Фильтр Калмана можно рассматривать в двух режимах.
В стационарном (steady-state) случае рассматривается линейная стационарная модель с постоянными матрицами A, C, Q, R. Тогда задача сводится к поиску стационарной ковариации ошибки из дискретного алгебраического уравнения Риккати, после чего стационарное усиление K вычисляется один раз заранее. В этом режиме фильтр Калмана действительно становится обычным линейным наблюдателем с постоянным усилением - наблюдателем Люенбергера, у которого коэффициенты выбраны не эвристически, а из критерия минимума среднеквадратической ошибки.
В рекурсивном случае смысл уже другой. Здесь фильтр Калмана это байесовская рекурсия для линейно-гауссовой модели: на каждом шаге выполняются прогноз и коррекция, а накопленная информация о состоянии хранится не только в оценке, но и в ее неопределенности. Поэтому рекурсивная форма нужна не ради формул, а потому что апостериорное распределение уточняется по мере поступления новых данных. Это нужно при конечном горизонте, нестационарных режимах, переменных Q и R, пропусках измерений и изменении доверия к датчикам.
Еще более интересная картина получается при негауссовских шумах. В этом случае простая рекурсия не работает и приходится использовать более сложные архитектуры. Например, вариационно-байесовские и коррентропийные фильтры.
После формирования пула "клиентские заказы - доступные водители" задача становится близка к известной задаче маршрутизации звонков в колл-центре. Введение очереди в приложение - это копирование всем знакомой фичи про то, что вы "пятый в очереди и вас обслужит первый освободившийся оператор". Визуализация места в очереди, действительно, снимает дискомфорт неопределенности и предостерегает от мультизаказа. Но не более. Известно, что в условиях перегрузки (как в комментируемой статье) все стратегии маршрутизации сближаются по метрикам справедливости (подробнее можно посмотреть в этой статье). Реальное позитивное влияние имеет толерантность клиентов ко времени ожидания (с учетом перехода на другие тарифы, общественный транспорт, пересидеть с кофе) и ввод новых водителей. Это к названию статьи.
В комментариях понравились два наблюдения/соображения: 1. Провокация водителями суржа (повышения ценника) и как этому противостоять с сохранением баланса интересов. 2. Идея превентивного "нагона" машин.
Про провокацию. Если водитель на момент выбора не знает деталей заказов (так, во всяком случае, следует из содержания комментов), то можно попробовать давать ему на выбор два или три заказа с прогнозной оценкой относительной доходности, например, по десяти бальной шкале и прогнозной оценкой продолжительности/километража - лучший и сбалансированные по показателям. В результате выбор ограничивается и возникает мотивация не терять лучший заказ. Похожие подходы (скоринг заявок по ожидаемой выгоде и времени) используются в системах диспетчеризации и приоритизации запросов. Качество схемы зависит от адекватности прогноза доходности и времени - если модель "врет", водители быстро начнут ей не доверять и искать обходы.
Про превентивный "нагон". Создать динамическое зонирование водительской карты по прогнозной относительной доходности. Прогноз на исторических данных и будущих ковариатах (время, погода, события). Подумать про периодичность обновления. Слишком частое обновление даст «дёрганую» карту, слишком редкое - потерю актуальности.
Посыл статьи правильный. Хабр растет и вместе с ним растет разнообразие аудитории. Ее пытаются сегментировать на уровне поиска, вводя классификацию по хабам, типам статей, уровням сложности и другим измерениям. В результате статьи сегментированы, а система оценивания (карма/рейтинги) - нет. Это как если бы на университетской защите по физике в комиссию включили филологов, востоковедов и любителей норвежской ходьбы с палками. Бороться с разнообразием - сомнительное решение. Возможно следует локализовать оценивание внутри определенных агрегатов классов. Правда, можно потерять междисциплинарность. Возможно пробовать учитывать семантическую оценку текстов с помощью тех же LLMs. Проблема есть и над ней надо думать, еще лучше думать коллегиально.
Согласен. С моей стороны это попытка систематизации, а не содержательного анализа. У каждой работы есть свой читатель.
Фильтр Калмана можно рассматривать в двух режимах.
В стационарном (steady-state) случае рассматривается линейная стационарная модель с постоянными матрицами A, C, Q, R. Тогда задача сводится к поиску стационарной ковариации ошибки из дискретного алгебраического уравнения Риккати, после чего стационарное усиление K вычисляется один раз заранее. В этом режиме фильтр Калмана действительно становится обычным линейным наблюдателем с постоянным усилением - наблюдателем Люенбергера, у которого коэффициенты выбраны не эвристически, а из критерия минимума среднеквадратической ошибки.
В рекурсивном случае смысл уже другой. Здесь фильтр Калмана это байесовская рекурсия для линейно-гауссовой модели: на каждом шаге выполняются прогноз и коррекция, а накопленная информация о состоянии хранится не только в оценке, но и в ее неопределенности. Поэтому рекурсивная форма нужна не ради формул, а потому что апостериорное распределение уточняется по мере поступления новых данных. Это нужно при конечном горизонте, нестационарных режимах, переменных Q и R, пропусках измерений и изменении доверия к датчикам.
Еще более интересная картина получается при негауссовских шумах. В этом случае простая рекурсия не работает и приходится использовать более сложные архитектуры. Например, вариационно-байесовские и коррентропийные фильтры.
После формирования пула "клиентские заказы - доступные водители" задача становится близка к известной задаче маршрутизации звонков в колл-центре. Введение очереди в приложение - это копирование всем знакомой фичи про то, что вы "пятый в очереди и вас обслужит первый освободившийся оператор". Визуализация места в очереди, действительно, снимает дискомфорт неопределенности и предостерегает от мультизаказа. Но не более. Известно, что в условиях перегрузки (как в комментируемой статье) все стратегии маршрутизации сближаются по метрикам справедливости (подробнее можно посмотреть в этой статье). Реальное позитивное влияние имеет толерантность клиентов ко времени ожидания (с учетом перехода на другие тарифы, общественный транспорт, пересидеть с кофе) и ввод новых водителей. Это к названию статьи.
В комментариях понравились два наблюдения/соображения:
1. Провокация водителями суржа (повышения ценника) и как этому противостоять с сохранением баланса интересов.
2. Идея превентивного "нагона" машин.
Про провокацию. Если водитель на момент выбора не знает деталей заказов (так, во всяком случае, следует из содержания комментов), то можно попробовать давать ему на выбор два или три заказа с прогнозной оценкой относительной доходности, например, по десяти бальной шкале и прогнозной оценкой продолжительности/километража - лучший и сбалансированные по показателям. В результате выбор ограничивается и возникает мотивация не терять лучший заказ.
Похожие подходы (скоринг заявок по ожидаемой выгоде и времени) используются в системах диспетчеризации и приоритизации запросов. Качество схемы зависит от адекватности прогноза доходности и времени - если модель "врет", водители быстро начнут ей не доверять и искать обходы.
Про превентивный "нагон". Создать динамическое зонирование водительской карты по прогнозной относительной доходности. Прогноз на исторических данных и будущих ковариатах (время, погода, события).
Подумать про периодичность обновления. Слишком частое обновление даст «дёрганую» карту, слишком редкое - потерю актуальности.
https://habr.com/ru/articles/966772/
Посыл статьи правильный. Хабр растет и вместе с ним растет разнообразие аудитории. Ее пытаются сегментировать на уровне поиска, вводя классификацию по хабам, типам статей, уровням сложности и другим измерениям. В результате статьи сегментированы, а система оценивания (карма/рейтинги) - нет. Это как если бы на университетской защите по физике в комиссию включили филологов, востоковедов и любителей норвежской ходьбы с палками.
Бороться с разнообразием - сомнительное решение. Возможно следует локализовать оценивание внутри определенных агрегатов классов. Правда, можно потерять междисциплинарность. Возможно пробовать учитывать семантическую оценку текстов с помощью тех же LLMs. Проблема есть и над ней надо думать, еще лучше думать коллегиально.
Человеческая еда разнится по качеству, почему еде для животных быть одинаковой. А графики - способ измерить. Не измеришь - не сможешь управлять.