Application of algorithmic models of machine learning to the freight transportation process

Abstract

У роботі наведено результати аналізу застосування алгоритмічних моделей машинного навчання до процесу перевезення вантажів. Аналіз існуючих досліджень дозволив виявити ряд переваг застосування обчислювального інтелекту у логістичних системах, серед яких: підвищення точності прогнозування, зменшення транспортних витрат, підвищення ефективності доставки вантажів, зниження ризиків, пошук ключових факторів ефективності. У процесі дослідження було визначено основні напрями застосування алгоритмічних моделей машинного навчання, як-от: маршрутизація транспортних засобів, вибір виду вантажу, виду транспортування та типу транспортних засобів; прогнозування витрат палива транспортними засобами, збоїв у транспортуванні, транспортних витрат, тривалості виконання замовлення; оцінка парку рухомого складу та ефективності виконання транспортного завдання. На основі досліджуваних публікацій було виявлено найбільш поширені у вантажних перевезеннях алгоритмічні моделі машинного навчання та проаналізовано їхню ефективність. Моделі лінійної та логістичної регресії є достатньо простими, проте не завжди дають високі показники моделювання; моделі глибокого навчання досить широко застосовуються до всіх виявлених напрямів; моделі дерев рішень та випадкового лісу часто показують найвищі показники ефективності моделювання; моделі k-найближчих сусідів та опорних векторів доцільно застосовувати як у задачах класифікації, наприклад, вибору виду вантажу та виду транспортування, так і для прогнозування витрат палива та тривалості транспортного процесу.

The results of the analysis of algorithmic models of machine learning application to the freight transportation process are given in this paper. Analysis of existing research allowed discovering a range of advantages in the application of computational intelligence in logistic systems, including increasing the accuracy of forecasting, reduction of transport costs, increasing the efficiency of cargo delivery, risks reduction, and search for key performance factors. In the research process, the main directions of application of algorithmic models of machine learning were determined. They are vehicle routing, choice of cargo type, transportation type and vehicle type; forecasting fuel consumption by vehicles, disruptions in transportation, transport costs, duration of the order fulfillment; evaluation of the rolling stock fleet and the efficiency of carrying out the transport task. Based on the researched publications, the most common algorithmic models of machine learning in freight transportation were identified, and their effectiveness was analyzed. Linear and logistic regression models are simple enough; however, they do not always provide high simulation results. Deep learning models are quite widely applied to all identified areas. Decision tree and random forest models often show the highest simulation performance. Models of k-nearest neighbors and support vectors should be used both in classification tasks, for example, in choosing the type of cargo and type of transportation, and for forecasting the fuel consumption and the duration of the transport process.