haku: @instructor Lendasse, Amaury / yhteensä: 14
hakutulos-lista
viite: 4 / 14
« edellinen | seuraava »
Tekijä:Grigorievskiy, Alexander
Työn nimi:Missing Values Estimation: The Pyhäjärvi Case. In application to long-term time series prediction
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2013
Sivut:79      Kieli:   eng
Koulu/Laitos/Osasto:Perustieteiden korkeakoulu
Oppiaine:Informaatiotekniikka   (T-115)
Valvoja:Simula, Olli
Ohjaaja:Lendasse, Amaury ; Ventelä, Anne-Mari
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  8663   | Arkisto
Avainsanat:Pyhäjärvi
long-term
time series
prediction
missing values
imputation
regression
direct
DirRec
recursive
Tiivistelmä (eng): Environmental modelling and prediction have been within the scope of human interests since ancient times.
Contemporary agriculture and food production despite of all technological advances depend largely on favourable ecological conditions.
However, climate change and consequences of human activity may deteriorate biological systems we used to utilize and enjoy.
One example is Lake Pyhäjärvi.
It is a large lake on the south-west of Finland which plays an important role in local agriculture and fishing industry.
The lake suffers from eutrophication.
It is a process of abundant growth of lake plants and death of animals due to the lack of oxygen.
The cause is redundant load of nutrients, especially phosphorus, into the lake from nearby agricultural fields.
Due to support of local people and businesses, Pyhäjärvi Institute which develops measures to preserve lake's ecology has been established.
This thesis is written in collaboration with researchers from Pyhäjärvi Institute and it is devoted to modelling of phosphorus concentration in the springs of Pyhäjärvi.
Phosphorus modelling and prediction help to plan preservation measures and better understand ecology of the lake.

The thesis consists of two parts.
In the first part, time series prediction problem is addressed.
It is natural to model phosphorus concentration as a time series.
However, the problem is studied generally and results can be applied to time series from any domain.
It is shown that combination of Optimally-Pruned Extreme Learning Machine and DirRec prediction strategy outperforms widely used in practice linear model.
Ensemble methods can further improve the accuracy, sometimes significantly.

In the second part, practical work with Pyhäjärvi dataset is conducted.
It is impossible to directly apply methods of time series prediction, because the data contains many missing values.
Therefore, in the beginning it is required to fill them.
Several methods to estimate missing values of phosphorus are studied in this part.
Regression approach, missing values approach and their combination are evaluated.
The best model combinations as well as best variables are selected and imputation is done for three locations.
ED:2013-04-03
INSSI tietueen numero: 46036
+ lisää koriin
« edellinen | seuraava »
INSSI