SimWell帮助RPM eco优化逆向物流供应链。为此，SimWell开发了自己的端到端解决方案OSCAL。它由预测、仿真和移动应用程序组成。下图显示了OSCAL。

端到端解决方案

这种端到端的解决方案始于预测。SimWell的工程师创建了一个预测工具来预测客户每个设施的可用重量。预测算法基于历史数据和季节性。工程师们使用了两种方法：ARIMA（自回归综合移动平均）和主要用于间歇性需求的Croston（克罗斯顿方法）。

他们将预测工具与监督学习模型相结合，以管理客户的可变性。他们能够预测客户的消费行为是否需要他们从一种方法改变到另一种方法。

在SimWell实施这些工具后，RPM eco能够提高服务水平，并降低预测重量和皮卡重量之间的误差幅度。他们可以预测每个客户在某个时间点的可用重量。

此前，RPM eco的静态路线因季节性而存在问题。为了应对这些挑战，SimWell开发人员建立了一个基于智能体的仿真模型来管理路线的优先级。他们主要使用状态图对流程进行建模。通常，在正常过程中，RPM eco会每周使用它来针对客户获得最佳预测。

仿真模型从云数据库接收数据。模型开发人员启动了Python脚本，为新客户重新调整时间间隔，然后进行预测。在这些预测之后，工程师们有了一份可用于仿真的客户列表。

建模人员有根据特定的优先级和地理信息系统的不同路线的创建算法。因此工程师能够跟踪驾驶时间，这对卡车运输行业很重要。他们希望优化这条路线上客户之间的行驶距离。一旦路线被接受或拒绝，信息就会被发送回云数据库。

有一些工具使协调员能够处理这些有效路线。在下图的左侧，有一个名为Routes Planner的工具，它使专家能够在发生更改时添加服务呼叫、修改路线或删除客户端。在下图的右侧，有一个客户服务中心，用于根据这些客户的需求对其状态进行修改。

帮助协调员处理路线和客户需求的工具

一旦工程师预测了总量并创建了路线，司机就可以收到他们的路线。以前，他们收到的信息是纸质的，但这既低效又不可靠，因为它可能会在运输过程中丢失。此外，该论文元素使该仿真模型的实现变得困难。考虑到这些实际情况，SimWell的专家们决定开发一款移动应用程序。

该应用程序可以自动处理仿真的输入和输出。一旦驾驶员登录应用程序，他就可以完成路线。之后，有关这一点的信息被发送回仿真模型。

该数据库基于MySQL，托管在Azure门户网站上。这解决了RPM的运营工作，并充当了应用程序和仿真之间的通信媒介。

移动应用程序

该应用程序还提供了对数据采集的验证，因此它有一个预测的权重和阈值。如果数据超出阈值，则会要求驾驶员在必要时进行验证和编辑。此应用程序结束了端到端解决方案的循环。

解决方案基础架构由几个元素组成：Microsoft Azure SQL数据库、Power BI、Power Apps、预测和移动应用程序。Power BI和Power Apps已连接到Microsoft Azure，用于数据可视化和参数修改。除此之外，AnyLogic仿真模型只是简单地协调了所有元素。

解决方案基础架构

GIS已经集成到AnyLogic中，这对于该解决方案非常重要。作为逆向物流软件，AnyLogic使工程师能够轻松集成和利用外部Azure SQL数据库以及用于物流预测分析的Python脚本。

所有利益相关者都将从这一解决方案中受益。协调员对逆向物流供应链进行了实时鸟瞰。集成的BI工具帮助运营和管理团队做出战术和战略决策。总体而言，得到了具有更高的安全性和更有效的管理方法的运营数据。

自项目开始以来，RPM eco已将可从客户处收集的总物品重量增加了20%，每辆卡车的平均承重量增加了52%。与此同时，空车的情况减少了81%。

下图中的第一张图表显示了2021年至2022年空车数量的大幅下降。第二张图表显示了卡车平均承重量的增加。

图表显示应用供应链优化软件的结果