The same source also lists several

The same source also lists several fraud detection applications including: intrusion detection, fraud detection, fault/damage detection, medical and public health abnomaly detection, industrial damage detection, image processing, anomaly detection in text data, sensor networks and other domains. Here are a few papers that deal specifically with detection of electricity fraud.


In [2], detection of fraud and other non-technical losses in distribution companies is based on the use of Pearson’s coefficient, Bayesian networks and decision trees. The key idea of these methods is identification of a customer pattern with a drastic drop in consumption and subsequent stabilization, but a gradual (significant) drop with subsequent stabilization of further consumption is also taken into consideration.


In [3], MIDAS is the name of the project which has developed two methodologies for fraud detection (the dominant part of nontechnical losses). One is based on neural networks and the other on statistical techniques. The first methodology uses neural networks due to problem conditions and works with the Kohonen network structure. The second methodology is based on the detection of tolerant values outside the range (outliers).

ผลลัพธ์ (ไทย) 1:

เดียวกันมายังรายการใช้งานตรวจจับการทุจริตหลายที่รวมทั้ง: บุกรุก ตรวจจับการฉ้อโกง การตรวจจับข้อบกพร่อง/เสียหาย แพทย์ตรวจจับ และสาธารณสุข abnomaly ตรวจสอบความเสียหายที่อุตสาหกรรม ภาพการประมวลผล การตรวจหาความผิดปกติในข้อความข้อมูล เครือข่ายเซนเซอร์ และโดเมนอื่น นี่คือเอกสารบางอย่างที่จัดการโดยเฉพาะกับการตรวจจับการฉ้อโกงไฟฟ้าใน [2], ตรวจจับการฉ้อโกงสูญไม่ใช่ด้านเทคนิคในการจัดจำหน่ายบริษัทขึ้นอยู่กับการใช้ของเพียร์สันสัมประสิทธิ์ เครือข่ายแบบเบย์ และต้นไม้ตัดสินใจ ความคิดที่สำคัญของวิธีการเหล่านี้คือ รหัสของรูปแบบลูกค้าโดยการลดการบริโภคและการป้องกันภาพสั่นไหวตามมารุนแรง แต่ค่อย ๆ หยด (สำคัญ) มีเสถียรภาพตามมาของปริมาณการใช้เพิ่มเติมนอกจากนี้ยังถูกนำมาพิจารณา ใน [3], ไมดาสเป็นชื่อของโครงการซึ่งมีสองวิธีสำหรับการตรวจหาการฉ้อโกง (ส่วนหลักของการขาดทุน nontechnical) หนึ่งขึ้นอยู่กับเครือข่ายประสาทและอื่น ๆ ที่เกี่ยวกับเทคนิคทางสถิติ วิธีแรกการใช้เครือข่ายประสาทเนื่องจากสภาพปัญหา และทำงานร่วมกับโครงสร้างเครือข่าย Kohonen วิธีสองขึ้นอยู่กับการตรวจสอบของทนต่อค่านอกช่วง (outliers)

ผลลัพธ์ (ไทย) 2:

แหล่งเดียวกันนอกจากนี้ยังแสดงการใช้งานตรวจสอบการทุจริตหลายคนรวมทั้ง: ตรวจจับการบุกรุก, ตรวจสอบการทุจริตผิด / การตรวจสอบความเสียหายทางการแพทย์และสาธารณสุขการตรวจสอบ abnomaly การตรวจสอบความเสียหายของอุตสาหกรรมการประมวลผลภาพการตรวจสอบความผิดปกติในข้อมูลข้อความเครือข่ายเซ็นเซอร์และโดเมนอื่น ๆ นี่เป็นเอกสารไม่กี่คนที่จัดการโดยเฉพาะกับการตรวจสอบของการทุจริตไฟฟ้า. ใน [2] การตรวจสอบของการทุจริตและการสูญเสียที่ไม่ใช่ทางเทคนิคอื่น ๆ ใน บริษัท ที่กระจายอยู่บนพื้นฐานของการใช้ค่าสัมประสิทธิ์เพียร์สันเครือข่ายแบบเบย์และต้นไม้ตัดสินใจ ความคิดที่สำคัญของวิธีการเหล่านี้เป็นบัตรประจำตัวของรูปแบบของลูกค้าด้วยการลดลงอย่างมากในการบริโภคและการรักษาเสถียรภาพในภายหลัง แต่อย่างค่อยเป็นค่อยไป (ที่สำคัญ) ลดลงมีเสถียรภาพที่ตามมาของการบริโภคต่อไปนอกจากนี้ยังสามารถนำมาพิจารณา. ใน [3], ไมดาสเป็นชื่อ ของโครงการที่ได้มีการพัฒนาทั้งสองวิธีการสำหรับการตรวจสอบการทุจริต (ส่วนที่โดดเด่นของการสูญเสีย nontechnical) หนึ่งจะขึ้นอยู่กับเครือข่ายประสาทและอื่น ๆ ที่เกี่ยวกับเทคนิคทางสถิติ วิธีแรกใช้เครือข่ายประสาทเนื่องจากสภาพปัญหาและทำงานร่วมกับโครงสร้างเครือข่าย Kohonen วิธีที่สองจะขึ้นอยู่กับการตรวจสอบของค่าใจกว้างนอกช่วง (ผิดปกติ)