Abstract
Это исследование посвящено разработке и применению методов машинного обучения (ML) для повышения эффективности логистических операций в контексте умных городов. Основное внимание в исследовании уделяется методам кластеризации и алгоритмам кратчайшего пути, а также оптимизации логистики курьерской доставки в Астане, Казахстан. Исследование объединяет кластеризацию K-means и алгоритм Дейкстры для решения задач городской логистики, предоставляя полезную информацию об оптимизации маршрутов, распределении ресурсов и масштабируемости операций. Используя геопространственные данные и передовые методологии кластеризации, это исследование предлагает основу для улучшения логистических операций, способствуя при этом достижению более широких целей умного города. Результаты экспериментов подтверждают эффективность предложенного метода: кластеризация по K-means и алгоритм Дейкстры значительно улучшили работу с маршрутами и сократили время работы. В частности, K-means заняло 1,12 секунды, а Fuzzy C-means показало более высокую скорость кластеризации – 0,023 секунды. Динамическая визуализация и оптимизация маршрутов доставки в логистических кластерах – это совместное использование K-means и алгоритм Dijkstra, которые использовались для принятия решений и минимизации расстоя-ний в пути.