翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
輸送需要を予測するためのデータ
ML モデルが有意義な予測と予測を行うには、高品質のデータが不可欠です。需要予測の場合、データセットは最終的な需要に影響を与える可能性のある関連データで構成されます。このデータはさまざまなソースから取得できます。このデータは、内部データと外部データの 2 つのカテゴリに分類できます。
内部データ
内部データは、ビジネスによって生成された、組織的なデータです。このデータは通常、Amazon Redshift などのデータウェアハウスに保存されます。
対象製品の履歴ボリュームを含むデータウェアハウス内のテーブルからターゲット出力値を直接生成または抽出できます。配送会社の場合、出力またはターゲット値は、海運用のコンテナ全負荷または航空輸送用の総重量の単位にすることができます。
さまざまな履歴ビジネスメトリクスを生成することもできます。これらは、需要を予測するときに機械学習モデルの機能として使用できます。機能の例としては、過去の価格、コスト、容量、在庫などがあります。
外部データ
外部データソースは、予測の精度を向上させるための追加機能として使用できます。外部データソースの例としては、気象データ、マクロ経済データ、業界データ、市場データなどがあります。これらの要因は、物流および輸送業界に直接または間接的な影響を与える可能性があるため、需要に影響を与える可能性があります。例えば、市場輸送レートはグローバル輸送市場をベンチマークし、最終的には企業固有の需要に影響します。主要経済国のデータのインポートやエクスポートなどのマクロ経済データは、市場活動の尺度として使用することもできます。これらの外部データソースを組み込むには、さまざまな APIs を使用してデータを取り込むことができます。例えば、 St. Louis Fedはマクロ経済データにアクセスFederal Reserve Economic Data (FRED) API
