Inference and Predictions from Poisson Point Processes Incorporating Expert Knowledge
融入专家知识的泊松点过程推断与预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要中的预测对象是软件故障和铁路缺陷，属于可靠性点过程分析，未明确对应宏观预测、收益预测或金融风险。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
融入专家知识的泊松点过程推断与预测
- 研究问题
- 非齐次泊松点过程的推断与预测中，如何利用专家经验或工程模型提供的均值函数信息来分析软件故障和铁路缺陷？
- 方法与思路
- 作者提出贝叶斯方法，将过程均值函数的专家或工程信息纳入推断，并分别讨论软件调试故障与轨道区段缺陷预测。
- 材料陈述的贡献
- 摘要将均值函数层面的专家知识作为方法的新特点，展示两种可靠性情境中可获得此类信息的来源与使用场景。
- 阅读关注点
- 应核对专家信息如何转化为先验、与观测数据如何结合，以及信息不确定性、先验敏感性和预测表现如何评估。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明先验形式、预测误差及验证结果，不能判断专家知识改善的幅度。
原文摘要
We present a Bayesian approach for inference and predictions from nonhomogeneous Poisson point processes. The novel feature of our approach is the use of “expert knowledge” or “engineering information” on the mean value function of the process. We describe two scenarios from the field of reliability in which engineering information on the mean value function is available. The first scenario pertains to the prediction of software failures during the debugging phase. Here expert knowledge is provided by the published empirical experiences of software engineers involved with the testing and debugging of several software systems. The second scenario pertains to the prediction of defects in a rail segment for which expert knowledge is supplied by an engineering model.