[Big Data, Математика, Бизнес-модели] Погодозависимый бизнес
Автор
Сообщение
news_bot ®
Стаж: 6 лет 4 месяца
Сообщений: 27286
Как определить, является ли концепция Индустрии 4.0 повинностью компании перед модным трендом или логическим продолжением идей развития бизнеса?
Индикатором является учет погоды в организации бизнеса. С погодой все просто: есть много датчиков, станций наблюдения и как, не смешно, предиктивная аналитика в виде прогноза на разные временные горизонты. Кроме того, имеются исторические данные, из которых можно выделить корреляцию производственно-коммерческих индикаторов работы компании с погодой.
Инстаграм
Явно погодозависимым является около 60-70% бизнеса. Если считать больничные для работников и по уходу за детьми, то процент будет еще больше.
Кроме погодозависимости бизнеса, еще имеет место погодозависимость в потреблении продукции бизнеса.
Для угля — это отклонения в жару и холод. Для производителей удобрений — засуха или дожди. Для аграрного сектора и фермерских хозяйств каждый тип погодных явлений требует соответствующей реакции.
Если промышленные компании хотят попробовать на практике достижения Индустрии 4.0 при минимуме вложений, то введение в рассмотрение фактора погодозависимости — самый лучший вариант. Ставить на погодозависимость при существующем уровне эффективности — не самый лучший вариант. Есть много других сфер, гарантирующих присутствие значительно больших резервов повышения эффективности.
Для агропромышленного комплекса и фермерских хозяйств, наоборот, погодозависимость является системообразующим фактором. Кажется, что при приближении к пределу эффективности доступному обычным организационным методам управления необходимо интенсивно экспериментировать в цифровых методах управления.
1. Искусственный интеллект на практике
Свыше нам дали турбулентность. Пока нет уравнений описывающих турбулентность. Достаточно достоверный прогноз погоды даётся только на 3 дня, что является следствием медленной скорости и инертности воздушных потоков.
Погодные станции расположены достаточно далеко друг от друга. В США эту проблему частично решили, подключив более 40 000 частных погодных станций в общую сеть.
Турбулентность проявляется на практике в том, что в зависимости от конфигурации местности и движения воздушных потоков, значения показателей может отличаться на расстоянии 100-200 метров.
Для привязанных к местности погодных станций существует решение по увеличению точности прогноза на базе машинного обучения (искусственного интеллекта). На основе собираемой в данной точке статистики в текущий официальный прогноз вносятся коррекции, которые учитывают конфигурацию ландшафта в этой точке.
2. Раз природа — переходим на лунный календарь
Далее приведены данные для метеостанции Малое Сареево. Основная масса станций расположена далеко друг от друга — по расходящимся от Москвы кругам. Единственный вариант, когда станции расположены достаточно близко и соответствуют вершинам треугольника с ребрами в 17-20 км — это Малое Сареево, Немчиновка и аэродромная станция Внуково. В этом случае можно хоть как-то перепроверять получаемые результаты.
Малое Сареево: температурные данные (фрагмент данных с 2005 по 2017, дневные линии синии, ночные — коричневые):
Все измерения, во-первых, были разбиты на периоды соответствующие лунному месяцу и полупериоды роста и убывания луны. Во-вторых, внутри измерений одного дня были сгруппированы измерения на ночные и дневные по времени восхода и захода солнца, а также перенормированы на единичный интервал.
Перенормирование на единичный интервал необходимо в связи с тем, что полупериоды могут отличаться на 1-2 дня и в сутках постоянно перемещается граница день-ночь.
3. BigData – это нелинейность
Полученные данные являются BigData. И пока не будет выявлены скрытые закономерности в нелинейных явлениях, эти данные не имеют никакой практической пользы. Потому, что невозможно сформулировать целеполагающие утверждения или правила.
Остается только экспериментировать и развивать интуицию.
Исходные данные были сглажены через скользящее среднее. В рамке из 4-х картинок:
— верхний ряд:
левый рисунок: исходный день(синий)-исходная ночь (коричневая),
правый рисунок: сглаженный день(синий)-сглаженная ночь(коричневая);
— нижний ряд:
левый рисунок: исходный день(синий)-сглаженный день(коричневый),
правый рисунок: исходная ночь(синий)-сглаженная ночь(коричневый).
Совмещение дня и ночи очень сильно сбивает картину из-за сложности динамики. Разделение дня и ночи (трудности с плавающей границей рассвет-закат) позволяет видеть практически одинаковый профиль с небольшим смещением (верхний ряд правый рисунок).
4. Близкие профили: сезонные и межсезонные
Полученные профили можно сравнивать. В качестве метрики используем значение интеграла абсолютного значения всех пар функций. Для Малого Сареева имеем 83 лунных полупериода с 2012 по 2017 годы. Распределений округленных значений метрики приведены в таблицах.
Этим значениям соответствует следующее распределение.
Ниже на рисунке приведена сезонная интерференционная картина: за 4 года для Малого Сареева для дневных профилей. Матрица 83х83. В рамках введенной метрики прослеживается некая периодичность.
Можно отказаться от сезонности, уйдя от абсолютных значений температуры и сравнивать только безразмерные профили.
Одинаковые профили с разной температурой не будут близкими. Будем использовать другую метрику: интеграл от абсолютного значения разности функций со смещением на расстояния средней разницы между функциями по 10 точкам. Будем называть такие профили межсезонными.
Распределение становится более определенным — первое сезонное, второе межсезонное.
Вторая интерференционная картина также более четкая.
5. Что получилось и что это дает?
Понятно, что после осени будет зима, а после зимы — весна. Также ясно, что прогноз погоды достоверен на 3 дня.
Что нового дают полученные результаты? Исходя из них можно типизировать прогноз и понимать, по каким профилям он может развиваться, а по каким развитие маловероятно.
6. Туман на аэродромах
Следующий пример демонстрирует явную пользу типизации профилей.
Туман на аэродромах представляет большую проблему. В нормальной ситуации температура с высотой должна убывать. Однако, если на некотором уровне появляются более теплые слои воздуха, чем на тех, которые лежат ниже (ближе к земле), то тогда и образуется туман. С туманом ничего сделать нельзя, но если имеется информация о возможном тумане, то организационные мероприятия позволяют существенно снизить ущерб от него.
Имеются устройства, которые периодически измеряют температуру через 50 метров до 1000 метров в высоту (всего 20 измерений).
По той же схеме, что и ранее выделяем типовые профили (фрагмент).
Сведенные справа профили по виду могут отличаться от расположенных слева из-за разной размерности шкалы.
Для прогнозирования важно связать данные прибора с регулярными данными аэродромной метеостанции. На картинке ниже сведены данные из двух источников.
В итоге появляются комбинации последовательности измерений, совмещенные с явлениями природы, которые можно положить в основу системы машинного обучения выявления тумана.
7. Выводы
Если промышленные компании хотят попробовать на практике достижения Индустрии 4.0 при минимуме вложений, то введение в рассмотрение фактора погодозависимости — самый лучший вариант. Ставить на погодозависимость при существующем уровне эффективности — не самый лучший вариант. Есть много других сфер, гарантирующих присутствие значительно больших резервов повышения эффективности.
Для агропромышленного комплекса и фермерских хозяйств, наоборот, погодозависимость является системообразующим фактором. Кажется, что при приближении к пределу эффективности доступному обычным организационным методам управления необходимо интенсивно экспериментировать в цифровых методах управления.
===========
Источник:
habr.com
===========
Похожие новости:
- [Big Data, IT-компании] Основные направления работы Big Data МегаФона и задачи на графах
- [Математика, Бизнес-модели] Индустрия 4.0. Горно-обогатительный комбинат. Что первично — задачи или данные?
- [Занимательные задачки, Математика] Чествуем игривое волшебство Джона Хортона Конвея (перевод)
- [Разработка систем связи, Производство и разработка электроники, Научно-популярное, Физика] И в снег, и в дождь: управление лучом в среднем инфракрасном диапазоне
- [Бизнес-модели, Финансы в IT] Ozon выплатил Сбербанку 1 млрд рублей из-за разрыва соглашения о намерениях
- [Big Data, Интернет вещей] Вебинар «Технологии RFID и BLE для контроля перемещения производственных активов»
- [Big Data, DevOps, Hadoop] Sibur Challenge 2020 — онлайн-чемпионат по анализу промышленных данных
- [Алгоритмы, Математика] Быстрый поиск касательных и пересечений у выпуклых многоугольников
- [Анализ и проектирование систем, Проектирование и рефакторинг, Математика, Параллельное программирование, Промышленное программирование] Что сказал-то?
- [Развитие стартапа, Брендинг, Бизнес-модели] Бизнес-экспансия во Вьетнам: новые возможности после пандемии
Теги для поиска: #_big_data, #_matematika (Математика), #_biznesmodeli (Бизнес-модели), #_industrija_4.0 (индустрия 4.0), #_pogoda (погода), #_biznesmodel (бизнес-модель), #_aerodrom (аэродром), #_big_data, #_matematika (
Математика
), #_biznesmodeli (
Бизнес-модели
)
Вы не можете начинать темы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы
Текущее время: 30-Июн 21:37
Часовой пояс: UTC + 5
| Автор | Сообщение |
|---|---|
|
news_bot ®
Стаж: 6 лет 4 месяца |
|
 Как определить, является ли концепция Индустрии 4.0 повинностью компании перед модным трендом или логическим продолжением идей развития бизнеса? Индикатором является учет погоды в организации бизнеса. С погодой все просто: есть много датчиков, станций наблюдения и как, не смешно, предиктивная аналитика в виде прогноза на разные временные горизонты. Кроме того, имеются исторические данные, из которых можно выделить корреляцию производственно-коммерческих индикаторов работы компании с погодой. Инстаграм Явно погодозависимым является около 60-70% бизнеса. Если считать больничные для работников и по уходу за детьми, то процент будет еще больше. Кроме погодозависимости бизнеса, еще имеет место погодозависимость в потреблении продукции бизнеса. Для угля — это отклонения в жару и холод. Для производителей удобрений — засуха или дожди. Для аграрного сектора и фермерских хозяйств каждый тип погодных явлений требует соответствующей реакции. Если промышленные компании хотят попробовать на практике достижения Индустрии 4.0 при минимуме вложений, то введение в рассмотрение фактора погодозависимости — самый лучший вариант. Ставить на погодозависимость при существующем уровне эффективности — не самый лучший вариант. Есть много других сфер, гарантирующих присутствие значительно больших резервов повышения эффективности. Для агропромышленного комплекса и фермерских хозяйств, наоборот, погодозависимость является системообразующим фактором. Кажется, что при приближении к пределу эффективности доступному обычным организационным методам управления необходимо интенсивно экспериментировать в цифровых методах управления. 1. Искусственный интеллект на практике Свыше нам дали турбулентность. Пока нет уравнений описывающих турбулентность. Достаточно достоверный прогноз погоды даётся только на 3 дня, что является следствием медленной скорости и инертности воздушных потоков. Погодные станции расположены достаточно далеко друг от друга. В США эту проблему частично решили, подключив более 40 000 частных погодных станций в общую сеть. Турбулентность проявляется на практике в том, что в зависимости от конфигурации местности и движения воздушных потоков, значения показателей может отличаться на расстоянии 100-200 метров. Для привязанных к местности погодных станций существует решение по увеличению точности прогноза на базе машинного обучения (искусственного интеллекта). На основе собираемой в данной точке статистики в текущий официальный прогноз вносятся коррекции, которые учитывают конфигурацию ландшафта в этой точке. 2. Раз природа — переходим на лунный календарь Далее приведены данные для метеостанции Малое Сареево. Основная масса станций расположена далеко друг от друга — по расходящимся от Москвы кругам. Единственный вариант, когда станции расположены достаточно близко и соответствуют вершинам треугольника с ребрами в 17-20 км — это Малое Сареево, Немчиновка и аэродромная станция Внуково. В этом случае можно хоть как-то перепроверять получаемые результаты. Малое Сареево: температурные данные (фрагмент данных с 2005 по 2017, дневные линии синии, ночные — коричневые):  Все измерения, во-первых, были разбиты на периоды соответствующие лунному месяцу и полупериоды роста и убывания луны. Во-вторых, внутри измерений одного дня были сгруппированы измерения на ночные и дневные по времени восхода и захода солнца, а также перенормированы на единичный интервал. Перенормирование на единичный интервал необходимо в связи с тем, что полупериоды могут отличаться на 1-2 дня и в сутках постоянно перемещается граница день-ночь. 3. BigData – это нелинейность Полученные данные являются BigData. И пока не будет выявлены скрытые закономерности в нелинейных явлениях, эти данные не имеют никакой практической пользы. Потому, что невозможно сформулировать целеполагающие утверждения или правила. Остается только экспериментировать и развивать интуицию. Исходные данные были сглажены через скользящее среднее. В рамке из 4-х картинок: — верхний ряд: левый рисунок: исходный день(синий)-исходная ночь (коричневая), правый рисунок: сглаженный день(синий)-сглаженная ночь(коричневая); — нижний ряд: левый рисунок: исходный день(синий)-сглаженный день(коричневый), правый рисунок: исходная ночь(синий)-сглаженная ночь(коричневый). Совмещение дня и ночи очень сильно сбивает картину из-за сложности динамики. Разделение дня и ночи (трудности с плавающей границей рассвет-закат) позволяет видеть практически одинаковый профиль с небольшим смещением (верхний ряд правый рисунок).  4. Близкие профили: сезонные и межсезонные Полученные профили можно сравнивать. В качестве метрики используем значение интеграла абсолютного значения всех пар функций. Для Малого Сареева имеем 83 лунных полупериода с 2012 по 2017 годы. Распределений округленных значений метрики приведены в таблицах.  Этим значениям соответствует следующее распределение.  Ниже на рисунке приведена сезонная интерференционная картина: за 4 года для Малого Сареева для дневных профилей. Матрица 83х83. В рамках введенной метрики прослеживается некая периодичность.  Можно отказаться от сезонности, уйдя от абсолютных значений температуры и сравнивать только безразмерные профили. Одинаковые профили с разной температурой не будут близкими. Будем использовать другую метрику: интеграл от абсолютного значения разности функций со смещением на расстояния средней разницы между функциями по 10 точкам. Будем называть такие профили межсезонными. Распределение становится более определенным — первое сезонное, второе межсезонное.  Вторая интерференционная картина также более четкая.  5. Что получилось и что это дает? Понятно, что после осени будет зима, а после зимы — весна. Также ясно, что прогноз погоды достоверен на 3 дня. Что нового дают полученные результаты? Исходя из них можно типизировать прогноз и понимать, по каким профилям он может развиваться, а по каким развитие маловероятно. 6. Туман на аэродромах Следующий пример демонстрирует явную пользу типизации профилей. Туман на аэродромах представляет большую проблему. В нормальной ситуации температура с высотой должна убывать. Однако, если на некотором уровне появляются более теплые слои воздуха, чем на тех, которые лежат ниже (ближе к земле), то тогда и образуется туман. С туманом ничего сделать нельзя, но если имеется информация о возможном тумане, то организационные мероприятия позволяют существенно снизить ущерб от него. Имеются устройства, которые периодически измеряют температуру через 50 метров до 1000 метров в высоту (всего 20 измерений). По той же схеме, что и ранее выделяем типовые профили (фрагмент).  Сведенные справа профили по виду могут отличаться от расположенных слева из-за разной размерности шкалы. Для прогнозирования важно связать данные прибора с регулярными данными аэродромной метеостанции. На картинке ниже сведены данные из двух источников.  В итоге появляются комбинации последовательности измерений, совмещенные с явлениями природы, которые можно положить в основу системы машинного обучения выявления тумана. 7. Выводы Если промышленные компании хотят попробовать на практике достижения Индустрии 4.0 при минимуме вложений, то введение в рассмотрение фактора погодозависимости — самый лучший вариант. Ставить на погодозависимость при существующем уровне эффективности — не самый лучший вариант. Есть много других сфер, гарантирующих присутствие значительно больших резервов повышения эффективности. Для агропромышленного комплекса и фермерских хозяйств, наоборот, погодозависимость является системообразующим фактором. Кажется, что при приближении к пределу эффективности доступному обычным организационным методам управления необходимо интенсивно экспериментировать в цифровых методах управления. =========== Источник: habr.com =========== Похожие новости:
Математика ), #_biznesmodeli ( Бизнес-модели ) |
|
Вы не можете начинать темы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы
Текущее время: 30-Июн 21:37
Часовой пояс: UTC + 5