假设有一家公司拥有几台收集硬币的自动售货机。当投币保险箱已满时,机器将无法出售任何新物品。为了防止这种情况,公司必须在此之前收集硬币。但是如果公司过早地派出技术人员,公司就会因为他不必要的旅行而赔钱。挑战在于预测收集硬币的正确时间以最小化运营成本。
在每次访问(收集或其他操作)时,都会读取保险箱中的硬币水平。该数据包含有关每台机器安全灌装的历史信息。
什么是最好的 ML 技术,以计算方式解决这个问题?
假设有一家公司拥有几台收集硬币的自动售货机。当投币保险箱已满时,机器将无法出售任何新物品。为了防止这种情况,公司必须在此之前收集硬币。但是如果公司过早地派出技术人员,公司就会因为他不必要的旅行而赔钱。挑战在于预测收集硬币的正确时间以最小化运营成本。
在每次访问(收集或其他操作)时,都会读取保险箱中的硬币水平。该数据包含有关每台机器安全灌装的历史信息。
什么是最好的 ML 技术,以计算方式解决这个问题?
这是我看到的问题的两个部分:
1) 自动售货机型号
我可能会使用历史数据为每台机器建立一个模型。既然您说线性方法可能不好,您需要考虑影响机器填充的因素,即与时间相关的因素,如工作日依赖、假期依赖等,可能还有其他影响,如天气?因此,您需要将这些因素附加到历史数据中,以建立良好的预测模型。许多机器学习技术可以帮助创建模型并找到真实的数据相关性。也许您应该从您的历史数据中创建解压器,并尝试将它们与机器的填充状态相关联。PLS 可以帮助减少描述符空间并找到相关的。如果您真的对相关性的基本数学一无所知,那么神经网络就很棒。玩弄它。
2) 收钱
对技术人员随机前往机器的成本进行建模。考虑机器的填充等级和行程成本。您可以派遣技术人员进行虚拟收款之旅,并计算收款的总成本和机器的收入。再次使用可能具有某种进化策略的神经元网络来找到最佳的行程和时间。您可以在虚拟优化期间使用机器的填充等级模型,因为您可能需要估计这些虚拟收集轮中机器的填充等级。
您遇到的有趣问题...