Previsão da duração de carregamentos de embarcações PLSV

Rachel Martins Ventriglia, L. Bastos, Karla Figueiredo, Marley Vallasco
{"title":"Previsão da duração de carregamentos de embarcações PLSV","authors":"Rachel Martins Ventriglia, L. Bastos, Karla Figueiredo, Marley Vallasco","doi":"10.5753/eniac.2022.227313","DOIUrl":null,"url":null,"abstract":"As embarcações Pipe-laying Support Vessel (PLSV) realizam tarefas de interligação submarinas, que necessitam de diversos recursos materiais. Estes recursos são carregados nos navios, e atualmente o planejamento dos carregamentos é resolvido de forma heurística, com taxas de erros altas, em torno de 84%. Com o objetivo de auxiliar neste planejamento operacional, este trabalho propôs a investigação e seleção de diversos modelos de aprendizado de máquina para prever a duração dos carregamentos. Os modelos que apresentaram melhor desempenho na base de teste foram o Gradient Boosting, Regressão Linear e o Stacking Regressor, com um erro percentual médio absoluto de no máximo 36% nos dados de teste.","PeriodicalId":165095,"journal":{"name":"Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022)","volume":"3 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2022-11-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022)","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.5753/eniac.2022.227313","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

Abstract

As embarcações Pipe-laying Support Vessel (PLSV) realizam tarefas de interligação submarinas, que necessitam de diversos recursos materiais. Estes recursos são carregados nos navios, e atualmente o planejamento dos carregamentos é resolvido de forma heurística, com taxas de erros altas, em torno de 84%. Com o objetivo de auxiliar neste planejamento operacional, este trabalho propôs a investigação e seleção de diversos modelos de aprendizado de máquina para prever a duração dos carregamentos. Os modelos que apresentaram melhor desempenho na base de teste foram o Gradient Boosting, Regressão Linear e o Stacking Regressor, com um erro percentual médio absoluto de no máximo 36% nos dados de teste.
查看原文
分享 分享
微信好友 朋友圈 QQ好友 复制链接
本刊更多论文
预测船舶装载时间PLSV
管道铺设支撑船(PLSV)执行海底互连任务,需要多种物质资源。这些资源被装载到船舶上,目前的装载规划是启发式解决的,错误率很高,约84%。为了协助这一操作规划,本工作提出了研究和选择几种机器学习模型来预测负载持续时间。在测试基础上表现最好的模型是梯度增强、线性回归和叠加回归,测试数据的平均绝对百分比误差不超过36%。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 去求助
来源期刊
自引率
0.00%
发文量
0
期刊最新文献
Application of Learned OWA Operators in Pooling and Channel Aggregation Layers in Convolutional Neural Networks Improving steel making off-gas predictions by mixing classification and regression multi-modal multivariate models A Framework for prediction of dropout in distance learning through XAI techniques in Virtual Learning Environment Textile defect detection using YOLOv5 on AITEX Dataset Aspects of a learned model to predict the quality of life of university students in Brazil
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
现在去查看 取消
×
提示
确定
0
微信
客服QQ
Book学术公众号 扫码关注我们
反馈
×
意见反馈
请填写您的意见或建议
请填写您的手机或邮箱
已复制链接
已复制链接
快去分享给好友吧!
我知道了
×
扫码分享
扫码分享
Book学术官方微信
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术
文献互助 智能选刊 最新文献 互助须知 联系我们:info@booksci.cn
Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。
Copyright © 2023 Book学术 All rights reserved.
ghs 京公网安备 11010802042870号 京ICP备2023020795号-1