Удосконалення технології планування контейнерних перевезень на основі прогнозування надходження контейнеропотоків

Abstract

UA: Об'єктом дослідження є процес надходження контейнеропотоків до логістичних хабів у системі контейнерних перевезень. Метою дослідження є удосконалення технології планування контейнерних перевезень на основі прогнозування надходження контейнеропотоків до логістичних хабів із використанням сучасних методів обробки даних та інформаційних технологій. У кваліфікаційній роботі досліджено процес планування контейнерних перевезень на основі прогнозування надходження контейнеропотоків до логістичних хабів. Розроблено прогнозну модель із використанням рекурентної нейронної мережі типу LSTM та модель підтримки прийняття рішень щодо планування контейнерних перевезень. Практична цінність роботи полягає у можливості використання розроблених моделей для підвищення точності прогнозування, скорочення простоїв контейнерів і фітингових платформ, а також удосконалення планування контейнерних перевезень. Елементи наукової новизни полягають в удосконаленні технології планування контейнерних перевезень на основі прогнозування надходження контейнеропотоків із використанням рекурентної нейронної мережі типу LSTM та розробленні моделі підтримки прийняття рішень для підвищення ефективності організації перевізного процесу.

EN: The object of the study is the process of container flow arrivals at logistics hubs within the container transportation system. The aim of the study is to improve container transportation planning technology based on forecasting container flow arrivals at logistics hubs using modern data processing methods and information technologies. The qualification thesis investigates the process of planning container transportation based on forecasting container flows to logistics hubs. A forecasting model based on a Long Short-Term Memory (LSTM) recurrent neural network and a decision support model for container transportation planning were developed. The practical significance of the study lies in the possibility of applying the developed models to improve forecasting accuracy, reduce container and flatcar dwell time, and enhance the efficiency of container transportation planning. The elements of scientific novelty lie in the improvement of container transportation planning technology through forecasting container flows using a Long Short-Term Memory (LSTM) recurrent neural network and in the development of a decision support model to improve the efficiency of transportation process planning and management.