Geri Dön

Applications of Bayesian inference for the origin destination matrix problem

Kökenli varış noktası problemlerine yönelik Bayesci çıkarım uygulamaları

  1. Tez No: 488373
  2. Yazar: ALARA GÜLER
  3. Danışmanlar: YRD. DOÇ. DR. SİNAN YILDIRIM, PROF. ŞEVKET İLKER BİRBİL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: İngilizce
  9. Üniversite: Sabancı Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 68

Özet

Bu tez, çift yönlü ve tek hatlı bir metro sistemiyle ilişkili kökenli varış probleminin olasılık matrisini Bayesci çıkarım ve Markov zinciri Monte Carlo metodları kullanarak kestiren bir çalışma sunmaktadır. Bir ulaşım sisteminin kesin sayım verilerini toplamak çoğu zaman teknik eksiklikler ve veri gizliliği politikaları sebebiyle mümkün olmamaktadır. Bu tezin odağı eksik veri toplandığı veya gürültülü veri yayınlandığı koşullarda, İstanbul'daki Kadıköy-Pendik metro hattına benzer, iki yönlü tek hatlı metro sistemlerinin olasılık matrisini Markov zinciri Monte Carlo metodlarını kullanarak kestirmektir. Eksik ve gürültülü veri elde edildiği durumlarda kullanılabilecek değişik modeller formüle edilmiştir. Veri sağlayıcıdan gerçek veri elde edilemediği için veri sentetik olarak tarafımızca oluşturulmuş ve formüle edilen modellerin olasılık matrisini kesirmekteki performansları değerlendirilmiştir. Markov zinciri Monte Carlo metodlarının konumuz olan kökenli varış problerinin olasılık matrisini etkin bir şekilde kestirmekte kullanılabileceği sonucuna ulaşılmıştır.

Özet (Çeviri)

This thesis presents a study of estimating the probability matrix of an origindestination model associated with a two-way transportation line with the help of Bayesian inference and Markov chain Monte Carlo methods, more speci cally, Metropolis within Gibbs algorithm. Collecting the exact count data of a transportation system is often not possible due to technical insuciencies or data privacy issues. This thesis concentrates on the utilization of Markov chain Monte Carlo Methods for two origindestination problems: one that assumes missing departure data and one that assumes the availability of di erentially private data instead of the complete data. Di erent models are formulated for those two data conditions that are under study. The experiments are conducted with synthetically generated data and the performance of each model under these conditions were measured. It has been concluded that MCMC methods can be useful for e ectively estimating the probability matrix of certain OD problems.

Benzer Tezler

  1. Jeoistatistiksel, statik ve kararsız basınç testi verilerine koşullandırılmış heterojen geçirgenlik ve gözeneklilik sahalarının türetilmesi

    Generation of porosity and permeability fields conditioned to geostatistical, and pressure transient data

    ADİL GÜRKAN CEYHAN

    Yüksek Lisans

    Türkçe

    Türkçe

    1997

    Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik Üniversitesi

    Petrol Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDURRAHMAN SATMAN

  2. Bayesli mantıksal çıkarım çerçevesinde maksimum entropi olasılıklarının analizi

    Analysis of maximum entropy probabilities within Bayesian logical inference framework

    EMİN SERHAN SÜZER

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Matematikİstanbul Üniversitesi

    Matematik Ana Bilim Dalı

    YRD. DOÇ. DR. MEHMET CEVRİ

  3. A high throughput FPGA implementation of Markov chain Monte Carlo method for mixture models

    Karışım modelleri için Markov zincirli Monte Carlo yönteminin yüksek işlem hacimli FPGA uygulaması

    CANER BOZGAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. İLKAY ULUSOY

  4. Bayesian variable selection in circular regression models using lasso

    Dairesel regresyon modellerinde lassoya dayalı Bayesçi değişken seçimi

    ONUR ÇAMLI

    Doktora

    İngilizce

    İngilizce

    2023

    İstatistikOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. ZEYNEP IŞIL KALAYLIOĞLU AKYILDIZ

    PROF. DR. ASHİS SENGUPTA

  5. Derin obje sezicilerle tümleştirilmiş bayesçi filtreleme ile videoda obje izleme

    Integration of bayesian filtering and deep object detection for video object tracking

    FİLİZ GÜRKAN GÖLCÜK

    Doktora

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGE GÜNSEL KALYONCU