Allgemeine Ansätze zum Modellautoverkehr in einem Parkhaus


8

Ein Freund von mir hat mich gebeten, ihm bei der prädiktiven Modellierung des Autoverkehrs in einem mittelgroßen Parkhaus zu helfen. Die Garage hat ihre geschäftigen und einfachen Tage, ihre Stoßzeiten, Öffnungszeiten der Totzeiten (sie ist an Wochentagen während 12 Stunden und an Wochenenden während 8 Stunden geöffnet).

Ziel ist es, vorherzusagen, wie viele Autos an einem bestimmten Tag (z. B. morgen) in die Garage fahren und wie diese Autos über den Tag verteilt werden sollen.

Bitte verweisen Sie mich auf allgemeine Verweise (vorzugsweise öffentlich verfügbar) auf Strategien und Techniken.

Vielen Dank


Was genau versuchen Sie hier zu modellieren / vorherzusagen?
Nick

Vielen Dank. Ich habe die Frage bearbeitet. Hoffe es ist jetzt klarer
David D

Klingt für mich nach einem Poisson-Prozessproblem. Lassen Sie mich sehen, was andere darüber denken.
Suncoolsu

Sehen Sie sich meinen Kommentar zu Dmitrij Celovs Antwort an und klären Sie Ihre Frage.
Boris Gorelik

Antworten:


6

Das Feld, das für das Problem relevant ist, ist die Warteschlangentheorie , ein bestimmtes Unterfeld ist ein Geburts-Todes- Prozess. Ein Artikel, der meiner Meinung nach zu Ihrer Aufgabe hilfreich ist RC Larson und K.Satsunama (2010) Congestion Pricing: Ein Parkplatz Queue Modell , nach den Links in Artikeln würde mehr Ideen geben , wo fortzuzufahren.

Beachten Sie, dass kürzlich die Warteschlange für R-Pakete freigegeben wurde (jedoch mit einem Druckfehler im Titel). Schließlich denke ich, dass dieser Link für Warteschlangensoftware hilfreich sein könnte.


2
Der Geburts-Todes-Prozess versucht, den Durchsatz des Prozesses zu analysieren (hier der Parkhausangestellte oder ähnliches). Ich habe das Gefühl, dass DavidD nach einer Methode sucht, um die Anzahl der Autos vorherzusagen, die versuchen, in der Garage einzuchecken (nicht die Warteschlange, sondern die Nachfrage).
Boris Gorelik

@bgbg, das Problem beim Parken ist, dass Autos in der Garage nicht die ganze Zeit bleiben. Wenn Sie in die Stadt fahren, sehen Sie, wie viele freie Plätze sich in einer bestimmten Garage befinden. Sie entscheiden sich also, diese zu belegen oder zu suchen kostenlos woanders platzieren (ich gehe davon aus, dass es sich um eine Art Parkplatz handelt, aber nur unterirdisch, hier stimme ich zu, dass weitere Details nützlich wären). Da Autos in der Garage nicht den ganzen Tag bleiben Sie benötigen einen Geburts-Todes-Prozess, um zu beschreiben, ob ein bestimmter Ort frei oder besetzt ist, diesmal eines Tages und einer Woche. Warten auf Davids Kommentare.
Dmitrij Celov

4

Die Vorhersage von Stundendaten ist zu meinem Hauptinteresse geworden. Dieses Problem tritt normalerweise in der Call Center-Prognose auf. Man muss sich mit stündlichen Mustern innerhalb des Tages, verschiedenen täglichen Mustern über die Woche und saisonalen Mustern im Laufe des Jahres befassen (monatliche Indikatoren / wöchentliche Indikatoren. Zusätzlich kann es eine Wechselwirkung zwischen stündlichen Mustern und täglichen Mustern geben und ich habe sie gesehen. Übertragungsfunktion (eine Verallgemeinerung / Supermenge der Regression für Zeitreihendaten) kann die genannten Strukturen leicht berücksichtigen. Zusätzlich müssen Ereignisse während des Jahres (Weihnachten, Ostern usw.) möglicherweise unter Verwendung von Blei-, Zeit- und / oder Verzögerungsstrukturen einbezogen werden. In Zeitreihen Analyse müssen wir über Interventionserkennungsschemata validieren, dass es keine Impulse, Ebenen- / Schrittverschiebungen gibt, Saisonale Impulse und / oder lokale Zeittrends, die im Fehlerprozess verbleiben, deuten auf eine Erweiterung des Modells hin. Wenn die Restreihe eine autotregressive Struktur vorschlägt, fügt man einfach eine geeignete ARIMA-Struktur hinzu. Bei der Auswahl einer Ressource zur Behebung dieses Problems ist Vorsicht geboten. Ich habe kürzlich Prognosen für ein ähnliches Problem analysiert und entwickelt: die Anzahl der Passagiere im Pariser U-Bahn-System pro Stunde und Tag. IMHO ist dies ein Problem bei der Erstellung einer nützlichen Gleichung aus den Daten, die dann verwendet werden kann, um mögliche Szenarien zu simulieren, die dann zur Bewertung der Warteschlangenlänge usw. verwendet werden können. Ich habe kürzlich Prognosen für ein ähnliches Problem analysiert und entwickelt: die Anzahl der Passagiere im Pariser U-Bahn-System pro Stunde und Tag. IMHO ist dies ein Problem bei der Erstellung einer nützlichen Gleichung aus den Daten, die dann verwendet werden kann, um mögliche Szenarien zu simulieren, die dann zur Bewertung der Warteschlangenlänge usw. verwendet werden können. Ich habe kürzlich Prognosen für ein ähnliches Problem analysiert und entwickelt: die Anzahl der Passagiere im Pariser U-Bahn-System pro Stunde und Tag. IMHO ist dies ein Problem bei der Erstellung einer nützlichen Gleichung aus den Daten, die dann verwendet werden kann, um mögliche Szenarien zu simulieren, die dann zur Bewertung der Warteschlangenlänge usw. verwendet werden können.


+1 Interessante Beispiele. Sind einige von ihnen im Web zugänglich?
whuber
Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.