要預測這些危機，您可以使用 i 預測模型 但它們基於經常被延遲、過時或不完整的風險措施。 紐約大學的研究試圖了解如何以最佳方式利用預測算法。
該研究表明，通過彙編 11,2 年至 1980 年間發表的關於糧食不安全國家的 2020 萬篇文章的文本，並利用最近在 deep learning: 可以獲得令人欣慰的結果。 該詳細說明允許提取糧食危機的高頻前兆，這些前兆可通過傳統風險指標進行解釋和驗證。
L’algoritmo di deep learning 強調指出，從 2009 年 2020 月到 21 年 12 月期間，危機指標大幅改善了 XNUMX 個糧食不安全國家的預測，比不包含文本信息的基準模型提前最多 XNUMX 個月。
該研究的重點是糧食不安全綜合階段分類 (IPC) 預測，該預測由 飢荒預警系統網絡 （FEWS 網）。 這種分類在非洲、亞洲和拉丁美洲 37 個糧食不安全國家的地區一級可用，2009 年至 2015 年期間每年報告四次，此後每年報告三次。
糧食不安全根據由五個階段組成的順序等級進行分類：低、壓力、危機、緊急情況和飢荒。
深化學習 請點擊這裡
BlogInnovazione.it
Reply 宣布推出 MLFRAME Reply，這是一個針對異質知識庫的新型生成人工智慧框架。 設計…
全球顧問和系統整合商兼 Oracle 雲端託管服務供應商 Reply 宣布已收到…
MasterZ 區塊鏈增加了歐洲最大的 WEB 3.0 卓越碩士的價值。 全義大利隊...
從 33 個國家的 5.213 份申請中選出 163 名決賽入圍者 決賽入圍者倡導有影響力的氣候行動並支持獲得清潔能源……
使用 Spectronaut ® 18 進行無庫、機器學習驅動的數據分析可提供行業領先的蛋白質定量和通量……
