Равномерная расстановка электросамокатов в городе кажется простым решением, но на практике приводит к неудобствам для пользователей и росту расходов для операторов.
Чтобы сделать микромобильный транспорт доступным и при этом не перегрузить городскую среду, команда Whoosh разработала алгоритм прогнозирования спроса на самокаты.
Что вы узнаете в статье:
▶️ Почему традиционные подходы (Excel, скользящее среднее) не работают в долгосрочной перспективе;
▶️ Как собранные данные и их особенности влияют на построение ML-модели;
▶️ Какие модели (SARIMAX, LightGBM, Prophet, NeuralProphet) тестировались и с какими результатами;
▶️ Почему финальный выбор пал на Prophet и как модель учитывает сезонность и дополнительные факторы;
▶️ Как прогнозы старта и финиша поездок превращаются в алгоритм ребаланса для операторов.
В статье показано, как подход машинного обучения помог эффективно управлять флотом самокатов и облегчил работу команды Whoosh.
➡ Читать статью
tags: #статья
➡ Data Scientist | Чат