témavezető: Szathmáry László
helyszín (magyar oldal): Debreceni Egyetem Informatikai Kar helyszín rövidítés: DE IK
A kutatási téma leírása:
Doktori téma leírása
Az áramszolgáltató vállalatok alkotják egy ország gerincét. A nem-technikai jellegű veszteségek (Non-Technical Loss, NTL) óriási anyagi károkat okoznak ezeknek a vállalatoknak. Pl. Indiát évente 4,5 milliárd dollár kár éri. De a fejlett országok is, mint pl. az Egyesült Államok vagy az Egyesült Királyságok, kb. 1-6 milliárd veszteséggel számolnak évente. Az áramszolgáltató vállalatok minimalizálni akarják az NTL miatt keletkező károkat.
A szakirodalomban az elmúlt egy évtizedben gépi tanulásos osztályozókat használtak az NTL felfedésére, mint pl. vektorgépek (SVM), véletlen erdő (random forest), neurális hálók, legközelebbi k-társ (kNN), Adaboost, naív Bayes-módszer, döntési fák és mélytanulás.
A dolgozat célja az NTL detektálásának kutatása, ill. az erre szolgáló különböző gépi tanulásos módszerek vizsgálata, implementálása, ill. összehasonlítása. Az összehasonlítás többféle metrika alapján történhet.
Irodalom
• Di Martino, M., Decia, F., Molinelli, J., Fernández, A.: Improving Electric Fraud Detection using Class Imbalance Strategies. In: ICPRAM (2). (2012) 135–141
• Glauner, P.O., Boechat, A., Dolberg, L., Meira, J.A., State, R., Bettinger, F., Rangoni, Y., Duarte, D.: The Challenge of Non-Technical Loss Detection using Artificial Intelligence: A Survey. CoRR abs/1606.00626 (2016)
• Coma-Puig, B., Carmona, J., Gavalda, R., Alcoverro, S., Martin, V.: Fraud detection in energy consumption: a supervised approach. In: Data Science and Advanced Analytics (DSAA), 2016 IEEE International Conference on, IEEE (2016) 120–129
• Bishop, C. M., Pattern Recognition and Machine Learning, Springer, 2006.
Jelentkezési határidő: 2022-11-15
2024. IV. 17. ODT ülés Az ODT következő ülésére 2024. június 14-én, pénteken 10.00 órakor kerül sor a Semmelweis Egyetem Szenátusi termében (Bp. Üllői út 26. I. emelet).
Bejelentkezés
