Predictive modelling and spatial flow analysis of United States of America crude oil imports
Notice bibliographique
Résumé
The global energy system significantly dependent on crude oil and it is also a major driver of the transportation industry and petrochemical production. By 2040, oil and gas will likely account for over half of the universal energy mix due to increasing demands in various countries of the world, despite developing interest in renewable energy. The United States is a major importer of crude oil due to the role it plays in the country’s economy and energy requirements. Nevertheless, economic uncertainty and geopolitical tensions, such as the battle between Russia and Ukraine, weaken global oil markets. Hence, the need for countries to be able to understand how their supply would be affected. In order to enhance how countries can predict their future supply from different sources, this study evaluates the predictive performance of two machine learning (ML) models: Random Forest (RF), and Support Vector Regression (SVR) in relation to the commonly used Linear Regression (LR). Data of crude oil import from Iraq, Saudi Arabia, Venezuela, Mexico, Canada and Russia into the USA from 1973 to 2023 was obtained for the study from Energy Information Administration. The data were subjected to clearing. Afterwards, 80% of the data was trained while 20% were used to test the predictive performance of the three models by predicting the import flows from 2024 to 2033. Metrics used for the test were root-mean-squared error (RMSE) and mean absolute error (MAE). Maps were used to visualise the flow of the crude oil imports from each country based on the data and the prediction of the three models. With an RMSE of 259.35 and an MAE of 169.17, Random Forest scored better than the other models, showing balanced geographical flows and high predicted accuracy from important importers like Saudi Arabia and Canada. On the other hand, due to their difficulties with nonlinear dynamics, SVR (RMSE: 568.04, MAE: 365.99) and Linear Regression (RMSE: 538.02, MAE: 384.77) performed poorly. Random Forest's ability to forecast import volumes and optimize trade routes was confirmed by spatial flow maps. The result suggest that energy security and supply chain resilience can be improved by incorporating ML models and geographical analysis into energy planning. Keywords: Crude Oil, Machine learning, Random Forest, Linear Regression, Support Vector Regression.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».