Uma abordagem espaço-temporal para aprendizado em conjunto usando redes ConvLSTM
| Autor: | Souto, Yania Molina |
|---|---|
| Přispěvatelé: | Porto, Fábio André Machado, Moura, Ana Maria de Carvalho, Ziviani, Artur, Bezerra, Eduardo, Silva, Pedro Leite da |
| Jazyk: | portugalština |
| Rok vydání: | 2018 |
| Předmět: | |
| Zdroj: | Biblioteca Digital de Teses e Dissertações do LNCC Laboratório Nacional de Computação Científica (LNCC) instacron:LNCC |
| Popis: | Submitted by Maria Cristina (library@lncc.br) on 2020-03-31T17:47:12Z No. of bitstreams: 1 Tese_Yania Souto2018.pdf: 16145670 bytes, checksum: f64cdc7b0a2abb86315a516cb551b302 (MD5) Approved for entry into archive by Maria Cristina (library@lncc.br) on 2020-03-31T17:47:24Z (GMT) No. of bitstreams: 1 Tese_Yania Souto2018.pdf: 16145670 bytes, checksum: f64cdc7b0a2abb86315a516cb551b302 (MD5) Made available in DSpace on 2020-03-31T17:47:36Z (GMT). No. of bitstreams: 1 Tese_Yania Souto2018.pdf: 16145670 bytes, checksum: f64cdc7b0a2abb86315a516cb551b302 (MD5) Previous issue date: 2018-06-01 Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES The number os sensors, radars and objects of all kinds that constantly provid space-time data at different resolutions, ranging from global satellites to regional onde made available by meteorological or cellular stations, grow daily. This sheer volume of data has enabled the development of a number of models to solve diverse phenomena of spatio-temporal nature. Among the benefited areas we can cite the meteorology, where advances in the models of weather forecast have been considerable. However, this breakthrough is accompanied by major challenges. The date are collected with an heterogenous spatial distribution, because it depends on the geographical location of the devices that feed the processes of data assimilation. Thus there are regions where information is abundant while others are analyzed with little data. Each of these sources have varying qualities and uncertainties. Finally, these sets serve as inputs to construct the models os phenomena under study or as initial conditions when they are initialized to generate new predictions. We arrive at a scenario where we hava a large number of models, constructed under different criteria, that generate simulations with different predictive qualities, whose variations can be interpreted as uncertainty in the prediction of the phenomenon. Ensemble forecasting strategies (ensembles) arise to solve problems of this nature. Using the combination of predeictions resulting from applying multiple models attempts to improve the predictive quality of the set. Existing collaborative learning methods are limited to exploring temporal patterns without exploiting spatial dependencies, which could lead to more precise quality criteria or metrics. This work proposes a space-time clustering approach based on deep neural networks that allows the simultaneous exploration of patterns in space and time dimensions. For this, we adopted a Convolutional Long Short-Term Memory network architeture, wich models spatio-temporal series as regular arrays. Diariamente cresce o número de sensores, radares, objetos de todo tipo que disponibilizam espaço-temporais constantemente, com resoluções diferentes, desde dados globais gerados por satélites até regionais disponibilizados por estações meteorológicas ou celulares. Toda essa disponibilidade de informação tem permito desenvolver um sem número de modelos para resolver fenômenos diversos de natureza espaço-temporal. Dentro das áreas beneficiadas podemos citar a meteorologia, onde os avanços nos modelos de previsão do tempo têm sido consideráveis. No entanto, este avanço vai acompanhado de grandes desafios. Os dados são coletados com uma distribuição espacial não homogênea, devido à localização geográfica dos dispositivos que alimentam os processos de assimilação de dados. Assim, existem regiões onde a informação é abundante, enquanto outras são analisadas com poucos dados e cujas fontes apresentam níveis de qualidade e incertezas que variam. Finalmente, esses conjuntos servem de entrada para construir os modelos de fenômenos em estudo ou como condições iniciais quando são inicializados para gerar novas previsões. Chega-se portanto a um cenário em que se tem um grande número de modelos, construídos sob critérios distintos, que geram simulações com diferentes qualidades preditivas, cujas variações podem ser interpretadas como incerteza na previsão do fenômeno. As estratégias de previsão em conjunto (ensembles) surgem para resolver problemas desta natureza. Utilizando a combinação das previsões resultantes da aplicação de múltiplos modelos se tenta melhorar a qualidade preditiva do conjunto. Os métodos de aprendizagem em conjunto existentes estão limitados à exploração dos padrões temporais, sem explorar dependências espaciais, o que poderia gerar critérios ou métricas de qualidade mais precisos. Este trabalho propõe uma abordagem de conjunto espaço-temporal baseada em redes neurais profundas que permite a exploração simultânea dos padrões nas dimensões espaço e tempo. Para tanto, adotamos uma arquitetura de rede Convolutional Long Short-Term Memory, que modela séries espaço-temporais como matrizes regulares. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|