Маршрут, вероятность выбора которого логистическая регрессия показала, как наибольшую и реальный выбранный респондентами совпадают, что означает совместимость между логистической регрессией и реальными данными. Точность на тестовой выборе составляет примерно 90% [39, с. 24-25].

Также применение логистической регрессии в транспортной логистике продемонстрировано в статье [42], посвященной качественной оценке движения судна для предотвращения последствий позднего / раннего прибытия в порт.

Используя данные о задержках / ранних прибытиях на уровне отдельных судов, представлено сравнительное исследование между двумя перегрузочными контейнерными терминалами и оценена эффективность между деревом решений и логистической регрессией.

Алгоритмы, которые были использованы, позволили получить качественную оценку задержки / опережения, определяя, может ли прибывающее судно прибыть до или после запланированного времени прибытия.

В исследовании были собраны все переменные, которые могут потенциально повлиять на поздние / ранние прибытия в порт, после чего был проведен анализ с целью получения полезной информации о будущих прибытиях с использованием исторических данных о предыдущих прибывающих судах [42, с. 537].

Результаты показали, что в данном случае логистическая регрессия имеет показатель ошибки классификации в 28%.

Таким образом, в рамках данной главы были рассмотрены основные методы и модели этой работы, которые в дальнейшем будут применены в следующей части.

Была обозначена проблема получения больших массивов данных для тренировки алгоритмов машинного обучения, а также возможные альтернативы ее решения. Однако стоит отметить, что такие решения не гарантируют получение модели, которая будет с высокой точностью работать на реальных данных, но позволят получить в короткие сроки «каркас», который со временем обучится и нарастит опыт, повышая свою эффективность прогнозирования.

Также был представлен метод bootstrap, который позволяет размножить небольшую выбору данных для того, чтобы можно было оценить параметры генеральной совокупности в целом, а также более точно настроить параметры модели (в данном случае определить классы). Данный метод позволит без лишних временных затрат (и тем более финансовых) получить приблизительное представление о полной совокупности данных.

Были рассмотрены алгоритмы классификации, такие как деревья решений, k-ближайших соседей, метод опорных векторов и логистическая регрессия. Стоит отметить, что все эти методы способны работать с численными переменными и применяться в задачах регрессии, однако акцент был сделан именно на классификации. Несмотря на то, что каждый из алгоритмов имеет свои преимущества, был выбран метод логистической регрессии по ряду причин, описанный в пункте 2.2.6. Также были приведены примеры, как на практике применятся данная модель в области логистики транспортировки.

Представленные в главе метрики оценки качества предсказания позволят в полной мере оценить построенную модель.



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

Для апробации модели логистической регрессии в оценке состояния выполнения логистического цикла был получен минимально доступный набор данных о 500 рейсах доставки готовой продукции за прошлые периоды.

Готовая продукция - товары категории FMCG (Fast moving consumer goods - товары повседневного спроса), а именно слабоалкогольные и безалкогольные газированные напитки. Товары этой категории характеризуются тем, что они имеют относительно небольшой срок годности и производятся в большом объеме и большом разнообразии.

В целом все товары народного потребления делятся на три категории: товары длительного пользования, товары недлительного пользования и услуги. Срок годности товаров длительного пользования составляет три года или более, в то время как срок годности товаров недлительного пользования составляет менее одного года. FMCG товары являются крупнейшим сегментом потребительских товаров. Они попадают в недлительную категорию, так как они потребляются немедленно и имеют короткий срок годности [33, с. 36].

Их доставка осуществляется по кольцевому (развозочному) маршруту: сформированные партии отгружаются со склада готовой продукции производителя и доставляются в локальные точки розничной торговли. Схема доставки изображена на рисунке 3.1.



Рисунок 3.1 - Маршрут развозки готовой продукции от производителя к потребителям

Так логистическая цепь доставки готовой продукции состоит из 4 частей:

1. Доставка от склада готовой продукции до первого потребителя;

2. Транспортировка между первым и вторым потребителем;

3. Транспортировка между вторым и третьим потребителем;

4. Перевозка между третьим и четвертым потребителем;

5. Возвращение автотранспортного средства на склад производителя.

Набор данных представляет собой время доставки между каждым пунктом логистической цепи. Соответственно, общее время выполнения логистического цикла складывается из времени транспортировки между каждым звеном цепи.

У каждого потребителя есть свои окна приемки товара, в которые должен приехать автомобиль от производителя и осуществить выгрузку определенной партии. Поскольку доставка выполняется последовательно от первого получателя к последнему, то состояние времени транспортировки зависит от результата, полученного на предыдущих этапах.



3.2 Подготовка и анализ входных данных

Весь анализ данных и последующая разработка моделей была выполнения среде разработки Wolfram Mathematica 11. Mathematica - это программа математических вычислений, иногда называемая программой компьютерной алгебры, используемая во многих областях науки, техники, математики и вычислительной техники. Ее возможности включают мгновенную динамическую интерактивность, высокоэффективную адаптивную визуализацию, создание символического интерфейса, обработку изображений и аудио, нейронные сети, машинное обучение и т.д. [71]

Основанная на языке программирования Wolfram, Mathematica включает в себя широкий спектр современных интегрированных возможностей машинного обучения, от высокоавтоматизированных функций, таких как Predict и Classify, до функций, основанных на конкретных методах и диагностике, включая новейшие подходы нейронных сетей. Функции работают со многими типами данных, включая числовые, категориальные, временные ряды, текстовые данные, изображения и аудио [64].

Общий алгоритм осуществления анализа данных для поставленной выше задачи выглядит следующим образом:

1. Определить закон распределения данных и его основные параметры. Для этого используется функция FindDistribution, которая автоматически позволяет определить какой закон распределения характеризует наши данные;

2. Размножить выборку методом параметрического «бутстрэпа», описанного в параграфе 2.2, для приближения полученных данных к реальным, чтобы получить более полную картину процесса перевозки;

3. С помощью функции вероятности полученного закона распределения, определить нулевую вероятность времени транспортировки, для того чтобы выяснить нижние и верхние границы;

4. С помощью границ, полученных в пункте 3, определить экспертным методом правила для каждого класса;

5. Разметить исходные данные согласно правилам, сформулированным в пункте 4.

Проведя первый этап, результаты показали, что время перевозки между участками цепи поставок подчиняется закону распределения Пуассона. Это распределение вероятностей, которое моделирует дискретную случайную величину. Данная случайная величина - число повторяющихся событий при условии, что они происходят независимо друг от друга со средней интенсивностью, которое фиксировано. Пуассоновское распределение имеет один параметр - л - математическое ожидание случайной величины (среднее количество событий за определенный интервал времени) [13, с. 38].

Таким образом, было определено, что распределение времени каждого этапа перевозки подчиняется закону распределения Пуассона со следующими показателями лямбда:

- 1-й участок - 59,76;

- 2-й участок - 89,74;

- 3-участок - 70,16;

- 4-й участок - 49,4.

Значение лямбда в Пуассоновском распределении соответствует его среднему значению, следовательно, в нашем случае это показатели среднего времени перевозки между звеньями логистической цепи.

Далее необходимо задать параметры, которые буду служить правилами для дальнейшей классификации состояния логистического цикла. Однако на малом наборе данных, эти параметры могут оказаться нерепрезентативными. Для того чтобы приблизить нашу выборку к реальным данным генеральной совокупности, размножим набор данных с помощью метода bootstrap, описанного в параграфе 2.2.

Поскольку на предыдущем этапе была получена информация о законе распределения данных, параметрический bootstrap был использован для распределения Пуассона с соответствующими параметрами лямбда каждого участка исследуемой цепи поставок. Количество воспроизводимых выборок (N) было установлено в размере 107.

В результате выполнения метода bootstrap был получен массив данных, максимально приближенный к реальным. Получив более репрезентативную выборку, были получены основные статистики (минимум, среднее, максимум) времени перевозки между пунктами доставки (таблица 3.1)

Таблица 3.1 - Статистики времени перевозки между участками логистической цепи

	1-й участок	2-й участок	3-й участок	4-й участок
Минимум	39	62	46	32
Медиана	59,76	89,73	70,16	49,4
Максимум	84	118	96	80

Следующим шагом была оценка вероятности того, что время выполнения транспортировки между пунктами не превысит определенное значение. Для распределения Пуассона функция вероятности выглядит следующим образом (формула 15) [13, с. 38]:

.

Для оценки нулевой вероятности в Mathematica был инициализирован цикл for, который подставлял значения в функцию вероятности и выдавал их результат. Таким образом, были определено, что:

- Для перевозки от склада готовой продукции до первого клиента: и ;

- Для перевозки от первого клиента до второго: и ;

- Для перевозки от второго клиента до третьего:и ;

- Для перевозки от третьего клиента до четвертого: и ;

Данные значения являются очень маленькими, близкими к нулю. Это значит, что вероятности указанного времени выполнения транспортировки на каждом участке логистической цепи практически нет.

Стоит отметить, что данные сконцентрированы вокруг среднего значения, что может привести к проблеме переобучения классификационной модели. Поэтому были сгенерированы дополнительные выборки с распределением Пуассона со значениями лямбды в виде крайних границ времени выполнения транспортных операций, описанных выше.

После этого дополнительные выборки были объединены с основным набором данных. В результате было получено следующее распределение времени выполнения логистического цикла (рисунок 3.2):

Рисунок 3.2 - Распределение времени выполнения логистического цикла

Следующим шагом было создание правил для дальнейшей классификации. Было принято решение создать 3 класса состояния системы:

- «Less» - машина прибыла в пункт назначения раньше, чем было запланировано;

- «Good» - машина прибыла вовремя;

- «Bad» - машина опоздала в пункт назначения.

Так на основе экспертной оценки были установлены следующие границы временных интервалов для каждого из классов (таблица 3.2).

Таблица 3.2 - Временные границы для участка логистического цикла

Класс	1-й участок	2-й участок	3-й участок	4-й участок
	Нижняя граница, мин	Верхняя граница, мин	Нижняя граница, мин	Верхняя граница, мин	Нижняя граница, мин	Верхняя граница, мин	Нижняя граница, мин	Верхняя граница, мин
Less	30	59	50	89	30	69	20	49
Good	60	89	90	129	70	109	50	79
Bad	90	-	140	-	110	-	80	-

На основании вышеуказанных временных интервалов для каждого класса были созданы правила, которые относят значение времени выполнения операции перевозки к определенному классу. В итоге был получен размеченный набор данных для каждого участка логистической цепи, необходимы для обучения классификатора (рисунок 3.3):

Рисунок 3.3 - Часть набора данных для первого участка логистического цикла

3.3 Построение модели логистической регрессии

Следующий этап - проведение процедуры обучения классификационной модели машинного обучения. Как было указано в пункте 2.3, выбранный метод - логистическая регрессия. Дополнительно обоснование выбранного метода находит отражение в распределении данных. Как видно из рисунка 3.1, время выполнения логистического цикла распределено схоже логистической функции (сигмоиде). Таким образом, применение метода логистической регрессии хорошо подходит для решения поставленной задачи.

Обучение проводилось с помощью функции Classify, в которой первый параметр - набор данных, второй - используемый метод (в нашем случае - логистическая регрессия).

Classify[data, Method -> "LogisticRegression"]

Так для каждого этапа выполнения логистического цикла была построена классификационная модель (Classifier1, Classifier2, Classifier3, Classifier4). Основные метрики качества на тесовой выборке отражены в таблице 3.3.

Таблица 3.3 - Метрики качества построенной модели

	1-й участок	2-й участок	3-й участок	4-й участок
Accuracy	1	1	1	1
Error	0	0	0	0
Kappa	1	1	1	1
Sensitifity	Bad = 1, Good = 1, Less = 1	Bad = 1, Good = 1, Less = 1	Bad = 1, Good = 1, Less = 1	Bad = 1, Good = 1, Less = 1
F1-measure	Bad = 1, Good = 1, Less = 1	Bad = 1, Good = 1, Less = 1	Bad = 1, Good = 1, Less = 1	Bad = 1, Good = 1, Less = 1

Исходя из полученных результатов, можно наблюдать, что метод логистической регрессии отлично сработал на наборе данных. Об этом свидетельствует показатель точности (accuracy) в 100% и нулевая ошибка предсказания (error).

Также чувствительность модели равная единице, говорит о том, что при проверке модели на тестовых данных каждое наблюдение было корректно отнесено к конкретному классу. Статистика Каппа равная 1 свидетельствует о том, что предсказанные значения полностью совпадают с тестовыми (исходными).

Однако стоит отметить, что классификация состояния каждого отдельного участка цепи будет полезна только для участников процесса перевозки, между которыми она осуществляется в данный момент. Для последующих участников цепи важно знать состояние системы с учетом выполненных этапом, то есть накопленное время.

Так, например, 4 участник цепи доставки, сможет заранее получить актуальную информацию на втором этапе доставки (от первого потребителя до второго) и заблаговременно предпринять превентивные действия, если это будет необходимо.

Поэтому далее были рассчитаны кумулятивные суммы времени на каждом этапе выполнения логистического цикла. Посмотрев на распределение накопленного времени (рисунок 3.4), можно заметить, что основная часть данных сконцентрирована в интервале от 220 минут до 320 минут. Именно этот отрезок времени был выбран в качестве границ для классификации состояния системы как «Good».

Соответственно, исходя из той же логики, были обозначены следующе границы для остальных классов:

- «Less» - меньше 200 минут;

- «Bad» - больше 340 минут;

Далее была поострена классификационная модель так же на логистической регрессии с помощью функции Classify. В дальнейшем данная модель будет носить название «ClassifyCT».



Рисунок 3.4 - Гистограмма накопленного времени выполнения логистического цикла

Таким образом, были созданы четыре классификационные модели для каждого участка цепи поставок, которые отражают системную информацию за отдельно взятое время. Такая информация важна для двух участников одного этапа перевозки в разрезе всего логистического цикла. Последняя модель, классифицирующая кумулятивные суммы предназначена для последующих участников цепи поставок, которые заинтересованы в информации о времени перевозки на предыдущих этапах.

3.4 Разработка алгоритма классификации состояния логистического цикла

После того, как все модели были построены, был разработан алгоритм, который позволяет оценить состояние выполнения логистического цикла (рисунок 3.5). Код алгоритма на языке Wolfram Mathemactica представлен в приложении А.

Алгоритм основан на двух циклах - глобальном и локальном. Первый позволяет обрабатывать процесс доставки в целом, а второй обрабатывает значения времени на каждом участке логистической цепи.

На входе в алгоритм подаются значения (время перевозки на каждом участке цепи) в виде списка в порядке выполнения логистического цикла. Каждые четыре значения времени транспортировки соответствуют отдельному логистическому циклу. Так, имеется тренировочный набор данных размером 2800 значений (рисунок 3.7), что соответствует 700 выполненным маршрутам развозки.

Рисунок 3.6 - Алгоритм оценки состояния выполнения логистического цикла

Рисунок 3.7 - Размер набора данных

На первом этапе, в начале логистического цикла, переменная CumSum, обозначающая накопленное время доставки, принимает значение равное 0. Это необходимо делать для того, чтобы каждый раз, когда начинается новый цикл доставки, классификатор обрабатывал новые значения. Далее накопленному времени присваивается статус состояния (Less, Good, Bad) с помощью «ClassifyCT». Затем пара «значение-состояние» записывается в переменную res, которая является списком.

На последующих этапах в локальном цикле значение времени перевозки каждого участка цепи поставок классифицируется отдельными моделями, которые были построены для этих участков. Так время перевозки от склада готовой продукции до первой розничной точки будет классифицироваться первой моделью, время перевозки от первой розничной точки до второй будет оценено второй моделью, третий классификатор определит состояние времени транспортировки от второго потребителя до третьего, и наконец, четвертая модель классифицирует время доставки от третьего потребителя до четвёртого.

Стоит отметить, что после того, как отдельное значение на конкретном участке логистической цепи было классифицировано, оно прибавляется к кумулятивной сумме, которая тоже после каждого этапа также классифицируется соответствующей моделью.

Так продолжается до тех пор, пока алгоритм полностью не обработает весь массив данных length(data)-4. После того, как работа алгоритма завершится, на выходе будут получены классифицированные состояния логистического цикла в виде следующих списков:

- res - для кумулятивных сумм времени перевозки;

- res1 - для времени доставки от склада готовой продукции до первого потребителя;

- res2 - для времени доставки от первого потребителя до второго;

- res3 - для времени доставки от второго потребителя до третьего;

- res4 - для времени доставки от третьего потребителя до четвертого;

Именно эти списки и будут использоваться участниками логистической цепи для оценки состояния выполнения транспортировки и принятия соответствующих превентивных мер.

Проверка точности классификации итогового алгоритма была осуществлена на части тренировочного набора данных и показала высокие результаты (таблица 3.4)

Таблица 3.4 - Метрики качества классификации разработанного алгоритма

Показатель	Значение
Accuracy	1
Error	0
Kappa	1
Sensitifity	Bad = 1, Good = 1, Less = 1
F1-measure	Bad = 1, Good = 1, Less = 1

Можно наблюдать, что в целом алгоритм точен на 100% и имеет нулевую ошибку предсказания класса. Прогнозные значения полностью совпадают с тестовыми (Kappa = 1), каждый класс был предсказан корректно.

3.5 Тестирование и анализ работы алгоритма классификации

Для того чтобы протестировать алгоритм на новом наборе данных, можно воспользоваться методом генерации случайных величин согласно заданному закону распределения. В данном случае наиболее подходящим распределением будет треугольное.

Треугольное распределение - непрерывное вероятностное распределение, которое определяется тремя параметрами: минимумом, максимумом и наиболее вероятным значением. Оно подходит в реальных ситуациях, когда лицо, принимающее решение знает, как протекает процесс и может экспертным способом приблизительно определить основные параметры [29, с. 313].

Так для тестирования алгоритма экспертным методом были выбраны следующие параметры треугольного распределения для каждого участка логистического цикла (таблица 3.5).

Данные были созданы с помощью функции RandomVariate, которая генерирует случайные величины согласно заданному закону распределения. В результате были сгенерированы значения времени перевозки для планируемой развозки готовой продукции до розничных точек продажи (рисунок 3.8)

Таблица 3.5 - Параметры треугольного распределения для участков логистического цикла

	1-й участок	2-й участок	3-й участок	4-й участок
Минимум	30	50	30	20
Наиболее вероятное значение	60	90	70	50
Максимум	100	140	110	90

Рисунок 3.8 - Сгенерированный набор данных для тестирования алгоритма

Далее отражены результаты работы алгоритма на тестовых данных для каждого участка процесса транспортировки и всего логистического цикла (рисунок 3.9).

Так результаты работы алгоритма показывают для планируемой перевозки показывают нам следующее:

- на первом участке состояние выполнения классифицируется как хорошее, что значит прибытие автомобиля до первой розничной точки от склада готовой продукции вовремя;

- на втором участке можно наблюдать критичное состояние, когда прибытие автомобиля классифицируется как позднее. Это означает, что участникам этого этапа необходимо предпринять предотвращающие опоздание меры (например, корректировка расписания приемки товара, чтобы заранее подготовиться к возможному опозданию);

Рисунок 3.9 - Результат работы алгоритма для логистического цикла

- на третьем участке время перевозки классифицировалось как хорошее, что свидетельствует о своевременном прибытии транспорта;

- на четвертом участке можно наблюдать, что прибытие транспорта можно ожидать достаточно поздно.

Рассматривая итоговый список результата алгоритма (res4), можно сказать, что согласно установленным правилам классификации и свойствам работы системы, превышение времени выполнения операции на одном из участков логистического цикла не приводит к классификации совокупного состояния системы как негативного. Это обусловлено наличием трех классов и вероятностью прибытия автотранспорта раньше запланированного срока.

Таким образом, в рамках данной главы было проведено применение метода логистической регрессии для оценки состояния процесса перевозки в логистическом цикле. Результаты показали высокую точность классификации простроенных моделей, что говорит о правильном выборе метода машинного обучения для решения задачи.

Был разработан алгоритм, который оценивает состояние выполнения транспортировки автомобильным транспортом на каждом участке логистической цепи и позволяет ее участникам иметь информацию в реальном времени для принятия корректирующих действий во избежание раннего/позднего прибытия автотранспорта.

Разработанный алгоритм был протестирован на тестовом наборе данных, который был получен способом генерации случайных величин, которые подчиняются треугольному закону распределения.



Заключение

Целью данной работы была разработка алгоритма, который будет способен оценивать состояние времени выполнения логистического цикла по распределению товаров от склада готовой продукции компании до потребителей (розничных точек продаж). Основываясь на полученном результате в виде корректно работающей модели, протестированной на новых данных, можно в целом утверждать, что поставленная цель была достигнута. В ходе выполнения работы был сформулирован вывод о развитии логистики и управлении цепями поставок в рамках цифровизации и концепции «Индустрия 4.0» на современном этапе. Ввиду этого был проведен обзор основных технологий, одной из который является анализ Больших Данных, в рамках которой существует область машинного обучения. Проведя анализ источников литературы (в том числе в базе научного цитирования Scopus), было выяснено, что применение алгоритмов машинного обучения в области логистики и управления цепями поставок находит все больший интерес со стороны исследователей и не только.

Также была подчеркнута важность функции транспортировки в цепях поставок, путем анализа уровня затрат в литературных источниках на ее организацию в разрезе общих издержек на логистику. На основе статистической информации об объемах перевезённых грузах за 2018 год был выделен автомобильный транспорт среди остальных видов транспорта как наиболее распространённый.

Была подчеркнута важность фактора времени доставки грузов автомобильным транспортом, поскольку он наиболее подвержен влиянию различных факторов внешней среды, которые чаще всего приводят к задержкам доставки.

Во второй главе работы были рассмотрены основные принципы организации автомобильной перевозки. Далее был описан статистический метод bootstrap, который позволяет размножить исходную выборку для приближения ее к реальным данным. Это метод оказался крайне полезным при разработке финального алгоритма, позволив получить более полную картину об имеющихся данных, тем самым корректно настроив параметры модели. Также во второй части был проведён обзор основных методы классификации в машинном обучении и выбрана модель логистической регрессии, которая благодаря своим характеристикам хорошо подошла для решения задачи данной работы.

Наконец, в третьей главе можно наблюдать апробацию логистической регрессии на исходных данных, которая показала 100% точность предсказания. Также в третьей главе был описан принцип работы алгоритма и проведена его проверка на тестовых данных.

Так, разработанный алгоритм является универсальным и может быть применен на практике не только для компаний отрасли ритейла FMCG продукции, он может быть адаптирован под процессы транспортировки любого предприятия без изменения структуры и логики работы.

В качестве возможных рекомендаций можно указать необходимость интегрирования данной модели в единую информационную систему, которая связывает всех участников цепочки поставок для того, чтобы каждый из них могу иметь актуальную информацию о выполнении логистического цикла.

Говоря о перспективах развития данной работы, стоит отметить возможность внедрения дополнительных параметров в текущую модель. Например, можно собрать данные не только о времени выполнения каждой ездки, а еще и информацию о различных факторах, которые имели место быть при осуществлении той или иной перевозки. Такое дополнение позволит оценить влияние каждого фактора и определить наиболее критичные для своевременного прибытия автотранспорта в пункт назначения.

В целом предложенный алгоритм может являться первым примером использования алгоритмов машинного обучения для классификации



Список использованных источников

1. Баханов, А.Г. Роль больших данных и имитационного моделирования [Текст] // Социологический альманах. - 2017. - №8. - С. 504-510

2. Герами, В. Д. Управление транспортными системами. Транспортное обеспечение логистики [Текст] : учебник и практикум для академического бакалавриата / В. Д. Герами, А. В. Колик. -- М. : Издательство Юрайт, 2019. -- 438 с.

3. Григорьев, М. Н. Коммерческая логистика: теория и практика [Текст] : учебник для СПО / М. Н. Григорьев, В. В. Ткач. -- 3-е изд., испр. и доп. -- М. : Издательство Юрайт, 2018. -- 507 с.

4. Дыбская, В.В. Логистика. Полный курс МВА [Текст] : учебное пособие / Дыбская В.В., Зайцев Е.И., Сергеев В.И., Стерлигова А.Н. -- М.: Эксмо, 2013. -- 944 с.

5. Дыбская, В.В., Сергеев, В.И. Цифровая логистика и УЦП: перспективы развития [Текст] / В.В. Дыбская, В.И. Сергеев // Логистика: современные тенденции развития. Часть 1. - СПб.: Изд-во ГУМРФ им. Адм. С.О. Макарова, 2018. - С. 5-11.

6. Конотопский, В. Ю. Логистика [Текст] : учеб. пособие для вузов / В. Ю. Конотопский. -- 4-е изд., испр. и доп. -- М. : Издательство Юрайт, 2018. -- 143 с.

7. Левкин, Г. Г. Коммерческая логистика [Текст] : учеб. пособие для вузов / Г. Г. Левкин. -- 2-е изд., испр. и доп. -- М. : Издательство Юрайт, 2018. -- 375 с.

8. Лукинский, В.С. Логистика и управление цепями поставок [Текст] : учебник и практикум для академического бакалавриата / В.С. Лукинский, В.В. Лукинский, Н.Г. Плетнева. - М.: Юрайт, 2016. - 359 с.

9. Неруш, Ю. М. Логистика [Текст] : учебник для академического бакалавриата / Ю. М. Неруш, А. Ю. Неруш. -- 5-е изд., перераб. и доп. -- М. : Издательство Юрайт, 2019. -- 559 с.

10. Неруш, Ю.М. Логистика: теория и практика проектирования [Текст] : учебник и практикум для бакалавриата и магистратуры / Ю.М. Неруш, С.А. Панов, А.Ю. Неруш. -- Москва : Издательство Юрайт, 2019. -- 422 с

11. Неруш, Ю.М. Транспортная логистика [Текст] : учебник для академического бакалавриата / Ю.М. Неруш, С.В. Саркисов. -- Москва : Издательство Юрайт, 2019. -- 351 с.

12. Петровский, Д.В. Сравнение методов искусственной генерации данных для глубокого обучения системы мониторинга [Текст] / Д.В. Петровский, В.А. Соболевский // Логистика и управление цепями поставок. - 2018. - №3(86). - С. 86-93

13. Понарин, Э.Д. Модели для Пуассоновских зависимых переменных: можно ли прогнозировать результативность футбольных матчей? [Текст] / Зеликова Ю.А., Лисовский А.В., Понарин Э.Д. // Социология: 4М. - 2013. - №36. - С. 36-64

14. Родников, А.Н. Логистика [Текст]: терминологический словарь / А.Н. Родников. - М.: ИНФРА-М, 2000. - 352 с.

15. Сергеев, В.И. Корпоративная логистика в вопросах и ответах [Текст] : учеб. пособие для вузов / В.И. Срегеев. -- М.: ИНФРА-М, 2014. -- 634 с.

16. Ahn, H. Multinomial Logistic Regression Ensembles [Text] / H. Ahn, H. Moon // Journal of Biopharmaceutical Statistics. - 2013. - Vol. 23(3). - P. 1-14

17. Amrit, C. Predictive Analytics for Truck Arrival Time Estimation: A Field Study at a European Distribution Center [Text] / C. Amrit, J. van Hillenberg, S. van der Spoel // International Journal of Production Research. - 2017. - Vol. 55 (17). - P. 1-12

18. Angeleanu, A. New Technology Trends and Their Transformative Impact on Logistics and Supply Chain Processes [Text] // International Journal of Economic Practices and Theories. - 2015. - Vol. 5 (5). - P. 413-419

19. Anuradha, J. A Brief Introduction on Big Data 5Vs Characteristics and Hadoop Technology [Text] / J. Anuradha, J. Ishwarappa // Procedia Computer Science. - 2015. - Vol. 48. - P. 319-324

20. Ayed, B. Big Data Analytics for Logistics and Transportation [Text] / B. Ayed, M.A. Alimi, B. Halima // ICALT. - 2015. - P. 311-316

21. Banyai, A. Logistics aspects of Industry 4.0 [Text] / A. Banyai, B. Illes, R. Skapinyecz // IOP Conference Series: Materials Science and Engineering. - 2018. - Vol. 448 (1). - P. 1-11

22. Bowersox, D. Supply Chain Logistics Management [Text] / D. Bowersox, D. Closs, M. Bixby Cooper. - 2012. - 410 p.

23. Brownlee, J. Master Machine Learning Algorithms [Text] / О. Brownlee. - 2016. - 153 p.

24. Chernick, M.R. An introduction to bootstrap methods with applications to R [Text] / Michael R. Chernick, Robert A. LaBudde. -2011. - 216 p.

25. Chopra, S. Supply chain management : strategy, planning, and operation [Text] / S. Chopra, P. Meindl. - 2016. - 529 p.

26. Chunling, S. Internet of Things Leads Wisdom Logistics [Text] // 4th International Conference on Communication Technology. - 2018. - Vol. 227. - P. 1-5

27. Davonie, F. Evidential Multinomial Logistic Regression for Multiclass Classifier Calibration [Text] / f. Davonie, T. Denoeux // 18th International Conference on Information Fusion. - 2015. - Vol. 18. - P. 1-6

28. Delfmann, W. Logistics as a Science - Central Research Questions

in the Era of the Fourth Industrial Revolution [Text] / W. Delfmann, M. ten Hompel, W. Kersten, T. Schmidt, W. Stцlzle // Logistics Research. - 2018. - Vol. 11 (1). - P. 1-13

29. Fairchild, K. Using Triangular Distribution for Business and Finance Simulations in Excel [Text] / K. Fairchild, L. Misra, Y. Shi // Journal of Financial Education. - 2016. - Vol. 42 (3). - P. 313-316

30. Frehe V., Big Data in Logistics - Identifying Potential through Literature, Case Study and Expert Interview Analyses [Text] / V. Frehe, T. Kleinschmidt, F. Teuteberg // Lecture Notes in Informatics. - 2014. - P. 173-186

31. Gesing, B. Artificial Intelligence in Logistics [Text] / B. Gesing, S. Peterson, D. Michelsen // DHL Customer Solutions & Innovation. - 2018. - Vol. 5. - P. 1-39

32. Gollapudi, S. Practical machine learning [Text] / S. Gollapudi. - 2016. - 437 p.

33. Johansson, G. Digital Maturity & Operational Performance [Text] / G. Johansson, S. Wilhelmsson. - 2018. - 95 p.

34. Kubac, L. The Impact of 3D Printing Technology on Supply Chain [Text] / O. Kodym, L. Kubac // 18th International Scientific Conference - LOGI 2017. - 2017. - Vol. 1. - P. 1-8

35. Lantz, B. Machine Learning with R [Text] / B. Lantz. - 2013. - 375 p.

36. Mantey, C. Virtual Inventory in the Virtual Warehouse: Will 3D Printing Kill the Traditional Supply Chain? / C. Mantey // Supply & Demand Chain Executive. - 2017. - Vol. 18. - P. 34-37

37. Mitchell, T. Machine Learning [Text] / T.M. Mitchell. - 1997. - 432 p.

38. Mohri, M. Foundations of machine learning [Text]/ Mehryar Mohri, Afshin Rostamizadeh, and Ameet Talwalkar. -2012. - 397 p.

39. Murat, Y.S. Route choice modelling in urban transportation networks using fuzzy logic and logistic regression methods [Text] / Y.S. Murat, N. Uludag // Journal of scientific and industrial research. - 2008. - Vol. 67. - P. 19-27

40. Murphy, P. Contemporary Logistics [Text] / J. Carrol, A.M. Knemeyer, P.R. Murphy. - 2014. - 320 p.

41. Ojra, A. Revisiting Industry 4.0: A New Definition [Text] // Proceedings of the 2018 Computing Conference. - 2018. - Vol. 1. - P. 1-4

42. Pani, C. Prediction of late/early arrivals in container terminals - A qualitative approach / M. Cannas, G. Fancello, C. Pani, T. Vanelslander // European Journal of Transport and Infrastructure Research. - 2015. - Vol. 15(4). - P. 536-550

43. Perboli, G. Blockchain in Logistics and Supply Chain: A Lean Approach for Designing Real-World Use Cases [Text] / G. Perboli, S. Musso, M. Rosano // IEEE Access. - 2018. - Vol. 6. - P. 62018-62028

44. Rojko, A. Industry 4.0 Concept: Background and Overview [Text] / A. Rojko // International Journal of Onformation Management. - 2017. - Vol. 11 (5). - P. 77-90

45. Rozados, I. Big Data Analytics in Supply Chain Manahement: Trends and Related Research [Text] / I. Rozados, B. Tjahjono // 6th International Conference on Operations and Supply Chain Management. - 2014. - Vol. 1. - P. 1-12

46. Shai, S. Understanding Machine Learning: From Theory to Algorithms [Text] / Shai S., Shai B. - 2014. - 449 p.

47. Sivan P., Big Data intelligence in Logistics Based on Hadoop and MapReduce [Text] / P. Sivan, J. Johns, J. Venugopal // IJIRSET. - 2014. - Vol. 3 (3). - P. 2634-2640

48. Speranza M., Trends in transportation and logistics [Text] // European Journal of Operational Research. - 2018. - Vol. 264 (3). - P. 830-836

49. Taylor, M. The role of transportation in logistics chain [Text] / M. Taylor, Y. Tseng, W. Yue // Proceedings of the Eastern Asia Society for Transportation Studies. - 2005. - Vol. 5. - P. 1657-1672

50. Waters, D. Supply Chain Management: An Intruduction to Logistics [Text] / D. Waters. - 2009. - 540 p.

51. Wedgwood K., “Big Data and analytics in travel and transportation [Text] / K. Wedgwood, R. Howard // Travel and Transportation: White paper. IBM. - 2014

52. Weetman, C. Digital disruption: the development of 3D printing [Text] // Logistics & Transport Focus. - 2018. - Vol. 20 (10). - P. 44-46



Приложение

Код разработанного алгоритма на языке Wolfram Mathematica

i = 0;

res = {};

res1 = {};

res2 = {};

res3 = {};

res4 = {};

While[i < Length[data]-4,

CumSum = 0;

For[j = 1, j <= 4, j++,

CumSum = CumSum + data[[j + i]];

ct = classifyCT[CumSum];

res = AppendTo[res, {CumSum, ct}];

Which[

j == 1,

sm = Classifier1[data[[j + i]]];

AppendTo[res1, {data [[1 + i]], sm}],

j == 2,

mdc = Classifier2[data[[j + i]]];

AppendTo[res2, {data[[2 + i]], mdc}],

j == 3,

dcw = Classifier3[data[[j + i]]];

AppendTo[res3, {data[[3 + i]], dcw}],

j == 4,

ws = Classifier4[data[[j + i]]];

AppendTo[res4, {data[[4 + i]], ws}]

];

];

i = i + 4

]

Листинг А.1 - Код разработанного алгоритма на языке Wolfram Mathematica

Размещено на Allbest.ru