探索长期船舶事故风险预测的关键因素
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
通过分析巴西港口的案例研究,本研究旨在为估计船舶总停留时间和潜在延误时间提供竞争力预测和分类能力的港口运营解决方案,为海运物流领域提供了重要贡献,同时增进对港口运营复杂性的整体理解。
Jan, 2024
本研究使用多种机器学习模型来预测交通事故对道路交通的短期或长期影响,并确定事故的精确持续时间,结果显示天气条件、风寒和风速是决定交通事故持续时间最有影响力的因素。
Nov, 2023
通过对 2011 至 2021 年的全球灾害风险动态进行世界风险指数的时间分析,评估了减轻风险和创造安全环境所采取的措施的影响,并发现尽管持续努力,全球的风险景观仍然分为两个主要集群,而当前的政策和机制对于帮助国家从危险位置转移到更安全位置并不有效。因此,需要针对这些国家特定的脆弱性,发展创新的方法来应对持续的灾害风险管理挑战。
Jan, 2024
这项研究调查了使用随机森林机器学习算法预测事故严重程度的有效性,在大型都市地区的事故记录数据集上训练模型并使用各种指标进行评估,结果显示随机森林模型能够有效地预测事故严重程度,准确率超过 80%,并确定了模型中最重要的变量,包括风速、气压、湿度、可见度、晴朗状况和云量,这些结果表明,提出的模型在解释目标变量 —— 事故严重程度类别方面具有更高的性能,因此可以帮助减少美国道路事故造成的死亡和伤害数量。
Oct, 2023
本文使用基于分位数回归的模型,预测了物理领域一大组出版物的未来引用次数分布,并发现出版物所在期刊的影响因子和出版物出现后一年的引用次数均有助于准确预测其长期的引用次数影响,为评估研究机构提供了一种方法学上的过渡。
Mar, 2015
本文研究公司的财务健康状况,探究一些因素以预测它们的财务数据,并使用深度神经网络进行预测,结果表明,相对标准因素模型,我们的模型具有更高的年度复合收益率。
Nov, 2017
本研究提出了一种全面的方法来预测悉尼大都市区交通事故的持续时间,并将其分类为短期或长期。我们利用包含交通事故详细记录、道路网络特征和社会经济指标的数据集,通过训练和评估包括 Gradient Boosted Decision Trees (GBDT)、Random Forest、LightGBM 和 XGBoost 在内的各种先进机器学习模型。我们的实验结果表明,XGBoost 和 LightGBM 在预测持续时间和分类方面优于传统模型。提出的方法不仅能够实现高度的预测准确性,还能为利益相关者提供有关影响事故持续时间因素的重要见解,从而为交通管理和响应策略提供更明智的决策。
Jun, 2024