Geri Dön

Performance of time series decomposition for different type of time series

Bileşenlerine ayırma yöntemlerinin farklı zaman serisi türleri üzerindeki performansı

  1. Tez No: 491081
  2. Yazar: TUĞÇE ERDOĞAN
  3. Danışmanlar: DOÇ. DR. SEDAT ÇAPAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: İngilizce
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 52

Özet

Zaman serilerinin seyri ve bu seriler ile yapılacak tahminler, serinin geleceğe ilişkin davranış biçiminin belirlenmesine yardım etmektedir. Özellikle ekonomi ve iş dünyasında olan belirsizlikler nedeni ile serilerin geleceğe ilişkin davranış biçimini belirlemek son derece önem kazanmıştır. Bu gibi durumlarda zaman serisinin özelliklerini ortaya koymak için kullanılan yöntemlerden başlıca ve en eski olanı serinin bileşenlerine ayrıştırılmasıdır. Ayrıştırma yöntemi, kısa dönemli öngörülerde anlaşılması ve yapılması en kolay yöntemdir. Bu yöntem, bir serinin mevsimselliğini ve trendini ortaya çıkartabilmek ya da istenildiği takdirde bu hareketleri seriden arındırabilmek amaçlı da kullanabilen bir yöntemdir. Bu çalışmada bileşenlerine ayırma yönteminin etkisini ölçmek amacıyla toplamsal ve çarpımsal modeller için R programı kodları yazılmıştır. Yazılan kodlar M-Competition zaman serisi veri setine uygulanmıştır. Elde edilen sonuçların daha önceki çalışmalarda önerilen sonuçlarla tutarlı olduğu görülmüştür.

Özet (Çeviri)

Course of the time series and estimates to be made with this series, will help to determine the behavior for the next series. Especially due to the uncertainties in the world of business and economics, to determine the future behavior of the series has become extremely important. In such cases, the main and the oldest method that is used to reveal the properties of the time series is time series decomposition. Decomposition method is the easiest method to understand and make in short-term predictions. This method can reveal the seasonality and trend of a time series and split a time series into its components. In this study, a program in R is written for additive and multiplicative models in order to measure the effect of the decomposition method. Time series included in M-Competition are used to test the written R code. The results obtained were consistent with the results suggested in previous studies.

Benzer Tezler

  1. Dalgacık dönüşümü tekniği kullanılarak akım serilerinin modellenmesi

    Modeling of streamflow series using wavelet transform technique

    MURAT KÜÇÜK

    Doktora

    Türkçe

    Türkçe

    2004

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    Su Ürünleri Mühendisliği Ana Bilim Dalı

    PROF. DR. NECATİ AĞIRALİOĞLU

  2. Zaman serilerinin öngörüsü için GKA tabanlı DVR metodları

    Emd based SVR methods for time series prediction

    BAHADIR BİCAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. YUSUF YASLAN

  3. Automatic time series forecasting using the ATA method with STL decomposition and Box-Cox transformation

    STL ayrıştırmalı ve Box-Cox dönüşümlü ATA metodu kullanılarak otomatik zaman serisi öngörüsü

    ALİ SABRİ TAYLAN

    Doktora

    İngilizce

    İngilizce

    2021

    İstatistikDokuz Eylül Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. GÜÇKAN YAPAR

  4. Li-iyon batarya modelinin en uygunlaştırılması ve batarya bozunumunun incelenmesine katkılar

    Contributions to optimization of Li-ion battery models and analysis of battery degradation

    HAKAN İNCESU

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ

  5. Ensemble and deep learning on astronomical data with different modalities

    Astronomik veride farklı kiplerle topluluk öğrenmesi ve derin öğrenme

    FATMA KUZEY EDEŞ HUYAL

    Doktora

    İngilizce

    İngilizce

    2023

    Astronomi ve Uzay Bilimleriİstanbul Teknik Üniversitesi

    Fizik Mühendisliği Ana Bilim Dalı

    PROF. DR. EMRE ONUR KAHYA

    PROF. DR. ZEHRA ÇATALTEPE