Browsing by Subject "Medical services"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • Thumbnail Image
    ItemOpen Access
    Çok kollu haydutlar ile dinamik ambulans konumlandırma
    (IEEE, 2019-04) Şahin, Ümitcan; Yücesoy, V.
    Bir ülkenin acil yardım sistemlerinin iyileştirilmesi, daha çok acil vakaya zamanında müdahale edilmesi ve daha çok hayatın kurtarılmasını sağlar. 112 Acil Yardım sisteminin bir parçası olan ambulans konumlandırma problemi, ambulansların vakalara mümkün olan en kısa sürede ulaşmasını sağlayacak şekilde konumlandırılmasını sağlayan birçok yöntemden oluşur. Bu çalışmada ambulanslar, literatürdeki yöntemlerin aksine, bir çok kollu haydut (ÇKH) algoritması kullanılarak konumlandırılmaktadır. OpenStreetMap (OSM) harita uygulaması kullanılarak oluşturulmuş iki yönlü kenarlardan ve toplam 2400 düğümden oluşan bir Ankara şehri haritası üzerinde konumlandırma işlemi yapılmaktadır. Düğümler üzerindeki vaka dağılımları ve aralarındaki seyahat süreleri ÇKH algoritması tarafından bilinmemektedir ve zamanla öğrenilmektedir. Bu öğrenim keşif ve istifade arasındaki ödünleşim sistemi ile sağlanmaktadır. Algoritma karşılaştırmaları için literatürde sıkça kullanılan ve dinamik bir konumlandırma yöntemi olan DMEXCLP modeli kullanılmıştır. Simülasyonlarda algoritma karşılaştırmaları için iki ölçüt değerlendirilmiştir: 1) vakalara ortalama müdahale süresi ve 2) 15 dakika altında varılan vaka yüzdesi. Sonuç olarak aynı şartlar altında önerilen ÇKH algoritmasının DMEXCLP modeline göre bu iki ölçüt açısından daha iyi performans verdiği gösterilmiştir.
  • Thumbnail Image
    ItemOpen Access
    Multivariate time series imputation with transformers
    (IEEE, 2022-11-25) Yıldız, A. Yarkın; Koç, Emirhan; Koç, Aykut
    Processing time series with missing segments is a fundamental challenge that puts obstacles to advanced analysis in various disciplines such as engineering, medicine, and economics. One of the remedies is imputation to fill the missing values based on observed values properly without undermining performance. We propose the Multivariate Time-Series Imputation with Transformers (MTSIT), a novel method that uses transformer architecture in an unsupervised manner for missing value imputation. Unlike the existing transformer architectures, this model only uses the encoder part of the transformer due to computational benefits. Crucially, MTSIT trains the autoencoder by jointly reconstructing and imputing stochastically-masked inputs via an objective designed for multivariate time-series data. The trained autoencoder is then evaluated for imputing both simulated and real missing values. Experiments show that MTSIT outperforms state-of-the-art imputation methods over benchmark datasets.