In Dap Models 

Модель рассчитывает вероятность выхода оборудования из строя, согласно официальной методике ГОСТ. При прогнозе учитывается распределение Пуассона, учитывают количество часов без ошибок, с ошибками и время на ремонт. Результатами работы модели является список оборудования с указанием его выхода из строя в заданный период. Также имеется визуализация, отображающая количество оборудования с определенном диапазоне вероятности выхода из строя.

Модель формирует оптимальные маршруты школьных автобусов между населенными пунктами и школой с возможностью межмуниципальных перевозок (с учетом численности учащихся в заданном направлении, вместимости автобусов и среднетехнической скорости).

Модель позволяет:

• Проанализировать работу системы при различных исходных данных. Стартовая точка указывается заказчиком самостоятельно;
• Выбирать целевой результат оптимизации:
  • Оптимизация по протяженности;
  • Оптимизация по продолжительности;

Обосновать оптимальную численность автопарка автобусов. По результатам построения маршрутов могут выводиться сообщения о незадействованных автобусах или дефиците.

Модель рассчитывает экологический вред, нанесенный транспортными средствами по методике Министерства природных ресурсов и экологии РФ. Вред рассчитывается в зависимости от количества автотранспорта по каждому типу, продолжительности дорог, интенсивности движения и средней скорости на дорогах. Прогнозирование осуществляется по методу Хольта и Брауна: учитывает сезонность и тренд.

Результатами работы модели являются:

• визуализация долей выбросов в разрезе автотранспорта;
• визуализация долей выбросов в разрезе загрязняющих веществ;
• прогнозирование величины выбросов на заданный период. На визуализации видна зависимость выбросов от интенсивности движения.

При желании пользователь может поменять параметры: интенсивность, скорость, количестве ТС определенного типа. И увидеть, как меняется прогноз при смене параметров.

Модель с помощью проведения анализа по имеющимся данным о клиентах и с использованием методов машинного обучения позволяет предсказать переход клиента в состояние неактивности с горизонтом предсказания 1 месяц. В качестве модели для машинного обучения был выбран подход «Градиентный бустинг», который хорошо зарекомендовал себя для построения прогнозов на основе больших объёмов структурированных данных.