| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Loģistikas sistēmu un piegādes ķēdes vadība |
| Nosaukums |
Uz IoT un mašīnmācīšanos balstītas metodoloģijas izstrāde reāllaika un prognozējošai loģistikas CO₂ emisiju uzskaitei atbilstoši GLEC/GHG protokola standartiem |
| Nosaukums angļu valodā |
Developing an IoT- and Machine Learning-Based Methodology for Real-Time and Predictive Logistics CO₂ Emissions Reporting in Compliance with GLEC/GHG Protocol Standards |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Antons Patļins |
| Recenzents |
Inese Poļaka |
| Anotācija |
Mūsdienu piegādes ķēdēm ir būtiska problēma CO₂ emisiju uzskaitē, jo ir paaugstinātas normatīvās prasības attiecībā uz pārredzamību un standartizāciju. Neskatoties uz tādu ietvaru kā Globālās loģistikas emisiju padomes (GLEC) ietvars un Siltumnīcefekta gāzu (SEG) protokols plašo pieņemšanu, pašreizējie ziņošanas procesi lielākoties ir statiski, retrospektīvi un nepiemēroti lēmumu pieņemšanai reāllaikā. Tajā pašā laikā lietu interneta (IoT) un mašīnmācīšanās (ML) tehnoloģiju attīstībai ir milzīgs potenciāls dinamiskai datu vākšanai un prognozējošai analītikai, taču to integrācija ar normatīvajiem aktiem atbilstošu emisiju uzskaiti ir ierobežota.
Šī maģistra darba mērķis ir pārbaudīt uz lietu internetu un mašīnmācīšanos balstītu metodi reāllaika un prognozējošas loģistikas CO₂ emisiju ziņošanai, kas atbilst GLEC un SEG protokola kritērijiem. Pētījumā tiek izmantota gadījuma izpētes pieeja, izmantojot uz autoparku balstītu loģistikas datu kopu, kas atspoguļo faktiskos ekspluatācijas apstākļus, piemēram, transportlīdzekļa attālumu, degvielas patēriņu, kravu, ātrumu un brauciena raksturlielumus. Lai organizētu augstfrekvences aktivitātes datus, tiek izmantotas uz lietu internetu balstītas datu vākšanas un pirmapstrādes metodes, kuras pēc tam tiek izmantotas emisiju aprēķināšanai, izmantojot standartizētus uz degvielu balstītus emisijas faktorus, kas atbilst GLEC/siltumnīcefekta gāzu (SEG) ieteikumiem.
Lai novērtētu emisijas reāllaikā un prognozētu tās īstermiņā, tiek izmantoti uzraudzīti mašīnmācīšanās modeļi, piemēram, lineārā regresija, nejaušais mežs un gradienta pastiprināšana. Modeļa veiktspēja tiek novērtēta, izmantojot MAE, RMSE un R². Secinājumi liecina, ka mašīnmācīšanās modeļi ievērojami uzlabo aprēķinu precizitāti un atsaucību, salīdzinot ar klasiskajām statiskās ziņošanas metodēm.
Secinājumi apstiprina, ka piedāvātā metodoloģija uzlabo loģistikas emisiju ziņošanas laika izšķirtspēju, precizitāti un praktisko pielietojamību, tādējādi pārvarot plaisu starp progresīvu datu vadītu analītiku un atbilstības orientētām emisiju uzskaites sistēmām.
Maģistra darbs sastāv no 128 lappusēm: tajā ir 27 attēli, 10 tabulas un 93 atsauces. |
| Atslēgas vārdi |
IoT, MAŠĪNMĀCĪŠANĀS, LOĢISTIKAS EMISIJAS, GLEC IETVARS, SEG PROTOKOLS, REĀLLAIKA MONITORINGS, PROGNOZĒJOŠĀ ANALĪTIKA |
| Atslēgas vārdi angļu valodā |
IoT, MACHINE LEARNING, LOGISTICS EMISSIONS, GLEC FRAMEWORK, GHG PROTOCOL, REAL-TIME MONITORING, PREDICTIVE ANALYTICS |
| Valoda |
eng |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
20.05.2026 00:02:47 |
