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 питання розроблення та практичного застосування автоматизованої комп’ютеризованої системи інтелектуального аналізу логістичних даних руху вантажів, призначеної для підвищення ефективності управління транспортно-логістичними процесами в умовах цифрової трансформації логістичної галузі. Актуальність дослідження обумовлена постійним зростанням обсягів інформації, що генерується під час виконання транспортних операцій, ускладненням структури вантажопотоків, необхідністю швидкого реагування на зміни ринкового середовища та потребою в оперативному прийнятті обґрунтованих управлінських рішень. У роботі проведено аналіз сучасних підходів до обробки логістичних даних та визначено основні вимоги до побудови інтелектуальних інформаційних систем підтримки логістичної діяльності. Запропонована система базується на використанні сучасних технологій аналізу великих даних (Big Data), алгоритмів машинного навчання та методів прогнозної аналітики, що забезпечують автоматизовану обробку значних масивів інформації про маршрути перевезень, часові характеристики доставки вантажів, завантаженість транспортних засобів, використання складських ресурсів, а також виявлення можливих відхилень від запланованих показників. Детально описано архітектуру автоматизованої системи, яка включає модулі збору даних із різнорідних джерел, попередньої обробки інформації, аналітичної обробки, прогнозування та візуалізації результатів. Особливу увагу приділено процесам очищення та структуризації даних, формуванню ознак для навчання моделей, а також застосуванню алгоритмів кластеризації, класифікації та регресійного аналізу для виявлення закономірностей у логістичних процесах. Розглянуто механізми автоматичного формування аналітичних звітів, оцінювання ефективності маршрутів перевезень і прогнозування можливих затримок у доставці вантажів. У результаті проведених досліджень підтверджено ефективність використання інтелектуальних методів аналізу даних для підтримки прийняття рішень у сфері логістики.
Завантаження
Посилання
1. Альбкоур О., Аль-Мади Ф., Аль-Далахме М. Аналітика великих даних та її вплив на управління ланцюгами постачання: систематичний огляд. Journal of Open Innovation: Technology, Market, and Complexity. 2022. Т. 8, № 1. С. 1–20.
2. Balster A., Recker J., Weitzel T. Прогнозування часу прибуття на основі машинного навчання для інтермодальних вантажних перевезень. Business & Information Systems Engineering. 2020. Т. 62, № 5. С. 471–486.
3. Chen C. L. P., Чжан Ц. Ю. Застосування, що інтенсивно використовують дані, проблеми, методи та технології: огляд великих даних. Information Sciences. 2014. Т. 275. С. 314–347. URL: https://doi.org/10.1016/j.ins.2014.01.015
4. Крістофер М. Логістика та управління ланцюгами постачання. 5-те вид. Харлоу : Pearson Education, 2016. 320 с.
5. Фоссо Вамба С., Гунасекаран А., Актер С. Аналітика великих даних та ефективність компанії: вплив динамічних здібностей. Журнал бізнес-досліджень. 2017. Т. 70. С. 356–365. URL: https://doi.org/10.1016/j.jbusres.2016.08.009
6. Гудфеллоу І., Бенжіо Ю., Курвіль А. Глибоке навчання. Кембридж : MIT Press, 2016. 775 с.
7. Гофманн Е., Рюш М. Індустрія 4.0: сучасний стан та перспективи розвитку логістики. Computers in Industry. 2017. Т. 89. С. 23–34.
8. Келлехер Дж. Д., Тірні Б. Наука про дані. Кембридж : MIT Press, 2018. 264 с.
9. Манган Дж., Лалвані К., Лалвані К. Глобальна логістика та управління ланцюгами постачання. 4-те вид. Чічестер : Wiley, 2016. 368 с.
10. Провост Ф., Фоусет Т. Наука про дані для бізнесу. Себастополь : O’Reilly Media, 2013. 414 с.
11. Рассел С., Норвіг П. Штучний інтелект: сучасний підхід. 4-те вид. Гобокен : Pearson, 2021. 1136 с.
12. Talwar S., Kaur P., Fosso Wamba S. Big Data analytics in operations and supply chain management. International Journal of Production Research. 2021. Vol. 59, No. 6. P. 1875–1900.
13. Waller M. A., Fawcett S. E. Data science, predictive analytics, and big data: a revolution that will transform supply chain design and management. Journal of Business Logistics. 2013. Vol. 34, No. 2. P. 77–84. URL: https://doi.org/10.1111/jbl.12010
14. Yang L., Ma X., Wang Y. A data-driven method for identifying trip ends of heavy trucks using GPS trajectories. Transportation Research Part C: Emerging Technologies. 2022. Vol. 134. Art. 103466.
.png)
