Smart ruteplanlegger

Abstract

Denne bacheloroppgaven utforsker utviklingen av en smart ruteplanlegger for å effektivisere tidsbruk i hjemmetjenesten, i samarbeid med Tietoevry og Gjøvik kommune. Målet var å minimere inaktiv tid mellom tjenestemottakere og optimalisere antallet nødvendige hjemmepleiere for å øke tiden tilgjengelig for direkte pasientpleie.

Forskningen bygde på data innhentet gjennom brukersamtaler med representanter fra Gjøvik kommune, samt kompatibilitet-analyser med Tietoevry sin Gerica-tjeneste. For å takle den identifiserte problemstillingen, ble en lovende systemarkitektur utforsket. Denne baserte seg på en grunnmodul med en kostnadsbesparende algoritmisk tilnærming som raskt genererte en initial løsning, fulgt av en iterativ modul som gradvis prøvde å forbedre denne løsningen. To forslag for den iterative modulen ble vurdert: en basert på en genetisk algoritme og en annen på maskinlæring.

Resultatene indikerte at maskinlæringsmetoden overgikk den genetiske algoritmen, ved å vise rask forståelse for optimaliseringsmuligheter ved løsningsforslagene fra basemodulen. Systemarkitekturen viste seg også effektiv i å kunne returnere gode løsninger rakst med en forbedrende effekt over tid. Denne metoden tillot tilpasning både for situasjoner som trengte rask retur av ruteplanleggeren, samt for lenger fremtidig planlegging.

This bachelor thesis explores the development of a smart route planner to enhance time efficiency in home care services, in collaboration with Tietoevry and Gjøvik Municipality. The goal was to reduce inactive time between service recipients and optimize the number of required home care providers, thereby increasing the time available for direct patient care.

The research was based on data collected through user interviews with representatives from Gjøvik Municipality, as well as compatibility analyses with Tietoevry's Gerica service. To address the identified issue, a promising system architecture was explored. It was based on a base module with a cost-saving algorithmic approach which produced an initial solution, and an iterative module that gradually tried to improve this initial solution. Two proposals for the iterative module were considered: one based on a genetic algorithm and another on machine learning.

The results indicated that the machine learning method outperformed the genetic algorithm by quickly recognizing optimization opportunity patterns in the solution proposal from the base module. The system architecture also proved effective in returning good solutions rapidly with an improving effect over time. This method allowed for adaptation both for situations that required a quick response and for longer-term planning.