探索的データ分析 (EDA) を使用したフリート スタンバイ ホットスポット (Eda)

まず分布を確認してからモデルを構築します

スタンバイ ホットスポットはダッシュボード リクエストのように見えます。実際の EDA: 時間分布、昼夜偏差、サイトごとの強度。 scikit-learn/PyTorch は、こ​​のマップの後にのみ意味を持ちます。```text Telemetry + wait events ↓ EDA distributions / outliers ↓ clustering wait hotspots ↓ API heatmap UI (control plane)

## 最初に説明した概念```text
📦 OSRM
Açık kaynak yol ağı shortest-path motoru; önerilen rota için referans.

📦 Preferred Path
Sürücülerin fiilen seçtiği yol — telemetri izinden çıkarılır.

📦 Km Extension
Tercih edilen yolun OSRM referansına göre fazla kilometresi.

📦 Wait Hotspot
Bekleme olaylarının yoğunlaştığı coğrafi bölge kümesi.
```OSRM はオープンソースの最短パス エンジンです。優先パスはテレメトリから学習されます。

## EDA の必須手順

ヌル ジオメトリ、不可能な速度、再度 ping を実行します。モデルの前にゴミを取り除きます。

## ホットスポット製品

クラスターの中心と密度スコアは、Django API を介してヒート マップに送られます。

## フロントエンドリンク

Logistics Ops Control Plane ヒート マップはこれらのスコアをプロットします。生のモンゴではありません。

## このエピソードで最も混乱を招く対戦```text
❌ Model önce, EDA sonra
✓ EDA’sız model operasyonu yanıltır

❌ Hotspot = rastgele grid
✓ Hotspot telemetri + bekleme taxonomy ister

❌ Harita ham ping göstersin
✓ Harita ürünleşmiş skoru gösterir

独自のシステムのチェックリスト

1. 待ち時間の分布をプロットしましたか?
2. 外れ値の速度のしきい値はどれくらいですか?
3. Hotspot API DTO にはどのようなフィールドがありますか?
4. ヒートマップはどのフロントエンド サーフェスにありますか?
5. PII 座標はどのように丸められますか?

このセクションで覚えておくべきこと

1. EDA はフリート ML へのゲートウェイです。
2. Hotspot は単なるノートブックではなく製品です。
3. コントロール プレーンのヒートマップはクリーン スコアを消費します。

分布を見ずにトレーニングしたモデルは高価なバイアスになります。