XiaoMi-AI文件搜索系统
World File Search Systemforecasting
地理在预测气候变化下未来的火灾模式中的重要性
模型和地图，预期火灾模式如何响应气候变化和其他驱动因素是气候的重要工具 - 对生态系统和人类社区的弹性保护。使用这些模型进行决策 - 但是，了解其不确定性来源至关重要。我们表明，模型边界的不同地理范围可能会导致相同地理区域的未来火灾预测，这是消防机制及其可预测性的地理差异。没有一个 - 大小 - 适合 - 加利福尼亚州火灾未来的所有预测或一种减轻人们，基础设施和生态系统弹性的策略。建模和决策 - 如果将特定火灾制度的地理限制限制，则可能是最可靠的。
AI增强库存和需求预测：使用AI优化库存管理并预测客户需求
人工智能（AI）的出现已经迎来了各个行业的效率和准确性的新时代，库存管理和需求预测处于这些进步的最前沿。传统库存管理技术通常依赖于历史数据和简单的统计模型，在解决当代市场的动态和复杂性方面缺乏（Chopra＆Meindl，2016年）。AI具有先进的算法和机器学习能力，为这些关键业务功能提供了一种变革性的方法。本文探讨了AI技术在优化库存管理和预测客户需求方面的集成。AI增强库存管理涉及应用各种AI技术，例如机器学习，自然语言处理（NLP），计算机视觉和机器人技术工艺自动化（RPA）（RPA）（Ivanov等，2017）。机器学习算法分析了大量的历史数据，以识别模式和趋势，从而可以在库存水平上进行更准确的预测和调整。NLP流程从社交媒体和客户评论等来源提供非结构化数据，以更深入了解市场趋势和客户偏好（Cambria＆White，2014年）。计算机视觉技术有助于实时监视库存水平并通过视觉数据识别差异，而RPA自动化了重复的任务，例如订单处理和库存跟踪，从而降低了人为错误和提高效率（Aguirre＆Rodriguez，2017年）。本文重点介绍了通过AI实施实现的预测准确性和库存周转率的重大改善，并讨论了对供应链管理的未来影响。
多元时间序列生成建模和预测的变异自动编码器和变压器：涡旋诱导振动的应用
本研究采用数据驱动的方法来研究物理系统振动，重点关注两个主要方面：使用变异自动编码器（VAE）生成物理数据（即数据“相似”与通过现实世界过程获得的使用变压器，以便使用体内稀疏传感器（观察者）中的信息在时间空间中连续预测柔性身体非平稳振动（2D时间序）。 VAE经过从作者进行的实验中收集的涡旋诱导振动（VIV）数据进行训练，然后负责生成类似于实验的合成VIV数据。 然后使用合成数据来训练一个变压器结构，其目标是使用稀疏观测值不断预测时间空间的振动。 针对实际实验测试了变压器（从未见过实际数据），并将其性能与对实际数据训练的相同体系结构进行了比较。 这样做，VAE的能力生成保留其培训数据内在属性的数据（即） 评估身体）。 最终提出了变压器体系结构，LSTM和DNN的预测性能之间的比较。使用变压器，以便使用体内稀疏传感器（观察者）中的信息在时间空间中连续预测柔性身体非平稳振动（2D时间序）。VAE经过从作者进行的实验中收集的涡旋诱导振动（VIV）数据进行训练，然后负责生成类似于实验的合成VIV数据。然后使用合成数据来训练一个变压器结构，其目标是使用稀疏观测值不断预测时间空间的振动。针对实际实验测试了变压器（从未见过实际数据），并将其性能与对实际数据训练的相同体系结构进行了比较。这样做，VAE的能力生成保留其培训数据内在属性的数据（即身体）。最终提出了变压器体系结构，LSTM和DNN的预测性能之间的比较。
使用机器学习的销售预测
Student-Jain University-Banglore ---------------------------------------------------------------------***--------------------------------------------------------------------- Abstract - Accurate sales It is essential to forecast for retail management, staffing levels, and marketing strate- gies.沃尔玛（Walmart）是世界上最大的零售商，面临着预测其庞大的商店网络和各种产品的销售的挑战。机器学习（ML）在销售预测中的应用已变得越来越流行。ML使公司能够充满信心地检查过去的数据，现场趋势和未来的未来销售趋势。本文探讨了ML在沃尔玛的销售预测中的应用。它讨论了在沃尔玛销售预测的各种ML算法，以及与该领域实施ML解决方案相关的Challenges和机会。本文还提供了对沃尔玛预期销售的分析，证明ML的效果可以提高销售预测的准确性。这项研究的结果证明了ML在沃尔玛的销售预测的重要性，并为寻求采用ML的销售预测需求的企业提供了宝贵的见解。通过利用ML，沃尔玛可以实现其业务目标，提高消费者的满意并提高运营效率。
引用为：Vasenska，I。P.（2024）。深度机器学习对旅游时间序列预测的经济影响，Ekonomicko-Manazerske Spektrum，1
收到：2024年3月10日；以修订的形式收到：2024年5月19日；接受：2024年6月6日；在线提供：2024年6月30日摘要：研究背景：准确地预测入站旅游的流动一直对参与该行业的所有各方构成重大挑战。旅游产品的复杂性质，直接和间接地受到各种风险，灾难和危机的影响，进一步凸显了其对破坏和波动的敏感性。因此，使用当代数据科学方法和人工神经网络（ANN）方法对预测入站旅游流的兴趣越来越大。因此，本文试图通过采用深度机器学习（DML）方法来探索AI预测技术，并比较jupyter笔记本计算环境中的时间序列预测的各种Python库。在2002年至2023年期间，国内和国际旅游的数据保留在保加利亚注册，已利用多个Python图书馆来构建先进的深层神经网络。本文的目的：当前论文的目的是确定哪种时间序列预测模型 - 指数平滑，TBAT，Auto Arima，Theta或LSTM具有更好的准确性估算，并可以通过研究和实践经济目的在未来使用类似的任务来应用于类似的任务。方法：应用方法基于经典科学方法。关于主要发现，他们可以帮助您进行日常运营计划，管理和搬迁微观和宏观水平的旅游资源，以及对与分析和新颖性有关的研究领域的缺点和局限性的见解。发现和值添加：此外，获得的结果重申，可以将ANN应用于准确的预测，尤其是在保加利亚的情况下，在保加利亚的情况下，与旅游业相关的学者，企业和政策制定者尚未应用此类模型。
使用各种机器学习算法评估电力需求预测
能源部门在很大程度上依赖于电力负载预测的各种机器学习算法，该算法在制定发电和发电的政策中起着关键作用。功率载荷预测的精度取决于反映数据中非线性特征的许多因素。值得注意的是，机器学习算法和人工神经网络已成为当代电力负载预测中必不可少的组件。这项研究专门针对机器学习算法，涵盖支持向量机（SVM），长期短期记忆（LSTM），集合分类器，复发性神经网络和深度学习方法。该研究通过利用过去5年来利用昌迪加尔UT电力数据来精心研究短期电力负载预测。对预测准确性的评估利用了指标，例如归一化平方误差（NMSE），均方根误差（RMSE），平均绝对误差（MAE）和相互信息（MI）。与其他算法相比，LSTM的预测结果表明，LSTM的性能出色，预测误差是LSTM中最低的，而SVM中的误差最低，高13.51％。这些发现为不同机器学习算法的优势和局限性提供了宝贵的见解。使用MATLAB R2018软件进行了建议的方法的验证实验。
![为了有效解决人类所面临的日益复杂的问题，最新的发展趋势是应用大量不同类型的传感器收集数据，从而基于深度学习和人工智能建立有效的解决方案[1-4]。这不仅对传感器产生了巨大的需求，带来了商机，也为传感器设备及其相关应用的开发带来了新的挑战[5,6]。这些将人工智能与传感器相结合的技术发展正被积极地应用于医疗保健、制造业、农业和渔业、交通运输、建筑、环境监测等各个应用领域。例如，在环境监测方面，集成深度学习和人工智能算法的传感器能够快速分析大量数据集，实时识别模式、异常和趋势[7,8]。以天气预报为例，由人工智能驱动的传感器可以从卫星、气象站和无人机等各种来源收集数据，从而更精确地预测天气模式。通过深度学习模型，传感器可以动态调整和整合新数据，从而随着时间的推移提高预测准确性。此外，在工业环境中，通过人工智能增强的传感器在监控设备健康状况、预测潜在故障和安排维护方面发挥着优化制造运营的关键作用。](/simg/f/f35968dfeaed06f5c0286399ab4f1fb8e15e2e87.png)
为了有效解决人类所面临的日益复杂的问题，最新的发展趋势是应用大量不同类型的传感器收集数据，从而基于深度学习和人工智能建立有效的解决方案[1-4]。这不仅对传感器产生了巨大的需求，带来了商机，也为传感器设备及其相关应用的开发带来了新的挑战[5,6]。这些将人工智能与传感器相结合的技术发展正被积极地应用于医疗保健、制造业、农业和渔业、交通运输、建筑、环境监测等各个应用领域。例如，在环境监测方面，集成深度学习和人工智能算法的传感器能够快速分析大量数据集，实时识别模式、异常和趋势[7,8]。以天气预报为例，由人工智能驱动的传感器可以从卫星、气象站和无人机等各种来源收集数据，从而更精确地预测天气模式。通过深度学习模型，传感器可以动态调整和整合新数据，从而随着时间的推移提高预测准确性。此外，在工业环境中，通过人工智能增强的传感器在监控设备健康状况、预测潜在故障和安排维护方面发挥着优化制造运营的关键作用。
为了有效解决人类所面临的日益复杂的问题，最新的发展趋势是应用大量不同类型的传感器来收集数据，以便建立基于深度学习和人工智能的有效解决方案[1-4]。这不仅对传感器产生了巨大的需求，提供了商业机会，也为传感器设备及其相关应用的开发带来了新的挑战[5,6]。这些将人工智能与传感器相结合的技术发展正被积极地应用于医疗保健、制造业、农业和渔业、交通运输、建筑、环境监测等各个应用领域。例如，在环境监测中，集成了深度学习和人工智能算法的传感器能够快速分析大量数据集，实时识别模式、异常和趋势[7,8]。以天气预报为例，人工智能驱动的传感器可以从卫星、气象站和无人机等各种来源收集数据，从而更精确地预测天气模式。通过深度学习模型，传感器可以动态调整和整合新数据，从而随着时间的推移提高其预测准确性。此外，在工业环境中，人工智能增强的传感器在优化制造运营方面发挥着至关重要的作用，可以监测设备健康状况、预测潜在故障并提前安排维护 [ 9 – 12 ]。这种方法减少了运营停机时间并提高了整体效率。在此背景下，“传感器和应用中的人工智能和深度学习”特刊收集了关于人工智能（特别是深度学习）和传感器技术在各个领域的新发展的高质量原创贡献，以及分享想法、设计、数据驱动的应用程序以及生产和部署经验和挑战。本期特刊征文主题包括制造、机械和半导体的应用和传感器；建筑、施工、楼宇、电子学习的智能应用和传感器；推荐系统；自动驾驶汽车、交通监控和运输的应用和传感器；物体识别、图像分类、物体检测、语音处理、人类行为分析；以及其他相关传感应用 [ 13 , 14 ]。
一种用于建模和预测短期空气温度的功能自回旋方法
对大气温度的精确预测对于各种应用，例如农业，能源，公共卫生和运输至关重要。现代技术的进步导致了传感器和其他工具的开发，以收集高频空气温度数据。但是，由于其特定特征，包括高维度，非线性，季节性依赖性等，准确的预测是具有挑战性的。为了应对这些预测挑战，本研究提出了一个基于组件估计技术的功能建模框架，通过将空气温度时间序列划分为确定性和随机组件。使用广义添加剂建模技术对每日和每年的季节性组成的确定性组成部分进行了建模和预测。同样，解释该过程短期动力学的随机组件是由功能自回旋模型，自动回归积分移动平均平均值和向量自回归模型对过程进行建模和预测的。为了评估模型的性能，从伊斯兰堡，巴基斯坦收集了每小时的空气温度数据，并获得了一日样本的预测。使用根平方误差，平均绝对误差和平均绝对百分比误差比较所有模型的预测结果。结果表明，与Arima和VAR模型相比，所提出的远距离模型的性能相对较好，从而导致样本外预测误差。这项研究的发现可以促进跨部门的明智决策，优化资源分配，增强公共安全并促进社会经济的韧性。
在税收预测中应用机器学习
收入预测为政府提供了关键背景，以告知其关于预算和收入政策的决策。但是，我们是否应该使用简单或复杂的方法仍然是一个杰出的问题。Favero和Marcellino（2005）对政府使用的不同预测方法进行了全面比较，以预测财政变量，包括单变量自动回归和移动平均模型，矢量自动锻炼（VARS）和小规模的半结构模型。他们发现，简单的单变量时间序列方法倾向于提供有效且无偏见的预测，超过了依赖宏观经济变量系统的多元模型。他们将其归因于对具有重大制度和经济变化的短样本中多个宏观经济变量的共同行为进行建模的困难，以及简单方法在结构中断时的鲁棒性。