Построение карты распределения аномалий исполнения логистических проектов в условиях неопределённости

Для успешной реализации логистической операции необходимо прогнозировать возможность возникновения непредвиденных ситуаций. Они способны вызвать нежелательные издержки. Требуется принятие решений, способствующих преодолению ситуаций. Однако такие решения нередко приходится принимать в условиях неполноты и неопределённости доступной информации. Изменчивость окружающей среды требует постоянной актуализации информации о факторах, влияющих на реализацию логистических операций. Получить полное представление обо всех этих факторах практически невозможно, поэтому при принятии решений важную роль играют опыт и знания. Впрочем, применимость знаний о решении отдельно взятой ситуации ограничивается факторами, которые были наблюдаемы в момент реализации. С целью преодоления данного недостатка в статье предлагается разработка модели переноса полезного знания из прецедентов в новую ситуацию на примере задачи определения зон влияния аномалий логистического проекта. Для реализации модели используется метод рассуждений на основе прецедентов (Case-Based Reasoning). Он позволяет решить новую задачу, применяя или адаптируя ранее используемое решение. Логистические проекты описываются геоинформационными моделями.

1. Мусайбеков А. Г., Хабибулин Р. Ш., Ухатов В. С. Анализ результатов поиска и сходимости прецедентов в системе поддержки управления ликвидации пожаров и чрезвычайных ситуаций // Современные проблемы гражданской защиты. – 2020. – № 1(34). – С. 4–15.

2. Дли М. И., Соколов А. М., Воротилова М. Ю. Построение локальных нечетких моделей для ситуационного управления сложными объектами на основе прецедентов // Программные продукты и системы. – 2025. – № 3.

3. Рашевский Н. М., Руденко И. Е., Соколов Д. А., Феклистов В. А., Якунин О. А. Разработка системы поддержки принятия решений на основе рассуждения по прецедентам по оценке безопасности участка транспортной системы города // Информатика, вычислительная техника и управление (ИВД). – 2022. – № 7 (91).

4. Рожко А. И., Ханова А. А. Концептуальная структура системы управления транспортно-логистическим проектом на основе имитационного моделирования // Вестник АГТУ. Серия: Управление, вычислительная техника и информатика. – 2022. – № 1.

5. L. Marzantowicz, “The Impact of Uncertainty Factors on the Decision-Making Process of Logistics Management,” Processes, vol. 8, no. 5, p. 512, 2020. DOI: 10.3390/pr8050512

6. Беляков С. Л., Боженюк А. В., Белякова М. Л. Прецедентный анализ геоинформационных моделей проектов логистики // Наука и технологии железных дорог. – 2019. – № 2.

7. K. Guo, “Design of Human-Machine Collaborative Decision Support System in Emergency Logistics Scenarios,” Int. J. Glob. Econ. Manag., vol. 7, no. 3, pp. 98–106, 2025. DOI: 10.62051/ijgem.v7n3.10.

8. I. Jażdżewska and K. Żerek, “A spatial analysis of one of the regional logistics clusters in central Poland using GIS,” Environ. Socio-Econ. Stud., vol. 12, no. 2, pp. 48–61, 2024. DOI: 10.2478/environ-2024-0012.

9. K. R. Mudunuru, R. Remala, and S. K. Nagarajan, “Leveraging IoT and Data Analytics in Logistics: Optimized Routing, Safety, and Resource Planning,” Int. J. Comput. Trends Technol., vol. 72, no. 7, pp. 101–107, 2024. DOI: 10.14445/22312803/IJCTT-V72I7P113.

10. A. Robinson, “Geovisual Analytics,” in The Geographic Information Science & Technology Body of Knowledge, J. P. Wilson, Ed., 3rd Quart. 2017. [Online]. Available: https://doi.org/10.22224/gistbok/2017.3.6.

11. C. Y. Krishna, “AI-Powered Supply Chain Optimization: Enhancing Demand Forecasting and Logistics,” J. Comput. Sci. Technol. Stud., vol. 7, no. 4, pp. 792–801, 2025.

12. J. Mašek, L. Duricova, and J. Čamaj, “Analysing factors influencing railway accidents: A predictive approach using multinomial logistic regression and data mining,” PLoS One, vol. 20, no. 10, p. e0256789, 2025.

13. J. Li et al., “ChatSync: Large Language Model Enabled Spatial-Temporal Knowledge Reasoning for Production Logistics Synchronization,” IEEE Internet Things J., vol. 12, no. 22, pp. 47499–47518, 2025. DOI: 10.1109/JIOT.2025.3603073.

14. U. Olmez et al., “Evaluation of logistics risk factors with BWM method; Sivas province example,” Pesqui. Oper., vol. 44, p. e26745, 2024. DOI: 10.1590/0101-7438.2023.043.00286745.

15. J. Jiao, Y. Liu, and C. Xie, “The Optimization Model of E-Commerce Logistics Distribution Path Based on GIS Technology,” Adv. Multimedia, vol. 2022, p. 1234567, 2022. [Online]. Available: https://doi.org/10.1155/2022/1234567.

16. M. K. Pasupuleti, “Predictive Relief Logistics Models for Earthquakes and Floods Based on Traffic, Weather, and Supply Chain Data,” Int. J. Acad. Ind. Res. Innov., vol. 5, no. 4, pp. 142–150, 2025.

17. Зорькин Д. Ю., Самофалова Л. В., Асанова Н. В. Муравьиный алгоритм на Python // Известия ЮФУ. Технические науки. – 2025. – № 1 (243).

18. Кошуняева Н. В., Тутыгин А. Г. Сравнительный анализ эффективности использования метаэвристических методов моделирования для решения задачи коммивояжёра // Моделирование и анализ данных. – 2025. – Т. 15, № 3. – С. 76–93.

19. Конев К. А. Машинное обучение для поддержки принятия решений в сфере качества на промышленном предприятии // Экономика. Информатика. – 2023. – № 3.

20. G. Andrienko, N. Andrienko, G. Fuchs, and J. M. Cordero Garcia, “Clustering Trajectories by Relevant Parts for Air Traffic Analysis,” IEEE Trans. Vis. Comput. Graphics, vol. 24, no. 1, pp. 34–44, 2018. DOI: 10.1109/TVCG.2017.2744322.

21. T. Li et al., “HGeoKG: A Hierarchical Geographic Knowledge Graph for Geographic Knowledge Reasoning,” ISPRS Int. J. Geo-Inf., vol. 14, no. 1, p. 18, 2025.

22. R. Pierdicca, N. Muralikrishna, F. Tonetto, and A. Ghianda, “On the Use of LLMs for GIS-Based Spatial Analysis,” ISPRS Int. J. Geo-Inf., vol. 14, no. 10, p. 401, 2025.

23. Иванова Н. В., Белов В. С., Самаркин А. И. и др. Картографический анализ экстренных вызовов на дорожно-транспортные происшествия для оптимизации работы службы скорой медицинской помощи // Вестник Псковского государственного университета. Серия: Естественные и физико-математические науки. – 2023. – Т. 16, № 2. – С. 114–129.

24. Беляков С. Л., Израилев Л. А. Геоинформационные модели аварийных ситуаций с пространственными обобщениями // Известия ЮФУ. Технические науки. – 2025. – № 1 (243). – С. 153–164. DOI: 10.18522/2311-3103-2025-1-153-164.

25. N. Y. Uzun and A. Deran, “The importance of logistics costs in e-commerce businesses,” Mersin Univ. J. Marit. Fac., vol. 7, no. 1, pp. 9–25, 2025. DOI: 10.47512/meujmaf.1699397.

26. Маколова Л. В. Управление проектами в логистике: учеб. пособие. – Ростов-на-Дону: РГУПС, 2017.