REPOZITORIJ > REZULTATI

Povzetek

Inteligentne rešitve v mobilnosti so v času urbanizacije, kjer se populacija centralizira v
mestih, aktualna tema. Prav tako z vključevanjem vse več obnovljivih virov, kot so domače
sončne elektrarne, ter s porastom velikih porabnikov, kot so električni avtomobili, inteligentno
upravljanje električnega omrežja postaja nujnost in predstavlja vedno večji izziv.
V zadnjem desetletju smo bili priča dobi velikih podatkov, kjer smo uspeli digitalizirati
veliko različnih procesov in zbrati veliko količino podatkov. Trenutno pa smo v dobi, ko
uporaba teh podatkov skupaj z naprednimi algoritmi omogoča razvoj inteligentnih rešitev
za zgoraj omenjene izzive.
V tej doktorski nalogi predlagamo novo metodo za napovedovanje uporabnikove naslednje
lokacije na osnovi njegovih preteklih lokacij, zbranih s pomočjo GPS senzorja. Naši
modeli temeljijo na statističnih Markovskih modelih, katerim dodamo časovno komponento
v obliki “profilov prihoda” ter “profilov bivanja”. To nam omogoča nadaljnjo razširitev modela
z uporabo Monte Carlo simulacij, ki dodatno omogočajo simulacijo uporabnikove poti
(napovedovanje več prihodnjih lokacij s časom prihoda in trajanjem bivanja). Napovedi
ovrednotimo z uporabo različnih metrik na podlagi več zbirk podatkov, zbranih iz realnega
življenja. Na splošno naši rezultati za napovedovanje prihodnje lokacije kažejo primerljivo
stopnjo natančnosti s trenutno objavljenimi raziskavami, pri čemer imajo naši modeli večjo
napovedno moč razvidno kot višji priklic.
V doktorski nalogi predlagamo tudi splošno metodologijo za preobdelavo, zlivanje oz.
združevanje in modeliranje večjih količin heterogenih časovnih vrst. Predlagana metodologija
vključuje ciščenje podatkov, procesiranje značilk in združitev podatkov iz različnih
virov podatkov v skupni vektor značilk, pripravljen za uporabo v napovednih algoritmih.
Predlagani pristop je bil v praksi uporabljen za potrebe kratkoročne napovedi porabe električne
energije. Napovedi podrobno ovrednotimo, pri čemer primerjamo modele naučene
z različnimi skupinami značilk, napovednimi algoritmi, ter metodološkimi pristopi. Rezultati
na realnih podatkih kažejo, da so napovedi naših modelov primerljive natančnosti s
trenutno objavljenimi raziskavami.