用机器学习方法，通过两年的加拿大西海岸渡轮真实数据集，针对动态和静态状态、行动和干扰，创建了一个时间序列预测模型，用于预测动态状态，为评估渡轮在船长指导下的操作效能提供工具，并为未来的优化算法打下基础，并提供了决策过程的有价值的反馈。

Mar, 2024

准确的能源消耗预测对于优化电动商用重型车辆的运营至关重要，本文介绍了一种基于子集训练的回归模型，该模型在复杂问题中将其拆分为更简单的子问题，以实现更好的回归性能和解释性。

Nov, 2023

使用基于 LSTM 的神经网络模型，该研究探讨了在不同预测和时间序列研究中应用神经网络的可行性，并展示了对菲律宾两个港口的渡轮客流量进行预测的 72% 至 74% 的准确度。

May, 2024

本研究通过机器学习模型对垃圾转燃料发电厂未来传感器读数进行预测，从而实现对厂址运营的主动控制。我们开发了三种不同类型的模型进行比较（仅考虑上一次预测值的 naive 预测，基于过去传感器数据的神经网络以及使用特征构建的梯度提升树回归器），并通过加拿大垃圾转燃料发电厂的真实案例进行了开发和测试。我们发现，采用方法 (c) 得到了最佳结果，而方法 (b) 的效果较为不稳定且无法始终超越 naive。

Sep, 2022

本文提出利用模式识别方法从电化学阻抗谱测量结果中估计燃料电池寿命的方法，通过从实部和虚部提取特征，使用参数模型和具有潜在变量的回归模型，以及不同子集的特征进行线性回归模型来实现燃料电池时间持续估计，并在实验数据集上进行了有效性验证。这可能会为燃料电池的预测性维护政策提供有趣的前景。

Dec, 2013

在当今技术驱动的时代，预防性维护和高级诊断的必要性不仅限于航空领域，还包括对旋转和移动机器中损坏、故障和操作缺陷的识别。实施这些服务不仅可以降低维护成本，还可以延长机器的使用寿命，确保更高的运营效率。此外，它还可以预防潜在事故或灾难事件。人工智能的出现已经在各个行业中彻底改变了维护工作方式，实现了对机器故障的更准确、更高效的预测和分析，从而节约时间和资源。我们提出的研究旨在深入研究各种机器学习分类技术，包括支持向量机（SVM）、随机森林、逻辑回归和基于卷积神经网络 LSTM 的方法，用于预测和分析机器性能。SVM 根据数据在多维空间中的位置将其分类到不同类别，而随机森林采用集成学习来创建多个决策树进行分类。逻辑回归使用输入数据来预测二元结果的概率。本研究的主要目标是评估这些算法在预测和分析机器性能方面的性能，考虑准确性、精确度、召回率和 F1 分数等因素。研究结果将帮助维护专家选择最适合的机器学习算法来有效预测和分析机器性能。

Mar, 2024

通过跨地理分散的电动汽车充电站和联邦学习的高效变种，结合最新进展的 Transformer 架构，提出了一种通信高效的时间序列预测模型，具有与其他模型相媲美的性能，但在训练过程中消耗更低的数据速率。

Sep, 2023

利用机器学习和深度学习模型以及传感器数据进行预测性维护，预测航空发动机故障，重点分析模型的解释性和预测准确性。

Sep, 2023

利用自动识别系统（Automatic Identification System，AIS）数据和编码器 - 解码器模型，本研究预测了船只轨迹，进而提高船只安全和避免船只与鲸类碰撞，证实了地理数据工程和轨迹预测模型在保护海洋生物物种方面的潜力。

Oct, 2023

通过合并船舶位移信息和空间信息，本研究提出了一种上下文敏感的分类转换器，用于改进船舶轨迹预测的空间感知能力，并通过在推理期间启用辍学来评估模型不确定性。该方法在不同内陆水道上进行了训练，分析了其可推广性，显示出较低的预测误差和对每个预测的可信度估计，更适用于内陆航行中的安全关键应用。

Jun, 2024