Dietro le quinte
Come funziona?
DLPTime sono tempi di attesa in diretta e previsioni IA per Disneyland Paris. Ecco, senza giri di parole, come è costruito.
Ciao, sono Benjamin
Sono l'editore di DLPTime. All'origine, ho costruito questo sito per le mie giornate a Disneyland Paris: ero stanco di cliccare tra cinque app che mostrano tutte la stessa fila senza dire se sta per salire o scendere.
DLPTime cerca di rispondere a una domanda semplice: « è il momento giusto per andarci, o è meglio aspettare? » Ciò che segue descrive onestamente come ci provo.
Da dove arrivano i dati
Tutte le fonti sono pubbliche o aperte. Nessun dato personale viene utilizzato per i modelli.
Tempi di attesa
raccolti in tempo reale tramite l'API pubblica di queue-times.com, che aggrega i flussi ufficiali di Disneyland Paris.
Meteo
tramite l'API gratuita Open-Meteo (temperatura, precipitazioni, copertura nuvolosa, vento) sulla posizione del parco.
Calendari scolastici
vacanze scolastiche francesi, britanniche e belghe (i tre principali mercati di provenienza dei visitatori), aggiornate dalle fonti ufficiali.
Premier Access
il prezzo dinamico del Premier Access è un indicatore prezioso: Disney lo regola in base all'affluenza prevista, il che lo rende un segnale anticipatore della frequentazione.
Eventi speciali
stagioni Halloween, Natale, anniversari del parco, nuove aperture, chiusure tecniche note.
I tempi rilevati vengono storicizzati. Ad oggi il database contiene diversi mesi di storico per attrazione, il che permette di apprendere i pattern ricorrenti (giorni, ore, stagioni).
Perché il machine learning?
Un'attrazione non segue una semplice regola « la mattina è tranquilla, il pomeriggio è pieno ». I pattern dipendono dal giorno della settimana, dalle vacanze, dal meteo, dalla novità, dall'attrazione stessa. Troppe variabili per regole scritte a mano.
Il machine learning brilla esattamente su questo tipo di problemi: impara da solo quali segnali contano, e quanto. Il mio compito è fornirgli i dati giusti e controllare che non sbagli.
Un'attrazione non segue una semplice regola. Troppe variabili per regole scritte a mano: è esattamente lì che il ML brilla.
I segnali presi in considerazione
Ogni attrazione ha il suo comportamento. I modelli osservano in parallelo diverse famiglie di segnali:
Storico recente della fila
01gli ultimi tempi rilevati, la loro tendenza e la loro volatilità.
Temporalità
02ora del giorno (codificata in modo ciclico), giorno della settimana, weekend o no.
Carico del parco
03la media di attesa su tutto il parco in questo momento, per situare l'attrazione nel suo contesto.
Meteo locale
04temperatura, precipitazioni, nuvole, vento. La pioggia cambia tutto, soprattutto per le outdoor rides.
Vacanze scolastiche
05Francia, Regno Unito, Belgio. Una giornata di scuola e un martedì di Ognissanti non sono lo stesso parco.
Premier Access
06il prezzo attuale del PA riflette l'affluenza anticipata da Disney. È un indicatore prezioso.
Eventi e stagioni
07Halloween, Natale, anniversari, nuove attrazioni. Ogni stagione ha la sua impronta.
Il trucco non è tanto « quali segnali » quanto « come interagiscono e con quale peso a seconda dell'attrazione ». Questa parte resta artigianale.
Il breve termine: 15-60 minuti
Per le previsioni a breve termine (15 min, 30 min, 1 ora) uso il gradient boosting (LightGBM) addestrato per attrazione e per orizzonte. È rapido, robusto e leggibile quando un caso va storto.
Il profilo della giornata in arrivo
Per il profilo della giornata in arrivo, combino un modello statistico sui pattern storici e TimesFM 1.3 (il foundation model time-series di Google) in modalità shadow per confrontare. La selezione si fa sulla qualità (MAE) misurata giorno dopo giorno.
I limiti, perché bisogna essere onesti
Le previsioni sono indicative. Un'attrazione può guastarsi, può essere annunciato un soft opening senza preavviso, una giornata può essere atipica per mille ragioni.
Più l'orizzonte è lontano, meno è preciso. Le migliori previsioni sono a 15-30 minuti; il profilo giornaliero è più una sagoma che uno script preciso.
Le attrazioni recenti (meno di 6 mesi) hanno poco storico. I modelli stanno ancora imparando.
Non prevedo l'esperienza umana, solo il tempo di attesa. Una giornata affollata può essere magnifica, una giornata tranquilla può essere piovosa.
Un progetto indie, senza pubblicità
DLPTime è un progetto personale, senza alcuna affiliazione con The Walt Disney Company. Niente pubblicità, niente tracking commerciale al di fuori della misurazione anonima dell'audience. Il codice gira su un VPS OVH, i modelli si addestrano ogni notte.
Come sostenere il progetto
Se trovi il sito utile, il modo migliore di sostenerlo è condividerlo. E dirmi cosa funziona o non funziona, leggo tutto.
PER ANDARE OLTRE
La guida attrazione per attrazione
Per ogni attrazione, la fascia migliore, il picco di affluenza e l'affidabilità, aggiornati ogni notte.