Developing hybrid deep learning models with data fusion approach for electricity consumption forecasting
Elektrik tüketim tahmini için veri füzyonu yaklaşımı ile hibrit derin öğrenme modellerin geliştirilmesi
- Tez No: 830564
- Danışmanlar: PROF. DR. MEHMET VOLKAN ATALAY, PROF. DR. ADNAN YAZICI
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Literatürdeki elektrik tüketim tahmini yapan karmaşık derin öğrenme ağlarının birçoğu, sahadaki uygulayıcı tarafından kolayca uygulanamayabilir. Bu çalışmada ilk olarak klasik derin öğrenme ağları olan konvolasyonel sinir ağları (CNN), uzun kısa-dönemli hafıza ağı (LSTM) ile ilkel regresyon algoritmaları olan arima ve random forest yöntemleri tek değişkenli veri seti üzerinde denenmiştir. Sonrasında, önerdiğimiz hibrit modelleri, hava durumu ve elektrik veri setlerinin birleştirilmesi ile oluşan çok değişkenli veri seti üzerinde deneyip bu hibrit modellerin, tek değişlenli veri seti üzerinde çalışan tekil modellere oranla daha iyi sonuç çıkardığını gösteriyoruz. Daha sonra, kısaca Füzyon modeli olarak adlandırdığımız, veri füzyonunu kullanan hibrit bir model öneriyoruz. Füzyon modeli tek değişkenli veri seti üzerinde çalışan tekil model, çok değişkenli veri seti üzerinde çalışan hibrit model ve son olarak bu iki alt modelin çıktılarını kullanan bir lineer regresyon modelinden oluşmaktadır. Sonuç olarak Füzyon modelinin sonucunun diğer alt modellerin sonucundan daha iyi olduğunu gösteriyoruz. Önerilen Füzyon modeli, Chicago, Pittsburgh ve IHEC veri kümeleri üzerinde, CNN, CNN+LSTM, LSTM+LSTM, kCNN-LSTM ve naif Transformer modelleriyle karşılaştırıldığında, ortalama RMSE değerini 0.0732'ye çekmiştir. Bunlara ek olarak, bir modeli eğitecek kadar veri olmadığı durumlarda transfer öğrenme tekniğinin kullanışlılığını gösteriyoruz. Son olarak, Transformer modellerinde ön işleme ve hibritleştirme yöntemlerinin etkilerini tartışıyoruz.
Özet (Çeviri)
Many of the deep learning solutions for electricity consumption forecasting reported in the literature include complex neural networks that may not be directly employed by the practitioner in the field. Throughout this study, we first demonstrate how the standard deep neural networks, i.e. convolutional neural network (CNN), long short-term memory (LSTM), and primitive methods, i.e. arima, random forest perform on univariate electricity consumption dataset. Then, we build hybrid models in order to test them on the newly formed multivariate dataset by combining weather and electricity datasets and show that they perform better on this dataset than the single models do on the univariate dataset. After doing this, we propose a hybrid model that utilizes data fusion approach, called shortly Fusion model. Fusion model consists of a single model that runs on a univariate dataset, a hybrid model that runs on a multivariate dataset and a linear regression model which is fed with the outputs of the single and hybrid models. As a result, we show that the overall result of Fusion model is better than any submodels' results. The proposed Fusion model improves the average RMSE score to 0.0732 when compared to CNN, CNN+LSTM, LSTM+LSTM, kCNN-LSTM and naive Transformer models on Pittsburgh, Chicago and IHEC datasets. Moreover, we show the usability of transfer learning in case of lack of data, size of which is not necessary to fully train a model. Lastly, we attach our findings related to effect of preprocessing techniques and hybridization of transformer model for the electric consumption forecasting task.
Benzer Tezler
- Deprem sonrası betonarme kolonlarda boyuna donatı burkulmasının makine öğrenmesi ile tespiti
Detection of longitudinal reinforcement buckling in reinforced concrete columns post-earthquake by machine learning
BAHADIR GÜLEŞMEN
Yüksek Lisans
Türkçe
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER TUĞRUL TURAN
- HYBRID ENSEMBLE DEEP LEARNING FRAMEWORK WITH SNAKE AND EVO OPTIMIZATION FOR MULTICLASS CLASSİFİCATION OF ALZHEIMER'S DISEASE USING MRI NEUROIMAGING
MRI NÖROGÖRÜNTÜLEME KULLANILARAK ALZHEIMER HASTALIĞININ ÇOK SINIFLI SINIFLANDIRILMASI İÇİN SNAKE VE EVO OPTİMİZASYONLU HİBRİT TOPLULUK DERİN ÖĞRENME ÇERÇEVESİ
AREJ MASOD RAJAB ALHAGI
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. OĞUZ ATA
DOÇ. DR. SEFER KURNAZ
- Savaş alanında durumsal farkındalık için yapay zeka destekli veri füzyonu
Artificial intelligence-assisted data fusion for situational awareness in the battlefield
HAVVANUR BOZÖMEROĞLU
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EBU YUSUF GÜVEN
- Developing a hybrid recommendation algorithm for fashion products: evaluating the impact of classical and deep learning models with multimodal data integration
Moda ürünleri için hibrit bir öneri algoritmasının geliştirilmesi: çoklu modlu veri entegrasyonu ile klasik ve derin öğrenme modellerinin etkisinin değerlendirilmesi
ERHAN TÜTÜNCÜ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBüyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
DOÇ. DR. CEMAL OKAN ŞAKAR
- Univariate time series methodology for wind energy based on hybrid deep learning models
Rüzgar enerjisi için hibrit derin öğrenme modellerine dayalı tek değişkenli zaman serisi metodolojisi
ANASTASYA ÖZTEKİN
Yüksek Lisans
İngilizce
2024
EnerjiAtılım ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. KAMİL DEMİRBERK ÜNLÜ