Прогнозна аналітика для вантажоперевезень: Track & Trace на ML

Зауважимо: коли вантаж іде з Шанхаю до Мінська, диспетчер бачить на карті точку. Цього недостатньо: митні затримки, погодні умови, затори, нестандартні маршрути — десятки факторів ламають план. Наприклад, морський контейнер з Шанхаю може простояти на митниці до двох діб без повідомлення для складу. Ми інтегруємо дані з ЄАІС ФТС та завчасно попереджаємо про зміну статусу.

Ми будуємо систему Track & Trace на основі машинного навчання, яка не просто показує «де», а відповідає «коли прибуде» з ймовірністю 90% і «що може піти не так» — ще до того, як проблема сталася. За останні роки ми реалізували 15+ проектів моніторингу транспорту для логістичних операторів та рітейлерів. Один із клієнтів — мережа гіпермаркетів — скоротив простій на 40% та заощадив $200 000 на рік після впровадження. Ця стаття — архітектура, моделі та конкретні інструменти, які ми використовуємо для прогнозної аналітики вантажоперевезень.

Система Track & Trace з прогнозом ETA для вантажоперевезень

Як ML прогнозує ETA з точністю до години?

Точний ETA — ключова цінність для отримувача і для складу (підготовка до приймання). Наша ETA-модель дає прогноз у 3 рази точніше, ніж стандартні трекінгові системи: MAE 0.8–2.5 години проти типових 3–6 годин. Порівняйте: традиційні системи трекінгу показують статус «в дорозі», але не прогнозують прибуття. Наша модель дає прогноз з ймовірністю 90% — у 3 рази точніше. Для порівняння: це як передбачати прибуття з точністю до години замість півдня.

Для прогнозування використовуємо LightGBM — бібліотеку градієнтного бустингу, розроблену Microsoft. з квантильною регресією. Ознаки для ETA-моделі:

• Поточне місцезнаходження + відстань до цілі
• Історичний lead time цього перевізника на цьому плечі
• День тижня / свята / сезон
• Поточна завантаженість доріг (Яндекс.Карти API, HERE Traffic)
• Погода за маршрутом (OpenWeatherMap)
• Статус на кордоні/митниці (історичні затримки)
• Тип вантажу (пріоритетний / стандартний)

import lightgbm as lgb
import pandas as pd
import numpy as np

class ETAPredictor:
    def __init__(self):
        self.model = lgb.LGBMRegressor(
            n_estimators=500,
            learning_rate=0.03,
            num_leaves=64,
            objective='quantile',
            alpha=0.9
        )

    def predict_eta(self, shipment_features):
        """Повертає P50 та P90 ETA в годинах від поточного моменту"""
        X = self._prepare_features(shipment_features)
        eta_p90 = self.model.predict(X)[0]
        eta_p50 = self.median_model.predict(X)[0]
        return {
            'expected_hours': eta_p50,
            'latest_hours': eta_p90,
            'confidence_interval': (eta_p50 - 2, eta_p90)
        }

Для управління експериментами та версіонування моделей використовуємо MLflow. Моделі загорнуті в Docker-контейнери та деплояться через Kubernetes на GPU-нодах для низької латентності (p99 < 50 мс).

Чому детекція аномалій критична?

Стандартний трекінг показує точку на карті, але не класифікує причини зупинки. Наша ML-модель визначає, чи є зупинка плановою (наприклад, відпочинок водія) чи критичною (поломка, крадіжка). Аномальні відхилення від маршруту — перевантаження або несанкціоноване сходження — також виявляються автоматично.

Аномалії в треку:

• Зупинка в нетиповому місці >30 хв → alert (поломка? крадіжка? відпочинок водія?)
• Відхилення від запланованого маршруту >5 км
• Втрата сигналу >2 години (вийшов із зони покриття або знято трекер)
• Перевищення допустимої температури (рефрижератор) — інтеграція з датчиком

ML-класифікатор інцидентів: Isolation Forest на паттернах руху → аномальний трек → категоризація: планова зупинка, незапланована зупинка в місті, перевантаження, критична аномалія.

Як автоматичні алери запобігають простоям?

Клієнт бачить трекінг сам, але важливіші автоматичні сповіщення:

• «Ваш вантаж затримається на 4 години» — за 3 години до розрахункового прибуття
• «Нестандартний маршрут» — коли водій відхилився
• «Прибуття через 2 години» — для складу: підготувати документи та персонал

Канали: SMS, Email, Telegram-бот, webhook в ERP клієнта.

Впровадження системи за 4 кроки

1. Інтеграція джерел даних (GPS, AIS, API перевізників) через Kafka.
2. Розробка ETA-моделі на LightGBM з квантильною регресією.
3. Налаштування детекції аномалій (Isolation Forest) та класифікація інцидентів.
4. Розгортання алертів (Telegram, SMS, webhook) та дашборду.

Інтеграція з митницею та документами

• ЄАІС ФТС: статус митного оформлення за номером ДТ
• Електронна транспортна накладна (ЕТрН) — статуси по ГІС ЕПД
• Сертифікати та дозволи: alert при закінченні терміну дії АТР/ЄКМТ в дорозі

Що входить в роботу

Терміни та вартість

Базова система з трекінгом та алерами — від 2 місяців. Повноцінне рішення з ETA-моделлю та інтеграцією митниці — до 4 місяців. Вартість розраховується індивідуально після аналізу ваших даних та вимог. Середня економія на одному маршруті становить $10 000–$15 000 за рахунок скорочення простоїв та штрафів. Зазвичай окупність — 6–12 місяців. Оцінимо проект за 1 день — зв'яжіться для консультації.

Наші інженери мають 10+ років досвіду в ML та логістиці, 20+ успішних проектів в СНД та Європі. Ми гарантуємо якість на кожному етапі. Отримайте консультацію — ми покажемо, як ваша логістика стане прозорішою. Замовте розробку системи відстеження вантажів під ключ.