Аннотации:
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.
