MARC

 008260219s2022        us  ||||  s||||  000c||eng  d
■001000017360496
■00520260202105536
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263390440
■035    ▼a(MiAaPQ)AAI32314824
■035    ▼a(MiAaPQ)GeorgiaTech66565
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a790
■090    ▼a전자자료
■1001  ▼aZhu,  Shixiang.
■24510▼aStatistical  Learning  and  Decision  Making  for  Spatio-Temporal  Data.▼h[electronic  resources]
■260    ▼a[S.l.]▼bGeorgia  Institute  of  Technology.  ▼c2022
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2022
■300    ▼a236  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Xie,  Yao.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2022.
■520    ▼aSpatio-temporal  data  modeling  and  sequential  decision  analytics  are  a  growing  area  of  research,  with  an  enormous  amount  of  modern  spatio-temporal  data  being  consistently  collected  from  the  real  world.  These  data  include  power  outages,  police  911  calls,  healthcare  records,  credit  card  transactions,  social  media  posts,  etc.  Understanding  the  intricate  spatio-temporal  dynamics  behind  these  data  requires  the  next  generation  of  mathematical  and  statistical  algorithms  based  on  quantitative  models  of  human  and  physical  dynamics.  This  thesis  presents  the  recent  developments  in  this  area  with  methodological  advances  and  various  real-world  applications.  We  develop  new  theoretical  and  algorithmic  techniques  for  capturing  the  dynamics  of  real-world  spatio-temporal  data  by  combining  cutting-edge  machine  learning  and  classical  statistical  models.  We  also  formulate  the  sequential  decision-making  processes  as  different  optimization  problems  in  a  data  driven  manner,  suggesting  better  decisions  by  taking  advantage  of  the  historical  knowledge.  Last  but  not  least,  we  investigate  a  wide  array  of  real-world  spatio-temporal  datasets  using  our  proposed  methods.  The  results  demonstrate  the  value  of  spatio-temporal  analytics  in  understanding  computational,  physical,  and  social  systems.
■590    ▼aSchool  code:  0078.
■650  4▼aDesign  optimization.
■650  4▼aCriminal  statistics.
■650  4▼aRedistricting.
■650  4▼aFourier  transforms.
■650  4▼aNeural  networks.
■650  4▼aProbability.
■650  4▼aRobbery.
■650  4▼aKeywords.
■650  4▼aBurglary.
■650  4▼aFraud.
■650  4▼aCOVID-19.
■650  4▼aCriminology.
■650  4▼aMathematics.
■690    ▼a0800
■690    ▼a0627
■690    ▼a0405
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2022
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360496▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서