Επεκτάσιμη μηχανική εκμάθηση εντός βάσης δεδομένων για την πρόβλεψη δρομολογίων από λιμάνι σε λιμάνι
Συγγραφείς: Ντένις Μάρτεν, Κάρστεν Χίλγκενφελντ, Αντρέας Χάουερ
Αφηρημένος: Η σωστή πρόβλεψη των επόμενων δρομολογίων από λιμένα σε λιμένα διαδραματίζει αναπόσπαστο ρόλο στη θαλάσσια εφοδιαστική και, ως εκ τούτου, είναι απαραίτητη για πολλές περαιτέρω εργασίες, όπως ακριβείς προβλέψεις του εκτιμώμενου χρόνου άφιξης. Σε αυτό το έγγραφο παρουσιάζουμε μια επεκτάσιμη προσέγγιση βασισμένη στην τεχνητή νοημοσύνη για την πρόβλεψη επερχόμενων λιμενικών προορισμών από πλοία με βάση ιστορικά δεδομένα AIS. Η παρουσιαζόμενη μέθοδος προορίζεται κυρίως ως συμπλήρωση για περιπτώσεις όπου η καταχώριση προορισμού AIS ενός σκάφους δεν είναι ερμηνεύσιμη. Περιγράφουμε πώς μπορεί κανείς να δημιουργήσει μια σταθερή και αποτελεσματική λύση AI στη βάση δεδομένων που βασίζεται σε μοντέλα Markov που είναι κατάλληλα για μαζικά παράλληλες εργασίες πρόβλεψης με υψηλή ακρίβεια. Η έρευνα που παρουσιάζεται αποτελεί μέρος του έργου PRESEA («Πρόβλεψη θαλάσσιας κυκλοφορίας σε πραγματικό χρόνο»).
Η εργασία δημοσιεύθηκε στο Περιοδικό για την Κινητικότητα και τις Μεταφορές.