Temporal and autoregressive feature engineering for cattle behavior classification using low-resolution sensor data
Düşük çözünürlüklü sensör verileri kullanılarak sığır davranışlarının sınıflandırılması için zamansal ve otoregresif özellik mühendisliği
- Tez No: 1015084
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET EMİN BAKIR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Hassas Hayvancılık (Precision Livestock Farming, PLF), hayvan davranışlarının sürekli olarak izlenmesine olanak sağlamaktadır; ancak düşük güç tüketimli LoRaWAN tabanlı ivmeölçer sistemleri, Hareket İndeksi (Motion Index, MI) gibi sıkıştırılmış veri temsillerine dayandığından, özellikle geviş getirme ve dinlenme gibi istatistiksel olarak benzer davranışların ayrımını sınırlamaktadır. Bu tezde, davranışsal veriyi bağımsız gözlemler yerine zamana bağlı bir süreç olarak modelleyen, gecikmeli (lag) özellikler, kayan pencere istatistikleri ve önceki durum bilgilerini kullanan zamansal ve otoregresif bir özellik mühendisliği çerçevesi önerilmektedir. Önerilen yöntem, 24 sığıra ait 9.222 gözlemden oluşan gerçek dünya veri seti üzerinde değerlendirilmiştir. Deneysel sonuçlar, dört sınıflı sınıflandırma için makro-F1 skorunun 0.647'den 0.94'e yükseldiğini, üç sınıflı senaryoda ise 0.95'e ulaşıldığını ve tüm sınıflar için F1 skorlarının 0.92'nin üzerinde olduğunu göstermektedir. Elde edilen bulgular, performans artışlarının model karmaşıklığından ziyade özellik tasarımından kaynaklandığını ortaya koymakta ve düşük çözünürlüklü sensör verileri kullanılarak doğru ve ölçeklenebilir davranış sınıflandırmasının mümkün olduğunu göstermektedir.
Özet (Çeviri)
Precision Livestock Farming (PLF) enables continuous monitoring of animal behavior; however, low-power LoRaWAN-based accelerometer systems rely on compressed representations such as Motion Index (MI), limiting discrimination between statistically similar behaviors, particularly ruminating and resting. This thesis proposes a temporal and autoregressive feature engineering framework that models behavioral data as a time-dependent process using lag features, rolling statistics, and previous state information. The method is evaluated on a real-world dataset of 9,222 observations from 24 cattle. Experimental results show that macro-F1 improves from 0.647 to 0.94 for four-class classification, while achieving 0.95 for three-class classification, with per-class F1-scores exceeding 0.92. The results further indicate that performance gains are primarily driven by feature design rather than model complexity, demonstrating that accurate and scalable behavior classification can be achieved using low-resolution sensor data.
Benzer Tezler
- Optuna tabanlı makine öğrenmesi yöntemleriyle Bitcoin fiyat tahminleme yaklaşımları
Bitcoin price forecasting approaches with optuna-based machine learning methods
BERKAY YILDIRIM
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT TAŞKIRAN
- Ağ trafiği tahmininde makine öğrenmesi algoritmalarının karşılaştırmalı analizi
A comparative analysis of machine learning algorithms on network traffic forecasting
BUSE DİLAN USLAN
Yüksek Lisans
Türkçe
2025
İşletmeİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Elektrikli araç şarj istasyonlarında kullanım eğilimlerinin makine öğrenimine dayalı modellenmesi ve talep tahmini
Machine learning-based modeling of usage trends and demand forecasting in electric vehicle charging stations
HATİCE BİLGE ALGIN
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik Mühendisliğiİnönü ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
DOÇ. DR. MURAT KÖSEOĞLU
- Doppler işaretlerinin kaotik ölçütlerle sınıflandırılması
Classification of doppler signals with chaotic measures
ALİ ÖZTÜRK
Doktora
Türkçe
2008
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ARSLAN
- A comparative study of deep learning techniques for time series forecasting in energy consumption prediction
Derin öğrenme teknikleri ile enerji tüketimini tahmin etmek için zaman serisi tahminine yönelik karşılaştırmalı bir çalışma
MUTAKABBIR AHMED TAYIB
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. DR. TUĞBA TAŞKAYA TEMİZEL
PROF. DR. CEYLAN TALU YOZGATGİL