Monday, November 16, 2026

Bird Migration & Flight Pattern Analysis (Part-8)

၁။ နောက်ခံသဘောတရားများ (Time-Series Lag Features & Trajectory Forecasting)

အချိန်နှင့်အမျှ အစဉ်လိုက် မှတ်တမ်းတင်ထားသော GPS ဒေတာများကို အသုံးပြု၍ ငှက်တစ်ကောင်၏ နောက်တစ်ဆင့် ရောက်ရှိမည့် တည်နေရာ (Latitude, Longitude) ကို ကြိုတင်ခန့်မှန်းခြင်းကို Trajectory Forecasting ဟု ခေါ်ပါသည်။

သာမန် Supervised Learning မော်ဒယ်များ (RandomForestRegressor စသည်) သည် ဇယားကွက်ပုံစံ (Tabular Data: )) ကိုသာ နားလည်သောကြောင့် Time-Series ဒေတာများကို ခန့်မှန်းနိုင်ရန် အောက်ပါ အဓိက သဘောတရား ၄ ခုကို အသုံးပြုရပါသည်-

(က) Lag Features (အတိတ်ကာလ အချက်အလက်များကို Feature အဖြစ် ဖန်တီးခြင်း)

ငှက်တစ်ကောင် နောက်မိနစ်ပိုင်းအတွင်း မည်သည့်နေရာသို့ ရောက်ရှိမည်နည်း ဆိုသည်မှာ လက်ရှိအချိန် ($t$) တစ်ခုတည်းသာမက လွန်ခဲ့သည့် အချိန်ပိုင်းများ ($t-1, t-2$) က မည်သည့်အရှိန်၊ မည်သည့်ဦးတည်ရာဖြင့် ပျံသန်းလာခဲ့သနည်း ဆိုသည့် အရှိန်အဟုန် (Momentum) အပေါ် မူတည်ပါသည်။

  • Pandas ၏ .shift(1), .shift(2) တို့ကို အသုံးပြု၍ ယခင်အဆင့်များမှ ရွေ့လျားမှုအကွာအဝေး 
  • (), အမြန်နှုန်း (speed_2d), နှင့် ဦးတည်ရာ (direction) တို့ကို အတန်းတစ်ခုတည်းသို့ ဆွဲယူစုစည်းပေးခြင်းကို Lag Feature Engineering ဟု ခေါ်ပါသည်။

(ခ) မူရင်းကိုဩဒိနိတ်အစား ရွေ့လျားမှုပမာဏ ()) ကို ခန့်မှန်းခြင်း

Machine Learning အင်ဂျင်နီယာပိုင်းတွင် အလွန်အရေးကြီးသော နည်းစနစ်တစ်ခု ဖြစ်ပါသည်။

  • အကယ်၍ မော်ဒယ်ကို  တန်ဖိုးအတိအကျကို တိုက်ရိုက်ခန့်မှန်းခိုင်းပါက၊ Random Forest ကဲ့သို့ Decision Tree အခြေခံ မော်ဒယ်များသည် Train Set ထဲတွင် မြင်ဖူးထားသော မြေပုံနယ်နိမိတ် အပြင်ဘက်သို့ ကျော်လွန်ခန့်မှန်းနိုင်စွမ်း (Extrapolation) မရှိသောကြောင့် နေရာအသစ်များသို့ ရောက်လျှင် ခန့်မှန်းချက် လွဲချော်သွားပါမည်။
  • ထို့ကြောင့် မော်ဒယ်ကို နေရာပြောင်းလဲမှု ပမာဏ (Displacement) ကိုသာ သင်ကြားပေးပြီး လက်ရှိတည်နေရာနှင့် ပြန်ပေါင်းယူရပါသည်-


(ဂ) ပုံမှန်မဟုတ်သော အချိန်ကွာခြားချက် (dt_next) ကို ထည့်သွင်းတွက်ချက်ခြင်း

GPS စက်များသည် အချိန်အတိအကျ တူညီစွာ မှတ်တမ်းတင်နိုင်ခြင်း မရှိပါ (ဥပမာ- တစ်ခါတစ်ရံ ၁၀ မိနစ်ခြား၊ တစ်ခါတစ်ရံ မိနစ် ၂၀ ခြား၊ ညဘက်တွင် နာရီပေါင်းများစွာ ခြားသွားတတ်ပါသည်)။ ရူပဗေဒသဘောတရားအရ   ဖြစ်သောကြောင့် နောက်တစ်မှတ်အထိ ကြာမြင့်မည့် စက္ကန့်အရေအတွက် (dt_next) ကို Feature တစ်ခုအဖြစ် မဖြစ်မနေ ထည့်သွင်းပေးရပါသည်။

(ဃ) Chronological Split နှင့် Multi-Output Regression

  • Chronological Split: Time-Series ဒေတာများကို train_test_split(..., shuffle=True) ဖြင့် ကျပန်းရောမွှေ၍ မခွဲရပါ။ အတိတ်ကာလ ဒေတာ (ပထမ ၈၀%) ဖြင့် သင်ကြားပြီး အနာဂတ်ကာလ ဒေတာ (နောက်ဆုံး ၂၀%) ဖြင့် စမ်းသပ်ရပါမည်။

  • Multi-Output Regression: RandomForestRegressor သည် တစ်ကြိမ်တည်းဖြင့် Target နှစ်ခု (   နှင့်    ) ကို တစ်ပြိုင်နက် ခန့်မှန်းပေးနိုင်ပါသည်။


၂။ Python Code Implementation

အောက်ပါပရိုဂရမ်သည် Eric ၏ ခရီးစဉ် အစပိုင်း ၈၀% ကို လေ့လာသင်ယူပြီး၊ နောက်ဆုံး ၂၀% ကာလအတွင်း နောက်တစ်ဆင့် ရောက်ရှိမည့် GPS တည်နေရာကို ကြိုတင်ခန့်မှန်းကာ အမှန်တကယ် ရောက်ရှိသည့် နေရာနှင့် မီတာမည်မျှသာ ကွာခြားသနည်း (Haversine Error) ကို တိုင်းတာပေးမည် ဖြစ်ပါသည်။

Python
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestRegressor

# ၁။ ဒေတာဖတ်ရှုခြင်းနှင့် အချိန်အစဉ်လိုက် စီစဉ်ခြင်း
birddata = pd.read_csv("bird_tracking.csv")
eric_data = birddata[birddata['bird_name'] == 'Eric'].copy()
eric_data['date_time'] = pd.to_datetime(eric_data['date_time'], format='mixed')
eric_data = eric_data.sort_values('date_time').reset_index(drop=True)

req_cols = ['latitude', 'longitude', 'speed_2d', 'altitude', 'direction']
eric_data = eric_data.dropna(subset=req_cols).reset_index(drop=True)

# ၂။ အချိန်ကွာခြားချက်များ (Time Deltas) တွက်ချက်ခြင်း
eric_data['dt_prev1'] = eric_data['date_time'].diff().dt.total_seconds()
eric_data['dt_prev2'] = eric_data['dt_prev1'].shift(1)
eric_data['dt_next'] = eric_data['date_time'].shift(-1).sub(eric_data['date_time']).dt.total_seconds()

# ၃။ Lag Features များနှင့် Cyclical Direction တည်ဆောက်ခြင်း
dir_rad = np.radians(eric_data['direction'])
eric_data['dir_sin'] = np.sin(dir_rad)
eric_data['dir_cos'] = np.cos(dir_rad)

eric_data['vel_lat_0'] = eric_data['latitude'].diff() / eric_data['dt_prev1']
eric_data['vel_lon_0'] = eric_data['longitude'].diff() / eric_data['dt_prev1']

eric_data['vel_lat_lag1'] = eric_data['vel_lat_0'].shift(1)
eric_data['vel_lon_lag1'] = eric_data['vel_lon_0'].shift(1)
eric_data['speed_lag1'] = eric_data['speed_2d'].shift(1)
eric_data['dir_sin_lag1'] = eric_data['dir_sin'].shift(1)
eric_data['dir_cos_lag1'] = eric_data['dir_cos'].shift(1)

# ၄။ Target Variables (t+1 တွင် ပြောင်းလဲသွားမည့် Delta Lat & Delta Lon)
eric_data['target_dlat'] = eric_data['latitude'].shift(-1) - eric_data['latitude']
eric_data['target_dlon'] = eric_data['longitude'].shift(-1) - eric_data['longitude']

# ၅။ ဆက်တိုက်ဖြစ်နေသော ပျံသန်းမှုအပိုင်းများကိုသာ စစ်ထုတ်ခြင်း (၁ မိနစ် မှ မိနစ် ၄၀ အတွင်း)
valid_mask = (
    eric_data['dt_prev1'].between(60, 2400) &
    eric_data['dt_prev2'].between(60, 2400) &
    eric_data['dt_next'].between(60, 2400)
)

feature_cols = [
    'speed_2d', 'altitude', 'dir_sin', 'dir_cos',
    'vel_lat_0', 'vel_lon_0',
    'vel_lat_lag1', 'vel_lon_lag1', 'speed_lag1', 'dir_sin_lag1', 'dir_cos_lag1',
    'dt_next'
]
target_cols = ['target_dlat', 'target_dlon']

model_df = eric_data[valid_mask].dropna(subset=feature_cols + target_cols).reset_index(drop=True)

# ၆။ Chronological Train / Test Split (ပထမ 80% Train၊ နောက်ဆုံး 20% Test)
split_idx = int(len(model_df) * 0.80)
train_df = model_df.iloc[:split_idx].copy()
test_df = model_df.iloc[split_idx:].copy()

X_train, y_train = train_df[feature_cols], train_df[target_cols]
X_test, y_test = test_df[feature_cols], test_df[target_cols]

# ၇။ Multi-Output Random Forest Regressor မော်ဒယ် တည်ဆောက်၍ လေ့ကျင့်ပေးခြင်း
rf_forecaster = RandomForestRegressor(n_estimators=150, max_depth=15, random_state=42, n_jobs=-1)
rf_forecaster.fit(X_train, y_train)

# ၈။ နောက်တစ်ဆင့် တည်နေရာများကို ခန့်မှန်းခြင်း
y_pred_delta = rf_forecaster.predict(X_test)

test_df['pred_lat'] = test_df['latitude'] + y_pred_delta[:, 0]
test_df['pred_lon'] = test_df['longitude'] + y_pred_delta[:, 1]
test_df['actual_next_lat'] = test_df['latitude'] + test_df['target_dlat']
test_df['actual_next_lon'] = test_df['longitude'] + test_df['target_dlon']

# ၉။ ရလဒ်များကို ဂရပ် (၂) ခုဖြင့် ပုံဖော်ခြင်း
def haversine_meters(lat1, lon1, lat2, lon2):
    R = 6371008.8
    phi1, phi2 = np.radians(lat1), np.radians(lat2)
    dphi = np.radians(lat2 - lat1)
    dlambda = np.radians(lon2 - lon1)
    a = np.sin(dphi / 2.0)**2 + np.cos(phi1) * np.cos(phi2) * np.sin(dlambda / 2.0)**2
    return 2 * R * np.arctan2(np.sqrt(a), np.sqrt(1 - a))

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(16, 7))

# --- ဘယ်ဘက်ဂရပ် (ax1): np.nanargmax() ဖြင့် ပြင်ဆင်ထားသော အပိုင်း ---
step_dist = haversine_meters(test_df['latitude'], test_df['longitude'],
                             test_df['actual_next_lat'], test_df['actual_next_lon'])
rolling_sum = step_dist.rolling(35).sum().to_numpy()

# NaN များကို ကျော်၍ အများဆုံး ရွေ့လျားခဲ့သည့် ၃၅ ဆင့်ကို ရှာဖွေခြင်း
end_pos = int(np.nanargmax(rolling_sum)) + 1
start_pos = max(0, end_pos - 35)
flight_seg = test_df.iloc[start_pos:end_pos]

ax1.plot(
    flight_seg['actual_next_lon'], flight_seg['actual_next_lat'],
    color='#1f77b4', marker='o', markersize=5, linewidth=1.8, label='Actual Trajectory'
)
ax1.scatter(
    flight_seg['pred_lon'], flight_seg['pred_lat'],
    color='#d62728', marker='x', s=55, linewidths=1.8, zorder=4, label='ML Predicted Next Step'
)

for _, row in flight_seg.iterrows():
    ax1.plot(
        [row['actual_next_lon'], row['pred_lon']],
        [row['actual_next_lat'], row['pred_lat']],
        color='gray', linestyle=':', linewidth=0.9, alpha=0.7
    )

ax1.set_title("Trajectory Forecasting: Actual vs. Predicted Path (35 Steps)", fontsize=12, fontweight='bold')
ax1.set_xlabel("Longitude (Degrees)")
ax1.set_ylabel("Latitude (Degrees)")
ax1.legend(loc='best')
ax1.grid(True, linestyle='--', alpha=0.5)

# --- ညာဘက်ဂရပ် (ax2): Feature Importance ---
importances = rf_forecaster.feature_importances_
indices = np.argsort(importances)

ax2.barh(range(len(indices)), importances[indices], color='#2ca02c', align='center')
ax2.set_yticks(range(len(indices)))
ax2.set_yticklabels([feature_cols[i] for i in indices], fontsize=9.5, fontweight='bold')
ax2.set_xlabel("Relative Importance Score")
ax2.set_title("Feature Importance for Next-Step Location Prediction", fontsize=12, fontweight='bold')
ax2.grid(True, axis='x', linestyle='--', alpha=0.5)

plt.tight_layout()
plt.show()




ဘယ်ဘက်ဂရပ် (Trajectory Forecasting: Actual vs. Predicted Path (35 Steps)) စစ်ဆေးချက်

  • ပထဝီဝင် လမ်းကြောင်း ဤအဆင့် ၃၅ ဆင့်သည် လောင်ဂျီကျု -0.8° မှ 2.4° အတွင်းနှင့် လတ္တီကျု 46.2° မှ 50.7° အတွင်း (ပြင်သစ်နိုင်ငံ ကုန်းတွင်းပိုင်းမှ မြောက်ဘက် ဘယ်လ်ဂျီယံ ကမ်းရိုးတန်းဘက်သို့) အရှေ့မြောက်ဘက် ဦးတည်၍ နွေဦးရာသီ အပြန်ခရီး ပျံသန်းနေသော လမ်းကြောင်းပိုင်း ဖြစ်သည်။

  • မျဉ်းဖြောင့်ပျံသန်းချိန် တိကျမှု လောင်ဂျီကျု 0.3° မှ 2.1° ကြား (Lat 48.2° မှ 50.3° အတွင်း) ကဲ့သို့ ငှက်သည် ဦးတည်ရာ မပြောင်းလဲဘဲ တစ်သမတ်တည်း ပျံသန်းနေချိန်တွင် မော်ဒယ်၏ ခန့်မှန်းချက် အနီရောင် X အမှတ်များသည် အမှန်တကယ် ရောက်ရှိသည့် အပြာရောင်အစက်များပေါ်တွင် ထပ်တူနီးပါး ကျရောက်နေသည်ကို တွေ့ရသည်။

  • အကွေ့အကောက်နေရာများတွင် အနည်းငယ် ကျော်လွန်မှု (Overshoot) လောင်ဂျီကျု 0.2° ဝန်းကျင် (Lat 47.9°–48.2°) နှင့် လမ်းကြောင်းအဆုံးပိုင်း လောင်ဂျီကျု 2.2° ဝန်းကျင် (Lat 50.5°) တို့တွင် ငှက်က ရုတ်တရက် လမ်းကြောင်းချိုးကွေ့လိုက်သည့်အခါ အနီရောင် X အမှတ်များသည် ယခင်ဦးတည်ရာ လမ်းကြောင်းဟောင်းအတိုင်း အနည်းငယ် ကျော်လွန်ခန့်မှန်းမိပြီး အစက်ပြတ် အမှားမျဉ်းလေးများ ပေါ်ထွက်လာသည်။ သို့သော် နောက်တစ်ဆင့် ရောက်သည်နှင့် မော်ဒယ်က လမ်းကြောင်းသစ်ကို ချက်ချင်းပြန်လည် ချိန်ညှိနိုင်ခဲ့ကြောင်း တွေ့ရသည်။ (အတိတ်အရှိန်အဟုန် Lag Features ကို အခြေခံတွက်ချက်သော မော်ဒယ်တိုင်းတွင် ရုတ်တရက် အကွေ့အကောက်များ၌ ဤကဲ့သို့ တစ်ဆင့်စာ နောက်ကျတုံ့ပြန်မှု ဖြစ်ပေါ်လေ့ရှိပါသည်။)

ညာဘက်ဂရပ် (Feature Importance for Next-Step Location Prediction) စစ်ဆေးချက်

  • အဓိက အရေးပါဆုံး Features များ လက်ရှိအချိန်၏ အလျားလိုက် ရွေ့လျားနှုန်း (vel_lon_0 - 0.30 နီးပါး) နှင့် ဒေါင်လိုက် ရွေ့လျားနှုန်း (vel_lat_0 - 0.25 ခန့်) တို့သည် မော်ဒယ်ဆုံးဖြတ်ချက် စုစုပေါင်း၏ ၅၅% ခန့် အထိ အဓိက လွှမ်းမိုးထားပါသည်။

  • အထောက်အကူပြု Features များ နောက်တစ်မှတ်အထိ ကြာမြင့်မည့် အချိန်ကွာခြားချက် (dt_next - 0.08 ခန့်)၊ ပျံသန်းမှုအမြန်နှုန်း (speed_2d - 0.08 ခန့်) နှင့် ပျံသန်းအမြင့် (altitude - 0.06 ခန့်) တို့က ဒုတိယအရေးပါဆုံး အဖြစ် ပါဝင်နေသည်။

  • အတိတ်အဆင့် (Lag 1) နှင့် ဦးတည်ရာ Features များ dir_cos, dir_sin, vel_lon_lag1 တို့က 0.04 ဝန်းကျင်စီနှင့် ကျန် lag1 Feature များက 0.02 မှ 0.035 ကြားစီ အသီးသီး ပါဝင်အားဖြည့်ပေးထားသည်ကို တွေ့မြင်နိုင်ပါသည်။

No comments:

Post a Comment

Note: Only a member of this blog may post a comment.