20.500.12556/RUL-172650 Nadomeščanje manjkajočih meritev temperature z nevronskimi mrežami na grafih Temperature data imputation using graph neural networks Vremenski podatki pogosto vsebujejo manjkajoče meritve zaradi okvar senzorjev, komunikacijskih napak ali vzdrževalnih posegov, kar oteži njihovo uporabo pri napovedovanju in spremljanju stanja. Namen naloge je nadomestiti manjkajoče meritve temperature z izkoriščanjem prostorsko-časovnih odvisnosti med meteorolo škimi postajami. Kot cilj naše diplomske naloge smo si zadali izdelavo modela strojnega učenja na podlagi grafnih nevronskih mrež za nadomeščanje manjkajočih meritev temperature v podatkovnih množicah. Podatke smo strukturirali v prostorsko-časovni graf in razvili dva glavna pristopa. Model GNN-GRU združuje grafno pozornost in rekurenčne enote GRU za napoved temperature v naslednjem časovnem koraku in ga uporabimo, kadar so na voljo zgodovinske meritve ciljne postaje. Model GAT-Spatial pa z več zaporednimi GAT-plastmi nadomesti trenutne vrednosti temperature brez zgodovine na cilju. Najboljše rezultate smo dosegli z GNN-GRU modelom in povprečno absolutno napako 0, 371 °C, z GAT-Spatial pa s povprečno absolutno napako 1, 220 °C. Weather data often contains missing measurements due to sensor failures, communication errors, or maintenance interventions, which complicates forecasting and monitoring. The purpose of this thesis is to replace missing temperature measurements by exploiting the spatial-temporal dependencies between meteorological stations. The goal of our thesis is to develop a machine learning model using graph neural networks to impute temperature measurements in incomplete data sets. We structured the data into a spatio-temporal graph and developed two main approaches. The GNN-GRU model combines graph attention and recurrent GRU units to predict temperature for the next time step and is used when historical measurements at the target station are available. Meanwhile the GAT-Spatial model uses multiple consecutive GAT layers to replace current temperature values without historical data at the target station are not used. Our best results were achieved with the GNN-GRU model with an average absolute error of 0.371 °C, while the GAT-Spatial model achieved an average absolute error of 1.220 °C. Nadomeščanje manjkajočih meritev meritve vremenskih postaj grafne nevronske mreže Temperature imputation weather station measurements graph neural networks true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2025-09-10 12:20:00 2025-09-10 12:20:13 2025-10-18 03:48:38 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 38293 249734659 Stojanovic_Jan_jure_-_Nadomescanje_manjkajocih_meritev_temperature_z_nevronskimi_mrezami_na_graf.pdf Stojanovic_Jan_jure_-_Nadomescanje_manjkajocih_meritev_temperature_z_nevronskimi_mrezami_na_graf.pdf 1 8FD7B6B267B6179263958EC1688FCCCD 7cb2fd1fba27db47ad0b3488b6ab32c12d11deafa731fd1e315c1289120025a1 95df6c11-8e2f-11f0-9328-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=216640 Fakulteta za računalništvo in informatiko 0 0 0