XiaoMi-AI文件搜索系统
World File Search SystemMAPE
旅游业中的人工智能：利用机器学习和人工神经网络预测菲律宾游客人数
摘要 —旅游业是最突出和发展最快的行业之一，对一个国家经济增长贡献巨大。然而，在冠状病毒大流行期间，旅游业受到的影响最为严重。因此，在制定发展旅游业竞争力和经济增长的决策和战略时，对游客人数进行可靠和准确的时间序列预测是必要的。从这个意义上讲，本研究旨在利用菲律宾 2008 年至 2022 年的实际旅游统计数据来检验一种流行的机器学习技术人工神经网络模型的预测能力。该模型使用三种不同的数据组合进行训练，并利用不同的时间序列评估指标进行评估，以确定影响模型性能的因素并确定其预测游客人数的准确性。研究结果表明，ANN 模型在预测游客人数方面是可靠的，R 平方值和 MAPE 分别为 0.926 和 13.9%。此外，还确定添加包含 COVID-19 大流行等意外现象的训练集可以提高预测模型的准确性和学习过程。由于该技术证明了其预测准确性，它将成为政府、旅游利益相关者和投资者等加强战略和投资决策的有用工具。
FiN 专家 职位类别：自然资源
机构：明尼苏达州自然资源部 • 职位 ID：83927 • 地点：双城地区 • 是否符合远程办公条件：否 • 全职/兼职：全职 • 常规/临时：有限 • 申请对象：向所有合格的求职者开放 • 发布日期：2025 年 2 月 6 日 • 截止日期：2025 年 2 月 26 日 • 招聘机构/资历单位：自然资源部 • 部门/单位：鱼类和野生动物 • 工作轮班/工作时间：白班 • 工作日：周一至周五 • 是否需要出差：否 • 薪资范围：24.42 美元 - 35.43 美元/小时； $50,988 - $73,977 / 每年 • 分类状态：未分类 • 谈判单位/工会：214 - 明尼苏达州专业雇主/MAPE 协会 • 结束日期：2027 年 6 月 30 日 • FLSA 状态：豁免 - 专业 • 是否指定为残疾申请人的 Connect 700 计划：是 您所做的工作不仅仅是一份工作。在明尼苏达州，员工在制定政策、提供基本服务和努力改善所有明尼苏达人的福祉和生活质量方面发挥着关键作用。明尼苏达州致力于公平和包容，并通过提供福利、支持资源以及培训和发展机会来投资于员工。
机器学习和人力资源管理：有效劳动力管理的途径
电子邮件id -sunny.prakash@glbitm.ac.in摘要：这是关于如何使用机器学习算法来实现最佳人力资源管理实践，特别是那些处理人类绩效，识别员工绩效，磨损分析和劳动力计划的范围较高森林和逐步促进algorions的活动的识别的任务的人类资源，以评估人类资源在人类资源中的实验，以分析人类资源的实验。进行。报告的数据显示，使用MAE和RMSE性能指标，具有空位率预测的梯度增强算法的准确性最高，这表明结果最佳。因此，在损耗分析中，与随机森林相对于随机森林的准确性，精度，回忆和F1得分的较高度量。在劳动力计划中，梯度提升仅显示的平均绝对百分比误差（MAPE）和均方根百分比误差（RMSPE）值与两种应用的方法相比，这表明预测方法的出色性能。上述结果肯定表明机器学习算法在人力资源管理任务中可能非常成功，并且数据驱动的决策可以提高性能，同时也可以通过大量交易来增强其性能。关键字：机器学习，人力资源管理，员工绩效预测，流失分析，劳动力计划。
使用机器学习算法的鱼池水质评估模型
传统的养鱼面临着一些重大挑战，包括水污染，温度失衡，饲料管理，有限的土地可用性和高成本。水产养殖业继续面临各种挑战，包括需要增强监测系统的需求，早期鉴定疾病暴发，高死亡率以及促进可持续性。这些问题代表了需要解决的持续关注，并促使该研究使用woosong University Fish Pond Dataset进行了有关鱼类池塘水质管理的研究，这些数据集来自Kaggle Machine Learning存储库。这项研究的目的是开发利用机器学习（ML）技术的水产养殖解决方案，以增强虾的生长并在池塘环境中提高生产率。因此，该研究仔细检查了某些机器学习算法的有效性，包括XGBoost，梯度提升，K-Neighbors Repressor，随机森林回归器和混合集合模型。使用一些评估指标的评估指标，例如均方根误差（MSE），平均绝对百分比误差（MAPE），R-squared（R2）和根平方误差（RMSE），以评估算法的有效性。该研究的发现表明，在预测准确性方面，随机的森林回归和混合合奏模型优于其他算法，使其成为评估养鱼养鱼水质的强大候选者。
对光伏高渗透比的电力系统频率稳定性的影响
摘要：电池监控系统（BMO）对于监视电池在运行时提供和吸收能量的状况至关重要，并同时确定实现长电池寿命的最佳限制。所有这些都可以通过测量电池参数并增加电池电量（SOC）和健康状况（SOH）来完成。来自NASA的电池数据集用于评估。在这项工作中，采用了梯度向量来从电池中获取能源供应模式的趋势。此外，采用了支持向量机（SVM）以获得精确的电池精度指数。这与多项式回归的使用一致；因此，点V1和V2作为正常使用阶段的边界。此外，还对电池从分类中成功提取的时间长度进行了时间长度分布的测试。所有这些阶段都可以用于计算使用过程中电池降解速率，以便可以通过不断比较值在实际情况下应用此策略。在这种情况下，使用电压梯度，SVM方法以及建议的多项式回归，MAPE（％），MAE和RMSE可以在电池值图中获得分别为0.3％，0.0106和0.0136的电池值图。使用此误差值，可以获得电池的SOC值的动力学，并且可以通过避免使用电压流量阶段来通过较短的使用时间来解决SOH问题。
用于埃塞俄比亚风力发电预测的新型混合 CNN-LSTM
摘要。可再生能源目前正经历着有希望的增长，成为减少化石燃料使用产生的污染气体（导致全球变暖）的替代解决方案。为了将这些可再生能源安全地整合到电网系统中，并使电网系统更加稳定，准确预测特定风力发电场的风力发电量和发电时间至关重要。深度学习方法已显示出对复杂和非线性问题（例如时间序列风力发电数据）的良好预测性能。然而，需要进一步研究通过将多个模型与超参数优化相结合来优化深度学习模型，以使这些单个模型获得最佳性能。在本文中，我们提出了一种用于埃塞俄比亚风力发电预测的混合 CNN-LSTM 模型。在构建混合 CNN-LSTM 模型之前，应用贝叶斯优化来调整单个学习器的超参数，包括 1D-CNN 和 LSTM 模型。在从埃塞俄比亚电力公司获得的三个案例研究风力发电数据集上对所提出的模型进行了测试。根据 MAE、RMSE 和 MAPE 评估指标，对于所有案例研究数据，混合模型的表现明显优于基准模型，包括 ANN、RNN、BiLSTM、CNN 和 LSTM 模型。
利用机器学习来增强最佳库存管理 - 案例：航空业Spart Parts
本文解决了全球航空平台面临的库存管理挑战。特别重点是案例公司GA Teleasis，这是一家全方位服务的空中维护和组件服务提供商。探索了优化库存水平的策略，包括根据历史用法，成本和汇总的发动机模型对项目进行分类，以识别关键项目并利用ABC/XYZ分析以及机器学习以进行库存管理。定量研究方法学通过机器学习模型进行了动作研究方法，该模型具有自回归的整体移动平均值（ARIMA），支持向量机器（SVM），线性回归（LR），毕业增强（GB），统计技术和统计技术，包括平均误差（ME），平均误差（ME），均值误差（ME），MASE绝对（RMSE），MME（MME），MME（MME），MME（MME）根据案件公司的IFS系统采购记录采购的基于数值数据的需求。此外，对关键人员的访谈还提供了对公司面临的现实世界挑战的见解，允许该研究提出专门针对解决这些问题的解决方案。这项研究的关键发现是Arima模型在需求预测中表现出卓越的性能，证实了现有文献并验证了其在航空部门中的有效性。
转移学习用于使用RNN-LSTM混合模型的汇款流入预测国内生产总值增长：冈比亚的案例研究
对经济的规模和表现的见解至关重要，而实际GDP的增长率经常用作经济健康的关键指标，强调了国内生产总值（GDP）的重要性。此外，近年来，汇款引起了全球的巨大兴趣，尤其是在冈比亚。这项研究介绍了创新模型，即复发性神经网络和长期记忆（RNN-LSTM）的混合体，以基于冈比亚的汇款流入来预测GDP的增长。该模型集成了来自世界银行发展指标和冈比亚中央银行（1966-2022）的数据。Pearson的相关性用于检测和选择与GDP和汇款最牢固的变量。此外，还采用了一种参数传输学习技术来提高模型的预测精度。通过随机搜索过程对模型的超参数进行了细调，并使用RMSE，MAE，MAPE和R 2度量来评估其有效性。研究结果首先表明，它具有良好的概括能力，并且在基于汇款流入的GDP增长方面具有稳定的适用性。第二，与独立模型相比，所建议的模型超过预测准确性的最高R 2分数为91.285％。第三，预测的结果进一步表明汇款与短期经济增长之间存在牢固和积极的关系。本文通过采用人工智能（AI）技术来解决基于汇款流入的GDP的关键研究差距。
机载 LiDAR 数据在冠层燃料测绘中的可转移性
摘要：冠层燃料特性对于评估林分中的火灾危险和潜在严重程度至关重要。模拟工具为防火规划提供了有用的信息，以减少野火的影响，前提是存在具有足够空间分辨率的可靠燃料图。许多国家正在提供免费的机载 LiDAR 数据，为大规模改善燃料监测提供了机会。在本研究中，我们建立了模型，以估计松林区机载 LiDAR 的冠层基高 (CBH)、燃料负荷 (CFL) 和体积密度 (CBD)，其中以不同的脉冲密度获取了四个点云数据集。使用来自 1 p/m 2 数据集的 LiDAR 指标对 CBH、CFL 和 CBD 进行拟合的最佳模型分别得出调整后的 R 2 为 0.88、0.68 和 0.58，RMSE (MAPE) 为 1.85 m (18%)、0.16 kg/m 2 (14%) 和 0.03 kg/m 3 (20%)。拟合模型的可转移性评估表明，根据 LiDAR 脉冲密度（高于和低于校准数据集）和模型公式（线性、幂和指数），精度水平不同。与较低（0.5 p/m 2 ）或较高回波密度（4 p/m 2 ）相比，指数模型和类似脉冲密度（1.7 p/m 2 ）的结果最佳。还观察到冠层燃料属性方面的差异。
对中国和美国股票市场的传统和机器学习方法的比较分析
Abstract —In the volatile and uncertain financial markets of the post-COVID-19 era, our study conducts a comparative analysis of traditional econometric models—specifically, the AutoRegressive Integrated Moving Average (ARIMA) and Holt's Linear Exponential Smoothing (Holt's LES)—against advanced machine learning techniques, including Support Vector Regression (SVR), Long Short-Term Memory (LSTM) networks, and Gated复发单位（GRU）。专注于标准普尔500指数和SSE指数的每日股票价格，该研究利用了一系列指标，例如R-squared，rmse，Mape和Mae来评估这些方法的预测准确性。这种方法使我们能够探索如何在大流行煽动的持续市场波动中捕获美国和中国等主要经济体的股票市场运动的复杂动态方面的票价。调查结果表明，虽然像Arima这样的传统模型在短期视野中表现出强烈的预测精度，但LSTM网络在捕获数据中捕获复杂的非线性模式方面表现出色，表现出优于更长的预测范围。这种细微的比较强调了每种模型的优势和局限性，LSTM的出现是最有效地导航大流行后金融市场的不可预测动态。我们的结果提供了对股票价格预测，帮助投资者，政策制定者和学者的预测方法的重要见解，以在持续的市场挑战中做出明智的决策。