A new representation method for multivariate time series classification problem using interval means and polar histogram densities
Çokdeğişkenli zaman dizisi sınıflandırma problemi için aralık ortalamaları ve kutupsal histogram yoğunlukları kullanılan yeni bir temsil metodu
- Tez No: 474360
- Danışmanlar: YRD. DOÇ. DR. MUSTAFA GÖKÇE BAYDOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Endüstri ve Endüstri Mühendisliği, Computer Engineering and Computer Science and Control, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 66
Özet
Çokdeğişkenli zaman dizisi sınıflandırma problemi zaman dizilerinde veri madenciliğinde sık görülen problemlerden biridir ve finans, tıp, insan-bilgisayar etkileşimi gibi bir çok alanda karşılaşılır. Geleneksel olarak bu problem tek değişkenli zaman dizisi sınıflandırma metotlarının çokdeğişkenliye uyarlamalarıyla çözülür. Bu çalışmada, çokdeğişkenli dizilerin sınıflandırılması için özel olarak geliştirilmiş öznitelik temelli bir metot sunulmaktadır. Bu metot sadece tek değişkenli müstakil dizilerin kendi özniteliklerinen değil, aynı zamanda değişkenler arası ikili etklişimin bilgisinden de yararlanır. Metot iki temel özniteliğin kaynaşımından oluşur: aralık ortalamaları ve kutupsal histogram yoğunlukları. Etiketli öznitelik vektörleri, yüksek boyutlu değişkenler üzerinde iyi çalışan rassal ormanlar aracılığıyla sınıflandırılır. Metodun literatürde sıklıkla kurllanılan ölçüt veri setleri üzerindeki performansı raporlanmıştır. Buna göre metot tatmin edici ölçülerde hatasız sonuçlar vermektedir ve uygulanabilirlik açısından bakıldığında gerektiği şekilde ölçeklendirilebilmektedir. Ayrıca değişkenler arası ikili etkileşim özniteliklerinin doğruluk oranlarını vakaların çoğunda arttırdığı görülmüştür. Buna ek olarak toplam hesaplama sürelerinin en büyük kısmı yine bu özniteliklerin hesaplanmasına harcanmaktadır. Bütün bunlar ışığında metot, geliştirilmesi gereken pek çok yanı olmasına karşın en modern metotlarla mukayese edilebilir seviyededir.
Özet (Çeviri)
Multivariate time series (MTS) classification is an instance of common time series data mining tasks and is ubiquitously found in many domains such as medicine, finance or human-computer interaction. Traditionally, the research community has approached the problem by extending the well-established methods available in the univariate time series (UTS) classification literature. In this work, a new feature based method is developed specifically for MTS classification and aims to capture not only features of individual univariate series---as the extension methods do--- but also the interaction between them. The method utilizes simple interval statistics as the base feature and polar histogram densities to represent 2-way interactions. The feature vectors are processed with a random forest classifier for its ability to handle high-dimensionality. The results are reported for benchmark datasets of various types and from a range of domains. The method provides a satisfyingly accurate and scalable solution to the problem. The 2-way interaction information significantly increases the accuracy in most of the cases while the extraction phase of this information dominates the computation time. The method is comparable to the state-of-the-art methods in the literature even though there is a significant room for improvement.
Benzer Tezler
- Action quality assessment with multivariate time series
Çok değişkenli zaman serileri ile eylem kalite değerlendirmesi
BURÇİN BUKET OĞUL
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SUAT ÖZDEMİR
- Uydu verileri ile İstanbul Boğazı ve Haliç'de su kirliliğinin makro düzeyde belirlenmesi
Intrepretation at macro level as pollution of water resources of remotely sensed data of Bosphorus and golden horn estuary by an unsupervised and supervised classification method
H.GONCA COŞKUN
- Homojen ve heterojen evrimsel sosyal ağlarda bağlantı tahmini
Link prediction in evolving homogeneous and heterogeneous networks
ALPER ÖZCAN
Doktora
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- Yüksek boyutlu model gösterilimi kullanılarak histopatolojik görüntülerde leke ayırma işlemi
Stain separation process on histopathological images using high dimensional model representation
AYÇA CEYLAN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURCU TUNGA