รายละเอียดโครงงาน
หลักสูตร/ปี พ.ศ. วิศวกรรมศาสตรบัณฑิต สาขาวิชาวิศวกรรมซอฟต์แวร์และความรู้ ปี พ.ศ. 2567
ภาคและปีการศึกษาที่สำเร็จการศึกษา ภาคปลาย ปีการศึกษา 2566
ประเภทโครงงาน
โครงงานวิศวกรรม
ชื่อโครงงานภาษาไทย
การจำแนกอนุกรมเวลาโดยใช้ shapelet แบบปราศจากการเขียนโปรแกรม
ชื่อโครงงานภาษาอังกฤษ
A Low-Code Solution for Shapelet-Based Time Series Classification
ผู้พัฒนา
6310545515 นายณัฐชนน มนัสไพบูลย์
6310545965 นายดิษฐพงษ์ เลขะกุล
อาจารย์ที่ปรึกษาหลัก
ธนาวินท์ รักธรรมานนท์
อาจารย์ที่ปรึกษาร่วม
-
บทคัดย่อ
การประยุกต์ใช้การจำแนกอนุกรมเวลา (TSC) มีอยู่ในโดเมนต่างๆ แต่เครื่องมือวิเคราะห์ข้อมูลเชิงพาณิชย์ไม่มีสิ่งนี้เป็นโมดูลสำหรับการวิเคราะห์อนุกรมเวลา ซึ่งโดยส่วนใหญ่แล้ว โมดูลสำหรับการพยากรณ์อนุกรมเวลาจะมีอยู่เป็นส่วนหนึ่ง ด้วยเหตุนี้และความสำคัญของความสามารถในการตีความ เราจึงต้องการสร้างเครื่องมือสำหรับ TSC ที่ใช้งานง่ายและตีความได้ง่าย ด้วยเหตุนี้ เราจึงเสนอโซลูชันซอฟต์แวร์เป็นแพลตฟอร์มที่ใช้โค้ดน้อยซึ่งช่วยลดความพยายามในการเขียนโปรแกรมโดยใช้ shapelet transformation เป็นแนวคิดหลักสำหรับการจำแนกประเภท shapelet-based โดยมีความสามารถในการตีความได้สูง ข้อดีของ shapelet transformation คือสามารถแปลงข้อมูลอนุกรมเวลาเป็นข้อมูลแบบตารางที่มีระยะห่างใกล้เคียงที่สุดระหว่าง shapelet และอนุกรมเวลาได้ ซึ่งหมายความว่าเราสามารถจับคู่หม้อแปลงนี้กับตัวแยกประเภทที่มีความสามารถในการตีความได้สูง เช่น แผนผังการตัดสินใจ และเพื่อนบ้านที่อยู่ใกล้ที่สุด ด้วยเหตุนี้ เราจึงสร้างซอฟต์แวร์ชื่อ NodeTSC โดยใช้สถาปัตยกรรมกราฟโหนดและการออกแบบการแสดงภาพซึ่งผสานรวมกับ shapelet ที่ค้นพบเพื่อเพิ่มความสามารถในการตีความ การออกแบบโดยรวมนั้นง่ายต่อการใช้งานตามที่ตั้งใจไว้ ตามผลการทดสอบการใช้งานที่มีการกลั่นกรอง โดยมีหัวข้อการทดสอบ 11 รายการจาก 17 รายการผ่านไปโดยไม่มีคำถาม และผู้ทดสอบทุกคนสามารถทำงานตามวัตถุประสงค์ที่ได้รับมอบหมายให้เสร็จสิ้นได้ นอกจากนี้ การสร้างภาพข้อมูลที่เสนอสามารถช่วยให้ผู้ใช้ดึงข้อสังเกตและ/หรือข้อมูลเชิงลึกที่เป็นประโยชน์จากผลลัพธ์ ดังที่สะท้อนให้เห็นในคะแนนที่สมบูรณ์แบบในการทดสอบเดียวกัน
Abstract
The application of time series classification (TSC) exists in various domains, but commercial data analytic tools do not have this as a module for time series analysis, where most of the time, modules for time series forecasting exist as a part of them. Because of this and the importance of interpretability, we want to create tools for TSC that are also easy to use and easy to interpret. As a consequence, we propose a software solution as a low-code platform that minimizes the effort of programming using shapelet transformation as the primary concept for shapelet-based classification with high interpretability. The advantage of shapelet transformation is that it can transform time series data into tabular data of the closest distance between shapelet and timeseries. This means we can pair this transformer with high-interpretability classifiers such as decision trees and k-nearest neighbors. As a result, we created a software called NodeTSC using a node graph architecture and designed visualizations that integrated with the discovered shapelet to increase its interpretability. The overall design is easy to work with, as intended, according to the moderated usability testing results, where 11 out of 17 testing topics passed by without questions and all testers could all complete the assigned objective tasks. Additionally, proposed visualization can help users draw observation and/or useful insight from the output, as reflected in the perfect score on the same testing.
คำสำคัญ (Keywords)
Time series classification (TSC) shapelet-based approaches
shapelet transformation
data analytics
interpretability
เว็บไซต์โครงงาน
-
วีดีโอคลิปของโครงงาน
ที่เก็บเวอร์ชันซอร์สโค้ด
https://github.com/orgs/NodeTSC/repositories
สถานะการนำเข้าข้อมูล
ผู้นำเข้าข้อมูลครั้งแรก
นายดิษฐพงษ์
เลขะกุล
(b6310545965)
แก้ไขครั้งสุดท้าย
เมื่อ May 9, 2024, 10:23 p.m. โดย
นายดิษฐพงษ์
เลขะกุล
(b6310545965)
สถานะการอนุมัติ
อนุมัติแล้ว โดย
ธนาวินท์
รักธรรมานนท์
(fengtwr)
เมื่อ May 10, 2024, 3:21 p.m.