Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini

UTKU, Anıl; Akcayol, M. Ali

doi:10.2339/politeknik.620613

Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini

Anıl UTKU, (Gazi Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Türkiye)

MUHAMMET ALİ AKCAYOL (Gazi Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Türkiye)

Politeknik Dergisi

0 0

Yıl: 2021 Cilt: 24 Sayı: 1 Sayfa Aralığı: 1 - 15 Metin Dili: Türkçe DOI: 10.2339/politeknik.620613 İndeks Tarihi: 05-06-2021

Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini

Öz:

Bazı olayların olmadan önce olma zamanının tahmin edilebilmesine yönelik çalışmalar uzun yıllardır devam etmektedir. Böylelikleolay ortaya çıktığında meydana gelecek zararı minimuma indirmek veya elde edilecek faydayı maksimum yapmak amaçlanır. Birmüşterinin sonraki davranışının tahmini, doğal afetlerin sonraki olma zamanının tahmini, belirli bir zaman aralığında gelecek talepsayısının tahmini gibi çok farklı alanlarda sonraki olayların tahminine yönelik çalışmalar giderek artmaktadır. Ancak, literatürdesuçların ve acil çağrıların meydana gelmeden önce, sonraki olma zamanının ve olay türünün tahminine yönelik başarılı sonuç verenbir çalışma bulunmamaktadır. Suç analizi, tehdit altındaki bölgelerin güvenliğini sağlamayı, suç işlenme oranını azaltmayı vekolluk kuvveti gücünden tasarruf etmeyi amaçlayan bir araştırma alanıdır. Suçun işlendikten kısa süre sonra çözümlenmesineyönelik çalışmalarda güncel teknolojilerin kullanımıyla yüksek başarı elde edilmektedir. Benzer şekilde acil çağrı analizi ileçağrılara yanıt süresi kısaltılmakta ve kaynak kullanımı optimize edilmektedir. Bu çalışmada, suç ve acil çağrı analizine yönelikderin öğrenme tabanlı bir tahmin modeli geliştirilmiştir. Geliştirilen model ile suç işlenmeden önce ve acil çağrı gelmeden önce birsonraki olma zamanı tahmin edilmektedir. Geliştirilen model ile elde edilen sonuçlar, istatistiksel zaman serisi tahminlemeyöntemlerinden olan ARIMA ile kapsamlı bir şekilde karşılaştırılmıştır. Deneysel sonuçlar, geliştirilen derin öğrenme tabanlımodelin ileriye dönük zaman tahmininde ARIMA’dan daha başarılı olduğunu göstermiştir.

Anahtar Kelime:

Prediction of the Next Time of an Event with Deep Learning Based Model

Öz:

Studies have been going on for many years to predict the time before some events happen. Thus, it is aimed to minimize the damage that occurs when the event occurs or to maximize the benefit to be obtained. Studies on the prediction of subsequent events in many different areas, such as the prediction of the subsequent behavior of a customer, the prediction of the subsequent occurrence of natural disasters, the estimate of the number of future demands in a given time interval, are gradually increasing. However, in the literature, there is no successful study for predicting the time and type of event before the occurrence of crimes and emergency calls. Crime analysis is a field of research aimed at securing the threatened areas, reducing the rate of crime and saving law enforcement. High success is achieved with the use of up-to-date technologies in the efforts to resolve the crime shortly after it is committed. Similarly, emergency call analysis reduces response time and optimizes resource usage. In this study, a deep learning based prediction model for crime and emergency call analysis has been developed. With the developed model, the time of the next crime and the time of the next emergency call are predicted. The results obtained with the developed model has been compared with ARIMA which is one of the statistical time series prediction methods. Experimental results have shown that the developed deep learning-based model is more successful than ARIMA in forward-looking event time prediction.

Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

[1] Adel, H., Salheen, M. and Mahmoud, R. A., “Crime in relation to urban design, Case study: The Greater Cairo Region”, Ain Shams Engineering Journal, 7(3): 925-938, (2016).
[2] Yu, C. H., Ward, M. W., Morabito, M. and Ding, W., “Crime forecasting using data mining techniques”, IEEE 11th international conference on data mining workshops, 779-786, (2011).
[3] Wang, B., Zhang, D., Zhang, D., Brantingham, P. J. and Bertozzi, A. L., “Deep learning for real time crime forecasting”, arXiv, (2017).
[4] Stalidis, P., Semertzidis, T. and Daras, P., “Examining Deep Learning Architectures for Crime Classification and Prediction”, arXiv, (2018).
[5] Azeez, J. and Aravindhar, D. J., “Hybrid approach to crime prediction using deep learning”, 2015 International Conference on Advances in Computing, Communications and Informatics (ICACCI), 1701-1710, (2015).
[6] Han, J., “Data mining: concepts and techniques”, Morgan Kaufmann, ABD, (2012).
[7] Cesario, E., Catlett, C. and Talia, D., “Forecasting crimes using autoregressive models”, 2016 IEEE 14th Intl Conf on Dependable, Autonomic and Secure Computing, 795- 802, (2016).
[8] Fu, R., Zhang, Z. and Li, L., “Using LSTM and GRU neural network methods for traffic flow prediction”, Chinese Association of Automation (YAC), Youth Academic Annual Conference, 324-328, (2016).
[9] Kang, H. W. and Kang, H. B., “Prediction of crime occurrence from multi-modal data using deep learning”, PloS one, 12(4): (2017).
[10] Zheng, J., Xu, C., Zhang, Z. and Li, X., “Electric load forecasting in smart grids using long-short-term-memory based recurrent neural network”, Information Sciences and Systems (CISS), (2017).
[11] Kouziokas, G. N., “The application of artificial intelligence in public administration for forecasting high crime risk transportation areas in urban environment”, Transportation research procedia, 24: 467-473, (2017).
[12] Lin, T., Guo, T. and Aberer, K., “Hybrid neural networks for learning the trend in time series”, Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence, 2273-2279, (2017).
[13] McNally, S., Roche, J. and Caton, S., “Predicting the price of Bitcoin using Machine Learning”, 2018 26th Euromicro International Conference, 339-343, (2018).
[14] Tian, C., Ma, J., Zhang, C. and Zhan, P., “A Deep Neural Network Model for Short-Term Load Forecast Based on Long Short-Term Memory Network and Convolutional Neural Network”, Energies, (2018).
[15] Stec, A. and Klabjan, D., “Forecasting Crime with Deep Learning”, arXiv, (2018).
[16] “United Nations Settlements Programme, The state of the world’s cities 2004/2005: Globalization and urban culture”, Earthscan, ABD, (2004).
[17] Adhikari, R. and Agrawal, R. K., “An introductory study on time series modeling and forecasting”, arXiv, (2013).
[18] Wang, B., Luo, X., Zhang, F., Yuan, B., Bertozzi, A. L. and Brantingham, P. J., “Graph-Based Deep Modeling and Real Time Forecasting of Sparse Spatio-Temporal Data”, arXiv, (2018).
[19] Chen, X., Cho, Y. and Jang, S. Y., “Crime prediction using Twitter sentiment and weather”, 2015 Systems and Information Engineering Design Symposium, 63-68, (2015).
[20] Munjal, K. G., Silverman, R. A., Freese, J., Braun, J. D., Kaufman, B. J., Isaacs, D. and Prezant, D. J., “Utilization of emergency medical services in a large urban area: description of call types and temporal trends”, Prehospital Emergency Care, 15(3): 371-380, (2011).
[21] Martínez-Álvarez, F., Troncoso, A., Asencio-Cortés, G. and Riquelme, J. C., “A survey on data mining techniques applied to electricity-related time series forecasting”, Energies, 8(11): 13162-13193, (2015).
[22] Chatfield, C., “The analysis of time series: An introduction”, CRC press, (2016).
[23] Granger, C. W. J. and Newbold, P., “Forecasting economic time series”, Academic Press, (2014).
[24] Osmanoğlu, B., Sunar, F., Wdowinski, S. and CabralCano, E., “Time series analysis of InSAR data: Methods and trends”, ISPRS Journal of Photogrammetry and Remote Sensing, 115: 90-102, (2016).
[25] Weigend, A. S., “Time series prediction: forecasting the future and understanding the past”, Routledge, (2018).
[26] Kumar, S. V. and Vanajakshi, L., “Short-term traffic flow prediction using seasonal ARIMA model with limited input data”, European Transport Research Review, 7(3), (2015).
[27] Montgomery, D. C., Jennings, C. L. and Kulahci, M., “Introduction to time series analysis and forecasting”, John Wiley & Sons, (2015).
[28] Brockwell, P. J. and Davis, R. A., “Introduction to time series and forecasting”, Springer, (2016).
[29] Box, G. E., Jenkins, G. M., Reinsel, G. C. and Ljung, G. M., “Time series analysis: forecasting and control”, John Wiley & Sons, ABD, (2015).
[30] Valipour, M., Banihabib, M. E. and Behbahani, S. M. R., “Comparison of the ARMA, ARIMA, and the autoregressive artificial neural network models in forecasting the monthly inflow of Dez dam reservoir”, Journal of Hydrology, 476: 433-441, (2013).
[31] Siami-Namini, S. and Namin, A. S., “Forecasting Economics and Financial Time Series: ARIMA vs. LSTM”, arXiv, (2018).
[32] Wang, W. C., Chau, K. W., Xu, D. M. and Chen, X. Y., “Improving forecasting accuracy of annual runoff time series using ARIMA based on EEMD decomposition”, Water Resources Management, 29(8): 2655-2675, (2015).
[33] Längkvist, M., Karlsson, L. and Loutfi, A., “A review of unsupervised feature learning and deep learning for timeseries modeling”, Pattern Recognition Letters, 42: 11- 24, (2014).
[34] Gamboa, J. C. B., “Deep learning for time-series analysis”, arXiv, (2017).
[35] Graupe, D., “Principles of artificial neural networks”, World Scientific, (2013).
[36] Karayiannis, N. and Venetsanopoulos, A. N., “Artificial neural networks: learning algorithms, performance evaluation, and applications”, Springer Science & Business Media, Almanya, (2013).
[37] Malhotra, P., Vig, L., Shroff, G. and Agarwal, P., “Long short term memory networks for anomaly detection in time series”, Proceedings Presses universitaires de Louvain, (2015).
[38] Fan, J., Ma, C. and Zhong, Y., “A Selective Overview of Deep Learning”, arXiv:1904.05526, (2019).
[39] Grandell, J., “Time Series Analysis Lecture notes”, KTH Stockholm University, (2015).
[40] Baltimore Crime Dataset, (2016). https://data.world/data-society/city-of-baltimore-crimedata
[41] Mongomery country emergency call dataset, (2018). https://www.kaggle.com/mchirico/montcoalert

APA	UTKU A, Akcayol M (2021). Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini. , 1 - 15. 10.2339/politeknik.620613
Chicago	UTKU Anıl,Akcayol M. Ali Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini. (2021): 1 - 15. 10.2339/politeknik.620613
MLA	UTKU Anıl,Akcayol M. Ali Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini. , 2021, ss.1 - 15. 10.2339/politeknik.620613
AMA	UTKU A,Akcayol M Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini. . 2021; 1 - 15. 10.2339/politeknik.620613
Vancouver	UTKU A,Akcayol M Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini. . 2021; 1 - 15. 10.2339/politeknik.620613
IEEE	UTKU A,Akcayol M "Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini." , ss.1 - 15, 2021. 10.2339/politeknik.620613
ISNAD	UTKU, Anıl - Akcayol, M. Ali. "Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini". (2021), 1-15. https://doi.org/10.2339/politeknik.620613

APA	UTKU A, Akcayol M (2021). Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini. Politeknik Dergisi, 24(1), 1 - 15. 10.2339/politeknik.620613
Chicago	UTKU Anıl,Akcayol M. Ali Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini. Politeknik Dergisi 24, no.1 (2021): 1 - 15. 10.2339/politeknik.620613
MLA	UTKU Anıl,Akcayol M. Ali Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini. Politeknik Dergisi, vol.24, no.1, 2021, ss.1 - 15. 10.2339/politeknik.620613
AMA	UTKU A,Akcayol M Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini. Politeknik Dergisi. 2021; 24(1): 1 - 15. 10.2339/politeknik.620613
Vancouver	UTKU A,Akcayol M Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini. Politeknik Dergisi. 2021; 24(1): 1 - 15. 10.2339/politeknik.620613
IEEE	UTKU A,Akcayol M "Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini." Politeknik Dergisi, 24, ss.1 - 15, 2021. 10.2339/politeknik.620613
ISNAD	UTKU, Anıl - Akcayol, M. Ali. "Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini". Politeknik Dergisi 24/1 (2021), 1-15. https://doi.org/10.2339/politeknik.620613