КОМП’ЮТЕРИЗОВАНА СИСТЕМА ІНТЕЛЕКТУАЛЬНОГО АНАЛІЗУ ЛОГІСТИЧНИХ ДАНИХ РУХУ ВАНТАЖІВ
DOI:
https://doi.org/10.31471/1993-9981-2026-1(56)-250-260Ключові слова:
автоматизована система, інтелектуальний аналіз даних, логістичні дані, рух вантажів, транспортна логістика, великі дані, машинне навчання, оптимізація маршрутів, підтримка управлінських рішень.Анотація
У статті розглянуто розроблення та застосування автоматизованої комп’ютеризованої системи інтелектуального аналізу логістичних даних руху вантажів, спрямованої на підвищення ефективності управління транспортно-логістичними процесами. Актуальність дослідження зумовлена зростанням обсягів логістичної інформації, складністю вантажопотоків та необхідністю оперативного прийняття управлінських рішень в умовах динамічного ринку. Запропонована система базується на використанні методів аналізу великих даних і машинного навчання для обробки інформації про маршрути перевезень, часові параметри, завантаженість транспортних засобів та можливі відхилення від планових показників. У роботі описано структуру автоматизованої системи, основні етапи збору, попередньої обробки та інтелектуального аналізу логістичних даних, а також принципи формування аналітичних звітів і прогнозних моделей. Результати дослідження підтверджують доцільність використання інтелектуальних методів у логістиці, оскільки їх застосування дозволяє зменшити витрати на транспортування, оптимізувати маршрути руху вантажів і підвищити рівень надійності логістичних операцій. Отримані висновки можуть бути використані під час проєктування та впровадження сучасних інформаційних систем у сфері транспортної та складської логістики.
Завантаження
Посилання
1. Albcour, O., Al-Madi, F., & Al-Dalahmeh, M. (2022). Analytics of big data and its impact on supply chain management: A systematic review [Analityka velykykh danykh ta yii vplyv na upravlinnia lantsiuhamy postachannia: Systematychnyi ohliad]. Journal of Open Innovation: Technology, Market, and Complexity, 8(1), 1–20.
2. Balster, A., Recker, J., & Weitzel, T. (2020). Machine learning-based arrival time prediction for intermodal freight transport [Prohnozuvannia chasu prybuttia na osnovi mashynnoho navchannia dlia intermodalnykh vantazhnykh perevezen]. Business & Information Systems Engineering, 62(5), 471–486.
3. Chen, C. L. P., & Zhang, C. Y. (2014). Data-intensive applications, challenges, techniques and technologies: A big data survey [Zastosuvannia, shcho intensyvno vykorystovuiut dani, problemy, metody ta tekhnolohii: Ohliad velykykh danykh]. Information Sciences, 275, 314–347. https://doi.org/10.1016/j.ins.2014.01.015
4. Christopher, M. (2016). Logistics and supply chain management [Lohistyka та upravlinnia lantsiuhamy postachannia] (5th ed.). Pearson Education.
5. Fosso Wamba, S., Gunasekaran, A., & Akter, S. (2017). Big data analytics and firm performance: Effects of dynamic capabilities [Analityka velykykh danykh ta efektyvnist kompanii: Vplyv dynamichnykh zdibnostei]. Journal of Business Research, 70, 356–365. https://doi.org/10.1016/j.jbusres.2016.08.009
6. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning [Hlyboke navchannia]. MIT Press.
7. Hofmann, E., & Rüsch, M. (2017). Industry 4.0 and the current status as well as prospects of logistics [Industriia 4.0: Suchasnyi stan ta perspektyvy rozvytku lohistyky]. Computers in Industry, 89, 23–34.
8. Kelleher, J. D., & Tierney, B. (2018). Data science [Nauka pro dani]. MIT Press.
9. Mangan, J., & Lalwani, C. (2016). Global logistics and supply chain management [Hlobalna lohistyka ta upravlinnia lantsiuhamy postachannia] (4th ed.). Wiley.
10. Provost, F., & Fawcett, T. (2013). Data science for business [Nauka pro dani dlia biznesu]. O’Reilly Media.
11. Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach [Shtuchnyi intelekt: Suchasnyi pidkhid] (4th ed.). Pearson.
12. Talwar, S., Kaur, P., & Fosso Wamba, S. (2021). Big data analytics in operations and supply chain management. International Journal of Production Research, 59(6), 1875–1900.
13. Waller, M. A., & Fawcett, S. E. (2013). Data science, predictive analytics, and big data: A revolution that will transform supply chain design and management. Journal of Business Logistics, 34(2), 77–84. https://doi.org/10.1111/jbl.12010
14. Yang, L., Ma, X., & Wang, Y. (2022). A data-driven method for identifying trip ends of heavy trucks using GPS trajectories. Transportation Research Part C: Emerging Technologies, 134, Article 103466.
.png)
