An Inference Method for Personalized Automotive Service Based on Rough Set and Evidential Reasoning
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
With the increasing development of China's automobile market, the automotive service profits have become a major part of the industry's profits. However, the after-sale service is still on passive service mode. This mode has some limitations, such as the low service quality of the recommended service items and the lack of personalized service, which seriously affect the quality of the automotive service. In order to solve problems, such as lack of personalized service in the current automotive service mode, an inference method for personalized automotive service based on rough set and evidential reasoning was proposed. First, the information entropy reduction algorithm was used to reduce the customer's driving behavior attributes, and then, the attributes that affected the status of the major components of the automobile significantly were used as evidence. Second, the weight of evidence was measured by the calculation algorithm of attributes importance. Third, the customer's personalized service requirements were inferred by the evidence synthesis algorithm. Finally, the method's effectiveness was verified by the service data of automotive brake system of an automotive service provider from FAW-Volkswagen. Results demonstrate that the rough set method can effectively extract the attributes that have important influence on customer's personalized service requirements from many customer driving behavior attributes as reasoning evidence, the belief degree of the personalized service requirements of all samples can be calculated by using the evidential reasoning method, and the minimum and the average difference between the maximum and the second largest belief degrees are larger than 0.2. These findings indicate that customer's personalized service requirements can be inferred by the method effectively. The proposed method provides a new way for personalized service requirements inference in the filed of automotive service.
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 | 0,002 | 0,002 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 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