Power consumption estimation using in-memory database computation

dc.contributor.advisorDağ, Hasan
dc.contributor.authorDağ, Hasan
dc.date.accessioned2023-10-17T20:46:20Z
dc.date.available2023-10-17T20:46:20Z
dc.date.issued2016
dc.departmentEnstitüler, Lisansüstü Eğitim Enstitüsü, Fen Bilimleri Ana Bilim Dalıen_US
dc.description.abstractSon elektrik tüketimini tahmin etmek amacıyla, hız ve güvenilirliği artırmak gerekir. hız ile ilgili olarak, birçok kat daha hızlı HDD den veri manipüle sağlar en iyi çözümdür IN-Bellek veritabanını kullanır. Bu amaçla, biz "en iyi" açık kaynak In-Memory veritabanı gibi YCSB gibi standart bir kriter kullanarak seçmeniz gerekir. güvenilirlik için, makine öğrenimi algoritmalarını kullanmaktadır. Model performans ve doğruluk verilerine her zaman bağlı olarak değişebilir bu yana, birçok algoritmalar test etmek ve en iyisini seçmek. Bu tezde, Python ve Aerospike bellek veritabanında öğrenme makinesi kullanılarak elektrik tüketimini tahmin etmek Londra Hanehalkı SmartMeter Enerji Tüketimi Verileri kullanın. Çalışma veri seti için en iyi algoritma Torbalama olduğunu göstermektedir. Biz de Ar-kare her zaman en iyi algoritma seçmek için iyi bir test olmadığını kanıtlamak. Son olarak, biz belirli bir zamanda tüketimini tahmin etmek deneyimli olmayan kullanıcılar tarafından kullanılabilir Python kullanarak makine öğrenimi, bir grafiksel kullanıcı arabirimi öneriyoruzen_US
dc.description.abstractIn order to re ciently predict electricity consumption, we need to improve the speed and the reliability. Concerning the speed, we use IN-Memory database, which is the best solution that allows manipulating data many times faster than HDD. For this purpose, we need to choose "the best" open-source In-Memory database using a standard benchmark, such as YCSB. For reliability, we use machine learning algorithms. Since the model performance and accuracy may vary depending on data each time, we test many algorithms and select the best one. In this thesis, we use SmartMeter Energy Consumption Data in London Households to predict electricity consumption using machine learning in Python and Aerospike in-memory database. The study shows that the best algorithm for our data set is Bagging. We also prove that R-squared is not always a good test to choose the best algorithm. Finally, we propose a graphical user interface for machine learning using Python, that can be used by non-experienced users to predict the consumption at a certain time.en_US
dc.identifier.endpage62en_US
dc.identifier.scopus2-s2.0-85006982289en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=vbVkXe1KChYWNElr1MuLZoiNYVWbnLKsZ03l3HW-ALbPvWxRByHuoZz6jGHNyoqh
dc.identifier.urihttps://hdl.handle.net/20.500.12469/4490
dc.identifier.yoktezid498131en_US
dc.institutionauthorAlamin, Mohamed
dc.khas20231017-Tezrn_US
dc.language.isoenen_US
dc.publisherKadir Has Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolen_US
dc.subjectComputer Engineering and Computer Science and Controlen_US
dc.titlePower consumption estimation using in-memory database computationen_US
dc.title.alternativeBellek üzerinde çalışan veri tabanları (In memory database) ile makine öğrenmesien_US
dc.typeMaster Thesisen_US
dspace.entity.typePublication
relation.isAuthorOfPublicatione02bc683-b72e-4da4-a5db-ddebeb21e8e7
relation.isAuthorOfPublication.latestForDiscoverye02bc683-b72e-4da4-a5db-ddebeb21e8e7

Files

Original bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
498131.pdf
Size:
2.19 MB
Format:
Adobe Portable Document Format
Description:
Tam Metin / Full Text

Collections