Szerző dc.contributor.author | Maleki Mohsen | |
Szerző dc.contributor.author | Mahmoudi Mohammad Reza | |
Szerző dc.contributor.author | Bidram Hamid | |
Szerző dc.contributor.author | Mosavi Amir | |
Elérhetőség dátuma dc.date.accessioned | 2023-02-16T11:12:00Z | |
Rendelkezésre állás dátuma dc.date.available | 2023-02-16T11:12:00Z | |
Kiadás dc.date.issued | 2022 | |
Issn dc.identifier.issn | 1793-6543 | |
Issn dc.identifier.issn | 0218-348X | |
Uri dc.identifier.uri | http://hdl.handle.net/20.500.12944/19948 | |
Kivonat dc.description.abstract | The manuscript represents a comeprehensive and systematic literature review on the machine learning methods in the emerging applications of the smart cities. Application domains include the essential aspects of the smart cities including the energy, healthcare, transportation, security, and pollution. The research methodology presents a state-of-the-art taxonomy, evaluation and model performance where the ML algorithms are classified into one of the following four categories: decision trees, support vector machines, artificial neural networks, and advanced machine learning methods, i.e., hybrid methods, ensembles, and Deep Learning. The study found that the hybrid models and ensembles have better performance since they exhibit both a high accuracy and low overall cost. On the other hand, the deep learning (DL) techniques had a higher accuracy than the hybrid models and ensembles, but they demanded relatively higher computation power. Moreover, all these advanced ML methods had a slower processing speed than the single methods. Likewise, the support vector machine (SVM) and decision tree (DT) generally outperformed the artificial neural network (ANN) for accuracy and other metrics. However, since the difference was negligible, it can be concluded that using either of them is appropriate. | |
Nyelv dc.language | en | |
Kulcsszó dc.subject | auto-regressive with exogenous inputs | |
Kulcsszó dc.subject | COVID-19 | |
Kulcsszó dc.subject | coronavirus | |
Kulcsszó dc.subject | COVID-19 vaccine | |
Kulcsszó dc.subject | time series | |
Kulcsszó dc.subject | two-piece scale mixtures | |
Cím dc.title | Skewed auto-regressive process with exogenous input variables: an application in the administered vaccine doses on Covid-19 spread | |
Típus dc.type | folyóiratcikk | |
Változtatás dátuma dc.date.updated | 2023-02-14T13:30:53Z | |
Változat dc.description.version | kiadói | |
Hozzáférés dc.rights.accessRights | nyílt hozzáférésű | |
dc.description.notes | „A publikáció a Nemzeti Közszolgálati Egyetem 2020. évi Tématerületi Kiválóság Program keretében, a Fenntartható biztonság és társadalmi környezet elnevezésű projekt támogatásával valósult meg, az Innovációs és Technológiai Minisztérium Nemzeti Kutatási, Fejlesztési és Innovációs Alapból nyújtott támogatásával, a Nemzeti Kutatási, Fejlesztési és Innovációs Hivatal által kibocsátott támogatói okirat alapján.” Pályázat sorszáma: NKFIH-1273-6/2020 Támogató: NKFIH | |
Doi azonosító dc.identifier.doi | 10.1142/S0218348X2240148X | |
Tudományág dc.subject.discipline | Orvostudományok | |
Tudományterület dc.subject.sciencebranch | Elméleti orvostudományok | |
Mtmt azonosító dc.identifier.mtmt | 32632834 | |
Folyóirat dc.identifier.journalTitle | Fractals-Complex Geometry Patterns and Scaling in Nature and Society | |
Évfolyam dc.identifier.journalVolume | 30 | |
Füzetszám dc.identifier.journalIssueNumber | 5 | |
Terjedelem dc.format.page | 10.jan | |
Wos azonosító dc.identifier.wos | 000846027200026 | |
Scopus azonosító dc.identifier.scopus | 85131234357 | |
Folyóiratcím rövidítve dc.identifier.journalAbbreviatedTitle | FRACTALS | |
Kiadás éve dc.description.issuedate | 2022 | |
Szerző intézménye dc.contributor.department | Óbudai Egyetem | |
Szerző intézménye dc.contributor.department | Szoftvertervezés- és Fejlesztés Intézet | |
Szerző intézménye dc.contributor.department | Információs Társadalom Kutatóintézet | |
Szerző intézménye dc.contributor.department | Informatikai Tudományok Doktori Iskola | |
Szerző intézménye dc.contributor.department | Óbudai Egyetem | |
Szerző intézménye dc.contributor.department | Biztonságtudományi Doktori Iskola | |
Szerző intézménye dc.contributor.department | Felsőbbfokú Tanulmányok Intézete |