Maschinelles Lernen im Cab Pooling-Szenario?

Question

Also habe ich diesen Datensatz für ein Transportproblem. Das zeigt ein Taxi-Pooling-Szenario. Betrachten Sie das folgende Bild:

Die Benutzer mit der Nummer gleicher Fahrt in der gleichen Kabine gingen (jeder Benutzer hat den gleichen Ausgangspunkt also bitte ignorieren, dass). Nun, das heißt, Y, Z und A sind in der gleichen Nähe, und so würde ich gerne diesen Datensatz in ein maschinelles Lernmodell so passen, dass wenn ich das Ziel von eingeben Jeder Benutzer, das Modell sollte mir die Vorhersage geben, mit wem mein Ziel gekoppelt werden kann, damit ich mit diesen Leuten in das Taxi gehen kann.

Wie wenn ich an einen Ort 'C' gehen muss, kann ich mich Leuten anschließen, die nach 'B' gehen.

Welchen maschinellen Lernalgorithmus kann ich in diesem Szenario verwenden?

Answer 1

Sie können wahrscheinlich ohne maschinellen Lernalgorithmus auskommen. Anhand der Fahrnummer können Sie Orte identifizieren, die nahe beieinander liegen und sie gruppieren. Wenn ein neuer Standort angezeigt wird, können Sie sehen, welcher Gruppe er angehört, und die Personen, die an Orte innerhalb dieser Gruppe reisen, paaren.

Dazu können Sie eine Matrix mit den Positionen A, B,C,... als Zeilen und als Spalten erstellen. Was Sie bekommen, ist eine num_of_locations x num_of_locations Matrix. Für die Zelle mit der Zeilenbeschriftung B und der Spaltenbeschriftung C können Sie sie als 1 markieren, da sie sich in der Nähe befinden und die Stellen, die nicht in der Nähe liegen (wie A und B), sollten als Null markiert sein.

Die Matrix wird eine symmetrische Matrix sein. Wenn Sie also zu viele Speicherorte haben, können Sie durch Optimierungen Speicher und Berechnungen speichern. Sie können um das Speichern dreieckiger Matrizen als dünne Matrizen herum forschen.

Wenn Sie Zugriff auf die richtigen Ressourcen (kostenpflichtige Bibliotheken) haben, können Sie die 0,1 auch durch Abstände (Verschiebungen tatsächlich) ersetzen.