Geri Dön

Rasgele orman ve parçacık sürü optimizasyonuna dayalı bulanık öngörü fonksiyonları

Fuzzy forecasting functions based on random forest and particle swarm optimisation

PDF İndir

  1. Tez No: 1018422
  2. Yazar: RAMAZAN AKMAN
  3. Danışmanlar: DOÇ. DR. NİHAT TAK
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: İstatistik Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Son yıllarda ekonomik, finansal, sosyal ve teknolojik alanlarda zaman serisi verilerinin kullanımının yaygınlaşması, bu verilerin doğru ve güvenilir biçimde öngörülmesini önemli bir araştırma konusu haline getirmiştir. Zaman serilerinin artan veri hacmiyle birlikte doğrusal olmayan yapılar, belirsizlikler ve ani yükselişler/azalışlar içermesi, klasik öngörü yöntemlerinin bazı durumlarda yetersiz kalmasına neden olabilmektedir. Bu doğrultuda bu tez çalışmasında, zaman serisi öngörü problemlerinde daha esnek ve güçlü tahminler elde etmek amacıyla yeni bir yaklaşım önerilmektedir. Bu çalışmada, Tip-1 Bulanık Fonksiyonlar (T1BF) yaklaşımının veri odaklı modelleme özelliği, Rastgele Orman (RO) algoritmasının doğrusal olmayan ilişkileri yakalama ve genelleştirme yeteneği ile Parçacık Sürü Optimizasyonu (PSO) algoritmasının türev gerektirmeyen küresel arama yeteneği bir araya getirilmiştir. Önerilen hibrit yöntemde T1BF, zaman serilerinde gözlemler arasındaki bulanık geçişleri ve belirsizlik yapısını öğrenebilmek amacıyla kullanılmıştır. RO algoritması ise T1BF çerçevesine bütünleştirilerek, doğrusal olmayan zaman serisi davranışlarının daha başarılı biçimde modellenmesi ve öngörü performansının artırılması amaçlanmıştır. Ayrıca, yöntemin performansını önemli ölçüde etkileyen küme sayısı, bulanıklık derecesi, gecikme sayısı ve RO yöntemine ait hiperparametrelerin belirlenmesinde PSO algoritmasından yararlanılmıştır. Önerilen yöntemin performansı, farklı özelliklere sahip 22 gerçek dünya zaman serisi veri setleri üzerinde değerlendirilmiştir. Bu kapsamda uygulama veri setleri olarak ABC, BIST100 (2009–2013), TAIEX (1999–2004), DJEX (2010–2014) ve NIKKEI (2010–2014) zaman serileri kullanılmıştır. Elde edilen öngörü sonuçları, literatürde yer alan farklı yöntemlerle karşılaştırılmış ve model performansı Hata Kareler Ortalamasının Karekökü (HKOK) ve Ortalama Mutlak Yüzde Hata (OMYH) ölçütleri dikkate alınarak değerlendirilmiştir. Bulgular, önerilen hibrit yöntemin özellikle TAIEX veri setinde ikinci en iyi yönteme kıyasla HKOK değeri bakımından yaklaşık %29 oranında iyileşme sağladığını göstermektedir. Ayrıca ABC, BIST100, DJEX ve NIKKEI veri setlerinde de önerilen yöntemin genel olarak düşük HKOK değerleri elde ettiği ve mevcut yöntemlerle karşılaştırıldığında yüksek bir öngörü performansı sergilediği görülmüştür. Bu sonuçlar, T1BF, RO ve PSO yöntemlerinin bir araya getirilmesiyle oluşturulan hibrit yapının farklı zaman serisi problemlerinde uygulanabilir bir öngörü yaklaşımı olarak değerlendirilebileceğini göstermektedir.

Özet (Çeviri)

In recent years, the widespread use of time series data in economic, financial, social, and technological fields has made the accurate and reliable forecasting of such data a significant area of research. Given the increasing volume of time series data, which often contain nonlinear structures, uncertainties, and sudden spikes or drops, classical forecasting methods may prove inadequate in certain situations. In this context, this thesis proposes a new approach aimed at obtaining more flexible and robust forecasts in time series forecasting problems. In this study, the data-driven modeling capability of the Type-1 Fuzzy Functions (T1BF) approach is combined with the Random Forest (RO) algorithm's ability to capture and generalize nonlinear relationships and the Particle Swarm Optimization (PSO) algorithm's derivative-free global search capability. In the proposed hybrid method, T1BF is used to learn the fuzzy transitions and uncertainty structure between observations in time series. The RO algorithm is integrated into the T1BF framework to more successfully model nonlinear time series behavior and improve forecasting performance. Additionally, the PSO algorithm was utilized to determine the number of clusters, the degree of fuzziness, the number of delays, and the hyperparameters of the RO method, which significantly influence the method's performance. The performance of the proposed method was evaluated on 22 real-world time series datasets with different characteristics. In this context, the ABC, BIST100 (2009–2013), TAIEX (1999–2004), DJEX (2010–2014), and NIKKEI (2010–2014) time series were used as application datasets. The obtained forecasting results were compared with various methods in the literature, and model performance was evaluated using the Root Mean Square Error (HKOK) and Mean Absolute Percentage Error (OMYH) metrics. The findings indicate that the proposed hybrid method achieved an improvement of approximately 29% in the HKOK value compared to the second-best method, particularly in the TAIEX dataset. Additionally, it was observed that the proposed method generally yielded low HKOK values in the ABC, BIST100, DJEX, and NIKKEI datasets and demonstrated high forecasting performance when compared to existing methods. These results indicate that the hybrid structure, created by combining the T1BF, RO, and PSO methods, can be considered a viable forecasting approach for various time series problems.

Benzer Tezler

  1. Tez No

    499494

    An intrusion detection approach based on binary particle swarm optimization and Naive Bayes

    İkili parçacık sürüsü optimizasyonuna ve Naive Bayes'e dayalı bir saldırı tespiti yaklaşımı

    ABDULLAHI HUSSEIN ABDULLAHII

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. MESUT GÜNDÜZ

  2. Tez No

    947390

    Derin öğrenme algoritmaları kullanarak öğrenci akademik performansının erken tahmini

    Early prediction of student academic performance using deep learning algorithms

    AHMET KALA

    Doktora

    Türkçe

    Türkçe

    2025

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ORHAN TORKUL

    DR. ÖĞR. ÜYESİ TUĞBA YILDIZ

  3. Tez No

    903405

    Uydu görüntülerinin sınıflandırılmasında çok değişkenli uyarlanabilir regresyon eğrileri algoritmasına dayalı hibrit modellerin geliştirilmesi

    Development of hybrid models based on multivariate adaptive regression splines algorithm for classification of satellite images

    AZİZE UYAR

    Doktora

    Türkçe

    Türkçe

    2024

    Jeodezi ve FotogrametriOndokuz Mayıs Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. DERYA ÖZTÜRK

  4. Tez No

    768890

    A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy

    Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli

    ÖMER FARUK GÜRCAN

    Doktora

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  5. Tez No

    546677

    Multiclass classification of hepatic anomalies based on in vivo microwave dielectric properties

    Hepatik anomalilerin in vivo mikrodalga dielektrik özelliklerine dayalı çok sınıflı sınıflandırılması

    ZEYNEP GÜLSÜM BİLGEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA YILMAZ ABDOLSAHEB

Geri Dön