7. “Big Data” and decision support

7. “Big Data” and decision support systems for managing multimodal transport
While the aforementioned technological developments have brought increasing volume and detail of information captured by organisations, what matters more is how we can harness and capture the value from those large data sets (so called “Big Data”). The future of decision support systems (DSS) for managing multimodal transport lays in the real-time, dynamic and integrated nature of decision making with enhanced capabilities through the developments of technological trends discussed. Sophisticated analytics can substantially improve decision-making.

Major efforts in the existing literature have been focusing on areas such as terminal planning, vehicle scheduling, loading, route optimisation and network design. For instance, Caris et al. (2008) provide an overview of planning decisions and solution techniques in intermodal freight transport according to the level of the decision and their review includes integrated applications and decision support systems. Macharis et al. (2011) propose a decision support framework to analyse policies supporting the intermodal transport industry and applied to the location analysis of intermodal terminals. The framework has three models (NODUS, LAMBIT and SIMBA) that support the evaluation of different decisions for the optimal location of the new terminal, market area and potential of the new terminal and finally, it evaluates the impact on the waterways network performance. Kengpol et al. (2012) present a decision support system for the selection of multimodal transportation routing for logistics service providers and SMEs. The system is capable of optimising multimodal routing within the Greater Mekong sub-region countries through the integration of the Analytic Hierarchy Process and Zero-One Goal Programming.

Trends related to cloud computing, the Internet of Things together with business analytics will allow further enhancement of DSS capabilities and improve users׳ accessibility to relevant features. In Table 1, we have presented our findings related to EU framework programme projects, such as e-Freight and iCargo, which already integrate “intelligence” and dynamic capabilities. Some research presents DSS for a static environment (Macharis et al., 2011 and Kengpol et al., 2012) whereas a few recent academic papers incorporate a dynamic nature and in some cases business intelligence as part of their contribution. For example, Bock (2010) proposes a dynamic model, with a real-time-oriented control approach to allow the expansion of load consolidation, the reduction of empty vehicle trips, and handling of dynamic disturbances for freight forwarder transportation networks. The model integrates multimodal transport chains and multiple transhipments. Boschian et al. (2011) present a metamodelling framework for an integrated system (IS) to manage Intermodal Transportation Networks (ITN) at the tactical (offline mode) and operational levels (real time). There are two core modules in the system: an ITN reference model (knowledge base) and a simulation module that predicts the system׳s behaviour and enables the IS to tune the proposed management strategies and choices. Dotoli et al. (2013) present a DSS for co-modal transportation for multiple route planning in real time with the consideration of conflicting multiple criteria (such as cost, time or gas emissions) that is based on the distributed multi-agent framework. The genetic algorithm is used to obtain user-vehicle-route combinations according to the users׳ preferences. In addition, the system suggests solutions when the transportation is not available due to external factors such as strikes.

Leveraging and capturing the value derived by DSSs from deep and up-to-real-time information will offer competitiveness to multimodal players and most likely impact on their business bottom line. For instance, increased visibility would lead to organisations being more proactive if things go wrong. Consignees would be notified and alternative options could be developed to cope with uncertainties and disruptions. Real time positional tracking data using telematics would provide insights as to truck drivers׳ behaviour and route optimisation. Automation in transactions would reduce the need for paper work and result in lead time reduction.

The challenge, however, lies in how to quickly analyse increasing volume of data (often loosely structured). Big data usually refers to very large data sets in the pretabyte and exabyte range, i.e. billions to trillions of information from different resources. Traditional DSSs would often not be capable of managing and analysing those nontraditional data. One of the resolutions industries are taking up is to use Hadoop, an open source software framework for working with various big data sets. It breaks a big data set into smaller clusters, processing them distributedly, and then combines the results into a smaller data set that is easier to analyse (further information can be obtained via http://www-01.ibm.com/software/data/infosphere/hadoop/).

ผลลัพธ์ (ไทย) 1:

7. "ข้อมูลขนาดใหญ่" และระบบสนับสนุนการตัดสินใจสำหรับการจัดการการขนส่งทุกในขณะที่การพัฒนาเทคโนโลยีดังกล่าวได้นำปริมาตรที่เพิ่มขึ้นและรายละเอียดของข้อมูลที่บันทึก โดยองค์กร สิ่งสำคัญมากคือ ว่าเราสามารถเทียม และเก็บค่าจากชุดข้อมูลขนาดใหญ่เหล่านั้น (เรียกว่า "ข้อมูลขนาดใหญ่") อนาคตของระบบสนับสนุนการตัดสินใจ (DSS) การจัดการการขนส่งทุกที่วางในลักษณะแบบเรียลไทม์ ไดนามิก และบูรณาการของการตัดสินใจ มีความสามารถพิเศษที่ผ่านการพัฒนาของแนวโน้มเทคโนโลยีที่กล่าวถึง วิเคราะห์ที่ทันสมัยมากสามารถปรับปรุงการตัดสินใจมีการเน้นความสำคัญในวรรณคดีที่มีอยู่ในพื้นที่วางแผนเทอร์มินัล รถวางแผน โหลด ออกแบบกระบวนการผลิตการเพิ่มประสิทธิภาพและเครือข่าย ตัวอย่าง Caris et al. (2008) แสดงภาพรวมของการวางแผนตัดสินใจและเทคนิคการแก้ปัญหาในการขนส่ง intermodal ตามระดับของการตัดสินใจ และตรวจทานของพวกเขารวมถึงประยุกต์ใช้แบบบูรณาการและระบบสนับสนุนการตัดสินใจ Macharis et al. (2011) เสนอการตัดสินใจสนับสนุนกรอบการวิเคราะห์นโยบายสนับสนุนอุตสาหกรรมการขนส่ง intermodal และใช้เพื่อการวิเคราะห์ตำแหน่งของเทอร์มินัล intermodal กรอบงานมีสามรุ่น (NODUS, LAMBIT และ SIMBA) ที่สนับสนุนการประเมินตัดสินใจแตกต่างกันสำหรับที่ตั้งที่เหมาะสมของเทอร์มินัลใหม่ พื้นที่ตลาด และศักยภาพของเทอร์มินัลใหม่ และสุดท้าย ประเมินผลกระทบต่อประสิทธิภาพของเครือข่ายการบ้าน Kengpol et al. (2012) นำระบบสนับสนุนการตัดสินใจเลือกการขนส่งทุกเส้นทางสำหรับผู้ให้บริการโลจิสติกส์และ SMEs ระบบมีความสามารถในการ optimising ทุกเส้นทางภายในประเทศอนุภูมิภาคแม่น้ำโขงมากขึ้นโดยรวมของกระบวนการลำดับชั้นคู่และเขียนเป้าหมายหนึ่งศูนย์แนวโน้มที่เกี่ยวข้องกับ cloud คอมพิวเตอร์ อินเทอร์เน็ตสิ่งร่วมกับการวิเคราะห์ธุรกิจจะอนุญาตของ DSS สามารถเพิ่มเติม และปรับปรุง users׳ ถึงคุณลักษณะที่เกี่ยวข้อง ในตารางที่ 1 เราได้นำเสนอผลการวิจัยของเราที่เกี่ยวข้องกับ EU กรอบโครงการโครงการ อีขนส่งและ iCargo ซึ่งรวมความสามารถแบบไดนามิกและ "ปัญญา" แล้ว งานวิจัยบางแสดง DSS สำหรับสภาพแวดล้อมที่คงที่ (Macharis et al., 2011 และ Kengpol et al., 2012) โดยเอกสารทางวิชาการล่าสุดกี่รวมธรรมชาติแบบไดนามิก และข่าวกรองธุรกิจบางกรณีเป็นส่วนหนึ่งของเงินสมทบของพวกเขา ตัวอย่าง Bock (2010) เสนอรูปแบบไดนามิก ด้วยวิธีการแบบ real-time-มุ่งเน้นการควบคุมให้การขยายตัวของโหลดรวม การเดินทางรถว่าง และจัดการการรบกวนแบบไดนามิกสำหรับเครือข่ายขนส่งบริการขนส่ง แบบรวมการขนส่งทุกสาขาและหลาย transhipments Boschian et al. (2011) นำเสนอ metamodelling กรอบงานสำหรับการรวมระบบ (IS) ในการจัดการเครือข่ายการขนส่ง Intermodal (ITN) ยุทธวิธี (โหมดออฟไลน์) และระดับปฏิบัติงาน (เวลาจริง) มี 2 หลักเกณฑ์ในระบบ: แบบจำลองอ้างอิง ITN (knowledge base) และโมดูลจำลองที่สามารถทำนายพฤติกรรม system׳s และเปิดใช้งานคือการปรับกลยุทธ์การจัดการนำเสนอและเลือก Dotoli et al. (2013) ปัจจุบัน DSS สำหรับโมดอลร่วมเดินทางในหลายเส้นทางที่วางแผนในเวลาจริงกับการพิจารณาของความขัดแย้งหลายเงื่อนไข (เช่นปล่อยต้นทุน เวลา หรือก๊าซ) ที่อยู่บนกรอบหลายตัวแทนกระจาย ใช้ขั้นตอนวิธีพันธุกรรมเพื่อขอรับชุดเส้นทางผู้ใช้ยานพาหนะตามลักษณะ users׳ แห่ง ระบบจะแนะนำวิธีแก้ไขปัญหาเมื่อไม่มีการขนส่งเนื่องจากปัจจัยภายนอกเช่นการนัดหยุดงานใช้ และการจับค่ามา โดย DSSs ข้อมูลลึก และขึ้นจริงเวลาจะมีแข่งขันผู้เล่นทุกคนและผลกระทบบรรทัดล่างของธุรกิจ ตัวอย่าง มองเห็นเพิ่มขึ้นจะนำไปสู่องค์กรที่เป็นเชิงรุกมากขึ้นถ้าสิ่งที่ผิดไป กระบะจะได้รับการแจ้งเตือน และตัวเลือกอื่นที่สามารถพัฒนาเพื่อรับมือกับความไม่แน่นอนและหยุดชะงัก ติดตามข้อมูลใช้ telematics ตำแหน่งเวลาจริงจะให้ความเข้าใจกับรถ drivers׳ พฤติกรรม และกระบวนผลิตการเพิ่มประสิทธิภาพ อัตโนมัติในธุรกรรมจะลดต้องทำกระดาษและผลในการลดเวลารอคอยสินค้าอย่างไรก็ตาม ความท้าทาย อยู่ในวิธีการวิเคราะห์ปริมาณข้อมูล (ซึ่งมักจะจัดโครงสร้าง) เพิ่มขึ้นอย่างรวดเร็ว ข้อมูลขนาดใหญ่มักจะหมายถึงชุดข้อมูลขนาดใหญ่มากใน pretabyte และเอกซะไบต์ช่วง เช่นพันล้านกับ trillions ข้อมูลจากทรัพยากรที่แตกต่างกัน DSSs แบบดั้งเดิมมักจะไม่จะสามารถจัดการ และวิเคราะห์ข้อมูลเหล่านั้น nontraditional แก้ปัญหาอุตสาหกรรมจะมีค่าอย่างใดอย่างหนึ่งจะใช้อย่างไร Hadoop กรอบซอฟต์แวร์การเปิดแหล่งที่มาสำหรับการทำงานกับชุดข้อมูลขนาดใหญ่ต่าง ๆ จะแบ่งชุดข้อมูลขนาดใหญ่เป็นคลัสเตอร์ขนาดเล็ก ดำเนิน distributedly แล้ว รวมผลลัพธ์เป็นชุดข้อมูลขนาดเล็กที่ง่ายต่อการวิเคราะห์ความต้องการ (เพิ่มเติมข้อมูลได้ผ่าน http://www-01.ibm.com/software/data/infosphere/hadoop/)

ผลลัพธ์ (ไทย) 2:

7. "ข้อมูลขนาดใหญ่" และระบบสนับสนุนการตัดสินใจในการบริหารจัดการการขนส่งต่อเนื่อง
ในขณะที่การพัฒนาเทคโนโลยีดังกล่าวได้นำมาเพิ่มปริมาณและรายละเอียดของข้อมูลที่บันทึกโดยองค์กรสิ่งที่สำคัญมากขึ้นคือวิธีการที่เราสามารถควบคุมและจับค่าจากชุดข้อมูลขนาดใหญ่เหล่านั้น (เพื่อ ที่เรียกว่า "ข้อมูลขนาดใหญ่") อนาคตของระบบสนับสนุนการตัดสินใจ (DSS) สำหรับการจัดการการขนส่งต่อเนื่องวางในเวลาจริงลักษณะแบบไดนามิกและบูรณาการในการตัดสินใจที่มีความสามารถที่เพิ่มขึ้นผ่านการพัฒนาของแนวโน้มเทคโนโลยีที่กล่าวถึง การวิเคราะห์ที่มีความซับซ้อนมากสามารถปรับปรุงการตัดสินใจ. ความพยายามที่สำคัญในวรรณคดีที่มีอยู่ได้รับการมุ่งเน้นไปที่พื้นที่ดังกล่าวเป็นสถานีการวางแผนการจัดตารางเวลารถโหลด, เพิ่มประสิทธิภาพเส้นทางและการออกแบบเครือข่าย ยกตัวอย่างเช่น Caris et al, (2008) ให้ภาพรวมของการวางแผนการตัดสินใจและเทคนิควิธีการแก้ปัญหาในการขนส่งสินค้าการขนส่งตามระดับของการตัดสินใจและการตรวจสอบของพวกเขารวมถึงการใช้งานแบบบูรณาการและระบบสนับสนุนการตัดสินใจ Macharis et al, (2011) เสนอกรอบการสนับสนุนการตัดสินใจในการวิเคราะห์นโยบายสนับสนุนอุตสาหกรรมการขนส่งการขนส่งและนำไปใช้การวิเคราะห์ที่ตั้งของอาคารขนส่ง กรอบมีสามรูปแบบ (NODUS, LAMBIT และ SIMBA) ที่สนับสนุนการประเมินผลของการตัดสินใจที่แตกต่างกันสำหรับสถานที่ที่ดีที่สุดของอาคารผู้โดยสารแห่งใหม่บริเวณตลาดและศักยภาพของอาคารผู้โดยสารแห่งใหม่และในที่สุดก็จะประเมินผลกระทบต่อประสิทธิภาพของเครือข่ายทางน้ำ Kengpol et al, (2012) นำเสนอระบบสนับสนุนการตัดสินใจสำหรับการเลือกเส้นทางการขนส่งต่อเนื่องหลายรูปสำหรับผู้ให้บริการโลจิสติกและผู้ประกอบการ SMEs ระบบมีความสามารถในการเพิ่มประสิทธิภาพการกำหนดเส้นทางต่อเนื่องภายในประเทศลุ่มแม่น้ำโขงอนุภูมิภาคโดยรวมของการวิเคราะห์กระบวนการลำดับชั้นและศูนย์หนึ่งโปรแกรมเชิงเป้าหมาย. แนวโน้มที่เกี่ยวข้องกับคอมพิวเตอร์เมฆ, อินเทอร์เน็ตของสิ่งร่วมกับการวิเคราะห์ทางธุรกิจจะช่วยให้เพิ่มประสิทธิภาพต่อไปของ ความสามารถในการ DSS และปรับปรุงการเข้าถึงของผู้ใช้คุณลักษณะที่เกี่ยวข้อง ในตารางที่ 1 เราได้นำเสนอผลการวิจัยที่เกี่ยวข้องกับโครงการพัฒนาโปรแกรมกรอบของสหภาพยุโรปเช่น e-ขนส่งสินค้าและ iCargo ที่แล้วบูรณาการ "ปัญญา" และความสามารถแบบไดนามิก งานวิจัยบางคนนำเสนอ DSS สำหรับสภาพแวดล้อมที่คงที่ (Macharis et al., 2011 และ Kengpol et al., 2012) ในขณะที่เอกสารทางวิชาการไม่กี่ที่ผ่านมารวมลักษณะแบบไดนามิกและในบางกรณีทางธุรกิจเป็นส่วนหนึ่งของผลงานของพวกเขา ตัวอย่างเช่นเบียร์ (2010) เสนอรูปแบบไดนามิกด้วยวิธีการควบคุมแบบ real-time ที่มุ่งเน้นเพื่อให้การขยายตัวของการรวมภาระการลดลงของการเดินทางของยานพาหนะที่ว่างเปล่าและการจัดการกับระเบิดแบบไดนามิกสำหรับเครือข่ายการขนส่งสินค้าการขนส่งการส่งต่อ รูปแบบบูรณาการเครือข่ายการขนส่งต่อเนื่องหลายและ transhipments Boschian et al, (2011) นำเสนอกรอบ metamodelling สำหรับระบบบูรณาการ (IS) ในการจัดการเครือข่ายการขนส่งขนส่ง (ไอที) ที่ทางยุทธวิธี (โหมดออฟไลน์) และระดับการปฏิบัติงาน (เรียลไทม์) มีสองโมดูลหลักในระบบ: รูปแบบการอ้างอิงไอที ​​(ฐานความรู้) และโมดูลจำลองที่คาดการณ์พฤติกรรมของระบบและช่วยให้เป็นที่จะปรับกลยุทธ์การจัดการที่นำเสนอและทางเลือก Dotoli et al, (2013) นำเสนอ DSS สำหรับการขนส่งร่วมกิริยาในการวางแผนเส้นทางหลายในเวลาจริงกับการพิจารณาของหลายเกณฑ์ที่ขัดแย้งกัน (เช่นค่าใช้จ่ายเวลาหรือการปล่อยก๊าซ) ที่เป็นไปตามกรอบการกระจายหลายตัวแทน ขั้นตอนวิธีพันธุกรรมถูกนำมาใช้เพื่อให้ได้ชุดที่ใช้ยานพาหนะเส้นทางตามการตั้งค่าของผู้ใช้ นอกจากนี้ยังแสดงให้เห็นระบบการแก้ปัญหาเมื่อการขนส่งที่ไม่สามารถใช้ได้เนื่องจากปัจจัยภายนอกเช่นการนัดหยุดงาน. ใช้ประโยชน์และจับค่าที่ได้มาโดย DSSs จากส่วนลึกและข้อมูล up-to-เรียลไทม์จะนำเสนอศักยภาพในการแข่งขันให้กับผู้เล่นและผลกระทบต่อเนื่องไปได้มากที่สุด ในบรรทัดด้านล่างธุรกิจของพวกเขา ยกตัวอย่างเช่นการแสดงผลที่เพิ่มขึ้นจะนำไปสู่องค์กรที่เป็นเชิงรุกมากขึ้นถ้าสิ่งที่ผิดไป ผู้รับจะได้รับการแจ้งเตือนและตัวเลือกทางเลือกที่จะได้รับการพัฒนาขึ้นเพื่อรับมือกับความไม่แน่นอนและการหยุดชะงัก เวลาจริงติดตามข้อมูลตำแหน่งโดยใช้ telematics จะให้ข้อมูลเชิงลึกที่เป็นพฤติกรรมของคนขับรถบรรทุกและการเพิ่มประสิทธิภาพเส้นทาง ระบบอัตโนมัติในการทำธุรกรรมจะช่วยลดความจำเป็นในการทำงานกระดาษและผลในการลดระยะเวลาในการ. ความท้าทาย แต่อยู่ในวิธีการอย่างรวดเร็ววิเคราะห์ปริมาณที่เพิ่มขึ้นของข้อมูล (มักจะมีโครงสร้างหลวม) ข้อมูลขนาดใหญ่มักจะหมายถึงชุดข้อมูลขนาดใหญ่มากในการ pretabyte และช่วง Exabyte พันล้านคือเพื่อล้านล้านข้อมูลจากแหล่งข้อมูลที่แตกต่างกัน DSSs แบบดั้งเดิมมักจะไม่ได้มีความสามารถในการจัดการและวิเคราะห์ข้อมูลเหล่านั้นในรูปแบบใหม่ หนึ่งในมติอุตสาหกรรมมีการขึ้นคือการใช้ Hadoop, แหล่งที่มาเปิดกรอบซอฟต์แวร์สำหรับการทำงานกับชุดข้อมูลขนาดใหญ่ต่างๆ จะแบ่งข้อมูลขนาดใหญ่ตั้งในกลุ่มที่มีขนาดเล็ก, การประมวลผลให้พวกเขา distributedly แล้วรวมผลลงในชุดข้อมูลที่มีขนาดเล็กที่ง่ายต่อการวิเคราะห์ (ข้อมูลเพิ่มเติมสามารถหาได้ผ่าน http://www-01.ibm.com/software/ ข้อมูล / InfoSphere / Hadoop /)

ผลลัพธ์ (ไทย) 3:

7 . " บิ๊ก ดาต้า " และระบบสนับสนุนการตัดสินใจสำหรับการจัดการ
การขนส่งในขณะที่การพัฒนาเทคโนโลยีดังกล่าวได้นำมาเพิ่มปริมาณและรายละเอียดของข้อมูลที่บันทึกโดยองค์กร สิ่งที่สำคัญคือวิธีที่เราสามารถควบคุม และจับค่าจากชุดข้อมูลขนาดใหญ่ ( เรียกว่า " ข้อมูล " บิ๊ก )อนาคตของระบบสนับสนุนการตัดสินใจสำหรับการจัดการการขนส่งวางในเวลาจริงแบบไดนามิกและบูรณาการธรรมชาติของการตัดสินใจด้วยการเพิ่มความสามารถที่ผ่านการพัฒนาของแนวโน้มเทคโนโลยีที่กล่าวถึง การวิเคราะห์ที่ซับซ้อนอย่างมากสามารถปรับปรุงการตัดสินใจ

ความพยายามที่สำคัญในวรรณกรรมที่มีอยู่ได้รับการมุ่งเน้นไปที่พื้นที่ เช่น การวางแผน สถานีรถ ตาราง , โหลด , เพิ่มประสิทธิภาพเส้นทางและการออกแบบเครือข่าย ตัวอย่างเช่น คาริส et al .( 2008 ) ให้ภาพรวมของการวางแผน การตัดสินใจและเทคนิคการแก้ปัญหาในการขนส่งสินค้าการขนส่งตามระดับของการตัดสินใจและความคิดเห็นของพวกเขารวมถึงการประยุกต์ใช้แบบบูรณาการและระบบสนับสนุนการตัดสินใจ macharis et al .( 2011 ) ขอสนับสนุนการตัดสินใจและวิเคราะห์นโยบาย สนับสนุน อุตสาหกรรม การขนส่ง การขนส่งและการประยุกต์เพื่อวิเคราะห์ที่ตั้งของอาคารการขนส่ง . กรอบมี 3 รุ่น ( โน ดัสซิมบ้า , และ lambit ) ที่สนับสนุนการประเมินการตัดสินใจที่แตกต่างกันสำหรับตำแหน่งที่เหมาะสมของอาคารใหม่ บริเวณตลาดและศักยภาพของสนามบินใหม่ และในที่สุดประเมินผลกระทบต่อแหล่งน้ำเครือข่ายประสิทธิภาพ kengpol et al . ( 2012 ) นำเสนอระบบสนับสนุนการตัดสินใจสำหรับการเลือกเส้นทางการขนส่งต่อเนื่องหลายรูปแบบธุรกิจให้บริการโลจิสติกส์และผู้ประกอบการระบบมีความสามารถของซหลายเส้นทางภายในอนุภูมิภาคลุ่มน้ำโขงประเทศผ่านการรวมของการวิเคราะห์ลำดับชั้นกระบวนการและศูนย์หนึ่งเป้าหมายโปรแกรม

แนวโน้มที่เกี่ยวข้องกับคอมพิวเตอร์เมฆ , อินเทอร์เน็ตของสิ่งกับการวิเคราะห์ธุรกิจจะช่วยเสริมเพิ่มเติมความสามารถของระบบสนับสนุนการตัดสินใจและปรับปรุงผู้ใช้׳เข้าถึงคุณสมบัติที่เกี่ยวข้องตารางที่ 1 เราได้นำเสนอข้อมูลที่เกี่ยวข้องกับโครงการของเรา EU กรอบโครงการ เช่น e-freight และ icargo ซึ่งได้บูรณาการ " ข่าวกรอง " และความสามารถแบบไดนามิก งานวิจัยเสนอระบบสนับสนุนการตัดสินใจสำหรับสภาพแวดล้อมที่คงที่ ( macharis et al . , 2011 และ kengpol et al . ,2012 ) และล่าสุดไม่กี่บทความทางวิชาการรวมลักษณะแบบไดนามิกและในบางกรณีการข่าวกรองธุรกิจเป็นส่วนหนึ่งของผลงานของพวกเขา ตัวอย่างเช่น บ็อค ( 2010 ) นำเสนอแบบไดนามิกที่มีเวลาจริงที่มุ่งเน้นการควบคุมวิธีการอนุญาตให้มีการขยายตัวของการโหลด , การลดการเดินรถว่างเปล่าและการจัดการของการรบกวนแบบไดนามิกสำหรับการส่งต่อการขนส่งการขนส่งเครือข่าย แบบบูรณาการเครือข่ายการขนส่งและหลาย TRANSHIPMENTS . boschian et al . ( 2011 ) ปัจจุบัน metamodelling กรอบระบบบูรณาการ ( ) เพื่อจัดการเครือข่ายการขนส่งการขนส่ง ( ไอที ) ในทางยุทธวิธี ( โหมดออฟไลน์ ) และระดับปฏิบัติการ ( เวลาจริง )มีอยู่สองโมดูลหลักในระบบ : ไอทีแบบอ้างอิง ( ฐานความรู้ ) และแบบโมดูลที่คาดการณ์พฤติกรรมของระบบ׳และช่วยให้มีการปรับแต่งเสนอการจัดการกลยุทธ์และทางเลือก dotoli et al . ( 2013 ) ปัจจุบัน DSS สำหรับการขนส่งจำกัดวางแผนเส้นทางหลายในเวลาจริงกับการพิจารณาที่ขัดแย้งกันหลายเกณฑ์ เช่น ต้นทุนเวลา หรือการปล่อยก๊าซ ) ที่อยู่บนพื้นฐานของแบบจำลองชนิดหลายตัวแทนจัดจำหน่ายกรอบ ขั้นตอนวิธีทางพันธุกรรมถูกใช้เพื่อขอรับรถผู้ใช้ชุดเส้นทางตามที่ผู้ใช้׳ความชอบ นอกจากนี้ระบบแนะนำโซลูชั่นเมื่อการขนส่งไม่สามารถใช้ได้เนื่องจากปัจจัยภายนอก เช่น นัด

ใช้ตามค่าที่ได้ โดย dsss จากลึกและข้อมูลเวลาจริงจะให้ความสามารถในการแข่งขันกับผู้เล่นหลายและผลกระทบมากที่สุดในบรรทัดด้านล่างของธุรกิจของพวกเขา ตัวอย่าง การมองเห็นเพิ่มขึ้นจะทำให้องค์กรเป็นเชิงรุกมากขึ้น ถ้าสิ่งที่ผิดไปconsignees จะได้รับแจ้งและตัวเลือกทางเลือกที่อาจพัฒนาเพื่อรับมือกับความไม่แน่นอนและหยุดชะงัก เวลาจริงติดตามตำแหน่งข้อมูลโดยใช้ซอฟท์แวร์จะให้ข้อมูลเชิงลึกที่เป็นรถบรรทุกไดรเวอร์ พฤติกรรม׳และเพิ่มประสิทธิภาพกระบวนการผลิต ระบบอัตโนมัติในธุรกรรมจะลดความต้องการสำหรับงานกระดาษและผลในการลดเวลานำ

ความท้าทาย อย่างไรก็ตามอยู่ในวิธีการได้อย่างรวดเร็ววิเคราะห์เพิ่มปริมาณของข้อมูล ( มักจะมีโครงสร้างอย่างหลวม ๆ ) ข้อมูลใหญ่มักจะหมายถึงชุดข้อมูลที่มีขนาดใหญ่มาก และในช่วง pretabyte อภิบาล คือ พันๆล้านล้านล้านของข้อมูลจากแหล่งข้อมูลที่แตกต่างกัน dsss แบบดั้งเดิมมักจะไม่สามารถจัดการและวิเคราะห์ผู้ทีข้อมูลหนึ่งในมติอุตสาหกรรมขึ้นเพื่อใช้ Hadoop , ซอฟแวร์ที่มาเปิดกรอบการทำงานที่มีขนาดใหญ่ต่าง ๆข้อมูลชุด แบ่งชุดข้อมูลขนาดใหญ่ เป็นกระจุกเล็กๆ ของพวกเขา distributedly แล้วรวมผลลัพธ์ลงในชุดข้อมูลขนาดเล็กที่ง่ายต่อการวิเคราะห์ ( ข้อมูลเพิ่มเติมสามารถได้รับผ่านทาง http : / / www-01 . IBM . com / ซอฟต์แวร์ / data / นโฟสเพียร์ Hadoop
/ / )