Predikce časoprostorových dat pomocí pokročilých technik strojového učení
Spatiotemporal Data Forecasting Using Advanced Machine Learning Techniques
Typ dokumentu
diplomová prácemaster thesis
Autor
Martin Šír
Vedoucí práce
Kovalenko Alexander
Oponent práce
Vašata Daniel
Studijní obor
Znalostní inženýrstvíStudijní program
InformatikaInstituce přidělující hodnost
katedra aplikované matematikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Práce se zabývá modely strojového učení pro predikci časoprostorových dat, se zaměřením na Fourierovy neuronové operátory (FNO), difuzní modely (DDIM) a jejich kombinaci. Cílem bylo generovat přesné a realistické snímky budoucího vývoje na základě historických dat. K vyhodnocení byly použity dvě datové sady: Moving MNIST a SEVIR. Práce zahrnuje implementaci modelů, ladění hyperparametrů a evaluaci pomocí metrik SSIM, RHD a FSS. Nejlepší výsledky dosáhl model FNO trénovaný se ztrátovou funkcí FACL. Ačkoliv DDIM a kombinovaný model dosáhly dobrých výsledků na jednodušších datech, u složitějšího datasetu měly potíže. Kombinovaný model však dosáhl srovnatelných výsledků s FNO na Moving MNIST, což ukazuje jeho potenciál. The thesis explores machine learning models for spatiotemporal data forecasting, focusing on Fourier Neural Operators (FNO), diffusion models (DDIM), and their combination. The goal was to generate accurate and realistic future frames from historical inputs. Two benchmark datasets were used for evaluation: Moving MNIST and SEVIR. The work includes model implementation, hyperparameter tuning, and evaluation using SSIM, RHD, and FSS metrics. The FNO model trained with FACL loss achieved the best overall performance. While DDIM and the combined model achieved good results on simpler data, they struggled on the more complex dataset. However, the combined model reached results comparable to FNO on Moving MNIST, showing its potential.
Kolekce
- Diplomové práce - 18105 [235]