000			04751nam a2200433 i 4500
001			200467595
003			TR-AnTOB
005			20260311095338.0
007			ta
008			171111s2025 tu ab e mmmm 000 0 tur d
035			_a(TR-AnTOB)200467595
040			_aTR-AnTOB _beng _erda _cTR-AnTOB
041	0		_atur
099			_aTEZ TOBB FBE BİL YL’25 BUL
100	1		_aBulut, Mehmet Eren _eauthor _9152880
245	1	0	_aKonum-zaman serisi rota verilerindeki büyük kesintilerin yeniden inşası için derin öğrenme tabanlı yaklaşımlar / _cBerf Barkın Çömelekoğlu ; thesis advisor Selda Bancı.
246	1	1	_aDeep learning based approaches for reconstructing big gaps in spatio-temporal trajectory data
264		1	_aAnkara : _bTOBB ETÜ Fen Bilimleri Enstitüsü, _c2025.
300			_axxi, 55 pages : _billustrations ; _c29 cm
336			_atext _btxt _2rdacontent
337			_aunmediated _bn _2rdamedia
338			_avolume _bnc _2rdacarrier
502			_aTez (Yüksek Lisans)--TOBB ETÜ Sosyal Bilimler Enstitüsü Kasım 2025.
520			_aGünümüzde 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.
520			_aIn 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.
650		7	_aTezler, Akademik _2etuturkob _932546
653			_aKonum-zaman verisi
653			_aDerin sinir ağları
653			_aRota tamamlama
653			_aGraf sinir ağları
653			_aSpatico-temporal data
653			_aDeep neural networks
653			_aRoute completion
653			_aGraph neural networks
700			_aAkgün, Mehmet Burak _eadvisor _973312
710	2		_aTOBB Ekonomi ve Teknoloji Üniversitesi. _bFen Bilimleri Enstitüsü _995247
942			_cTEZ _2z
999			_c200467595 _d85807