FleetCharge
FleetCharge — اعزام و شارژ ناوگان برقی — مسیریابی انرژیمحدود EV، زمانبندی شارژ صفآگاه و طراحی شبکه شارژر با بهینهسازی بیزی.
Interactive Sample Demoبرای 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 چیست و چه مسئلهای را حل میکند؟
مسیریابی انرژیمحدود EV، زمانبندی شارژ صفآگاه و طراحی شبکه شارژر با بهینهسازی بیزی.
آیا میتوان داده واقعی سازمان را در دمو عمومی وارد کرد؟
خیر. دمو عمومی برای نمونههای ازپیشمحاسبهشده یا داده ترکیبی است. داده production باید در استقرار on-prem یا VPC با کنترل دسترسی وارد شود.
آیا این محصول جایگزین سامانه فعلی میشود؟
نمونه اولیه (POC) برای نمایش قابلیت بهینهسازی است و جایگزین سیستم برنامهریزی تولید سازمانی نیست. متریکها روی داده ترکیبی/بنچمارک قابل بازتولید گزارش شدهاند. برای استقرار واقعی پایلوت on-prem توصیه میشود.
متریکهای صفحه از کجا آمدهاند؟
از README و eval_results هر پروژه روی Hugging Face / repo داخلی؛ اعداد بنچمارک ترکیبی را با داده سازمان خود در پایلوت بازسنجی کنید.
لینکهای Hugging Face
مدل مرتبط
درخواست پایلوت
برای استقرار on-prem، یکپارچهسازی با سامانههای موجود یا fine-tune روی داده سازمان خود تماس بگیرید.