Aikasarjatiedon mallinnus ja mallinvalinta koneoppimissovelluksissa

Laskennallisia malleja käytetään laajasti eri tieteenaloilla tietotekniikasta fysiikkaan ja taloustieteistä lääketieteeseen. Mallinvalinta on oleellinen osa minkä tahansa käytännön mallinnusongelman ratkaisua. Parantamalla mallin toimintaa saavutetaan luotettavampia tuloksia ja tarkempia ennusteita mallinnettavan kohteen toiminnasta. Tämä johtaa kustannussäästöihin, mallinnettavan ilmiön parempaan ymmärtämiseen, ja jopa lisääntyneeseen turvallisuuteen sovelluksissa, jossa mallin käytöllä voidaan ehkäistä vaaratilanteita.

Väitöskirjassa tutkitaan, kuinka mallin muodostamiseen käytettävissä olevan aineiston ominaisuudet ja määrä tulisi ottaa huomioon algoritmin valinnassa, ja kuinka mallinvalinta tulisi suorittaa mallin yleistettävyyden ja tulevan suorituskyvyn optimoimiseksi. Työssä käsitellään myös erityisiä rajoitteita ja vaatimuksia tavanomaisten koneoppimismenetelmien soveltamiselle aikasarjatyyppiseen aineistoon.

Työn käytännön tulokset perustuvat koneoppimismenetelmien soveltamiseen kolmella eri tutkimusalueella: pistehitsaus, fyysisen harjoittelun aikaisen energiankulutuksen arviointi sekä kognitiivisen kuormituksen mallintaminen. Väitöskirja tarjoaa näihin tuloksiin pohjautuen yleisiä suuntaviivoja, joita voidaan käyttää apuna lähdettäessä ratkaisemaan uutta mallinnusongelmaa. Työssä pohditaan myös mallin lopullisen toimintaympäristön asettamien käytännön näkökohtien ja rajoitteiden vaikutusta algoritmin valintaan.