Русский
Русский
English
Статистика
Реклама

Погодозависимый бизнес



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
К списку статей
Опубликовано: 21.11.2020 20:20:09
0

Сейчас читают

Комментариев (0)
Имя
Электронная почта

Big data

Математика

Бизнес-модели

Индустрия 4.0

Погода

Бизнес-модель

Аэродром

Категории

Последние комментарии

© 2006-2020, personeltest.ru