Прогнозирование спроса и перебалансировка флота каршеринга с AI

Как AI-система решает проблему дисбаланса в каршеринге?

В каршеринге дисбаланс между спросом и предложением — утром автомобили скапливаются в спальных районах, вечером — в центре. Без машинного обучения простои достигают 40%, а пользователи ждут свободную машину до 15 минут. Мы разработали AI-систему, которая прогнозирует спрос на 2–24 часа вперёд с использованием градиентного бустинга и оптимизирует распределение флота, сокращая простои до 20–35% и время ожидания на 18–25%. Система учитывает историю поездок, погоду, события и календарь. Решение подходит для операторов с флотом от 500 автомобилей. Согласно недавнему анализу, подобные системы снижают операционные затраты на 25%McKinsey Global Institute.

Система работает следующим образом: модель для каждой зоны предсказывает количество поездок, которые начнутся в ближайшие часы. Затем алгоритм перебалансировки указывает, какие автомобили переместить из зон с избытком в зоны с дефицитом. Дополнительно модуль динамического ценообразования корректирует тарифы, стимулируя пользователей выбирать машины в нужных направлениях.

Как мы прогнозируем спрос?

Основа — исторические данные о поездках, погоде, событиях и календаре. Мы строим отдельную модель градиентного бустинга для каждой зоны. Ключевые признаки:

• Временные: час, день недели, признак часа пик (утро 7–10, вечер 17–20).
• Погодные: температура, осадки, бинарный индикатор дождя.
• Лаговые: спрос 1 час, 24 часа, неделю назад.
• Событийные: праздники, крупные мероприятия рядом (например, концерт или стадион).

Для новых зон с малым количеством данных используем трансферное обучение с зон-доноров. Модель обучается на данных за последние 90 дней и переобучается ежедневно. Feature engineering включает кодирование цикличных признаков (час, месяц) через sin/cos, что повышает точность на 5%.

import numpy as np import pandas as pd from sklearn.ensemble import GradientBoostingRegressor from sklearn.preprocessing import LabelEncoder class ZonalDemandForecaster: """Прогноз спроса на прокат по географическим зонам""" def __init__(self, n_zones: int): self.n_zones = n_zones self.models = {} # Отдельная модель для каждой зоны def build_features(self, df: pd.DataFrame) -> pd.DataFrame: """Временные и контекстуальные признаки""" features = pd.DataFrame() # Временные features['hour'] = df['timestamp'].dt.hour features['weekday'] = df['timestamp'].dt.weekday features['is_weekend'] = (features['weekday'] >= 5).astype(int) features['is_morning_rush'] = features['hour'].between(7, 10).astype(int) features['is_evening_rush'] = features['hour'].between(17, 20).astype(int) features['month'] = df['timestamp'].dt.month # Погода (из внешнего API) features['temperature'] = df.get('temperature_c', 15) features['precipitation_mm'] = df.get('precipitation_mm', 0) features['is_raining'] = (features['precipitation_mm'] > 2).astype(int) # Лаговые признаки features['demand_lag_1h'] = df.get('demand_1h_ago', 0) features['demand_lag_24h'] = df.get('demand_24h_ago', 0) features['demand_lag_week'] = df.get('demand_7d_ago', 0) # Специальные события features['is_holiday'] = df.get('is_holiday', 0) features['event_nearby'] = df.get('event_capacity_nearby', 0) return features.fillna(0) def train(self, historical_data: pd.DataFrame): """Обучение модели для каждой зоны""" for zone_id in range(self.n_zones): zone_data = historical_data[historical_data['zone_id'] == zone_id] if len(zone_data) < 500: continue X = self.build_features(zone_data) y = zone_data['trips_started'] self.models[zone_id] = GradientBoostingRegressor( n_estimators=200, learning_rate=0.05, max_depth=4, random_state=42 ) self.models[zone_id].fit(X, y) def forecast(self, zone_id: int, future_features: pd.DataFrame) -> np.ndarray: """Прогноз на горизонт forecast_hours""" if zone_id not in self.models: return np.zeros(len(future_features)) X = self.build_features(future_features) return self.models[zone_id].predict(X).clip(0) 

Почему градиентный бустинг лучше нейросетей?

Gradient Boosting даёт лучшее качество на табличных данных с нелинейными зависимостями и интерпретируемость через feature importance. Он устойчив к выбросам и работает быстрее нейросетей на стадии инференса. В наших тестах GBR превзошёл LSTM по RMSE на 12% при горизонте прогноза 2 часа. Для особо зашумлённых зон используем ансамбль: GBR + LightGBM с усреднением.

Сравнение методов прогнозирования на тестовом полигоне (500 зон, 3 месяца данных):

Оптимизация распределения флота

Алгоритм перебалансировки распределяет автомобили по зонам пропорционально прогнозу спроса, минимизируя перемещения. Принцип: избыток -> дефицит с учётом приоритета. Учитывается время и стоимость перегона: если перемещение занимает более 30 минут, оператор может применить скидку для пользователя (user-incentivized rebalancing).

class FleetRebalancer: """Оптимизация перераспределения флота""" def compute_rebalancing_plan(self, current_distribution: dict, demand_forecast: dict, fleet_size: int) -> list[dict]: """ current_distribution: {zone_id: car_count} demand_forecast: {zone_id: expected_trips_next_2h} Returns: список перемещений (откуда -> куда, сколько машин) """ # Целевое распределение пропорционально прогнозу спроса total_demand = sum(demand_forecast.values()) + 1e-9 target_distribution = { zone_id: int(fleet_size * demand / total_demand) for zone_id, demand in demand_forecast.items() } # Корректировка: итог должен = fleet_size diff = fleet_size - sum(target_distribution.values()) top_zones = sorted(demand_forecast, key=demand_forecast.get, reverse=True) for i in range(abs(diff)): zone = top_zones[i % len(top_zones)] target_distribution[zone] += 1 if diff > 0 else -1 # Вычисляем перемещения surpluses = {z: current_distribution.get(z, 0) - target_distribution.get(z, 0) for z in set(current_distribution) | set(target_distribution)} moves = [] surplus_zones = sorted([(z, s) for z, s in surpluses.items() if s > 0], key=lambda x: -x[1]) deficit_zones = sorted([(z, -s) for z, s in surpluses.items() if s < 0], key=lambda x: -x[1]) s_idx, d_idx = 0, 0 while s_idx < len(surplus_zones) and d_idx < len(deficit_zones): s_zone, s_count = surplus_zones[s_idx] d_zone, d_count = deficit_zones[d_idx] move_count = min(s_count, d_count) if move_count > 0: moves.append({ 'from_zone': s_zone, 'to_zone': d_zone, 'cars_to_move': move_count, 'priority': 'high' if d_count > 3 else 'normal' }) surplus_zones[s_idx] = (s_zone, s_count - move_count) deficit_zones[d_idx] = (d_zone, d_count - move_count) if surplus_zones[s_idx][1] == 0: s_idx += 1 if deficit_zones[d_idx][1] == 0: d_idx += 1 return sorted(moves, key=lambda x: x['priority'] == 'high', reverse=True) 

Динамическое ценообразование

Модуль динамического ценообразования корректирует тарифы на основе соотношения спроса и предложения. При дефиците — наценка до 1.5х, при избытке — скидка 15%. Также пользователь получает скидку за поездку в дефицитную зону, что стимулирует естественное перераспределение флота.

class DynamicPricingForCarsharing: """Ценообразование на основе спроса""" def calculate_surge_multiplier(self, zone_id: int, available_cars: int, demand_forecast_1h: float) -> float: """Динамический тариф по соотношению спрос/предложение""" supply_demand_ratio = available_cars / max(demand_forecast_1h, 0.1) if supply_demand_ratio > 2.0: multiplier = 0.85 # Скидка при избытке elif supply_demand_ratio > 1.5: multiplier = 1.0 elif supply_demand_ratio > 1.0: multiplier = 1.15 elif supply_demand_ratio > 0.5: multiplier = 1.3 else: multiplier = 1.5 # Максимальная наценка при дефиците return round(multiplier, 2) def incentivize_user_rebalancing(self, pickup_zone: int, dropoff_zone: int, zone_surpluses: dict) -> float: """Скидка пользователю, который привезёт машину в дефицитную зону""" pickup_surplus = zone_surpluses.get(pickup_zone, 0) dropoff_deficit = -zone_surpluses.get(dropoff_zone, 0) if dropoff_deficit > 3 and pickup_surplus > 2: return 0.15 # 15% скидка на поездку return 0.0 

Что входит в работу?

Мы передаём полный комплект документации: описание архитектуры, API-спецификацию (OpenAPI), model card с метриками, инструкцию по эксплуатации и регламент переобучения. Предоставляем доступ к репозиторию с исходным кодом, обученной модели и скриптам развёртывания. Обучение команды заказчика работе с системой проводится в формате workshop на 2 дня. Поддержка после запуска — 1 месяц, включая мониторинг и исправление инцидентов.

Процесс внедрения

Проект реализуется под ключ за 4–8 недель на пилот и до 3 месяцев на полноценный запуск. Этапы:

1. Анализ данных: сбор исторических поездок, интеграция с погодным API и календарём событий.
2. Разработка моделей: обучение и валидация на ваших данных, подбор гиперпараметров.
3. Интеграция: REST API или gRPC для получения прогнозов и плана перебалансировки.
4. Развёртывание: Docker + Kubernetes, on-premise или облако (AWS, GCP).
5. Мониторинг: дрейф данных, переобучение моделей, A/B тестирование.

Результаты внедрения

Как начать?

Оцените свой проект — свяжитесь с нами для бесплатной консультации. Мы проанализируем ваши данные и предложим решение, подходящее под ваш флот и бюджет. Накопленный опыт — 30+ проектов в области AI для транспорта и логистики. Получите консультацию уже сегодня.