Abstract
В данной статье представлено эмпирическое исследование, направленное на интеграцию данных датчиков Интернета вещей (IoT) с методами машинного обучения (ML) для оптимизации мониторинга и управления складскими объектами. Предлагаемая система решает две основные проблемы современных складских операций: (1) обнаружение активности грызунов с использованием данных датчиков движения и (2) выявление экологических рисков, таких как порча продукции, отражающаяся в аномалиях выбросов газов, температурных и влажностных режимов. Для верификации предложенного подхода был создан синтетический набор данных, охватывающий 30-дневный период с почасовой дискретизацией, в котором значения сенсоров аннотированы событиями «Обнаружение грызунов» и «Оповещение о порче».В качестве основного метода классификации использовался классификатор Random Forest, выбранный за его устойчивость к шуму и несбалансированным данным, а также за возможность оценки важности признаков. Модель достигла точности примерно 95,24 % при обнаружении активности грызунов, что свиде-тельствует о высокой эффективности подхода в сложных условиях реального мира. Кроме технических аспектов, статья посвящена анализу экономических и социальных преимуществ предлагаемой системы. Представлен детальный процесс генерации оповещений, а также проведён анализ затрат и выгод с оценкой возврата инвестиций (ROI) на уровне примерно 108 %. Результаты ис-следования демонстрируют потенциал интеграции IoT и ML для оптимизации управления складскими процессами, снижения операционных издержек, мини-мизации потерь продукции и обеспечения устойчивости цепочки поставок.