详细内容或原文请订阅后点击阅览
维持主动性：使用以数据为中心的 C2 来预测车队故障
简介 你的任务是在大规模作战行动中领导一支由 40 辆卡车组成的车队，为前线作战部队提供补给。使命至关重要...
来源:美国陆军支援简介
你的任务是在大规模作战行动中领导一支由 40 辆卡车组成的车队，为前线作战部队提供补给。任务至关重要，每辆车都必须尽可能快速、高效、安全地完成任务。敌人一再表明他们意图摧毁任何通讯线路以孤立友方前锋部队。由于信息有限，您只能依靠口碑来决定发送哪些车辆。为了谨慎起见，你会认为每辆车都同样不可靠。但是，如果有一种工具可以在车队推出之前可视化和量化每辆卡车的可靠性呢？
背景
在现代保障行动中，部队的战备状态和绩效都取决于主动的远见，而不是被动的响应。车队是后勤运输的支柱。然而，车队的成功往往取决于车辆的可靠性。单一卡车故障可能会延迟交付时间，并给车队和行动区域造成战术漏洞。根据《战地手册》(FM) 4-0《保障行动》，“保障领导者必须为未来的行动设想并准备资源。”在这个新时代，陆军可以通过以数据为中心的决策工具在指挥和控制（C2）中适应这种逻辑。本文介绍了一个使用合成数据的机器学习 (ML) 模型，以演示预测性维护如何在 C2 集成保障框架内增强车队战备状态。
民用世界运输
陆军应用
测试参数
结果
操作含义
结论、局限性和讨论
--------------------
相关链接
陆军保障主页