Rachel Martins Ventriglia, L. Bastos, Karla Figueiredo, Marley Vallasco
{"title":"预测船舶装载时间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":"{\"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}","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}
Previsão da duração de carregamentos de embarcações PLSV
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.