Zastosowanie analizy dużych zbiorów danych do modelowania procesów w operacjach
inteligentnej logistyki

BIG-SMART-LOG (The Use of Big Data Analytics for Process Modelling in Smart Logistics Operations) jest międzynarodowym projektem badawczym w ramach konsorcjum CHIST-ERA, współtworzonego przez Narodowe Centrum Nauki, o numerze 2018/28/Z/ST6/00563, realizowanym przez pracowników Katedry Informatyki Politechniki Lubelskiej w okresie 29.03.2019 – 28.03.2021, we współpracy z naukowcami z Ekol Lojistik, Technology Group (Turcja), Istanbul Sehir University (Turcja), Centre for Research and Technology Hellas, Information Technologies Institute (ITI) (Grecja) i Holisun srl (Rumunia).

Zespół projektowy tworzą:

1. Dr hab. Paweł Karczmarek (kierownik projektu)

2. Prof. dr hab. Witold Pedrycz

3. Dr Adam Kiersztyn

Projekt obejmuje trzy etapy:

1. Zapoznanie się z danymi i zbadanie integralności danych

2. Wykrywanie anomalii i brakujących danych

3. Opracowanie algorytmów analizy danych i ich weryfikacja

Popularnonaukowe streszczenie projektu:

„Logistyka 4.0” jest terminem odnoszącym się do logistyki wspartej innowacyjnymi aplikacjami dostarczonymi przez tzw. Systemy Cyber-Fizyczne (CPS). „Smart Logistics” to system logistyczny, który może zwiększyć elastyczność, poprzez dostosowanie się do zmian rynkowych i pomóc firmie dotrzeć bliżej potrzeb klienta. Ten nowy paradygmat jest wynikiem zwiększonego i bardziej intensywnego wykorzystania Internetu, który umożliwia komunikację między maszynami, urządzeniami i ludźmi w czasie rzeczywistym oraz wykorzystanie tzw. Zaawansowanej Cyfryzacji. Duża konkurencja na globalnym rynku zmusza firmy transportowe do skuteczniejszego opracowywania inteligentnych rozwiązań do zarządzania logistyką i organizowaniem łańcucha dostaw. W procesie poszukiwania tych rozwiązań coraz większa liczba firm wykorzystuje możliwości, jakie dają duże dane (Big Data).

Projekt podejmie wyzwanie, jakim jest przeprojektowanie danych pochodzących z technologii śledzenia pojazdów (IoT-Internet of Things, Internet Rzeczy), inteligentnych systemów umożliwiających komunikację z innymi pojazdami wymieniającymi informacje o ruchu, pogodzie i warunkach drogowych oraz różnych danych z czujników umieszczonych w pojazdach i na ładunku, dzięki którym aktualizacje trasy i lokalizacji są ustalane autonomicznie dla każdego pojazdu, zleceń pracy klientów, usług logistycznych stron trzecich (przewoźników, spedytorów, operatorów logistycznych i terminali), systemów typu open source i mediów społecznościowych.

Celem projektu jest zaprojektowanie samouczącego się modelu przetwarzania, który wykorzystuje zasoby istniejącej infrastruktury, analizując dane operacyjne w czasie rzeczywistym, przekształca dostępne dane, w celu zwiększenia potencjału tej infrastruktury i zasobów, zwiększając odporność systemu oraz jakość usług, jak również redukcję emisji gazów cieplarnianych, zużycia paliwa, przestojów, zatorów komunikacyjnych, strat w przychodach, opóźnień w dostawach, liczbę reklamacji klientów za pomocą technologii dużych zbiorów danych. Poza tym techniki uczenia maszynowego, głębokiego uczenia, algorytmy sztucznej inteligencji i analizy danych wspomogą proces predykcji i wskazań anomalii i zagrożeń mających na celu maksymalizację wydajności operacyjnej, ochrony środowiska i bezpieczeństwa. Rezultatem projektu będzie budowanie semantycznie odtwarzalnych ram, które można zastosować do różnych organizacji w wielu różnych środowiskach.

Publikacje w czasopismach

  1. P. Karczmarek, A. Kiersztyn, W. Pedrycz, E. Al, K-Means-based isolation forest, Knowledge-Based Systems, 2020, 105659, https://doi.org/10.1016/j.knosys.2020.105659

Prezentacje i publikacje konferencyjne

  1. A. Kiersztyn, P. Karczmarek, W. Pedrycz, E. Al, The concept of a supply chain management system using intermodal transport. A case study, The 2019 International Conference on Computational Intelligence, Information Technology and Systems Research (CITS’19), 13-15.06.2019