Usually they are basing on linear a

Usually they are basing on linear and/or nonlinear equations with a very complex emphasis of the influencing factors and
after technical changes on the logistic systems, they cannot be used any longer. Furthermore always only a very small number
of influencing factors can be integrated. Therefore in this examination the k-Nearest Neighbors algorithm (kNN) is used. This
results in a much more flexible use of different influencing factors with a difference in weight. With the help of test data, the
system is learning and creating the kNN algorithm. This can be used for simulation. The advantage of this system of
“artificial intelligence” is that the model building can be done in time in the area of the current working point. This makes it
possible to integrate even unknown or in their effect not determinable environmental factors. By the training structure and the
integration of new test data,the algorithm is much more easily adaptable on new trends. There is also the possibility to train
the system optimal on the own conditions with the help of own test data. The k-Nearest Neighbors algorithm which has been
determined during the examination, makes it possible, to estimate the key parameters energy and time for the logistic tasks in
agriculture with a probability of more than 97%.
Keywords: Agricultural logistic, k-Nearest Neighbors algorithm, energy consumption, Germany.
Citation: Götz,S., N. Zimmermann, D.Engelhardt, and H. Bernhardt. 2015. Simulation of agricultural logistic processes with
k-nearest neighbors algorithm.

結果 (中文) 1:

通常他们都基于线性或非线性微分方程的影响因素非常复杂的强调和后在物流系统的技术变化，他们不能再用了。此外总是只有很小的数目影响因素可以集成。因此在这次考试 k-近邻邻居 (kNN) 使用算法。这结果在不同影响因素更加灵活使用是不同的重量。测试数据的帮助系统是学习和创造的 kNN 算法。这可以用于模拟。这种制度的优势"人工智能"是当前工作点区在时间，可以做模型的建立。这使得它可以将集成甚至未知或在他们的作用不确定的环境因素。通过培训结构和新的测试数据的集成，该算法具有更容易适应新的趋势。也是培训的可能性系统的最优的帮助下自己测试数据的自身条件。K-近邻邻居算法已在考试过程中确定，使它成为可能，估计的关键参数能量和时间中的后勤任务农业与概率超过 97%。关键词︰ 农业物流、 k-近邻邻居算法，能源消耗，德国。引文︰ S.，Götz N.齐默尔曼、 D.Engelhardt 和 H.哈特。2015.农业物流过程与模拟k-近邻算法。

結果 (中文) 2:

通常它们是立足于线性和/或非线性方程的影响因素的一个非常复杂的重点和
后的物流系统的技术的变化，它们不能再使用。此外总是只有极少数
的影响因素可以集成。因此，在该检查的最近邻居法（KNN）被使用。这
导致与在重量差的更灵活的使用不同影响因素的。测试数据的帮助下，该
系统是学习和创建的kNN算法。这可用于模拟。这个系统的优点
“人工智能”的是，建立模型可以及时在当前工作点的区域来完成。
这使得有可能集成甚至未知的或在它们的效果不确定的环境因素。由训练结构和
新的测试数据集成，该算法是更容易适应于新的趋势。也有训练的可能性
与自己的测试数据的帮助下自己条件系统最佳的。已经在最近邻居法
的检查过程中确定的，使得有可能，来估计在所述物流的任务的关键参数的精力和时间
农业用的97％以上的概率。
关键词：农业物流，最近邻居法，能源消耗，德国。
引文：格茨，S，N齐默尔曼，D.Engelhardt和H.伯恩哈特。2015年。

結果 (中文) 3:

它们通常是基于线性和/或非线性方程的一个非常复杂的重点的影响因素和对物流系统进行技术改造后，不能再使用。而且总是只有非常小的数字影响因素可综合。因此在这个考试的K-近邻算法（KNN）使用。这结果在不同的影响因素，重量的差异更灵活地使用。在测试数据的帮助下，系统学习和KNN算法创建。这可以用于模拟。该系统的优点“人工智能”是指在当前工作点的区域内可以及时完成模型的建立.。这使得它可能整合甚至未知或不确定的环境因素的影响。通过培训结构和新的测试数据集成，算法更容易适应新的趋势。也有火车的可能性利用自己的测试数据，在自己的条件下，系统优化。K-最近邻算法进行了在考试期间确定，使之成为可能，估计的关键参数的能量和时间的物流任务概率超过97%的农业。关键词：农业物流、K近邻算法，能源消耗，德国。引用：GöTZ，S.，N. Zimmermann，D. Engelhardt，H. Bernhardt。2015。农业物流过程模拟K近邻算法。