Прогнозирование успешности рейсов по вывозу отходов строительства
в момент запуска рейса

системы на базе ИИ

строительство

5%

95%

увеличилось количество успешных рейсов

на

до

повысилась точность прогнозирования успешности рейсов

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