Konum-zaman serisi rota verilerindeki büyük kesintilerin yeniden inşası için derin öğrenme tabanlı yaklaşımlar / Berf Barkın Çömelekoğlu ; thesis advisor Selda Bancı.

Tez (Yüksek Lisans)--TOBB ETÜ Sosyal Bilimler Enstitüsü Kasım 2025.

Günümüzde kişilerin seyahat ve hareketlilik kayıtlarını tutan konum-zaman tabanlı verilerin miktarında ciddi bir artış olmuştur. Bu verilerin analizi şehir planlama, trafik akış izlemeleri ve güvenlik gibi konular için kritiktir. Ancak konum-zaman rota verileri sıklıkla veri toplayıcı cihazdaki veya veri iletimindeki hatalardan, veya kasıtlı veri gizleme eforlarından ötürü büyük veri kayıpları içerir. Bu kayıp bölgelerdeki hareketlilik karakteristiği tamamen bilinmezdir, ve kişinin seyahatiyle alakalı önemli bilgileri içerebileceğinden kayıpların bulunması çok önemlidir. Literatürde GPS tabanlı rota verisindeki bu denli büyük veri kayıplarının telafi edilmesi üzerine kapsamlı bir derin öğrenme yaklaşımı bulunmamaktadır. Bu eksiği gidermek adına bu çalışmada Spatio-Temporal Complementary GNN, ya da Uzay Zamansal Rota Tamamlayıcı GNN (STCompGNN) isimli rota verilerindeki büyük veri kayıplarını (complementary region) telafi etmeyi amaçlayan modeli sunmaktayız. Bu model konum-zaman verisinin uzaysal karakteristiğini öğrenmek için bir Graph Neural Network varyasyonu olan Graph Attention Network (GAT) kullanmakta, zamansal karaktteristiğini öğrenmek için ise dikkat (attention) mekanizması ve Gated Recurrent Unit (GRU) modelini kullanmaktadır. Konum-zaman verisinin iki boyutundaki inceliklere de bu şekilde erişebilen modelimiz rota tamamlama görevinde başarılı olmuştur. Sunduğumuz STCompGNN modeli, yüksek doğrulukla rota kayıplarını yeniden tespit edebilmiş ve başarımda literatürdeki nadir rota tamamlama metotlarından "En Kısa Rotayla Tamamlama" metodunun önüne geçmiştir.

In recent years, there has been a significant growth in the volume of spatio-temporal based data that capture human mobility. Analyzing this data is crucial for applications such as urban planning, traffic monitoring, and public safety. However, trajectory data often contain large gaps caused by device failures, transmission issues, or intentional privacy-preserving actions. These missing segments hide important information about a person's movement, making their reconstruction a critical task. Despite this importance, the literature lacks a comprehensive deep learning solution that can effectively recover large missing portions of GPS-based trajectories. To address this gap, we present the Spatio-Temporal Complementary Graph Neural Network (STCompGNN), a model designed to reconstruct substantial missing regions in trajectory data, referred to as complementary segments. The model uses a Graph Neural Network model Graph Attention Network (GAT) to capture spatial characteristics of movement, and combines an attention mechanism with a Gated Recurrent Unit (GRU) architecture to learn temporal dynamics. By jointly modeling both dimensions of the data, STCompGNN is able to accurately infer the hidden parts of a trajectory. Our results show that STCompGNN can recover missing segments with high accuracy and outperforms one of the few existing trajectory completion baselines in the literature, the shortest-path interpolation approach.