預計閱讀時間： 6 minuti
公司正在產生越來越多的與業務運營相關的數據，導致人們對預測分析重新產生興趣，預測分析是一個分析大數據集以識別模式、預測結果和指導決策的領域。公司還面臨複雜且不斷擴大的營運風險，需要主動識別和緩解。雖然許多公司已經開始使用預測分析來識別行銷/銷售機會，但類似的策略在包括安全性在內的風險管理中並不常見。
分類演算法是一類通用的預測分析，可以根據安全相關的檢查和維護資料（本質上是領先指標）預測安全事件的時間和位置，對煉油和石化產業特別有用。此方法有兩個主要挑戰：(1) 確保測量的領先指標實際上可以預測崩盤；(2) 足夠頻繁地測量領先指標以具有預測價值。
使用定期更新的檢查數據，可以使用邏輯迴歸建立模型。例如，您可以透過這種方式建立模型來預測每英里軌道發生鐵路故障的機率。隨著額外數據的收集，機率可能會更新。
除了鐵路故障的預測機率之外，使用相同的模型，我們還可以識別具有更高預測有效性的變數（那些對鐵路故障有顯著影響的變數）。使用模型結果，您將能夠準確地確定維護、檢查和資本改善資源的重點位置以及在這些活動期間要解決的因素。
同樣的方法可以用於煉油和石化產業，透過預測和預防事故來管理風險，前提是組織：
預測分析是一個廣泛的領域，涵蓋各個學科的各個方面，包括機器學習、人工智能、統計數據和 數據挖掘。預測分析揭示大數據集中的模式和趨勢。一種類型的預測分析，即分類演算法，可能對煉油和石化產業特別有利。
分類演算法可以歸類為監督機器學習。透過監督學習，使用者擁有一個資料集，其中包括可以與已知結果相關聯的預測變數的測量結果。在本文案例研究部分討論的模型中，在一段時間內對每英里的軌道進行了各種軌道測量（例如曲率、交叉口）。在這種情況下，已知的結果是在這兩年期間每個鐵路里程是否都發生了軌道故障。
然後選擇適當的建模演算法並用於分析資料並識別變數測量和結果之間的關係以建立預測規則（模型）。創建後，模型將獲得一個新的資料集，其中包含未知預測變數和結果的測量值，然後根據模型的規則計算結果的機率。這與無監督學習的類型相比，在無監督學習中，除了所使用的演算法之外，演算法無需使用者的任何特定指示即可檢測資料集中的模式和趨勢。
常見的分類演算法包括線性迴歸、邏輯迴歸、決策樹、神經網路、支援向量/靈活判別機、樸素貝葉斯分類器等。線性迴歸提供了分類演算法如何運作的簡單範例。在線性迴歸中，根據現有資料點計算最佳擬合線，給出線方程式 ay = mx + b。輸入已知變數 (x) 可提供未知變數 (y) 的預測。
現實世界中大多數變數之間的關係不是線性的，而是複雜且不規則的。因此，線性迴歸通常沒有用處。其他分類演算法能夠建模更複雜的關係，例如曲線或對數關係。例如，邏輯迴歸演算法可以對複雜的關係進行建模，可以合併非數字變數（例如類別），並且通常可以創建現實且統計上有效的模型。邏輯迴歸模型的典型輸出是結果/事件發生的預測機率。其他分類演算法提供與邏輯迴歸類似的輸出，但不同演算法所需的輸入不同。
對複雜關係進行建模在風險管理中特別有用，其中通常根據特定結果的機率和潛在嚴重性對風險進行優先排序。對導致該結果的風險因素進行建模可以對結果的機率進行精確且統計上有效的估計。相較之下，許多風險評估是在分類尺度上衡量「機率」（十年一次、一年一次、一年幾次），這種方法不太精確，更主觀，並且無法區分風險中存在的風險。相同的廣泛類別。還有其他技術可以量化評估風險評估中的潛在嚴重性，但這超出了本文的範圍。
BlogInnovazione.it
