Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Digitales Entwicklungsmodell smarter Städte Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

15. Induktive Datenvisualisierung für Smart Energy: Fallstudie enersis suisse AG

verfasst von : Michael Kaufmann, Thomas Koller, Daria Balkende, Matthias Hemmje, Kilian Stoffel

Erschienen in: Smart City

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Die graduelle Zugehörigkeit, das Kernkonzept der unscharfen Logik, kann in der Datenvisualisierung genutzt werden, um Zusammenhänge zwischen Merkmalen und Zielklassen darzustellen. Solche Zugehörigkeitsfunktionen können mit der IFC-Filter-Methode direkt aus den Daten extrahiert werden. Die Visualisierung dieser Zusammenhänge leuchtet ein, und präsentiert den Entscheidungsträgern eine leicht verständliche Darstellung. In Smart Energy-Systemen kann diese angewendet werden, um komplexe Vorhersagemodelle nachvollziehbar zu machen, und fördert somit die Datenintelligenz. An einem Fallbeispiel einer Datenanalyse in der Energiewirtschaft wird aufgezeigt, wie die Datenvisualisierung mit dem IFC-Filter in der Praxis aussehen kann. Dieses Kapitel stellt zudem den Bezug zu Big Data Management her, indem es die Datenvisualisierung für Smart Energy im größeren Zusammenhang eines Referenzmodells einordnet.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Crowd Energy – das Kooperationskonzept für Smart Cities
Nächstes Kapitel Sharing Economy – Shareable City – Smartes Leben
Fußnoten
Literatur
Davenport TH (2013) Analytics 3.0. Harv Bus Rev 91(12):65–72
Demchenko Y, Grosso P, de Laat C, Membrey P (2013) Addressing big data issues in scientific data infrastructure. In: 2013 international conference on collaboration technologies and systems (CTS). IEEE, Piscataway, New Jersey, USA, S 48–55
Graf C (2010) Erweiterung des Data-Mining-Softwarepakets WEKA um induktive unscharfe Klassifikation (Master’s Thesis). Department of Informatics, University of Fribourg, Switzerland
Hall M, Frank E, Holmes G, Pfahringer B, Reutemann P, Witten IH (2009) The WEKA data mining software: an update. SIGKDD Explor 11(1):10CrossRef
Hawthorne J (2008) Inductive logic. In: Zalta EN (Hrsg) The Stanford encyclopedia of philosophy. The Metaphysics Research Lab, Stanford University, Stanford
Kaufmann M (2014) Inductive fuzzy classification in marketing analytics. Springer, Cham/Heidelberg/New York/Dordrecht/LondonCrossRef
Kaufmann M, Meier A, Stoffel K (2015) IFC-Filter: membership function generation for inductive fuzzy classification. Expert Syst Appl 42(21):8369–8379. doi:10.1016/j.eswa.2015.06.034CrossRef
Kurochkina D (2012). Determining boundary conditions of transformer station clusters by Inductive Fuzzy Classification. Seminar Thesis, University of Fribourg
NIST (2015) NIST big data interoperability framework: volume 2, taxonomies. NIST Special Publication, NIST Big Data Public Working Group. Gaithesburg, Maryland, USA
OECD (2015) Data-driven innovation: big data for growth and well-being. OECD Publishing, Paris
Metadaten
Titel
Induktive Datenvisualisierung für Smart Energy: Fallstudie enersis suisse AG
verfasst von
Michael Kaufmann
Thomas Koller
Daria Balkende
Matthias Hemmje
Kilian Stoffel
Copyright-Jahr
2016
Buch
Smart City

Print ISBN: 978-3-658-15616-9

Electronic ISBN: 978-3-658-15617-6

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-658-15617-6_15