Removing noise with an Autoencoder in a Predator-Prey Ordinary Differential Equation

• Main Authors: Hildebrand, Conrad, Mathsson, Michael
• Format: Others
• Language: English
• Published: KTH, Skolan för elektroteknik och datavetenskap (EECS) 2020
• Subjects: Computer Sciences; Datavetenskap (datalogi)
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-280363

When studying populations of animals, you might want to try to predict the future population growth of the animals within a region. While there are other factors in play and depending on the looked at species, one of the major factors to look at can be the predator-prey relationship between two species. Instead of just looking at the history of the species separately you can create an ordinary differential equation to model the relationship between the two to get a better prediction. Since it is usually impossible to count the entire population within a larger area the collected data will naturally be noisy. This report explores the possibility of removing that noise through the use of an autoencoder. The autoencoder was tested using various methods on a synthetic dataset and then those settings were applied to a real-world dataset. The modified data was then used to create an ODE model to see if the generated model was closer to the original model compared to the one generated by the noisy data. Our results show that the autoencoder performed rather poorly on the synthetic dataset, while it performed well on the real-world dataset. Though the metrics indicated a bad performance on the synthetic dataset, the resulting graphs looked much more accurate to the naked eye which could indicate that the method is at least promising. The autoencoder seems to work better when more noise was added. Therefore, the conclusion is that it is possible with the autoencoder to clean data with heavy noise when constructing an ODE. === När man studerar populationer av djurarter så är det vanligt att vilja försökaförutspå deras tillväxt. En av huvudfaktorerna som är värd att studera ärrelationen mellan rovdjur och bytesdjur. Istället för att titta på populationernaseparat så kan man skapa en ordinär differentialekvation och använda sambandetmellan de två arterna för att få en bättre förutsägelse. Eftersom det är nästan omöjligt att räkna hela populationen så är den samlade datan naturligt brusig. Denna rapport undersöker möjligheten att använda en autoencoder för att minska bruset. Autoencodern testades med olika inställningar på det syntetiska datat och de inställningarna var sedan applicerade på den riktiga datan. Den modifierade datan användes sedan för att skapa en ODE modell för att se om modellen som genereras är närmare den originella modellen jämfört med den som genereras av den brusiga datan. Våra resultat visar att autoencodern presterade ganska dåligt på det syntetiska datat, medans den presterade bra på det riktiga datat. Trots att värdena säger att den presterade dåligt på det syntetiska datat, så ser dem resulterade graferna mycket bättre ut om man kollar med blotta ögat, vilket skulle kunna innebära att metoden åtminstone är lovande. Autoencodern verkar fungera bättre när mer brus lades till. Därför kan slutsatsen dras att det är möjligt med hjälp autoencodern att rensa data med mycket brus när man skapar en differentialekvation.