기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
화물 수요 예측을 위한 데이터
모든 ML 모델이 의미 있는 예측 및 예측을 하기 위해서는 고품질 데이터가 필수적입니다. 수요 예측의 경우 데이터세트는 최종 수요에 영향을 미칠 수 있는 모든 관련 데이터로 구성됩니다. 이 데이터는 다양한 출처에서 가져올 수 있습니다. 이 데이터를 내부 데이터와 외부 데이터의 두 범주로 분류할 수 있습니다.
내부 데이터
내부 데이터는 비즈니스에서 생성된 유기적 데이터입니다. 이 데이터는 일반적으로 Amazon Redshift와 같은 데이터 웨어하우스에 저장됩니다.
관심 제품의 과거 볼륨이 포함된 데이터 웨어하우스의 테이블에서 대상 출력 값을 직접 생성하거나 추출할 수 있습니다. 운송 회사의 경우 출력 또는 목표 값은 해상 운송의 경우 전체 컨테이너 적재 단위 또는 항공 화물의 총 중량 단위일 수 있습니다.
또한 다양한 과거 비즈니스 지표를 생성할 수 있습니다. 수요를 예측할 때 머신 러닝 모델의 기능으로 사용할 수 있습니다. 특징의 예로는 과거 가격, 비용, 용량, 재고 등이 있습니다.
외부 데이터
외부 데이터 소스를 추가 기능으로 사용하여 예측 정확도를 개선할 수 있습니다. 외부 데이터 소스의 예로는 날씨 데이터, 거시 경제 데이터, 산업 데이터, 시장 데이터 등이 있습니다. 이러한 요인은 물류 및 운송 산업에 직간접적인 영향을 미쳐 수요에 영향을 미칠 수 있습니다. 예를 들어, 시장 운임은 글로벌 화물 시장의 벤치마크를 제공하며, 이는 궁극적으로 회사별 수요에 영향을 미칩니다. 주요 경제국의 수입 및 수출 데이터와 같은 거시 경제 데이터도 시장 활동의 척도로 사용될 수 있습니다. 이러한 외부 데이터 소스를 통합하기 위해 다양한 API를 사용하여 데이터를 수집할 수 있습니다. 예를 들어 St. Louis Fed 는 거시 경제 데이터에 액세스할 수 Federal Reserve Economic
Data (FRED) API
