Aprendizaje automático escalable en la base de datos para la predicción de rutas puerto a puerto
Autores: Dennis Marten, Carsten Hilgenfeld, Andreas Heuer
Resumen: La predicción correcta de las rutas subsiguientes de puerto a puerto juega un papel integral en la logística marítima y es, por tanto, esencial para muchas otras tareas como la predicción precisa de la hora estimada de llegada. En este artículo presentamos un enfoque escalable basado en la IA para predecir los próximos destinos portuarios de los buques basándose en los datos históricos del AIS. El método presentado está pensado principalmente para rellenar los casos en los que la entrada de destino AIS de un buque no es interpretable. Describimos cómo se puede construir una solución de IA estable y eficiente en la base de datos, basada en modelos de Markov que son adecuados para tareas de predicción masivamente paralelas con alta precisión. La investigación presentada forma parte del proyecto PRESEA ("Previsión del tráfico marítimo en tiempo real").
El trabajo se ha publicado en el Journal for Mobility and Transport.