Novel representation approaches for time series classification
Zaman serilerinin sınıflandırılmasında yeni temsil yöntemleri
- Tez No: 972523
- Danışmanlar: DOÇ. DR. MUSTAFA GÖKÇE BAYDOĞAN
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, Zaman Serisi (ZS) sınıflandırmasında karşılaşılan, hesaplama verimliliği, yorumlanabilirlik ve özellik çıkarımı gibi zorlukların çözümüne yönelik üç yeni çerçeve sunmaktadır: NSIBOF, ALTS ve ARTSC. NSIBOF çerçevesi, Ölçek-Uzay (ÖU) teorisi ile özellik çantası (ÖÇ) tekniğini birleştiren yenilikçi bir ZS sınıflandırması yaklaşımıdır. Bu çerçevede, zaman serisindeki ÖU ekstremumlarını belirlemek için SiZer yöntemi kullanılarak anahtar noktalar tespit edildikten sonra, bu noktalar etrafındaki yerel özellikler kullanılarak bir ÖA temsili inşa edilmektedir. Böylece, ölçekten bağımsız yerel desenler yakalanarak gürültüye (parazit) ve zamansal hizalama hatalarına karşı duyarlılık azaltılmaktadır. ALTS çerçevesi, kapsamlı aramaya dayalı geleneksel şekilcik (shapelet) tabanlı sınıflandırma yöntemlerinden farklı olarak, kaynaşmış lasso düzenlileştirmesini içeren bir optimizasyon yöntemi sunar. Böylece belirlenmiş şekilcikler aracılığıyla, sınıf belirleyici desenler daha kolay ve daha verimli biçimde öğrenilerek hesaplama karmaşıklığı azaltılmaktadır. ARTSC çerçevesi ise, özellik çıkarımı için otoregresif modelleme kullanırken, farklı türdeki ZS verilerinde daha dayanıklı bir yapı sağlamak amacıyla durağanlık testlerinden ve rastgele orman sınıflandırıcısından yararlanmaktadır. Kıyaslama veri kümeleri üzerinde yapılan deneyler, NSIBOF'un gürültüye ve yapısal bozulmalara karşı dayanıklılığı artırdığını, ALTS'nin geleneksel şekilcik tabanlı sınıflandırıcılara kıyasla daha verimli ve daha doğru sonuçlar ürettiğini, ARTSC'nin ise basit fakat etkili bir sınıflandırma yöntemi olduğunu göstermektedir.
Özet (Çeviri)
This dissertation presents three novel Time Series Classification (TSC) frameworks—NSIBOF, ALTS, and ARTSC—that address key challenges in computational efficiency, interpretability, and robustness by improving the representation of time series data. Effective representation is crucial in TSC because it directly impacts the ability to identify meaningful patterns, reduce noise, handle temporal distortions, and support efficient and interpretable classification. The NSIBOF framework introduces a novel approach that combines scale-space theory with the bag-of-features technique. It identifies key points in the time series using the Significant Zero Crossings (SiZer) method to detect scale-space extrema and then builds a bag-of-features representation from local features around these points, which improves robustness to noise and distortions. The ALTS framework improves classification by using highly discriminative subsequences of the data, sometimes called shapelets, which are learned directly through an optimization process combined with fused lasso regularization. This approach avoids exhaustive searches, preserves class-discriminative patterns, and reduces computational complexity. The ARTSC framework integrates autoregressive (AR) modeling with a Random Forest (RF) classifier to extract features and dynamically adjusts parameters to handle both stationary and non-stationary time series, which improves robustness across domains. Experiments on benchmark datasets show that NSIBOF improves robustness to noise and distortions, ALTS offers better efficiency and accuracy than traditional subsequence-based classifiers, and ARTSC delivers a simple, effective TSC framework.
Benzer Tezler
- Ensemble-based fast shapelet approximation
Topluluk temelli şekilcik yaklaşıklama
BERK GÖRGÜLÜ
Yüksek Lisans
İngilizce
2018
Endüstri ve Endüstri MühendisliğiBoğaziçi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA GÖKÇE BAYDOĞAN
- Derin öğrenme algoritmaları ile personel geri bildirimlerinin sınıflandırılması ve analizi
Classification and analysis of employee feedback with deep learning algorithms
GÖKHAN YİĞİDEFE
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP ÇAKAR KAMAN
- Finansal zaman serisi görüntü temsillerinin ön-eğitimli evrişimsel sinir ağları ile sınıflandırılması yoluyla alım satım sinyal tahmini ve algoritmik ticaret uygulamaları
Trading signal forecasting and algorithmic trading applications via classification of financial time series image representations using pre-trained convolutional neural networks
YAHYA ALTUNTAŞ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ADNAN FATİH KOCAMAZ
- Novel deep learning approaches for functional MRI data analysis
Fonksiyonel MRG veri analizi için yenilikçi derin öğrenme yöntemleri
HASAN ATAKAN BEDEL
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. TOLGA ÇUKUR
- Novel fractional order calculus-based audio processing methods and their applications on neural networks for classification and synthesis problems
Kesirli mertebeden kalkülüs temelli yeni ses işleme yöntemleri ve bunların sinir ağları üzerinde sınıflandırma ve sentez problemlerine uygulanması
BİLGİ GÖRKEM YAZGAÇ
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜRVET KIRCI