Data analysis with distributed machine learning methods in smart city applications
Akıllı şehir uygulamalarında dağıtık makine öğrenmesi yöntemleriyle veri analizi
- Tez No: 848814
- Danışmanlar: DOÇ. DR. MEHMET DEMİRCİ, PROF. DR. SUAT ÖZDEMİR
- Tez Türü: Doktora
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Gazi Üniversitesi
- Enstitü: Bilişim Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Bilişim Bilim Dalı
- Sayfa Sayısı: 134
Özet
Bu doktora tezi, dinamik tahmin gereksinimleri, kavram sapması ve sürekli değişen akış verileri gibi zorlukların üstesinden gelmeye odaklanarak uyarlanabilir öğrenmenin çeşitli alanlardaki uygulamasını araştırmıştır. Çalışma, Nesnelerin İnterneti (IoT) iş uygulamalarında otonom uyarlanabilir öğrenme yaklaşımlarının önemini vurgulamıştır. İlk bölüm, gecikmeyi en aza indirmek ve performansı artırmak için önerilen işbirlikçi bir sis bulutu mimarisiyle zaman serisi akış verilerindeki kavram sapmasına odaklanmıştır. Deneysel bulgular, temel modellerle karşılaştırıldığında eğitim süresinde ve tahmin hatasında önemli bir azalma olduğunu göstermektedir. İkinci bölüm, çift yönlü LSTM modellerinin pratikliğini ve uyarlanabilir öğrenmenin önemini vurgulayarak derin öğrenme tekniklerinin hava tahmininde uygulanmasını araştırmıştır. Sonuçlar, uyarlanabilir öğrenmenin tahmin hatalarını yaklaşık 45% oranında azaltabileceğini ve tek değişkenli modellerin hesaplama verimliliği faydaları sağladığını göstermektedir. Üçüncü bölüm, kıyı topluluklarındaki taşkın tahminlerini inceleyip iklim değişikliğini dikkate alan kesin tahminlerin kritik doğasını vurgulamıştır. Tahmin doğruluğunu artırmak için çift yönlü LSTM ve uyarlanabilir öğrenmeyi birleştiren uyarlanabilir bir derin öğrenme metodolojisi sunulmuştur. Önerilen sistem temel modellerden 40% daha iyi performans göstermektedir. Son bölüm, kısa vadeli konut enerji tüketimi tahminini ele almış, model doğruluğu, gizlilik ve ölçeklenebilirlik konularını ele almıştır. Uyarlanabilir öğrenmeyi, birleştirilmiş öğrenmeyi ve uç bilişimi entegre eden bir çerçeve önerilenmiş; bu da eğitim süresinin azalmasına, 8% tahmin hatası oranlarına, kullanıcı gizliliğinin korunmasına ve iletişim gecikmesine yol açmıştır. Özetle, bu doktora tezi geniş bir uyarlanabilir öğrenme uygulamaları ve metodolojileri yelpazesini kapsamakta olup, bunların tahmin doğruluğunu iyileştirme, hataları azaltma ve çeşitli alanlarda model performansını artırmadaki etkinliğine odaklanmaktadır.
Özet (Çeviri)
This doctoral dissertation investigates the domain of adaptive learning across various applications, to resolve the difficulties presented by dynamic forecasting requirements, concept drift, and ever-changing streaming data. This study examines the shortcomings of traditional mining methods and algorithms in addressing these challenges, underscoring the criticality of autonomous adaptive learning approaches in Internet of Things (IoT) business implementations. The initial section of the thesis centers on concept drift in time-series streaming data, with a specific emphasis on its application in meteorology prediction. To accomplish this, it puts forth a cooperative fog-cloud architecture that exploits the cloud layer's computational capabilities and proximity to IoT devices to deliver optimal performance and minimize latency. The efficacy of this architectural design is substantiated by experimental findings, which illustrate a substantial decrease of nearly 41% in total model training time and a 20% reduction in prediction error compared to baseline models. Subsequently, the thesis explores the application of deep learning techniques to the domain of weather forecasting to predict time series. It investigates the practicality of the bidirectional LSTM model and underscores the significance of adaptive learning via regular model updates. The results suggest that the implementation of adaptive learning can decrease prediction errors by approximately 45%. Additionally, univariate models proved to provide computational efficiency benefits. Next, the thesis examines flood forecasting in coastal communities during its third section, placing particular emphasis on the critical nature of precise predictions considering climate change. It presents an adaptive deep learning methodology that incorporates bidirectional LSTM and adaptive learning to improve the accuracy of predictions while using weakly supervised learning for automatic data labeling and augmentation. The efficacy of the proposed system in predicting floods surpasses that of baseline models by 40%. The concluding section of the thesis inspects the prediction of short-term residential energy consumption, emphasizing the difficulties that arise in terms of model accuracy, privacy, and scalability as time progresses. To resolve these concerns, it proposes a framework that integrates adaptive learning, federated learning, and edge computing. The results indicate that adaptive federated learning performs better than centralized learning. Specifically, it decreases training time by around 80% and forecast error rates by 8%. Furthermore, it safeguards user privacy and minimizes communication latency. In essence, this doctoral dissertation covers a broad spectrum of adaptive learning applications and methodologies, with a particular focus on its efficacy in augmenting prediction accuracy, diminishing errors, and enhancing model performance across diverse domains. These domains include but are not limited to weather forecasting, flood prediction, concept drift in streaming data, energy consumption forecasting in the age of IoT, and dynamic data challenges.
Benzer Tezler
- Açık veri ekosisteminde mekansal veri altyapıları
Spatial data infrastructures in open data ecosystem
MİKAİL GÜNEYDAŞ
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CANER GÜNEY
- Akıllı çiftlikler için büyük veri analizi
Big data analysis for smart farming
DUYGU NAZİFE ZARALI
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HACER KARACAN
- Derin öğrenme tabanlı saldırı tespit sistemi
Intrusion detection system using deep learning
GÖZDE KARATAŞ
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖNDER DEMİR
DOÇ. DR. ÖZGÜR KORAY ŞAHİNGÖZ
- Dağıtık üretim sistemlerinin akıllı şebekeler üzerine etkilerinin incelenmesi
Examination of the effects of distributed generation on smart grids
MİKAİL PÜRLÜ
Doktora
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. BELGİN TÜRKAY
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA