Tez No	İndirme	Tez Künye	Durumu
696527		Collective data forecasting indynamic transport networks / Dinamik ulaştırma ağlarında kolektif veri tahminlemesi Yazar:MEHMET GÜVERCİN Danışman: PROF. DR. İBRAHİM KÖRPEOĞLU ; DOÇ. DR. BUĞRA GEDİK Yer Bilgisi: İhsan Doğramacı Bilkent Üniversitesi / Mühendislik ve Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Sosyal ağlar = Social networks ; Trafik tahmini = Traffic forecast ; Çok değişkenli zaman serileri = Multivariate time series	Onaylandı Doktora İngilizce 2021 86 s.
Tahminleme işi akıllı ulaşım sistemleri ve bu sistemleri kullananan yolcular için önemli olmakla birlikte ulaşımla ilgili yönetim ve planlamada kritik role sahiptir, gecikme süreleri ve trafik hızı gibi değişkenler ulaşımla ilgili başlıca maliyetleri oluşturmaktadırlar. Her bir ulaşım değişkeni dinamik ulaşım ağlarında ilave yayılmalara sebep olmaktadır. Bunun sonucu olarak, ulaşım ağındaki bir düğümün ulaşım değişkeni örüntüsü ve ağdaki yeri diğer düğümlere yararlı bilgiler sağlayabilir. Biz bu çalışmada bir ulaşım ağındaki düğüme bağlı ulaşım değişkeninin tahminlemesinde ağ bilgisinin ve ulaşım değişkeni ile ilgili benzer düğümlerin davranışlarının ortaklaştırılması gerektiğini dikkate sunmaktayız. Bu çalışmada statik ve dinamik ulaşım ağlarında zaman serisi tahminlemesinde ağ tabanlı özellikleri kullanan Keşifçi Kümelemeli Tahminleme Modelini (KKTM) önermekteyiz. Keşifçi Kümelemeli Tahminleme Modeli, ulaşım ağındaki her bir grup düğüm için temsili bir zaman serisi oluşturur ve bu zaman serilerinin her biri için ağ tabanlı özellikleri bağlayıcı değişken olarak kullarak mevsimler otoregresif hareketli ortalamalar (SARIMA), uzun kısa vadeli hafıza ağları (LSTM), bağlayıcı değişkenli otoregresif hareketli ortalamalar (REG-ARIMA), bağlayıcı değişkenli uzun kısa vadeli hafıza ağları (REG-LSTM) gibi ortak modeller inşa eder. Bu ortak modeller daha sonra her bir düğümün verisine ayrı ayrı uyarlanarak düğümün ulaşım değişkeninin tahminlemesi yapılır. Bu tezde biz ulaşım ağındaki düğümleri gruplamak ve aynı zamanda tahminleme modellerine bağlayıcı değişken olarak girdi oluşturmak için ağ tabanlı teorik özellikleri ve düğüm vektörlerini çıkardık. Önerdiğimiz Keşifçi Kümelemeli Tahminleme Modelini (KKTM) iki ayrı veri seti (uçuş gecikmesi veri seti, trafik hızı veri seti) üzerinde test ettik. Deney sonuçlarına bakıldığında uçuş gecikmesi ve trafik hızı değişkenleri için önerilen keşifçi kümelemeli tahminleme modellerinin bireysel tahminleme modellerine göre daha hatasız tahminlemeler ortaya koyduğu görülmektedir. Kümeleme modellerinde düğümlerin merkezi olma özelliğini ölçen merkeziyet arasındalık skorunun etkili bir bağlayıcı değişken olduğu tespit edilmiştir. Kümelemeli modellerin dinamik olarak oluşturulan ağlarda sitatik ağlara göre daha başarılı olduğu görülmüştür. Bu tezde önerilen Keşifçi Kümelemeli Tahminleme Modeli uygulama alanı bağımsız kavramsal bir modeldir. Önerdiğimiz yöntem ağdaki benzer düğümlerde var olan tahminleme değişkeniyle ilgilili bilgileri ortaklaştırmayı sağladığı için zenginleştiriltimesi sağlanmış veri sayesinde daha güçlü tahminleme modelleri oluşturmaktadır.
Forecasting is a crucial tool for intelligent transportation systems and passengers of these systems and critical for transportation planning and management, as the transportation variable (e.g. delay, traffic speed) are among major costs in transportation. Each transportation variable may cause a further propagation in dynamic transport network. Hence, the transportation variable pattern of a node and the location of the node in the transport network can provide useful information for other nodes. We address the problem of forecasting transportation variable of a transport network node, utilizing the network information as well as the transportation variable patterns of similar nodes in the network. We propose ECFM, Exploratory Clustered Forecasting Modeling, on both static and dynamic transportation network which makes use of graph based features for time-series estimation. ECFM approach builds a representative time-series for each group of nodes in the transport network and fits a common model like Seasonal Autoregressive Integrated Moving Average (SARIMA), Long-Short Term Memory (LSTM), Regression with Autoregressive Integrated Moving Average errors (REG-ARIMA), Regression with Long-Short Term Memory errors (REG-LSTM) for each, using the network based features as regressors. The models are then applied individually to each node data for predicting the node's transportation variable. We perform a network based analysis of the transport network and identify graph-based features and we represent nodes as vectors that are used for both grouping nodes and as regressors in forecasting models. We evaluate proposed ECFM, Exploratory Clustered Forecasting Modeling, on two datasets (flight delay dataset, traffic speed dataset). The experiments show that ECFM provides accurate forecasts of delays/traffics compared to individual forecasting models. Centrality measure of nodes such as betweenness centrality score is found to be an effective regressor in the clustered modeling. Clustered models built on dynamic networks performs better compared to static networks. ECFM, Exploratory Clustered Forecasting Modeling, is an conceptual approach and it is domain independent. Our proposed approach tries to incorporate information, related to estimated variable, exist in similar nodes of the network. Thus, we can achieve to build robust estimation models on enriched data.