机器学习挑战：收集硬币的技术

Question

假设有一家公司拥有几个收集硬币的vending machines。当硬币保险箱已满时，机器不能出售任何新物品。为了防止这种情况，公司必须在此之前收集硬币。但如果公司过早地派技术人员，公司就会因为不必要的旅行而亏钱。挑战在于预测收集硬币的合适时间，以最大限度地降低运营成本。

在每次访问（收集或其他操作）时，都会读取保险箱中的硬币等级。该数据包含有关每台机器安全灌装的历史信息。

什么是最好的ML技术，计算方法解决这个问题？

Answer 1

这是我看到的问题的两个部分：

1）自动售货机型号

我可能会使用历史数据为每台机器建立一个模型。既然你说线性方法可能不好，你需要考虑影响机器填充的事情，即时间相关的事情，如周日依赖，假日依赖等，其他影响如天气可能？因此，您需要将这些因素附加到历史数据中，以形成良好的预测模型。许多机器学习技术可以帮助创建模型并找到真实的数据相关性。也许你应该根据你的历史数据创建despriptors并尝试将它们与机器的填充状态联系起来。 PLS可以帮助减少描述符空间并找到相关的空间。如果你真的不了解相关的基础数学，那么神经元网络就很棒。玩弄它。但几乎任何机器学习技术都应该能够提出一个不错的模型

2）汇款

模拟技术人员随机旅行到机器的成本。考虑到机器的填充等级和行程的成本。您可以派遣技术人员进行虚拟采集之旅，并计算从机器中收取资金和收入的总成本。再次使用可能是神经网络与一些进化策略，以找到最佳的旅行和时间。您可以在虚拟优化期间使用机器填充等级的模型，因为您可能需要估算这些虚拟收集轮次中机器的填充等级。

你有趣的问题......