Cyberfysiske systemer genererer multivariate tidsserier som fanger opp oppførselen til fysiske systemer som respons på kybernetisk input.
Rohan Thekkemarickal Money
Ph.d.-kandidat
Inferens og dataanalyse over nettverk har blitt viktige forskningsområder på grunn av den økende utbredelsen av sammenkoblede systemer og det økende volumet av data de produserer. Mange av disse systemene genererer data i form av multivariat tidsserier som er samlinger av tidsseriedata som observeres samtidig på tvers av flere variabler. For eksempel, EEG-målinger av hjernen gir multivariat tidsseriedata som registrerer den elektriske aktiviteten i ulike hjerneområder over tid.
Cyberfysiske systemer genererer multivariate tidsserier som fanger opp oppførselen til fysiske systemer som respons på kybernetisk input. Tilsvarende gjenspeiler finansielle tidsserier dynamikken i flere finansielle instrumenter eller markedsindekser over tid. Ved å analysere disse tidsseriene kan man avdekke viktige detaljer om systemets oppførsel, oppdage mønstre og komme med forutsigelser. Derfor er det viktig å utvikle effektive metoder for dataanalyse og inferens i nettverk av tidsserier med flere variabler. Dette er et viktig forskningsområde med mange bruksområder på ulike felt.
I denne doktorgradsavhandlingen fokuserer vi på å identifisere de rettede relasjonene mellom tidsserier og å utnytte denne informasjonen til å designe algoritmer for prediksjon av data og imputering av manglende data.