Temporal clustering of multivariate time series
Çok değişkenli zaman serilerinin zamansal kümelemesi
- Tez No: 720625
- Danışmanlar: PROF. DR. CEYLAN YOZGATLIGİL, PROF. DR. CEM İYİGÜN
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 202
Özet
Zaman serisi verilerinin kümelenmesi, çeşitli alanlarda ve uygulamalarda sıklıkla ortaya çıkan yaygın bir sorundur. Tek değişkenli zaman serilerinin kümelenmesi çok fazla incelenirken, çok değişkenli zaman serilerinin kümelenmesi kapsamlı bir şekilde ele alınmamıştır. Bu tez gerçel değerli çok değişkenli zaman serileri verilerinin kümelenmesini ele almaktadır. Kümeleme analizinde analiz edilen veriler zaman serileri olduğunda, zaman serilerinin ve oluşturulacak kümelerin zamana olan bağımlılıkları birlikte dikkate alınmalıdır. Bu çalışmada, tek değişkenli ve çok değişkenli zaman serilerinin zamana bağlı kümelenmesi için kullanılabilecek, zaman serisi modeline dayalı bir kümeleme yaklaşımı önermekteyiz. Önerilen yaklaşım, belirli bir zaman serisi veri setinde benzer/benzemez örüntüler aramak yerine, temel olarak zamansal bağımlılık, doğrusal ve doğrusal olmayan davranışları keşfederek ve kullanarak zaman serilerinin üretme mekanizmalarına yaklaşımlar üzerinde kümelenmeye odaklanmaktadır. Ek olarak, önerilen kümelenme yaklaşımı, zamana bağlı küme değişikliklerini yakalamak için tasarlanmıştır. Önerilen yaklaşımın etkinliği hem yapay hem de gerçek veriler kullanılarak gösterilmiştir. Yapay veriler farklı senaryolar altında türetilmiştir ve gerçek veriler, çalışılan zaman serilerinin üyeliklerinin zaten bilindiği çeşitli sınıflandırma çalışmalarından elde edilmiştir. Önerilen yaklaşımın kümelenme performansları, diğer önerilen kümeleme yöntemleri ile karşılaştırılmıştır.
Özet (Çeviri)
Clustering of real-valued time series is a prevalent problem that frequently emerges in various fields and applications. While clustering of univariate time series is very much examined, clustering of multivariate time series has not been extensively addressed. This dissertation considers clustering of real-valued multivariate time series data. When the data analyzed in the clustering task are time series, the time dependencies of the time series and the clusters to be formed should be considered together. In this thesis study, we propose a time series model-based clustering approach that can be used for clustering of univariate and multivariate times series datasets. The proposed approach, rather than searching similar/dissimilar patterns within a given collection of time series, is mainly focused on clustering with respect to approximations to the generating mechanisms of time series by exploring and utilizing its temporal dependency, linear and non-linear behaviors. In addition, the proposed clustering approach is designed to capture time-dependent cluster changes. The efficiency of the proposed approach is demonstrated by using both synthetic and real data. Synthetic datasets are derived under different scenarios and real datasets obtained from several time series classification studies where the memberships of studied time series are already known. The clustering performances of the proposed approach are compared with other proposed clustering methods.
Benzer Tezler
- Tree-based learning for multivariate time series clustering
Karar ağacı temelli çok değişkenli zaman serisi kümeleme
DOĞANAY ÖZESE
Yüksek Lisans
İngilizce
2024
Endüstri ve Endüstri MühendisliğiBoğaziçi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. MUSTAFA GÖKÇE BAYDOĞAN
- Causality in time series: dynamic time warping versus granger causality
Zaman serilerinde nedensellik: dinamik zaman bükmesi ve granger nedenselliği
LEYLA ZEYNEP YALLAK
Yüksek Lisans
İngilizce
2012
Kimya MühendisliğiBoğaziçi ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR AKMAN
- Multivariate and fuzzy clustering approaches to dynamic classification of traffic flow states
Çok değişkenli ve bulanık yaklaşımlarla trafik akımının dinamik sınıflandırılması
MEHMET ALİ SİLGU
Yüksek Lisans
İngilizce
2015
Trafikİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. HİLMİ BERK ÇELİKOĞLU
- Mekansal-zamansal hasta hareketlilik verileriyle mekansal etkileşim örüntülerinin analizi ve akış haritaları aracı tasarımı ve geliştirilmesi
Analysis of spatial interaction patterns using spatio temporal patient mobility data, and designing and developing a flow mapping tool
SELMAN DELİL
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. RAHMİ NURHAN ÇELİK
- Kohonen ağları ve çok değişkenli istatistiksel yöntemlerle su kalitesinin irdelenmesi: Antalya Aksu bölgesi uygulaması
Investigation of water quality with kohonen networks and multivariate statistical methods: Application in Antalya Aksu region
ZEYNEP ÜNSAL
Yüksek Lisans
Türkçe
2024
Çevre MühendisliğiAkdeniz ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE MUHAMMETOĞLU