Promotie Dewi Elisabeth Wilhelmina Peerlings

Trefwoorden: Non-parametrische kansdichtheidschattingen, Neurale netwerken, Tijdreeksanalyse, niet-Gaussische en niet-lineare state space modelleren
 

"Density Estimation by Neural Networks: With Applications to Non-gaussian Distributions in Time Series Analysis"

In dit proefschrift worden methoden ontwikkeld voor het analyseren van data die zich niet laten beschrijven door een parametrische kansverdeling. Het maken van incorrecte veronderstellingen over de verdeling van de data kan leiden tot analyse methoden die gebaseerd zijn op verkeerde modelspecificaties waardoor onjuiste conclusies worden getrokken. Daarom is het van belang dat analyses gebaseerd zijn op een zo realistisch mogelijke benadering van de verdeling van de data. Een fundamentele bijdrage van deze dissertatie is het schatten van de kansverdeling van dataprocessen die niet goed met een parametrische verdeling te beschrijven is. Dit gebeurt met behulp van neurale netwerken. Er worden nieuwe methoden ontwikkeld voor het schatten van kansdichtheden voor cross-sectionele data en tijdreeksdata. Naast simulaties worden de methoden toegepast op tellingen van verkeersstromen die zijn verkregen met sensoren die boven en langs de Nederlandse snelwegen zijn gepositioneerd. Het analyseren van deze data geeft inzicht in het gedrag van het verkeer tijdens bijvoorbeeld de spits. Verder worden nieuwe filtermethoden ontwikkeld voor het analyseren van tijdreeksen waarbij gegevens op opeenvolgende tijdstippen worden verzameld. Deze worden toegepast op verkeerslusdata om bijvoorbeeld het verkeersgedrag gedurende een hele werkdag te analyseren. 

Klik hier voor het volledige proefschrift.

Klik hier voor de livestream.