Missing Value Imputation in Sensor Networks
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Authors
Date
2018-06-18
Department
Major/Subject
Computer Science
Mcode
SCI3042
Degree programme
Master’s Programme in Computer, Communication and Information Sciences
Language
en
Pages
6+54
Series
Abstract
Wide sensor networks are increasingly installed into a variety of environments to measure phenomena and attributes of the physical world. Due to errors in measurement and transmission, such a system will inevitably fail to record some of the sensor readings. In such situations, if the data from the sensor is to be used, the missing values often have to be estimated in some way. In this work we look into a number of methods for achieving this goal. The methods explored include neighborhood estimation approaches as well as a matrix factorization model inspired by recommender systems. After introducing these methods, we compare their results to the attested data as well as each other using different similarity measures in order to understand why the methods behave the way the do. Finally, we look into alternative methods of presenting this data.Laaja-alaisia sensoriverkkoja asennetaan enenevässä määrin monenlaisiin ympäristöihin mittaamaan luonnollisen maailman ilmiöitä ja ominaisuuksia. Mittauksessa tai tiedonsiirrossa tapahtuvien virheiden takia näiden mittaustulokset eivät kuitenkaan aina päädy talteen krjattaviksi. Tällaisissa tilanteissa on usein toivottavaa kyetä jollakin tavalla rekonstruoimaan näitä puuttuvia arvoja. Tässä työssä perehdytään menetelmiin, jolla tätä tavoitetta voidaan yrittää saavuttaa. Läpikäydyt menetelmät perustuvat sensorien naapuruston mallintamiseen sekä matriisihajotelmiin, jotka hakevat innoitusta suosittelujärjestelmistä. Näiden metodien esittelyn jälkeen työssä läpikäydään niiden tuottamaa dataa sekä näiden eroja niin toisiinsa kuin myös alkuperäiseen mittausdataan. Näin saadaan yleiskäsitys siitä, miten metodit päätyvät lopputulokseensa. Lisäksi tässä työss käsitellään erilaisia tapoja esittää näin saatua dataa.Description
Supervisor
Gionis, aristidesThesis advisor
Vikki-Pere, TerhiKeywords
data imputation, sensor networks, time series, neighborhood estimation, collaborative filtering