Мы используем файлы cookie для быстрой и удобной работы сайта. Выберите, какие файлы cookie вы разрешаете нам использовать. Подробнее в Политике конфиденциальности.
Сайт использует файлы cookie
Настроить cookies
Файлы cookie, необходимые для корректной работы сайта, всегда включены. Другие можно настраивать.
Крупная строительная организация, Московский регион
ВЫЗОВЫ/ОСОБЕННОСТИ
Успешность каждого рейса зависела от строгого соответствия критериям регламента: наличие геокоординат у ТС за каждые 15 секунд рейса, нахождение ТС не далее 100 м от полигона во время окончания рейса и др.
Прогнозирование успешности рейсов по вывозу отходов в момент его запуска для проактивного реагирования на некорректные рейсы
Задача
решение
Техническое решение
1. Провели исследование, выявили закономерности и факторы, которые влияют на успешность вывоза мусора
2. Применили методы машинного обучения ML (Machine Learning) и анализа данных:
на основе Open-Source библиотек TabNet и LGBM реализовали 2 модели прогнозирования успешности рейсов. Модели были обучены на исторических данных заказчика по рейсам и способны делать точные прогнозы успешности рейсов в момент его начала
провели сравнение моделей и выбрали наиболее оптимальную по точности
Результат
Бизнес-ценности
Эффективное управление отходами
проактивное реагирование на потенциально некорректные рейсы
в 3 раза сократилось время рабочей группы на разбор некорректных рейсов по факту их завершения
сокращение издержек и минимизация финансовых потерь от некорректных рейсов по вывозу мусора
повышение количества успешных рейсов на 5% за счет проактивного реагирования диспетчеров после внедрения модели
Идентификация ключевых факторов
понимание, какие факторы и условия влияют на успешность рейсов - постоянные и переменные: перевозчик, водитель, время выезда, полигон, тип вывозимых отходов, погодные условия, особенность разрешения и проч.
Точность
прогнозирование успешности рейсов с точностью до 95%