ҚАЛАЛЫҚ КУРЬЕРЛІК ЛОГИСТИКАДАҒЫ КЛАСТЕРЛЕУ ӘДІСТЕРІНЕ НЕГІЗДЕЛГЕН ДЕРЕКТЕРМЕН ОҢТАЙЛАНДЫРУ

Қалалар мен олардың инфрақұрылымының қарқынды дамуы жағдайында сапалы қалалық жеткізілімге деген сұраныс үздіксіз өсіп келеді. Бұл жұмыста курьерлік компания ұсынған деректер негізінде жеткізу аймақтарын үйлестіру мүмкіндіктері қарастырылады. Қолмен құрылған дәстүрлі аймақтар көбінесе қаладағы ауа райы, жол қозғалысы, көше желісі сияқты факторларды дұрыс ескере бермейді. Зерттеуде K-Means және DBSCAN кластерлеу алгоритмдерінің жеткізу аймақтарын динамикалық түрде қалыптастыруға қалай ықпал ететіні көрсетіледі. Салыстырмалы талдау Silhouette score және Big-O нотациясы тәрізді көрсеткіштерді пайдаланады. Нәтижелер K-Means алгоритмі біркелкі, құрылымды кластерлер құратынын, ал DBSCAN дерек тығыздығына бейімделіп, икемді шекаралар анықтайтынын дәлелдеді. Көп деңгейлі DBSCAN тәсілі шашыраңқы тапсырыстардың шоғырлануын азайтып, барлық жеткізу нүктелеріне қолжетімділікті арттырады. Осылайша, кластерлеу алгоритмдері курьерлер арасында тапсырыстарды әділ бөлуді жеңілдетіп, операциялық шығындарды қысқартуға мүмкіндік береді. Болашақта алгоритмдердің динамикалық ортада қалай жұмыс істейтінін бағалау үшін нақты уақыттағы деректерді енгізу қажет.

1. Kinelski G. Smart-city trends in the environment of sustainability as support for decarbonization processes // Polityka Energetyczna. – 2022. – Vol. 25. – No. 2.

2. Janjevic M., Winkenbach M. Characterizing urban last-mile distribution strategies in mature and emerging e-commerce markets // Transportation Research Part A: Policy and Practice. – 2020. – Vol. 133. – P. 164–196.

3. Russo F., Comi A. Urban courier delivery in a smart city: the user learning process of travel costs enhanced by emerging technologies // Sustainability. – 2023. – Vol. 15. – No. 23. – P. 16253.

4. Monferdini L., Bottani E. Examining the Response to COVID-19 in Logistics and Supply Chain Processes: Insights from a State-of-the-Art Literature Review and Case Study Analysis // Applied Sciences. – 2024. – Vol. 14. – No. 12. – P. 5317.

5. Li Z., Gu W., Meng Q. The impact of COVID-19 on logistics and coping strategies: a literature review // Regional Science Policy & Practice. – 2023. – Vol. 15. – No. 8. – P. 1768–1795.

6. Yang J. et al. Optimization of real-time traffic network assignment based on IoT data using DBN and clustering model in smart city // Future Generation Computer Systems. – 2020. – Vol. 108. – P. 976–986.

7. Rahman M. A. et al. Logistics Hub Location Optimization: A K-Means and P-Median Model Hybrid Approach Using Road Network Distances // arXiv preprint arXiv:2308.11038. – 2023.

8. Mandal M.P., Archetti C. A Decomposition Approach to Last Mile Delivery Using Public Transportation Systems // arXiv preprint arXiv:2306.04219. – 2023.

9. Barreto S. et al. Using clustering analysis in a capacitated location-routing problem //European journal of operational research. – 2007. – Vol. 179. – No. 3. – P. 968–977.

10. Mandal M.P., Archetti C. A Decomposition Approach to Last Mile Delivery Using Public Transportation Systems // arXiv preprint arXiv:2306.04219. – 2023.

11. Hess A., Spinler S., Winkenbach M. Real-time demand forecasting for an urban delivery platform // Transportation Research Part E: Logistics and Transportation Review. – 2021. – Vol. 145. – P. 102147.

12. Sawik B. Optimizing Last-Mile Delivery: A Multi-Criteria Approach with Automated Smart Lockers, Capillary Distribution and Crowdshipping // Logistics. – 2024. – Vol. 8. – No. 2. – P. 52.

13. Google Sites. K-means clustering algorithm. URL: https://sites.google.com/site/dataclusteringalgorithms/k-means-clustering-algorithm (дата обращения: 31.01.2025).

14. DataCamp. DBSCAN clustering algorithm URL: https://www.datacamp.com/tutorial/dbscanclustering-algorithm (дата обращения: 31.01.2025).

15. KDnuggets. DBSCAN clustering algorithm in machine learningю – 2020, апрель. URL: https://www.kdnuggets.com/2020/04/dbscan-clustering-algorithm-machine-learning.html (дата обращения: 31.01.2025).

16. Shahapure K.R., Nicholas C. Cluster quality analysis using silhouette score // 2020 IEEE 7th international conference on data science and advanced analytics (DSAA). – IEEE, 2020. – С. 747–748.

17. Ogbuabor G., Ugwoke F. N. Clustering algorithm for a healthcare dataset using silhouette score value // Int. J. Comput. Sci. Inf. Technol. – 2018. – Vol. 10. – No. 2. – P. 27–37.

18. Analytics Vidhya. K-means: Getting the optimal number of clusters. – 2021, май. URL: https://www.analyticsvidhya.com/blog/2021/05/k-mean-getting-the-optimal-number-of-clusters/ (дата обращения: 31.01.2025).

19. GeeksforGeeks. Elbow method for optimal value of k in K-means. URL: https://www.geeksforgeeks.org/elbow-method-for-optimal-value-of-k-in-kmeans/ (дата обращения: 31.01.2025).

20. GeeksforGeeks. DBSCAN clustering in ML: Density-based clustering. URL: https://www.geeksforgeeks.org/dbscan-clustering-in-ml-density-based-clustering/ (дата обращения: 31.01.2025).

21. Srilekha S., Priyadharshini P., Adhilakshmi M. Comparative evaluation of K-Means, hierarchical clustering, and DBSCAN in blood donor segmentation // International Journal for Multidisciplinary Research. – 2024. – Vol. 6. – No. 4. – P. 1–5. https://doi.org/10.36948/ijfmr.2024.v06i04.26755.