Kendini tekrarlayan derin sinir ağlarının öznitelik seçim yöntemleri ile iyileştirilmesi ve zaman serisi olarak ele alınan otomatik tanımlama sistemi verilerinde kullanımı

Improvement of recurrent deep neural networks algorithm by feature selection methods and its usage of automatic identification system data evaluated as time series.

Özet

Otomatik Tanımlama Sistemi (AIS), deniz taşımacılığının, çarpışma, yangın ve tehlikeli veya kirletici maddelerin dökülmesi gibi risklere sahip olması nedeniyle günümüzde zorunlu hale gelmiş gözlem ve analiz sistemidir. Literatürde, bu tehlikeli durumların önceden tespitinin yapılıp, gemilerin kontrollü ve güvenli seyahatlerini gerçekleştirmeleri için AIS verilerinin kullanıldığı temel matematiksel modellerin, istatistiksel modellerin ve makine öğrenmesi algoritmaların uygulamalarını görebilmekteyiz. Bu çalışmada AIS verileri zaman serileri bakış açısıyla ele alınmış ve geleneksel rota tahminleme modeli yanında; Bütünleşik Otoregresif Hareketli Ortalama, Çok Katmanlı Algılayıcı (ÇKA) ve Kendini Tekrarlayan Derin Sinir Ağları (KT-DSA) ile farklı modeller oluşturularak doğruluk karşılaştırmaları yapılmıştır. Ayrıca ÇKA ve KT-DSA modellerinde, öznitelik seçim tekniklerinden yararlanılarak nitelikler ağırlıklandırılmış ve bu iyileştirilmelerle yeni algoritmalar önerilmiştir. Öznitelik seçimlerinden Relief, Pearson’nun Korelasyonu, Kazanım Oranı ve Bilgi Kazanımı (BK) metotları kullanılmış ve verdikleri rota ve çarpışma tahminlemelerinin doğrulukları karşılaştırılmıştır. Bu doğruluk testlerinde kullanılmak üzere veri seti olarak belirli zamanlara ait Çanakkale Boğazı ve Marmara Denizi AIS verilerinden faydalanılmıştır. Sonuçlara bakıldığında Çanakkale Boğazı’ndaki gemilerin doğrusal bir hareket yapısına sahip olmasından dolayı tüm yaklaşımların birbirine yakın ve yüksek doğruluklara sahip olduğu gözlemlenirken, düzensiz yapısından dolayı Marmara Denizi’nde en iyi sonucu veren yaklaşımın BK ile iyileştirilmiş KT-DSA olduğu sonucuna varılmıştır.

Abstract

Automatic Identification System (AIS) is an observation and analysis system that has become compulsory nowadays due to the risks of maritime transportation such as collision, fire, and spillage of hazardous or polluting substances. In the literature, we can see the applications of basic mathematical models, statistical models and machine learning algorithms using AIS data in order to detect these dangers in advance and to make controlled and safe travel of ships. In this study, AIS data have been evaluated as time series, and accuracy comparisons have been made by being developed different models with Autoregressive Integrated Moving Average, Multilayer Perceptron (MLP) and Deep Recurrent Neural Networks (DRNN) beside traditional route estimation model. In addition, feature selection techniques have been weighted in MLP and RDNN models, and new algorithms have been proposed with these improving. Relief, Pearson's Correlation, Gain Ratio and Information Gain (IG) methods were used to compare the accuracy of the route and collision estimations. In order to be used in these accuracy tests, AIS data related into certain times of Çanakkale Strait and Marmara Sea were used. The results showed that all the approaches were close and high accuracy due to the linear movement of the ships in the Dardanelles. On the other hand, it has been observed that the best approach in the Marmara Sea was the improved DRNN with IG due to its irregular structure.

Anahtar kelimeler: Büyük veri, derin öğrenme, AIS verisi, öznitelik seçimi, kümeleme