Geri Dön

Çok değişkenli uyarlamalı regresyon eğrileri ve konik programlama ile zaman serilerinin modellenmesi

Time series modelling using multivariate adaptive regression splines and conic quadratic programming

  1. Tez No: 299959
  2. Yazar: SEÇİL TOPRAK
  3. Danışmanlar: DOÇ. DR. PAKİZE TAYLAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Ekonometri, Matematik, İstatistik, Econometrics, Mathematics, Statistics
  6. Anahtar Kelimeler: Zaman serileri, Çok değişkenli uyarlamalı regresyon eğrileri (MARS), Uyarlanabilir eğri eşik değerli otoregresyon (ASTAR), Tikhonov düzenlemesi, Çok amaçlı optimizasyon, Konik karesel programlama (CQP), Time series, Multivariate adaptive regression splines (MARS), Adaptive splines treshold autoregression (ASTAR), Tikhonov regularization, Multiobjective optimization, Conic quadratic programming (CQP)
  7. Yıl: 2011
  8. Dil: Türkçe
  9. Üniversite: Dicle Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Matematik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 120

Özet

Bu çalışmada Stevens' ın (1991), Friedman (1991) tarafından geliştirilen çok değişkenli uyarlamalı regresyon eğrileri (MARS) algoritmasını kullanarak geliştirdiği uyarlanabilir eğri eşik değerli otoregresyon (ASTAR) modeli ve ikinci dereceden konik karesel programlama (CQP) kullanılarak elde ettiğimiz konik ASTAR (C-ASTAR) modeli ele alınmaktadır.İstatistiksel öğrenmede modern bir yöntem olan MARS, hem sınıflandırma hem de regresyonda çok büyük bir öneme sahiptir. Çok boyutlu problemlerin çözümünde oldukça elverişli olan MARS, doğrusal olmayan çok değişkenli fonksiyonlara uygunluk bakımından da büyük bir olanak sağlamaktadır. MARS tekniği, bağımsız değişkenlerle bağımlı değişkenler arasında belirli bir ilişki biçimi öngörmez. Bir başka deyişle, bağımlı değişkeni tanımlamak için bağımsız değişkenlerin eklemeli ve etkileşimsel katkılarına yer vermektedir. Bu ise MARS' ın önemli bir avantajı olan, temel fonksiyonların katkısını tahmin etme yeteneğini ortaya koymaktadır.MARS algoritmasında bağımsız değişkenlerin yerine zaman serisi sisteminin önceki değerleri yerleştirildiğinde Tong (1983) tarafından geliştirilen eşik değerli otoregresyon (TAR) modelinin bir uzantısı olan ASTAR modeli elde edilmektedir. Model fonksiyonunu tahmin etmek için ASTAR algoritması da MARS algoritması gibi, modelde yer alacak temel fonksiyonları belirleme ve en iyi modelin elde edilmesini sağlayan iki aşamalı bir algoritmadan oluşur.Çalışmada ASTAR algoritmasının ikinci aşaması için Taylan ve ark. (2010) tarafından geliştirilen yeni bir yaklaşım uygulanmıştır. Bu yaklaşım ile Tikhonov düzenlemesi şeklini alan ASTAR modeli ikinci dereceden konik karesel programlama (CQP) problemine dönüştürülmüştür. Bu optimizasyon problemindeki sınırların çok amaçlı optimizasyon yaklaşımı kullanarak belirlenmesiyle çok sayıda seçenek çözüm elde edilebilmektedir. Böylece kullanıcının amacına en uygun çözüme ulaşması hedeflenmektedir.Çalışmada ayrıca bağımsız değişken değerleri arasındaki iç ilişki giderilerek (People Emich 2010) zaman serisine doğrusal regresyon modeli uygulanmıştır.Sonuç olarak, iki ayrı veri kümesine doğrusal regresyon modeli, ASTAR algoritması ve Konik ASTAR (C-ASTAR) algoritması uygulanarak, üç yaklaşımın başarımları çeşitli ölçüler kullanılarak karşılaştırılmıştır.

Özet (Çeviri)

This dissertation investigates the use of adaptive spline treshold autoregression (ASTAR), due to Stevens (1991), which was developed using multivariate adaptive regression splines (MARS), due to Friedman (1991), and use of conic ASTAR (C-ASTAR) which was obtained using conic quadratic programming (CQP).MARS, a modern technology in statistical learning, has importance in regression and classification. MARS is very useful for high dimensional problems and shows a great promise for fitting nonlinear multivariate functions. MARS technique does not impose any particular class of relationship between the predictor variables and outcome variable of interest. In other words, a special advantage of MARS lies in its ability to estimate the contribution of the basis functions so that both the additive and interaction effects of the predictors are allowed to determine the response variable.By letting the predictor variables in the MARS algorithm be lagged values of a time series system, one obtains a univariate ASTAR model for nonlinear autoregressive threshold modeling and analysis of time series, thereby extending the threshold autoregression (TAR) time series methodology developed by Tong. ASTAR consists of two complementary algorithms as MARS. To estimate the model function, as MARS algorithm, ASTAR has two stepwise algorithms which provide to determinate basis functions stand in the model and to get best appropriate model. Because the model obtained with forward stepwise algorithm used in the first step has very complex structure in the second step using backward stepwise algorithm basis functions remove in turn to reach optimum model.In this study a new approach developed by Taylan ve ark. (2010) was applied for the second stepwise algorithm of ASTAR. With this approach ASTAR model turned to Tikhonov regularization problem was transformed to CQP problem. When bounds of this optimization problem are determined using multiobjective optimization approach, too many solutions can be obtained. Thus, it is aimed to attain optimum solution.Moreover, in this study, regression model for time series is emphasized and is supplied to apply time series by deleting deficiencies of it (People Emich 2010).In conclusion, regression model, ASTAR algorithm and C-ASTAR algorithm were applied to two different data sets and these three approaches performances were compared by using different measures.

Benzer Tezler

  1. Advances in robust identification of spline models and networks by robust conic optimization, with applications to different sectors

    Değişik sektörlere uygulamalarıyla birlikte sağlam konik optimizasyon ile eğri modelleri ve ağların sağlam tanımlanmasındaki gelişimler

    AYŞE ÖZMEN

    Doktora

    İngilizce

    İngilizce

    2015

    MatematikOrta Doğu Teknik Üniversitesi

    Bilimsel Hesaplama Ana Bilim Dalı

    PROF. DR. GERHARD WİEHELM WEBER

  2. Robust conic quadratic programming applied to quality improvement - A robustification of CMARS

    Kalite geliştirmesine uygulanan sağlam konik kuadratik programlama ? CMARS metodunda bir sağlamlaştırma

    AYŞE ÖZMEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2010

    MatematikOrta Doğu Teknik Üniversitesi

    Bilimsel Hesaplama Ana Bilim Dalı

    DOÇ. DR. İNCİ BATMAZ

    PROF. DR. GERHARD WİLHELM WEBER

  3. Refinements, extensions and modern applications of conic multivariate adaptive regression splines

    Konik çok değişkenli uyarlanabilir regresyon eğrilerinin geliştirilmesi, uzantıları ve modern uygulamaları

    FATMA YERLİKAYA ÖZKURT

    Doktora

    İngilizce

    İngilizce

    2013

    MatematikOrta Doğu Teknik Üniversitesi

    Bilimsel Hesaplama Ana Bilim Dalı

    PROF. DR. GERHARD WILHELM WEBER

  4. A new contribution to nonlinear robust regression and classification with MARS and its applications to data mining for quality control in manufacturing

    Doğrusal olmayan sağlam regresyon ve sınıflandırmaya MARS ile yeni bir katkı ve bu katkının endüstride kalite kontrolü amaçlı veri madenciliği uygulamaları

    FATMA YERLİKAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2008

    Bilim ve TeknolojiOrta Doğu Teknik Üniversitesi

    Bilimsel Hesaplama Ana Bilim Dalı

    DOÇ. DR. İNCİ BATMAZ

    PROF. DR. GERHARD WİLHELM WEBER

  5. Comparison of computational image inpainting methods

    Hesaplamalı görüntü iç boyama yöntemlerinin karşılaştırılması

    CANDE KURT

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. İNCİ BATMAZ

    PROF. DR. İLKAY ULUSOY