Zaman serisi tahmin modellerinde veri analizi ve model seçimi
Input data analysis and model selection in time series
- Tez No: 633720
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET GÜLŞEN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Industrial and Industrial Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Başkent Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mühendislik Yönetimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Zaman serileri bir değişkenin ardışık gözlem değerlerini içeren veri kümeleridir. Takdir edilecektir ki bu gözlemler zaman içerisinde çevresel veya sistematik etkiler nedeniyle değişim gösterebilmektedir. Bu nedenle zaman serisi modelleri ile tahmin gerçekleştirilirken bütün gözlem kümesi ile modelin eğitilmesi yerine tarihsel olarak sondan geriye doğru gidililerek gözlem verileri bölümlere ayrılabilir. Çalışmada, bu bölümlerden tahmin modeli açısından en alakalı dönemin tespit edilip, eğitim kümesi olarak kullanılması ile gerçeğe daha yakın sonuçlar elde edileceği savunulmuştur. Yapılan araştırmada, eğitim veri kümesinin elde edilmesi için değişim noktası analizi yöntemlerinden CUSUM algoritması kullanılmıştır. Öncelikle bu algoritma popüler tahmin modelleri olan ARIMA ve Holt's Winter yöntemleri ile entegre edilerek elde edilen veri kümesi ile tahmin yapılmıştır ve gerçek verilerden oluşan test kümesi ile performansı ölçülmüştür. Daha sonra aynı tahmin modelleri tüm gözlem kümesi ile eğitilerek gelecek değerler tahmin edilmiş ve test veri kümesi ile performansı ölçülmüştür. Ayrıca zaman serisindeki değişim noktalarının tespit edilmesinin önemini göstermek amacıyla çalışmada ek bir yöntem olarak sabit süreli zaman pencereleri ile eğitim veri kümeleri oluşturulmuş ve bu kümelerle tahminler gerçekleştirilip performansları ölçülmüştür. CUSUM algoritması kullanılarak gözlem kümesinin tahmin için en“doğru”bölümü ile eğitilen modellerin MSE hata değerleri diğer iki yöntemden elde edilen tahmin sonuçlarına göre daha küçük olduğu yani gerçeğe daha yakın sonuçlar elde edildiği görülmüştür.
Özet (Çeviri)
Time series are data sets that contain consecutive observation values of a variable. These observations may change over time due to environmental or systematic effects. Therefore, while estimating with time series models, instead of training the model with the whole set of observations, the data can be divided into sections starting from the very end, and the most relevant periods from these sections will be used in the forecasting model. In this study, the CUSUM algorithm, which is a change point analysis method, is used to determine the length of the training dataset. This algorithm is integrated with ARIMA and Holt's Winter methods, which are popular prediction models, and forecasts are generated and evaluated on the test data.For validation, the same prediction models are trained on the whole data set, and its performance is used as a benchmark to evaluate the proposed approach. Furthermore, to show the importance of determining the change points in the time series, training data sets were created with fixed-time time windows, and estimates were made with these sets, and their performances were measured. It is observed that the models trained with the“correct”part of the time series have smaller MSE values as compared to the prediction results obtained from the other two methods, that is, more realistic results were obtained.
Benzer Tezler
- XAU/USD prıce predıctıon usıng deep learnıng: hyperparameter optımızatıon wıth bayesıan, grey-wolf and genetıc algorıthms
Derin öğrenme kullanarak XAU/USD fiyat tahmini: bayes, gri kurt ve genetik algoritmalarla hiperparametre optimizasyonu
MELİS KÜÇÜK
Yüksek Lisans
İngilizce
2025
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Bilgi kriterini kullanarak uygun arma modellerinde değişken seçimi yapmak: Silikon vadisi şirketlerine ilişkin hisse senedi uygulaması
Different choice of appropriate arma model using the information criterion: Applying the share certificate of silicone valley companies
ALEV KAYA
- A novel approach for time series forecast combinations based on multi-criteria decision making (MCDM) methods
Zaman serisi tahmin kombinasyonları için çok kriterli karar verme yöntemlerine dayalı yeni bir yaklaşım
TUĞBA YASEMİN KARAGÖZ
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERKAN IŞIKLI
- Derin öğrenme yöntemleri ile zaman serisi tahmini
Time series classification with deep learning methods
HAKAN GÜNDÜZ
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- Forecasting solar irradiance using deep learning and big data analytics techniques in Sakarya and Damascus
Sakarya ve Şam'da derin öğrenme ve büyük veri analitiği teknikleri kullanılarak güneş ışınımının tahmini
MARYA ALHAJMOHAMMADOTHMAN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEYDA AKSOY TIRMIKÇI
DR. ÖĞR. ÜYESİ DENİZ BALTA