インダストリー4.0のコンセプトが、ファッショントレンドに対する企業の義務なのか、ビジネス開発アイデアの論理的な継続なのかを判断するにはどうすればよいですか？
指標は、事業組織の天候の説明です。天気が良ければ、すべてがシンプルです。多くのセンサー、観測ステーション、そして面白いことではありませんが、さまざまな期間の予測という形での予測分析があります。さらに、過去のデータがあり、そこから会社の仕事の生産および商業指標と天候との相関関係を強調することができます。
ビジネスの約60-70％は明らかに天候に依存しています。労働者と育児のための病気休暇を数えると、その割合はさらに高くなります。
ビジネスの天候依存性に加えて、ビジネス製品の消費にも天候依存性があります。
石炭の場合、これらは熱と冷気の偏差です。肥料生産者にとって、干ばつや雨。農業部門と農場にとって、それぞれのタイプの気象イベントには適切な対応が必要です。
産業会社が最小限の投資でIndustry4.0の達成を実際に試みたい場合は、天候依存の要因を考慮に入れることが最良の選択肢です。現在の効率レベルでの天候依存性に賭けることは最善の選択肢ではありません。大幅に大きな効率向上の存在を保証する他の多くの分野があります。
それどころか、農工業団地や農場にとって、天候依存性はシステム形成要因です。従来の組織管理手法で利用できる有効性の限界に近づくにつれ、デジタル管理手法を集中的に実験する必要があるようです。
1.実際の人工知能
上で私たちは混乱を与えられました。乱流を説明する方程式はまだありません。かなり信頼できる天気予報は3日間だけ与えられますが、これは空気の流れの速度と慣性が遅いためです。
ウェザーステーションは互いに十分に離れた場所にあります。米国では、この問題は40,000を超えるプライベートウェザーステーションをパブリックネットワークに接続することで部分的に解決されました。
乱流は、地形の構成と気流の動きに応じて、インジケーターの値が100〜200メートルの距離で異なる可能性があるという事実に実際に現れます。
地形に縛られた気象観測所の場合、機械学習（人工知能）に基づいて予測精度を高めるソリューションがあります。この時点で収集された統計に基づいて、現在の公式予測が修正され、この時点での景観構成が考慮されます。
2.自然から-月のカレンダーに行く
以下は、マロエサリーボ気象観測所のデータです。ほとんどの駅は互いに遠く離れており、モスクワから分岐する円の中にあります。ステーションが十分近くにあり、エッジが17〜20 kmの三角形の頂点に対応している場合の唯一のオプションは、マロエサレエボ、ネムチノフカ、ヴヌコボ飛行場です。この場合、どういうわけか結果を再確認することができます。
Maloye Sareevo：温度データ（2005年から2017年までのデータフラグメント、昼間の線は青、夜間の線は茶色）：
すべての測定値は、最初に、月の月に対応する期間と月の上昇と下降の半周期に分割されました。次に、1日の測定値の中で、測定値は日の出と日没の時間に従って夜間と昼間にグループ化され、単位間隔に再正規化されました。
半周期は1〜2日異なる可能性があり、昼と夜の境界は1日で絶えず移動するため、単位間隔への再正規化が必要です。
3.BigDataは非線形性です
受信したデータはBigDataです。そして、非線形現象の隠れたパターンが明らかになるまで、これらのデータは実用的ではありません。目標設定のステートメントやルールを策定することは不可能だからです。
残っているのは、直感を実験して開発することだけです。
元のデータは、移動平均を使用して平滑化されました。 4枚の写真のフレーム内：
-上段：
左の写真：元の日（青）-最初の夜（茶色）、
右の写真：滑らかな日（青）-滑らかな夜（茶色）;
-下の行：
左の図：元の日（青）-滑らかな日（茶色）、
右の図：元の夜（青）-滑らかな夜（茶色）。
ダイナミクスが複雑なため、昼と夜の組み合わせは画像を非常に混乱させます。昼と夜を分けると（夜明けと夕暮れの境界が浮くのが難しい）、わずかなオフセットでほぼ同じプロファイルを見ることができます（上段、右図）。
4.プロファイルを閉じる：季節およびオフシーズン
結果のプロファイルを比較できます。メトリックとして、関数のすべてのペアの絶対値の積分値を使用します。 Maliy Sareevの場合、2012年から2017年までの83の月の半期があります。丸められたメトリック値の分布を表に示します。
次の分布はこれらの値に対応します。
次の図は、季節的な干渉パターンを示しています。日中のプロファイルのMalySareevでは4年以上です。マトリックス83x83。導入されたメトリックのフレームワーク内で、特定の周期性を追跡できます。
絶対温度値から離れて無次元プロファイルのみを比較することにより、季節性を放棄することができます。
温度が異なる同じプロファイルは近くなりません。別のメトリックを使用します。10ポイントでの関数間の平均差の距離による変位を伴う関数の差の絶対値の積分です。このようなプロファイルをオフシーズンと呼びます。
分布はより具体的になります-最初の季節、2番目のオフシーズン。
2番目の干渉パターンもより明確です。
5.何が起こったのですか、それは何をもたらしますか？
秋以降は冬、冬以降は春になることは明らかです。天気予報が3日間信頼できることも明らかです。
得られた結果はどのような新しい結果をもたらしますか？それらに基づいて、予測を類型化し、それがどのプロファイルで開発できるか、そしてどのプロファイルで開発される可能性が低いかを理解することが可能です。
6.飛行場の霧
次の例は、プロファイルを入力することの明らかな利点を示しています。
エアロドロームの霧は大きな問題です。通常の状況では、温度は高さとともに低下するはずです。ただし、あるレベルで、より低い（地面に近い）層よりも暖かい空気の層が現れると、霧が形成されます。霧では何もできませんが、霧の可能性についての情報があれば、組織的な対策によって被害を大幅に減らすことができます。
高さ50メートルから1000メートルまで定期的に温度を測定する装置があります（合計20回の測定）。
前と同じ方法で、一般的なプロファイル（フラグメント）を選択します。
スケールの寸法が異なるため、右側のプロファイルは左側のプロファイルとは外観が異なる場合があります。
予測のためには、機器のデータをエアロドローム気象観測所の通常のデータとリンクさせることが重要です。次の図は、2つのソースからのデータをまとめたものです。
その結果、一連の測定値の組み合わせが自然現象と組み合わされて現れ、霧を検出するための機械学習システムの基礎として使用できます。
7.結論
産業会社が最小限の投資でIndustry4.0の達成を実際に試みたい場合は、天候依存の要因を考慮に入れることが最良の選択肢です。現在の効率レベルでの天候依存性に賭けることは最善の選択肢ではありません。大幅に大きな効率向上の存在を保証する他の多くの分野があります。
それどころか、農工業団地や農場にとって、天候依存性はシステム形成要因です。従来の組織管理手法で利用できる有効性の限界に近づくにつれ、デジタル管理手法を集中的に実験する必要があるようです。