XiaoMi-AI文件搜索系统
World File Search SystemForecasting
预测人工智能进展：研究议程
本文介绍了预测人工智能进展的研究议程，该议程利用德尔菲法征求和汇总专家对优先考虑哪些问题和方法的意见。本文介绍了德尔菲法的结果；本文的其余部分遵循这些结果的结构，简要回顾了相关文献并为每个主题提出了未来的工作。专家指出，应考虑多种方法来预测人工智能的进展。此外，专家们还确定了预测人工智能进展问题中既普遍又完全独特的突出问题。一些最高优先级的主题包括（部分未解决的）预测的验证、如何使预测具有行动指导作用以及不同绩效指标的质量。虽然统计方法似乎更有希望，但人们也认识到补充判断技术可能会非常有益。
效率和需求预测的框架-IJRPR
随着传统库存管理的确定挑战，例如错误的需求预测，股票管理效率低下以及高仓库成本，人工智能和机器学习已成为库存管理的重要合作伙伴（Ayomide Madamidola等人，2024年，2024年； Vaka，2024年）。随着过时的系统和流程，传统库存管理系统努力优化需求和供应。因此，它始终在库存管理中经历过多的库存和库存，从而导致客户满意度和盈利能力降低。此外，不可预测的市场变化，季节性变化和动态趋势使库存过程复杂化（Germain等，2008）。由于与AI集成的机器学习可以通过数据驱动的解决方案进行更高级的库存管理，因此它支持准确的需求预测并自动化补货决策（Mitta，2024）。这最终通过分析与供应下巴（如天气条件和动态经济趋势）合并的外部因素，从而使需求预测更加精确，与传统的库存管理系统（Khedr和S，2024; Pasupuleti et al。，2024）相比，这最终导致了最佳的库存维持。
Paul F. Parker Medal
2。Tran BX，Vu GT，Ha GH，Vuong QH，Ho MT，Vuong TT等。健康和医学研究中人工智能研究的全球发展：一项文献计量学研究。J Clin Med。 2019; 8（3）：360。 https://doi.org/10。 3390/jcm8030360 3。 Dipiro JT，Nesbit TW，Reuland C，Cunningham FE，Schweitzer P，Chisholm-Burns MA等。 ASHP基金会药房预测2023：医院和卫生系统的药学部门战略规划指南。 AM J Health-syst Pharm。 2023; 90（2）：10 - 35。https：//doi.org/10.1093/ajhp/zxac274 4。 Wong A，Wentz E，Palisano N，Dirani M，Elsamadisi P，Qashou F等。 人工智能在药房实践中的作用：叙事评论。 J Am Coll Clin Pharm。 2023; 6（11）：1237 - 1250。https：//doi.org/10。 1002/jac5.1856 5。 美国临床药学院。 临床药剂师的实践标准。 J Am Coll Clin Pharm。 2023; 6（10）：1156 - 1159。https：//doi.org/10.1002/jac5.1873 6。 Huynh S，Rush L，Dadalias D，Githinji D，Ta M，Poole SG等。 时间和运动研究量化心脏病学，呼吸和老年临床药剂师的活性。 J Pharm ruth Res。 2022; 52（5）：383 - 390。https：//doi.org/10.1002/jppr.1825 7。 Wong D，Feere A，Yousefi V，Partovi N，Dahri K. Phar-Macists Hospital Phar-Macist的时间如何：一项工作采样研究。 可以Josp Pharm。 2020; 73（4）：272 - 278。 8。 Am J Health-Syst Pharm。 药房从业者联合委员会。J Clin Med。2019; 8（3）：360。 https://doi.org/10。3390/jcm8030360 3。Dipiro JT，Nesbit TW，Reuland C，Cunningham FE，Schweitzer P，Chisholm-Burns MA等。ASHP基金会药房预测2023：医院和卫生系统的药学部门战略规划指南。AM J Health-syst Pharm。2023; 90（2）：10 - 35。https：//doi.org/10.1093/ajhp/zxac274 4。Wong A，Wentz E，Palisano N，Dirani M，Elsamadisi P，Qashou F等。 人工智能在药房实践中的作用：叙事评论。 J Am Coll Clin Pharm。 2023; 6（11）：1237 - 1250。https：//doi.org/10。 1002/jac5.1856 5。 美国临床药学院。 临床药剂师的实践标准。 J Am Coll Clin Pharm。 2023; 6（10）：1156 - 1159。https：//doi.org/10.1002/jac5.1873 6。 Huynh S，Rush L，Dadalias D，Githinji D，Ta M，Poole SG等。 时间和运动研究量化心脏病学，呼吸和老年临床药剂师的活性。 J Pharm ruth Res。 2022; 52（5）：383 - 390。https：//doi.org/10.1002/jppr.1825 7。 Wong D，Feere A，Yousefi V，Partovi N，Dahri K. Phar-Macists Hospital Phar-Macist的时间如何：一项工作采样研究。 可以Josp Pharm。 2020; 73（4）：272 - 278。 8。 Am J Health-Syst Pharm。 药房从业者联合委员会。Wong A，Wentz E，Palisano N，Dirani M，Elsamadisi P，Qashou F等。人工智能在药房实践中的作用：叙事评论。J Am Coll Clin Pharm。2023; 6（11）：1237 - 1250。https：//doi.org/10。1002/jac5.1856 5。美国临床药学院。临床药剂师的实践标准。J Am Coll Clin Pharm。2023; 6（10）：1156 - 1159。https：//doi.org/10.1002/jac5.1873 6。Huynh S，Rush L，Dadalias D，Githinji D，Ta M，Poole SG等。时间和运动研究量化心脏病学，呼吸和老年临床药剂师的活性。J Pharm ruth Res。2022; 52（5）：383 - 390。https：//doi.org/10.1002/jppr.1825 7。Wong D，Feere A，Yousefi V，Partovi N，Dahri K. Phar-Macists Hospital Phar-Macist的时间如何：一项工作采样研究。 可以Josp Pharm。 2020; 73（4）：272 - 278。 8。 Am J Health-Syst Pharm。 药房从业者联合委员会。Wong D，Feere A，Yousefi V，Partovi N，Dahri K. Phar-Macists Hospital Phar-Macist的时间如何：一项工作采样研究。可以Josp Pharm。 2020; 73（4）：272 - 278。 8。 Am J Health-Syst Pharm。 药房从业者联合委员会。可以Josp Pharm。2020; 73（4）：272 - 278。8。Am J Health-Syst Pharm。药房从业者联合委员会。Lee JS，Nickman NA，PaceM。通过自我报告的工作抽样评估血液学/肿瘤学临床药物活动。 2022; 79（12）：960 - 968。https：//doi.org/10.1093/ajhp/ ZXAC057 9。 Mott DA，Arya V，Bakken BK，Doucette WR，Gaither CA，Kreling DH等。 2022年国家药剂师劳动力研究的最终报告。 2024 https://www.aacp.org/article/national-pharmacist-wortforce-研究10。 药剂师的患者护理过程。 2024 https://jcpp.net/patient-care-process/11。 Wang Z，Ong CLJ，Fu Z. AI模型以协助万古霉素剂量滴定。 前药。 2022; 13：801928。 https://doi.org/10.3389/ fphar.2022.801928 12。 Cai T，Anceschi U，Prata F，Collini L，Brugnolli A，Migno S等。 人工智能可以指导复发性UTI中的抗生素选择，并成为改善抗微生物管理的重要帮助。 反对Biot Basel Switz。 2023; 12（2）：375。 https://doi.org/10.3390/抗生素112020375 13。 Hu Y，Huerta J，Cordella N，Mishuris RG，Paschalidis IC。 通过数据驱动模型提出的个性化高血压治疗建议。 BMC Med Infors Decis Mak。 2023; 23（1）：44。 https://doi.org/10.1186/ S12911-023-02137-Z 14。 nayak A，Vakili S，Nayak K，Nikolov M，Chiu M，Sosseinheimer P等。 使用基于语音的对话人工智能在2型糖尿病患者中使用基础胰岛素处方管理：一项随机临床试验。 JAMA NetW Open。 2023; 6（12）：E2340232。 https://doi.org/10.1001/jamanetworkopen.2023.40232 15。 nat Med。Lee JS，Nickman NA，PaceM。通过自我报告的工作抽样评估血液学/肿瘤学临床药物活动。2022; 79（12）：960 - 968。https：//doi.org/10.1093/ajhp/ ZXAC057 9。Mott DA，Arya V，Bakken BK，Doucette WR，Gaither CA，Kreling DH等。2022年国家药剂师劳动力研究的最终报告。2024 https://www.aacp.org/article/national-pharmacist-wortforce-研究10。药剂师的患者护理过程。2024 https://jcpp.net/patient-care-process/11。Wang Z，Ong CLJ，Fu Z. AI模型以协助万古霉素剂量滴定。前药。2022; 13：801928。 https://doi.org/10.3389/ fphar.2022.801928 12。Cai T，Anceschi U，Prata F，Collini L，Brugnolli A，Migno S等。人工智能可以指导复发性UTI中的抗生素选择，并成为改善抗微生物管理的重要帮助。反对Biot Basel Switz。2023; 12（2）：375。 https://doi.org/10.3390/抗生素112020375 13。Hu Y，Huerta J，Cordella N，Mishuris RG，Paschalidis IC。通过数据驱动模型提出的个性化高血压治疗建议。BMC Med Infors Decis Mak。 2023; 23（1）：44。 https://doi.org/10.1186/ S12911-023-02137-Z 14。 nayak A，Vakili S，Nayak K，Nikolov M，Chiu M，Sosseinheimer P等。 使用基于语音的对话人工智能在2型糖尿病患者中使用基础胰岛素处方管理：一项随机临床试验。 JAMA NetW Open。 2023; 6（12）：E2340232。 https://doi.org/10.1001/jamanetworkopen.2023.40232 15。 nat Med。BMC Med Infors Decis Mak。2023; 23（1）：44。 https://doi.org/10.1186/ S12911-023-02137-Z 14。nayak A，Vakili S，Nayak K，Nikolov M，Chiu M，Sosseinheimer P等。使用基于语音的对话人工智能在2型糖尿病患者中使用基础胰岛素处方管理：一项随机临床试验。JAMA NetW Open。 2023; 6（12）：E2340232。 https://doi.org/10.1001/jamanetworkopen.2023.40232 15。 nat Med。JAMA NetW Open。2023; 6（12）：E2340232。https://doi.org/10.1001/jamanetworkopen.2023.40232 15。nat Med。Akyon SH，Akyon FC，Yılmazte。人工智能 - 支持的Web应用程序设计和开发，用于减少多药副作用并支持老年患者的合理药物使用。前医学（Lausanne）。2023; 10：1029198。 https://doi.org/10.3389/ fmed.2023.1029198 16。Fragasso T，Raggi V，Passaro D，Tardella L，Lasinio GJ，Ricci Z.在儿科心脏重症监护病房中预测通过人工智能驱动的模型预测急性肾脏损伤。J Anesth肛门crit护理。2023; 3（1）：37。 https://doi.org/10.1186/s44158-023-00125-3 17。Yao X，Rushlow DR，Inselman JW，McCoy RG，Thacher TD，Behnken EM等。具有人工智能的心电图，用于鉴定低射血分数患者：一项务实的，随机的临床试验。2021; 27（5）：815 - 819。https：// doi。org/10.1038/s41591-021-01335-4
气体需求和费率预测
WHEREAS , the California Energy Commission (Energy Commission) is directed to "conduct assessments and forecasts of all aspects of energy industry supply, production, transportation, delivery and distribution, demand, and prices” and to “use these assessments and forecasts to develop and evaluate energy policies and programs that conserve resources, protect the environment, ensure energy reliability, enhance the state's economy, and protect public health and safety" (Public Resources Code § 25301(a));和
在复杂的环境中预测：股票流量一致的基于代理的仿真模型中的机器学习销售期望
本文的目的是研究代理人行为规则中复杂程度的不同程度如何影响个人和宏观经济的表现。，我们分析了引入基于代理的宏观模型企业的效果，该公司能够通过使用简单的机器学习算法来制定有效的销售预测。这些技术能够提供公正的预测并具有一定程度的准确性，尤其是在遗传算法的情况下。我们观察到机器学习允许企业可以增加利润，尽管这会导致工资份额下降和长期长期增长率较小。预测方法能够提出期望，这些期望在冲击不大时保持公正，因此提供了预测能力，在一定程度上可能与卢卡斯的批评一致。关键字：基于代理的模型，机器学习，遗传算法，预测，政策冲击。JEL分类：C63，D84，E32，E37。
一种机器学习方法用于气候预测
气候变化构成了主要威胁，其影响包括水稀缺，极端天气和海平面上升。机器学习为气候建模和预测提供了强大的方法，以支持决策。这项研究开发了一种机器学习模型，以研究沙特阿拉伯的气候变量。使用1980 - 2015年的温度，降水，压力和风的历史数据用于训练随机森林模型，然后根据其他变量预测2016 - 2020年温度。在预处理和兼容性检查后，该模型达到了2.69％的于点误差，证明其准确性。统一模型成功地发现了变量之间的相互依赖性。下一步涉及将其集成到具有更广泛预测能力的多功能工具中。总体而言，这项工作为关键气候变量提供了准确的机器学习模型。随着进一步的发展，这种模型可以产生可行的见解和与天气灾难，农业，空气质量，海平面上升以及沙特阿拉伯及其他地区的其他影响有关的早期警告。
治疗驱动的深葡萄糖预测-IRIS
帕维亚大学，电气，计算机和生物医学工程系，通过意大利帕维亚27100的费拉塔5。B博洛尼亚大学，计算机科学与工程系，Mura Anteo Zamboni 7，博洛尼亚40126，意大利。 c帕维亚大学，民用与建筑工程系，通过意大利帕维亚27100的费拉塔5。B博洛尼亚大学，计算机科学与工程系，Mura Anteo Zamboni 7，博洛尼亚40126，意大利。c帕维亚大学，民用与建筑工程系，通过意大利帕维亚27100的费拉塔5。
GDAS驱动的机器学习天气预测：一项与GDAS始于全球天气预测初始化的图形广播的比较研究
对全球天气的中等程度预测在各个社会和经济领域的决策过程中起着关键作用。近年来，在天气预测中的机器学习（ML）模型应用程序的迅速发展，与传统的数值天气预测（NWP）模型相比，表现出色的性能显着。这些剪边模型利用了多种ML架构，例如图形神经网络（GNNS），卷积神经网络（CNN），傅立叶神经操作员（FNOS）和变压器。值得注意的是，Google DeepMind开创了一种基于ML的新方法，称为GraphCast，从重新分析数据中直接培训，并在不到一分钟的时间内促进了对众多天气变量的全球预测。令人印象深刻的是，图形播放预测在预测恶劣天气事件方面的准确性提高，包括热带气旋，大气河流和极端热量等现象。但是，Graphcast的效率依赖于高质量的历史天气数据进行培训，通常来自ECMWF的ERE5重新分析。
俄罗斯的预测与先发制人：......的前奏
本文借鉴了可用的俄罗斯未分类的军事学术文献，以说明俄罗斯威胁感知，并作出了对策，这导致了2022年入侵乌克兰。虽然对许多人来说可能令人惊讶，但俄罗斯威胁在2000年代后期到2022年，侧重于从西方造成的混合战争威胁。从俄罗斯的角度来看，后苏联空间中的“阿拉伯之春”和“颜色革命”是由西方煽动和设计的，这是一项旨在颠覆和推翻反对它的政府的运动的一部分。这种威胁感知来自一种特殊的战略方法，涉及监测和预测国际局势，以确定可能导致对俄罗斯联邦国家安全的未来威胁的趋势和情况。正如本文将证明的那样，俄罗斯对策演变为“积极辩护”的战略，涉及避免使用所谓的俄罗斯联盟边界外部部队的部队。2022年入侵乌克兰的俄罗斯军队是这种“积极辩护”的一部分。