Wyniki wyszukiwania - Biblioteka Nauki

Ten serwis zostanie wyłączony 2025-02-11.

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

1 2023

1 Wyrembek M.

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Zastosowanie metod uczenia maszynowego do przewidywania ryzyka uszkodzeń towarów

100%

Wyrembek M.

Gospodarka Materiałowa i Logistyka

2023

tom nr 1

58--66

Zapotrzebowanie transportowe z roku na rok zwiększa się. Dzieje się tak z powodu wzrostu produkcji i konsumpcji. Czym dłuższy jest łańcuch dostaw, tym większe są możliwości wystąpienia w nim zakłóceń, gdyż wszystkie operacje wiążą się z ryzykiem. Jednakże o ryzyku w kontekście łańcucha dostaw i zarządzania nim mówi się od niedawna. Niestety żadna branża nie jest odporna na przewidywalne i nieprzewidywalne zakłócenia, które wywołują straty (np. zaginięcie towaru). Z punktu widzenia przewoźników istotna byłaby możliwość przewidzenia wystąpienia np. uszkodzenia towaru. Artykuł koncentruje się na wykorzystaniu metod uczenia maszynowego do przewidzenia ryzyka uszkodzeń towarów (takich jak sprzęt RTV, AGD czy telefony/komputery) w transporcie drogowym. W ramach badań wykorzystano pięć inteligentnych metod: regresję logistyczną, maszynę wektorów nośnych (SVM); drzewo decyzyjne; naiwny klasyfikator bayesowski; AdaBoost. Natomiast celem jest przedstawienie koncepcji oraz wymienionych metod uczenia maszynowego, miar oceniających wydajność modeli oraz wyników związanych z przeprowadzonym badaniem. Postawiony cel zdeterminował wybór metod badawczych – wykorzystano analizę literatury oraz programowanie. W ostatniej części artykułu przedstawiono wyniki otrzymane z analizy pięciu modeli. W ramach badań ustalono, że najlepszą zdolność predykcyjną ma AdaBoost.

The transport demand is increasing year by year. This is because of the increase in production and consumption. The longer the supply chain is, the more likely it is to be disrupted, as all operations involve risks. However, risk in the context of the supply chain and its management has recently been discussed. Unfortunately, no industry is immune to predictable and unpredictable disruptions that affect losses (e.g. loss of goods). From the point of view of carriers, it would be important to be able to predict the occurrence of, for example, damage to the goods. The article focuses on the use of machine learning methods to predict the risk of damage to goods (such as electronics, household appliances or telephones/computers) in road transport. The research used five intelligent methods such as: logistic regression; support vector machine (SVM); decision tree; naive Bayesian classifier; AdaBoost. The aim of the paper is to present the concept and the above-mentioned methods of machine learning, measures assessing the performance of models and the results related to the conducted research. The set goal determined the choice of the research methods – literature analysis and programming were used. The last part of the article presents the results obtained from the analysis of five models. The research established that AdaBoost has the best predictive ability.