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: Belirtilmemiş.
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
- Gaziantep'te PM2.5 konsantrasyonunun zamansal ve mekânsaltahminine yönelik transfer öğrenme destekli hibrit yapay zeka modelleri
Spatio-temporal estimation of PM2.5 concentrations in gaziantepusing transfer learning-based hybrid artificial intelligence models
TÜRKAN ZENGİN GÖMLEKSİZ
Yüksek Lisans
Türkçe
2025
Meteorolojiİstanbul Teknik Üniversitesiİklim Bilimi ve Meteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN TOROS
- Surface charging of high-voltage spacers in SF6
Başlık çevirisi yok
ŞENOL İ. BEKTAŞ
Doktora
İngilizce
1987
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiDOÇ. DR. MİRZAHAN HIZAL
- Manyezit flotasyonu ve flostasyonun KÜMAŞ tesisi artıklarına uygulanması
Magnesite flotation and application to fine tailings of Kümaş Plant
NİL ÇORUHLU
Yüksek Lisans
Türkçe
1991
Maden Mühendisliği ve Madencilikİstanbul Teknik ÜniversitesiDOÇ.DR. SUNA ATAK