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.
1. Mitchell, Tom. (1997). Machine Learning. New York: McGraw-Hill. (in English).
2. Abdelwahab, W., & Sayed, T. (1999). Freight mode choice models using artificial neural networks. Civil Engineering And Environmental Systems, 16(4), 267-286. doi: 10.1080/02630259908970267 (in English).
https://doi.org/10.1080/02630259908970267
3. Profillidis, V., & Botzoris, G. (2019). Artificial Intelligence-Neural Network Methods. Modeling Of Transport Demand, 353-382. doi: 10.1016/b978-0-12-811513-8.00008-x (in English).
https://doi.org/10.1016/B978-0-12-811513-8.00008-X
4. Hryhorov, O. V., Anishchenko H. O., Stryzhak V. V., Petrenko N. O., Turchyn O. V., Okun A. O. & Ponomarov O. E. (2019). Shtuchnyi intelekt. Mashynne navchannia [Artificial Intelligence. Machine learning]. Avtomobil i elektronika. Suchasni tekhnolohii [Vehicle and Electronics. Innovative Technologies]. № 15. pp. 17-27. (in Ukrainian).
5. Tsolaki, K., Vafeiadis, T., Nizamis, A., Ioannidis, D., & Tzovaras, D. (2022). Utilizing machine learning on freight transportation and logistics applications: A review. ICT Express. doi: 10.1016/j.icte.2022.02.001 (in English).
https://doi.org/10.1016/j.icte.2022.02.001
6. Horiainov A. N. (2020). Mashynnoe obuchenye v lohystycheskykh y transportnykh systemakh. [Machine learning in logistics and transport systems]. Ukraina - YeS: problemy naukovoi ta haluzevoi intehratsii: Mater V Vseukr. zaoch. nauk.-pr. konf. Naukove partnerstvo «Tsentr naukovykh tekhnolohii» [Ukraine - EU: problems of scientific and industry integration: Mater V Vseukr. extramural science.-prof. conf. Scientific partnership "Center of Scientific Technologies"]. P. 34-42 (in Ukrainian).
7. Liu, C., Shu, T., Chen, S., Wang, S., Lai, K., & Gan, L. (2016). An improved grey neural network model for predicting transportation disruptions. Expert Systems With Applications, 45, 331-340. doi: 10.1016/j.eswa. 2015.09.052 (in English).
https://doi.org/10.1016/j.eswa.2015.09.052
8. Becker, T., Illigen, C., McKelvey, B., Hülsmann, M., & Windt, K. (2016). Using an agent-based neural-network computational model to improve product routing in a logistics facility. International Journal of Production Economics, 174, 156-167 (in English).
https://doi.org/10.1016/j.ijpe.2016.01.003
9. Van der Spoel, S., Amrit, C., & van Hillegersberg, J. (2015). Predictive analytics for truck arrival time estimation: a field study at a European distribution centre. International Journal Of Production Research, 55(17), 5062-5078. doi: 10.1080/00207543.2015.1064183 (in English).
https://doi.org/10.1080/00207543.2015.1064183
10. AdaBoost Algorithm - A Complete Guide for Beginners. Retrieved from: https://www.analyticsvidhya.com/blog/2021/09/adaboost-algorithm-a-comple... (in English).
11. Servos, N., Liu, X., Teucke, M., & Freitag, M. (2019). Travel Time Prediction in a Multimodal Freight Transport Relation Using Machine Learning Algorithms. Logistics, 4(1), 1. doi: 10.3390/logistics4010001 (in English).
https://doi.org/10.3390/logistics4010001
12. Yakushenko A., Shevchuk D., & Medynskyi D. (2021). Neiromerezheva model dlia prohnozuvannia chasuna vykonannia transportnoi zadachi. [Neural network model for predicting the execution time of a transport task] Science-Based Technologies, 49(1), 33-38. doi:10.18372/2310-5461.49.15289 (in Ukrainian).
https://doi.org/10.18372/2310-5461.49.15289
13. Tortum, A., Yayla, N., & Gökdağ, M. (2009). The modeling of mode choices of intercity freight transportation with the artificial neural networks and adaptive neuro-fuzzy inference system. Expert Systems With Applications, 36(3), 6199-6217. doi: 10.1016/j.eswa.2008.07.032 (in English).
https://doi.org/10.1016/j.eswa.2008.07.032
14. Samimi, A., Razi-Ardakani, H., & Nohekhan, A. (2017). A Comparison between Different Data Mining Algorithms in Freight Mode Choice. American Journal Of Applied Sciences, 14(2), 204-216. doi: 10.3844/ajassp.2017.204.216 (in English).
https://doi.org/10.3844/ajassp.2017.204.216
15. Ahmed, U., & Roorda, M. (2021). Modeling Freight Vehicle Type Choice using Machine Learning and Discrete Choice Methods. Transportation Research Record: Journal Of The Transportation Research Board, 2676(2), 541-552. doi: 10.1177/03611981211044462 (in English).
https://doi.org/10.1177/03611981211044462
16. Rykała, M., & Rykała, Ł. (2021). Economic Analysis of a Transport Company in the Aspect of Car Vehicle Operation. Sustainability, 13(1), 427. doi: 10.3390/su13010427 (in English).
https://doi.org/10.3390/su13010427
17. Bakhtyar, S., & Henesey, L. (2014). Freight transport prediction using electronic waybills and machine learning. Proceedings 2014 International Conference On Informative And Cybernetics For Computational Social Systems (ICCSS), pp. 128-133. doi: 10.1109/iccss.2014.6961829 (in English).
https://doi.org/10.1109/ICCSS.2014.6961829
18. Perrotta, F., Parry, T., & Neves, L. (2017). Application of machine learning for fuel consumption modelling of trucks. 2017 IEEE International Conference On Big Data (Big Data), pp. 3810-3815. doi: 10.1109/bigdata.2017.8258382 (in English).
https://doi.org/10.1109/BigData.2017.8258382
19. Schoen, A., Byerly, A., Hendrix, B., Bagwe, R., Santos, E., & Miled, Z. (2019). A Machine Learning Model for Average Fuel Consumption in Heavy Vehicles. IEEE Transactions On Vehicular Technology, 68(7), pp. 6343-6351. doi: 10.1109/tvt.2019.2916299 (in English).
https://doi.org/10.1109/TVT.2019.2916299
20. Bousonville, T., Cheubou Kamga, D., Krüger, T., & Dirichs, M. (2020). Data driven analysis and forecasting of medium and heavy truck fuel consumption. Enterprise Information Systems, 16(6), 1-19. doi: 10.1080/17517575.2020.1856417 (in English).
https://doi.org/10.1080/17517575.2020.1856417
21. Hamed, M., H.Khafagy, M., & M.Badry, R. (2021). Fuel Consumption Prediction Model using Machine Learning. International Journal Of Advanced Computer Science And Applications, 12(11). doi: 10.14569/ijacsa.2021.0121146 (in English).
https://doi.org/10.14569/IJACSA.2021.0121146
22. Gong, J., Shang, J., Li, L., Zhang, C., He, J., & Ma, J. (2021). A Comparative Study on Fuel Consumption Prediction Methods of Heavy-Duty Diesel Trucks Considering 21 Influencing Factors. Energies, 14(23), 8106. doi: 10.3390/en14238106 (in English).
https://doi.org/10.3390/en14238106
23. Budzyński, A., & Sładkowski, A. (2021). The Use of Machine Learning to Predict Diesel Fuel Consumption in Road Vehicles. 19th European Transport Congress of the EPTS Foundation e.V: European Green Deal Challenges and Solutions for Mobility and Logistics in Cities, pp. 1-6 (in English).
24. Topić, J., Škugor, B., & Deur, J. (2022). Neural Network-Based Prediction of Vehicle Fuel Consumption Based on Driving Cycle Data. Sustainability, 14(2), 744. doi: 10.3390/su14020744 (in English).
https://doi.org/10.3390/su14020744
25. Świderski, A., Jóżwiak, A., & Jachimowski, R. (2018). Operational quality measures of vehicles applied for the transport services evaluation using artificial neural networks. Eksploatacja I Niezawodnosc - Maintenance And Reliability, 20(2), 292-299. doi: 10.17531/ein.2018.2.16 (in English).
https://doi.org/10.17531/ein.2018.2.16
26. Singh, A., Das, A., Bera, U., & Lee, G. (2021). Prediction of Transportation Costs Using Trapezoidal Neutrosophic Fuzzy Analytic Hierarchy Process and Artificial Neural Networks. IEEE Access, 9, pp. 103497-103512. doi: 10.1109/access.2021.3098657 (in English).
https://doi.org/10.1109/ACCESS.2021.3098657
27. Kotenko, V.I. (2022). Justification of the feasibility of using artificial neural networks for modeling the transport process of the supply of agricultural products [Obgruntuvannia dotsilnosti zastosuvannia shtuchnykh neironnykh merezh dlia modeliuvannia transportnoho protsesu postachannia silskohospodarskoi produktsii]. X mizhnarodna naukovo-tekhnichna internet-konferentsiia "Problemy i perspektyvy rozvytku avtomobilnoho transportu" [10th International Scientific and Technical Internet Conference "Problems and Prospects of Road Transport Development"]. pp. 172-174. (in Ukrainian).
28. Salakhutdinov, R. (2015). Learning Deep Generative Models. Annual Review Of Statistics And Its Application, 2(1), 361-385. doi: 10.1146/annurev-statistics-010814-020120 (in English).
https://doi.org/10.1146/annurev-statistics-010814-020120
29. Kyslova, O., & Bondarenko, K.B. (2010). Mozhlyvosti zastosuvannia shtuchnykh neironnykh merezh v analizi sotsiolohichnoi informatsii [Possibilities of using artificial neural networks in the analysis of sociological information]. Sotsiolohichni doslidzhennia suchasnoho suspilstva: metodolohiia, teoriia, metody [Sociological research of modern society: methodology, theory, methods], 26. 78-82 (in Ukrainian).
30. Witten, I. H., Frank, E. & Hall, M. A. (2011). Data Mining: Practical Machine Learning Tools and Techniques, Amsterdam: Morgan Kaufmann. (in English).
31. Ni, D., Xiao, Z., & Lim, M. (2019). A systematic review of the research trends of machine learning in supply chain management. International Journal Of Machine Learning And Cybernetics, 11(7), 1463-1482. doi: 10.1007/s13042-019-01050-0
https://doi.org/10.1007/s13042-019-01050-0
32. Top 4 advantages and disadvantages of Support Vector Machine or SVM. Retrieved from: https://dhirajkumarblog.medium.com/top-4-advantages-and-disadvantages-of... 2b107 (in English).
33. Russel, S.J., & Norvig, P. (2003). Artificial Intelligence - A Modern Approach. Prentice Hall Inc., New Jersey (in English).
34. Goodfellow, I., Bengio, Y., & Courville A. (2016). Deep Learning. Adaptive Computation and Machine Learning series. Retrieved from: https://mmsjapan.jp/sites/default/files/pdf-deep-learning-adaptive-compu... (in English).
35. Jordan, M., & Mitchell, T. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255-260. doi: 10.1126/science.aaa8415 (in English).
https://doi.org/10.1126/science.aaa8415
36. Rokach L., & Maimon D. (2015). Data mining with decision trees. Theory and applications (2nd ed). World Scientific Publishing Company. P. 305. (in English).
37. Breiman, L. Random Forests. Machine Learning, 45, 5-32 (2001). doi: 10.1023/A:1010933404324 (in English).
https://doi.org/10.1023/A:1010933404324
38. Mahesh, B. (2020). Machine learning algorithms-a review. International Journal of Science and Research (IJSR).[Internet], 9, 381-386 (in English).
39. Cunningham, P. and Delany, S., 2022. k-Nearest Neighbour Classifiers - A Tutorial. ACM Computing Surveys, 54(6), pp.1-25. doi: 10.1145/3459665 (in English).
https://doi.org/10.1145/3459665
40. Vapnik, V. The nature of statistical learning theory. Springer, New York, 1995. (in English).
https://doi.org/10.1007/978-1-4757-2440-0