駐車場での自動車交通をモデル化するための一般的なアプローチ

私の友人から、中型の駐車場での車の交通量の予測モデリングを手伝ってくれるように頼まれました。ガレージには、忙しくて平穏な日、ピーク時、デッドタイムの​​営業時間があります（平日は12時間、週末は8時間営業しています）。

目標は、特定の日（たとえば、明日）に何台の車がガレージに入るか、およびこれらの車が1日を通してどのように分布するかを予測することです。

戦略とテクニックの一般的なリファレンス（できれば、一般公開されているもの）を参照してください。

ありがとうございました

問題に関連するフィールドはキューイング理論であり、特定のサブフィールドは出生死プロセスです。私の意見ではあなたの仕事に役立つ記事はRC LarsonとK.Satsunama（2010）渋滞価格：駐車場待ち行列モデルであり、参考文献のリンクをたどると、どこに進むべきかについてより多くのアイデアが得られます。

最近Rパッケージのキューイングがリリースされたことに注意してください（ただし、タイトルに誤植があります）。最後に、このキューイングソフトウェアのリンクが役立つと思います。

時間ごとのデータを予測することが私の主な関心事になりました。この問題は通常、コールセンター予測で発生します。1日の時間ごとのパターン、1週間のさまざまな毎日のパターン、1年の季節ごとのパターン（月次インジケーター/週次インジケーター）に注意する必要があります。さらに、毎時パターンと毎日のパターンの間に相互作用が見られることもあります。伝達関数（時系列データの回帰の一般化/スーパーセット）は、前述の構造に簡単に対応できます。さらに、年間のイベント（クリスマス、イースターなど）は、リード、コンテンポラリー、および/またはラグ構造を使用して含める必要がある可能性があります。時系列では介入検出スキームを介して、パルス、レベル/ステップシフトがないことを検証する必要がある分析 エラープロセスに残っている季節パルスおよび/または現地時間の傾向は、モデルの拡張を示唆しています。残差系列が自己回帰構造を示唆している場合は、適切なARIMA構造を追加するだけです。この問題に対処するリソースを選択するときは注意が必要です。最近、同様の問題の予測を分析および開発しました。パリの地下鉄システムの乗客数が時間別および日別です。私見これは、キューの長さなどを評価するために使用できる可能なシナリオをシミュレートするために使用できるデータから有用な方程式を構築する問題です。最近、同様の問題の予測を分析および開発しました。パリの地下鉄システムの乗客数が時間別および日別です。私見これは、キューの長さなどを評価するために使用できる可能なシナリオをシミュレートするために使用できるデータから有用な方程式を構築する問題です。最近、同様の問題の予測を分析および開発しました。パリの地下鉄システムの乗客数が時間別および日別です。私見これは、キューの長さなどを評価するために使用できる可能なシナリオをシミュレートするために使用できるデータから有用な方程式を構築する問題です。