Performance comparison of machine learning methods and traditional time series methods for forecasting
Geleneksel zaman serisi yöntemleri ve makine öğrenmesi yöntemlerinin öngörü performans karşılaştırması
- Tez No: 637945
- Danışmanlar: DOÇ. DR. CEYLAN YOZGATLIGİL
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 175
Özet
Zaman serisi analizin en temel amaçlarından biri tahminleme yapmaktır. Literatürde tahminleme için hem istatistiksel hem de makine öğrenmesi modellerinin kullanıldığı ve önerildiği görülmektedir. Bu çalışma, bu yaklaşımlardan bazılarının zaman serilerinin modellenmesi ve tahminlenmesi yönünden karşılaştırmalarını içermektedir. Naive, mevsimel naive, otoregresif tamamlanmış hareketli ortalama, mevsimsel otoregresif tamamlanmış hareketli ortalama, üstel düzleştirme, Bayesçi üstel düzleştirme, TBATS ve STL modelleri gibi istatistiksel zaman serisi modellerine ek olarak, rassal ormanlar, destek vektör makinesi, ekstrem gradyan arttırma, Bayesçi yapay sinir ağları, tekrarlayan yapay sinir ağları, uzun kısa süreli bellek ve ileri beslemeli sinir ağları modelleri de kullanılarak çalışmadaki zaman serileri tahminlenmiştir. Zaman serileri genel yapılarında hem doğrusal hem doğrusal olmayan içerikleri barındırmaktadır. Bu yapıyla ilgilenmek için, Zhang bir hibrit yaklaşım önermiştir. Bu yaklaşıma göre, tahmin değerleri doğrusal ve doğrusal olmayan içeriklerin toplamından elde edilecektir. Yukarıda sıralanan modellere ek olarak, doğrusal içerikler için istatistiksel, doğrusal olmayan içerikler için de makine öğrenmesi modellerinin kullanıldığı hibrit modeller de tahminleme için kullanılmıştır. Bu çalışmada kullanılan veri seti M4 Yarışmasında kullanılan veri setinde yer alan farklı zaman frekanslarına sahip serilerden sayılarına orantılı bir şekilde seçilerek oluşturulmuştur. Modellerin uygulanmasından sonra, modellerin tahmin performansları karşılaştırılmıştır. Bu karşılaştırma sonucunda, bu çalışmadaki en iyi tahmin performansına sahip modellerin çoğunlukla makine öğrenmesi metotları arasından seçildiği görülmüştür. Aynı zamanda modellerin tahmin performansının tahminlenen serinin zaman frekansına ve tahminin uzunluğuna bağlı olduğu görülmüştür. Son olarak, bu çalışma ile hibrit yaklaşımın zaman serileri için her zaman en iyi tahminleme metodu olmadığı kantılanmıştır.
Özet (Çeviri)
One of the main objectives of the time series analysis is forecasting, and for this purpose both Machine Learning methods and statistical methods have been proposed in the literature. In this study, we use and compare some of these approaches in time series modelling and forecasting. In addition to traditional forecasting methods for time series data set which are namely Naive Method, Seasonal Naive Method, ARIMA, SARIMA, Exponential Smoothing, TBATS, Bayesian Exponential Smoothing Models with Trend Modifications and STL Decomposition, the forecasts are also obtained by using seven different machine learning methods. These methods are Random Forest, Support Vector Regression, XGBoosting, Bayesian Neural Network, Recurrent Neural Network, Long Short Term Memory Neural Network and Feed Forward Neural Network. It is also known that time series generally contain both linear and nonlinear patterns. In order to deal with this mixture data structure, a hybrid methodology which combines linear and nonlinear components was proposed by Zhang. According to him, predicted values of a time series can be obtained by summing both linear and nonlinear components. In this study, hybrid models are constructed by using machine learning methods for nonlinear pattern and statistical methods for linear pattern. Therefore, the forecasts are also obtained using hybrid models. The data set selected proportionally from different time frequencies in M4 Competition is used in this study. After observing the results of studies, the performance and impact of all methods are discussed. At the end of this discussion, most of the best models are mainly selected from machine learning methods for forecasting in this study. It is also seen that the forecasting performance of the model depends on both time frequency and forecast horizon. Lastly, the study proves that the hybrid approach is not always the best forecasting model for time series.
Benzer Tezler
- Automated cryptocurrency trading using machine learning methods
Makine öğrenmesi yöntemleri ile otomatik kripto para ticareti
FARUK ÖZER
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBüyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEMAL OKAN ŞAKAR
- Yapay sinir ağları ve makine öğrenmesi ile otomobil satış tahmininin yapılması ve zaman serileri analizi ile karşılaştırılması
Forecasting automobile sales using artificial neural networks and machine learning and comparison with time series analysis
BEYZA KURTGERİ
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. MERVE CENGİZ TOKLU
- Makine öğrenme yöntemlerini kullanarak çok değişkenli zaman serisi analizi ve tahmin
Multivariate time series analysis and forecasting using machine learning methods
LUBNA ALANIS
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAMZA EROL
- Borsa istanbul (BIST) hisse fiyat değişim yönünün ilişkisel borsa ağı kullanılarak tahmin edilmesi
Forecasting stock price change direction using relational stock market network on borsa Istanbul (BIST)
BİRCAN ERGÜR
Yüksek Lisans
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZEHRA ÇATALTEPE
- Derin pekiştirmeli öğrenme yöntemi ile görüntü hash kodlarını oluşturma
Generating image hash codes with deep reinforcement learning method
ELİF AKKAYA
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURHAN BARAKLI