Spatio-temporal forecasting over graphs with deep learning

Hem karmaşık uzamsal hem de zamansal bağımlılıkları içeren yüksek boyutlu uzay-zamansal verilerin tahminlemesini inceliyoruz. Derin öğrenme bazlı yöntemler çoğu yüksek boyutlu uzay-zamansal tahminleme senaryosunda yaygın olarak kullanılmaktadır. Ancak derin öğrenme algoritmalarının yüksek güvenli tahminleri, tıbbi teşhis ve 5'inci nesil kablosuz ağların birçok uygulamasında bulunduğu döngü içinde insan alanlarında sorunlara neden olabilmektedir. Sinir ağını düzenlileştirmek, veri dağılımının kapsamı dışındaki verilere karşı sağlamlık kazanmak ve sinir ağlarının tahminlerindeki aşırı güveni düşürmek için varyasyonel özkodlayıcıları uzay-zamansal veriler için literatürde ilk defa genelliyor ve böylelikle tahminlemelerimizde belirsizliğin katkısını ekleyebiliyoruz. Lakin varyasyonel yöntemler, ardıl dağılımları üstel aile yoğunlukları ve ortalama alan varsayimi ile kestirmesi nedeniyle ardıl dağılımları yanlı ve gerçek dağılımdan oldukça uzak bir şekilde tahmin eder. Bu sorunları hafifletmek için uzay-zamansal verilerde, varyasyonel çıkarım ve öğrenmeyi yarı kapalı dağılımlarla gerçekleştiriyor ve bu yöntemi evrişimli uzun-kısa süreli bellek ağlarına (ConvLSTM) literatürde ilk kez uyguluyoruz. Bölüm 3'te, literatüre \textit{VarConvLSTM} adlı evrişimli uzun-kısa süreli bellek ağlarına sahip varyasyonel özkodlayıcıları ilk kez öneriyoruz. Bölüm 4'te, veri dağılımındaki çoklu modaliteleri modellemek için yarı örtük ve ikili yarı örtük varyasyonel çıkarım yöntemlerini uyguluyoruz. Bölüm 5'te, önerilen algoritmaların Turkcell baz istasyonu ağlarında uzay-zaman mobil trafik tahmini dahil olmak üzere uzay-zamansal tahmin görevlerinde belirsizligi için uygulanabilir olduğunu gösteriyoruz.