Кейс: прогнозирование успешности рейсов по вывозу отходов

ЛогистикаML / ПрогнозированиеЦентральная Азия

Задача. Региональный оператор вывоза и переработки отходов терял рейсы: машина приезжала, а контейнер пуст — или наоборот, переполненный контейнер ждал несколько дней. Нужен был прогноз, какие точки обслуживать в первую очередь и каким транспортом.

Решение

Построили ML-модель прогнозирования успешности рейса на основе истории вывозов, сезонности, типа точки и погодных факторов. Диспетчер получает приоритизированный список рейсов на день, а система автоматически формирует маршруты. Модель развёрнута на серверах заказчика, обучение заняло 4 недели.

Результат

Технологии: Python, CatBoost, PostgreSQL, FastAPI, Docker.

Аналогичные модели прогнозирования мы внедряем для логистических и торговых компаний Бишкека и Ташкента — см. услугу «Управление данными и аналитика».

Этапы проекта

1. Аудит данных телематики и истории вывозов — 1 неделя;
2. Обучение и валидация модели на исторических данных — 2 недели;
3. Интеграция с диспетчерской системой и пилот на 20% парка — 2 недели;
4. Раскатка на весь парк и обучение диспетчеров — 1 неделя.

Где это применимо в Кыргызстане

Та же модель работает для курьерских служб Бишкека и Оша, таксопарков, дистрибуции по торговым точкам и муниципальных служб: везде, где есть рейсы и история поездок, прогноз снижает холостые пробеги и перерасход топлива. Пилот такой модели — от $5 000 и 2–4 недели.

Обсудить проект