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:
| Источник | Точность | Частота | Сценарий |
|---|---|---|---|
| GPS-трекер на ТС | 3–10 м | 30 сек–5 мин | Автомобильный фрахт |
| AIS (морские суда) | 100–200 м | 2–10 мин | Морские перевозки |
| RFID на контейнере | Зоны контроля | При прохождении | Портовые операции |
| API перевозчика (DHL, FedEx) | Точки сканирования | По событиям | Курьерские отправления |
| Ж/д EDI (РЖД ЭТРАН) | Станция | По прибытии | Железнодорожные |
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.