Kendini tekrarlayan derin sinir ağlarının öznitelik seçim yöntemleri ile iyileştirilmesi ve zaman serisi olarak ele alınan otomatik tanımlama sistemi verilerinde kullanımı

Otomatik Tanimlama Sistemi (AIS), deniz tasimaciliginin, carpisma, yangin ve tehlikeli veya kirletici maddelerin dokulmesi gibi risklere sahip olmasi nedeniyle gunumuzde zorunlu hale gelmis gozlem ve analiz sistemidir. Literaturde, bu tehlikeli durumlarin onceden tespitinin yapilip, gemilerin kontrollu ve guvenli seyahatlerini gerceklestirmeleri icin AIS verilerinin kullanildigi temel matematiksel modellerin, istatistiksel modellerin ve makine ogrenmesi algoritmalarin uygulamalarini gorebilmekteyiz. Bu calismada AIS verileri zaman serileri bakis acisiyla ele alinmis ve geleneksel rota tahminleme modeli yaninda; Butunlesik Otoregresif Hareketli Ortalama, Cok Katmanli Algilayici (CKA) ve Kendini Tekrarlayan Derin Sinir Aglari (KT-DSA) ile farkli modeller olusturularak dogruluk karsilastirmalari yapilmistir. Ayrica CKA ve KT-DSA modellerinde, oznitelik secim tekniklerinden yararlanilarak nitelikler agirliklandirilmis ve bu iyilestirilmelerle yeni algoritmalar onerilmistir. Oznitelik secimlerinden Relief, Pearson’nun Korelasyonu, Kazanim Orani ve Bilgi Kazanimi (BK) metotlari kullanilmis ve verdikleri rota ve carpisma tahminlemelerinin dogruluklari karsilastirilmistir. Bu dogruluk testlerinde kullanilmak uzere veri seti olarak belirli zamanlara ait Canakkale Bogazi ve Marmara Denizi AIS verilerinden faydalanilmistir. Sonuclara bakildiginda Canakkale Bogazi’ndaki gemilerin dogrusal bir hareket yapisina sahip olmasindan dolayi tum yaklasimlarin birbirine yakin ve yuksek dogruluklara sahip oldugu gozlemlenirken, duzensiz yapisindan dolayi Marmara Denizi’nde en iyi sonucu veren yaklasimin BK ile iyilestirilmis KT-DSA oldugu sonucuna varilmistir.