Pull to refresh

Гео-сервисы прогнозируют толпу

Reading time 1 min
Views 465
Lumber room
Translation
Мама, он опять меня посчитал!
Мы находимся почти на самом пике популярности устройств, которые в любой момент готовы определить местонахождение своего владельца. Системы глобального позиционирования (GPS) входят в число самых популярных электронных устройств массового потребления – так считает Клинт Вилок, исследователь из ABI Research, которая отслеживает тенденции на рынке технологий. Всё больше мобильных телефонов выпускается со встроенными чипами GPS. Каждое из этих устройств генерирует данные, на основе которых можно многое сказать о том, как люди проводят свою жизнь.

Подобные данные могут кардинальным образом расширить наши знания о поведении потребителей, позволив предпринимателям заблаговременно предсказывать возникновение новых экономических трендов, предложить более точные инструменты, позволяющие выбрать самое подходящее место для офиса или торгового центра, а также открыть более эффективные способы рекламы.

Недавно, в журнале Nature была опубликована статья, посвящённая исследованию мобильных «гео-следов», которые оставляли 100,000 человек в одной европейской стране, на протяжении шести месяцев. По результатам исследования, в большинстве случаев, маршруты движения людей можно было легко предсказывать. Зная закономерности этих маршрутов, можно вычислять их вероятность и отслеживать их изменения.


Грегори Скибиски, слева, и Тони Джибейра из компании Sense Networks, которая с помощью гео-данных делает прогнозы и даёт рекомендации предпринимателям и просто потребителям.
Читать дальше →
Total votes 6: ↑4 and ↓2 +2
Comments 1

Прогнозирование физики на стороне клиента в Unity

Reading time 12 min
Views 9.8K
Game development *Unity3D *
Translation
image

TL;DR


Я создал демо, показывающее, как реализовать прогнозирование на стороне клиента физического движения игрока в Unity — GitHub.

Введение


В начале 2012 года я написал пост о как-бы-реализации прогнозирования на стороне клиента физического движения игрока в Unity. Благодаря Physics.Simulate() тот неуклюжий обходной способ, который я описал, больше не нужен. Старый пост до сих пор является одним из самых популярных в моём блоге, но для современного Unity эта информация уже неверна. Поэтому я выпускаю версию 2018 года.

Что-что на стороне клиента?


В соревновательных многопользовательских играх необходимо по возможности избегать читерства. Обычно это значит, что применяется сетевая модель с авторитарным сервером: клиенты отправляют серверу вводимую информацию, а сервер превращает эту информацию в перемещение игрока, а потом отправляет снэпшот получившегося состояния игрока обратно клиенту. При этом возникает задержка между нажатием клавиши и отображением результатом, что неприемлемо для любых активных игр. Прогнозирование на стороне клиента — это очень популярная техника, скрывающая задержку, прогнозируя то, каким будет получившееся движение и сразу показывая его игроку. Когда клиент получает результаты от сервера, он сравнивает их с тем, что спрогнозировал клиент, и если они отличаются, то прогноз был ошибочным и нуждается в коррекции состояния.
Total votes 28: ↑27 and ↓1 +26
Comments 6

Machine Learning for your flat hunt. Part 2

Reading time 9 min
Views 1.5K
Python *Programming *Data Mining *Data visualization *Machine learning *


Have you thought about the influence of the nearest metro to the price of your flat? 
What about several kindergartens around your apartment? Are you ready to plunge in the world of geo-spatial data?


The world provides so much information…



Read more →
Total votes 4: ↑4 and ↓0 +4
Comments 0

ИИ для прогнозирования тренда стоимости Bitcoin на данных Twitter. ч.1

Reading time 9 min
Views 7.7K
Python *Twitter API *Big Data *Artificial Intelligence

В этой статье я расскажу о первой серии экспериментов для проверки гипотезы влияния данных Twitter на тренд стоимости Bitcoin. Цель не угадать ценник, а предсказать рост, убывание или относительную неизменность цены

Читать далее
Total votes 7: ↑7 and ↓0 +7
Comments 20

Autosupply или как автоматизировать цепочки поставок с помощью ML

Reading time 5 min
Views 1.1K
Data Mining *Big Data *
Tutorial

В этой статье речь пойдет о предиктивном определении поставки товарно-материальных ценностей в сеть фронт-офисов банка. Проще говоря, об автоматизированной организации снабжения отделений бумагой, канцтоварами и другими расходными материалами.

Этот процесс называется автопополнение и состоит из следующих этапов – прогнозирование потребности в центре снабжения, формирование заказа там же, согласование и корректировка потребности розничным блоком и непосредственно поставка. Слабое место здесь – необходимость ручной корректировки и последующего согласования объема поставки менеджерами логистики и руководителями подразделений.

Какой этап в этой цепочке можно оптимизировать? Во время формирования заказа менеджеры логистики рассчитывают количество товаров к поставке, основываясь на ретро-данных, данных о срочных заказах и своем экспертном опыте. При этом руководители отделений, чтобы обосновать потребность в тех или иных товарах, должны отслеживать их расход и понимать текущие запасы в отделении. Если мы научимся определять точную потребность в товарах и автоматизируем этот расчет, то этапы формирования и корректировки заказа будут занимать гораздо меньше времени или даже станут вовсе не нужны.

Задача прогнозирования потребления

Есть очень похожая и более распространенная задача в розничной торговле: сколько каких товаров нужно поставить в магазин Х в момент времени У? Задача решается относительно просто: зная потребление товара во времени из чеков и запасы товара на складе, можно вычислить будущую поставку напрямую. Поставить нужно столько, сколько предположительно продадут, за минусом запаса.

Читать далее
Total votes 1: ↑1 and ↓0 +1
Comments 2