seorang teman saya meminta saya untuk membantunya memodelkan lalu lintas mobil di garasi parkir berukuran sedang. Garasi memiliki hari-hari yang sibuk dan mudah, jam sibuk, jam buka mati (dibuka selama 12 jam selama hari kerja dan selama 8 jam selama akhir pekan).
Tujuannya adalah untuk memprediksi berapa banyak mobil yang akan memasuki garasi selama hari tertentu (katakanlah, besok) dan bagaimana mobil-mobil ini seharusnya didistribusikan sepanjang hari.
Tolong tunjukkan saya ke referensi umum (lebih disukai, tersedia untuk umum) untuk strategi dan teknik.
Terima kasih
Jawaban:
Bidang yang relevan dengan masalah adalah teori Antrian , sub-bidang tertentu adalah proses Kelahiran-kematian . Artikel yang menurut saya bermanfaat untuk tugas Anda adalah RC Larson dan K.Satsunama (2010) Harga Kemacetan: Model Antrian Parkir , mengikuti tautan dalam referensi akan memberikan lebih banyak ide tentang tempat untuk melanjutkan.
Perhatikan, bahwa baru-baru ini antrian paket R telah dirilis (dengan kesalahan cetak pada judulnya) Akhirnya, saya pikir, tautan ini untuk perangkat lunak antrian dapat membantu.
sumber
Memprediksi data per jam telah menjadi minat utama saya. Masalah ini muncul secara normal di Perkiraan Pusat Panggilan. Kita perlu memperhatikan pola jam dalam sehari, pola harian yang berbeda sepanjang minggu dan pola musiman sepanjang tahun (Indikator bulanan / Indikator Mingguan. Selain itu bisa dan saya telah melihat interaksi antara pola jam dan pola harian. Fungsi Transfer (generalisasi / super-set Regresi untuk data deret waktu) dapat dengan mudah mengakomodasi struktur yang disebutkan.Selain itu peristiwa sepanjang tahun (Xmas, Paskah dll) perlu mungkin dimasukkan menggunakan struktur timbal, kontemporer dan / atau lag. analisis kita perlu memvalidasi melalui skema Deteksi Intervensi bahwa tidak ada pulsa, Level / Step Shift, Pulsa Musiman dan / atau Tren Waktu Lokal yang tersisa dalam proses kesalahan menyarankan penambahan model. Jika seri residu menunjukkan struktur autotregresif maka orang hanya menambahkan struktur ARIMA yang cocok. Perawatan harus diambil ketika memilih sumber daya untuk mengatasi masalah ini. Baru-baru ini saya menganalisis dan mengembangkan prakiraan untuk masalah yang sama: jumlah penumpang di Sistem Subway Paris berdasarkan jam dan hari. IMHO ini adalah masalah membangun persamaan yang berguna dari data yang kemudian dapat digunakan untuk mensimulasikan skenario yang mungkin yang kemudian dapat digunakan untuk mengevaluasi panjang antrian dll. Baru-baru ini saya menganalisis dan mengembangkan prakiraan untuk masalah yang sama: jumlah penumpang di Sistem Subway Paris berdasarkan jam dan hari. IMHO ini adalah masalah membangun persamaan yang berguna dari data yang kemudian dapat digunakan untuk mensimulasikan skenario yang mungkin yang kemudian dapat digunakan untuk mengevaluasi panjang antrian dll. Baru-baru ini saya menganalisis dan mengembangkan prakiraan untuk masalah yang sama: jumlah penumpang di Sistem Subway Paris berdasarkan jam dan hari. IMHO ini adalah masalah membangun persamaan yang berguna dari data yang kemudian dapat digunakan untuk mensimulasikan skenario yang mungkin yang kemudian dapat digunakan untuk mengevaluasi panjang antrian dll.
sumber