Geri Dön

Makine öğrenim algoritmaları ile akım verilerinin tahmini

The forecasting of flow data with machine learning algorithms

  1. Tez No: 821151
  2. Yazar: ESRA KAYA
  3. Danışmanlar: DOÇ. DR. LEVENT LATİFOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 99

Özet

Nehir akım tahmini, su yapılarının planlanması ve yönetiminde önemli bir rol oynamaktadır. Ancak, doğrusal ve durağan olmayan özellikler sergileyen nehir akım verilerini doğru bir şekilde tahmin etmek zorlu bir problemdir. Bu tez çalışmasında, yüksek performans elde etmeyi amaçlayan hem genel nehir akımının hem de pik (sıra dışı) akımlarının tahmini için yeni bir yaklaşım önerilmiştir. Kullanılan veriler, yağış ve akım süresi serilerinin yanı sıra Ampirik Mod Ayrışımı (Empirical Mode Decomposition, EMD), Varyasyonel Mod Ayrışımı (Variational Mode Decomposition, VMD) ve Dairesel Tekil Spektrum Analizi (circulant Singular Spectrum Analysis, ciSSA) alt bantlarından gecikmeli verileri içermektedir. Bu veri kümelerinden özellik seçimi için Minimum Artıklık Maksimum İlgililik (Minimum Redundancy Maximum Relevance, MRMR) yöntemi kullanılmıştır. Seçilen özellikler Makine Öğrenmesi Yöntemleri (Machine Learning, ML); Gauss Süreç Regresyonu (Gaussian Process Regression, GPR), Topluluk Öğrenme (Güçlendirme, Torbalama) (Ensemble Learning (Boosting, Bagging)), Destek Vektör Regresyonu (Support Vector Regression, SVR) ve Yapay Sinir Ağı (Artificial Neural Networks, ANN) ile günlük akım tahmin modelleri geliştirmek için kullanılmıştır. Geliştirilen MRMR-ML, EMD-MRMR-ML, VMD-MRMR-ML ve ciSSA-MRMR-ML modellerinin performansları değerlendirilmiştir. Sonuçlar, akım tahmininde ciSSA-MRMR-ML ve VMD-MRMR-ML modellerinin yüksek başarıya sahip olduğunu göstermiştir. Ayrıca günlük genel akım tahmini ve pik akım tahminlerinde ciSSA-MRMR-ML yönteminin en iyi sonucu verdiğini göstermiştir.

Özet (Çeviri)

River flow forecasting plays an important role in the planning and management of water structures. However, accurately estimating river flow data, which exhibit nonlinear and nonstationary characteristics, is a challenging problem. In this thesis, a new approach was proposed for the estimation of both overall river flow and peak (outlier) flows, aiming to achieve high performance. The data used included precipitation and streamflow time series, as well as lagged data from the Empirical Mode Decomposition (EMD), Variational Mode Decomposition (VMD), and circulant Singular Spectrum Analysis (ciSSA) sub-bands. The Minimum Redundancy Maximum Relevance (MRMR) method was used for feature selection from these datasets. The selected features have been utilized for developing daily streamflow prediction models using Machine Learning (ML) methods including Gaussian Process Regression (GPR), Ensemble Learning (Boosting, Bagging), Support Vector Regression (SVR) and Artificial Neural Networks (ANN). The performance of the developed MRMR-ML, EMD-MRMR-ML, VMD-MRMR-ML ve ciSSA-MRMR-ML models have been evaluated. The results have indicated that ciSSA-MRMR-ML and VMD-MRMR-ML models exhibit high success rates in streamflow prediction. Furthermore, ciSSA-MRMR-ML has shown to provide the best results in daily overall streamflow and peak (outlier) streamflow predictions.

Benzer Tezler

  1. State of charge estimation of lithium-ion batteries using machine learning approach

    Makine öğrenmesi yaklaşımı kullanılarak lityum iyon pillerin şarj durumu tahmini

    OSMAN ALPER ALTUN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. EMİNE AYAZ

  2. Yapay zekâ tabanlı elektrokardiyografi sinyali ile kan basıncı tespiti

    AI-based blood pressure detection with electrocardiography signal

    DERYA KANDAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHAMMED KÜRŞAD UÇAR

  3. A support decision system for predicting rating values of preproduction TV content: An explainable machine learning approach

    Yayınlanmamış TV içeriğinin reyting değerinin tahmin edilebilmesi için karar destek sistemi: Bir açıklanabilir makine öğrenimi yaklaşımı

    BURAK BATIBAY

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    PROF. DR. ATABEY KAYGUN

  4. İki eksenli protez kolun ileri kontrol yöntemleriyle kontrolü

    Control of biaxial prosthetic arm with advanced control methods

    ÖMER FARUK KARAKÖSE

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Mühendislik BilimleriSakarya Uygulamalı Bilimler Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA ÇAĞRI KUTLU

  5. Makine öğrenimi algoritmaları kullanılarak kaçak elektrik takibi ve kontrol sisteminin gerçekleştirilmesi

    Realisation of illegal electricity tracking and control system using machine learning algorithms

    ÖNDER CİVELEK

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiKaradeniz Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HALİL İBRAHİM OKUMUŞ