Примерное время чтения: 6 Minuti
Компании генерируют постоянно растущие объемы данных, связанных с бизнес-операциями, что приводит к возобновлению интереса к прогнозной аналитике — области, которая анализирует большие наборы данных для выявления закономерностей, прогнозирования результатов и управления принятием решений. Компании также сталкиваются со сложным и постоянно расширяющимся спектром операционных рисков, которые необходимо заранее выявлять и смягчать. Хотя многие компании начали использовать прогнозную аналитику для выявления возможностей маркетинга/продаж, аналогичные стратегии менее распространены в управлении рисками, включая безопасность.
Алгоритмы классификации, общий класс прогнозной аналитики, могут быть особенно полезны для нефтеперерабатывающей и нефтехимической промышленности, поскольку они позволяют прогнозировать время и место возникновения инцидентов, связанных с безопасностью, на основе данных проверок и технического обслуживания, связанных с безопасностью, которые, по сути, являются опережающими индикаторами. С этим методом связаны две основные проблемы: (1) гарантировать, что измеренные ведущие индикаторы действительно предсказывают аварии, и (2) измерять ведущие индикаторы достаточно часто, чтобы иметь прогностическую ценность.
Используя регулярно обновляемые данные проверок, можно создать модель с использованием логистической регрессии. Таким образом вы можете создать модель, например, для прогнозирования вероятности выхода из строя рельсов на каждой миле пути. Вероятности могут обновляться по мере сбора дополнительных данных.
Помимо прогнозируемых вероятностей выхода из строя рельсов, с помощью той же модели мы можем определить переменные с большей прогностической достоверностью (те, которые в значительной степени способствуют выходу из строя рельсов). Используя результаты модели, вы сможете точно определить, на чем сосредоточить ресурсы на техническое обслуживание, проверку и капитальное улучшение и какие факторы следует учитывать в ходе этих действий.
Эту же методологию можно использовать в нефтеперерабатывающей и нефтехимической промышленности для управления рисками путем прогнозирования и предотвращения аварий при условии, что организации:
Предиктивная аналитика — это широкая область, охватывающая аспекты различных дисциплин, включая машинное обучение,искусственный интеллект, статистика и добыча данных. Прогнозная аналитика выявляет закономерности и тенденции в больших наборах данных. Один из видов прогнозной аналитики — алгоритмы классификации — может оказаться особенно полезным для нефтеперерабатывающей и нефтехимической промышленности.
Алгоритмы классификации можно отнести к контролируемому машинному обучению. При контролируемом обучении у пользователя есть набор данных, включающий измерения прогнозируемых переменных, которые можно связать с известными результатами. В модели, обсуждаемой в разделе тематического исследования этой статьи, различные измерения пути (например, кривизна, пересечения) проводились в течение определенного периода для каждой мили пути. В данном случае известным результатом является то, произошел ли отказ пути на каждой железнодорожной миле в течение этого двухлетнего периода.
Затем выбирается соответствующий алгоритм моделирования, который используется для анализа данных и выявления взаимосвязей между переменными измерениями и результатами для создания правил прогнозирования (модели). После создания модели предоставляется новый набор данных, содержащий измерения неизвестных переменных-предсказателей и результатов, а затем рассчитывается вероятность результата на основе правил модели. Это можно сравнить с типами обучения без присмотра, когда алгоритмы обнаруживают закономерности и тенденции в наборе данных без каких-либо конкретных указаний со стороны пользователя, кроме используемого алгоритма.
Общие алгоритмы классификации включают линейную регрессию, логистическую регрессию, дерево решений, нейронную сеть, опорный вектор/гибкую дискриминантную машину, наивный классификатор Байеса и многие другие. Линейные регрессии представляют собой простой пример того, как работает алгоритм классификации. В линейной регрессии линия наилучшего соответствия рассчитывается на основе существующих точек данных, что дает уравнение линии ay = mx + b. Ввод известной переменной (x) дает прогноз для неизвестной переменной (y).
Большинство связей между переменными в реальном мире не линейны, а сложны и имеют неправильную форму. Поэтому линейная регрессия часто бесполезна. Другие алгоритмы классификации способны моделировать более сложные отношения, такие как криволинейные или логарифмические отношения. Например, алгоритм логистической регрессии может моделировать сложные отношения, включать нечисловые переменные (например, категории) и зачастую создавать реалистичные и статистически достоверные модели. Типичным результатом модели логистической регрессии является прогнозируемая вероятность возникновения результата/события. Другие алгоритмы классификации обеспечивают выходные данные, аналогичные логистической регрессии, но требуемые входные данные для разных алгоритмов различаются.
Моделирование сложных взаимосвязей особенно полезно при управлении рисками, где приоритетность риска обычно определяется на основе вероятности и потенциальной серьезности конкретного результата. Моделирование факторов риска, которые способствуют этому результату, приводит к точной и статистически обоснованной оценке вероятности результата. Напротив, многие оценки риска измеряют «вероятность» по категориальной шкале (раз в десятилетие, раз в год, несколько раз в год), что менее точно, более субъективно и делает невозможным разграничение рисков, присутствующих в риске. та же широкая категория. Существуют и другие методы количественной оценки потенциальной серьезности риска, но они выходят за рамки данной статьи.
BlogInnovazione.it
Развитие мелкой моторики посредством раскрашивания готовит детей к более сложным навыкам, таким как письмо. Раскрасить…
Военно-морской сектор является настоящей глобальной экономической державой, которая достигла 150-миллиардного рынка...
В прошлый понедельник Financial Times объявила о сделке с OpenAI. FT лицензирует свою журналистику мирового уровня…
Миллионы людей платят за стриминговые сервисы, выплачивая ежемесячную абонентскую плату. Распространено мнение, что вы…
