Tez No	İndirme	Tez Künye	Durumu
792305		Kullanıcıların zaman serileri biçimindeki davranış desenlerinin modellenmesi ve tahminlenmesi / Modeling and forecasting user behavior patterns in time series Yazar:YİĞİTCAN ŞENER Danışman: PROF. DR. AYBARS UĞUR Yer Bilgisi: Ege Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2023 112 s.
Zaman serisi modelleme ve tahminleme problemi, uzun yıllardır üzerinde çalışılan bir problemdir. Özellikle derin öğrenme yöntemlerinin gelişmesi ve yüksek işlem gücüne erişimin kolaylaşması ile kullanıcı verileri üzerinde zaman serisi analizi, modelleme ve tahminleme çalışmaları oldukça hız kazanmıştır. Bu tezde, kullanıcıların zaman serisi biçimindeki davranış desenlerinin modellenmesi ve tahminlenmesi problemi, Enerji Tüketimi Planlama ve Tahminleme ve Müzik Besteleme başlıkları altında ele alınmıştır. Her iki başlık için de birer vaka çalışması gerçekleştirilmiştir. Enerji Tüketimi Tahminleme probleminin çözümünde gerçek enerji tüketimi verisi kullanılarak abonelerin davranış desenlerinin modellenmesinde, birden çok LSTM ağının ortak çözüm ürettiği bir yöntem geliştirilmiştir. Geliştirilen yöntemin başarısı, aynı gerçek veri kullanılarak eğitilmiş ve aynı hiperparametre eniyilemesi yöntemlerinden geçirilmiş bir LSTM ağ modelinin tahminleme başarısı ile kıyaslanarak sonuçlar paylaşılmıştır. Geliştirilen yöntemin bazı durumlarda daha düşük hata payı ile tahminleme gerçekleştirebildiği görülmüştür. Müzik Besteleme probleminin çözümünde ise telifsiz müzik eserlerinden oluşan bir veri seti duyguya göre etiketlenerek gruplanmış, çeşitli veri ön-işleme adımlarından geçirilmiştir. Elde edilen işlenmiş veri seti ile problemin çözümüne özel geliştirilmiş bir çoklu LSTM ağ modeli, hiperparametre eniyilemesi işlemlerinin ardından eğitilmiş ve deneysel çalışmalar için hazır hale getirilmiştir. Yöntemde oluşturulan öznitelik seti, veri setini oluşturan eserlere özgü aykırı kabul edilebilecek değerlerden (oktav aralığı, ritim gibi) arındırılmıştır. Bu sayede veriden müzikal kural ve eğilimlerin etkili bir şekilde öğrenilebilmesini sağlamıştır. Yine yöntemde kullanılan birbirinden bağımsız LSTM ağlarının farklı öznitelik alt kümeleri ile eğitimi ve kolektif çıktı üretmeleri, veri setinde yer almasa bile farklı varyasyonda çıktıların üretilmesine de olanak sağlamıştır. Geliştirilen yöntemde kullanılan öznitelik seti ve geliştirilen çoklu LSTM ağ modeli ile, müzik besteleme probleminin çözümünde literatüre katkı sağlandığı düşünülmektedir. Geliştirilen yöntemin performansı müzisyen ve müzisyen olmayan katılımcıların bulunduğu 50 kişilik bir hedef grup tarafından kategori sınıflandırma başarısı ve müzikal kalite başarısı açısından değerlendirilmiş ve sonuçlar paylaşılmıştır. Geliştirilen yöntemin beste üretme başarısının kusursuz olmadığı ancak belli duygular için bestelenen müziklerde insan elinden üretilmiş bir eser kadar başarılı olabildiği görülmüştür.
Time series modeling and estimation problem has been studied for many years. Especially with the development of deep learning methods and the ease of access to high processing power, time series analysis, modeling and estimation studies on user data have gained momentum. In this thesis, the problem of modeling and predicting the behavior patterns of users in the form of time series is discussed under the headings of Planning and Forecasting Energy Consumption and Music Composition. One case study for each topic are carried out. In the solution of the Energy Consumption Estimation problem, a method is developed in which multiple LSTM networks produce a common solution in modeling the behavior patterns of subscribers using real energy consumption data. The success of the developed method is compared with the success of a single LSTM network model trained using the same real data and passed through the same hyperparameter optimization methods, and the results are shared. It is observed that in some cases, the developed method can perform estimation with a lower margin of error. In solving the Music Composition problem, a data set consisting of royalty-free music works are labeled and grouped by the emotion of the music work, then various pre-processing operations are applied. A multi-LSTM network model that specialized for the solution of the problem set is trained with the obtained processed data, and made ready for experimental studies after the hyperparameter optimization processes. The attribute set created in the method is purified from values such as octave range, rhythm etc. to ensure that musical rules and tendencies can be learned effectively from the data. Independent LSTM networks trained with different feature subsets are used in the method. The production of collective outputs also enabled the production of outputs in different variations, even if they had not existed in the data set. It is thought that the feature set and multi-LSTM network model used in the developed method contribute to the literature in solving the music composition problem. The performance of the developed method is evaluated by a target group of 50 people, including musicians and non-musicians, in terms of category classification success and musical quality success, and the results are shared. Results show that the success of the developed method in producing compositions is not perfect, but for certain emotions it can be as successful as a work produced by human hands.