Ensemble-based fast shapelet approximation
Topluluk temelli şekilcik yaklaşıklama
- Tez No: 522766
- Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA GÖKÇE BAYDOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 56
Özet
Son yıllarda, zaman serisi veri tabanlarında benzerlik araştırması ve zaman serilerinin sınıflandırılması büyük ilgi görmektedir. Bu bağlamda zaman serileri arasındaki benzerliğin tanımlanması ve ölçülmesi önemli bir hal almıştır. En yakın komşu (NN) sınıflandırıcıları, başarısı ve sadeliği sebebiyle yaygın olarak kullanılmaktadır. Ancak bu sınıflandırıcılar, benzerlik hesaplamalarını zaman serilerinin tümü üzerinden yaptığından, kısa ilgi alanları olan uzun zaman serilerinde iyi performans gösteremeyebilir. Ayrıca, NN sınıflandırıcıları bir zaman dizisinin neden belirli bir sınıfa atanmış olduğu bilgisini de sağlamaz. Bu problemlerin üstesinden gelmek için, zaman serisi sınıflarını birbirinden ayıran ayırımcı alt serileri, yani şekilcikleri keşfetmeye odaklanılmıştır. Şekilcik bazlı yöntemler benzerlik hesaplamak yerine, zaman serilerinin bu şekilcikleri içlerinde barındırıp barındırmadığını araştırır ve zaman serilerini şekilciklerin varlığına dayalı bir öznitelik vektörüne dönüştürür. Son yıllarda, şekilcik keşif yöntemleri, şekilciklerin ayırıcı özelliklerini ölçme odaklıdır. Bu yöntemler, zaman serisi veri tabanlarının büyüklüğüne göre çok zaman alabileceğinden, şekilciklerin daha hızlı keşfine olanak sağlayan farklı gösterimler bulmaya yönelik çalışmalar önem kazanmıştır. Bunlar arasında, parçalı sabit yaklaşıklama yöntemlerinin çok daha hızlı sonuçlar sağlayan düşük boyutlu gösterimler oluşturduğu gözlenmiştir. Bu çalışmada, sınıfları tanımlayan şekilcikler oluşturmak için eğitmenli parçalı yaklaşıklama yöntemi önerilmektedir. Bu yöntem zaman serilerini sınıflandırmak için basit bir parçalı doğrusal yaklaşıklama modeli kullanılarak potansiyel şekilcikler belirler. Önerilen metot, geleneksel yöntemlerden farklı olmamakla birlikte parçalı bir yaklaşıklama yaparak şekilcikleri eğitmenli bir şekilde oluşturmak için regresyon ağaç toplulukları kullanır. Deney sonuçları, önerilen topluluk temelli hızlı şekilcik yaklaşıklama (EFSA) metodunun farklı alanlardaki referans veri setlerinde hızlı ve rekabetçi sonuçlar sağladığını göstermektedir.
Özet (Çeviri)
Similarity search and classification on time series databases have received great interest over the past decade. The definition of similarity between the series is a major problem in this context. Nearest-neighbor (NN) classifiers with alternative dissimilarity measures are widely used because of their simplicity and known success. However, these approaches compute the similarity over the whole time series which might be problematic with the long time series and relatively short features of interest. Moreover, NN classifiers are not directly interpretable as they do not describe why a time series is assigned to a certain class. To overcome these problems, researchers focus on discovering discriminative subsequences, namely shapelets, from the time series. Instead of pairwise distance calculations between the whole time series, shapelet-based approaches map time series to a feature vector based on the existence of the shapelets. In the recent years, shapelet discovery approaches have focused on the evaluation of the segmented subsequences in terms of their discriminative power. As this approach may be time-consuming depending on the size of the time series database, recent attempts exploit the change of time-series representations for faster discovery of shapelets. In this sense, piecewise constant approximations are shown to provide significantly faster results with a low-dimensional representation. This study proposes a novel supervised piecewise approximation to identify shapelets related to the class. After utilizing a simple piecewise linear model to characterize the time series, the segments from the model are determined to be potential candidates for shapelets. Proposed piecewise approximation scheme is notably different than the traditional methods. Ensembles of regression trees are utilized to learn a piecewise approximation to identify the shapelets in a supervised manner. Experimental results show that proposed Ensemble-based Fast Shapelet Approximation (EFSA) provides fast and competitive results on benchmark datasets from different domains.
Benzer Tezler
- Satış ve talep tahmini için derin transfer öğrenme metodolojisinin geliştirilmesi
Development of deep transfer learning methodology for sales and demand forecasting
BEGÜM EROL
Doktora
Türkçe
2024
Endüstri ve Endüstri MühendisliğiBursa Uludağ ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLİN İNKAYA
- Arazi örtüsü ve kullanımı için SAR görüntülerinin sınıflandırılmasında topluluk öğrenme tabanlı yaklaşım
Ensemble learning-based approach to classification of SAR images for land cover and use
ELİF MEŞECİ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CANER ÖZCAN
- An ensemble learning model for wide-area measurement based transient stability assessment in power systems
Güç sistemlerinde geniş alan ölçümlerine dayalı geçici hal kararlılık değerlendirmesi için bir topluluk öğrenme modeli
CAN BERK SANER
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Distance-based learning approaches for multiple instance learning
Çoklu örnekle öğrenme problemleri için uzaklık tabanlı öğrenme yaklaşımları
ÖZGÜR EMRE SİVRİKAYA
Doktora
İngilizce
2022
Endüstri ve Endüstri MühendisliğiBoğaziçi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA GÖKÇE BAYDOĞAN
- Güç sistemlerinde geçici hal kararsızlığının ve gelişiminin derin öğrenme ve karar ağacı tabanlı yöntemler ile geniş alan ölçümlerine dayalı olarak erken kestirimi
Wide area measurement based early prediction of power system transient instability and its evolution using deep learning and decision tree based algorithms
MERT KESİCİ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ