İleri beslemeli yapay sinir ağları ile zaman serisi tahmininde gizli tabaka sayısı ve test kümesi uzunluğunun etkisi
Effectiveness of hidden layer number and length of test group for forecasting feed forward neural networks in time series
- Tez No: 276668
- Danışmanlar: PROF. DR. FARUK ALPASLAN
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2010
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 117
Özet
Son yıllarda, zaman serisi öngörü problemi için ileri beslemeli yapay sinir ağları başarılı bir şekilde uygulanmaktadır. Doğrusal olmayan yapı içeren zaman serilerinin modellenmesinde, ARIMA, üstel düzleştirme gibi klasik doğrusal zaman serisi modelleri yetersiz kalmaktadır. Zaman serisi analizi için birçok doğrusal olmayan zaman serisi modelleri bulunmasına rağmen hepsinin belli bir model varsayımı gerektirmesi önemli bir engel oluşturmaktadır. İleri beslemeli yapay sinir ağlarının hem doğrusallık hem de model varsayımı gibi kısıtları yoktur. Literatürdeki birçok çalışmada ileri beslemeli yapay sinir ağlarında, klasik zaman serisi yöntemlerinden daha doğru öngörüler elde edilmiştir. Birçok avantaja rağmen yapay sinir ağları ile öngörü için yapay sinir ağlarının bileşenlerinin belirlenmesi problemi halen tam olarak sistematik değildir. Bu çalışmada öngörü problemi için ileri beslemeli yapay sinir ağı kullanımında, gizli tabaka sayısının belirlenmesi ve test kümesi uzunluğunun etkisi üzerine, Ankara Hava Kirliliği(AHK), Avusturya Bira Tüketimi(ABT), Aırlane Data Seti (G.Box Jenkıns,1976)(ADS), Samsun Hava Kirliliği(SHK), Gelen Turist Sayısı(GTS),IMKB , EURO, USD zaman serileri kullanılarak bir araştırma yapılmıştır. Sonuçta, bütün serilerde de test kümesi değişimi ile farklı mimari yapılardan iyi sonuçlar elde edilmiştir.
Özet (Çeviri)
In recent years, feed forward neural networks are used for time series forecasting successfully. For modelling time series which contains nonlinear structures, it is unadequate to use methods such as ARIMA and exponential smoothing method. Although there are lots of nonlinear time series methods, it is an important obstacle for modelling due to requiring a specific model assumptions. Feed forward neural networks does not need both linearity and model assumption. In the literature, many studies pointed that feed forward neural networks outperform against to classical time series methods. Although feed forward neural networks have many advantages, determining components of feed forward neural networks for forecasting purpose is not systematically solved. In this study, in the use of feed forward artificial neural network using hidden layer number and length of tests, we use datasets such as Air Pollution of Ankara, Beer Consumption of Austria, Aırlane Data Set (G. Box Jenkıns,1976), Air Pollution of Samsun, Number of Coming Tourist to Turkey, IMKB stock index, TL/Dollar Exchange Rate and TL/Euro Exchange rate time series. At the result, it has acquired good results from changing length of test with different architect buildings for all series.
Benzer Tezler
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- Doğrusal olmayan zaman serilerinin yapay sinir ağları ile tahmini
Nonlinear time series prediction using artificial neural network
RAMAZAN CEVİZKIRAN
Yüksek Lisans
Türkçe
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
PROF. DR. MUAAMMER GÖKBULUT
- Yapay sınır ağları ile yeraltı suyu zaman serisi modellemesi
Modelling groundwater level time series using artificial neural networks
SİNAN AKACAN
Yüksek Lisans
Türkçe
2005
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. KEREM CIGIZOĞLU
- Türkiye'ye gelen turist sayısı tahmininde zaman serileri analizi ve yapay sinir ağları yöntemlerinin karşılaştırılması
Comparison of methods of time series analysis and artificial neural networks on estimation the number of tourists come to Turkey
ŞEBNEM ZORLUTUNA
- Performance comparison of machine learning methods and traditional time series methods for forecasting
Geleneksel zaman serisi yöntemleri ve makine öğrenmesi yöntemlerinin öngörü performans karşılaştırması
OZANCAN ÖZDEMİR
Yüksek Lisans
İngilizce
2020
İstatistikOrta Doğu Teknik Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. CEYLAN YOZGATLIGİL