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
  2. P. Karczmarek, A. Kiersztyn, W. Pedrycz, D. Czerwiński, Fuzzy c-means isolation forst, Applied Soft Computing, in press

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, in: Computational Intelligence, Information Technology and Systems Research, Lublin University of Technology Press, Lublin 2020, 71-80
  2. P. Karczmarek, A. Kiersztyn, W. Pedrycz, n-ary isolation forest: An experimental comparative analysis, in: L. Rutkowski, R. Scherer, M. Korytkowski, W. Pedrycz, R. Tadeusiewicz, J. M. Zurada (eds.), Artificial Intelligence and Soft Computing. ICAISC 2020. Lecture Notes in Computer Science 12416, 2020, 188-198 doi: 10.1007/978-3-030-61534-5_17
  3. P. Karczmarek, A. Kiersztyn, W. Pedrycz, Fuzzy set-based isolation forest, in: 2020 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), 2020, 1-6 doi: 10.1109/FUZZ48607.2020.9177718
  4. P. Karczmarek, W. Pedrycz, D. Czerwinski, A. Kiersztyn, The assessment of importance of selected issues of software engineering, IT project management, and programming paradigms based on graphical AHP and fuzzy c-means, in: 2020 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), 2020, 1-7 doi: 10.1109/FUZZ48607.2020.9177591
  5. M. Badurowicz, J. Montusiewicz, P. Karczmarek, Detection of road artefacts using fuzzy adaptive thresholding, in: 2020 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), 2020, 1-8 doi: 10.1109/FUZZ48607.2020.9177822
  6. A. Kiersztyn, P. Karczmarek, R. Łopucki, W. Pedrycz, E. Al, I. Kitowski, A. Zbyryt, Data imputation in related time series using fuzzy set-based techniques, in: 2020 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), 2020, 1-8 doi: 10.1109/FUZZ48607.2020.9177617
  7. A. Kiersztyn, P. Karczmarek, K. Kiersztyn, W. Pedrycz, The concept of detecting and classifying anomalies in large data sets on a basis of information granules, in: 2020 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), 2020, 1-7 doi: 10.1109/FUZZ48607.2020.9177668
  8. D. Czerwiński, A. Kiersztyn, R. Łopucki, P. Karczmarek, I. Kitowski, A. Zbyryt, An application of fuzzy c-means, fuzzy cognitive maps, and fuzzy rules to forecasting first arrival date of avian spring migrants, in: 2020 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), 2020, 1-6 doi: 10.1109/FUZZ48607.2020.9177763