ကားများမရှိသည့်အခါ Yandex.Taxi မည်ကဲ့သို့ရှာဖွေသည်။

ကောင်းမွန်သော တက္ကစီဝန်ဆောင်မှုသည် လုံခြုံစိတ်ချရပြီး မြန်ဆန်သင့်သည်။ အသုံးပြုသူသည် အသေးစိတ်အချက်အလက်များကို သိရှိမည်မဟုတ်ပါ- "အော်ဒါ" ခလုတ်ကို နှိပ်ပြီး အမှတ် A မှ အမှတ် B သို့ ခေါ်ဆောင်မည့် ကားကို တတ်နိုင်သမျှ မြန်မြန်လက်ခံရန် အရေးကြီးပါသည်။ အနီးနားတွင် ကားများမရှိပါက ဝန်ဆောင်မှုပေးသင့်ပါသည်။ သုံးစွဲသူသည် မှားယွင်းသောမျှော်လင့်ချက်များ မရှိစေရန် ဤအကြောင်းချက်ချင်း အသိပေးပါ။ သို့သော် “ကားမရှိပါ” ဟူသော ဆိုင်းဘုတ်သည် မကြာခဏ ပေါ်လာပါက၊ လူတစ်ဦးသည် ဤဝန်ဆောင်မှုကို ရိုးရှင်းစွာ ရပ်တန့်ပြီး ပြိုင်ဘက်ထံသို့ ရောက်သွားခြင်းသည် ယုတ္တိတန်ပါသည်။

ဤဆောင်းပါးတွင် စက်သင်ယူမှုကို အသုံးပြု၍ သိပ်သည်းဆနည်းသောနေရာများတွင် ကားများရှာဖွေခြင်းဆိုင်ရာ ပြဿနာကို ဖြေရှင်းခဲ့သည် (တစ်နည်းအားဖြင့်၊ ပထမတစ်ချက်တွင် ကားမရှိသည့်နေရာတွင်) အကြောင်းကို ပြောပြလိုပါသည်။ အဘယ့်ကြောင့်နည်း။

စောပိုငျးကာလ

တက္ကစီခေါ်ရန်၊ အသုံးပြုသူသည် ရိုးရှင်းသောအဆင့်အနည်းငယ်ကို လုပ်ဆောင်သော်လည်း ဝန်ဆောင်မှုအတွင်း၌ မည်သို့ဖြစ်မည်နည်း။

အသုံးပြုသူ	ဇာတ်စင်	Backend Yandex.Taxi
စမှတ်ကို ရွေးသည်။	ပင်	ကျွန်ုပ်တို့သည် ကိုယ်စားလှယ်လောင်းများအတွက် ရိုးရှင်းသောရှာဖွေမှုတစ်ခုကို စတင်လုပ်ဆောင်နေသည် - ပင်ထိုးရှာဖွေမှု။ တွေ့ရှိသောယာဉ်မောင်းများအပေါ်အခြေခံ၍ ဆိုက်ရောက်ချိန်ကို ခန့်မှန်းထားသည် - ပင်နံပါတ်ရှိ ETA ။ သတ်မှတ်အမှတ်တစ်ခုတွင် တိုးလာသောကိန်းကို တွက်ချက်သည်။
ဦးတည်ရာ၊ ယာဉ်စီးခ၊ လိုအပ်ချက်များကို ရွေးပါ။	ဝေငှခြင်း။	ကျွန်ုပ်တို့သည် တိုးပွားလာသောကိန်းဂဏန်းများကို ထည့်သွင်းစဉ်းစားကာ လမ်းကြောင်းတစ်ခုတည်ဆောက်ပြီး အကောက်ခွန်အားလုံးအတွက် စျေးနှုန်းများကို တွက်ချက်ပါသည်။
“တက္ကစီခေါ်ပါ” ခလုတ်ကို နှိပ်ပါ။	အမှာစာ	ကားအတွက် ရှာဖွေမှု အပြည့်အစုံကို ကျွန်ုပ်တို့ စတင်လုပ်ဆောင်ပါသည်။ ကျွန်ုပ်တို့သည် အသင့်တော်ဆုံးယာဉ်မောင်းကို ရွေးချယ်ပြီး သူ့ကို အမိန့်ပေးသည်။

အပေါ် ပင်နံပါတ်တွင် ETA, စျေးနှုန်းတွက်ချက် и အသင့်တော်ဆုံး driver ကိုရွေးချယ်ပါ။ ငါတို့ရေးပြီးပြီ။ ပြီးတော့ ဒါက ယာဉ်မောင်းရှာတဲ့ ဇာတ်လမ်းပါ။ အမှာစာတစ်ခုဖန်တီးသောအခါ၊ ရှာဖွေမှု နှစ်ကြိမ်ဖြစ်ပေါ်သည်- ပင်နံပါတ်နှင့် မှာယူမှုအပေါ်။ အမှာစာရှာဖွေရေးသည် အဆင့်နှစ်ဆင့်ဖြင့် လုပ်ဆောင်သည်- ကိုယ်စားလှယ်လောင်းများ ခေါ်ယူခြင်းနှင့် အဆင့်သတ်မှတ်ခြင်း။ ပထမဦးစွာ၊ ရရှိနိုင်သောကိုယ်စားလှယ်ယာဉ်မောင်းများကို လမ်းဂရပ်တစ်လျှောက်တွင် အနီးစပ်ဆုံးတွေ့ရှိရပါသည်။ ထို့နောက် ဘောနပ်စ်များနှင့် စစ်ထုတ်ခြင်းကို အသုံးချသည်။ ကျန်ရှိသော ကိုယ်စားလှယ်လောင်းများကို အဆင့်သတ်မှတ်ပြီး အနိုင်ရရှိသူသည် အော်ဒါကမ်းလှမ်းမှုကို လက်ခံရရှိမည်ဖြစ်သည်။ သူသဘောတူရင် အမိန့်ပေးခံရပြီး ပေးပို့တဲ့ နေရာကို သွားရတယ်။ ငြင်းရင် ကမ်းလှမ်းချက်က နောက်တစ်ခုဆီ ရောက်လာတယ်။ ကိုယ်စားလှယ်လောင်းများ မရှိတော့ပါက ရှာဖွေမှု ပြန်စပါသည်။ ၎င်းသည် သုံးမိနစ်ထက် မပိုဘဲ ကြာပြီးနောက် မှာယူမှုကို ပယ်ဖျက်ပြီး မီးလောင်သွားပါသည်။

ပင်နံပါတ်ပေါ်တွင် ရှာဖွေခြင်းသည် အမှာစာတစ်ခုပေါ်တွင် ရှာဖွေခြင်းနှင့် ဆင်တူသည်၊ အမှာစာကိုသာ ဖန်တီးထားခြင်းမဟုတ်ဘဲ ရှာဖွေမှုကိုယ်တိုင်က တစ်ကြိမ်သာ လုပ်ဆောင်ပါသည်။ ကိုယ်စားလှယ်လောင်းအရေအတွက်နှင့် ရှာဖွေမှုအချင်းဝက်အတွက် ရိုးရှင်းသောဆက်တင်များကိုလည်း အသုံးပြုပါသည်။ အော်ဒါများထက် ပင်နံပါတ်များ ပိုမိုကြီးမားသော အစီအစဥ်များ ရှိနေ၍ ရှာဖွေခြင်းသည် ခက်ခဲသော လုပ်ဆောင်ချက်ဖြစ်သောကြောင့် ယင်းကဲ့သို့ ရိုးရှင်းမှုများ လိုအပ်ပါသည်။ ကျွန်ုပ်တို့၏ဇာတ်လမ်းအတွက် အဓိကအချက်- ပဏာမရှာဖွေမှုအတွင်း Pin တွင် သင့်လျော်သော ကိုယ်စားလှယ်လောင်းများကို မတွေ့ရှိပါက၊ သင့်အား အမိန့်ထုတ်ရန် ကျွန်ုပ်တို့ ခွင့်မပြုပါ။ အနည်းဆုံးတော့ အရင်လိုပါပဲ။

ဤအရာသည် အပလီကေးရှင်းတွင် အသုံးပြုသူမြင်ခဲ့ရသည်-

ကားမရှိသောကားများကိုရှာဖွေပါ။

တစ်နေ့တွင် ကျွန်ုပ်တို့သည် ယူဆချက်တစ်ခု ထွက်ပေါ်လာသည်- အချို့ကိစ္စများတွင် ပင်နံပါတ်ပေါ်တွင် ကားမရှိလျှင်ပင် အမှာစာကို အပြီးသတ်နိုင်သေးသည်။ နောက်ဆုံးတွင်၊ ပင်နံပါတ်နှင့် အမှာစာကြားတွင် အချိန်အနည်းငယ်ကြာသွားကာ အမှာစာရှာဖွေမှုသည် ပိုမိုပြီးပြည့်စုံပြီး တစ်ခါတစ်ရံတွင် အကြိမ်ပေါင်းများစွာ ထပ်ခါတလဲလဲဖြစ်သည်- ဤကာလအတွင်းတွင် ရနိုင်သောယာဉ်မောင်းများ ပေါ်လာနိုင်သည်။ ကျွန်ုပ်တို့လည်း ဆန့်ကျင်ဘက်ဖြစ်သည်ကို သိပါသည်- ပင်နံပါတ်ပေါ်တွင် ယာဉ်မောင်းများကို တွေ့ရှိပါက၊ မှာယူသည့်အခါတွင် ၎င်းတို့ကို တွေ့ရှိမည်မဟုတ်ကြောင်း သိရသည်။ တခါတရံ သူတို့ ပျောက်ကွယ်သွားသည် သို့မဟုတ် လူတိုင်းက အမိန့်ကို ငြင်းဆန်ကြသည်။

ဤယူဆချက်ကို စမ်းသပ်ရန်အတွက် ကျွန်ုပ်တို့သည် စမ်းသပ်မှုတစ်ခုကို စတင်လိုက်သည်- စမ်းသပ်အသုံးပြုသူအုပ်စုအတွက် Pin တွင် ရှာဖွေစဉ်တွင် ကားများ၏ပါဝင်မှုကို စစ်ဆေးခြင်းကို ရပ်တန့်လိုက်သည်၊ ဆိုလိုသည်မှာ ၎င်းတို့သည် "ကားမရှိသော အမှာစာ" ကို ပြုလုပ်ခွင့်ရခဲ့သည်။ ရလဒ်သည် မထင်မှတ်ဘဲ၊ ကားသည် pin တွင်မရှိပါက၊ 29% နောက်ပိုင်းတွင်၎င်းကိုတွေ့ရှိခဲ့သည် - အမိန့်ကိုရှာဖွေသောအခါ။ ထို့အပြင်၊ ကားမရှိသောအမှာစာများသည် ပယ်ဖျက်မှုနှုန်းထားများ၊ အဆင့်သတ်မှတ်ချက်များနှင့် အခြားအရည်အသွေးညွှန်းကိန်းများတွင် ပုံမှန်အမှာစာများနှင့် သိသိသာသာကွာခြားမှုမရှိပါ။ ကားမပါဘဲ ဘွတ်ကင်လုပ်ခြင်းသည် ကြိုတင်မှာယူမှုအားလုံး၏ 5% ဖြစ်သော်လည်း အောင်မြင်သောခရီးစဉ်အားလုံး၏ 1% ကျော်သာဖြစ်သည်။

ဤအမှာစာများ၏ စီမံအုပ်ချုပ်သူများသည် မည်သည့်နေရာမှ ဆင်းသက်လာသည်ကို နားလည်ရန် Pin တစ်ခုတွင် ရှာဖွေနေစဉ် ၎င်းတို့၏ အခြေအနေများကို ကြည့်ကြပါစို့။

• ရနိုင်သည်- ရရှိနိုင်သော်လည်း အကြောင်းတစ်စုံတစ်ရာကြောင့် ကိုယ်စားလှယ်လောင်းများတွင် မပါဝင်ခဲ့ပေ။
• မှာယူမှု- အလုပ်များသော်လည်း သူ့ကိုယ်သူ လွတ်မြောက်အောင် စီမံနိုင်ခဲ့သည်။ ကွင်းဆက်အမိန့်;
• အလုပ်ရှုပ်သည်: အော်ဒါလက်ခံနိုင်မှုအား ပိတ်ထားသော်လည်း ယာဉ်မောင်းသည် လိုင်းသို့ပြန်လာခဲ့သည်။
• မရရှိနိုင်ပါ: ယာဉ်မောင်းက အွန်လိုင်းမှာ မရှိပေမယ့် သူပေါ်လာတယ်။

ယုံကြည်စိတ်ချရမှုကို ထည့်ကြည့်ရအောင်

အပိုအမှာစာများသည် ကောင်းမွန်သော်လည်း အောင်မြင်သောရှာဖွေမှုများ၏ 29% သည် အသုံးပြုသူ 71% သည် အချိန်အကြာကြီးစောင့်ဆိုင်းပြီး မည်သည့်နေရာမှ ပြီးဆုံးသွားခြင်းမရှိသည်ကို ဆိုလိုပါသည်။ ၎င်းသည် စနစ်၏ ထိရောက်မှု ရှုထောင့်မှ ဆိုးရွားသော အရာမဟုတ်သော်လည်း၊ ၎င်းသည် သုံးစွဲသူအား မှားယွင်းသော မျှော်လင့်ချက်နှင့် အချိန်ကို ဖြုန်းတီးစေကာ ၎င်းတို့သည် စိတ်ပျက်သွားပြီး (ဖြစ်နိုင်သည်) ဝန်ဆောင်မှုကို ရပ်တန့်စေခဲ့သည်။ ဤပြဿနာကို ဖြေရှင်းရန်၊ အော်ဒါတင်ထားသော ကားတစ်စီးကို တွေ့ရှိနိုင်ခြေကို ခန့်မှန်းရန် သင်ယူခဲ့သည်။

အစီအစဥ်သည် ဤကဲ့သို့ဖြစ်သည်-

• အသုံးပြုသူက ပင်နံပါတ်ထည့်သည်။
• ပင်နံပါတ်ပေါ်တွင် ရှာဖွေမှုတစ်ခု လုပ်ဆောင်သည်။
• ကားများမရှိပါက၊ ကျွန်ုပ်တို့ ကြိုတင်ခန့်မှန်းသည်- ဖြစ်နိုင်ပါသည်။
• ဖြစ်နိုင်ခြေအပေါ်မူတည်၍ ကျွန်ုပ်တို့သည် သင့်အား အော်ဒါတင်ရန် ခွင့်ပြုသည် သို့မဟုတ် ခွင့်မပြုသော်လည်း၊ ဤအချိန်တွင် ဤဧရိယာရှိ ကားများသိပ်သည်းမှုနည်းနေကြောင်း သတိပေးပါသည်။

အပလီကေးရှင်းတွင်၊

မော်ဒယ်ကိုအသုံးပြုခြင်းဖြင့် သင်သည် အမှာစာအသစ်များကို ပိုမိုတိကျစွာဖန်တီးနိုင်စေပြီး လူများကို အချည်းနှီးဖြစ်စေရန် စိတ်ချစေပါသည်။ ဆိုလိုသည်မှာ၊ တိကျသောပြန်လည်သိမ်းဆည်းမှုပုံစံကို အသုံးပြု၍ စက်မပါဘဲ အမှာစာအရေအတွက်နှင့် ယုံကြည်စိတ်ချရမှုအချိုးကို ထိန်းညှိရန်ဖြစ်သည်။ ဝန်ဆောင်မှု၏ယုံကြည်စိတ်ချရမှုသည် ထုတ်ကုန်ကိုဆက်လက်အသုံးပြုလိုသောဆန္ဒအပေါ် လွှမ်းမိုးမှုရှိသည်၊ ဆိုလိုသည်မှာ အဆုံးတွင် ခရီးစဉ်အရေအတွက်အထိ အကျုံးဝင်ပါသည်။

တိကျစွာပြန်ခေါ်ခြင်းအကြောင်း အနည်းငယ်စက်သင်ယူခြင်းတွင် အခြေခံတာဝန်များထဲမှ တစ်ခုသည် အမျိုးအစားခွဲခြင်းအလုပ်ဖြစ်သည်- အတန်းနှစ်ခုအနက်မှ အရာဝတ္ထုတစ်ခုကို သတ်မှတ်ပေးခြင်း။ ဤကိစ္စတွင်၊ စက်သင်ယူမှု အယ်လဂိုရီသမ်၏ ရလဒ်သည် အတန်းများထဲမှ အဖွဲ့ဝင်ဖြစ်နိုင်ခြေအကဲဖြတ်မှု ဥပမာ၊ ဖြစ်နိုင်ခြေအကဲဖြတ်မှုတစ်ခုတွင် ကိန်းဂဏာန်းအကဲဖြတ်မှုတစ်ခု ဖြစ်လာတတ်သည်။ သို့ရာတွင်၊ လုပ်ဆောင်သည့်လုပ်ဆောင်ချက်များသည် အများအားဖြင့် ဒွိဟများဖြစ်သည်- အကယ်၍ ကားရနိုင်ပါက၊ ၎င်းကို ကျွန်ုပ်တို့က သင့်အား အမိန့်ပေးမည်ဖြစ်ပြီး၊ မဟုတ်ပါက ကျွန်ုပ်တို့ လုပ်ဆောင်မည်မဟုတ်ပါ။ အတိအကျပြောရလျှင်၊ ကိန်းဂဏာန်းခန့်မှန်းချက်တစ်ခုကို ထုတ်လုပ်ပေးသည့် အယ်လဂိုရီသမ်တစ်ခုကို ခေါ်ဆိုကြပါစို့၊ နှင့် အတန်းအစားနှစ်ခုအနက်မှ တစ်ခုသို့ သတ်မှတ်ပေးသည့် စည်းမျဉ်းတစ်ခု (1 သို့မဟုတ် -1) ကို သတ်မှတ်ပေးသည်။ မော်ဒယ်အကဲဖြတ်မှုအပေါ် အခြေခံ၍ အမျိုးအစားခွဲခြားသတ်မှတ်ရန်၊ အကဲဖြတ်မှုအဆင့်ကို ရွေးချယ်ရန် လိုအပ်သည်။ မည်မျှ အတိအကျ အလုပ်အပေါ်တွင် များစွာမူတည်ပါသည်။

ရှားပါးပြီး အန္တရာယ်ရှိတဲ့ ရောဂါတချို့အတွက် စမ်းသပ်မှု (အမျိုးအစားခွဲ) လုပ်နေတယ်ဆိုပါစို့။ စစ်ဆေးမှုရလဒ်များအပေါ်အခြေခံ၍ ကျွန်ုပ်တို့သည် လူနာအား ပိုမိုအသေးစိတ်စစ်ဆေးမှုတစ်ခုပြုလုပ်ရန် သို့မဟုတ် "ကောင်းပြီ၊ အိမ်ပြန်ပါ" ဟုပြောနိုင်သည်။ ကျွန်ုပ်တို့အတွက်၊ ဖျားနာသူကို အိမ်ပြန်ပို့ခြင်းသည် ကျန်းမာသောလူကို မလိုအပ်ဘဲ စစ်ဆေးခြင်းထက် ပိုဆိုးသည်။ ဆိုလိုသည်မှာ၊ ကျွန်ုပ်တို့သည် စမ်းသပ်မှုကို အမှန်တကယ်ဖျားနာသူ အများအပြားအတွက် တတ်နိုင်သမျှ လုပ်ဆောင်ပေးစေလိုပါသည်။ ဤတန်ဖိုးကို recall = ဟုခေါ်သည်။. စံပြအမျိုးအစားခွဲခြားမှုတစ်ခုတွင် 100% ပြန်လည်သိမ်းဆည်းမှုရှိသည်။ ပျက်ယွင်းနေသော အခြေအနေသည် လူတိုင်းကို စစ်ဆေးရန်အတွက် စေလွှတ်ရန်ဖြစ်ပြီး ပြန်လည်ခေါ်ယူမှုသည် 100% ဖြစ်လိမ့်မည်။

တစ်ဖက်မှာလည်း ဖြစ်တတ်ပါတယ်။ ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် ကျောင်းသားများအတွက် စမ်းသပ်မှုစနစ်ကို ပြုလုပ်နေပြီး ၎င်းတွင် လိမ်လည်လှည့်စားသည့်ကိရိယာတစ်ခုပါရှိသည်။ လိမ်လည်မှုအချို့အတွက် ချက်လက်မှတ်သည် ရုတ်တရက် အလုပ်မလုပ်ပါက၊ ၎င်းသည် မနှစ်မြို့ဖွယ်ကောင်းသော်လည်း မစိုးရိမ်ရပါ။ အခြားတစ်ဖက်တွင်၊ ကျောင်းသားများအား ၎င်းတို့မလုပ်ခဲ့သော တစ်စုံတစ်ရာကို မတရားစွပ်စွဲခြင်းသည် အလွန်ဆိုးရွားပါသည်။ ဆိုလိုသည်မှာ၊ အမျိုးအစားခွဲသူ၏ အပြုသဘောဆောင်သော အဖြေများကြားတွင် ၎င်းတို့၏ နံပါတ်ကို ထိခိုက်ပျက်စီးစေမည့် ဖြစ်နိုင်သမျှ မှန်ကန်သော အဖြေများ တတ်နိုင်သမျှ မှန်ကန်မှုရှိရန် အရေးကြီးပါသည်။ ဆိုလိုသည်မှာ တိကျမှု = အမြင့်ဆုံးဖြစ်ရန် လိုအပ်သည်။ . အရာဝတ္ထုအားလုံးတွင် အစပျိုးခြင်းဖြစ်ပေါ်ပါက၊ နမူနာတွင် သတ်မှတ်ထားသော အတန်း၏ ကြိမ်နှုန်းနှင့် တူညီမည်ဖြစ်သည်။

algorithm သည် ကိန်းဂဏာန်းဖြစ်နိုင်ခြေတန်ဖိုးကို ထုတ်လွှတ်ပါက၊ မတူညီသော အဆင့်များကို ရွေးချယ်ခြင်းဖြင့်၊ သင်သည် မတူညီသော တိကျစွာ ပြန်လည်သိမ်းဆည်းမှုတန်ဖိုးများကို ရရှိနိုင်ပါသည်။

ကျွန်ုပ်တို့၏ပြဿနာမှာ အောက်ပါအတိုင်းဖြစ်သည်။ ပြန်လည်ခေါ်ယူခြင်းသည် ကျွန်ုပ်တို့ကမ်းလှမ်းနိုင်သည့် အရေအတွက်ဖြစ်ပြီး၊ တိကျမှုသည် ဤအမိန့်စာများ၏ ယုံကြည်စိတ်ချရမှုဖြစ်သည်။ ကျွန်ုပ်တို့၏ မော်ဒယ်၏ တိကျစွာ ပြန်လည်သိမ်းဆည်းမှုမျဉ်းကွေးသည် ဤအရာဖြစ်သည်-

လွန်ကဲသော အမှုနှစ်ခုရှိသည်- မည်သူတစ်ဦးတစ်ယောက်ကိုမှ အမိန့်ပေးခွင့်မပြုရန်နှင့် လူတိုင်းကို အမိန့်ပေးခွင့်မပြုပါ။ မည်သူ့ကိုမျှ ခွင့်မပြုပါက ပြန်လည်သိမ်းဆည်းခြင်းမှာ 0 ဖြစ်လိမ့်မည်- ကျွန်ုပ်တို့သည် အမှာစာများကို မဖန်တီးသော်လည်း ၎င်းတို့ထဲမှ တစ်ခုမျှ ကျရှုံးမည်မဟုတ်ပါ။ ကျွန်ုပ်တို့သည် လူတိုင်းကို ခွင့်ပြုပါက ပြန်လည်သိမ်းဆည်းမှု 100% ဖြစ်လိမ့်မည် (ကျွန်ုပ်တို့သည် ဖြစ်နိုင်ချေရှိသော မှာယူမှုများအားလုံးကို လက်ခံရရှိပါမည်)၊ တိကျမှု 29% ဖြစ်လိမ့်မည်၊ ဆိုလိုသည်မှာ မှာယူမှု၏ 71% သည် မကောင်းပါ။

ကျွန်ုပ်တို့သည် လက္ခဏာများအဖြစ် စမှတ်၏ အမျိုးမျိုးသော ဘောင်များကို အသုံးပြုခဲ့သည်-

• အချိန်/နေရာ။
• စနစ်အခြေအနေ (အနီးတစ်ဝိုက်ရှိ အကောက်ခွန်နှင့် တံပင်များအားလုံး၏ သိမ်းပိုက်ထားသော စက်အရေအတွက်)။
• ရှာဖွေမှုဘောင်များ (အချင်းဝက်၊ ကိုယ်စားလှယ်လောင်းအရေအတွက်၊ ကန့်သတ်ချက်များ)။

နိမိတ်လက္ခဏာများအကြောင်းပိုမို

သဘောတရားအရ၊ အခြေအနေနှစ်ခုကို ပိုင်းခြားလိုပါသည်။

• "တောနက်" - ဤအချိန်တွင် ဤနေရာတွင် ကားများမရှိပါ။
• “ကံမကောင်း” - ကားများရှိသည်၊ သို့သော် ရှာဖွေသည့်အခါတွင် သင့်လျော်မှုမရှိပါ။

“Unlucky” ၏ ဥပမာတစ်ခုမှာ သောကြာညနေတွင် စင်တာ၌ ဝယ်လိုအားများနေပါက၊ အမှာစာတွေ အများကြီးရှိတယ်၊ ဆန္ဒရှိသူတွေအများကြီးနဲ့ လူတိုင်းအတွက် ယာဉ်မောင်းမလုံလောက်ဘူး။ ၎င်းသည် ဤကဲ့သို့ ဖြစ်သွားနိုင်သည်- pin တွင် သင့်လျော်သော ယာဉ်မောင်းများ မရှိပါ။ သို့သော် စက္ကန့်ပိုင်းအတွင်း ၎င်းတို့သည် စာသားအတိုင်းပေါ်လာသည်၊ အကြောင်းမှာ၊ ဤအချိန်တွင် ဤနေရာ၌ ယာဉ်မောင်းများစွာရှိပြီး ၎င်းတို့၏အခြေအနေသည် အမြဲပြောင်းလဲနေသောကြောင့်ဖြစ်သည်။

ထို့ကြောင့်၊ အမှတ် A အနီးတစ်ဝိုက်ရှိ အမျိုးမျိုးသော စနစ်ညွှန်ကိန်းများသည် ကောင်းမွန်သောအင်္ဂါရပ်များဖြစ်လာသည်-

• စုစုပေါင်း ကားအရေအတွက်။
• အော်ဒါမှာထားသော ကားအရေအတွက်။
• "အလုပ်များ" အခြေအနေတွင် မှာယူရန် မရရှိနိုင်သော ကားအရေအတွက်။
• အသုံးပြုသူအရေအတွက်။

အားလုံးပဲ၊ ကားတွေများလေလေ၊ အဲဒီထဲက တစ်ခုဖြစ်လာနိုင်ခြေ ပိုများလေပါပဲ။
တကယ်တော့၊ ကားတွေ တည်ရှိနေရုံသာမက အောင်မြင်တဲ့ ခရီးစဉ်တွေကိုလည်း ဖန်တီးနိုင်ဖို့ အရေးကြီးတယ်။ ထို့ကြောင့် အောင်မြင်သော ခရီးတစ်ခု ဖြစ်နိုင်ခြေကို ခန့်မှန်းနိုင်ခဲ့သည်။ သို့သော် ဤတန်ဖိုးသည် အသုံးပြုသူနှင့် ယာဉ်မောင်းအပေါ် များစွာမူတည်သောကြောင့် ၎င်းကိုမလုပ်ဆောင်ရန် ဆုံးဖြတ်ခဲ့သည်။

မော်ဒယ်သင်တန်း algorithm ကိုတော့ CatBoost. လက်တွေ့စမ်းသပ်မှုမှ ရရှိသော အချက်အလက်များကို လေ့ကျင့်ရေးတွင် အသုံးပြုခဲ့သည်။ အကောင်အထည်ဖော်ပြီးနောက်၊ လေ့ကျင့်ရေးဒေတာကို စုဆောင်းရမည်ဖြစ်ပြီး၊ တစ်ခါတစ်ရံတွင် အသုံးပြုသူအနည်းစုသည် မော်ဒယ်၏ဆုံးဖြတ်ချက်ကို ဆန့်ကျင်ရန် အမိန့်ပေးနိုင်သည်။

ရလဒ်များကို

စမ်းသပ်မှု၏ရလဒ်များသည် မျှော်လင့်ထားသည့်အတိုင်းဖြစ်သည်- မော်ဒယ်ကိုအသုံးပြုခြင်းဖြင့် ကားမပါဘဲ မှာယူမှုများကြောင့် အောင်မြင်သောခရီးစဉ်များကို သိသိသာသာတိုးမြှင့်နိုင်သော်လည်း ယုံကြည်စိတ်ချရမှုကို အလျှော့မပေးဘဲ လုပ်ဆောင်နိုင်မည်ဖြစ်သည်။

လောလောဆယ်တွင် အဆိုပါ ယန္တရားအား မြို့ကြီးများနှင့် နိုင်ငံအားလုံးတွင် စတင်လုပ်ဆောင်နေပြီး ၎င်း၏အကူအညီဖြင့် အောင်မြင်သော ခရီးစဉ်များ၏ 1% ခန့် ဖြစ်ပေါ်ပါသည်။ ထို့အပြင်၊ ကားများသိပ်သည်းဆနည်းသော အချို့မြို့များတွင်၊ ထိုကဲ့သို့သော ခရီးစဉ်များ၏ ဝေစုသည် 15% အထိ ရှိသည်။

Taxi နည်းပညာအကြောင်း အခြားပို့စ်များ

• Yandex.Taxi ရှိ ယာဉ်မောင်းများအကြား အမှာစာများ ဖြန့်ဝေနည်း
• ဒိုင်းနမစ်စျေးနှုန်း သို့မဟုတ် Yandex.Taxi သည် မြင့်မားသောဝယ်လိုအားကို မည်သို့ခန့်မှန်းသည်
• ကားတစ်စီးရဲ့အခြေအနေကို အကဲဖြတ်ဖို့ ကွန်ပျူတာအမြင်ကို ဘယ်လိုသုံးမလဲ။ Yandex.Taxi အတွေ့အကြုံ
• Yandex.Taxi သည် စက်သင်ယူမှုကို အသုံးပြု၍ ကားလာယူမည့်အချိန်ကို ကြိုတင်ခန့်မှန်းနည်း

source: www.habr.com