Транспорт є ключовим чинником, який впливає на викиди парникових газів. У зв’язку з цим, наведено проблеми та виклики, з якими зустрічається транспортна галузь. Розглянуто питання транспортної галузі, пов’язані з Європейською зеленою угодою. Обговорено, наскільки транспортна система є важливою для європейських компаній та глобальних ланцюгів постачання. Проаналізовано також питання, які мають вплив на суспільство з точки зору витрат коштів, зокрема викиди парникових газів та забруднення довкілля. У статті висвітлено матеріали управління транспортними процесами на підприємстві. Прийнято рішення дослідити витрати палива видами транспорту. На основі огляду літературних джерел, визначено 3 категорії характеристик: характеристики автомобілів, водіїв, а також вплив маршруту на витрати палива. Дослідження виконано на основі даних архівів GPS системи моніторингу автомобілів. Вони зібрані на 1890 маршрутах, які здійснювали рух між 30 травня 2020 року та 31 травня 2021 року. На маршрутах працювали 29 водіїв та 8 транспортних засобів. Транспортні засоби – це 40-тонні тягачі з напівпричепами. Наведено аналіз чинників, які впливають на споживання палива. Описано методику отриманих інженерних функцій. Описано переваги методу зменшення споживання палива. Вказано на можливості використання методів прогнозування витрати енергії та водню на різних видах транспорту, включно з громадським транспортом. Дані опрацьовано з використанням бібліотеки «Pandas». Порівняння моделей виконано з використанням середньої абсолютної похибки. Представлено застосування методів роботи з великими наборами даних. Розрахунки проведено з допомогою бібліотеки «NumPy». Візуалізація даних – за допомогою моделей «Matplotlib» та «Seaborn. Scikit-Learn».
1. Yao, Y., Zhao, X., Liu, C., Rong, J., Zhang, Y., Dong, Z., & Su, Y. (2020). Vehicle fuel consumption prediction method based on driving behavior data collected from smartphones. Journal of Advanced Transportation, 2020. 1-11. doi: 10.1155/2020/9263605 (in English).
https://doi.org/10.1155/2020/9263605
2. Zargarnezhad, S., Dashti, R., & Ahmadi, R. (2019). Predicting vehicle fuel consumption in energy distribution companies using ANNs. Transportation Research Part D: Transport and Environment, 74, 174-188. doi: 10.1016/j.trd.2019.07.020 (in English).
https://doi.org/10.1016/j.trd.2019.07.020
3. Çapraz, A. G., Özel, P., Şevkli, M., & Beyca, Ö. F. (2016). Fuel consumption models applied to automobiles using real-time data: A comparison of statistical models. Procedia Computer Science, 83, 774-781. doi: 10.1016/j.procs.2016.04.166 (in English).
https://doi.org/10.1016/j.procs.2016.04.166
4. Moradi, E., & Miranda-Moreno, L. (2020). Vehicular fuel consumption estimation using real-world measures through cascaded machine learning modeling. Transportation Research Part D: Transport and Environment, 88, 102576. doi: 10.1016/j.trd.2020.102576 (in English).
https://doi.org/10.1016/j.trd.2020.102576
5. 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. 207-221 (in English).
6. Kluyver, T., Ragan-Kelley, B., Pérez, F., Granger, B. E., Bussonnier, M., Frederic, J., & et al. (2016). Jupyter Notebooks-a publishing format for reproducible computational workflows, 2016, 87-90 (in English).
7. McKinney, W. (2010). Data structures for statistical computing in python. In Proceedings of the 9th Python in Science Conference, 445(1), pp. 51-56 (in English).
https://doi.org/10.25080/Majora-92bf1922-00a
8. Van Der Walt, S., Colbert, S. C., & Varoquaux, G. (2011). The NumPy array: a structure for efficient numerical computation. Computing in science & engineering, 13(2), 22-30. doi: 10.1109/MCSE.2011.37 (in English).
https://doi.org/10.1109/MCSE.2011.37
9. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., & et al. (2011). Scikit-learn: Machine learning in Python. The Journal of machine Learning research, 12, 2825-2830 (in English).
10. Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in science & engineering, 9(03), 90-95. doi: 10.1109/MCSE.2007.55 (in English).
https://doi.org/10.1109/MCSE.2007.55
11. Waskom, M. L. (2021). Seaborn: statistical data visualization. Journal of Open Source Software, 6(60), 3021. doi: 10.21105/joss.03021 (in English).
https://doi.org/10.21105/joss.03021
12. Dabbish, L., Stuart, C., Tsay, J., & Herbsleb, J. (2012). Social coding in GitHub: transparency and collaboration in an open software repository. In Proceedings of the ACM 2012 conference on computer supported cooperative work, pp. 1277-1286. doi: 10.1145/2145204.2145396 (in English).
https://doi.org/10.1145/2145204.2145396
13. Python 3. Retrieved from: https://docs.python.org/3lastaccessed2022/10/03 (in English).
14. Pandas. Retrieved from: https://pandas.pydata.org/docs/lastaccessed2022/10/03 (in English).
15. NumPy. Retrieved from: https://numpy.org/doc/stable/lastaccessed2022/10/03 (in English).
16. Buitinck, L., Louppe, G., Blondel, M., Pedregosa, F., Mueller, A., Grisel, O., & et al. (2013). API design for machine learning software: experiences from the scikit-learn project. European Conference on Machine Learning and Principles and Practices of Knowledge Discovery in Databases, pp. 1-15. (in English).