Personne :
Heni, Hamza

Photo de profil
Adresse électronique
Date de naissance
Projets de recherche
Structures organisationnelles
Fonction
Nom de famille
Heni
Prénom
Hamza
Affiliation
Université Laval. Département des systèmes d'information organisationnels
ISNI
ORCID
0000-0002-9158-9601
Identifiant Canadiana
ncf11919237
person.page.name

Filtres

2018 - 201922020 - 20211
3
3
21
Réinitialiser les filtres

Paramètres

Résultats de recherche

Voici les éléments 1 - 3 sur 3
  • Publication
    Accès libre
    Determining time-dependent minimum cost paths under several objectives
    (Elsevier, 2019-01-17) Heni, Hamza; Renaud, Jacques; Coelho, Leandro C.
    As the largest contributor to greenhouse gas (GHG) emissions in the transportation sector, road freight transportation is the focus of numerous strategies to tackle increased pollution. One way to reduce emissions is to consider congestion and being able to route traffic around it. In this paper we study time-dependent minimum cost paths under several objectives (TDMCP-SO), in which the objective function comprises GHG emissions, driver and congestion costs. Travel costs are impacted by traffic due to changing congestion levels depending on the time of the day, vehicle types and carried load. We also develop time-dependent lower and upper bounds, which are both accurate and fast to compute. Computational experiments are performed on real-life instances that incorporate the variation of traffic throughout the day, by adapting Dijkstra’s label-setting algorithm according to different cost computation methods. We show that explicitly considering first-in, first-out (FIFO) consistency using time-varying speeds allows the efficient computation of tight time-dependent bounds. Our computational results demonstrate that the TDMCP-SO is more difficult to solve to optimality but the proposed algorithm is shown to be robust and efficient in reducing the total cost even for large instances in an environment of varying speeds, outperforming those based on the link travel time model and on the smoothing method according to each optimization objective, flexible departure times, and different load patterns.
  • Publication
    Accès libre
    Optimization of time-dependent routing problems considering dynamic paths and fuel consumption
    (2018) Heni, Hamza; Renaud, Jacques; Coelho, Leandro C.
    Ces dernières années, le transport de marchandises est devenu un défi logistique à multiples facettes. L’immense volume de fret a considérablement augmenté le flux de marchandises dans tous les modes de transport. Malgré le rôle vital du transport de marchandises dans le développement économique, il a également des répercussions négatives sur l’environnement et la santé humaine. Dans les zones locales et régionales, une partie importante des livraisons de marchandises est transportée par camions, qui émettent une grande quantité de polluants. Le Transport routier de marchandises est un contributeur majeur aux émissions de gaz à effet de serre (GES) et à la consommation de carburant. Au Canada, les principaux réseaux routiers continuent de faire face à des problèmes de congestion. Pour réduire significativement l’impact des émissions de GES reliées au transport de marchandises sur l’environnement, de nouvelles stratégies de planification directement liées aux opérations de routage sont nécessaires aux niveaux opérationnel, environnemental et temporel. Dans les grandes zones urbaines, les camions doivent voyager à la vitesse imposée par la circulation. Les embouteillages ont des conséquences défavorables sur la vitesse, le temps de déplacement et les émissions de GES, notamment à certaines périodes de la journée. Cette variabilité de la vitesse dans le temps a un impact significatif sur le routage et la planification du transport. Dans une perspective plus large, notre recherche aborde les Problèmes de distribution temporels (Time-Dependent Distribution Problems – TDDP) en considérant des chemins dynamiques dans le temps et les émissions de GES. Considérant que la vitesse d’un véhicule varie en fonction de la congestion dans le temps, l’objectif est de minimiser la fonction de coût de transport total intégrant les coûts des conducteurs et des émissions de GES tout en respectant les contraintes de capacité et les restrictions de temps de service. En outre, les informations géographiques et de trafic peuvent être utilisées pour construire des multigraphes modélisant la flexibilité des chemins sur les grands réseaux routiers, en tant qu’extension du réseau classique des clients. Le réseau physique sous-jacent entre chaque paire de clients pour chaque expédition est explicitement considéré pour trouver des chemins de connexion. Les décisions de sélection de chemins complètent celles de routage, affectant le coût global, les émissions de GES, et le temps de parcours entre les nœuds. Alors que l’espace de recherche augmente, la résolution des Problèmes de distribution temporels prenant en compte les chemins dynamiques et les vitesses variables dans le temps offre une nouvelle possibilité d’améliorer l’efficacité des plans de transport... Mots clés : Routage dépendant du temps; chemins les plus rapides dépendant du temps; congestion; réseau routier; heuristique; émissions de gaz à effet de serre; modèles d’émission; apprentissage supervisé
  • Publication
    Accès libre
    Measuring fuel consumption in vehicle routing : new estimation models using supervised learning
    (Taylor & Francis Group, 2021-07-06) Heni, Hamza; Diop, Serigne Arona; Renaud, Jacques; Coelho, Leandro C.
    In this paper, we propose and assess the accuracy of new fuel consumption estimation models for vehicle routing. Based on real-world data consisting of instantaneous fuel consumption, time-varying speeds observations, and high-frequency traffic, we propose effective methods to estimate fuel consumption. By carrying out nonlinear regression analysis using supervised learning methods, namely Neural Networks, Support Vector Machines, Conditional Inference Trees, and Gradient Boosting Machines, we develop new models that provide better prediction accuracy than classical models. We correctly estimate consumption for time-dependent point-to-point routing under realistic conditions. Our methods provide a more precise alternative to classical regression methods used in the literature, as they are developed for a specific situation. Extensive computational experiments under realistic conditions show the effectiveness of the proposed machine learning consumption models, clearly outperforming macroscopic and microscopic consumption models such as the Comprehensive Modal Emissions Model (CMEM) and the Methodology for Estimating air pollutant Emissions from Transport (MEET). Based on sensitivity analyses we show that MEET underestimates real-world consumption by 24.94% and CMEM leads to an overestimation of consumption by 7.57% with optimised parameters. Our best machine learning model (Gradient Boosting Machines) exhibited superior estimation accuracy with a gap of only 1.70%.