影响地下煤矿工时损失风险因素的因果关系网络
机器学习
2024-02-12 v1 人工智能
统计方法学
摘要
本研究旨在使用一种新型因果人工智能(AI)方法,建立地下煤矿中导致工时损失的各种因素之间的因果关系网络。该分析利用了来自美国国家职业安全卫生研究所(NIOSH)的数据。从 NIOSH 数据库中提取了 1990 年至 2020 年间、涵盖 3,982 个独立地下煤矿的共 101,010 条伤害记录。使用一种名为分组贪婪等价搜索(GGES)的新型因果 AI 方法对因果关系进行了分析和可视化。通过干预 do 演算调整(IDA)得分评估了每个变量对工时损失的影响。使用 10 折交叉验证技术进行了模型训练和验证。利用包括邻接精度(AP)、邻接召回率(AR)、箭头精度(AHP)和箭头召回率(AHR)在内的性能指标来评估模型。研究结果表明,在 2006 年之后,矿工工时损失的关键直接原因包括总采矿经验、平均办公室员工数、平均地下员工数、县以及总采矿经验(年)。总采矿经验成为最具影响力的因素,而每矿平均员工数表现出最小的影响力。分析强调了总采矿经验在决定工时损失中的重要作用。模型取得了最佳性能,AP、AR、AHP 和 AHR 值分别为 0.694、0.653、0.386 和 0.345。本研究证明了利用新的 GGES 方法,通过分析就业人口统计和伤害记录来阐明工时损失背后的因果因素并建立其因果关系网络的可行性。
引用
@article{arxiv.2402.05940,
title = {Causal Relationship Network of Risk Factors Impacting Workday Loss in Underground Coal Mines},
author = {Shangsi Ren and Cameron A. Beeche and Zhiyi Shi and Maria Acevedo Garcia and Katherine Zychowski and Shuguang Leng and Pedram Roghanchi and Jiantao Pu},
journal= {arXiv preprint arXiv:2402.05940},
year = {2024}
}
备注
5 figures 5 tables