Väitös tietotekniikan alalta, DI Jussi Korpela

2018-03-15 12:00:00 2018-03-15 23:59:59 Europe/Helsinki Väitös tietotekniikan alalta, DI Jussi Korpela Käyräparvien sisäisen vaihtelun havainnollistaminen - suurimman tiheyden nauhoista lisätyökaluja aikasarjojen analyysiin http://sci.aalto.fi/fi/midcom-permalink-1e809ae9b6f8af009ae11e886791d84e6f4bff4bff4 Konemiehentie 2, 02150, Espoo

Käyräparvien sisäisen vaihtelun havainnollistaminen - suurimman tiheyden nauhoista lisätyökaluja aikasarjojen analyysiin

15.03.2018 / 12:00
Sali T1, Konemiehentie 2, 02150, Espoo, FI

Diplomi-insinööri Jussi Korpela väittelee torstaina 15.3.2018 klo 12 Aalto-yliopiston perustieteiden korkeakoulussa. Väitöskirjassa "Exploring correlated data: confidence bands and projections of shared variation" on tutkittu menetelmiä käyräparvien sisäisen vaihtelun havainnollistamiseksi. Lisäksi työssä esitetään regressiofunktioihin perustuva menetelmä datajoukkojen välisen jaetun vaihtelun kuvaamiseen. 

Nyky-yhteiskunta tuottaa suuria määriä dataa, josta merkittävä osa on aikasarjoja. Väitöskirjassa tutkitaan menetelmiä aikasarjajoukkojen eli käyräparvien vaihtelun kuvaamiseen. Kirjallisuus aiheesta on niukkaa ja osa yleisesti käytetyistä keinoista vaihtelun kuvaamiseksi tuottaa harhaanjohtavia tuloksia. Tämän vuoksi aihetta on tärkeää tutkia.

Vaihtelu kuvataan nauhana, jonka tarkoituksena on osoittaa alue, jolla suurin osa käyräparven käyristä tavallisesti sijaitsee ja jolla käyriä esiintyy kaikkien tiheimmin. Työssä on kehitetty uusia algoritmeja tällaisen suurimman tiheyden nauhan laskemiseksi sekä sen tilastollisten ominaisuuksien takaamiseksi.

Käyräparvien vaihtelua kuvaaville visualisoinneille on käyttöä laajasti mm. ennustemallien tuottamien ennusteiden epätarkkuuden kuvaamisessa (esim. sääennusteet tai ekonometriset mallit) tai luonteeltaan vektoriarvoisen datan analyysissä (esim. herätevasteet neurotieteissä tai spektrianalyysi).

Työn toisessa osassa esitetään menetelmä datajoukkojen välisen jaetun vaihtelun paljastamiseen. Menetelmässä tavallisista regressiofunktioista muodostetaan ketjuja, joiden avulla suodatetaan pois kaikki sellainen vaihtelu, joka ei ole kaikille datajoukoille yhteistä. Menetelmä on joustava, sillä regressiofunktiota vaihtamalla voidaan helposti muuttaa sitä, millaista jaettua vaihtelua ollaan etsimässä. Työn eri osat liittyvät toisiinsa, sillä suurimman tiheyden nauhoista on hyötyä jaetun vaihtelun tulosten esittämisessä.

Väitöstiedote (pdf)

Vastaväittäjä: professori Mykola Pechenizkiy, Technische Universtität Eindhoven, Alankomaat

Kustos: professori Kai Puolamäki, Aalto-yliopiston perustieteiden korkeakoulu, tietotekniikan laitos

Elektroninen väitöskirja: http://urn.fi/URN:ISBN:978-952-60-7855-7