Spatiotemporal series analysis and forecasting: New deep learning architectures on weather and crime forecasting
Uzay-zamansal serilerde analiz ve tahminleme: Hava durumu ve suç tahmininde yeni derin öğrenme mimarileri
- Tez No: 748718
- Danışmanlar: PROF. DR. SÜLEYMAN SERDAR KOZAT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- 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: 70
Özet
Uzay-zamansal serileri hava durumu ve suç tahmini üzerinden çalışmaktayız ve başka uzay-zamansal problemlerde de kullanılabilecek yeni başarılı derin öğrenme mimarileri tanıtmaktayız. İlk olarak, fiziksel modellerin işlem gücü gereksinimlerine ve performanslarına dikkat çekerek hava durumu modelimizi alternatif olarak sunmaktayız. Hava durumu modelimiz kodlayıcı-çözücü yapısını Evrişimli Uzun-Kısa Soluklu Belleklerle büyütmekte ve dikkat ve bağlam eşleştirici mekanizmalarla performansını artırmaktadır. Büyük çaplı, gerçek, literatürde kıstas olan sayısal hava durumu verileri üzerinde deneyler gerçekleştirmekteyiz. Dikkat matrislerinin atmosferik dalgalanmaları nasıl modellediğini ve uzayzamansal bağıntıları başarılı bir şekilde öğrendiğini göstermekteyiz. Modelimiz, temel derin öğrenme modelleri arasından en iyi skoru ve fiziksel modellerle kıyaslanabilecek sonuçlar almaktadır. İkinci olarak, yüksek çözünürlüklü suç tahminini çalışmaktayız ve Çizge Evrişimli Geçitli Tekrarlayan ünite ve Çoklu Gauss Dağılımlarını kullanarak yeni üretici model sunmaktayız. Yüksek çözünürlüklü uzay-zamansal verideki seyreklik ve karışıklık problemini çözmek için çizge gösterimini oluşturmaktayız ve parselleme algoritması sunmaktayız. Çizge gösteriminin kullanışlı yapısı sayesinde, bağıntıları bağlam vektörlerine kodlamaktayız ve Çoklu Gauss Dağılımını oluşturarak literatürde ilk olan istenilen her çözünürlükte tahmin üretmekteyiz. Modelimiz gerçek ve sentetik veride en son kullanılan modeller arasında en iyi performansı göstermektedir. Bu yüzden modelimiz sadece üretken değil aynı zamanda doğrudur. Ek olarak, kaynak kodlarımızı deneyleri tekrar gerçekleştirmek için sağlamaktayız.
Özet (Çeviri)
We investigate spatiotemporal series through weather and crime forecasting and introduce new successful deep learning architectures that are also applicable to other spatiotemporal domains. First, we present our weather model being an alternative to physical models by addressing the computational cost and the performance. In our weather model, we extend the encoder-decoder structure with the Convolutional Long-short Term Memory units and enhance the performance with attention and context matcher mechanisms. We perform experiments on high-scale, real-life, benchmark numerical weather datasets. We show that attention matrices model atmospheric circulations and successfully capture spatial and temporal relations. Our model obtains the best scores among the baseline deep learning models and comparable results with the physical models. Secondly, we study high-resolution crime prediction and introduce a new generative model with Graph Convolutional Gated Recurrent Units (Graph-ConvGRU) and multivariate Gaussian distributions. We introduce a subdivision algorithm and create a graph representation to tackle the sparsity and complexity problem in high-resolution spatiotemporal data. By leveraging the flexible structure of graph representation, we encode the relations to state vectors for each region. We then create a multivariate probability distribution from the state vectors and perform prediction at any resolution for the first time in the literature. Our model obtains the best score in our experiments on real-life and synthetic datasets compared to the state-of-the-art models. Hence our model is not only generative but also precise. We also provide the source code of our algorithms for reproducibility.
Benzer Tezler
- Türkiye'nin kuzey-batı bölgesindeki yüzeydeformasyonlarının yüksek çözünürlüklü insar verileriyardımı ile gözlenmesi: Asismik slip ve çöküntü olguları
Monitoring of surface deformation in northwest turkey from high resolution insar : Focus on tectonic aseismic slip and subsidence
GÖKHAN ASLAN
Doktora
İngilizce
2019
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiKatı Yer Bilimleri Ana Bilim Dalı
PROF. DR. ZİYADİN ÇAKIR
- 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
- 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
- Spatio-temporal crime prediction model based on analysis of clusters
Suç kümelerinin analizi ile zamnsal ve mekansal suç tahmin modeli oluşturulması
ESRA POLAT
Yüksek Lisans
İngilizce
2007
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiJeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
DOÇ. DR. ŞEBNEM DÜZGÜN
- Analysis and modeling of crustal deformation using InSAR time series along selected active faults within the Africa-Eurasia convergence zone
Afrika-Avrasya sıkışma zonu içerisindeki seçilmiş aktif faylar boyunca meydana gelen kabuk deformasyonunun incelenmesi ve modellenmesi
ESRA ÇETİN
Doktora
İngilizce
2015
Jeoloji Mühendisliğiİstanbul Teknik ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZİYADİN ÇAKIR
PROF. DR. MUSTAPHA MEGHRAOUI