Geri Dön

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

PDF İndir

  1. Tez No: 748718
  2. Yazar: SELİM FURKAN TEKİN
  3. Danışmanlar: PROF. DR. SÜLEYMAN SERDAR KOZAT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Dikkat, Grafik modelleme, Hava durumu, Kod çözücü, Tahmin, Uzay-zamansal kesiklik, Attention, Graphic modelling, Weather, Decoder, Estimation, Spatio-temporal intermittency
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: İhsan Doğramacı Bilkent Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

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

  1. Tez No

    760613

    Deep wavelet neural network for spatio-temporal data fusion

    Uzamsal-zamansal veri füzyonu içinderin dalgacık sinir ağları

    AJLA KULAGLIC

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BURAK BERK ÜSTÜNDAĞ

  2. Tez No

    2690

    Surface charging of high-voltage spacers in SF6

    Başlık çevirisi yok

    ŞENOL İ. BEKTAŞ

    Doktora

    İngilizce

    İngilizce

    1987

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    DOÇ. DR. MİRZAHAN HIZAL

  3. Tez No

    23313

    Architectural experiences and experiments in the public sphere

    Ortak (“kamusal”) çevrede mimari deneyimler ve denemeler

    SELAHATTİN ÖNÜR

    Doktora

    İngilizce

    İngilizce

    1992

    MimarlıkOrta Doğu Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF.DR. HALUK PAMİR

  4. Tez No

    39152

    Karmaşık sistemlerde faz değişimi

    Başlık çevirisi yok

    METİN HÜNER

    Yüksek Lisans

    Türkçe

    Türkçe

    1993

    Fizik ve Fizik Mühendisliğiİstanbul Teknik Üniversitesi

    DOÇ.DR. AYŞE ERZAN

  5. Tez No

    46270

    Hareket kestirimi

    Motion estimation

    AYLA ÇEVİK

    Yüksek Lisans

    Türkçe

    Türkçe

    1995

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    DOÇ.DR. MELİH PAZARCI

Geri Dön