Spelling suggestions: "subject:"agresor""
1 |
Consumer - firm business relationship and network : the case of "Store" versus internet /Sörhammar, David, January 2008 (has links)
Diss. Uppsala : Uppsala universitet, 2008.
|
2 |
Att flyga eller inte flyga : En kvalitativ intervjustudie om klimatengagerade personers syn på flyget / To fly or not to fly : A qualitative study on environmental activists' view on aviation and climate changeStröm, Elin, Lund, Josefine January 2013 (has links)
Antalet flygresor har ökat markant i världen de senaste decennierna. Detta har medfört en ökning av flygets koldioxidutsläpp som därmed har gett en ökad påverkan på klimatet. Forskning angående människors syn på och uppfattning om flyget är relativt ny och forskning rörande ämnet är mer förekommande idag än för ett decennium sedan. Tidigare undersökningar är dock i stort sett eniga om att människor, både miljömedvetna och icke-miljömedvetna personer, inte tänker ändra på sina flygvanor och flyga mindre på grund av flygets klimatpåverkan. Denna studie undersöker klimatengagerade personers flygvanor och vad de har för syn på flyget och flygets påverkan på klimatet. Resultatet i studien skiljer sig från tidigare forskning genom att de klimatengagerade personerna i undersökningen antingen försöker begränsa sina flygresor eller inte längre flyger alls på grund av den klimatpåverkan en flygresa innebär. The low-cost hypothesis har använts som ett teoretiskt ramverk för att undersöka om det finns ett attitude-behavior gap. Det framkom att the low-cost hypothesis endast delvis kan appliceras och att det finns ett litet attitude-behavior gap hos de respondenter som flyger. Det finns inget attitude-behavior gap hos respondenterna som inte flyger. Det framkom även att sociala normer till viss del påverkar valet att flyga eller inte flyga.
|
3 |
Transport behaviour of future generations: Plane or train between Malmö and Stockholm?Svensson, Lukas, Snällfot, David January 2012 (has links)
Denna uppsats undersökte vad som påverkade Malmö högskolas studenter i sina val av tåg- eller flygresor mellan Malmö och Stockholm. Uppsatsen föreslog fyra hypoteser som undersöktes maximering av fritid, ersättningsvaror, komfort samt miljöhänsyn. Data samlades in genom att utforma och dela ut en enkät till 248 elever som analyserades statistiskt. Miljöhänsyn visade sig ha mindre inflytande på valet av resesätt än de andra undersökta faktorerna, ett resultat i linje med tidigare forskning. Kostnaden visade sig vara den viktigaste faktorn. Tågresande var mer vanligt bland den undersökta populationen än i den svenska befolkningen. Resultaten var associerade med osäkerhet eftersom populationen var troliga att ändra resesätt efter avslutade studier. Syftet med uppsatsen var att göra en initial mätning av ovanstående variabler som kan användas i framtida studier med fokus på generationsskifte. / This thesis investigated what influenced student at Malmö Högskola in their choice of train or plane travel between Malmö and Stockholm. The thesis proposed four hypotheses that were investigated: maximization of leisure time, substitute goods, comfort and environmental concern. Data was collected by manufacturing and distributing a questionnaire to 248 students which was analyzed statistically. Environmental concern was found to have less of an influence on the choice of travel means than the other investigated factors, a result consistent with previous research. Cost was found to be the most important factor. Train travel was more common among the sampled population than in the Swedish population. The results were associated with some uncertainty as the population was likely to change their choice of travel means after graduation. The thesis aimed to carry out an initial measurement of the above variables to allow the resulting material to be used in future studies with a generational replacement approach.
|
4 |
Flight search engine CPU consumption predictionTao, Zhaopeng January 2021 (has links)
The flight search engine is a technology used in the air travel industry. It allows the traveler to search and book for the best flight options, such as the combination of flights while keeping the best services, options, and price. The computation for a flight search query can be very intensive given its parameters and complexity. The project goal is to predict the flight search queries computation cost for a new flight search engine product when dealing with parameters change and optimizations. The problem of flight search cost prediction is a regression problem. We propose to solve the problem by delimiting the problem based on its business logic and meaning. Our problem has data defined as a graph, which is why we have chosen Graph Neural Network. We have investigated multiple pretraining strategies for the evaluation of node embedding concerning a realworld regression task, including using a line graph for the training. The embeddings are used for downstream regression tasks. Our work is based on some stateoftheart Machine Learning, Deep Learning, and Graph Neural Network methods. We conclude that for some business use cases, the predictions are suitable for production use. In addition, the prediction of tree ensemble boosting methods produces negatives predictions which further degrade the R2 score by 4% because of the business meaning. The Deep Neural Network outperformed the most performing Machine Learning methods by 8% to 12% of R2 score. The Deep Neural Network also outperformed Deep Neural Network with pretrained node embedding from the Graph Neural Network methods by 11% to 17% R2 score. The Deep Neural Network achieved 93%, 81%, and 63% R2 score for each task with increasing difficulty. The training time range from 1 hour for Machine Learning models, 2 to 10 hours for Deep Learning models, and 8 to 24 hours for Deep Learning model for tabular data trained end to end with Graph Neural Network layers. The inference time is around 15 minutes. Finally, we found that using Graph Neural Network for the node regression task does not outperform Deep Neural Network. / Flygsökmotor är en teknik som används inom flygresebranschen. Den gör det möjligt för resenären att söka och boka de bästa flygalternativen, t.ex. kombinationer av flygningar med bästa service, alternativ och pris. Beräkningen av en flygsökning kan vara mycket intensiv med tanke på dess parametrar och komplexitet. Projektets mål är att förutsäga beräkningskostnaden för flygsökfrågor för en ny produkt för flygsökmotor när parametrar ändras och optimeringar görs. Problemet med att förutsäga kostnaderna för flygsökning är ett regressionsproblem. Vi föreslår att man löser problemet genom att avgränsa det utifrån dess affärslogik och innebörd. Vårt problem har data som definieras som en graf, vilket är anledningen till att vi har valt Graph Neural Network. Vi har undersökt flera förträningsstrategier för utvärdering av nodinbäddning när det gäller en regressionsuppgift från den verkliga världen, bland annat genom att använda ett linjediagram för träningen. Inbäddningarna används för regressionsuppgifter i efterföljande led. Vårt arbete bygger på några toppmoderna metoder för maskininlärning, djupinlärning och grafiska neurala nätverk. Vi drar slutsatsen att förutsägelserna är lämpliga för produktionsanvändning i vissa Vi drar slutsatsen att förutsägelserna är lämpliga för produktionsanvändning i vissa fall. Dessutom ger förutsägelserna från trädens ensemble av boostingmetoder negativa förutsägelser som ytterligare försämrar R2poängen med 4% på grund av affärsmässiga betydelser. Deep Neural Network överträffade de mest effektiva metoderna för maskininlärning med 812% av R2poängen. Det djupa neurala nätverket överträffade också det djupa neurala nätverket med förtränad node embedding från metoderna för grafiska neurala nätverk med 11 till 17% av R2poängen. Deep Neural Network uppnådde 93, 81 och 63% R2poäng för varje uppgift med stigande svårighetsgrad. Träningstiden varierar från 1 timme för maskininlärningsmodeller, 2 till 10 timmar för djupinlärningsmodeller och 8 till 24 timmar för djupinlärningsmodeller för tabelldata som tränats från början till slut med grafiska neurala nätverkslager. Inferenstiden är cirka 15 minuter. Slutligen fann vi att användningen av Graph Neural Network för uppgiften om regression av noder inte överträffar Deep Neural Network.
|
Page generated in 0.0528 seconds