evidoria

← Voltar à navegação

Boa prática Importada

Algoritmo de Otimização do MIT Reduz em 5 Milhões de Dólares os Custos de Transporte Escolar de Boston

Estados Unidos da América · Boston · Ver o perfil de Estados Unidos da América · Ver o perfil de Boston

Evidência: Observacional / pré-pós Top 82% 33/100 · Pergunte a Evidence Copilot sobre esta prática

Doutorandos do Centro de Investigação Operacional do MIT venceram o desafio de rotas das escolas públicas de Boston em 2016; o seu algoritmo eliminou 50 autocarros (cerca de 8% da frota), poupou até 5 milhões de dólares por ano e foi depois revisto por pares na revista Interfaces (2020).

50 routes
Bus routes eliminated (2017-18 school year)
8 %
Fleet size reduction (2017-18 school year)
1 million miles
Driving miles reduced (first year)
20000 lbs/day
Daily CO2 emissions reduced
3 million USD
Annual cost savings (low estimate) (annual)
5 million USD
Annual cost savings (high estimate) (annual)
30 minutes
Route-plan generation time

Detalhes

Maturidade
Consolidada
Promotor
Boston Public Schools / MIT Operations Research Center
Período
2016–2020
Palavras-chave
school transportation, logistics optimization, public education administration, operations research

Contexto

Em 2016, o distrito escolar Boston Public Schools lançou um desafio público de "Transportação", convidando equipas externas a redesenhar as suas rotas de autocarros escolares; uma equipa do Centro de Investigação Operacional do MIT, liderada pelo Professor Dimitris Bertsimas, venceu o concurso.

Objetivos

Redesenhar o trajeto dos autocarros para reduzir custos, quilometragem e emissões, mantendo o serviço, através de um algoritmo de otimização que combina dados de trânsito, matrículas e moradas.

Atividades

A Boston Public Schools testou o algoritmo vencedor no ano letivo de 2017-18, atribuindo alunos a paragens, combinando paragens em rotas e alocando veículos com base em dados de trânsito do Google Maps; a metodologia foi posteriormente revista por pares e publicada na revista Interfaces (2020).

Resultados

O distrito eliminou cerca de 50 rotas (aproximadamente 8% da frota), reduziu cerca de 1 milhão de milhas percorridas, diminuiu as emissões diárias de CO2 em cerca de 20.000 libras e poupou entre 3 e 5 milhões de dólares por ano, ao mesmo tempo que reduziu o tempo de planeamento de rotas de milhares de horas de trabalho para cerca de 30 minutos.

Conclusões

A ferramenta é um sistema de otimização de investigação operacional, e não um modelo de aprendizagem automática, e as suas poupanças são específicas à rede de rotas e aos padrões de matrícula de Boston; outros distritos precisariam da sua própria reotimização, e questões como a escassez de motoristas permanecem separadas do cálculo das rotas.

Implementação
Custo indicativo
Baixo (< 50 mil €)
Tempo até resultados
Médio (1–3 anos)
Equipa e competências
MIT Operations Research Center PhD students (Arthur Delarue, Sébastien Martin) under Professor Dimitris Bertsimas, Boston Public Schools routing staff (roughly ten routers) whose manual process the algorithm replaced

Condições de sucesso

  • Access to Google Maps traffic data alongside district enrollment and address data
  • A public open challenge to source external optimization expertise
  • District willingness to replace an established manual routing process
  • Operations-research (not machine-learning) modeling capability

Modos de falha comuns

  • Savings are specific to Boston's route network and enrollment patterns; other districts need their own re-optimization
  • The algorithm does not resolve separate driver-shortage or labor issues

Onde se enquadra

Tipo de governação
public school district
Escala
single large urban district
Nível de rendimento
high-income (USA)

Habitualmente financiado por

National / regional programmes

Vias de financiamento indicativas para práticas deste tipo — verifique sempre os avisos abertos e as regras de elegibilidade de cada programa.

Implementa esta prática? Reivindique-a — implementadores verificados obtêm um contacto público na página e podem propor correções.

Fontes de dados

De onde foi obtida a informação desta prática, e quando.

Práticas semelhantes que podem ser úteis