توقع وقت الوصول (ETA): تحسين تقدير العميل

يقود تقارب التطورات البحثية الموجة المستمرة لعلوم البيانات. يتم إنشاء كميات لا يمكن تصورها من البيانات كل يوم من قبل عدد كبير من مقدمي الخدمات اللوجستية.

تقدم معظم تطبيقات الملاحة اليوم الوقت المتوقع للوصول أو ETA كميزة إضافية جذابة. العديد من شركات الخدمات اللوجستية عند الطلب مثل Uber و Ola و جوجنو يعرضون توقعهم ETA لتجربة عملاء محسنة. يعد توقع وصول الوقت المقدر بدقة أمرًا ضروريًا لمقدمي الخدمات اللوجستية وكذلك للتمييز عن عمليات النقل أيضًا.

تنويع تنبؤات ETA

مع نقل 90 ٪ من حركة المرور اللوجستية في العالم عبر المحيط ، فإن اليقين من وصول السفن أمر بالغ الأهمية لاتخاذ القرارات المتكاملة والأداء العام لسلسلة التوريد. نظرًا لأن مجموعة واسعة من العمليات ومجموعة من الموارد متورطة في محطة الحاويات ، فإن التنبؤ بالوصول الدقيق لسفينة المحيط أمر ضروري لتحقيق إنتاجية فعالة متعددة الوظائف. تشمل الميزات الحاسمة لتقوية تنبؤاته الخلاصات التي تم إنشاؤها بواسطة أجهزة الاستشعار ، ووسائل التواصل الاجتماعي ، وتأخير المنفذ السابق ، واتجاهات / توقعات الطقس الحية ، وازدحام الممر التجاري ، ونشاط الميناء ، وأوقات بقاء السفن وغيرها الكثير. فوائدها كثيرة - يتم تقصير وقت الانتظار وتقليل تكلفة المالك من خلال تحسين الأصول.

تطبيق غريب الأطوار آخر هو ETA توقع الطائرات. يُعد توقع وصول الطائرات أثناء الرحلة مهمة صعبة. بالنظر إلى العوامل المختلفة التي تتراوح من الظروف البيئية إلى مستوى الرحلة والسرعة الجوية للرحلات البحرية ، فإن التنبؤ الدقيق بمواعيد الرحلة يصبح مرهقًا بشكل متزايد. القليل من المعلمات لا يمكن السيطرة عليها من قبل المشغلين مثل إعادة توجيه التحكم في الحركة الجوية (ATC) والازدحام وأنماط الحجز التي تؤثر أيضًا على وقت الوصول. إنشاء ميزة مثل متوسط ​​الرياح التي تمت مواجهتها في الرحلات الجوية خلال شهر معين وحسابات الاختيار المتغيرة لدقة التنبؤ. الطائرات ETA تعتمد التنبؤات أيضًا على نماذج أداء الطائرات ونماذج المسار.  المحسن ETA يستخدم لتبسيط العمليات عبر جوانب مختلفة من كتل خطوط الطيران.

المصدر: www.ascendforairlines.com

مع الأخذ في الاعتبار مزودي خدمة محرك التوجيه ، توفر خرائط Google دقة نسبية ETA أثناء معالجة البيانات الضخمة. أوضح ريتشارد راسل ، مهندس Google السابق قرة كيف تحدد خرائط Google ETA. "كما هو الحال في المنتجات المماثلة ، تستند خرائط Google المقدر وصولها إلى مجموعة متنوعة من الأشياء ، اعتمادًا على البيانات المتاحة في منطقة معينة. تتراوح هذه الأشياء من حدود السرعة الرسمية والسرعات الموصى بها ، والسرعات المحتملة المستمدة من أنواع الطرق ، وبيانات متوسط ​​السرعة التاريخية على مدى فترات زمنية معينة (أحيانًا مجرد متوسطات ، وأحيانًا في أوقات معينة من اليوم) ، وأوقات السفر الفعلية من المستخدمين السابقين ، والوقت الفعلي معلومات المرور. إنهم يخلطون البيانات من أي مصادر لديهم ، ويخرجون بأفضل تنبؤ يمكنهم القيام به ".

الميزات الهندسية للتعلم الآلي

هناك العديد من حالات سلسلة التوريد حيث يتم تقييم خرائط جوجل ETA لن يكون مناسبا. يعتمد وقت التسليم على أكثر من مجرد طول ساق الإنزال (موقع الالتقاط إلى موقع الإنزال) ؛ الولادات التي تنطوي على وقت انتظار تحتاج إلى حساب الوقت الإضافي للتنبؤ الدقيق. على سبيل المثال، جوجنو فتافات و توصيل طلبات الطعام خدمات مثل يوبر يأكل بحاجة إلى التنبؤ بوقت إعداد الطعام أيضًا لعرض وقت التسليم الإجمالي للعملاء. 

في مجال تعلم آلة، والمعالجة المسبقة للبيانات وهندسة الميزات ذات أهمية قصوى. يوضح الشكل أعلاه علاقة خطية بين المسافة المقطوعة والوقت الإجمالي الذي تستغرقه المهمة. كما أنه من الواضح تمامًا أن هناك عددًا قليلاً من الرحلات التي استغرقت وقتًا أطول لتوصيلها في غضون بضعة كيلومترات. يجب إزالة هذه الضوضاء في البيانات وإسقاط القيم المتطرفة الأخرى التي تم قياسها / إدخالها بشكل غير صحيح لتحسين التنبؤ. تؤثر الميزات الهندسية الجديدة على النماذج التنبؤية من خلال فهم المشكلات الأساسية.

متغيرات إضافية مثل نوع السيارة (دراجة أو سيارة) ، ونوع الوكيل ، ويوم الأسبوع ، وساعة اليوم ، والشهر والسنة ، والتحولات الإحصائية (التحويل اللوغاريتمي والتوقعات الدورية للساعة واليوم) ، ومجموعات مواقع الالتقاط والتوصيل (إلى التقاط سلوك الحي) ومتوسط ​​السرعة في ساعة معينة. تعمل مصادر البيانات الخارجية بما في ذلك الطقس (درجة الحرارة ، هطول الأمطار كل ساعة) ، والعطلات الرسمية والأحداث (الحفلات الموسيقية أو الأحداث الرياضية) أيضًا على تحسين النموذج التنبئي.

بناء سير عمل علم البيانات

النظر في توصيل طلبات الطعام مزود الخدمة ، التنبؤ توصيل طلبات الطعام تحتاج ETA إلى الكثير من العمليات الحسابية في الخلفية. يقر المطعم بالأصناف ويقوم بإعدادها عندما يقوم العميل بتقديم طلب. يختلف وقت تحضير الطعام وفقًا لمدى تعقيده وعدد العناصر المطلوبة ومدى انشغال المطعم في ذلك الوقت. بعد ذلك ، يصل شريك التوصيل إلى المطعم والمتنزهات ويلتقط العناصر ، ثم يعود إلى السيارة / الدراجة ليقود إلى موقع العميل. بعد الوصول إلى موقع العميل ، اكتشف مكانًا لوقوف السيارات وأخيراً يقوم بالتوصيل إلى العميل النهائي. لذلك ، يحتاج نموذج ML إلى حساب وقت التسليم الشامل مع مراعاة مقدار الوقت المستغرق في كل مرحلة.

تم تطوير خوارزميات جديدة لحل مشاكل العمل هذه على نطاق واسع لتجارب مستخدم سلسة. يعتبر سير عمل التعلم الآلي عامًا لجميع حالات الاستخدام بغض النظر عن أي مشاكل تجارية مثل قابلية التوسع والتكرار. يتضمن سير عمل التعلم الآلي ست خطوات:

1) المعالجة المسبقة للبيانات وهندسة الميزات

2) نماذج التدريب

3) التقييم

4) نشر الإنتاج

5) قم بعمل تنبؤات

6) المراقبة والتحسين

يتم نشر مزيج من الانحدار الخطي والغابة العشوائية والذاكرة طويلة المدى (LSTM) وتقنيات التجميع للحصول على أفضل نتائج للتنبؤ. كاتو تقنيات مدعومة تتراوح من نماذج التعلم الخطي إلى نماذج التعلم العميق ويتم إنتاجها باستخدام TensorFlow.

على الرغم من تنفيذ متطور للغاية تعلم الآلة الخوارزميات ، التنبؤ بوقت الوصول ليس دائمًا دقيقًا لأن بعض المواقف بطبيعتها لا يمكن التنبؤ بها. من الصعب التنبؤ بحادث سير أو إعادة توجيه مفاجئة. يعد تحسين دقة ETA مشكلة صعبة باستمرار لحلها ، مع وجود العديد من النقاط العمياء.

مع الأخذ في الاعتبار حالات قليلة ، ل جوجنو - أدى توقع وقت الوصول المقدر (ETA) إلى زيادة تجربة العملاء وتقليل إلغاء الطلب / الركوب بواسطة شنومك٪. مصادر البيانات الداخلية والخارجية هي مدخلات لنماذج التعلم الآلي.

كاتو تعمل بنشاط على دفع حدود علوم البيانات وإعادة تصور تنوع وتعقيد المشكلات التي يمكن حلها. لقد أظهرنا خبرتنا من خلال حل بعض أصعب الصناعات والمؤسسات التي تواجهها المنظمات اليوم. كاتو ساعد العديد من العملاء باستخدام التعلم الآلي لحل مشاكل أعمالهم. يحصد الأشخاص الذين تبنوا الذكاء الاصطناعي الأوائل الآن مجموعة من فوائده. كاتو تقدم حلول ذكاء اصطناعي واعدة للشركات الجديدة في مجال الفضاء.