Deep learning based prediction and visual analytics for temporal environmental data

Abstract

The objective of this thesis is to focus on developing Machine Learning methods and their visualisation for environmental data. The presented approaches primarily focus on devising an accurate Machine Learning framework that supports the user in understanding and comparing the model accuracy in relation to essential aspects of the respective parameter selection, trends, time frame, and correlating together with considered meteorological and pollution parameters. Later, this thesis develops approaches for the interactive visualisation of environmental data that are wrapped over the time series prediction as an application. Moreover, these approaches provide an interactive application that supports: 1. a Visual Analytics platform to interact with the sensors data and enhance the representation of the environmental data visually by identifying patterns that mostly go unnoticed in large temporal datasets, 2. a seasonality deduction platform presenting analyses of the results that clearly demonstrate the relationship between these parameters in a combined temporal activities frame, and 3. air quality analyses that successfully discovers spatio-temporal relationships among complex air quality data interactively in different time frames by harnessing the user’s knowledge of factors influencing the past, present, and future behaviour with Machine Learning models' aid. Some of the above pieces of work contribute to the field of Explainable Artificial Intelligence which is an area concerned with the development of methods that help understand, explain and interpret Machine Learning algorithms. In summary, this thesis describes Machine Learning prediction algorithms together with several visualisation approaches for visually analysing the temporal relationships among complex environmental data in different time frames interactively in a robust web platform. The developed interactive visualisation system for environmental data assimilates visual prediction, sensors’ spatial locations, measurements of the parameters, detailed patterns analyses, and change in conditions over time. This provides a new combined approach to the existing visual analytics research. The algorithms developed in this thesis can be used to infer spatio-temporal environmental data, enabling the interactive exploration processes, thus helping manage the cities smartly.

Ist das Ziel dieser Arbeit die Entwicklung von Methoden des maschinellen Lernens und deren Visualisierung für Umweltdaten. Die vorgestellten Ansätze konzentrieren sich in erster Linie auf die Entwicklung eines präzisen Frameworks für maschinelles Lernen, das Nutzerinnen und Nutzer beim Verständnis und Vergleich der Modellgenauigkeit in Bezug auf wesentliche Aspekte der Parameterauswahl, Trends, Zeitrahmen und Korrelationen der betrachteten meteorologischen Daten und Schadstoffparameter unterstützt. Im weiteren Verlauf dieser Arbeit werden Ansätze zur interaktiven Visualisierung von Umweltdaten entwickelt, welche Vorhersagen über Zeitreihen in eine entsprechende Anwendung integrieren. Darüber hinaus ermöglichen diese Ansätze eine interaktive Anwendung, die folgende Optionen bietet: 1. Eine Visual-Analytics-Plattform zur Interaktion mit den Sensordaten und zur Verbesserung der visuellen Darstellung von Umweltdaten durch Identifizierung von Mustern, die sonst in großen zeitlichen Datensätzen meist unbemerkt bleiben, 2. eine Webplattform zur Erkennung zeitlich wiederkehrender Effekte, die Ergebnisanalysen präsentiert, um Beziehungen zwischen Parametern in einer kombinierten Zeit-/Aktivitätsspanne deutlich machen, und 3. Luftqualitätsanalysen, die räumlich-zeitliche Beziehungen zwischen komplexen Luftqualitätsdaten interaktiv in verschiedenen Zeitrahmen erfolgreich aufdecken, indem sie auf das Nutzerwissen über vergangene, gegenwärtige und zukünftige Einflussfaktoren mit Hilfe von Modellen des maschinellen Lernens zurückgreifen. Einige der oben genannten Arbeiten leisten einen Beitrag zum Forschungsfelds Explainable Artificial Intelligence, einem Fachgebiet, das sich mit der Entwicklung von Methoden befasst, die helfen, Algorithmen des maschinellen Lernens besser zu verstehen, zu erklären und zu interpretieren. Zusammengefasst werden in dieser Arbeit maschinelle Lernverfahren für die Vorhersage zusammen mit verschiedenen Visualisierungsansätzen zur visuellen, interaktiven Analyse der zeitlichen Beziehungen zwischen komplexen Umweltdaten in verschiedenen Zeiträumen als Teile einer robusten webbasierten Anwendung vorgestellt. Das entwickelte interaktive Visualisierungssystem für Umweltdaten integriert die visuelle Vorhersage, räumliche Positionierung von Sensoren, Messungen der Parameter, detaillierte Musteranalysen und zeitliche Änderungen der Situation. Dies erweitert die bisherige Forschung im Bereich Visual Analytics um einen neuen kombinierten Ansatz. Die in dieser Arbeit vorgestellten Algorithmen können verwendet werden, um die räumlich-zeitliche Entwicklung von Umweltdaten abzuschätzen. Damit ermöglichen sie interaktive Erkundungsprozesse und tragen so zu einem intelligenten Stadtmanagement bei.