Aprendizagem em Base de Dados Escalonável para a Previsão de Rotas Porto-a-Porto
Autores: Dennis Marten, Carsten Hilgenfeld, Andreas Heuer
Resumo: A previsão correcta das rotas subsequêntes porto-a-porto desempenha um papel integral na logística marítima e é, portanto, essencial para muitas outras tarefas, tais como previsões precisas da hora prevista de chegada. Neste documento, apresentamos uma abordagem escalável baseada na IA para prever os próximos destinos portuários a partir de embarcações com base em dados históricos do AIS. O método apresentado destina-se principalmente a preencher os casos em que a entrada de destino AIS de uma embarcação não é interpretável. Descrevemos como se pode construir uma solução de IA estável e eficiente na base de dados construída em modelos Markov que são adequados para tarefas de previsão maciçamente paralelas com elevada precisão. A investigação apresentada faz parte do projecto PRESEA ("Real-time based maritime traffic forecast").
O artigo foi publicado no Journal for Mobility and Transport.