A hybrid intelligent algorithm for optimum forecasting of CO<sub>2</sub> emission in complex environments: the cases of Brazil, Canada, France, Japan, India, UK and US
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study presents a hybrid meta-modeling algorithm for optimum carbon dioxide (CO 2 ) emission estimation. It is composed of artificial neural network (ANN), fuzzy linear regression (FLR), and conventional regression (CR). Different FLR models are considered to cover the latest algorithms and viewpoints. ANN with different training algorithms and transfer functions is also applied to data sets. The proposed hybrid algorithms uses analysis of variance (ANOVA), and mean absolute percentage error (MAPE) to select between ANN, FLR or conventional regression for future CO 2 emission estimation. The intelligent algorithm of this study is then applied to estimate CO 2 emission in seven countries including India, Canada, Brazil, France, Japan, United Kingdom and United States. Different models are selected as preferred model for annual CO 2 emission estimation in these countries. The preferred model for India, Brazil, United Kingdom and United States is selected as FLR whereas the preferred model for CO 2 emission estimation in Japan, Canada and France is ANN. This shows how adopting the proposed hybrid algorithm could help in selecting the preferred model between FLR, ANN and CR in order to cover possible noise, complexity and ambiguity. This is the first study that utilizes a hybrid algorithm based on ANN, FLR and CR for accurate and optimum long term CO 2 emission estimation.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 découle