Multi-target forecasting in univariate time series via embedding-based target space
Tek değişkenli zaman serilerinde gömüleme tabanlı hedef uzayda çok adımlı tahmin
- Tez No: 1019577
- Danışmanlar: DOÇ. MUSTAFA GÖKÇE BAYDOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, tek değişkenli zaman serilerinde çok adımlı (çok ufuklu) tahmin problemini incelemektedir. Geleneksel yöntemler genellikle doğrudan veya yinelemeli yaklaşımlara dayanır; burada ikincisi her tahmin ufku için ayrı bir model eğitirken, ilki geçmiş tahminleri yaklaşan adımlar için girdi olarak kullanır. Bu soruna bir çözüm olarak yeni bir çok hedefli regresyon çerçevesi önerilmektedir. Bu yöntem, bir sonraki H zaman adımına ait tahminlerden oluşan tahmin hedef vektörünü daha düşük boyutlu, korelasyonsuz ve bilgilendirici bir hedef uzaya yansıtmak için önce bir zaman serisi gömme tekniği (örneğin, PCA ve ICA) kullanır. Bu düşük boyutlu uzay, daha sonra ters dönüştürülen ve orijinal uzaya geri çevrilen tahminleri gerçekleştirmek için kullanılır. Çok çıktılı tahmin görevlerindeki gösterdikleri performansa dayanarak, modelleme sürecinde ağaç tabanlı makine öğrenimi algoritmaları kullanılır. Bu modeller, tüm ufuklar için aynı anda tahminler üretebilir ve hedef değişkenler arasındaki karşılıklı bağımlılığı modelleyebilir, Random Forest algoritması bu görevler üzerinde gerçek çoklu hedefli görevler olarak eğitilmiştir. XGBoost, LightGBM ve CatBoost için ise çoklu çıktı regresör sarmalayıcısı kullanılmıştır. Bu, ufuk başına bir bağımsız modelin eğitilmesiyle sonuçlanmıştır. Gömme tabanlı bir hedef alanının tahmin performansını iyileştirdiği durumlar gözlenmiştir. Ancak, gömme tabanlı çoklu hedef regresyonlarının sonuçları umut verici olsa da, ağaç modelleri biçimindeki gömülü olmayan temel modeller genel olarak en güçlü modeller olmuş ve hedef alanına gömme, tüm seriler üzerinden ölçüldüğünde temel modellere göre istatistiksel olarak anlamlı iyileştirmeler sağlamamıştır.
Özet (Çeviri)
This work examines the multi-step (multi-horizon) forecasting problem in univariate time series. Conventional methods usually depend on direct or iterative approaches, where the direct approach trains a separate model for every forecast horizon while the iterative approach uses past forecasts as inputs for upcoming steps. A novel multi-target regression framework is suggested as a solution to this problem. This method uses a time series embedding technique (e.g., PCA and ICA) first to project the prediction target vector, which consists of forecasts for the next \textit{H} time steps, into a lower-dimensional, uncorrelated, and informative target space. This lower-dimensional space is used to perform predictions, which are then inverse-transformed and translated back to the original space. Based on their demonstrated performance on multi-output prediction tasks, tree-based machine learning algorithms are employed during the modeling process. Tree-based models are used to produce forecasts for all horizons in a single pipeline. The Random Forest algorithm trained on these tasks as true multi-target tasks. As for XGBoost, LightGBM and CatBoost, multi-output regressor wrapper was used and this results in one independent model being trained per horizon. An embedding-based target space showed encouraging forecasting performance on some datasets. However, while the results of the multi-target regressions based on embeddings were promising, the non-embedded baselines in the form of the tree models were, in general, the strongest models and target space embedding did not result in statistically significant improvements over the baselines when measured over all series.
Benzer Tezler
- Transformer tabanlı öznitelik bütünleştirme ile eksik veriye dayanıklı tahminsel model geliştirilmesi
Development of a predictive model robust to missing data via transformer-based feature integration
DUYGU BAYRAK GÜMÜŞ
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED KOTAN
- Satış ve talep tahmini için derin transfer öğrenme metodolojisinin geliştirilmesi
Development of deep transfer learning methodology for sales and demand forecasting
BEGÜM EROL
Doktora
Türkçe
2024
Endüstri ve Endüstri MühendisliğiBursa Uludağ ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLİN İNKAYA
- Derin öğrenme yöntemleri ile tokat iline ait iklim verilerinin tahmin edilmesi
Forecasting climate data for tokat region with deep learning methods
CEBRAİL BATMAZ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTokat Gaziosmanpaşa ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZKAN İNİK
- Kullanıcıların zaman serileri biçimindeki davranış desenlerinin modellenmesi ve tahminlenmesi
Modeling and forecasting user behavior patterns in time series
YİĞİTCAN ŞENER
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYBARS UĞUR
- Multiple-criteria decision making in climate-smart agriculture
İklim akıllı tarımda çok kriterli karar verme yöntemleri
IDA GJERGJİ
Yüksek Lisans
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. YUSUF İLKER TOPCU