خوشه بندي گروهي و وزن دهي به ويژگي در داده سري زماني

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

دكتري

سري زماني مجموعه اي از مشاهدات داده است كه با تكرار اندازه گيري ها در زمان به دست مي آيد. خوشه بندي سري زماني عمل سازماندهي نقاط زماني به خوشه ها بر اساس معيارهاي شباهت و عدم شباهت است. خوشه بندي يك روش يادگيري بدون نظارت است كه به منظور حداكثر رساندن شباهت داده ها در يك خوشه و به حداقل رساندن شباهت داده ها بين خوشه هاي مختلف اعمال مي شود. در يادگيري ماشين، يك گروه، يك سيستم يادگيري متشكل از مجموعه‌اي از مدل‌هاي مجزا است. خروجي اين مدل‌ها با بهره‌گيري از يك استراتژي تصميم‌گيري تركيب مي‌شود تا راه حلي بهينه براي مساله توليد كند. يك گروه خوشه بندي با هدف تركيب مدل هاي خوشه بندي به يك مدل واحد براي دستيابي به كارايي بالاتر تشكيل مي شود. در اين تحقيق، چارچوب هايي به منظور خوشه‌بندي گروهي مبتني بر مركز و خوشه بندي گروهي مبتني بر يادگيري عميق طراحي مي شوند. آنها از روش ها و الگوريتم‌هاي خاصي براي تحليل ويژگي‌ها در داده‌ سري زماني سالانه استفاده مي‌كنند. چارچوب‌ها با هدف خوشه‌بندي نقاط داده از سال هاي مختلف به صورت يكپارچه طراحي شده اند. ابتدا داده سري زماني اصلي به ويژگي ها تبديل مي شوند و سپس فضاي ويژگي جديد براي كاهش بار محاسباتي و تسهيل پردازش تقسيم بندي مي شود. چارچوب هاي خوشه بندي مبتني بر مركز از الگوريتم هاي وزن دهي ويژگي براي افزايش تأثير ويژگي هاي مهم در خوشه بندي استفاده مي كنند. چارچوب خوشه بندي مبتني بر يادگيري عميق براي انجام خوشه بندي بر اساس شبكه عصبي نگاشت خود سازمان ده پيشنهاد شده است. اين چارچوب روش هاي خوشه بندي مبتني بر شكل و مبتني بر ويژگي را به نماهاي مختلف از داده سري زماني اعمال مي كند. در روش خوشه بندي مبتني بر شكل، معيار تشابه پيچش زمان پويا با شبكه نگاشت خود سازمان ده تركيب مي شود تا فرآيند همگرايي بخش ها را تسريع كند و در روش خوشه بندي مبتني بر ويژگي، از تكنيك هاي استخراج ويژگي براي رسيدگي به همبستگي ميان ويژگي ها استفاده مي شود. همچنين مدل هاي پيش بيني سازگار با چارچوب هاي پيشنهادي ارائه شده اند. آنها از نتايج خوشه بندي به دست آمده به منظور پيش بيني برچسب كلاس مشاهدات جديد استفاده مي كنند. ارزيابي ها با استفاده از مجموعه داده هاي تاريخي آب و هوا از سكوهاي Open ML و Kaggle انجام شده اند. داده دما و رطوبت بخش بندي و فضاي ويژگي توليد شده بررسي شده اند. معيارهاي Homogeneity، Completeness و V-Measure به منظور محاسبه دقت خوشه بندي چارچوب ها استفاده شده است. به منظور اندازه گيري كارايي مدل هاي پيشنهاد شده از نظر دقت دسته بندي فضاي ويژگي بخش بندي شده به مجموعه هاي آموزش و آزمايش تقسيم بندي شده است. نتايج قابليت چارچوب هاي پيشنهادي در توليد خوشه هاي پايدار و با كيفيت را نشان مي دهند.

237985

نرم افزار

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان