ОПТИМИЗАЦИЯ МОНИТОРИНГА СКЛАДА С ПОМОЩЬЮ IOT-ДАТЧИКОВ И МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ: ЭМПИРИЧЕСКОЕ ИССЛЕДОВАНИЕ ПО ОБНАРУЖЕНИЮ ГРЫЗУНОВ И УПРАВЛЕНИЮ ОКРУЖАЮЩЕЙ СРЕДОЙ

Abstract

В настоящем исследовании представлена методология, объединяющая данные IoT-датчиков и алгоритмы машинного обучения для оптимизации мониторинга складских помещений. Предлагаемая система решает две ключевые задачи: обнаружение активности грызунов посредством анализа данных с датчиков движения и выявление экологических рисков (например, аномалий в показателях температуры, влажности и уровня газов), свидетельствующих о возможной порче продукции. Для проверки работоспособности системы используется симулированный набор данных, охватывающий 30-дневный период с почасовой дискретизацией, где ключевые события маркируются как «грызун обнаружен» и «предупреждение о порче». Основным алгоритмом классификации выбран Random Forest, обеспечивающий точность обнаружения около 95,24%. Дополнительно проведено сравнение с альтернативными моделями (логистическая регрессия, SVM, Gradient Boosting, нейронные сети). Помимо технической реализации, в работе представлен анализ экономической эффективности, демонстрирующий высокую рентабельность внедрения системы.