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: 106
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
- Improved extreme learning machines and applications
Geliştirilmiş aşırı öğrenme makineleri ve uygulamaları
MOHANAD ABD SHEHAB AL KARAWI
Doktora
İngilizce
2018
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NİHAN KAHRAMAN
- Uzun kısa süreli bellek ile altın fiyatı tahmini
Gold price forecasting using long short-term memory
SİNA BİRECİK
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLAY ÖKE GÜNEL
- Hisse senedi fiyat tahmininde otokodlayıcı ve graf evrişimli ağının uygulanması
Application of autoencoder and graph convolutional network in stock price prediction
MAHMUT LUTFULLAH ÖZBİLEN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
- Otonom araçlar için makine öğrenmesi teknikleri kullanılarak saldırı tespit sistemi geliştirilmesi
Development of intrusion detection system by using machine learning techniques for autonomous vehicles
DOĞUKAN AKSU
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED ALİ AYDIN
- Hava durumu tahmini için veri madenciliği tabanlı bir model geliştirilmesi
Development of a data mining based model for weather forecasting
YUNUS EMRE CEBECİ
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ