Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/51934
Type: | Dissertação |
Title: | Data-driven spatio-temporal modeling with cellular automata and fuzzy time series methods |
Other Titles: | Modelagem espaço-temporal baseada em dados com autômatos celulares e métodos fuzzy time series |
Authors: | Lucas Malacarne Astore |
First Advisor: | Frederico Gadelha Guimarães |
First Co-advisor: | Carlos Alberto Severiano Júnior |
First Referee: | Tiago Garcia de Senna Carneiro |
Second Referee: | Walmir Matos Caminhas |
Third Referee: | Pedro Paulo Balbi de Oliveira |
Abstract: | There have been several applications of computer simulations in studies of spatio-temporal dynamic systems, including epidemiological models. Among the strategies capable of reproducing and predicting future states and behaviors over time, Cellular Automata (CAs) are often applied in geospatial environmental modeling. The core concept of a typical and well-defined CAs model is the development of local rules set that describe the future cell states considering the neighboring cells. The process of building this set demands technical knowledge and years of scientific research. Machine learning-based techniques can be applied in order to automate it, although hyper-parameter optimization algorithms are required. Therefore, this work presents a data-driven approach for CA transitional rules set definition, based exclusively on historical data of a given spatio-temporal phenomenon. The local rules of the automaton are learned and represented using a Multivariate Fuzzy Time Series (MVFTS) method. The MVFTS model is then integrated into the CA simulation, working similarly to a traditional set of CA rules. The proposed methodology was tested using two study cases: Spatial Spread of Chagas Disease and Land Cover/Use Change in Delhi, India. In both sets of data, there was great potential for using the FTS model as a state transition strategy in CA. |
Abstract: | Há atualmente diversas aplicações de simulações computacionais em estudos de sistemas dinâmicos espaço-temporais, incluindo, por exemplo, em modelos epidemiológicos. Dentre as estratégias capazes de reproduzir e predizer o futuro dos estados e comportamentos dinâmicos, os autômatos celulares (em inglês, cellular automata - CAs) são frequentemente aplicados na modelagem espaço-temporal. O conceito central de um típicoe bem definido modelo CAs é o desenvolvimento de um conjunto de regras locais que descrevem os estados futuros das células considerando as células vizinhas. O processo de construção deste conjunto exige conhecimento técnico e anos de pesquisa científica. Técnicas baseadas em aprendizado de máquina podem ser aplicadas para automatizá-lo, embora sejam necessários algoritmos de otimização de hiperparâmetros. Nesse contexto, este trabalho apresenta uma abordagem orientada a dados para definição de conjuntos de regras de transição de CA, baseada exclusivamente em dados históricos de um determinado fenômeno espaço-temporal. As regras locais do autômato são aprendidas e representadas usando o método Multivariado Fuzzy Time Series (MFTS). O modelo MFTS é então integrado à simulação do CA, funcionando de forma semelhante a um conjunto tradicional de regras. A metodologia proposta foi testada em dois casos de estudo: Espalhamento Espacial da Doença de Chagas e Dinâmica da Mudança do Uso e Cobertura do Solo em Delhi, na Índia. Em ambos conjuntos de dados, verificou-se grande potencial no uso do modelo FTS como estratégia de transição de estados em CA. |
Subject: | Engenharia elétrica Aprendizado do computador Modelagem |
language: | eng |
metadata.dc.publisher.country: | Brasil |
Publisher: | Universidade Federal de Minas Gerais |
Publisher Initials: | UFMG |
metadata.dc.publisher.department: | ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA |
metadata.dc.publisher.program: | Programa de Pós-Graduação em Engenharia Elétrica |
Rights: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/51934 |
Issue Date: | 16-Dec-2022 |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Dissertação-LucasAstore-vfinal.pdf | 8.9 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.