חיזוי ביקוש לחניה: נתונים, שגיאות ובדיקת דיוק

מה בדיוק רוצים לחזות?

בחרו יעד אחד: בקשות ליום, כניסות בשעה או תפוסת שיא. אלה גדלים שונים. חניון מלא אינו מראה את כל הביקוש אם חלק מהעובדים נדחו או לא הגישו בקשה. תעדו גם את חלון התחזית: למחר, לשבוע הבא או לשעה הקרובה.

אילו נתונים מכינים?

• היסטוריה של היעד שנבחר והגדרה עקבית שלו.
• ימי עבודה, משמרות ואירועים ידועים מראש.
• מספר המקומות הזמינים ושינויים במדיניות.
• סימון תקלות, נתונים חסרים ותקופות חריגות.

השתמשו רק במידע שהיה זמין בזמן יצירת התחזית. למשל, מספר ההגעות הסופי של מחר אינו נתון שאפשר להזין לתחזית שנוצרה היום. שימוש במידע עתידי בזמן הבדיקה יוצר תוצאה אופטימית שאינה ניתנת לשחזור בהפעלה.

איך מודדים שגיאת תחזית?

מדד פשוט הוא MAE: ממוצע ההפרשים המוחלטים בין התחזית לתוצאה. הוא מוצג באותן יחידות כמו היעד, למשל מספר מקומות. כדאי לבדוק גם כמה פעמים התחזית נמוכה מהביקוש, משום שהחמצת עומס עשויה להיות משמעותית יותר מעודף הערכה.

למה צריך תחזית בסיס?

השוו לממוצע של אותו יום בשבוע או לכלל פשוט שמתאים לפעילות. מודל מורכב שאינו משפר את הבסיס בתנאים דומים אינו מצדיק מורכבות רק בשל שמו. חלקו את הנתונים לפי זמן ובדקו שוב ככל שנוספים ימים חדשים.

איך משתמשים בתחזית בתפעול?

הציגו מועד עדכון, טווח סביר ומגבלות מוכרות. כשהפעילות משתנה, בדקו מחדש את השגיאה. תחזית יכולה לסייע לתכנון כוח אדם או חלופות חניה; היא אינה אישור אישי לעובד ואינה מחליפה מידע על מקומות שכבר הוקצו.

מה כדאי לקרוא בהמשך?

• בדיקות לניסוי עם ספק AI
• הגדרות ומגבלות של מדדי חניה