我要解决的问题是如何根据一些有序的用户偏好来选择火车上的最佳座位。例如。他们是否想要朝前，向后（或不在乎）的座椅，是否想要在桌子上坐着的座椅，是否需要靠近厕所，行李架，自助餐车，门附近。靠窗/过道座位。无论他们是想向左走还是向右走道（对某些膝关节狭窄的人来说都非常重要！）。
大多数客户将指定一个或两个首选项，其他则可能指定更多。对于某些人来说，靠近马桶可能是最重要的因素，对于其他人来说，要在那张桌子旁工作可能是最重要的。
可能有不止一名乘客（尽管他们将共享偏好）。这些应尽可能彼此靠近。理想情况下，将2位乘客并排坐在桌子座位上或彼此相对。最好将一组8位乘客分成2组，每组4个或4组，每组2个...
位置由车厢号（同一车厢中的座位比其他车厢中的座位更好）和该车厢内的x / y坐标定义-如此容易计算任何一对座位之间的距离-但要进行大工作才能定义计算每对座位之间的距离...）
每个[可用]座位（按票务舱进行预过滤）将具有以上属性，或者已定义或将其设置为NULL（对于未知状态-座位的朝向通常是未知的）。
因此，对于培训，我可以提供各种示例火车和客户偏好，并在偏好版本位置之间达到最佳平衡。
对于执行，我想提供运行时特定的座椅阵列，这些座椅具有属性，一组用户偏好设置以及一组针对这些偏好设置的权重（例如，乘客1认为离洗手间最重要，乘客2认为有一张桌子最重要，乘客3认为在安静的马车中是..），最后是乘客人数。
输出将是一系列座位（每位乘客一个），这在尽可能匹配多个客户偏好（通常不可能匹配所有偏好）与使座位彼此相当接近之间达到最佳折衷。
例如我们也许可以将2个首选项的席位相隔2行，但将3个首选项的席位相隔10行...
显然，距离将需要与个人偏好相同的权重，并且是在两者之间进行选择所必需的。我想，不大于X的距离只是一个更多的客户偏好...
我以前没有做过任何ML工作，所以对我来说这全都是学习练习。我希望我有时间去玩，看看结果如何，但是我没有，乐意这样做，但是我需要对取得积极成果有一个合理的期望，否则我将不得不专注于更传统的方法。时间有限等等...
所以，我的问题是：
答案 0 :(得分：0)
机器学习擅长发现复杂数据中的隐藏模式。在您的情况下，您需要大量数据，其中用户偏好已经与最佳座位安排相匹配。
然后您可以尝试查看 ML 模型是否真的可以自行做出最佳座位安排。这是一个有趣的问题，但它也可能导致意外的座位:)
如果您没有训练数据，您可以通过注册人们坐下的位置、了解他们的喜好来实时收集数据。