Geri Dön

Comparison of arima and LSTM models for bitcoin price prediction

Arıma ve LSTM modellerinin bitcoin veri seti fiyat tahmini ile karşılaştırılması

  1. Tez No: 629680
  2. Yazar: İBRAHİM GÜNEŞ
  3. Danışmanlar: DOÇ. DR. BETÜL ERDOĞDU ŞAKAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: Bahçeşehir Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 48

Özet

Zaman serilerinin analiz edilmesi ve gelecek tahmini yapılması bilgisayar bilimi için önemli yer tutmaktadır. Bilgisayar bilimi dışında da bir çok alanda kullanılmaktadır. Her ne kadar bu alanların başında finans ve satış verilerini incelemesi gelse de insan davranışları, tıp alanlarında da kullanılabilinmektedir. AutoRegressive Integrated Moving Average model (ARIMA) bu anlamda yaygın kullanılan modellerden bir tanesidir. ARIMA modeli ile veri setleri gözlenebilir veya gelecek tahminleri yapılmasında kullanılabilir. Bununla beraber son zamanlarda ki gelişmelerle makine öğrenme modelleri de zaman serisi analizlerinde kullanılmaktadır. Bu çalışmaya konu olan veri seti son yıllarda popüler olan kripto para birimi, bitcoin dünyada para metasına başka bir bakış açısı getirmiştir. Bu çalışmanın amacı bitcoin zaman serisinin gelecek fiyatının mevcut yöntemler olan ARIMA ve yeni soluk getiren Yapay Sinir Ağ modeli kullanılarak tahmin edilmesi ve modellerin karşılaştırılması amaçlanmıştır. Bu iki model python programlama dili kullanılarak uygulanmış ve bitcoin veri setinin gelecek 30 günlük değerinin tahmin edilmesi sağlanmıştır. iki modelin yaptığı tahmin sonuçları karşılaştırılmıştır. Tez sonucu göstermiştir ki Yapay Sinir Ağ modeli olan Uzun-kısa süreli bellek modeli yaygın kullanılan yöntem olan ARIMA ya göre çok daha iyi tahminlerde bulunmuştur.

Özet (Çeviri)

A wide range of disciplines going beyond the social and physical sciences, finance and sales being the major ones, rely on time series. Time series models are useful in modeling disease progression, human behavior, numbers of patients, market prices and economic forecasting, and other relevant, domain-specific goals related to resource management and problem prediction. ARIMA, Auto Regressive Integrated Moving Average Model, is a model of statistical analysis that uses data from time series to either better understand the data set or to predict future patterns. More recently, it has been proposed that machine learning models such as neural networks provide the potential for analyzing time series. Long Short-Term Memory models are a type of model for Neural Networks and are used effectively for forecasting time series. This analysis used the daily data set of bitcoin, which is a popular cryptocurrency widely used worldwide. We implemented both ARIMA and LSTM models using the Python programming language and tried to predict the Bitcoin data set's next 30-day values and compared their results in predicting bitcoin data. Study results showed that forecasting using a Long Short-Term Memory model has a higher accuracy value than ARIMA test results.

Benzer Tezler

  1. Yapay zekâ ve makine öğrenimi araçları ile elektrik tüketimi tahmini

    Electricity consumption forecasting via artificial intelligence and machine learning tools

    UMUT YILDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Katip Çelebi Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SILA ÖVGÜ KORKUT UYSAL

  2. İşletmelerin satış bütçelerinin oluşturulmasında ARIMA, LSTM ve hibrit modellerin karşılaştırılması: Üretim işletmesi örneği

    Comparison of ARIMA, LSTM and hybrid models in establishing sales budgets: A case of production facility

    AYŞE SOY TEMÜR

    Doktora

    Türkçe

    Türkçe

    2019

    İşletmeSakarya Üniversitesi

    İşletme Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ŞULE YILDIZ

  3. Machine learning based multi-scale joint forecasting-scheduling for the internet of things

    Nesnelerin interneti için makine öğrenmesi tabanlı çok ölçekli bütünleşik tahminleme-çizelgeleme

    MERT NAKIP

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik MühendisliğiYaşar Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. VOLKAN RODOPLU

    PROF. DR. CÜNEYT GÜZELİŞ

  4. Kızamık vaka sayılarının bilgisayar destekli öngörülmesi için farklı zaman serisi modellerinin performans karşılaştırması

    Performance comparison of different time series models for computer-aided forecasting of measles case numbers

    ÖZCAN GÜLER

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTekirdağ Namık Kemal Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. PINAR CİHAN

  5. Fotovoltaik enerji sistemleri için öngörü modellerinin geliştirilmesi: Veri madenciliği ve derin öğrenme yaklaşımları

    Development of forecasting models for photovoltaic energy systems: Data mining and deep learning approaches

    FATMA DİDEM ALAY

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET TAHİR GÜLLÜOĞLU

    DR. ÖĞR. ÜYESİ NAGEHAN İLHAN