Tree-based learning for multivariate time series clustering

---

Tezin Türü: Yüksek Lisans

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

Tezin Onay Tarihi: 2024

Tezin Dili: İngilizce

Öğrenci: DOĞANAY ÖZESE

Danışman: MUSTAFA GÖKÇE BAYDOĞAN

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Zaman serisi verileri, zaman içinde ardışık ölçümleri aracılığıyla elde edilen finans, meteoroloji ve biyoloji gibi çeşitli alanlarda büyük öneme sahip bir veri tipidir. Zaman serisi kümelemenin önemine rağmen, mevcut yöntemler çok değişkenli zaman serisi bağlamında zorluklarla karşılaşmaktadır. Sinir ağları uygulamaları bu alanda etkinlik göstermiştir ancak gerçek dünya uygulamaları için yorumlanabilirlik eksikliğine sahiptir. Yorumlanabilirlik genellikle kümeleme modellerinde de ihmal edilen ancak gerçek dünya karar verme süreçlerinde oldukça kritik bir faktördür. Bu tezin odak noktası, bu boşlukları ele almak üzere henüz keşfedilmemiş bir yaklaşım olarak karar ağacı temelli çok değişkenli zaman serisi kümeleme yöntemi sunmaktır. Önerilen yaklaşım, hem bağlılık hem de ayrımı sağlayarak, iç ve ara küme uzaklıklarını dikkate almaktadır. Bu hibrit strateji, kümeleme kalitesini artırarak, çeşitli desenlerin yakalanmasını ve aynı zamanda küme farklılığının korunmasını mümkün kılar. Algoritmanın verimliliğinin kaynaklarından biri, algoritmanın esnekliğidir. Önerilen yöntem, hem tek değişkenli hem de çok değişkenli zaman serilerini etkili bir şekilde ele alabilmektedir. Ayrıca, benzerlik temelli kümelemeleri üretmenin yanı sıra uygulamalarda şeffaflık ihtiyacına uygun olarak içgörüler sunar. Açık veri setlerinde ve elektrik mühendisliği alanında gerçek bir veri seti üzerinde yapılan deneysel değerlendirmeler, kümeleme kalitesi ve performansında umut verici sonuçları sergilemektedir.