Detekce anomálií v transportních objednávkách firmy Metrans

Abstract

Tato diplomová práce se zabývá detekcí anomálií v přepravních objednávkách zpracovávaných společností Metrans, významným poskytovatelem logistických služeb ve střední Evropě. Na základě analýzy historických dat o objednávkách jsou vyvinuty modely strojového učení schopné identifikovat nepravidelnosti, jako jsou nesprávné typy ohřevu, chybějící celní identifikátory nebo neobvyklé typy podvozků. Jsou navrženy a vyhodnoceny tři odlišné přístupy k detekci anomálií klasifikační modely, detekce anomálií na základě četnosti a detekce na základě míry jistoty modelu. Systém je implementován jako modulární aplikace založená na mikroservisní architektuře s využitím nástrojů CodeNOW a Docker. Ačkoli některé části pipeline pro detekci v reálném čase již fungují a byly napojeny na infrastrukturu Metrans, plné nasazení zatím nebylo dokončeno. I tak práce poskytuje pevný experimentální základ a jasný směr pro budoucí integraci do provozu.

This thesis addresses the problem of detecting anomalies in transport orders processed by Metrans, a major logistics provider in Central Europe. By analyzing historical order data, we develop machine learning models capable of identifying irregularities such as incorrect heating types, missing customs identifiers, or atypical chassis assignments. Three distinct detection approaches are proposed and evaluated: an approach based on classification, out-of-distribution detection, and confidence-based anomaly scoring. The system is implemented as a modular microservice application using CodeNOW and Docker. Although parts of the real-time detection pipeline are functional and integrated with the Metrans infrastructure, the full deployment remains incomplete. Nonetheless, the work provides a solid experimental foundation and a clear path toward operational integration.