Ensemble-Based Anomaly Detection for Urban Power Efficiency Towards Sustainable Energy Management
Diese Forschung schlägt ein Ensemble-basiertes Anomalieerkennungssystem für die städtische Energieeffizienz vor, das traditionelle Algorithmen des maschinellen Lernens mit Deep-Learning-Autoencodern vergleicht und aufzeigt, dass der Autoencoder eine überlegene Leistung (F1-Scores von 0,9740 und 0,9494) erzielt, während er SHAP zur Interpretierbarkeit nutzt, um ein nachhaltiges Energiemanagement zu unterstützen.