Choquet Integral-Based Aggregation for the Analysis of Anomalies Occurrence in Sustainable Transportation Systems
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
Anomaly detection is one of the most important problems of modern data science due to the threat to the security of information systems as well as their users. This applies in particular to logistic data, which is used to predict costs, times, and organization of travel routes. Data anomalies may endanger the welfare and safety of transport users, goods, handling companies, and consumers. Moreover, they contribute to the overexploitation of the natural environment. Therefore, it is extremely important to find methods that are responsible for their effective detection. The desired approach may be the Choquet integral and its extensions, which in various applications have proven that with their help it is possible to efficiently increase the quality of the classification measured, for example, with the help of the accuracy. Due to the fact that the Choquet integral is resistant to data fluctuations and takes into account the quality (significance) of the information source, it appears to be an effective proposition for the final determination of what data, or more precisely, which records can be considered anomalous. The innovative approach to analyze transport data has not been used before. This article considers four publicly available databases covering different fields of application of transport systems. In a series of comprehensive numerical experiments, the Choquet integral-based approach has proven high efficiency for each of them. Moreover, we made a comparative analysis of the solutions before applying the Choquet integral and the results after its application.
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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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