Tez No	İndirme	Tez Künye	Durumu
779201		FSOLAP: A fuzzy logic-based spatial OLAP framework for spatial-temporal analytics and querying / FSOLAP: Uzamsal-zamansal analitik ve sorgulama için bulanık mantık tabanlı uzamsal OLAP çerçevesi Yazar:SİNAN KESKİN Danışman: PROF. DR. ADNAN YAZICI Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2023 159 s.
Günümüzde sensör teknolojisindeki ilerlemeyle birlikte mekansal ve zamansal veri miktarı her geçen gün artmaktadır. Toplanan verilerin hızlı, etkili ve doğru analizi ve bu verilerle tahmin yapmak her zamankinden daha önemli hale geldi. Mekansal Çevrimiçi Analitik İşleme (SOLAP), birçok karmaşık uygulamada kullanılan hiyerarşik yapıyı doğal olarak içermekte olup mekansal ve zamansal veriler üzerinde veri madenciliği yapmak için ortaya çıkmıştır. SOLAP kullanan uygulamalar daha çok kesin veriler üzerinde çalışırlar ancak birçok karmaşık veri uygulamasında, özellikle uzamsal-zamansal veritabanı uygulamalarında, verilerin doğası gereği belirsizlik ve bulanıklık temel unsurlardır. Ayrıca, bu karmaşık uzay-zamansal uygulamalardaki verilerin doğası gereği, belirsiz ve bulanık veriler üzerinde esnek sorgu ve analizlerin desteklenmesine her zaman ihtiyaç vardır. Bu çalışmada, FSOLAP, bulanık mantık ve SOLAP kavramlarının faydalarını bir araya getirerek yeni bir bulanık SOLAP tabanlı çerçeve olarak önerilmiş olup tahmine dayalı analitiği ve uzay-zamansal tahmine dayalı sorgulamayı desteklemek için çıkarım yeteneği üzerine eklenmiştir. Ek olarak, FSOLAP temel olarak geçmiş verilerle ilişkili sorguları ve analizleri ele alırken, tipik olarak bir çıkarım mekanizması gerektiren tahmine dayalı bulanık uzay-zaman sorgularının nasıl ele alınacağını da açıklıyoruz. FSOLAP çerçevesinin tahmine dayalı doğruluğu ve kaynak kullanım performansı, Destek Vektör Makinesi, Rastgele Orman ve Bulanık Rastgele Orman gibi bazı iyi bilinen makine öğrenimi teknikleriyle gerçek veriler kullanılarak karşılaştırılmıştır. Kapsamlı deneysel sonuçlar, büyük bir meteorolojik veri seti kullanan çeşitli uzay-zamansal olayların tahmine dayalı analizine yönelik FSOLAP çerçevesinin, geleneksel makine öğrenimi tekniklerinden çok daha doğru ve ölçeklenebilir olduğunu göstermektedir.
Nowadays, with the rise in sensor technology, the amount of spatial and temporal data increases day by day. Fast, effective, and accurate analysis and prediction of collected data have become more essential than ever. Spatial Online Analytical Processing (SOLAP) emerged to perform data mining on spatial and temporal data that naturally contains the hierarchical structure used in many complex applications. In addition, uncertainty and fuzziness are inherently essential elements of data in many complex data applications, particularly in spatial-temporal database applications. Also, there is always a need to support flexible queries and analyses on uncertain and fuzzy data, due to the nature of the data in these complex spatiotemporal applications. In this study, FSOLAP is proposed as a new fuzzy SOLAP-based framework to compose the benefits of fuzzy logic and SOLAP concepts and is extended with inference capability to the framework to support predictive analytics and spatiotemporal predictive querying. Additionally, while FSOLAP primarily includes historical data and associated queries and analyses, we also describe how to handle predictive fuzzy spatiotemporal queries, which typically require an inference mechanism. The predictive accuracy and resource utilization performance of FSOLAP are compared using real data with some well-known machine learning techniques such as Support Vector Machine, Random Forest, and Fuzzy Random Forest. The extensive experimental results show that the FSOLAP framework for the predictive analysis of various spatiotemporal events using a big meteorological dataset is considerably more accurate and scalable than conventional machine learning techniques.