Találati lista | Tudóstér

1.

001-es BibID:	BIBFORM050618
Első szerző:	Baran Sándor (matematikus, informatikus)
Cím:	Probabilistic wind speed forecasting using Bayesian model averaging with truncated normal components / Sándor Baran
Dátum:	2014
ISSN:	0167-9473
Tárgyszavak:	Természettudományok Matematika- és számítástudományok idegen nyelvű folyóiratközlemény külföldi lapban Tárgyak Internete (IoT)
Megjelenés:	Computational Statistics & Data Analysis. - 75 (2014), p. 227-238. -
Pályázati támogatás:	TÁMOP-4.2.2.C-11/1/KONV-2012-0001 TÁMOP Időjárás mérő és előrejelző hálózat fejlesztése NK101680 OTKA
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

2.

001-es BibID:	BIBFORM047701
Első szerző:	Garzó András (programtervező informatikus)
Cím:	Real-time streaming mobility analytics / András Garzó, István Petrás, Csaba István Sidló, András A. Benczúr
Dátum:	2013
Megjegyzések:	In our research we tested distributed streaming algorithms and infrastructures to process large scale mobility data for fast reaction timeprediction. We use the D4D Challenge data set as a source to generate, by multiplying with noise, even larger realistic data sets.Instead of addressing the problem of identifying the exact location and movement of an individual user (that the data set is not sufficientlydetailed for), we learn global patterns both on the user level (home, work location, daily routes) and the traffic (typical routes at time of the day).As a key performance indicator of our applications, we measure the running time and the error of predictions in short range (5 minutes to 1 hour) and long range (daily, weekly) of the location of an individual user and the density in a given area. Over a cluster of a few old dual core servers, we are capable of processing tens of thousands of record in a second. Our results open the possibility for efficient real time mobility predictions of even large metropolitan areas as well.We demonstrate our solution via a fast reaction visual dashboard applicationthat can form the base of emergency or rescue services as well as provide grounds for ride sharing, traffic planning and optimization, thus saving natural resources.
Tárgyszavak:	Természettudományok Matematika- és számítástudományok konferenciacikk Mobility Big Data Data Mining Visualization Distributed Algorithms Streaming Data Intelligens város közösségi alkotásból
Megjelenés:	Mobile Phone Data for Developement - Analysis of mobile phone datasets for the development of Ivory Coast. - p. 467-480
További szerzők:	Petrás István (1973-) (programtervező informatikus) Sidló Csaba (1978-) (programtervező informatikus) Benczúr A. András (1969-) (informatikus)
Pályázati támogatás:	TÁMOP-4.2.2.C-11/1/KONV-2012-0001 TÁMOP Adat menedzsment és tudásfeltárás intelligens város alkalmazásokhoz
Internet cím:	Szerző által megadott URL Intézményi repozitóriumban (DEA) tárolt változat Szerző által megadott URL
Borító:
Saját polcon:

3.

001-es BibID:	BIBFORM115670
035-os BibID:	(Scopus)85140989472
Első szerző:	Jeszenszky Péter (programtervező matematikus)
Cím:	Estimating road traffic flows in macroscopic Markov model / Péter Jeszenszky, Renátó Besenczi, Máté Szabó, Márton Ispány
Dátum:	2022
Megjegyzések:	Traffic flows gain more and more attention in transportation engineering. One possible means of understanding the traffic flow in a city is to gather sequences of traffic position data, called link flows, measured by vehicle-mounted sensors, which are increasingly available by various providers for municipalities. Link flows can be used for planning of operation and maintenance, and for forecasting of future traffic events. In this paper, we investigate how the microscopic Markov traffic model can be used to predict traffic congestion on the roads between different nodes or regions of a city. The proposed model is evaluated in a numerical study by using real traffic data recorded in the city of Porto. The results show that the model developed for simulation is of limited use for predicting the traffic between different areas of a city.
Tárgyszavak:	Műszaki tudományok Informatikai tudományok konferenciacikk folyóiratcikk road network link flows Markov chain Markov traffic model route estimation congestion prediction
Megjelenés:	Proceedings of the 2022 IEEE 2nd Conference on Information Technology and Data Science (CITDS). - 2022 (2022), p. 136-141. -
További szerzők:	Besenczi Renátó (1986-) (mérnökinformatikus) Szabó Máté (1994-) (informatikus) Ispány Márton (1966-) (informatikus, matematikus)
Pályázati támogatás:	TKP2020-NKA-04 Egyéb
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

4.

001-es BibID:	BIBFORM080261
Első szerző:	Jreissat, Elias Radi
Cím:	Cloud Computing Regulations and Readiness : Comparison Study (United Kingdom, Germany and Hungary) / Elias R. Jreissat
Dátum:	2020
ISSN:	2193-1127
Tárgyszavak:	Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk
Megjelenés:	EPJ Data Science. - [Epub ahead of print] (2020), p. 1-14. -
Internet cím:	Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

5.

001-es BibID:	BIBFORM118867
Első szerző:	Lakatos Róbert (informatikus)
Cím:	A Machine Learning-Based Pipeline for the Extraction of Insights from Customer Reviews / Róbert Lakatos, Gergő Bogacsovics, Balázs Harangi, István Lakatos, Attila Tiba, János Tóth, Marianna Szabó, András Hajdu
Dátum:	2024
ISSN:	2504-2289
Megjegyzések:	The efficiency of natural language processing has improved dramatically with the advent of machine learning models, particularly neural network-based solutions. However, some tasks are still challenging, especially when considering specific domains. This paper presents a model that can extract insights from customer reviews using machine learning methods integrated into a pipeline. For topic modeling, our composite model uses transformer-based neural networks designed for natural language processing, vector-embedding-based keyword extraction, and clustering. The elements of our model have been integrated and tailored to better meet the requirements of efficient information extraction and topic modeling of the extracted information for opinion mining. Our approach was validated and compared with other state-of-the-art methods using publicly available benchmark datasets. The results show that our system performs better than existing topic modeling and keyword extraction methods in this task.
Tárgyszavak:	Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk machine learning deep learning topic modeling keyphrase extraction natural language processing
Megjelenés:	Big Data and Cognitive Computing. - 8 : 3 (2024), p. 1-24. -
További szerzők:	Bogacsovics Gergő (1996-) (informatikus) Harangi Balázs (1986-) (programtervező matematikus) Lakatos István (1995-) (programtervező informatikus) Tiba Attila (1990-) (informatikus, matematikus) Tóth János (1984-) (programtervező matematikus) Szabó Marianna (1995-) (programtervező informatikus) Hajdu András (1973-) (matematikus, informatikus)
Pályázati támogatás:	GINOP-2.3.2-15-2016-00005 GINOP TKP2021-NKTA-34 Egyéb 2020-1.1.2-PIACI-KFI-2021-00223 Egyéb KDP-2021 C1774095 Egyéb
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

6.

001-es BibID:	BIBFORM090850
035-os BibID:	(WoS)000603258100006 (Scopus)85098259626
Első szerző:	Sütő József (programtervező informatikus)
Cím:	Plant leaf recognition with shallow and deep learning : a comprehensive study / Jozsef Suto
Dátum:	2020
ISSN:	1088-467X
Megjegyzések:	Nowadays there are hundreds of thousands known plant species on the Earth and many are still unknown yet. The process of plant classification can be performed using different ways but the most popular approach is based on plant leaf characteristics. Most types of plants have unique leaf characteristics such as shape, color, and texture. Since machine learning and vision considerably developed in the past decade, automatic plant species (or leaf) recognition has become possible. Recently, the automated leaf classification is a standalone research area inside machine learning and several shallow and deep methods were proposed to recognize leaf types. From 2007 to present days several research papers have been published in this topic. In older studies the classifier was a shallow method while in current works many researchers applied deep networks for classification. During the overview of plant leaf classification literature, we found an interesting deficiency (lack of hyper-parameter search) and a key difference between studies (different test sets). This work gives an overall review about the efficiency of shallow and deep methods under different test conditions. It can be a basis to further research
Tárgyszavak:	Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk
Megjelenés:	Intelligent Data Analysis. - 24 : 6 (2020), p. 1311-1328. -
Pályázati támogatás:	EFOP-3.6.3-VEKOP-16-2017-00002 EFOP 20428-3/2018/FEKUTSTRAT egyéb
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

7.

001-es BibID:	BIBFORM115801
035-os BibID:	(cikkazonosító)149 (WoS)001092471800001 (Scopus)85175241874
Első szerző:	Szutor Péter (mérnökinformatikus)
Cím:	Fast Radius Outlier Filter Variant for Large Point Clouds / Péter Szutor, Marianna Zichar
Dátum:	2023
ISSN:	2306-5729
Megjegyzések:	Currently, several devices (such as laser scanners, Kinect, time of flight cameras, medical imaging equipment (CT, MRI, intraoral scanners)), and technologies (e.g., photogrammetry) are capable of generating 3D point clouds. Each point cloud type has its unique structure or characteristics, but they have a common point: they may be loaded with errors. Before further data processing, these unwanted portions of the data must be removed with filtering and outlier detection. There are several algorithms for detecting outliers, but their performances decrease when the size of the point cloud increases. The industry has a high demand for efficient algorithms to deal with large point clouds. The most commonly used algorithm is the radius outlier filter (ROL or ROR), which has several improvements (e.g., statistical outlier removal, SOR). Unfortunately, this algorithm is also limited since it is slow on a large number of points. This paper introduces a novel algorithm, based on the idea of the ROL filter, that finds outliers in huge point clouds while its time complexity is not exponential. As a result of the linear complexity, the algorithm can handle extra large point clouds, and the effectiveness of this is demonstrated in several tests.
Tárgyszavak:	Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk radius outlier filter point cloud LiDAR noise filtering
Megjelenés:	Data. - 8 : 10 (2023), p. 1-13. -
További szerzők:	Bodroginé Zichar Marianna (1971-) (informatikus, matematikus)
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

8.

001-es BibID:	BIBFORM060406
035-os BibID:	(WoS)000384428500005 (Scopus)84990212169
Első szerző:	Vágner Anikó (informatikus)
Cím:	The GridOPTICS clustering algorithm / Anikó Vágner
Dátum:	2016
ISSN:	1088-467X 1571-4128
Megjegyzések:	The OPTICS algorithm is a hierarchical density-based clustering method. It creates reachability plots to identify all clusters in the point set. Nevertheless, it has limitation, namely it is very slow for large data sets. We introduce the GridOPTICS algorithm, which builds a grid structure to reduce the number of data points, then it applies the OPTICS clustering algorithm on the grid structure. In order to get the clusters, the algorithm uses the reachability plots of the grid structure, then it determines to which cluster the original input points belong. The experimental results show that our new algorithm is faster than the OPTICS, the speed-up can be one or two orders of magnitude or more, which depends mainly on the (tau) parameter of the GridOPTICS algorithm. At the end of the article, we give some advice to which point set you can apply the GridOPTICS algorithm.
Tárgyszavak:	Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk clustering large data set optics grid Intelligens város közösségi alkotásból
Megjelenés:	Intelligent Data Analysis. - 20 : 5 (2016), p. 1061-1084. -
Pályázati támogatás:	TÁMOP-4.2.2.C-11/1/KONV-2012-0001 TÁMOP Adat menedzsment és tudásfeltárás intelligens város alkalmazásokhoz
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

Rekordok letöltése

1

Corvina könyvtári katalógus v8.2.27 © 2023 Monguz kft. Minden jog fenntartva.