Щоб передбачити ці кризи, ви можете використовувати i прогнозні моделі але вони базуються на мірах ризику, які часто є запізнілими, застарілими або неповними. Дослідження Нью-Йоркського університету намагалося зрозуміти, як оптимально використовувати алгоритми прогнозування.
Дослідження показало, що, зібравши тексти 11,2 мільйонів статей про країни з нестачею продовольства, опублікованих між 1980 і 2020 роками, і використовуючи останні досягнення в deep learning: можна отримати втішні результати. Розробка дозволила виділити високочастотні провісники продовольчої кризи, які можна інтерпретувати та підтвердити традиційними індикаторами ризику.
Алгоритм deep learning підкреслив, що протягом періоду з липня 2009 року по липень 2020 року індикатори кризи суттєво покращують прогнози в 21 країні з нестабільною продовольчою безпекою, до 12 місяців раніше, ніж базові моделі, які не містять текстової інформації.
Дослідження зосереджено на прогнозі відсутності продовольчої безпеки за Інтегрованою фазовою класифікацією (IPC), опублікованому Мережа систем раннього попередження про голод (FEWS NET). Ця класифікація доступна на районному рівні в 37 країнах Африки, Азії та Латинської Америки з нестабільною продовольчою безпекою, про неї повідомляли чотири рази на рік між 2009 і 2015 роками та тричі на рік після цього.
Відсутність продовольчої безпеки класифікується за порядковою шкалою, що складається з п’яти ступенів: низька, стресова, криза, надзвичайна ситуація та голод.
BlogInnovazione.it
Термін Smart Lock Market стосується галузі та екосистеми, що оточує виробництво, розповсюдження та використання…
У розробці програмного забезпечення шаблони проектування є оптимальним вирішенням проблем, які зазвичай виникають під час проектування програмного забезпечення. Мені подобається…
Промислове маркування — це широкий термін, який охоплює кілька методів, які використовуються для створення стійких позначок на поверхні…
Наступні прості приклади макросів Excel були написані за допомогою VBA Приблизний час читання: 3 хвилини Приклад…