Development and Evaluation of Predictive Machine Learning Models for Crude Oil Supply Chain Logistics in the USA
Notice bibliographique
Résumé
Background and Theoretical Dilemma: The United States of America (USA) is the world’s largest consumer of crude oil in the world. Ensuring the sustainability of the role of crude oil in the USA makes the need for effective crude oil supply chain logistics to be important. Therefore, this study tested the predictive ability of two machine learning models such as random forest and support vector machine (SVM) in relation to a classical statistical method such as ARIMA (Autoregressive Integrated Moving Average) for predicting the volume of crude oil import into the USA from 2024 to 2034. Method: Crude oil import data used for the prediction were sourced from U.S. Energy Information Administration. The data contained importation data from 1973 to 2023. The performance of the predictive models was tested with mean absolute error (MAE) and Root Mean Square Error (RMSE). Key Findings and Conclusion: Among the three predictive approaches used, SVM had the least MAE (265.65) and RMSE (362.91). This was followed by random forest (MAE =479.37; RMSE = 620.75) while ARIMA had the poorest performance (MAE =1670.10; RMSE = 2195.91). This implies that SVM outperformed the other predictive model for determining the import of crude oil from 2023 to 2034. In addition, among the sources from which crude oil is being imported to USA, Iraq, Canada and Russia have the highest feature importance for the random forest model. This implies that machine learning approach not only help predicts the future supply need for crude oil, but also areas where logistic management should be targeted to.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».