی میتواند KPI قبل/بعد، کاربرد صنعت و مسیر پایلوت را ببیند؛ مخاطب فنی pipeline، متریک قابل بازتولید و لینک Space/Model/Dataset را دنبال میکند.
درخواست پایلوت از طریق فرم تماس سایت با ذکر علاقه به FleetCharge ثبت میشود تا محدوده داده، قیود و معیار موفقیت مشخص گردد.
چه کسی از آن استفاده میکند؟
مدیران عملیات، CISO، برنامهریزان تولید، لجستیک، مالی و تیمهای مهندسی که باید تصمیم را هم برای هیئتمدیره و هم برای اجرای فنی توضیح دهند.
خروجی دمو «نمونه تعاملی» است؛ آپلود زنده فایل سازمانی روی Space عمومی توصیه نمیشود.
کاربرد در صنایع
تولید و کارخانه
زمانبندی ماشین، WIP، انرژی و نگهداری برای کاهش تأخیر و هزینه تغییر خط. پست، تاکسی، اتوبوس شهری و لجستیک last-mile برقی.
لجستیک، انبار و توزیع
مسیریابی، موجودی، yard/dock و last-mile با قیود ظرفیت و SLA.
خردهفروشی و FMCG
قیمتگذاری پویا، موجودی چندکاناله و تخصیص سفارش با حاشیه سود.
انرژی، آب و محیط زیست
تخصیص منابع، کربن، نکسوس آب-انرژی-غذا و جمعآوری پسماند.
بهداشت، دارو و بیمارستان
زمانبندی OR، موجودی بالینی، spare parts و تخصیص سایت کارآزمایی.
حملونقل، بندر و هواپیمایی
جدول زمانی ترمینال، بازیابی اختلال پرواز و جریان کانتینر.
برای مهندس: Pipeline و معماری
Fleet → Bayesian charger design → EVRP + CP-SAT charging + ALNS → SimPy queue/failure KPIs
معماری مرجع: Fleet → Bayesian charger design → EVRP + CP-SAT charging + ALNS → SimPy queue/failure KPIs. اجزا روی CPU قابل اجرا هستند تا دمو و استقرار اولیه بدون GPU اجباری باشد.
خروجیها شامل امتیاز/برنامه، توضیحپذیری و ردپای تصمیم برای بازبینی انسانی است. آموزش و ارزیابی از corpus مستند پروژه پیروی میکند.
برای تولید: Docker، متغیر محیطی، و اتصال به سامانه موجود (ERP، SIEM، WMS، APS) طبق معماری هر repo انجام میشود.
پشته فنی
- Python
- OR-Tools / Pyomo / HiGHS
- NumPy
- SimPy
- Gradio
- Docker
متریکهای قابل بازتولید
| بنچمارک | جزئیات | نتیجه |
|---|---|---|
| Electricity cost | vs naive DC fast | 20–35% |
| Queue wait | demo | 30–50% |
| Routing | energy-constrained | < 10 s |
| Degradation | mode selection | tracked |
سوالات پرتکرار
FleetCharge چه مسئلهای را حل میکند؟
FleetCharge برای «زمانبندی شارژ ناوگان برقی با قیود شبکه و شیفت» است. مسیریابی انرژیمحدود EV، زمانبندی شارژ صفآگاه و طراحی شبکه شارژر با بهینهسازی بیزی. این صفحه دموی POC است نه سامانه تحویلی.
ورودی و خروجی FleetCharge چیست؟
ورودی: وضعیت شارژ، قیمت برق و برنامه حرکت. خروجی قابل نقلقول: پنجره شارژ و تخصیص شارژر. متریک Hub بدون حجم نمونه سازمان SLA نیست.
آیا Space عمومی FleetCharge جایگزین استقرار سازمانی است؟
خیر. Hugging Face برای ارزیابی است. شکست رایج: تخلیه باتری قبل از مأموریت. production یعنی on-prem یا VPC و کنترل دسترسی.
چطور پایلوت را شروع کنیم؟
فرم تماس خانه (سازمان، صنعت، شرح مسئله) را بفرستید. قیمت در صفحه دمو اعلام نمیشود.