假设有一家公司拥有几台自动售货机，这些机器会收集硬币。当硬币存储箱满时，机器将无法出售任何新物品。为了防止这种情况，公司必须在存储箱满之前收集硬币。但如果公司过早派遣技术人员，公司将因为不必要的出行而损失金钱。挑战在于预测收集硬币的最佳时间，以最小化运营成本。

每次访问（收集或其他操作）时，都会读取存储箱中硬币的水平。这些数据包含了每台机器存储箱填充的历史信息。

计算上解决这个问题的最佳机器学习技术和方法是什么？

回答：

我认为这个问题可以分为两部分：

1) 自动售货机模型

我可能会使用历史数据为每台机器构建一个模型。由于你说线性方法可能不太好，你需要考虑影响机器填充的因素，即与时间相关的事物，如工作日依赖性、节假日依赖性等，其他可能的影响因素如天气？因此，你需要将这些因素附加到历史数据中，以构建一个好的预测模型。许多机器学习技术可以帮助创建模型并发现真实数据的相关性。也许你应该从历史数据中创建描述符，并尝试将这些与机器的填充状态相关联。PLS可以帮助减少描述符空间并找到相关的描述符。如果你对相关性的底层数学一无所知，神经网络非常有用。可以尝试一下。但几乎任何机器学习技术都应该能够构建一个不错的模型。

2) 资金收集

模拟技术人员随机出行到一台机器的成本。考虑机器的填充程度和出行成本。你可以让技术人员进行虚拟的收集之旅，并计算收集资金的总成本和机器的收入。再次使用神经网络结合一些进化策略来寻找最佳的出行次数和时间。在虚拟优化过程中，你可以使用机器填充程度的模型，因为你可能需要在这些虚拟收集轮次中估计机器的填充程度。

你有很有趣的问题…