Os atrasos nos trens são frequentes e inevitáveis. O que é evitável é antecipá-los erroneamente. A empresa já tinha um algoritmo de previsão, mas sua precisão era insuficiente: apenas 10% de melhoria em relação ao sistema de referência. Os viajantes receberam estimativas não confiáveis e as equipes de controle de tráfego não puderam confiar nas previsões para tomar decisões operacionais em tempo real. O objetivo era claro: triplicar o ganho de precisão para alcançar 30% de melhoria e expor as previsões por meio de uma API em tempo real.
Previsão de atrasos
Uma empresa de transporte ferroviário precisava melhorar a precisão de suas previsões de atraso para informar melhor os viajantes e otimizar a regulamentação do tráfego. Assumimos e aprimoramos seu modelo de aprendizado profundo existente, atingindo a meta de 30% de melhoria e implantamos na produção em tempo real.
Problématique
Solution
Ce que nous avons construit
Implantamos 2 cientistas de dados para pegar o modelo existente, melhorá-lo significativamente e colocá-lo em produção.
Etapa 1 — Limpeza de dados observacionais. Desenvolvimento de um algoritmo para limpar os dados de entrada — treinar observações — para eliminar ruídos e anomalias que degradaram o desempenho do modelo.
Etapa 2 — Melhoria das incorporações de rede. Redesenho de representações vetoriais da rede ferroviária para melhor capturar informações espaciais e geográficas: topologia de linhas, interconexões, distâncias e restrições físicas da rede.
Etapa 3 — Otimização do modelo de Deep Learning. Melhoria do modelo de transformador existente com mecanismos de atenção: otimização de hiperparâmetros, enriquecimento dos dados de entrada, ajuste da função de perda. Aumento de 10% para 30% de melhoria em comparação com o sistema de referência.
Etapa 4 — Produção em tempo real. Implantação do modelo na produção por meio de uma API que expõe as previsões de atraso em tempo real, fornecendo informações sobre passageiros e ferramentas de controle de tráfego.
Projets dans la même catégorie
