hh.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Warranty Claim Rate Prediction using Logged Vehicle Data
Högskolan i Halmstad, Akademin för informationsteknologi, Halmstad Embedded and Intelligent Systems Research (EIS), CAISR Centrum för tillämpade intelligenta system (IS-lab).
Högskolan i Halmstad, Akademin för informationsteknologi, Halmstad Embedded and Intelligent Systems Research (EIS), CAISR Centrum för tillämpade intelligenta system (IS-lab).ORCID-id: 0000-0003-3272-4145
Högskolan i Halmstad, Akademin för informationsteknologi, Halmstad Embedded and Intelligent Systems Research (EIS), CAISR Centrum för tillämpade intelligenta system (IS-lab).ORCID-id: 0000-0002-7796-5201
2019 (Engelska)Ingår i: Lecture Notes in Computer Science, ISSN 0302-9743, E-ISSN 1611-3349, Vol. 11804, s. 663-674Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

Early detection of anomalies, trends and emerging patterns can be exploited to reduce the number and severity of quality problems in vehicles. This is crucially important since having a good understanding of the quality of the product leads to better designs in the future, and better maintenance to solve the current issues. To this end, the integration of large amounts of data that are logged during the vehicle operation can be used to build the model of usage patterns for early prediction. In this study, we have developed a machine learning system for warranty claims by integrating available information sources: Logged Vehicle Data (LVD) and Warranty Claims (WCs). The experimental results obtained from a large data set of heavy duty trucks are used to demonstrate the effectiveness of the proposed system to predict the warranty claims. © Springer Nature Switzerland AG 2019.

Ort, förlag, år, upplaga, sidor
Heidelberg: Springer, 2019. Vol. 11804, s. 663-674
Nyckelord [en]
Warranty Claim Predictive, Machine Learning, Fault De- tection
Nationell ämneskategori
Datavetenskap (datalogi)
Identifikatorer
URN: urn:nbn:se:hh:diva-41207DOI: 10.1007/978-3-030-30241-2_55Scopus ID: 2-s2.0-85072879357OAI: oai:DiVA.org:hh-41207DiVA, id: diva2:1376729
Konferens
19th EPIA Conference on Artificial Intelligence (EPIA 2019), Vila Real, Portugal, 3-6 September, 2019
Tillgänglig från: 2019-12-10 Skapad: 2019-12-10 Senast uppdaterad: 2019-12-11Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltextScopus

Personposter BETA

Khoshkangini, RezaPashami, SepidehNowaczyk, Sławomir

Sök vidare i DiVA

Av författaren/redaktören
Khoshkangini, RezaPashami, SepidehNowaczyk, Sławomir
Av organisationen
CAISR Centrum för tillämpade intelligenta system (IS-lab)
I samma tidskrift
Lecture Notes in Computer Science
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 10 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf