Geri Dön

Radon anomaly classification and missing data imputation: A methodology based on stacking and automatic anomaly indication function

Radon anomali sınıflandırması ve eksik veri tahmini: Yığınlama ve otomatik anomali gösterge fonksiyonuna dayalı bir metodoloji

  1. Tez No: 733011
  2. Yazar: ADIL ASLAM MIR
  3. Danışmanlar: PROF. DR. FATİH VEHBİ ÇELEBİ
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 78

Özet

Teknolojinin ilerlemesiyle birlikte, anormal davranışları yakalamak için zaman serisi verilerinde tahmin ve anormallik tespiti yapan dünya çapında çeşitli çalışmalar yapılmıştır. Anormalliklerin tespiti, deprem, tayfun, sel vb. için erken uyarı sistemleri yapmak için kullanılabilir. Bu çalışma, öncelikle eksik veri ataması gibi veri ön işleme ve bir anormallik/aykırı değer tespit metodolojisinin geliştirilmesi ile ilgilidir. Çeşitli eksiklik senaryolarında eksik veya aralıklı olarak örneklenmiş çok değişkenli zaman serisi verilerini verimli bir şekilde atamak için Naive Bayes gibi herhangi bir makine öğrenimi algoritmasını temel öğrenici olarak kullanabilen bir metodoloji olan Özellik önemine göre Imputation'ı (IBFI) öneriyoruz. rastgele değil (MNAR), rastgele tamamen eksik (MCAR) ve rastgele eksik (MAR) gibi. Çok değişkenli zaman serisi verilerindeki eksik özelliklerin yeniden yapılandırılmasında, önerilen metodoloji, tahmine dayalı ortalama eşleştirme, medyan, ortalama, mod ve hot-deck gibi yaygın olarak uygulanan atama yöntemlerine karşı değerlendirilir. Önerilen metodoloji, belirli örneklerde birden fazla özelliğin eksik olduğu senaryolarda avantajlıdır. Herhangi bir temel öğrenme algoritması (bu çalışmada XGBoost) kullanan önerilen metodoloji, özniteliklerin birbirleri arasındaki öneminden yararlanır ve ilgili taramalarda örneklerdeki eksik özellikleri yeniden oluşturur. Ayrıca, otomatik anormallik gösterge işlevine ve kümeleme topluluğu öğrenmesine dayalı bir anormallik algılama çerçevesi de önerdik. Çerçeve, zaman serisi verilerindeki tüm anormallikleri veya aykırı değerleri doğru bir şekilde sınıflandırabilir. Radon Zaman Serileri (RTS) için veriler 1 Mart 2017 ile 28 Şubat 2018 arasında kaydedildi. Çalışma süresi boyunca dört anormallik veya deprem olayı meydana geldi.

Özet (Çeviri)

With the advancement of technology, several studies have been conducted across the globe that performs forecasting and anomaly detection in time-series data to capture anomalous behavior. The detection of anomalies can be utilized to make early warning systems such for earthquakes, typhoons, floods, etc. This study is primarily concerned with data preprocessing such as missing data imputation and the development of an anomaly/outlier detection methodology. We propose Imputation by feature importance (IBFI), a methodology that is capable of utilizing any machine learning algorithm as a base learner, such as Naïve Bayes or Support Vector Machine, to efficiently impute missing or intermittently sampled multivariate time series data across various missingness scenarios, such as missing not at random (MNAR), missing completely at random (MCAR), and missing at random (MAR). In the reconstruction of missing features in multivariate time series data, the proposed methodology is evaluated against commonly applied imputation methods such as predictive mean matching, median, mean, mode, and hot-deck. The proposed methodology is advantageous in scenarios where more than one feature is missing in certain samples. Employing any base learning algorithm (XGBoost in this study), the proposed methodology takes advantage of the importance of features amongst each other and reconstructs missing features in the samples in respective scans. Moreover, we also proposed an anomaly detection framework based on automatic anomaly indication function and stacking ensemble learning. The framework can accurately classify all the anomalies or outliers in the time series data. Data for the Radon Time Series (RTS) was recorded from the 1st of March 2017 to the 28th of February 2018. During the study period, there were four anomalies or earthquake events.

Benzer Tezler

  1. GPS ölçümleri ve fay hareketlerinde deprem ilişkisi

    Earthquake relationship between fault movements and GPS measurements

    GÖKHAN ASLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEKİ HASGÜR

  2. Radon konsantrasyonlarının ölçümü ve süreksizliklerin araştırılması

    The measurement of radon concentration and investigation of discontinuities

    FİKRET TÜFEKCİOĞLU

    Doktora

    Türkçe

    Türkçe

    2015

    Maden Mühendisliği ve MadencilikSelçuk Üniversitesi

    Maden Mühendisliği Ana Bilim Dalı

    PROF. DR. VEYSEL ZEDEF

    DOÇ. DR. MEHMET ERDOĞAN

  3. Pamukkale jeotermal alanlarında radon konsantrasyonu ölçümü ve depremle ilişkisinin araştırılması

    Radon concentration measurements in geothermal region of Pamukkale and investigation of its relationship with earthquake

    FERİDE KULALI

    Doktora

    Türkçe

    Türkçe

    2016

    Fizik ve Fizik MühendisliğiSüleyman Demirel Üniversitesi

    Fizik Ana Bilim Dalı

    PROF. DR. İSKENDER AKKURT

  4. On physical mechanisms of radon transport from soil to air

    Topraktan havaya radon taşınımının fiziksel mekanizmaları üzerine

    SALEEM JASIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Fizik ve Fizik MühendisliğiFırat Üniversitesi

    Fizik Ana Bilim Dalı

    PROF. DR. FATİH KÜLAHCI

  5. Determination of possible responses of radon-222 and atmospheric total electron content to earthquakes: An ARIMA and Monte Carlo simulation

    Radon-222 ve atmosferik toplam elektron içeriğinin depremlere verdikleri olası tepkilerin belirlenmesi: Bir ARIMA ve Monte Carlo simülasyonu

    DAWAR HAMA KHALID MOHAMMED

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Fizik ve Fizik MühendisliğiFırat Üniversitesi

    Fizik Ana Bilim Dalı

    PROF. DR. FATİH KÜLAHCI