Главная » Новости » Как мосметро использует машинное обучение для оценки загруженности вагонов

Как мосметро использует машинное обучение для оценки загруженности вагонов

Машинное обучение

Ключевую роль для оценки загруженности выполняет заранее обученный сложный математический алгоритм. Он умеет собирать и анализировать все ключевые факторы, а после выдает категорию загруженности каждого вагона в конкретном поезде: низкая, средняя, выше средней или высокая.

Чтобы понять как работает алгоритм машинного обучения, надо разобрать два ключевых понятия: обучение с учителем и дерево принятия решений. 

Обучение с учителем 

Это один из способов машинного обучения. При таком сценарии «учитель» (им выступает живой человек или группа людей) указывает машине, какие данные считать эталонными. В качестве исходных данных рассматривали выгрузку с проходов на турникетах билетной системы.

В метро первый этап обучения с учителем занял примерно 4 месяца. За это время тестировщики «МаксимаТелеком»‎ и сотрудники метро физически спускались в подземку и выполняли нехитрую операцию — считали людей в разных поездах и вагонах, в разное время, на разных ветках и станциях. Таким образом сформировался эталонный датасет, на который ориентируется алгоритм. Собранные в ходе обучения данные могут изменяться в зависимости от внешних факторов (сезона, погоды, пандемии), поэтому процедура подсчета периодически повторяется.‎ Полученная выборка и статистика о подключениях к Wi-Fi легли в основу работы сервиса. 

Дерево принятия решений 

Это один из способов анализа и обработки больших массивов данных. Грубо говоря, система работает по принципу «Если…, то…»‎. Такой способ хорошо подходит для категоризации информации. В случае с метро категории — это уровни загруженности вагонов.

Опубликовано: 26 ноября 2021
↓