Особенности машинного обучения в логистике при моделировании транспортного процесса
Особенности применения алгоритмов машинного обучения при управлении цепями поставок. Решения задачи классификации показателей функционирования логистических процессов в транспортной логистике. Характеристика метода опорных векторов и дерева решений.
| Рубрика | Транспорт |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 04.12.2019 |
| Размер файла | 1,1 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Санкт-Петербургский филиал федерального государственного автономного образовательного учреждения высшего образования «Национальный исследовательский университет
«Высшая школа экономики»
Факультет Санкт-Петербургская школа экономики и менеджмента
Национального исследовательского университета "Высшая школа экономики"
Выпускная квалификационная работа
Особенности машинного обучения в логистике при моделировании транспортного процесса
Молчанов Роман Дмитриевич
Санкт-Петербург 2019
Содержание
Введение
Глава 1. Предпосылки и тенденции развития концепций цифровизации и автоматизации процессов в транспортной логистике
1.1 Анализ влияния цифровых технологий на логистику и управление цепями поставок
1.2 Особенности применения алгоритмов машинного обучения при управлении цепями поставок
1.3 Транспортировка в цепях поставок. Факторы влияющие на процесс доставки грузов
Глава 2. Особенности решения задачи классификации показателей функционирования логистических процессов в транспортной логистике
2.1 Организация транспортировки в цепях поставок
2.2 Анализ данных в условиях ограниченного доступа к информации
2.3 Алгоритмы машинного обучения
Глава 3. Апробация модели и разработка алгоритма классификации с использованием модели логистической регрессии
3.1 Формализация задачи классификации параметров движения материального потока в транспортной системе
3.2 Подготовка и анализ входных данных
3.3 Построение модели логистической регрессии
3.4 Разработка алгоритма классификации состояния логистического цикла
3.5 Тестирование и анализ работы алгоритма классификации
Заключение
Список использованных источников
Приложение
Введение
В настоящее время логистика является одной из активно развивающихся и значимых областей экономики, и поэтому она вовлечена в большое количество процессов современных компаний, начиная от приобретения материалов или компонентов до преобразования их в готовую продукцию и доставки их клиентам.
Процесс доставки в цепи поставок является очень важным, поскольку именно эффективность транспортировки влияет на способность компаний удовлетворять в полном объёме потребительский спрос. Являясь одним из показателей KPI, качество перевозок имеет ключевое значение для всех участников, занимающихся перевозкой грузов [49].
Это сложный, интегральный показатель транспортировки, состоящий из большого количества компонентов, среди которых время доставки груза следует считать наиболее значимым. Точная оценка информации о времени перевозки грузов способна снизить затраты на транспортировку в разрезе общих логистических издержек, повысить надежность доставки и улучшить качество сервиса.
В то же время новые цифровые технологии охватывают развитие функциональности в сфере глобальных коммуникационных и информационных потоков в цепочке поставок. Способность оцифровывать основные бизнес-процессы, поддерживаемые датчиками, роботами и получать информацию в реальном времени, является важнейшим новшеством в этой области.
Процесс цифровизации позволяет ускорить выполнение бизнес-процессов в цепочках поставок, обеспечивая достоверность и прозрачность информации для принятия решений. Например, алгоритмы машинного обучения становятся все более распространенными в бизнес-среде.
Ввиду значительной доли расходов, которые выполняют транспортные функции в цепочке поставок, транспортная отрасль привлекает все большее внимание со стороны исследователей и представителей компаний, входящих в цепи поставок. Эффективная транспортная сеть, способная быть гибкой и адаптивной к повышенным условиям неопределенности внешней среды, гарантирует стабильность процесса закупок, надежное распределение готовой продукции и эффективность работы предприятия в целом.
Таким образом, современные и успешные компании должны ставить перед собой стратегическую задачу по разработке и внедрению научных инноваций, которые позволят организовать гибкость работы транспортной сети, снизить общие затраты на логистику и оптимизировать процессы логистических потоков управления товарами.
Как было упомянуто ранее, цифровизация позволяет сделать информационные потоки более доступными и прозрачными среди участников цепи поставок, что поможет им отслеживать перемещение товарно-материальных ценностей в реальном времени. Однако вопросу внедрения цифровых технологий уделяется недостаточно внимания, поскольку данный тренд появился относительно недавно, и ввиду этого отсутствует единый подход к применению цифровизации.
Поэтому в качестве возможного первого шага к имплементации цифровых технологий в транспортной логистике может стать применение машинного обучения, которое позволит в реальном времени обрабатывать потоки информации, и в конченом итоге в совокупности с классификацией, позволит положительно повлиять на показатели функционирования транспортной системы.
Так, целью данной работы является разработка алгоритма с помощью применения методов машинного обучения, позволяющего оценивать состояние процесса транспортировки грузов за отдельно взятое время и классифицировать его состояние, то есть предоставлять информацию о том приедет транспортное средство рано, вовремя или поздно.
Для достижения поставленной цели необходимо выполнение следующих задач:
1. Сделать обзор существующих трендов тенденций в логистике и управлении цепями поставок, выделить среди них машинное обучение;
2. Оценить значимость функции транспортировки в цепях поставок, выявить факторы, влияющие на процесс доставки грузов;
3. Провести теоретический обзор методов машинного обучения в решении задач классификации и выбрать наиболее подходящий для решения;
4. Используя выбранный метод машинного обучения, разработать алгоритм, оценивающий состояние времени перевозки груза и провести апробацию на тестовых данных;
5. Проанализировать полученные результаты.
Данный алгоритм будет разработан для компании, занимающейся производством газированных слабоалкогольных и безалкогольных напитков, которая осуществляет развозку готовой продукции розничным ритейлерам.
Соответственно объектом исследования является данная компания, а предметом - процесс транспортировки готовой продукции.
Информация для написания работы была получена из различных академических работ как русских, так и зарубежных авторов. Так для проработки вопросов, связанных с функцией транспортировки в цепях поставок, были использованы учебные пособия S. Chopra, D. Bowersox, Лукинских В.С. и В.В., Неруш Ю.М. и других. Для теоретического обзора методов машинного обучения использовались работы J. Brownlee, B. Lantz, S. Gollapudi. Также в работе были использованы источники статистической информации и интернет-сайты.
Структурно данная работа состоит из 3 частей. Первая глава обзору текущих тенденций развития логистики и управления цепями поставок в рамках цифровизации и внедрении концепции «Индустрия 4.0», а также теоретическим основам машинного обучения и его возможностям использования в логистике, и анализу значимости транспортировки в цепях поставок: оценке затрат на транспортную логистику в разрезе общих издержек, а также выделению важности автомобильного транспорта среди остальных видов, исходя из статистики грузооборота.
Во второй главе рассмотрен процесс организации транспортировки автомобильным транспортом, проведен теоретический обзор методов машинного обучения, сделано обоснование выбора метода логистической регрессии.
Третья глава содержит апробацию методов и моделей, рассмотренных во второй главе на исходных данных, разработку алгоритма и его тестирование на новом наборе данных.
Глава 1. Предпосылки и тенденции развития концепций цифровизации и автоматизации процессов в транспортной логистике
1.1 Анализ влияния цифровых технологий на логистику и управление цепями поставок
Информация имеет решающее значение в контексте эффективности управления цепочкой поставок, поскольку она обеспечивает основу для принятия решений менеджерами-логистами. Информационные технологии состоят из инструментов, используемых для получения информации, ее анализа и применения для повышения эффективности цепочки поставок [25, с. 500].
Проблемы транспортировки и логистики долгое время изучались исследователями и практиками в области операционных исследований. История вклада исследования операций в логистике следовала за развитием проблем в этой области и в то же время за развитием информационных и коммуникационных технологий (ИКТ). Так, M. G. Speranza в своей работе выделяет следующие вехи развития [48, с. 831; 69]:
1960-70-е годы: наметилась четкая тенденция к переносу более зависящих от времени грузовых перевозок на автомобильный транспорт вместо железнодорожного. Это привело к необходимости совместного рассмотрения вопросов складирования, погрузочно-разгрузочных работ и перевозки грузов, что ознаменовалось под понятием «Физическое распределение».
Академические исследования следовали этой тенденции, чтобы удовлетворить растущее признание потребностей в этой области. Эта область получила гораздо более широкое признание как в промышленности, так и в научных кругах, во многом благодаря фундаментальным изменениям парадигмы, которые произошли в 1960-х и 1970-х годах в отношении компьютеров.
В этот период были разработаны различные языки программирования. Первый компилятор FORTRAN был фактически выпущен в 1957 году. В шестидесятые годы стали доступны 40 компиляторов FORTRAN. Этот язык был разработан для научных и инженерных приложений и доминировал в этой области программирования более полувека. Помимо FORTRAN были разработаны другие языки: в 1968 году Logo, в 1970 году Pascal, в 1972 году C, Smalltalk, Prolog, в 1978 году SQL. До 1960-х годов практически все транзакции и их учет осуществлялись вручную.
Компьютеризация этих данных открыла огромную возможность для инноваций в планировании логистики, от рандомизированного хранения на складах до оптимизации запасов и маршрутизации грузовых автомобилей. Технологии, особенно из исследований операций, которые исследователи до сих пор могли изучать только в теоретических моделях, теперь стали намного ближе к реальности.
Однако при переходе от теории к практике предстоит решить еще много сложных исследовательских вопросов. Это привело к созданию в штате Джорджия, США в конце 1970-х и начале 1980-х годов Центра исследований производства и распределения (the Production and Distribution Research Center), Исследовательского центра обработки материалов (the Material Handling Research Center) и Центра вычислительной оптимизации (the Computational Optimization Center). Каждый из этих центров был сосредоточен на различных аспектах того, что стало возможным благодаря новой компьютерной технологии.
1980-е годы: начало изменений в области морских перевозках в истории управления цепями поставок. Воздушные перевозки также стали отдельной областью исследований. В начале 1980-х годов были разработаны компьютеры для домашнего использования с программным обеспечением для личной продуктивности (офисное ПО), программирования и играми.
Появление персональных компьютеров позволило значительно улучшить электронный доступ к планировщикам и создать новую графическую среду для планирования. Это породило поток новых технологий, в том числе гибких электронных таблиц и картографических интерфейсов, которые позволили значительно улучшить технологии планирования и организации логистики.
Исследовательский центр по производству и дистрибуции был первым лидером в области инноваций в сочетании картографических интерфейсов с моделями оптимизации для проектирования цепочек поставок и планирования распределения. Исследовательский центр по обработке материалов обеспечил лидерство в разработке новой технологии управления для автоматизации обработки материалов. Центр вычислительной оптимизации разработал новые крупномасштабные алгоритмы оптимизации, которые позволили решить ранее труднодоступные задачи по планированию авиаперевозок. Большая часть методологии, разработанной в этих центрах, быстро начала проникать в коммерческие технологии.
1990-е годы: широко распространенное признание термина «цепочка поставок» стало главным образом результатом глобализации производства с середины 1990-х годов, особенно роста производства в Китае. Импорт США из Китая вырос с примерно 45 млрд. Долл. США в год в 1995 году до более чем 280 млрд. Долл. США в год в 2006 году.
Акцент на глобализацию сформировал необходимость в логистических стратегиях для работы со сложными сетями, включающими множество организаций, охватывающих несколько стран с различным контролем. Наблюдалась растущая тенденция использовать термин «управление цепочками поставок» для обозначения стратегических вопросов и логистики для обозначения тактических и оперативных вопросов. «Логистический бум» еще более усилился благодаря появлению систем планирования ресурсов предприятия (ERP - Enterprise Resource Planning).
Создание этих систем было мотивировано частично успехами, достигнутыми MRP-системами (MRP - Material Resource Planning), разработанными в 1970-х и 1980-х годах, и частично желанием интегрировать многочисленные базы данных. Несмотря на некоторые существенные проблемы с установкой и работой ERP-систем, к 2000 году большинство крупных компаний установили ERP-системы.
Результатом этого изменения в системах ERP стало огромное улучшение доступности и точности данных. Новое программное обеспечение ERP также значительно повысило признание необходимости лучшего планирования и интеграции между логистическими компонентами. Так появилось новое поколение программного обеспечения «Advanced Planning and Scheduling (APS)». Параллельно с этим с середины 1990-х годов Интернет оказал революционное влияние на культуру и коммерцию, включая рост почти мгновенного общения по электронной почте, обмен мгновенными сообщениями и Всемирную паутину с ее дискуссионными форумами, блогами, социальными сетями, и интернет-магазинами. Коммуникационные возможности в корне изменили представления об общении и обмене информацией.
Из вышеперечисленных этапов становления логистики и прогресса информационных технологий можем наблюдать не только параллельное их развитие, но и сделать вывод об их неразрывной связи. Также можно сделать утверждение о том, что информационные технологии являлись одним из основных драйверов развития логистики и УЦП, что подтверждается мнением S. Chopra и P. Meindl [25, с. 501] о том, что информация - это ключевой драйвер развития, поскольку она служит как «клей», который позволяет другим драйверам развития цепей поставок работать вместе с целью создания интегрированной и координированной цепи поставок. Таким образом, следующей ступенью прогрессе логистики и управления цепями поставок можно считать развитие в рамках современной концепции «Индустрия 4.0».
«Индустрия 4.0» -- стратегическая инициатива, представленная правительством Германии. Ее целью является трансформация промышленного производства путем цифровизации и использования возможностей новых технологий.
Другими словами, «Индустрия 4.0» определяется как передовая цифровизация производственного сектора. Это многообещающий подход, основанный на интеграции бизнес-процессов и процессов производства, а также объединении всех участников в создании цепочки ценностей компании (поставщиков и клиентов) [41, с. 1].
Технические аспекты этого подхода рассматриваются путем применения общих концепций киберфизических систем (CPS) и промышленного Интернета вещей (IoT) к промышленным производственным системам. Поэтому «исполнительная система» в рамках «Индустрии 4.0» основана на соединениях между элементами CPS, которые представляют собой встроенные системы с децентрализованным управлением и расширенными возможностями подключения, которые собирают и обмениваются информацией в режиме реального времени с целью идентификации, определения местоположения, отслеживания, мониторинга и оптимизации производственных процессов [44 , с. 77].
Так главной идеей «Индустрии 4.0» является раскрытие потенциала новых технологий и концептов, таких как [44, с. 79]:
- доступность и широкой использование Интернета и Интернета вещей;
- интеграция технических и бизнес-процессов в организациях;
- цифровое картографирование и виртуализация реального мира;
- «Умные» фабрики и «умные» продукты.
На планирование, проектирование и эксплуатацию внутрикорпоративных логистических процессов существенное влияние оказывают достижения четвертой промышленной революции, позволяющие компаниям отслеживать потребности клиентов и заказы на закупки в режиме реального времени.
Исходя из этого, они могут планировать свои собственные мощности и ресурсы для подготовки к получению и хранению компонентов, которые должны быть поставлены, а также для этапов и потребностей в обслуживании производства. В случае логистики распределения основа для планирования запасов готовой продукции, местоположения склада и поставок снова обеспечивается планом производства.
Таким образом, планирование логистических мощностей может осуществляться одновременно с производственным планированием, опираясь на данные последнего из них в режиме реального времени. Благодаря автоматизации, роботизации и развитию логистических процессов, основанных на технологиях «Индустрии 4.0», производительность персонала, выполняющего логистические операции, может быть увеличена или, при необходимости, заменена [21, с. 4-5].
В рамках концепции «Индустрия 4.0» переход к цифровому производству и Интернет-торговле логистика и УЦП приобретает стратегическое значение для объединения бизнес-процессов в единую инфраструктуру цифровой экономики страны [5]. В своей статье, посвященной современным тенденциям в УЦП, Дыбская и Сергеев определяют логистику и УЦП как важный элемент концепции «Индустрия 4.0», а также выделяют центральный элемент развития - аналитику и имитационное моделирование, так как совокупность этих технологий позволяет быстро определять сценарии и принимать оптимальные решения.
Этого же мнения придерживаются и зарубежные исследователи. Так, W. Delfmann и другие в работе «Logistics as a Science - Central Research Questions in the Era of the Fourth Industrial Revolution» [28, с. 2] отмечают, что логистика является не только одним из главных элементов концепции «Индустрия 4.0», но и движущей силой этого развития.
По их мнению, логистика и УЦП играют центральную роль в процессе цифровизации экономики и общества. Логистика может являться основой этих разработок для того, чтобы создать гибко взаимосвязанные, сложные, распределенные системы, основанные на непрерывном и автономном обмене данными и информацией между людьми и физическими, техническими объектами.
В контексте Четвертой промышленной революции цель состоит в том, чтобы развить промышленные системы и сети до такой степени, чтобы они могли широко контролировать себя в рамках определенной технической и организационной структуры, одновременно адаптируясь максимально гибко, эффективно и действенно к постоянно меняющимся обстоятельствам.
Так, в рамках Четвертой промышленной революции, можно выделить следующие тенденции развития в области логистики и управления цепями поставок:
- блокчейн (Blockchain);
- технологии обработки больших данных (BigData);
- 3D-печать;
- Интернет вещей (Internet of Things).
Технология Blockchain может быть определена как база данных распределенной бухгалтерской книги для достоверной и постоянной регистрации транзакций между сторонами. Блокчейн можно рассматривать как децентрализованную базу данных, в которой может храниться информация, которая особенно пригодна для работы с транзакциями активов. Тем не менее, он основан на важных принципах, которые отличают его от простой базы данных и одной из ведущих новых технологий.
С точки зрения проектирования системы ключевыми характеристиками блокчейна являются следующие [43, с. 62019 - 62020]:
- открытое распределение информации. Блокчейн предназначен для децентрализации. Таким образом, база данных распространяется, а копии всей информации передаются участникам. Они могут проверить эту информацию без необходимости централизованного управления.
- правила для обмена данными. Участники управляют блокчейном. Они заранее согласовали типы транзакций, которые хранятся в цепочке как умные контракты.
- мало посредников в виде третьих лиц. Традиционная бизнес-транзакция состоит из двух частей: записи в открытом реестре о транзакции и личных сообщений между сторонами, участвующими в идентификации, ключах безопасности для транзакций и местоположении. Комбинация этих двух частей и децентрализация системы, доступной любому, кто проверяет, позволяет избежать посредника, которому доверяют третьи стороны (то есть банки, биржи, брокерские фирмы или агентства по отчетности о ценах), осуществляя транзакцию с ограниченными затратами, временем и безопасным способом.
- консенсус и доверие. Как упоминалось выше, участники самостоятельно проверяют транзакцию. Из-за децентрализованного хранения и наличия более чем одной копии базы данных участники должны прийти к общему согласию относительно источника истины и, таким образом, подтвердить транзакцию. Механизм консенсуса позволяет избежать влияния ошибок или мошеннических действий на базу данных.
- криптографически запечатанный и неизменяемость данных. Одна из важнейших опор блокчейна - криптография. Фактически, криптографические технологии (например, алгоритм безопасного хеширования SHA-256) необходимы для цифровых подписей и целостности данных, избегая манипулирования блоком после проверки и записи транзакции. Этот криптографический механизм повышает надежность хранения информации.
- отметки времени и хронологические блоки. Как следует из названия, блокчейн состоит из хронологически связанных блоков. Они позволяют пользователю создавать аналитику на основе динамических данных.
Например, блокчейн используется для отслеживания движения алмазов от добычи до розничных магазинов путем разработки цифровой записи, которая включает в себя уникальные атрибуты, в том числе цвет, карат и номер сертификата, которые могут быть вписаны лазером в камень [63].
Однако несмотря на столь очевидные преимущества данной технологии, компания Gartner делает прогноз, что к 2023 году 90% инициатив, связанных с цепями поставок на основе блокчейн, не будут применены из-за недостатка реальных кейсов успешного использования в цепях поставок. Только 19% опрошенных респондентов (лидирующие транспортно-логистические компании) рассматривают эту технологию как важную и перспективную, и 9% инвестировали в нее.
Во многом это является неспособностью блокчейн оправдать первоначальное изобилие в отношении применения технологии в управлении цепочками поставок. Более того, компании пытаются выяснить, чем блокчейн лучше, того, что предлагают сегодня традиционные решения [62].
Большие данные (Big Data) - термин, описывающий хранение и анализ больших и сложных наборов данных с использованием совокупности методов, технологий, подходов, включая, но не ограничиваясь: NoSQL, MapReduce и машинное обучение [57].
Большая часть современных экономических процессов зависит от правильности интерпретации и анализа данных, и эта зависимость будет только возрастать в будущем, поскольку компании собирают, каталогизируют и получают данные на каждом этапе своей цепочки поставок; предприятия собирают огромные объемы информации о клиентах, чтобы обеспечить более высокий уровень персонализации; потребители интегрируют социальные сети, развлечения, облачное хранилище и персонализированные сервисы в реальном времени в свою жизнь.
Следствием этой растущей зависимости от данных будет стремительное увеличения объема передаваемых и используемых данных в сети Интернет. Согласно отчету ведущей консалтинговой компании в сфере информационных технологий, International Data Corporation (IDC), 33 Зеттабайта в 2018 году по прогнозам вырастут более, чем в 5 раз и составят 175 Зеттабайта в 2025 году (рисунок 1.1) [68, с. 3].
На сегодняшний день Большие данные можно описать четырьмя характеристиками или «4V's» - в зарубежных источниках [19, с. 320-321]:
- объем (volume) - отражает современную тенденцию к увеличению количества данных в мире. Как видно из рисунка выше, объемы информации с каждым годом растут экспоненциально, однако сегодня у большинства компаний нет возможности обработать эти данные. Преимущества от способности обработать огромные массивы информации является главным преимуществом аналитики больших данных
Размещено на http://www.allbest.ru/
Рисунок 1.1 - Годовой объем информации с 2010 по 2025 гг. [67]
- скорость (velocity) - описывает растущую интенсивность, с которой данные создаются и также с которой эти данные могут быть обработаны, сохранены и проанализированы реляционными базами данных;
- разнообразие (variety) - важный аспект больших данных, поскольку данные не всегда структурированы и не всегда легко занести их в базу данных. Это значит, что факт того, к какой категории (структурированные, неструктурированные) относятся данные является критичным в работе аналитика данных.
Имея дело с разнообразием структурированных и не структурированных данных, значительно увеличивает сложность как хранения, так и анализа больших данных. Авторы отмечают [19], что 90% всех данных - не структурированы.
- достоверность/точность (veracity) - характеризует факт того, что, работая с большим объемом, высокой скоростью появления и разнообразием данных, невозможно получить на 100% верную и точную информацию. Качество собираемых данных может варьироваться значительно. Точность анализа информации зависит от достоверности источника данных.
Также авторы [19] данной работы добавляют еще и пятую характеристику - ценность (value), отмечая, что сейчас она является наиболее важной в больших данных. Пока мы не можем извлечь из собираемых данных ценность для компании, факт свободного доступа к большим данным становится бесполезным. Внедрение систем ИТ-инфраструктуры для хранения больших данных становится очень дорогостоящим, поэтому предприятия ожидают быстрой и высокой окупаемости капиталовложений в них.
А.Г. Баханов в своей работе выделяет следующие структурные элементы Big Data [1, с. 505-506]:
- обучение ассоциативным правилам - метод из сферы машинного обучения, позволяющий извлекать правила «если-тогда-иначе» из набора данных;
- смешение и интеграция данных - комплекс методик, с помощью которых можно интегрировать данные разнородного характера в единое целое с целью последующего анализа;
- машинное обучение (более подробно этот аспект будет рассмотрен в пункте 1.2)
- нейронные сети
- прогнозная (предиктивная) аналитика - совокупность инструментов и методик, которая обеспечивает прогнозирование будущего поведения анализируемых объектов.
Отрасль логистики переживает фундаментальный переход от услуг, связанных с продуктами, к услугам, связанным с информацией. Спрос и требования буквально меняются ежедневно ввиду появления технологических инноваций, связанных с интеллектуальными вычислениями.
Большие данные входят в картину комплексного анализа, чтобы лучше понять, что может помочь фирмам улучшить свою повседневную деятельность. Логистическим компаниям требуется больше технической и технологической поддержки для работы со всеми аспектами больших данных. Клиенты наделены постоянным и интеллектуальным информационным миром, который меняет спрос и требования к коммуникации с помощью доступных технологий.
Таким образом, компании должны адаптироваться и приспосабливаться к меняющимся требованиям клиентов и в то же время признавать наличие новых источников данных и структур управления. Это может генерировать новые источники дохода для компании [47, с. 2635].
Анализ больших данных может работать через все уровни цепи поставок, передавая информацию из одной области в другую, но агрегация требует точности, своевременности, последовательности и полноты. Например, маркетинг отслеживает спрос с помощью данных о точках продаж, транспорт создает записи с GPS-транспондеров, RFID-данные идентифицируют сохраненные товары, а электронный обмен данными отправляет автоматические заказы на покупку [45].
Таблица 1.1 - Применение технологий Big Data в логистике
|
Источник |
Источник получения данных |
Применение |
|
|
Wedgewood, 2014 [51] |
Данные о заказах, трафике |
Планирование, распределение ресурсов |
|
|
DHL, 2016 [53] |
Социальные сети, блоги, сайты прогнозы погоды и др. |
Оценка устойчивости и рисков |
|
|
Sivan, 2014 [47] |
Бортовые компьютеры |
Мониторинг поведения водителя, простоя транспорта |
|
|
Ayed, 2015 [20] |
GPS, сканеры RFID |
Мониторинг и отслеживание груза |
|
|
Frehe, 2014 [30] |
Сенсоры (датчики), GPS |
Оптимизация расхода топлива |
|
|
Frehe, 2014 [30] |
Телематика, паттерн работы водителей |
Снижение риска ДТП |
|
|
Frehe, 2014 [30] |
вебсайты |
Улучшение процесса согласования цены |
|
|
Frehe, 2014 [30] |
Бортовой компьютер |
Своевременное проведение тех. обслуживания |
Интернет вещей (IoT - Internet of things) - концепт, описывающий сеть, которая соединяет все элементы с Интернетом с помощью устройств восприятия информации, таких как радиочастотная идентификация, для обеспечения интеллектуальной идентификации и управления.
Архитектура Интернета вещей может быть разделена на три уровня: обобщенная сеть конечного восприятия, интегрированная сетевая коммуникационная инфраструктура и универсальная система поддержки обслуживания приложений. Эти три уровня часто называют уровнем восприятия, сетевым уровнем и прикладным уровнем.
В архитектуре Интернета вещей уровень восприятия является интерфейсной линией сбора данных Интернета вещей. Ключевые технологии воспринимающего уровня в основном включают RFID-технологии, сенсорные технологии и технологии GPS-позиционирования.
Технология радиочастотной идентификации (RFID-технологии) - это технология, которая использует радиочастотные сигналы для осуществления бесконтактной передачи информации посредством электромагнитной связи в пространстве и распознает объекты посредством передаваемой информации. Система RFID в основном состоит из трех частей: электронных этикеток, считывателей и антенн.
Среди них чип электронной этикетки имеет область хранения данных для хранения идентификационной информации предметов, которые должны быть идентифицированы; считыватель записывает идентификационную информацию предмета, который должен быть идентифицирован в традиционном формате, в область хранения электронной метки (функция записи) или считывает информацию, хранящуюся на электронной метке, бесконтактным способом в пределах диапазона считывания считыватель (функция считывания); Антенна используется для передачи и приема радиочастотных сигналов, часто встроенных в электронные метки или считыватели [26, с. 1-2].
Сенсорная технология (WSN - Wireless Sensor Network) - это технология, которая преобразовывает физические, химические и биологические характеристики объекта в электрический импульс для передачи по беспроводной связи. Как сетевая информационная система, объединяющая распределенный сбор информации, передачу и обработку информации, WSN широко ценится за ее низкую стоимость, миниатюрные размеры, низкое энергопотребление и гибкие методы организации сети. «Интернет вещей» может воспринимать весь физический мир с помощью датчиков и WSN.
Глобальная система позиционирования (GPS - Global Positioning System) - это система спутниковой навигации и позиционирования, созданная в Соединенных Штатах. Используя эту систему, пользователи могут получать всепогодное, непрерывное трехмерное навигационное позиционирование в реальном времени и измерение скорости в глобальном масштабе [26, с. 2].
Варианты использования Интернета вещей в логистической отрасли [70]:
1. Системы управления местоположением
В области логистики «Интернет вещей» может создать интеллектуальную систему управления местоположением, которая позволит компаниям легко отслеживать действия водителя, местоположение транспортного средства и статус доставки. Как только товар доставлен или прибывает в определенное место, менеджер получает уведомление.
Такое решение является незаменимым в планировании доставки, составлении и просмотре графиков. Все изменения мгновенно обнаруживаются и отражаются в режиме реального времени. Таким образом, технология может быть успешно использована для улучшения управления местоположением и оптимизации бизнес-процессов.
2. Инвентаризация и складирование
Управление запасами и складирование являются одной из наиболее важных частей связанной логистической экосистемы. Размещение небольших недорогих датчиков позволит компаниям легко отслеживать товарные запасы, следить за их состоянием и положением и создавать интеллектуальную складскую систему.
С помощью технологии IoT сотрудники смогут успешно предотвращать любые потери, обеспечивать безопасное хранение товаров, а также эффективно определять местоположение необходимого предмета. К настоящему времени почти все логистические компании уже приняли такие решения IoT в своей работе. Минимизация человеческих ошибок также становится возможной благодаря IoT.
3. IoT технологии и прогнозная аналитика
Прогнозная аналитика занимает центральное место в различных отраслях, помогая компаниям и корпорациям создавать эффективные стратегии развития бизнеса, совершенствовать процесс принятия решений, продумывать бизнес-идеи, управлять рисками и многое другое.
Устройства с поддержкой Интернета предназначены для сбора больших объемов данных и передачи их в центральную систему для дальнейшего анализа. Решения для IoT и прогнозной аналитики могут применяться для планирования маршрутов и доставки, а также для выявления различных дефектов, прежде чем что-то пойдет не так. Результатом является своевременная замена деталей машин, предотвращение любых аварий и эффективное техническое обслуживание транспортных средств / оборудования.
3D-печать, также известная как аддитивное производство (Additive manufacturing - AM) - это аддитивная технология, используемая для создания трехмерных твердых объектов в слоях из цифрового файла без необходимости использования специальных пресс-форм или инструментов (механического воздействия человека). 3D-печать использует компьютерный дизайн (CAD - Computer aided design) для перевода графической компьютерной модели в трехмерный объект.
Созданная модель разбивается на несколько двумерных планов, которые дают команды 3D-принтеру, куда наносить слои материала. Так происходит аддитивный процесс нанесения последовательных тонких слоев материала друг на друга - производство конечного трехмерного продукта [34, с. 1].
Для производства трехмерного объекта необходимо всего 3 элемента: цифровая модель, исходные материалы, 3-D принтер. В качестве исходных материалов могут использоваться пластик, стекло, нейлон, песок, съедобные материалы и даже человеческие ткани.
Поскольку производство деталей с помощью 3D-печати может быть осуществлено, где угодно, оно может быть расположено ближе к стратегическим рынкам или поставщикам логистических услуг, тем самым сокращая длину цепочки поставок, что сокращает время в пути, а также затраты на транспортировку и складирование.
С виртуальными запасами приходят виртуальные склады и, в некоторых случаях, виртуальные перевозки деталей, так как передача файлов является единственным средством, необходимым для распечатки детали и готовности к доставке. Почти все, что касается цепочки поставок или логистики, может происходить виртуально (рисунок 1.2) [36, с. 34-35].
Рисунок 1.2 - Изменение цепи поставок при внедрении аддитивного производства
Как видно из рисунка 1.2 при внедрении 3D-печати границы между поставщиком и конечным потребителем почти стираются. Доставка конечного продукта от начала до конца цепи поставок может происходить почти мгновенно (не считая времени, затрачиваемого на печать изделия).
Однако специалисты отмечают [52; 36; 34], что влияние технологий аддитивного производства на глобальную структуру цепи поставок может быть очень разрушительным.
Традиционные модели с несколькими этапами производства и промежуточным хранением деталей и незавершенного производства приводят к длительному сроку поставки, большим размерам партий и сложным цепочкам поставок. 3D-печать исключает эти элементы из цепи поставок. Эта технология может устранить потребность как в больших производственных мощностях, так и в низкоуровневых сборочных работниках, тем самым радикально снижая затраты компании.
Тем не менее, 3D-принтеры все еще работают медленно и не могут полностью вытеснить литье под давлением и механическую обработку как основные промышленные технологии производства. Также исследователи утверждают, что могут пройти годы, прежде чем технология сможет выйти за пределы ограниченного ассортимента продуктов, которые она предлагает сегодня [18, с. 417].
1.2 Особенности применения алгоритмов машинного обучения при управлении цепями поставок
Термин машинного обучения ввиду его относительной многогранности является неоднозначным. Каждый автор дает свою трактовку понятия как с технической, так и с функциональной сторон. В таблице ниже (1.2) приведено несколько определений терминов из различных источников.
Формализованное определение термину дал Том 36 в 1997 году в первой книге, посвященной машинному обучению. Позже Джейсон Браунли дал более емкое определение, в котором обобщение решения подразумевает способность принимать решение, основанное на входных данных и предвидеть неизвестные исходные данные, для которых потребуется решение в будущем. Последующие определения в целом сохраняют идею, но изъясняя ее более простым понятием.
Таблица 1.2 - Определение термина "машинное обучение"
|
Автор (источник) |
Определение |
|
|
Tom. M. Mitchell [37] |
Компьютерная программа, запрограммированная обучаться на основе опыта Е, относительно некоторого типа задач Т с метрикой качества Р. Говорят, что программа обучилась, если ее качество решения задач Т, оцененное на основе Р, повышается с приобретением опыта Е. |
|
|
Jason Brownlee [60] |
Тренировка модели на основе данных, которая обобщает решение относительно показателя эффективности. |
|
|
Dictionary.com [65] |
Область искусственного интеллекта, в которой компьютер генерирует правила, лежащие в основе необработанных данных, которые были переданы в него |
|
|
Oxford Dictionaties [66] |
Способность компьютера учиться на собственном опыте, т.е. изменять его обработку на основе вновь полученной информации |
На основе вышеперечисленных определений термина машинного обучения, можно сформулировать следующее: «Область искусственного интеллекта, рассматривающая алгоритмы, которые способны изучать закономерности входных данных (накапливать опыт), и на их основе предлагать возможные будущие решения (значения) с определенной метрикой качества».
Существует два аспекта, отражающих потребность в машинном обучении - сложность проблемы и необходимость в адаптивности.
Задачи, которые сложно запрограммировать:
1. Задачи, выполняемые людьми: есть множество задач, которые люди рутинно выполняют, и человеческий самоанализ относительно того, как эти задачи выполняются, недостаточно детализирован, чтобы извлечь четко определенную программу. Примеры таких задач включают управление автомобилем, распознавание речи и изображений. Во всех этих задачах современные программы машинного обучения, которые «учатся на собственном опыте», достигают вполне удовлетворительных результатов, когда подвергаются достаточно большому количеству обучающих примеров.
2. Задачи, выходящие за рамки человеческих возможностей. Еще одно широкое семейство задач, в которых используются методы машинного обучения, связаны с анализом очень больших и сложных наборов данных. С экспоненциальным ростом объемов цифровой информации становится очевидным, что в архивах данных есть значительное количество полезной информации, которое слишком велико и сложно для понимания человеком.
Обучение обнаружению значимых закономерностей в больших и сложных наборах данных является многообещающей областью, в которой комбинация программ, которые обучаются с почти неограниченным объемом памяти и постоянно увеличивающейся скоростью обработки компьютеров, открывает новые горизонты.
Адаптивность. Одной из ограничительных особенностей программируемых инструментов является их «жесткость» - после того, как программа записана и установлена, она остается неизменной. Однако многие задачи меняются со временем. Инструменты машинного обучения - программы, поведение которых адаптируется к их входным данным - предлагают решение таких проблем; они по своей природе адаптивны к изменениям окружающей среды, с которыми они взаимодействуют.
Типичные успешные приложения машинного обучения к таким проблемам включают программы, которые декодируют рукописный текст, где фиксированная программа может адаптироваться к изменениям между почерком разных пользователей; программы обнаружения спама, автоматически адаптирующиеся к изменениям характера спама; и программы распознавания речи [46, с. 21-22].
Выделяют три этапа выполнения задачи посредством машинного обучения [33, с. 5]:
1. Этап обучения. Это этап, на котором тренировочные данные используются для обучения модели путем сопряжения заданного ввода с ожидаемым результатом. Результатом этого этапа является сама модель обучения.
2. Этап валидации и тестирования. Этот этап предназначен для оценки того, насколько хороша обученная модель обучения, и оценки свойств модели, таких как показатели ошибок, отзыв, точность и другие. На этом этапе используется набор данных проверки, а на выходе получается сложная модель обучения.
3. Этап применения. На этом этапе модель прогоняется на реальных данных, для которых необходимо получить результаты.
На сегодняшний день термин «машинное обучение» перестал быть чем-то новым для пользователей. Он уже существует много лет, и сейчас все пользователи сети Интернет стали потребителями этой технологии. Одним из наиболее простых и распространённых примеров стало распознавание лиц, которое способно определять конкретных людей на фотографии. Так, данная технология во многих социальных сетях применяется для автоматической отметки друзей на фотографии, загруженной пользователем.
Рассуждая об актуальности и активной заинтересованности людей в машинном обучении, хочется провести аналогию с цепями поставок. На рисунке ниже представлена статистика запросов в поисковой системе Google по запросам «машинное обучение» и «цепи поставок» за период с 2008 по 2018 годы.
Рисунок 1.3 - Статистика поисковых запросов в Google [56]
На графике (рисунок 1.3) можно наблюдать тенденцию стремительного роста популярности машинного обучения и относительную стабильность популярности запросов по цепям поставок. Однако стоить обратить внимание на статистику запросов за последние 2 года (2017-2018) - замечается схожий паттерн в динамике между двумя тематиками, что может свидетельствовать о том, пользователи проявляют схожую высокую заинтересованность в них. Также можно сделать предположение о том, что данные темы могут использоваться одновременной в одном поисковом запросе.
Растущая заинтересованность в машинном обучении в цепях поставок наблюдается и в научном сообществе.
Рисунок 1.4 - Статистика публикаций в Scopus [54]
На графике (рисунок 1.4) выше отражена динамика количества публикаций в базе научного цитирования Scopus за 10-летний период (2008-2018 гг.) по связке словосочетаний “machine learning” и “supply chain” ( TITLE-ABS-KEY ( machine AND learning ) AND TITLE-ABS-KEY ( supply AND chain ) ). На нем так же виден резкий рост количества публикаций за 2018 год (показатель вырос примерно в 3 раза). Такая статистика говорит о том, что тема применения алгоритмов машинного обучения в цепях поставок сильно интересует ученых и исследователей. Это еще раз подчеркивает актуальность машинного обучения в логистике и управлении цепями поставок.
В мире, характеризующемся высоким уровнем неопределённости, машинное обучение может помочь логистической отрасли кардинально изменить свою операционную модель с реагирующих действий и прогнозирования на проактивные операции с предиктивным интеллектом.
Интеллектуальное управление сетью с использованием машинного обучения может значительно повысить эффективность логистических операций. Компания DHL разработала инструмент, основанный на машинном обучении, для прогнозирования задержек во время транзита грузовых авиаперевозок с целью упреждающего сокращения. Анализируя 58 различных параметров внутренних данных, модель машинного обучения способна заранее (до недели) предсказать, ожидается ли, что среднесуточное время прохождения для данной полосы движения возрастет или упадет.
Кроме того, эта модель способна идентифицировать основные факторы, влияющие на задержки при отправке, включая временные факторы, такие как день вылета или эксплуатационные факторы, такие как своевременная работа авиакомпании. Это может помочь экспедиторам планировать заранее, устраняя субъективные догадки относительно того, когда или с какой авиакомпанией должны выполняться их перевозки.
Также алгоритмы машинного обучения применяются в области бухгалтерии. Это так же актуально и финансовых отделов логистических фирм, ежегодно обрабатывают миллионы счетов от тысяч поставщиков, партнеров или клиентов. Здесь такая технология, как обработка естественного языка (natural language processing - NLP), может извлекать критически важную информацию, такую ??как суммы счетов, данные счета, даты, адреса, используемые в неструктурированных формах счетов-фактур, полученных компанией.
Как только данные хорошо классифицированы, алгоритм может взять их и ввести их в существующее бухгалтерское программное обеспечение, чтобы сгенерировать заказ, выполнить платеж и отправить клиенту электронное письмо с подтверждением, и все это без вмешательства человека. Консалтинговая фирма Ernst & Young (EY) применяет аналогичный подход для обнаружения мошеннических счетов.
Применение машинного обучения актуально и в области таможенного декларирования. Основная проблема с таможенными декларациями сегодня заключается в том, что они основаны на очень сложных неавтоматизированных процессах, которые требуют хорошего знания нормативных актов, отраслей и клиентов. Это также трудоемкий процесс; информация должна подтверждаться документами клиента и перевозчика, регулирующими органами и государственными формами. Все это требует пристального внимания к деталям, но людям, конечно, трудно поддерживать постоянный уровень концентрации в течение рабочего дня.
Это может привести к дорогостоящим ошибкам; компании могут понести сборы за несоблюдение и демередж за товары, которые слишком долго хранятся на таможне. Решение - корпоративная платформа, такая как IBM Watson, может быть обучена законодательным материалам, нормативным документам, таможенным брокерским знаниям, а также справочникам, чтобы научиться автоматизировать таможенное декларирование. Используя NLP и возможности глубокого обучения для самообучения, данное ПО может принимать таможенные документы в бесчисленных форматах, извлекать соответствующую информацию, используя накопленный объем знаний, и представлять автоматическую декларацию.
Когда система на основе машинного обучения попадает в исключительную ситуацию, эксперт по таможенному посредничеству может рассмотреть декларацию. Их ввод, а также каждое автоматическое декларирование предоставляют новые данные, с помощью которых система на основе алгоритмов машинного обучения может продолжать улучшать свою производительность [31, с. 23-27].
Из вышеприведенных примеров можно удостовериться, что использование машинного обучения в логистике и УЦП актуально и востребовано не только в области научных исследований, но и в практической деятельности многих компаний.
1.3 Транспортировка в цепях поставок. Факторы влияющие на процесс доставки грузов
В данном разделе будет рассмотрена транспортировка как функция логистики. Для начала нужно определить термин транспортировки, ее место и роль в логистике. Для этого обратимся к специалистам в области теории логистики и управления цепями поставок.
Так, Бауэрсокс, Клосс и Купер определяют транспортировку как операционную область логистики, которая географически перемещает и размещает запасы [22, с. 41]. В то же время Д. Уотерс в своем учебнике дает относительно схожий термин, говоря, что это «физическое перемещение материалов между участками цепи поставок» [50, с. 439].
Чопра и Мейндл дают почти аналогичное Уотерсу определение транспортировки как процессу перемещения продукта из одного места в другое в рамках цепочки поставок: от поставщика до потребителя [25, с. 400]. Так, можно выделить общую черту, характерную для терминов зарубежных специалистов - определение функции транспортировки как процесса перемещения товарно-материальных ценностей по цепи поставок.
Теперь обратимся к отечественным специалистам. В своем терминологическом словаре, посвященном логистике, А.Н. Родников дает следующее определение транспортировке: «Логистическая операция, которая заключается в перемещении продукции в заданном состоянии с применением транспортных средств (и грузоподъемных средств при необходимости), начинающаяся с погрузки в месте отправления и заканчивающаяся погрузкой в месте назначения» [14, с. 276].
В данном термине можно наблюдать, что транспортировка включает в себя перемещение продукции в транспортном средстве с привлечением дополнительного оборудования (для погрузо-разгрузочных работ). Однако в этом определении не ясно понятие «заданного» состояния продукции, возможно, автор говорит о видах товарно-материальных ресурсах.
Авторский коллектив в лице В.В. Дыбской, В.И. Сергеева, Е.И. Зайцева и А.Н. Стерлиговой делают акцент на том, что транспортировка является ключевой логистической функцией, которая связана с «перемещением продукции определенным транспортным средством или средствами, по определённой технологии в цепи поставок, и состоящую, в свою очередь, из логистических операции? и функции?, включая экспедирование, грузопереработку, упаковку, передачу прав собственности на груз, страхование рисков, таможенные процедуры и т.п.» [4, с. 501].
Специалисты дают комплексное определение, говоря о том, что транспортировка - это функция, включающая в себя процесс перемещения, а также сопутствующие операции. На наш взгляд, такое определение термина дает наиболее полное представление о данной логистической функции. Все проанализированные определения были сведены в таблицу 1.3.
Таблица 1.3 - Определение функции транспортировки
|
Источник |
Определение |
Комментарий |
|
|
Дыбская, Зайцев, Сергеев, Стерлигова [4] |
Ключевая логистическая функция, связанная с перемещением продукции определенным транспортным средством или средствами, по определённой технологии в цепи поставок, и состоящую, в свою очередь, из логистических операции? и функции?, включая экспедирование, грузопереработку, упаковку, передачу прав собственности на груз, страхование рисков, таможенные процедуры и т.п. |
Подобные документы
Особенности решения научно-практической задачи по исследованию применения RFID-технологии в логистике и цепях поставок на основе пособий и статей. Анализ применения RFID в системе перевозки и складирования. Состояние конкуренции в логистической сфере.
курсовая работа [569,8 K], добавлен 15.07.2012Классификация транспорта в логистике. Глобальная информатизация транспортных процессов. Усложнение организации перевозок и развитие мультимодальных перевозок. Цель и задачи транспортной логистики. Выбор способа транспортировки и транспортного средства.
презентация [1013,7 K], добавлен 30.08.2013Управление производственно-логистическими цепями поставок. Особенности их интегрированного планирования. Варианты доставки груза. Описательные и нормативные (оптимизационные) модели управления цепями поставок компании. Концепции цепи начисления стоимости.
реферат [378,4 K], добавлен 08.07.2014Особенности организации логистических процессов на предприятии в сфере услуг. Характеристика подвижного состава ООО "Таулар Транс". Анализ процесса организации логистических процессов транспортной компании и мероприятия по повышению его эффективности.
дипломная работа [1,7 M], добавлен 19.06.2015Решение транспортной задачи. Нахождение оптимального варианта организации транспортного процесса с помощью математического метода линейного программирования для получения максимальной производительности автомобиля и минимальной себестоимости перевозок.
курсовая работа [341,7 K], добавлен 17.06.2015Теоретические аспекты транспортных затрат в логистике. Понятие и сущность логистической системы. Характеристика предприятия "Статус". Грузоподъемность подвижного состава парка. Выявление возможностей повышения уровня организации транспортного процесса.
курсовая работа [2,1 M], добавлен 14.10.2014Сущность и задачи транспортной логистики. Определение вида и типа транспортного средства, транспортного тарифа и оптимального маршрута. Краткая характеристика сети магазинов японской кухни "Сайори" и описание проблем, связанных с транспортной логистикой.
курсовая работа [350,1 K], добавлен 25.06.2014Общий обзор информационно-компьютерных систем управления транспортом, их использование в логистике. Автоматизация системы управления потребностями в перевозке грузов. Визуализация транспортной информации на электронных картах. Рынок логистических услуг.
курсовая работа [5,3 M], добавлен 04.06.2015Особенности транспортной отрасли. Сущность и задачи транспортной логистики. Организация транспортного хозяйства на ОАО "НефАЗ". Планирование деятельности транспортного хозяйства предприятия. Анализ и оценка эффективности деятельности данной организации.
курсовая работа [50,2 K], добавлен 14.01.2011Организация ремонта автомобилей и схема технологического процесса в отделении ремонтно-машинного завода. Расчет трудозатрат и количества постов. Составление карты технических условий на контроль и сортировку головки блока цилиндров двигателей Газ-24.
курсовая работа [31,7 K], добавлен 03.07.2011
