Predicción de la hora de llegada (ETA): mejora de la estimación del cliente

Una convergencia de desarrollos de investigación está impulsando la ola actual de ciencia de datos. Todos los días, una gran cantidad de proveedores de logística generan volúmenes inimaginables de datos.

La mayoría de las aplicaciones de navegación actuales ofrecen una hora prevista de llegada o ETA como una característica adicional atractiva. Muchas empresas de logística bajo demanda como Uber, Ola y Jugnoo están mostrando su predicción ETA para una mejor experiencia del cliente. Predecir con precisión la hora estimada de llegada es imperativo para los proveedores de logística, así como para diferenciarse de los que también corren.

Diversificación de la predicción de ETA

Dado que el 90 % del tráfico logístico mundial se transporta por mar, la certeza de la llegada de los buques es crucial para la toma de decisiones integrada y el rendimiento general de la cadena de suministro. Como una amplia gama de operaciones y recursos están involucrados en una terminal de contenedores, predecir la llegada precisa de un buque oceánico es esencial para una productividad interfuncional efectiva. Las características críticas para fortalecer su predicción incluyen fuentes generadas por sensores, redes sociales, demoras en puertos anteriores, tendencias/pronósticos meteorológicos en vivo, congestión en rutas comerciales, actividad portuaria, tiempos de permanencia de embarcaciones y muchas más. Sus beneficios son múltiples: el tiempo de espera se acorta y el costo del propietario se reduce a través de la optimización de activos.

Otra aplicación excéntrica es ETA predicción para aviones. Predecir la llegada de un avión en ruta es una tarea desafiante. Teniendo en cuenta varios factores que van desde las circunstancias ambientales hasta el nivel de vuelo y la velocidad aerodinámica de crucero, predecir con precisión la puntualidad del vuelo se vuelve cada vez más oneroso. Pocos parámetros son incontrolables por los operadores, como los desvíos de control de tráfico aéreo (ATC), la congestión, los patrones de espera que también afectan el tiempo de llegada. La generación de características como los vientos promedio encontrados en vuelos durante un mes en particular y la selección de variables dan cuenta de la precisión de la predicción. Aeronave ETA las predicciones también se basan en modelos de rendimiento de aeronaves y modelos de trayectoria. Mejorado ETA se utiliza para optimizar las operaciones en varias facetas de los bloques de la aerolínea.

Fuente: www.ascendforairlines.com

Teniendo en cuenta los proveedores de servicios de motor de enrutamiento, Google Maps proporciona comparativamente preciso ETA mientras procesa grandes cantidades de datos. El ex ingeniero de Google, Richard Russell explicó en Quora cómo Google Maps determina su ETA. “Al igual que en productos similares, las ETA de los mapas de Google se basan en una variedad de cosas, según los datos disponibles en un área en particular. Estas cosas van desde los límites de velocidad oficiales y las velocidades recomendadas, las velocidades probables derivadas de los tipos de caminos, los datos históricos de velocidad promedio durante ciertos períodos de tiempo (a veces solo promedios, a veces en momentos particulares del día), tiempos de viaje reales de usuarios anteriores y datos en tiempo real. información de tráfico Mezclan datos de cualquier fuente que tengan y obtienen la mejor predicción que pueden hacer”.

Funciones de ingeniería para el aprendizaje automático

Existen numerosos casos de cadenas de suministro en los que evaluar Google Maps ETA no sería una buena opción. El tiempo de entrega depende de algo más que la longitud del tramo de entrega (ubicación de recogida a ubicación de entrega); las entregas que implican tiempo de espera necesitan el cálculo de un tiempo suplementario para una predicción precisa. Por ejemplo, Jugnoo fatafat y entrega de comida servicios como Uber come necesita predecir el tiempo de preparación de alimentos también para mostrar el tiempo total de entrega a los clientes. 

en la esfera de Aprendizaje automático (Machine learning & LLM), el preprocesamiento de datos y la ingeniería de características son primordiales. La figura de arriba demuestra una relación lineal entre la distancia recorrida y el tiempo total empleado en la tarea. También está muy claro que hay pocos viajes que tardaron más en llegar en pocos kilómetros. Este ruido en los datos debe eliminarse y otros valores atípicos que se miden o ingresan incorrectamente se eliminan para mejorar la predicción. Las nuevas funciones de ingeniería influyen en los modelos predictivos al comprender los problemas subyacentes.

Variables adicionales como tipo de vehículo (bicicleta o automóvil), tipo de agente, día de la semana, hora del día, mes y año, transformaciones estadísticas (transformación logarítmica y proyecciones cíclicas de hora y día), grupos de lugares de recogida y entrega (para capturar el comportamiento del vecindario) y se derivan la velocidad promedio en una hora en particular. Las fuentes de datos externas que incluyen el clima (temperatura, precipitación por hora), días festivos y eventos (conciertos o eventos deportivos) también mejoran el modelo predictivo.

Creación de un flujo de trabajo de ciencia de datos

Teniendo en cuenta un entrega de comida proveedor de servicios, prediciendo entrega de comida ETA necesita muchos cálculos en el backend. El restaurante reconoce y prepara los artículos cuando un cliente hace un pedido. El tiempo de preparación de los alimentos varía según su complejidad, la cantidad de artículos pedidos y cuán ocupado está el restaurante en ese momento. Luego, el repartidor llega al restaurante, se estaciona y recoge los artículos, camina de regreso al automóvil o la bicicleta para conducir hasta la ubicación del cliente. Después de llegar a la ubicación del cliente, encuentra un lugar para estacionar y finalmente entrega al cliente final. Por lo tanto, el modelo ML necesita calcular el tiempo de entrega de extremo a extremo teniendo en cuenta la cantidad de tiempo que se tarda en cada etapa.

Se desarrollan algoritmos novedosos para resolver estos problemas comerciales a escala para lograr experiencias de usuario perfectas. El flujo de trabajo de aprendizaje automático es genérico para todos los casos de uso, independientemente de cualquier problema comercial, de modo que sea escalable y reproducible. El flujo de trabajo de aprendizaje automático incluye seis pasos:

1) Preprocesamiento de datos e ingeniería de características

2) Modelos de formación

3) Evaluación

4) Despliegue de producción

5) Haz predicciones

6) Seguimiento y optimización

Se implementa una combinación de técnicas de regresión lineal, bosque aleatorio, memoria a corto plazo (LSTM) y ensamblaje para obtener resultados de predicción óptimos. KATO aprovechó técnicas que van desde modelos lineales hasta modelos de aprendizaje profundo y producción con TensorFlow.

A pesar de implementar altamente sofisticados Aprendizaje automático algoritmos, la predicción de la hora de llegada no siempre es precisa, ya que pocas situaciones son inherentemente impredecibles. Predecir un accidente de tráfico o un cambio de ruta repentino es difícil. La mejora de la precisión de ETA es un problema continuo y desafiante de resolver, con tantos puntos ciegos.

Teniendo en cuenta algunos casos, por Jugnoo – La predicción de la hora estimada de llegada (ETA, por sus siglas en inglés) mejoró la experiencia del cliente y redujo la cancelación de pedidos/viajes por 7%. Las fuentes de datos internas y externas son entradas para los modelos de aprendizaje automático.

KATO está ampliando activamente los límites de la ciencia de datos y reinventando la variedad y complejidad de los problemas que se pueden resolver. Demostramos nuestra experiencia al resolver algunos de los problemas más difíciles que enfrentan las industrias y organizaciones en la actualidad. KATO ayudó a numerosos clientes a utilizar el aprendizaje automático para resolver sus problemas comerciales. Los primeros en adoptar la inteligencia artificial ahora están cosechando una variedad de sus beneficios. KATO proporciona soluciones prometedoras de inteligencia artificial a empresas nuevas en el espacio.