利用受引力启发的深度学习模型增强全球海上交通网络预测
机器学习
2024-07-12 v3 人工智能
社会与信息网络
应用统计
摘要
水生外来入侵物种（NIS）对生物多样性构成重大威胁，破坏生态系统，并在农业、林业和渔业中造成巨大的经济损失。由于全球贸易和运输网络的快速增长，NIS已被无意中引入并扩散到新环境中。本研究开发了一种新的物理信息模型，用于预测全球港口区域之间的海上航运交通。这些模型提供的预测信息随后被用作通过运输网络评估NIS传播风险的输入，以评估我们解决方案的能力。受国际贸易引力模型的启发，我们的模型考虑了影响船舶活动可能性和影响的各种因素，如航运通量密度、港口间距离、贸易流量以及交通枢纽的中心性度量。据此，本文将Transformer引入引力模型，以重建使风险分析成为可能的短期和长期依赖关系。因此，我们引入了一个受物理学启发的框架，该框架对存在和不存在的轨迹实现了89%的二元准确率，对关键港口区域间的船舶流量数量实现了84.8%的准确率，相比传统的深度引力模型提高了超过10%。沿着这些思路，这项研究有助于更好地理解NIS风险评估。它使政策制定者、保护主义者和利益相关者能够通过识别高风险入侵路径来优先考虑管理行动。此外，我们的模型具有通用性，可以纳入新的数据源，使其适用于在不断变化的全球格局中评估国际船舶交通流量。
引用
@article{arxiv.2401.13098,
title = {Enhancing Global Maritime Traffic Network Forecasting with Gravity-Inspired Deep Learning Models},
author = {Ruixin Song and Gabriel Spadon and Ronald Pelot and Stan Matwin and Amilcar Soares},
journal= {arXiv preprint arXiv:2401.13098},
year = {2024}
}