arXiv cs.AI· Chenchen Kuai, Shixuan Tang, Chaolun Ma, Xiaoqiang Kong, Xiubin Bruce Wang, Yunlong Zhang, Zihao Li·· 11 小时前AI 评分20
基于两阶段推荐系统的热带气旋港口影响稳健排序
Robust Ranking of Port Impacts from Impending Tropical Cyclones: A Two-Stage Recommendation System
AI 导读
研究提出两阶段推荐框架，先按与预期登陆点的距离筛选候选港口，再按预估影响天数排序。基于墨西哥湾37个港口、31场热带气旋的AIS影响天数数据，在飓风Nicole和Ian测试中，检索阶段在登陆点不确定下识别出全部实际受影响港口，Wide & Deep Learning排序与观测结果最接近，平均排序一致性分别比距离基线高85.5%和55.5%，且对登陆点不确定性更不敏感。
正文 · AI 翻译
摘要：当热带气旋（TC）威胁多个港口时，防灾准备规划取决于能否预判哪些港口可能受影响，以及哪些港口的中断可能持续最久。单个港口有限的历史观测数据以及登陆地点的不确定性，使得这些相对影响难以估计。我们采用一个两阶段推荐框架：首先根据港口与预期登陆地点的邻近程度筛选候选港口，然后按估计的影响天数对其进行排序。利用墨西哥湾研究区域内 37 个港口和 31 个热带气旋的 AIS 衍生影响天数，我们比较了三种表示港口—气旋相互作用的方式：成对特征交互、基于树的特征组合，以及显式特征交叉结合学习到的嵌入。在对飓风 Nicole 和 Ian 的测试中，检索阶段在登陆不确定性下始终能识别出所有观测到的受影响港口。在排序模型中，Wide & Deep Learning 与观测到的港口排序最为一致。其平均排序一致性在 Nicole 上比基于距离的基线高出 85.5%，在 Ian 上高出 55.5%，并且对登陆地点的不确定性较不敏感。这些排序可帮助港口当局优先安排气旋后的检查工作，并在受同一事件威胁的港口之间分配恢复资源。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.07296 [cs.AI] |
| （或 arXiv:2611.07296v1 [cs.AI] 为本版本） | |
| https://doi.org/10.48550/arXiv.2611.07296 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Chenchen Kuai [查看邮箱]
[v1]
2026年11月5日 星期四 01:19:53 UTC（1,124 KB）
来源：arXiv cs.AI · arxiv.org