論文の概要: Exploring Key Factors for Long-Term Vessel Incident Risk Prediction

• arxiv url: http://arxiv.org/abs/2405.19804v1
• Date: Thu, 30 May 2024 08:12:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-31 15:28:56.577467
• Title: Exploring Key Factors for Long-Term Vessel Incident Risk Prediction
• Title（参考訳）: 長期船体事故リスク予測の鍵要因を探る
• Authors: Tianyi Chen, Hua Wang, Yutong Cai, Maohan Liang, Qiang Meng,
• Abstract要約: 本研究の目的は、特定の日付スタンプが与えられた後年における事故リスクレベルを予測するための重要な要因を掘り下げることである。 事故リスクに影響を及ぼす可能性のある要因の大多数は、最大5年間にわたる船舶の過去の安全性能データから収集されている。
• 参考スコア（独自算出の注目度）: 31.76226678877918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Factor analysis acts a pivotal role in enhancing maritime safety. Most previous studies conduct factor analysis within the framework of incident-related label prediction, where the developed models can be categorized into short-term and long-term prediction models. The long-term models offer a more strategic approach, enabling more proactive risk management, compared to the short-term ones. Nevertheless, few studies have devoted to rigorously identifying the key factors for the long-term prediction and undertaking comprehensive factor analysis. Hence, this study aims to delve into the key factors for predicting the incident risk levels in the subsequent year given a specific datestamp. The majority of candidate factors potentially contributing to the incident risk are collected from vessels' historical safety performance data spanning up to five years. An improved embedded feature selection, which integrates Random Forest classifier with a feature filtering process is proposed to identify key risk-contributing factors from the candidate pool. The results demonstrate superior performance of the proposed method in incident prediction and factor interpretability. Comprehensive analysis is conducted upon the key factors, which could help maritime stakeholders formulate management strategies for incident prevenion.
• Abstract（参考訳）: 要因分析は海洋安全を高める上で重要な役割を担っている。 過去の研究はインシデント関連ラベル予測の枠組みの中で因子分析を行い、そこで開発されたモデルを短期および長期の予測モデルに分類することができる。 長期モデルはより戦略的アプローチを提供し、短期モデルと比較して、より積極的なリスク管理を可能にします。 それにもかかわらず、長期的な予測の主要な要因を厳格に特定し、包括的な因子分析を行う研究はほとんどない。 そこで,本研究では,特定の日付スタンプが与えられた後年における事故リスクレベルを予測するための重要な要因を掘り下げることを目的とする。 事故リスクに影響を及ぼす可能性のある要因の大多数は、最大5年間にわたる船舶の過去の安全性能データから収集されている。 ランダムフォレスト分類器と特徴フィルタリング処理を統合した組込み特徴選択法を提案し, 候補プールから重要なリスク貢献要因を同定した。 その結果,入射予測および因子解釈可能性において,提案手法の優れた性能を示した。 総合的な分析は、海洋利害関係者がインシデント予防のために管理戦略を定式化するのに役立つ重要な要因に基づいて行われる。

関連論文リスト

• Survival Models: Proper Scoring Rule and Stochastic Optimization with Competing Risks [6.9648613217501705]
  SurvivalBoostは、4つの実生活データセットで12の最先端モデルを上回っている。 優れたキャリブレーション、任意の時間軸にわたって予測する機能、既存のメソッドよりも高速な計算時間を提供する。
  論文  参考訳（メタデータ） (2024-10-22T07:33:34Z)
• Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
  我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。 本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。 我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-09-24T14:52:14Z)
• Risk-Aware Vehicle Trajectory Prediction Under Safety-Critical Scenarios [25.16311876790003]
  本稿では,安全クリティカルシナリオに適したリスク対応軌道予測フレームワークを提案する。 安全クリティカルな軌道予測データセットと調整された評価指標を導入する。 その結果,モデルの性能が向上し,ほとんどの指標が大幅に改善した。
  論文  参考訳（メタデータ） (2024-07-18T13:00:01Z)
• Challenges and Considerations in the Evaluation of Bayesian Causal Discovery [49.0053848090947]
  因果発見の不確実性を表現することは、実験設計において重要な要素であり、より広く、安全で信頼性の高い因果決定のために重要である。 単一の推定因果グラフとモデルパラメータによる評価に依存する非ベイズ因果発見とは異なり、因果発見はその量の性質に起因する課題を提示する。 評価に最も適した指標についてのコンセンサスはない。
  論文  参考訳（メタデータ） (2024-06-05T12:45:23Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• Off-Policy Risk Assessment in Markov Decision Processes [15.225153671736201]
  我々はマルコフ決定過程(MDPs)におけるリターンのCDFのための最初の2倍ロバスト(DR)推定器を開発する。 この推定器は、分散を著しく少なくし、モデルが十分に特定されたとき、クレーマー・ラオ分散の低い境界を達成する。 オフポリチックCDFとリスク推定のための最初のミニマックス下限を導出する。
  論文  参考訳（メタデータ） (2022-09-21T15:40:59Z)
• Incident duration prediction using a bi-level machine learning framework with outlier removal and intra-extra joint optimisation [6.291975267775799]
  本稿では,外乱除去と外乱関節最適化を併用した新しい双方向機械学習フレームワークを提案する。 我々は、インシデントデータログを使用してバイナリ分類予測手法を開発し、トラフィックインシデントを短期または長期に分類する。 クラスバランスと予測性能の両方を対象として,短期と長期の交通事故発生期間の最適しきい値を求める。
  論文  参考訳（メタデータ） (2022-05-10T22:40:05Z)
• Two steps to risk sensitivity [4.974890682815778]
  条件付きバリュー・アット・リスク(CVaR)は、人間と動物の計画のモデル化のためのリスク尺度である。 CVaRに対する従来の分布的アプローチを逐次的に導入し、人間の意思決定者の選択を再分析する。 次に,リスク感度,すなわち時間的整合性,さらに重要な特性について考察し,CVaRの代替案を示す。
  論文  参考訳（メタデータ） (2021-11-12T16:27:47Z)
• The Impact of Algorithmic Risk Assessments on Human Predictions and its Analysis via Crowdsourcing Studies [79.66833203975729]
  我々は,在職者が将来の再起を予測することを任務とするヴィグネット研究を行う。 参加者は、再逮捕の確率が50%よりかなり低いと判断しても、犯罪者が再逮捕されることをしばしば予測します。 裁判官の判断は、参加者の予測とは異なり、部分的には再逮捕の可能性がある要因に依存する。
  論文  参考訳（メタデータ） (2021-09-03T11:09:10Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。