Büyük verilerin analizi için coğrafi ağırlıklı regresyon yaklaşımlarının geliştirilmesi
Developing geographically weighted regression approaches for analysis of big data
- Tez No: 640818
- Danışmanlar: DOÇ. DR. METE ÇELİK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Veri madenciliği, coğrafi ağırlıklı regresyon, ters en yakın komşu, sık güncellenen veriler, büyük veri, mekânsal-rakımsal-zamansal değişkenlikler, Data mining, geographically weighted regression, reverse nearest neighbor, frequently updated data, big data, spatial-altitudinal-temporal nonstationarities
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Coğrafi ağırlıklı regresyon (geographically weighted regression - GWR), ekoloji, çevre yönetimi, halk sağlığı, meteoroloji ve turizm gibi birçok uygulama alanında değişen ilişkileri modellemek için yaygın olarak kullanılan yerel mekânsal regresyon tekniğidir. GWR yaklaşımları yüksek bilgi işlem kaynakları ve geniş bellek alanlarına ihtiyaç duymaktadır. Veri boyutu büyüdükçe ve/veya veri güncellemeleri sıklaştıkça bu sorunlar daha kritik hale gelmektedir. Diğer taraftan literatürde yapılan çalışmalar genellikle mekânsal veya mekânsal ve rakımsal veya mekânsal ve zamansal ilişkilerini analiz etmektedir. Fakat gerçek dünyada mekânsal, rakımsal ve zamansal ilişkiler birçok veri kümesinde birlikte bulunmaktadır ve bu ilişkilerin birlikle analizi için önerilmiş bir GWR yaklaşımı bulunmamaktadır. Bu tez çalışmasında, GWR yöntemi ile analizlerin etkili bir şekilde yapılması için çeşitli teknikler kullanan farklı yaklaşımlar geliştirilmiştir. Geliştirilen ilk yaklaşım, sık güncellenen veri kümelerini analiz etmek için ters en yakın komşu (reverse nearest neighbor - RNN) stratejisini kullanan hesaplama açısından etkili bir GWR algoritmasınıdır (RNN-GWR). İkinci yaklaşım, coğrafi ve zamansal ağırlıklı regresyon yaklaşımının (geographically and temporally weighted regression - GTWR) veri boyutu kısıtlamasının üstesinden gelmek için hızlı GTWR yaklaşımıdır (FastGTWR). Üçüncü yaklaşım, veri kümelerindeki mekânsal, rakımsal ve zamansal olarak değişen ilişkileri ele almak için coğrafi, rakımsal ve zamansal ağırlıklı regresyon yaklaşımıdır (4D-GWR). Önerilen yaklaşımların başarımlarını değerlendirmek için sentetik ve gerçek veri kümeleri kullanılarak çeşitli deneyler yapılmıştır. Deneysel sonuçlar, önerilen yaklaşımların literatürdeki benzerlerine göre daha etkili bir şekilde çalıştıklarını göstermiştir.
Özet (Çeviri)
Geographically weighted regression (GWR) is a local spatial regression technique to model varying relationships in many application domains, such as ecology, environmental management, public health, meteorology, and tourism. GWR approaches require high computing resources and large memory spaces. These issues become more critical as data size grows and/or data updates become frequently. On the other hand, studies in the literature generally analyze spatial, spatial and altitudinal or spatial and temporal relationships. However in the real world, spatial, altitudinal, and temporal relationships exist together in many datasets , and there is not yet a proposed GWR approach to analyze datasets that contain these relationships together. In this thesis, different approaches using various techniques have been developed in order to perform the analyzes with the GWR method effectively. The first approach is a computationally efficient GWR algorithm (RNN-GWR) that uses the reverse nearest neighbor (RNN) strategy to analyze frequently updated datasets. The second approach is a fast geographically and temporally weighted regression (FastGTWR) to overcome data size restriction of GTWR. The third approach is a geographically, altitudinal, and temporally weighted regression (4D-GWR) approach to handle spatial, altitudinal and temporal nonstationarities in datasets. In order to evaluate the performances of the proposed approaches, various experiments were conducted using synthetic and real datasets. Experimental results showed that the proposed approaches worked more effectively than their counterparts in the literature.
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Meta öğrenme modeliyle şehirlerin 15 dakikalık şehir kavramına olan uyumlarının değerlendirilmesi: istanbul örneği
Assessment of urban compliance with the 15-minute city concept through a meta-learning model: the case of İstanbul
AYDIN FURKAN TERZİ
Yüksek Lisans
Türkçe
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. HANDE DEMİREL
- İzmir ili Aliağa ilçesi endüstri bölgesi ve çevresindeki topraklarda ağır metal ve doğal radyoaktivite düzeyinin belirlenmesi ve fitoremediasyon uygulanması
Determination of heavy metal and radioactivity levels and phytoremediation application in Izmir Aliağa in Izmir province Aliağa district industrial zone and its surrounding soils
İLKER GÖÇOĞLU
- Bazı sert çekirdekli meyve türlerinde döllenme biyolojisi üzerinde yöntem çalışmaları
Başlık çevirisi yok
ATBİMOĞLU ADALET
- Kuyruk modelleri ve analizi üzerine bir uygulama
Başlık çevirisi yok
DİDEM ÖZPULAT
Yüksek Lisans
Türkçe
1985
İstatistikEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİKRET İKİZ