Pelacakan Lintasan yang Hilang Menggunakan Model Zero Shot-Transformer-Attentional Copulas for Time Series

Santana, Nyoman Wikananda (2024) Pelacakan Lintasan yang Hilang Menggunakan Model Zero Shot-Transformer-Attentional Copulas for Time Series. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5002201043-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (15MB) | Request a copy

Abstract

Pelacakan lintasan objek menjadi sangat krusial saat informasi keberadaan objek tersebut tidak terpantau untuk beberapa saat lama. Pelacakan lintasan suatu objek dapat dilakukan dengan menganalisis data GPS sensor. Umumnya, pelacakan lintasan objek dengan deep learning membutuhkan jumlah histori data yang banyak. Pada kenyataannya, ketersediaan histori data GPS dari sebuah objek sangatlah terbatas. Misalkan, sebuah objek tersebut hanya singgah untuk beberapa saat di area yang dipantau. Disisi lain, sensor GPS dapat mengalami gangguan, sehingga tidak dapat memberikan rekam jejak objek tersebut. Oleh karena itu, penelitian Tugas Akhir ini mengusulkan sebuah model yang mengintegrasikan konsep zero-shot learning untuk memiliki kemampuan belajar dari data yang sangat minim dan model transformer attentional copulas for time series (TACTiS) untuk memprediksi lintasan yang tidak lengkap, selanjutnya dinamakan ZeroTACTiS. Secara umum, model yang diusulkan didesain dari arsitektur encoder-decoder transformer dengan modul encoder didasarkan atas uniform discretization untuk mendapatkan embedding lintasan dan modul decoder didasarkan atas attentional copulas mechanism untuk mengestimasi copula dari lintasan yang diprediksi. Penelitian ini bertujuan untuk melacak lintasan objek yang hilang dari data histori yang sangat minim. Pada penelitian ini digunakan data primer terkait lintasan mobil pada sebuah gedung sebagai studi kasus pelacakan lintasan dan data sekunder terkait pergerakan hewan pada salah satu daerah konservasi. Hasil eksperimen menunjukkan bahwa model yang diusulkan mampu melacak lintasan atau pergerakan objek lebih akurat dibandingkan ARIMA, Kalman Filter dan LSTM.

===========================================================

Object trajectory tracking becomes highly crucial when the information about the corresponding object’s position goes unmonitored for a prolonged period. Tracking the trajectory of an object can be done by analyzing the GPS sensor data. In general, tracking an object’s trajectory with deep learning requires a substantial amount of historical data. In reality, the availability of an object’s GPS historical data is very limited. For instance, an object might only briefly pass through the monitored area. On the other hand, GPS sensors can experience disruption resulting in failure for recording objects’ trajectories. Therefore, this study proposes a model that integrates the concept of zero-shot learning to be able to learn from limited data and transformer attentional copulas for times series (TACTiS) to forecast the incomplete trajectory, called ZeroTACTiS. In general, the proposed model is designed from encoder-decoder transformer architecture with the encoder part is uniform discretization to construct the trajectory embedding and the decoder part is attentional copulas mechanism to estimate the incomplete trajectory. This study aims to track the lost trajectories of objects from very limited historical data. In this study, primary data related to car trajectory inside a building is used with secondary data related to animal movement in a conservation area. The experiment results showed that the proposed model capable of tracking objects’ trajectories or movements more accurately than ARIMA, Kalman Filter, and LSTM.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Pelacakan Lintasan, Transformer, Lintasan Hilang, Trajectory Tracking, Transformer, Zero Shot, Lost Trajectory.
Subjects:	H Social Sciences > HE Transportation and Communications > HE311.I4 Urban transportation Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry) Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Nyoman Wikananda Santana
Date Deposited:	06 Aug 2024 08:42
Last Modified:	06 Aug 2024 08:42
URI:	http://repository.its.ac.id/id/eprint/113993

Actions (login required)

View Item