Novel representation approaches for time series classification

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: İngilizce

Öğrenci: AYKUT TAYYİP ALTAY

Danışman: MUSTAFA GÖKÇE BAYDOĞAN

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

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.