Learning nonlinear features to improve linear forecastingapproaches
Doğrusal olmayan özelliklerinöğrenilerek doğrusal tahminleme yöntemlerinin geliştirilmesi
- Tez No: 597322
- Danışmanlar: YRD. DOÇ. DR. MUSTAFA GÖKÇE BAYDOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Birçok endüstride gelecekte karşılaşılacak olayların düzgün tahmin edilmesi kritik rol oynar. Özellikle perakende sektöründe, gelecek satışların tahmini, şirketin yönetiminde alınacak kararlara ışık tutar. Tahminleme için kullanılan en yaygın geleneksel zaman serisi modelleri değişkenler arasındaki sadece lineer ilişkileri açıklayabildiğinden, lineer olmayan ilişkilerin yarattığı kritik etkileri kaçırabiliyorlar. Önerilen algoritmanın ikinci aşamasında hatalar analiz edilerek değişkenler arasındaki lineer olmayan ilişkilerin de hesaba katılıp, modele yeni değişkenler ekleyerek genel zaman serisi modelleri üzerinde geliştirme sağlıyor. Önerilen yaklaşım iki aşamadan oluşuyor; birinci aşamada genel zaman serisi modeli kullanılarak tahminleme yapılıyor, ikinci aşamada ise ilk modeldeki tahminleme sonucunda çıkan hatalar regresyon ağacı altında lineer ve lineer olmayan ilişkiler göz önünde bulundurularak incelenerek en çok hata veren değişkenler birinci modele ekleniyor. Model bu şekilde belirlenen limitleri sağladığı sürece kendini güncelleyerek geliştiriyor. Bu çalışmanın birinci aşamasında ARIMAX, Lineer Regresyon ve Cezalı Regresyon (Penalized Regression) modelleri kullanılarak bu modeller üzerinde gelişim sağlandı. Algoritmanın uygulandığı ARIMAX modeli, hiçbir bağımsız değişkenin eklenmediği ve önerilen algoritmada kullanılan aynı bağımsız değişkenlerin eklendiği iki modelden de büyük oranda daha iyi sonuçlar verdi. Ayrıca, algoritmanın test edildiği lineer regresyon ve cezalı regresyon modelleri de aynı değişkenlerin olduğu klasik lineer regresyon ve cezalı regresyon ile kıyaslandığında daha iyi sonuçlar verdi.
Özet (Çeviri)
Forecasting of future events is critical for decision making in many industries. Especially in the retail industry, forecasting of future sales has critical importance for management of the company. General time series models are a widely used method for forecasting. However, since general time series models mostly consider linear relation between response and explanatory variables, they can miss nonlinear relations which can have a critical effect on the response variable. We propose an iterative approach that starts with a base model and explain the residuals by tree-based regression. The path leading to the highest error is added to the base model as a new variable. Proposed algorithm is an improvement on general time series models since it adds nonlinear variables by residuals explanation to the linear models in the second stage. Proposed model consists of two-stage; first stage is a general time series model where Autoregressive Integrated Moving Average with regressor version (ARIMAX), Linear Regression and Penalized Regression models were used as base learner in this study, second stage is a residual explanation by regression tree to find new explanatory variables that cause the highest error on the first stage by considering linear and nonlinear relations. New regressors which are found on the second stage are added to the first model and new model continues for forecasting until it optimizes itself. Implementation of proposed algorithm on ARIMAX outperformed on regular ARIMA model and ARIMAX model with same regressors on the proposed model. Also, proposed algorithm was implemented on Linear Regression and Penalized Regression methods and when compared with regular Linear Regression and Penalized Regression respectively, proposed algorithm achieved better results.
Benzer Tezler
- Derin öğrenme ve istatistiksel modellerle operasyonel rüzgar enerjisi tahmini: Batman içinn LSTM, ANN ve ARIMA uygulaması
Operational wind energy forecasting using deep learning and statistical models: An application of LSTM, ANN and ARIMA for Batman
İLAYDA KELKİTLİ BAŞARAN
Yüksek Lisans
Türkçe
2026
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA KEMAL KAYMAK
- Türkiye elektrik piyasasında istatistiksel yöntem ve makine öğrenmesi algoritmaları kullanılarak kısa vadeli gün öncesi elektrik fiyatı tahmini için hibrit bir yaklaşım
A hybrid approach short-term day-ahead electricity price forecasting in the turkish power market using statistical method and machine learning algorithms
CEMRE NUR GÜNGÖR
Yüksek Lisans
Türkçe
2026
Enerjiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ITIR SATOĞLU
- Yinelemeli sinir ağları ile sermaye piyasası yön tahmini üzerine bir çalışma
A study on direction prediction of capital markets with recurrent neural networks
MUHİDDİN ÇAĞLAR EREN
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Türkiye rüzgâr verilerinin bayesyen maksimum entropi yaklaşımıyla uzay-zaman modeli
Spatiotemporal model of Turkey wind speed data with Bayesian maximum entropy approach
ÖZLEM BAYDAROĞLU
Doktora
Türkçe
2016
Enerjiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. KASIM KOÇAK
- Gelişmiş makine öğrenmesi ile sermaye piyasalarında kısa vadeli yön tahmini ve dinamik TP/SL analizi
Short-term direction forecasting in capital markets with advanced machine learning and dynamic TP/SL analysis
EMRE ARI
Doktora
Türkçe
2026
İstatistikİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ