Zaman serisi öngörüsü için AR-ARCH tipli yapay sinir ağları
AR-ARCH type neural networks for forcasting time series
- Tez No: 484305
- Danışmanlar: PROF. DR. EROL EĞRİOĞLU
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 111
Özet
Doğrusal zaman serileri Box-Jenkins yöntemleri kullanılarak öngörümlenebilir. Gerçek hayat zaman serileri nadiren doğrusaldır. Otoregresif koşullu değişen varyans modelleri, doğrusal olmayan zaman serilerinin öngörüsü için önerilmiştir. Ancak, bu modeller zaman serileri için özel modellerdir ve her zaman serisinde uygulanamaz. Bu nedenle herhangi bir doğrusal olmayan ya da doğrusal yapıya sahip zaman serileri için son yıllarda yapay sinir ağları (YSA' ları) birçok araştırmacı tarafından çeşitli alanlarda kullanılmaktadır. YSA yöntemleri diğer geleneksel zaman serisi metotlarıyla karşılaştırıldığında pek çok avantaja sahiptir. Yapay sinir ağları geleneksel metotlardaki varsayımları gerektirmediğinden popüler hale gelmiştir. Buna ek olarak, son zamanlarda önerilen yapay sinir ağı temelli çarpımsal nöron model başarılı öngörü sonuçlarına sahiptir. Yapay sinir ağlarında karma yöntemlerin, zaman serisi öngörümlemesinde daha kullanışlı teknikler olduğu bilinmektedir. Bu çalışmada da yapay sinir ağı yapısında yeni bir karma öngörü metodu AR-ARCH tipli YSA (AR-ARCH-YSA) modeli önerilmiştir. Bu önerilen yaklaşımda yapay sinir ağının eğitimi için parçacık sürü optimizasyonu algoritması kullanılmıştır. Eğitim sürecinde kullanılan bu algoritma ile lokal minimumdan kaçınılma olasılığı artmaktadır. 2011-2013 Borsa İstanbul 100 günlük verileri ile 2016 yılı Uluslararası Zaman Serisi Öngörü Yarışması'nda kullanılmak üzere verilen bazı zaman serileri alınarak AR-ARCH-YSA modelinin öngörü performansı değerlendirilmiştir.
Özet (Çeviri)
Linear time series can be forecasted using Box-Jenkins procedures. Real-world time series are rarely linear. Autoregressive conditional heteroscedasticity models have been proposed for nonlinear time series. Nevertheless these models are specific models for time series and they are not applied for all of time series. Therefore in recent years artificial neural networks have been commonly used various fields by many researchers for any nonlinear or linear structure time series time series. Artificial neural networks procedures have many advantages comparing to the conventional time series methods. Since artificial neural networks do not require assumptions which are essential for the conventional techniques, they are getting popular. In addition to that, in recent times proposed multiplicative neuron model based artificial neural networks have successful forecasting results. It is known that hybrid methods in artificial neural networks are useful techniques for forecasting time series. In this study, a new hybrid forecasting method has a neural network structure AR-ARCH type neural networks model has been proposed. In the proposed approach, particle swarm optimization is used for training neural network. Model is trained by particle swarm optimization. Possibilities of avoid local minimum traps are increased by this algorithm in using trained process. Istanbul Stock Exchange daily data sets from 2011 to 2013 and some time series in using for2016 International Time Series Forecasting Competition are obtained to evaluate the forecasting performance of AR-ARCH type neural networks.
Benzer Tezler
- ARCH yapılı basamaklı yapay sinir ağı modeli ile zaman serisi öngörüsü
Time series forecasting via ARCH-type cascade artificial neural network model
RADWAN MAHAMOUD ADEN
- Firma kazanç büyüme oranlarının tahmini: Ve İstanbul Menkul Kıymetler Borsası'na kayıtlı endüstri firmaları üzerine bir inceleme
Estimation of growth rates: An application on İstanbul Stock Exchange Industrial Firms
EBRU NUR KAPUCU
- 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
- Zaman serisi öngörüsü için yeni bir melez yaklaşım: AR-ANFIS
A new hybrid method for time series forecasting: AR-ANFIS
BUSENUR SARICA
Yüksek Lisans
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. BARIŞ AŞIKGİL
- Akış alan modellemesi ve istatistiksel enerji öngörüsü: Maslak örneği
Field flow modeling and statistical energy prediction a case study : Maslak region
SEVİNÇ RÜSTEMOĞLU
Yüksek Lisans
Türkçe
2010
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DOÇ. DR. Ş. SİBEL MENTEŞ
YRD. DOÇ. DR. BURAK BARUTÇU