Derin öğrenme ile zaman serilerinin gerçek zamanlı tahmini
Time series prediction in real time using deep learning
- Tez No: 513085
- Danışmanlar: DR. ÖĞR. ÜYESİ ALİ OSMAN ÇIBIKDİKEN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Necmettin Erbakan Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 71
Özet
Zaman serisinde, bir olay sırasında alınan ölçümler ardışık zaman dilimi içinde uygun bir sırada düzenlenmiş olarak bulunur. Zaman serileri; iletişim, sağlık, hava tahmini ve finans gibi birçok alanda kullanılmaktadır. Finansal veri içeren zaman serilerinin analizinde; istatiksel yaklaşım için ARIMA ve makine öğrenmesi yaklaşımı için Uzun-Kısa Süreli Hafıza derin öğrenme mimarisi kullanılmıştır. Tahmin modellemesi için adımlar önerilerek, bu adımlar hisse senedi ve Bitcoin fiyat tahminlemesinde uygulanmıştır. Tahminleme performans ölçülerine göre sonuçlar değerlendirilerek, Uzun-Kısa Süreli Hafıza derin öğrenme mimarisinin daha başarılı olduğu gözlemlenmiştir. Bu Uzun-Kısa Süreli Hafıza mimarisinin, zaman serilerinin tahmininde geleneksel istatistik yöntemlere göre daha uygun olduğunu göstermektedir. Ayrıca elde edilen derin öğrenme modeline dayanan bir anlık hisse senedi tahminleme web arayüzü geliştirilmiştir.
Özet (Çeviri)
In the time series, the measurements taken during an event are arranged in a suitable order within the consecutive time slot. Time series are used in communication, health, weather forecasting and finance. ARIMA for the statistical approach and LSTM deep learning architecture for the machine learning approach have been used in the analysis of time series containing financial data. By suggesting steps for forecasting modeling, these steps have been implemented in stock and Bitcoin price prediction. It has been observed that the LSTM deep learning architecture is more successful by evaluating the results according to the estimation performance measures. This shows that the LSTM architecture is more appropriate in predicting time series than traditional statistical methods. In addition, an instant stock forecasting web interface based on the acquired deep learning model has been developed.
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
- Educational reforms in Ethiopia: From the imperial era to the present
Etiyopya'da eğitim reformları: Emperyal dönemden günümüze
SALİH AHMED MAHAMMODA
Doktora
İngilizce
2022
Eğitim ve ÖğretimNecmettin Erbakan ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. İSA KORKMAZ
- Fighter pilot behavior cloning and transferring to another aircraft
Savaş pilotu davranışı klonlama ve farklı bir hava aracına transferi
GÜLAY SEVER
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE
- Derin öğrenme ile çizge zaman serilerinin analizi
Analysis of graph time series with deep learning
MUSTAFA MERT KESKİN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET MURAT ÖZBAYOĞLU
- Equity portfolio optimization using reinforcement learning: An emerging market case
Pekiştirmeli öğrenme ile hisse senedi portföyü optimizasyonu: Gelişmekte olan piyasa örneği
MERT CANDAR
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ