Spatio-temporal forecasting over graphs with deep learning
Derin öğrenme ile çizgelerde uzay-zamansal tahminleme
- Tez No: 654029
- Danışmanlar: PROF. DR. SÜLEYMAN SERDAR KOZAT, DR. SALİH ERGÜT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 86
Özet
Hem karmaşık uzamsal hem de zamansal bağımlılıkları içeren yüksek boyutlu uzay-zamansal verilerin tahminlemesini inceliyoruz. Derin öğrenme bazlı yöntemler çoğu yüksek boyutlu uzay-zamansal tahminleme senaryosunda yaygın olarak kullanılmaktadır. Ancak derin öğrenme algoritmalarının yüksek güvenli tahminleri, tıbbi teşhis ve 5'inci nesil kablosuz ağların birçok uygulamasında bulunduğu döngü içinde insan alanlarında sorunlara neden olabilmektedir. Sinir ağını düzenlileştirmek, veri dağılımının kapsamı dışındaki verilere karşı sağlamlık kazanmak ve sinir ağlarının tahminlerindeki aşırı güveni düşürmek için varyasyonel özkodlayıcıları uzay-zamansal veriler için literatürde ilk defa genelliyor ve böylelikle tahminlemelerimizde belirsizliğin katkısını ekleyebiliyoruz. Lakin varyasyonel yöntemler, ardıl dağılımları üstel aile yoğunlukları ve ortalama alan varsayimi ile kestirmesi nedeniyle ardıl dağılımları yanlı ve gerçek dağılımdan oldukça uzak bir şekilde tahmin eder. Bu sorunları hafifletmek için uzay-zamansal verilerde, varyasyonel çıkarım ve öğrenmeyi yarı kapalı dağılımlarla gerçekleştiriyor ve bu yöntemi evrişimli uzun-kısa süreli bellek ağlarına (ConvLSTM) literatürde ilk kez uyguluyoruz. Bölüm 3'te, literatüre \textit{VarConvLSTM} adlı evrişimli uzun-kısa süreli bellek ağlarına sahip varyasyonel özkodlayıcıları ilk kez öneriyoruz. Bölüm 4'te, veri dağılımındaki çoklu modaliteleri modellemek için yarı örtük ve ikili yarı örtük varyasyonel çıkarım yöntemlerini uyguluyoruz. Bölüm 5'te, önerilen algoritmaların Turkcell baz istasyonu ağlarında uzay-zaman mobil trafik tahmini dahil olmak üzere uzay-zamansal tahmin görevlerinde belirsizligi için uygulanabilir olduğunu gösteriyoruz.
Özet (Çeviri)
We study spatiotemporal forecasting of high-dimensional rectangular grid graph structured data, which exhibits both complex spatial and temporal dependencies. In most high-dimensional spatiotemporal forecasting scenarios, deep learning-based methods are widely used. However, deep learning algorithms are overconfident in their predictions, and this overconfidence causes problems in the human-in-the-loop domains such as medical diagnosis and many applications of $5^{th}$ generation wireless networks. We propose spatiotemporal extensions to variational autoencoders for regularization, robustness against out-of data distribution, and incorporating uncertainty in predictions to resolve overconfident predictions. However, variational inference methods are prone to biased posterior approximations due to using explicit exponential family densities and mean-field assumption in their posterior factorizations. To mitigate these problems, we utilize variational inference \& learning with semi-implicit distributions and apply this inference scheme into convolutional long-short term memory networks(ConvLSTM) for the first time in the literature. In chapter 3, we propose variational autoencoders with convolutional long-short term memory networks, called \textit{VarConvLSTM}. In chapter 4, we improve our algorithm via semi-implicit \& doubly semi-implicit variational inference to model multi-modalities in the data distribution . In chapter 5, we demonstrate that proposed algorithms are applicable for spatiotemporal forecasting tasks, including space-time mobile traffic forecasting over Turkcell base station networks.
Benzer Tezler
- Financial asset price prediction with graph neural network-based temporal deep learning models
Çizge sinir ağı tabanlı zamansal derin öğrenme modelleri ile finansal varlık fiyat tahmini
YASİN UYGUN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRE SEFER
- Mekansal-zamansal makine öğrenimi modeli ile risk bilgili inşaat ilerleme tahmini
Risk-informed construction progress forecasting with spatio-temporal machine learning model
FATEMEH MOSTOFI
Doktora
Türkçe
2024
İnşaat MühendisliğiKaradeniz Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
Prof. Dr. VEDAT TOĞAN
DOÇ. DR. ONUR BEHZAT TOKDEMİR
- Uzaktan algılama verileri kullanılarak kuraklık olaylarının alansal, zamansal ve frekans analizleri: Ege bölgesi örneği
Spatio-temporal and frequency analysis of drought events via remote sensing data: Case study of Aegean region
SEMRA KOCAASLAN KARAMZADEH
Doktora
Türkçe
2022
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. NEBİYE MUSAOĞLU
- Calibration and evaluation of WRF-hydro modeling system for extreme runoff simulations: Use of high-resolution sea surface temperature (SST) data
Aşırı akım simülasyonları için WRF-hydro model sisteminin kalibrasyonu ve değerlendirilmesi: Yüksek çözünürlüklü deniz yüzey sıcaklığı (DYS) verilerinin kullanımı
BERİNA MİNA KILIÇARSLAN
Yüksek Lisans
İngilizce
2022
İnşaat MühendisliğiOrta Doğu Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL YÜCEL
- Incremental construction of Markov chains with dependence on non-temporal domains
Uzamsal bağımlılığı dikkate alan Markov zincirlerinin artımlı yapılandırılması
ZEYNEP KUMRALBAŞ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA BORAHAN TÜMER