In this paper, we proposed a detail

In this paper, we proposed a detailed methodology for
finding risk factors from the imbalanced RFID airport baggage
tracking data. We presented the pre-processing steps for
preparing the raw RFID tracking data into FlightLeg records.
We estimated the risk score of a bag being mishandled. In
order to compute the risk scores, we learned classifiers that
assigned scores and then evaluated the quality of the scores
with the AUC measure. We dealt with the imbalance problem,
applied different data mining techniques, and based on AUCs
and Precision-Recall curves we found that the decision tree is
the best classifier for our data set. We fragmented the data set
into transit, non-transit, shorter and longer transit and obtained
the appropriate models for the different fragments. We also
found that re-balancing the data set by under-sampling helps
to achieve a better predictive model for the longer transit bags.
We conducted comprehensive experiments with real baggage
tracking data, and it showed that fragmenting and mining
each of the fragments separately was a right choice. The
extracted patterns show that overall available handling time
for a bag is a critical factor and; more specifically, a bag is
considered to be a high risk if it has less than 54 minutes
in the transit airport. For non-transit bags, the factors depend
on the departure airport. It was also found that a longer stay
between baggage handling locations and the total number of
bags during the flight hour are important factors to predict
mishandling as well. The proposed methodology can help
the aviation industry with examining baggage management
problems for further improvement in the system.
Several directions for future work exist. First, a more
thorough study of the root causes for mishandling, which is
non-trivial, given the low probability of Mishandled events.
Second, analyzing baggage handling sequences for finding
problems in the system. Third, finding spatio-temporal outliers
from the RFID baggage tracking data. Fourth, developing
native support from the data mining tools like automatic
methods for finding the most appropriate models.

ผลลัพธ์ (ไทย) 1:

ในกระดาษนี้ เรานำเสนอวิธีการโดยละเอียดสำหรับค้นหาปัจจัยเสี่ยงจากสนามบินสัมภาระรับของ RFIDการติดตามข้อมูล เรานำเสนอขั้นตอนก่อนการประมวลผลสำหรับเตรียม RFID ดิบที่ติดตามข้อมูลในระเบียน FlightLegเราประเมินคะแนนความเสี่ยงของกระเป๋าจะแตก ในการคำนวณคะแนนความเสี่ยง เราได้เรียนรู้คำนามภาษาที่กำหนดคะแนน และประเมินคุณภาพของคะแนนด้วยวัด AUC เราจัดการกับปัญหาความไม่สมดุลเทคนิคการทำเหมืองข้อมูลแตกต่างกันใช้ และ AUCs ตามและเส้นโค้งการเรียกคืนความแม่นยำที่เราพบว่าต้นไม้ตัดสินใจลักษณนามที่ดีที่สุดสำหรับชุดข้อมูลของเรา เรากระจายข้อมูลเป็นขนสั้น และยาว ขนส่ง -ส่ง และรับรูปแบบที่เหมาะสมสำหรับชิ้นส่วนต่าง ๆ เรายังพบที่สมดุลชุดข้อมูล โดยสุ่มตัวอย่างน้อยช่วยเพื่อให้ได้โมเดลการคาดการณ์สำหรับถุงระหว่างการขนส่งอีกต่อไปเราดำเนินการทดลองครอบคลุม มีกระเป๋าจริงข้อมูลการติดตาม และมันที่ fragmenting และการทำเหมืองแต่ละส่วนแยกต่างหากเป็นทางเลือกเหมาะ การรูปแบบแยกแสดงว่าโดยรวมมีเวลาการจัดการสำหรับกระเป๋าเป็นปัจจัยสำคัญ และ โดยเฉพาะอย่างยิ่ง กระเป๋าถูกถือเป็นความเสี่ยงสูงหากมีน้อยกว่า 54 นาทีในสนามบินขนส่ง -ส่งกระเป๋า ขึ้นกับปัจจัยบนสนาม นอกจากนี้ยัง พบว่าพักยาวระหว่างสัมภาระการจัดการสถานและจำนวนกระเป๋าในระหว่างชั่วโมงบินเป็นปัจจัยสำคัญที่ทำนายสัมภาระที่สูญหายเช่นนี้ วิธีการนำเสนอสามารถช่วยอุตสาหกรรมการบิน มีการตรวจสอบการจัดการสัมภาระปัญหาการในระบบมีอยู่หลายเส้นทางสำหรับการทำงานในอนาคต ครั้งแรก มากขึ้นศึกษาสาเหตุรากสำหรับสัมภาระที่สูญหาย อย่างละเอียดซึ่งเป็นไม่น่ารำคาญ กำหนดความน่าเป็นต่ำ Mishandled เหตุการณ์ที่สอง การวิเคราะห์จัดการลำดับสำหรับหาสัมภาระปัญหาในระบบ สาม หา spatio ขมับ outliersจากการติดตามข้อมูลสัมภาระ RFID สี่ พัฒนาสนับสนุนท้องถิ่นจากเครื่องมือการทำเหมืองข้อมูลเช่นอัตโนมัติวิธีการหารุ่นเหมาะสมที่สุด

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เราจะเสนอวิธีการรายละเอียดสำหรับการหาปัจจัยเสี่ยงจากสัมภาระที่สนามบิน RFID ขาดดุลติดตามข้อมูล เรานำเสนอขั้นตอนก่อนการประมวลผลสำหรับการจัดทำข้อมูลการติดตาม RFID ดิบลงในบันทึก FlightLeg. เราคาดคะแนนความเสี่ยงของถุงที่กำลังเลวร้าย ในการสั่งซื้อในการคำนวณคะแนนความเสี่ยงที่เราได้เรียนรู้ลักษณนามที่ได้รับมอบหมายแล้วคะแนนการประเมินคุณภาพของคะแนนที่มีมาตรการAUC เราจัดการกับปัญหาความไม่สมดุลของการใช้เทคนิคการทำเหมืองข้อมูลที่แตกต่างกันนำไปใช้และอยู่บนพื้นฐานของ AUCS และเส้นโค้งแม่นยำจำเราพบว่าต้นไม้ตัดสินใจเป็นจําแนกที่ดีที่สุดสำหรับการตั้งค่าข้อมูลของเรา เราแยกส่วนข้อมูลที่กำหนดลงในการขนส่งที่ไม่ใช่การขนส่ง, การขนส่งที่สั้นลงและอีกต่อไปและได้รับรูปแบบที่เหมาะสมสำหรับชิ้นส่วนที่แตกต่างกัน นอกจากนี้เรายังพบว่าอีกครั้งสมดุลข้อมูลที่กำหนดโดยอยู่ภายใต้การสุ่มตัวอย่างช่วยเพื่อให้เกิดรูปแบบการทำนายที่ดีกว่าสำหรับถุงขนส่งอีกต่อไป. เราได้ทำการทดลองที่ครอบคลุมกับสัมภาระจริงติดตามข้อมูลและมันแสดงให้เห็นว่าชิ้นเล็กชิ้นน้อยและเหมืองแร่แต่ละชิ้นแยกเป็นทางเลือกที่เหมาะสม รูปแบบการสกัดแสดงให้เห็นว่าเวลาที่จัดการโดยรวมที่มีอยู่สำหรับถุงเป็นปัจจัยที่สำคัญและ; มากขึ้นโดยเฉพาะถุงจะถือว่าเป็นความเสี่ยงสูงหากมีน้อยกว่า 54 นาทีในสนามบินการขนส่ง สำหรับถุงผ้าไม่การขนส่งปัจจัยที่ขึ้นอยู่ในสนามบินที่ออกเดินทาง นอกจากนี้ยังพบว่ามีความยาวในการเข้าพักระหว่างสถานที่จัดการสัมภาระและจำนวนถุงในช่วงชั่วโมงบินเป็นปัจจัยสำคัญที่จะคาดการณ์ผิดพลาดเช่นกัน วิธีการที่นำเสนอจะช่วยให้อุตสาหกรรมการบินที่มีการตรวจสอบการจัดการสัมภาระปัญหาในการปรับปรุงต่อไปในระบบ. ทิศทางหลายสำหรับการทำงานในอนาคตอยู่ ขั้นแรกให้มากขึ้นการศึกษาอย่างละเอียดของสาเหตุสำหรับ mishandling ซึ่งเป็นที่ไม่น่ารำคาญได้รับน่าจะต่ำจากเหตุการณ์เลวร้าย. ประการที่สองการวิเคราะห์ลำดับการจัดการสัมภาระสำหรับการค้นหาปัญหาในระบบ ประการที่สามการหาค่าผิดปกติ spatio กาลจากข้อมูลการติดตามสัมภาระRFID ประการที่สี่การพัฒนาสนับสนุนพื้นเมืองจากเครื่องมือการทำเหมืองข้อมูลเช่นอัตโนมัติวิธีการหารูปแบบที่เหมาะสมที่สุด