Разработка автоматизированной системы для анализа логистических данных и прогнозирования задержек доставок.

ВВЕДЕНИЕ 5
1. ИСЛЕДОВАНИЕ ПРЕДМЕТНОЙ ОБЛАСТИ 6
1.1 Машинное обучение в задачах прогнозирования 6
1.1.1 Нейронная сеть 7
1.1.2 Рекуррентная нейронная сеть (RNN) 9
1.1.3 LSTM (Long Short-Term Memory) 10
1.1.4 CNN 11
1.1.5 Функции активации 12
1.1.6 Оценка качества прогнозирования 13
1.1.7 Функция потерь 14
1.1.8 Градиентный спуск 14
1.1.9 Оптимизация градиента 15
1.2 Используемые технологии 17
1.3 Анализ существующих решений 18
1.4 Вывод по главе 19
2. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АЛГОРИТМА 20
2.1 Программная реализация модели прогнозирования 20
2.1.1 Подготовка данных 20
2.1.2 Корреляционный анализ 21
2.1.3 Масштабирование данных 22
2.1.4 Реализация модели нейронной сети 23
2.1.5 Batch нормализация 31
2.1.6 Механизм ранней остановки 32
2.2 Реализация графического интерфейса 33
2.3 Формирование рекомендаций для повышения качества 35
2.4 Промежуточный вывод 35
3. ТЕХНИКО-ЭКОНОМИЧЕСКОЕ ОБОСНОВАНИЕ 37
3.1 Выбор и обоснование методики расчета экономической эффективности 40
3.1.1 Перечень и описание основных экономических показателей 40
3.1.2 Капитальные (единовременные) затраты на создание системы 40
3.1.3 Вспомогательные показатели экономической эффективности 41
3.1.4 Эксплуатационные затраты системы 41
3.1.5 Анализ методик расчета экономической эффективности 42
3.2 Расчет экономических показателей 43
3.2.1 Оплата труда разработчика 43
3.2.2 Затраты на техническое оборудование 43
3.2.3 Прочие расходы 44
3.3 Вывод по главе 46
ЗАКЛЮЧЕНИЕ 47
СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ 49
ПРИЛОЖЕНИЕ 52

Весь текст будет доступен после покупки

В современном мире глобальные логистические компании сталкиваются с ситуациями, связанными с усложнением цепочек поставок и необходимостью минимизации задержек при доставке товаров. Прогнозирование задержек доставки и оптимизация логистических процессов позволяют компаниям не только повысить эффективность работы, но и избежать значительных финансовых потерь.
В последние годы в логистике активно применяются методы машинного обучения, которые предоставляют возможность более точного анализа и прогнозирования. Такие методы позволяют учитывать широкий спектр факторов, влияющих на процесс доставки, включая погодные условия, загруженность транспортных узлов, сезонные колебания спроса и особенности маршрутов, что особенно важно для крупных логистических операций, где даже небольшая ошибка в прогнозах может привести к значительным убыткам и задержкам доставки.
Актуальность исследования обусловлена необходимостью обеспечить устойчивость всей цепочки поставок и минимизировать риски, связанные с нарушением сроков доставки. Разработка данной системы позволит торговым компаниям быстрее реагировать на возможные сбои в доставке, оптимизировать ресурсы, а также повысить удовлетворенность клиентов.

Весь текст будет доступен после покупки

1. ИСЛЕДОВАНИЕ ПРЕДМЕТНОЙ ОБЛАСТИ
Машинное обучение в задачах прогнозирования
Машинное обучение — это область искусственного интеллекта, которая позволяет компьютерным системам автоматически извлекать знания из баз данных. Основная задача машинного обучения — построение моделей, способных принимать решения или делать прогнозы на основе обучающих данных.
Классификация — одна из ключевых задач машинного обучения, заключающаяся в автоматическом определении принадлежности объекта к одному из заранее заданных классов на основе его признаков. Она относится к задачам обучения с учителем, где используется размеченный набор данных, содержащий как входные признаки, так и соответствующие им метки классов [1].
Формально задача классификации может быть описана следующим образом:
Пусть задано множество объектов X, каждый из которых характеризуется набором числовых или категориальных признаков:
x=(x1,x2,…xn)?X
Целью является предсказание метки класса y принадлежит Y, где Y — конечное множество возможных классов.
Модель классификации представляет собой функцию f:X стремящейся к Y, которая сопоставляет каждому объекту x его класс y.
В случае бинарной классификации множество Y состоит всего из двух элементов: например, Y={0,1}, Y={?1, +1} или Y={"норма», «задержка"}. Это наиболее распространённая задача в логистике — прогнозирование наличия или отсутствия задержки доставки.
Нейронная сеть
Искусственная нейронная сеть (ИНС) — это вычислительная модель, основанная на структуре и функциях мозга. Она состоит из множества взаимосвязанных элементов — искусственных нейронов, которые обрабатывают информацию и передают её друг другу. Нейронные сети способны обучаться на данных, выявлять закономерности и принимать решения на основе входных сигналов.
Математически выход одного нейрона можно представить как:
y=f(?_(i=1)^n-?w_i*x_i+b?)
Где: w_i – веса нейронов, x_i – входные признаки, b – смещение (или шум), f – функция активации искусственного нейрона. Схема искусственного нейрона представлена на рисунке 1.

Рис.1 — Схема нейрона.
Нейронную сеть можно представить как совокупность входного, внутреннего и выходного слоя. Входной слой принимает данные (в данном случае логистические). Внутренний слой обрабатывает данные с помощью нейронов и функции активации. Выходной слой возвращает результат классификации в соответствии с рисунком 2.

Весь текст будет доступен после покупки

1. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение: погружение в мир нейронных сетей . – Санкт-Петербург: Питер, 2018. – 480 с.
2. Жерон О. Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow . — Санкт-Петербург: ООО «Диалектика», 2020. — 1040 с.
3. Капур А., Гулли А., Пал С. Глубокое обучение с TensorFlow и Keras . – Санкт-Петербург: БХВ-Петербург, 2022. – 320 с.
4. Стивенс Э., Антига Л., Виман Т. PyTorch. Освещая глубокое обучение . – Санкт-Петербург: Питер, 2024. – 576 с.
5. Вакуленко С.А., Жихарева А.А. Практический курс по нейронным сетям . – Санкт-Петербург: Университет ИТМО, 2018. – 71 с.
6. Траск Э. «Погружение в глубокое обучение» . — Manning Publications, 2019. — 384 с.
7. Гудфеллоу И., Бенжио Я., Курвиль А. «Глубокое обучение» . — MIT Press, 2016. — [Онлайн] Доступно по: http://www.deeplearningbook.org (дата обращения: 10.06.2024)
8. Батурин А. Прогноз по методу экспоненциального сглаживания Хольта [Электронный ресурс]. – Режим доступа: https://clck.ru/3Axn27 (дата обращения: 15.05.2024)
9. Глубокое обучение, проклятие размерности и автокодировщики [Электронный ресурс] // DataReview. – Режим доступа: https://clck.ru/3AxmyL (дата обращения: 16.05.2024)
10. Методы оценки качества прогноза [Электронный ресурс] // Хабр. – Режим доступа: https://clck.ru/3AxmxH (дата обращения: 18.05.2023)

Весь текст будет доступен после покупки