利用实时数据预测粮食安全趋势
机器学习
2024-10-25 v3 物理与社会
机器学习
摘要
早期预警系统是人道主义有效行动的重要工具。对即将发生的灾害提前预警有助于及时、有针对性地响应，从而挽救生命与生计。在这项工作中，我们提出了一种定量方法，用于在马里、尼日利亚、叙利亚和也门四个国家中，于国家以下层级对未来连续60天的粮食消费水平进行预测。该方法基于世界粮食计划署全球饥饿监测系统的公开数据构建，该系统收集、处理并展示关于关键粮食安全指标、冲突、天气事件及其他粮食不安全驱动因素的每日更新。在本研究中，我们通过比较均方根误差（RMSE）指标，评估了多种模型的性能，包括自回归积分滑动平均（ARIMA）、极端梯度提升（XGBoost）、长短期记忆（LSTM）网络、卷积神经网络（CNN）和储备池计算（RC）。我们的发现凸显储备池计算作为粮食安全领域尤为适用的模型，既因其在有限数据样本上显著的抗过拟合能力，也因其高效的训练特性。我们引入的方法为旨在预判和侦测粮食不安全的全球性、数据驱动早期预警系统奠定了基础。
引用
@article{arxiv.2312.00626,
title = {Forecasting trends in food security with real time data},
author = {Joschka Herteux and Christoph Räth and Giulia Martini and Amine Baha and Kyriacos Koupparis and Ilaria Lauzana and Duccio Piovani},
journal= {arXiv preprint arXiv:2312.00626},
year = {2024}
}
备注
19 pages, 7 figures + supplementary material