Using deep learning models for structural break detection in time series
Zaman serilerinde yapısal kırılma tespiti için derin öğrenme modellerinin kullanılması
- Tez No: 915887
- Danışmanlar: PROF. DR. CEYLAN YOZGATLIGİL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 160
Özet
Bu çalışma, zaman serilerindeki yapısal kırılmaların tespiti ve konumlandırılmasını amaçlayan kapsamlı bir süreç sunmaktadır. Çalışmada trend, anomali ve yapısal kırılmalar (ani ve kademeli kırılmalar dahil) gibi çeşitli özellikleri simule eden sentetik veri setleri oluşturulmuştur. Yapısal kırılmaların tespiti için Python ile sinir ağı mimarileri (konvolüsyonel ve yinelemeli modeller) eğitilmiş, istatistiksel testler ise karşılaştırma amaçlı olarak R dilinde uygulanmıştır. Modellerin performansı, tespit metrikleri (kesinlik, duyarlılık, F1 skoru) ve konum doğruluğu üzerinden değerlendirilmiitir. Sonuç lar, önerilen modellerin, farklı uzunluklardaki zaman serilerinde yapısal kırılmaları tespit etmede çoğu metrikte geleneksel istatistiksel testleri geride bıraktığını göstermektedir. Bu çalışma, geleneksel yöntemlere kıyasla ölçeklenebilir ve doğru bir alternatif sunarak, kırılma tespiti metodolojilerine katkı sağlamaktadır.
Özet (Çeviri)
This study addresses the detection and localization of structural breaks in time series data through a comprehensive pipeline, encompassing synthetic data generation, model training, and validation. Synthetic datasets were created to emulate diverse characteristics such as trends, anomalies, and structural shifts, including both gradual and sudden changes. Neural network architectures, including convolutional and recurrent models, were trained using Python to identify structural breaks, while statistical tests were implemented using R for comparison. The models' performance was evaluated on detection metrics (precision, recall, F1-score) and locational accuracy. The results highlight the proposed models' robustness in detecting structural breaks across varying time series lengths, outperforming traditional statistical tests in most metrics. This research contributes to advancing break detection methodologies, offering a scalable and accurate alternative to conventional approaches.
Benzer Tezler
- Derin öğrenme yöntemleri ile Türkçede bağlılık ayrıştırma
Dependency parsing with deep learning methods in Turkish
MÜCAHİT ALTINTAŞ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET CÜNEYD TANTUĞ
- Modelling human-robot audition for sound localization with deep neural network
Derin sinir ağı ile ses yerelleştirmesi için insan-robot seçmelerinin modellenmesi
MOHAMMAD IBRAHİM KHLİL AL KARAKI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DR. IHAB ELAFF
- Manyetik parçacık testi sonrası çatlak tespitinde derin öğrenme algoritmalarının uygulanması
Application of deep learning algorithms in crack detection after magnetic particle testing
YASİN ULUS
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET AKİF ŞAHMAN
- Derin öğrenme mimarileri kullanılarak dudak okuma ile konuşma tanıma sistemi tasarlanması
Designing a speech recognition system with lip reading using deep learning architectures
ALİ ERBEY
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. DR. NECAATTİN BARIŞÇI
- Yapısal renk değişimi tabanlı UV sensör tasarımı için makine ve derin öğrenme modellerinin karşılaştırılması
Comparison of machine and deep learning models for structural color change-based UV sensor design
EŞREF ERDOĞAN
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiErciyes ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER GALİP SARAÇOĞLU