Approches générales pour modéliser la circulation automobile dans un parking

un de mes amis m'a demandé de l'aider avec la modélisation prédictive de la circulation automobile dans un parking de taille moyenne. Le garage a ses jours chargés et faciles, ses heures de pointe, ses heures d'ouverture (il est ouvert pendant 12 heures en semaine et pendant 8 heures le week-end).

L'objectif est de prédire combien de voitures entreront dans le garage au cours d'une journée (disons demain) et comment ces voitures sont censées être réparties sur la journée.

Veuillez me signaler des références générales (de préférence accessibles au public) aux stratégies et techniques.

Je vous remercie

Le domaine qui est pertinent pour le problème est la théorie de la file d'attente , un sous-domaine particulier est un processus de naissance-mort . Un article qui, à mon avis, est utile pour votre tâche est RC Larson et K.Satsunama (2010) Congestion Pricing: A Parking Queue Model , suivre les liens dans les références donnerait plus d'idées sur la façon de procéder.

Notez que récemment, la mise en file d'attente des packages R a été publiée (avec une erreur d'impression dans le titre cependant). Enfin, je pense que ce lien pour les logiciels de mise en file d' attente pourrait être utile.

La prédiction des données horaires est devenue mon principal intérêt. Ce problème se pose normalement dans Call Center Forecasting. Il faut se préoccuper des schémas horaires dans la journée, des schémas quotidiens différents au cours de la semaine et des schémas saisonniers au cours de l'année (Indicateurs mensuels / Indicateurs hebdomadaires. De plus, il peut y avoir et j'ai vu une interaction entre les schémas horaires et les schémas quotidiens. Fonction de transfert (une généralisation / super-ensemble de régression pour les données de séries chronologiques) peut facilement accueillir les structures mentionnées. De plus, les événements de l'année (Noël, Pâques, etc.) doivent être éventuellement inclus à l'aide de structures en plomb, contemporaines et / ou en retard. Dans les séries chronologiques analyse, nous devons valider via des schémas de détection d'intervention qu'il n'y a pas d'impulsions, de changements de niveau / pas, Impulsions saisonnières et / ou tendances temporelles locales restant dans le processus d'erreur suggérant une augmentation du modèle. Si la série résiduelle suggère une structure autotregressive, on ajoute simplement une structure ARIMA appropriée. Des précautions doivent être prises lors de la sélection d'une ressource pour faire face à ce problème. J'ai récemment analysé et élaboré des prévisions pour un problème similaire: le nombre de passagers dans le métro parisien par heure et par jour. À mon humble avis, il s'agit d'un problème de construction d'une équation utile à partir des données qui peut ensuite être utilisée pour simuler des scénarios possibles qui peuvent ensuite être utilisés pour évaluer la longueur de la file d'attente, etc. J'ai récemment analysé et élaboré des prévisions pour un problème similaire: le nombre de passagers dans le métro parisien par heure et par jour. À mon humble avis, il s'agit d'un problème de construction d'une équation utile à partir des données qui peut ensuite être utilisée pour simuler des scénarios possibles qui peuvent ensuite être utilisés pour évaluer la longueur de la file d'attente, etc. J'ai récemment analysé et élaboré des prévisions pour un problème similaire: le nombre de passagers dans le métro parisien par heure et par jour. À mon humble avis, il s'agit d'un problème de construction d'une équation utile à partir des données qui peut ensuite être utilisée pour simuler des scénarios possibles qui peuvent ensuite être utilisés pour évaluer la longueur de la file d'attente, etc.