Разработка AI-системы отслеживания грузов в реальном времени Track Trace

Разработка AI-системы отслеживания грузов в реальном времени Track & Trace

Track & Trace — базовая потребность любого грузовладельца. AI добавляет к простому «где груз» прогностику: «когда прибудет» с доверительным интервалом и «что может пойти не так».

Архитектура системы мониторинга

Источники локационных данных:

Интеграционный слой:

• Apache Kafka: прием событий из всех источников в единую шину
• Stream processing (Flink/Spark Streaming): обогащение события гео-данными
• PostgreSQL + TimescaleDB: хранение time-series треков

Прогноз времени прибытия (ETA)

Точный ETA — ключевая ценность для получателя и для склада (подготовка к приёмке).

Признаки для ETA-модели:

• Текущее местоположение + расстояние до цели
• Исторический lead time этого перевозчика на этом плече
• День недели / праздники / сезон
• Текущая загруженность дорог (Яндекс.Карты API, HERE Traffic)
• Погода по маршруту (OpenWeatherMap)
• Статус на границе/таможне (исторические задержки)
• Тип груза (приоритетный / стандартный)

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',  # предсказываем квантиль
            alpha=0.9  # P90 — не опоздаем в 90% случаев
        )

    def predict_eta(self, shipment_features):
        """Возвращает P50 и P90 ETA в часах от текущего момента"""
        X = self._prepare_features(shipment_features)
        eta_p90 = self.model.predict(X)[0]

        # Также обучаем медианную модель для "ожидаемого" ETA
        eta_p50 = self.median_model.predict(X)[0]

        return {
            'expected_hours': eta_p50,
            'latest_hours': eta_p90,  # "не позднее"
            'confidence_interval': (eta_p50 - 2, eta_p90)
        }

Точность модели: MAE = 0.8–2.5 часа для автомобильных перевозок на плечах 200–800 км.

Детекция аномалий и рисков

Аномалии в треке:

• Остановка в нетипичном месте >30 мин → alert (поломка? кража? отдых водителя?)
• Отклонение от запланированного маршрута >5 км
• Потеря сигнала >2 часа (вышел из зоны покрытия или снят трекер)
• Превышение допустимой температуры (рефрижератор) — интеграция с датчиком температуры

ML-классификатор инцидентов:

Isolation Forest на паттернах движения → аномальный трек → категоризация:

• Плановая остановка (место совпадает с известными стоянками/СТО)
• Незапланированная остановка в городе
• Перегрузка (груз перекладывался)
• Критическая аномалия (требует звонка)

Проактивные уведомления

Клиент видит трекинг сам — но важнее автоматические уведомления:

• «Ваш груз задержится на 4 часа» — за 3 часа до расчётного прибытия
• «Нестандартный маршрут» — когда водитель отклонился
• «Прибытие через 2 часа» — для склада: подготовить доки и персонал

Channels: SMS (SMSC / SMS-traff), Email, Telegram-бот, webhook в ERP клиента.

Интеграция с таможней и документами

• ЕАИС ФТС: статус таможенного оформления по номеру ДТ
• Электронная транспортная накладная (ЭТрН) — статусы по ГИС ЭПД
• Сертификаты и разрешения: alert при истечении срока действия АТР/ЕКМТ в пути

Срок разработки: 2–4 месяца для системы с реальным мониторингом, ETA-прогнозом и автоматическими уведомлениями с интеграцией в корпоративный портал.