Geri Dön

Zaman serisi analiz ve tahmini: Derin öğrenme yaklaşımı

Time series analysis and forecasting: Deep learning approach

PDF İndir

  1. Tez No: 547063
  2. Yazar: MEHMET UĞUR GÜDELEK
  3. Danışmanlar: DOÇ. DR. AHMET MURAT ÖZBAYOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, İstatistik, Computer Engineering and Computer Science and Control, Science and Technology, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: Tobb Ekonomi ve Teknoloji Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Günlük hayatta, oldukça fazla problem, zaman serisi verileri içermektedir. Zaman serisi verilerinin analizini veya gelecek değer tahminlerini iyi bir şekilde yapabilmek, bu problemlerin çözümü için çok önemlidir. Çeşitli istatistiksel analiz, matematiksel analiz, sinyal işleme, makine öğrenmesi ve onun alt alanı olan derin öğrenme yöntemleri, zaman serisi verilerini analiz etmek ve gelecek tahmini yapabilmek için kullanılmaktadırlar. Özellikle, son yıllarda popülaritesi giderek artan derin öğrenme yöntemleri, karmaşık zaman serisi problemlerinin çözümünde, geleneksel yöntemlere göre daha başarılı olmuş ve kullanımları hızla artmıştır. Ancak, bahsedilen analiz ve tahminlere, baştan sona nasıl yaklaşılacağını, hangi modellerin kullanılması gerektiğini, seçilen modelin nasıl kullanılacağını ve veri setinin nasıl hazırlanması gerektiğini, bütün bir şekilde ele alan çalışmalara literatürde pek rastlanmamıştır. Önerilen tez ile, çeşitli zaman serisi problemleri incelenmiş ve yaklaşımlar anlatılmıştır. Durum denetlemeli-LSTM ve durum denetlemesiz-LSTM karşılaştırması yapılmış, basit problemler üzerinde analizleri yapılmış, iç yapıları incelenmiş, bir hanenin elektrik üretim ve tüketim miktarları tahmin edilerek, hanedeki bataryanın optimizasyonu yapılmıştır. Batarya optimizasyonu yapıldığında, optimum sonuca %99 oranında yakınsanmış ve 3-zamanlı elektrik fiyat tarifesi kullanımı ile yüksek oranda kar sağlanmıştır. Bunun dışında, CNN ile finans verisi üzerinden hesaplanan teknik analiz özniteliklerinin yardımı ile gelecek değer tahmini yapılmıştır. Bu tahmin yapılırken, CNN modelinin girdileri olacak olan teknik indikatörlerin 2D resim şeklinde dönüştürülmesi çalışılmamış bir konudur. 2D resim oluşturulurken kullanılan dendrogram kümeleme algoritması bir eksende korelasyonu sağlamış, diğer eksende zaman serisinin otokorelasyonundan faydalanılmıştır. Geliştirilen model, zaman serisi verisine uygun dönüşümler uygulandığında, eğitilebilmiş ve başarılı sonuçlar çıkarmıştır. Finans verisine uygulanan dönüşümler, farklı alanlardaki zaman serisi verilerine de uygulanabilir olduğu için, farklı mimarideki modeller de kullanışlı duruma geçmişlerdir.

Özet (Çeviri)

In daily life, quite a lot of problems include time series data. Making good time series data analysis or future value estimations is very important to solve these problems. Various statistical analysis, mathematical analysis, signal processing, machine learning and deep learning methods that are subfields of machine learning are used to analyze time series data and to make a future forecast. In particular, deep learning methods, which have become increasingly popular in recent years, have been more successful than traditional methods in solving some complex time series problems and their usage has spread rapidly. However, in the literature, there is not a lot of research which deals with the analysis and estimations, how to approach the end-to-end solutions, which models should be used, how to use the selected model and how the dataset should be prepared. In the proposed thesis, various time series problems are examined, and approaches are explained. Stateful LSTM and the stateless LSTM were compared, analyzed on simple problems, internal structures of them were examined. After that, electricity production and consumption amount of a household were estimated, and the battery of household were optimized. When battery optimizations were made, the optimum result was converged at a rate of 99% and a high rate of profit was achieved by the use of 3-rate electricity tariffs. In addition, the technical analysis features calculated over the financial data and used for the estimation of the future value of the financial data with the help of CNN, another deep learning model. In this estimation, the conversion of technical indicators which will be the inputs of CNN model as 2D images is an uninvestigated issue. The dendrogram clustering algorithm used in 2D image rendering provided one-axis correlation, while the other axis was used for autocorrelation of the time series. When the results were examined and transformations were applied, developed method could be trained and gave successful results. Since the transformations applied to finance data are also applicable to time series data in different fields, models which have different architecture can be useful.

Benzer Tezler

  1. Tez No

    826952

    Derin öğrenmede tekrarlayan sinir ağları yaklaşımı ile hisse senedi fiyat tahmini

    Stock price prediction with recurrent neural networks approach in deep learning

    GÜLDENİZ CANATAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    İstatistikÇukurova Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. GÜZİN YÜKSEL

  2. Tez No

    959230

    Enerji tüketimi tahmini: A-LSTM ağlarına dayalı derin öğrenme yaklaşımı

    Energy consumption forecasting: A deep learning approach based on A-LSTM networks

    ABDEL HACK BIO BOULOU

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    İstatistikÇukurova Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. MAHMUDE REVAN ÖZKALE ATICIOĞLU

  3. Tez No

    977529

    Finansal zaman serisi görüntü temsillerinin ön-eğitimli evrişimsel sinir ağları ile sınıflandırılması yoluyla alım satım sinyal tahmini ve algoritmik ticaret uygulamaları

    Trading signal forecasting and algorithmic trading applications via classification of financial time series image representations using pre-trained convolutional neural networks

    YAHYA ALTUNTAŞ

    Doktora

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ADNAN FATİH KOCAMAZ

  4. Tez No

    999836

    Derin ve hafızalı öğrenme yöntemleriyle elektrik enerjisi talep tahmini

    Electric energy demand forecasting with deep and memory-based learning methods

    ŞEYDA ÖZDEMİR

    Doktora

    Türkçe

    Türkçe

    2026

    Elektrik ve Elektronik MühendisliğiFırat Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. YAKUP DEMİR

  5. Tez No

    827860

    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

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. MUHAMMET ALİ AKCAYOL

Geri Dön