دیتاست زنجیره تامین لجستیک هوشمند

درباره مجموعه داده

این دیتاست داده‌های بلادرنگ را برای عملیات لجستیک هوشمند فراهم می‌کند و جنبه‌های مختلف مدیریت زنجیره تامین را در سال 2024 به تصویر می‌کشد.
این شامل اطلاعاتی در مورد ردیابی دارایی، سطوح موجودی، وضعیت حمل و نقل، شرایط محیطی، ترافیک و رفتارهای کاربر است. مجموعه داده دارای ذینفعان متعدد در شبکه لجستیک است، از جمله شناسه دارایی، مهر زمانی، شرایط ترافیک، زمان انتظار و دلایل تاخیر. علاوه بر این، داده‌ها با اطلاعات بی‌درنگ از حسگرهای اینترنت اشیا، مانند دما، رطوبت، و استفاده از دارایی‌ها غنی می‌شوند تا بهینه‌سازی لجستیک و تصمیم‌گیری پیشرفته را تسهیل کنند. متغیر هدف، Logistics_Delay، به شناسایی تاخیر در فرآیندهای لجستیک کمک می کند، که برای افزایش کارایی زنجیره تامین از طریق مدیریت فعال و تکنیک های بهینه سازی ضروری است. این مجموعه داده برای استفاده برای کاربردهای تحقیق و یادگیری ماشین با تمرکز بر لجستیک هوشمند و بهبود عملکرد زنجیره تامین طراحی شده است.

ویژگی های کلیدی:
مهر زمانی: تاریخ و زمانی که داده ها ثبت شده اند، نشان دهنده فعالیت لجستیک است.
Asset_ID: شناسه منحصر به فرد برای دارایی های لجستیکی (به عنوان مثال، کامیون).
طول و عرض جغرافیایی: مختصات جغرافیایی دارایی برای ردیابی و نظارت.
Inventory_Level: سطح فعلی موجودی مرتبط با دارایی یا محموله.
Shipment_Status: وضعیت محموله (به عنوان مثال، در حال انتقال، تحویل، با تاخیر).
دما: دمای ثبت شده در زمان حمل و نقل یا حمل و نقل.
Humidity: میزان رطوبت در زمان ضبط.
Traffic_Status: وضعیت ترافیک فعلی (به عنوان مثال، واضح، سنگین، انحراف).
Waiting_Time: مدت زمان انتظار در طول فرآیند لجستیک (در دقیقه).
User_Transaction_Amount: مقدار پولی مرتبط با تراکنش های کاربر.
User_Purchase_Frequency: فراوانی خریدهای انجام شده توسط کاربر.
Logistics_Delay_Reason: دلیل هر گونه تاخیر در فرآیند لجستیک (به عنوان مثال، آب و هوا، خرابی مکانیکی).
Asset_Utilization: درصد استفاده از دارایی، نشان می دهد که دارایی ها چگونه به طور موثر استفاده می شوند.
تقاضا_پیش بینی: تقاضای پیش بینی شده برای خدمات لجستیک در دوره آینده.
Logistics_Delay (Target): متغیر باینری نشان می دهد که آیا تاخیر لجستیک رخ داده است (1 برای تاخیر، 0 برای بدون تاخیر).