Ein Freund von mir hat mich gebeten, ihm bei der prädiktiven Modellierung des Autoverkehrs in einem mittelgroßen Parkhaus zu helfen. Die Garage hat ihre geschäftigen und einfachen Tage, ihre Stoßzeiten, Öffnungszeiten der Totzeiten (sie ist an Wochentagen während 12 Stunden und an Wochenenden während 8 Stunden geöffnet).
Ziel ist es, vorherzusagen, wie viele Autos an einem bestimmten Tag (z. B. morgen) in die Garage fahren und wie diese Autos über den Tag verteilt werden sollen.
Bitte verweisen Sie mich auf allgemeine Verweise (vorzugsweise öffentlich verfügbar) auf Strategien und Techniken.
Vielen Dank
Antworten:
Das Feld, das für das Problem relevant ist, ist die Warteschlangentheorie , ein bestimmtes Unterfeld ist ein Geburts-Todes- Prozess. Ein Artikel, der meiner Meinung nach zu Ihrer Aufgabe hilfreich ist RC Larson und K.Satsunama (2010) Congestion Pricing: Ein Parkplatz Queue Modell , nach den Links in Artikeln würde mehr Ideen geben , wo fortzuzufahren.
Beachten Sie, dass kürzlich die Warteschlange für R-Pakete freigegeben wurde (jedoch mit einem Druckfehler im Titel). Schließlich denke ich, dass dieser Link für Warteschlangensoftware hilfreich sein könnte.
quelle
Die Vorhersage von Stundendaten ist zu meinem Hauptinteresse geworden. Dieses Problem tritt normalerweise in der Call Center-Prognose auf. Man muss sich mit stündlichen Mustern innerhalb des Tages, verschiedenen täglichen Mustern über die Woche und saisonalen Mustern im Laufe des Jahres befassen (monatliche Indikatoren / wöchentliche Indikatoren. Zusätzlich kann es eine Wechselwirkung zwischen stündlichen Mustern und täglichen Mustern geben und ich habe sie gesehen. Übertragungsfunktion (eine Verallgemeinerung / Supermenge der Regression für Zeitreihendaten) kann die genannten Strukturen leicht berücksichtigen. Zusätzlich müssen Ereignisse während des Jahres (Weihnachten, Ostern usw.) möglicherweise unter Verwendung von Blei-, Zeit- und / oder Verzögerungsstrukturen einbezogen werden. In Zeitreihen Analyse müssen wir über Interventionserkennungsschemata validieren, dass es keine Impulse, Ebenen- / Schrittverschiebungen gibt, Saisonale Impulse und / oder lokale Zeittrends, die im Fehlerprozess verbleiben, deuten auf eine Erweiterung des Modells hin. Wenn die Restreihe eine autotregressive Struktur vorschlägt, fügt man einfach eine geeignete ARIMA-Struktur hinzu. Bei der Auswahl einer Ressource zur Behebung dieses Problems ist Vorsicht geboten. Ich habe kürzlich Prognosen für ein ähnliches Problem analysiert und entwickelt: die Anzahl der Passagiere im Pariser U-Bahn-System pro Stunde und Tag. IMHO ist dies ein Problem bei der Erstellung einer nützlichen Gleichung aus den Daten, die dann verwendet werden kann, um mögliche Szenarien zu simulieren, die dann zur Bewertung der Warteschlangenlänge usw. verwendet werden können. Ich habe kürzlich Prognosen für ein ähnliches Problem analysiert und entwickelt: die Anzahl der Passagiere im Pariser U-Bahn-System pro Stunde und Tag. IMHO ist dies ein Problem bei der Erstellung einer nützlichen Gleichung aus den Daten, die dann verwendet werden kann, um mögliche Szenarien zu simulieren, die dann zur Bewertung der Warteschlangenlänge usw. verwendet werden können. Ich habe kürzlich Prognosen für ein ähnliches Problem analysiert und entwickelt: die Anzahl der Passagiere im Pariser U-Bahn-System pro Stunde und Tag. IMHO ist dies ein Problem bei der Erstellung einer nützlichen Gleichung aus den Daten, die dann verwendet werden kann, um mögliche Szenarien zu simulieren, die dann zur Bewertung der Warteschlangenlänge usw. verwendet werden können.
quelle