Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej
MNiSW
100
Lista 2023
Status:
Autorzy: Borucka Anna, Kozłowski Edward, Parczewski Rafał, Antosz Katarzyna, Gil Leszek, Pieniak Daniel
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2023
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Numer czasopisma: 1
Wolumen/Tom: 13
Numer artykułu: 231
Strony: 1 - 12
Impact Factor: 2,5
Web of Science® Times Cited: 10
Scopus® Cytowania: 14
Bazy: Web of Science | Scopus
Efekt badań statutowych NIE
Materiał konferencyjny: NIE
Publikacja OA: TAK
Licencja:
Sposób udostępnienia: Witryna wydawcy
Wersja tekstu: Ostateczna wersja opublikowana
Czas opublikowania: W momencie opublikowania
Data opublikowania w OA: 24 grudnia 2022
Abstrakty: angielski
Logistics processes, their effective planning as well as proper management and effective implementation are of key importance in an enterprise. This article analyzes the process of supplying raw materials necessary for the implementation of production tasks. The specificity of the examined waste processing company requires the knowledge about the size of potential deliveries because the delivered waste must be properly managed and stored due to its toxicity to the natural environment. In the article, hidden Markov models were used to assess the level of supply. They are a statistical modeling tool used to analyze and predict the phenomena of a sequence of events. It is not always possible to provide sufficiently reliable information with the existing classical methods in this regard. Therefore, the article proposes modeling techniques with the help of stochastic processes. In hidden Markov models, the system is represented as a Markov process with states that are invisible to the observer but with a visible output (observation) that is a random state function. In the article, the distribution of outputs from the hidden states is defined by a polynomial distribution.