Badacze zajęli się problemem przewidywania czasu transportu w złożonych systemach łańcucha dostaw przy użyciu machine learning i deep learning. Problem jest znaczący, ponieważ logistyka transportowa stanowi kluczowy element operacji - od zarządzania surowcami do dostarczenia produktów finalnych klientom.
Dokładne szacowanie czasów podróży ma wpływ na wiele aspektów operacyjnych: planowanie dostaw, prognozowanie popytu, zarządzanie czasami realizacji zamówień i planowanie produkcji. Gdy przesyłki nie dotarną na czas, cierpią całe łańcuchy decyzji biznesowych. Ponadto czas dostawy bezpośrednio wpływa na satysfakcję klienta i ocenę usług logistycznych.
Rozwijane modele opierają się na dużych zbiorach danych historycznych o transporcie i wykorzystują nowoczesne techniki machine learning do wykrycia wzorców w rozkładach czasów podróży. To pozwala na budowanie bardziej trafnych prognoz niż tradycyjne metody statystyczne. Lepsze przewidywania mogą bezpośrednio poprawiać wydajność operacyjną całego systemu łańcucha dostaw i konkurencyjność firm logistycznych.