预计阅读时间： 6 分钟
公司正在生成越来越多的与业务运营相关的数据，导致人们对预测分析重新产生兴趣，预测分析是一个分析大数据集以识别模式、预测结果和指导决策的领域。公司还面临着复杂且不断扩大的运营风险，需要主动识别和缓解。虽然许多公司已经开始使用预测分析来识别营销/销售机会，但类似的策略在包括安全在内的风险管理中并不常见。
分类算法是一类通用的预测分析，可以根据安全相关的检查和维护数据（本质上是领先指标）预测安全事件的时间和位置，对炼油和石化行业特别有用。该方法存在两个主要挑战：(1) 确保测量的领先指标实际上可以预测崩溃；(2) 足够频繁地测量领先指标以具有预测价值。
使用定期更新的检查数据，可以使用逻辑回归创建模型。例如，您可以通过这种方式创建模型来预测每英里轨道发生铁路故障的概率。随着额外数据的收集，概率可能会更新。
除了铁路故障的预测概率之外，使用相同的模型，我们还可以识别具有更高预测有效性的变量（那些对铁路故障有显着影响的变量）。使用模型结果，您将能够准确确定维护、检查和资本改进资源的重点位置以及在这些活动期间要解决的因素。
同样的方法可以用于炼油和石化行业，通过预测和预防事故来管理风险，前提是组织：
预测分析是一个广泛的领域，涵盖各个学科的各个方面，包括机器学习、人工智能、统计数据和 数据挖掘。预测分析揭示大数据集中的模式和趋势。一种类型的预测分析，即分类算法，可能对炼油和石化行业特别有利。
分类算法可以归类为监督机器学习。通过监督学习，用户拥有一个数据集，其中包括可以与已知结果相关联的预测变量的测量结果。在本文案例研究部分讨论的模型中，在一段时间内对每英里的轨道进行了各种轨道测量（例如曲率、交叉口）。在这种情况下，已知的结果是在这两年期间每个铁路里程是否都发生了轨道故障。
然后选择适当的建模算法并用于分析数据并识别变量测量和结果之间的关系以创建预测规则（模型）。创建后，模型将获得一个新的数据集，其中包含未知预测变量和结果的测量值，然后根据模型的规则计算结果的概率。这与无监督学习的类型相比，在无监督学习中，除了所使用的算法之外，算法无需用户的任何特定指示即可检测数据集中的模式和趋势。
常见的分类算法包括线性回归、逻辑回归、决策树、神经网络、支持向量/灵活判别机、朴素贝叶斯分类器等。线性回归提供了分类算法如何工作的简单示例。在线性回归中，根据现有数据点计算最佳拟合线，给出线方程 ay = mx + b。输入已知变量 (x) 可提供对未知变量 (y) 的预测。
现实世界中大多数变量之间的关系不是线性的，而是复杂且不规则的。因此，线性回归通常没有用处。其他分类算法能够建模更复杂的关系，例如曲线或对数关系。例如，逻辑回归算法可以对复杂的关系进行建模，可以合并非数字变量（例如类别），并且通常可以创建现实且统计上有效的模型。逻辑回归模型的典型输出是结果/事件发生的预测概率。其他分类算法提供与逻辑回归类似的输出，但不同算法所需的输入不同。
对复杂关系进行建模在风险管理中特别有用，其中通常根据特定结果的概率和潜在严重性对风险进行优先级排序。对导致该结果的风险因素进行建模可以对结果的概率进行精确且统计上有效的估计。相比之下，许多风险评估是在分类尺度上衡量“概率”（十年一次、一年一次、一年几次），这种方法不太精确，更主观，并且无法区分风险中存在的风险。相同的广泛类别。还有其他技术可以量化评估风险评估中的潜在严重性，但这超出了本文的范围。
BlogInnovazione.it
